Jochen Howind - Deutsche Geodätische Kommission
Jochen Howind - Deutsche Geodätische Kommission
Jochen Howind - Deutsche Geodätische Kommission
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
- 49 -<br />
wertfunktion der quadrierten, trendbereinigten studentisierten Residuen Δrs 2 mit Hilfe einer linearen Regression (Chatterjee<br />
und Price, 1995) geschätzt werden. Auf der Grundlage umfangreicher Untersuchungen wurde in dieser Arbeit<br />
f<br />
b<br />
1<br />
2<br />
2 2 2 2<br />
( ele ) b ⋅ ( ele ) = b ⋅⎜<br />
cos ( z + z + z + z )<br />
4d<br />
b2<br />
⎛<br />
⎞<br />
= ⎟<br />
1 4d 1<br />
11 12 21 22<br />
(4.14)<br />
⎜ 4<br />
⎟<br />
⎝<br />
⎠<br />
mit ele4d aus (4.8) und den zu schätzenden Parametern b1 und b2 als Regressionsfunktion gewählt. Es sei darauf hingewiesen,<br />
dass diese Funktion mit dem troposphärischen Einfluss aus (3.3) korrespondiert, der einen der Haupteinflussfaktoren<br />
auf die GPS-Beobachtungen darstellt. Der Ansatz<br />
2<br />
s<br />
( ) ( ) 2<br />
2<br />
b<br />
r − r = b ele<br />
Δr =<br />
− ⋅<br />
(4.15)<br />
s / i<br />
s / i 1<br />
1<br />
4d<br />
führt zu einer nichtlinearen Regression, die entweder iterativ numerisch lösbar ist (vgl. Schwetlick, 1979) oder mit Hilfe<br />
einer Logarithmus-Transformation der Daten und des funktionalen Modells linearisiert werden kann. Dies führt dann<br />
zum linearisierten Ansatz<br />
2<br />
2<br />
b<br />
( r ) = ln(<br />
r − r ) = ln(<br />
b ⋅ ( ele ) ) = ln(<br />
b ) + b ⋅ ln(<br />
)<br />
2 ln s<br />
s / i s / i 1<br />
1 4d<br />
1 2 ele4d<br />
Δ − , (4.16)<br />
der z.B. mit den bekannten Methoden des Kleinste-Quadrate-Verfahrens aus Abschnitt 2.1 bearbeitet werden kann.<br />
Jede Abweichung der der Schätzung zugrunde liegenden Daten von der Normalverteilung kann zu unerwünschten Effekten<br />
bzw. zu einer unzuverlässigen Schätzung der Parameter der Regressionsfunktion führen. Es ist allerdings schwierig,<br />
die Normalverteilung von Residuen aus der GPS-Auswertung nachzuweisen. Schon Tiberius und Borre (1999)<br />
konnten die Hypothese der Normalverteilung von GPS-Beobachtungen allenfalls nicht widerlegen, jedoch auch nicht<br />
statistisch nachweisen. Eine visuelle Möglichkeit zur Beurteilung der Normalverteilungsannahme ist die Überprüfung<br />
mit Hilfe eines Normal-QQ-Plots. QQ-Plots werden gemäß Hartung et al. (2002) verwendet, um zu überprüfen, ob die<br />
untersuchten Daten einer bestimmten Verteilung - bei einem Normal-QQ-Plot der Normalverteilung - entstammen.<br />
Dabei werden die empirischen Quantile der Beobachtungsreihe über den theoretischen Quantilen aufgetragen. Bei einer<br />
Übereinstimmung mit einer Standardnormalverteilung N(0,1) liegen die Punkte auf einer Ursprungsgeraden mit Steigung<br />
eins. Abweichungen von der Geraden deuten auf ein Nichtzutreffen der Verteilung hin. Ist die Gerade keine Ursprungsgerade,<br />
so weisen die Daten einen von Null verschiedenen Erwartungswert auf, während eine Steigung ungleich<br />
eins auf Abweichungen in der Varianz der Daten hinweist. Einzelne Unregelmäßigkeiten an Anfang und Ende der Geraden<br />
nach links unten bzw. rechts oben können oft als Ausreißer gedeutet werden. Beispielhaft dazu ist in Abbildung<br />
4.11 die Zeitreihe aus Abbildung 4.9 inklusive zugehörigem Normal-QQ-Plot dargestellt.<br />
Abb. 4.11: Differenzierte studentisierte Residuen Δr s inklusive zugehörigem Normal-QQ-Plot<br />
Theoretische Verteilung: Standardnormalverteilung N(0,1)<br />
L 3-Doppeldifferenzen aus Abbildung 4.9 (375km-Basislinie, PRN 15-03, Datenrate: 30s)<br />
Im Großen und Ganzen kann bei den Daten aus Abbildung 4.11, trotz einer recht großen Zahl an Abweichungen, eine<br />
Normalverteilung (keine Standardnormalverteilung) nicht widerlegt werden. Betrachtet man die dort dargestellten Da-