Application of the Allan Variance to Time Series Analysis in Astrometry and Geodesy: A Review

Dit artikel geeft een overzicht van de toepassing van de Allan-variatie en haar aangepaste versies (gewogen, meerdimensionaal en gecombineerd) voor de analyse van ongelijk wegende en meerdimensionale tijdsreeksen in de astrometrie en geodesie.

De kern

De Allan Variantie: De "Smaaktest" voor Ruimtetijd-Metingen

Stel je voor dat je een zeer gevoelige weegschaal hebt die de positie van sterren of de beweging van de aarde meet. Je wilt weten: hoe betrouwbaar is deze weegschaal eigenlijk? Is het ruis van de motor, of is het een echte beweging?

Dit is precies waar dit artikel over gaat. De auteur, Zinovy Malkin, legt uit hoe wetenschappers een speciaal meetinstrument gebruiken genaamd Allan Variantie (AVAR) om de "ruis" in hun data te begrijpen.

1. Het oude probleem: De "Gewone" Rekenmethode

Vroeger gebruikten wetenschappers een simpele methode (zoals de standaardafwijking) om te kijken hoe ver metingen van elkaar afwijken.

• De analogie: Stel je voor dat je de temperatuur van een kamer meet. Soms is het 20°C, soms 21°C. De gemiddelde afwijking geeft je een idee van de onzekerheid.
• Het probleem: In de ruimte en geodesie (het meten van de aarde) is het niet zo simpel.
  1. Ongelijke kwaliteit: Soms is een meting heel precies (een scherpe foto), soms wazig (een onscherpe foto). Een simpele gemiddelde behandelt ze allemaal hetzelfde, alsof een wazige foto even goed is als een scherpe.
  2. Meerdere richtingen: Een ster beweegt niet alleen links-rechts, maar ook omhoog-omlaag en naar voren-achteren. Je hebt dus een 3D-pijl nodig, geen enkel getal.
  3. Lange termijn trillingen: Soms zit er een langzame, onzichtbare "golf" in de data (zoals de seizoenen) die de simpele rekenmethode verwarrend maakt. Het lijkt alsof er veel ruis is, terwijl het eigenlijk een voorspelbaar patroon is.

2. De oplossing: De "Slimme" Allan Variantie (AVAR)

De Allan Variantie is als een slimme filter die beter kijkt naar het echte gedrag van de meetfouten.

• Vergelijking: Stel je voor dat je kijkt naar de trillingen van een brug. Een simpele meting zou denken dat de brug instabiel is omdat hij meebeweegt met de wind (een langzaam patroon). De AVAR kijkt echter alleen naar de snelle, onvoorspelbare trillingen (de ruis) en negeert de langzame windbewegingen.
• Het grote voordeel: AVAR is niet zo makkelijk in de war te brengen door lange trends of systematische fouten. Het vertelt je echt: "Hoe onzeker is deze meting op korte termijn?"

3. De Nieuwe Versies: De "Super-Allan"

Omdat de originele AVAR niet goed werkt met ongelijke metingen of 3D-ruimtes, heeft de auteur drie nieuwe, verbeterde versies voorgesteld:

• WAVAR (Gewogen AVAR):

  • De analogie: Stel je hebt een jury van drie mensen die een wedstrijd beoordelen. De ene jurylid is een expert (hoog gewicht), de andere is een amateur (laag gewicht).
  • Hoe het werkt: Als een meting een grote onzekerheid heeft (een "slechte" meting), geeft deze methode die meting een lager gewicht. Als er een "uitbijter" is (een rare, grote fout), telt die minder zwaar mee in het eindresultaat. Dit maakt de analyse robuuster.

• MAVAR (Meer-dimensionale AVAR):

  • De analogie: In plaats van alleen te kijken naar de hoogte van een station (1D), kijken we nu naar een 3D-locatie (X, Y en Z).
  • Hoe het werkt: Dit combineert alle richtingen tot één "afstand" in de ruimte. Het is alsof je niet alleen kijkt hoe ver een bal van de grond is, maar ook hoe ver hij naar links of rechts is. Je krijgt zo één getal voor de totale onzekerheid in de ruimte.

• WMAVAR (De "Ultieme" Versie):

  • De analogie: Dit is de "Zwarte Doos" die alles kan. Het combineert de slimme weging (WAVAR) met de 3D-blik (MAVAR).
  • Hoe het werkt: Het is de meest complete tool. Het kan omgaan met ongelijke kwaliteit én met complexe 3D-bewegingen tegelijk. Het is de "Svengali" van de meetfoutenanalyse.

4. Waar wordt dit voor gebruikt?

Deze methoden worden gebruikt voor twee grote dingen:

1. Sterrenkaarten maken (Astrometrie):
   Wetenschappers maken kaarten van de hemel met radio-sterren. Om te weten welke sterren de beste "vaste punten" zijn voor hun kaarten, kijken ze naar de ruis in hun beweging. Als een ster te veel "trilt" (ruis), is hij niet geschikt als referentiepunt. Met AVAR kunnen ze zien welke sterren het meest stabiel zijn.

2. De Aarde meten (Geodesie):
   De aarde beweegt, trilt en draait. GPS-stations meten hoe de aarde beweegt.

   • Soms is de beweging echt (bijv. door aardbevingen of smeltende gletsjers).
   • Soms is het alleen maar ruis van de apparatuur.
     AVAR helpt om dit onderscheid te maken. Als je weet wat voor soort "ruis" je hebt (bijvoorbeeld "witte ruis" of "flicker ruis"), kun je veel betere voorspellingen doen over de snelheid waarmee een station beweegt.

5. Conclusie: Waarom is dit belangrijk?

Het artikel zegt eigenlijk: "De oude rekenmethodes zijn te simpel voor de complexe wereld van ruimte en aarde."

Door de AVAR en zijn nieuwe varianten (WAVAR, MAVAR, WMAVAR) te gebruiken, kunnen wetenschappers:

• Betere kaarten van de sterrenhemel maken.
• Preciezer meten hoe de aarde draait.
• Beter begrijpen of een meetfout echt een probleem is of gewoon een normaal patroon.

Het is alsof je van een simpele liniaal overstapt op een laser-meetapparaat dat ook nog eens weet hoe je moet wegen en hoe je in 3D moet denken. Dat maakt de wetenschap over onze planeet en het heelal veel nauwkeuriger.

Technische samenvatting

Titel: Toepassing van de Allan-variantie op tijdreeksanalyse in astrometrie en geodesie: Een overzicht

Auteur: Zinovy Malkin (Pulkovo Observatory, St. Petersburg State University, Kazan Federal University)
Publicatie: arXiv:1607.04712v1 [astro-ph.IM], 16 juli 2016

---

1. Het Probleem

In de fysica, en specifiek in de astrometrie en geodesie, is het beoordelen van ruis in meettijdreeksen essentieel voor het bepalen van de statistische kwaliteit van data. Hoewel de klassieke variantie (zoals standaarddeviatie of gewogen RMS-residuen) vaak wordt gebruikt, heeft deze methodiek beperkingen bij astro-geodetische metingen:

• Ongelijke onzekerheden: In tegenstelling tot klokmetingen (waar de Allan-variantie oorspronkelijk voor is ontwikkeld), hebben geodetische en astrometische metingen vaak ongelijke onzekerheden per datapunt. Klassieke methoden vereisen hierbij een correcte weging.
• Meerdimensionale data: Metingen zijn vaak vectoriële grootheden (bijv. 3D-coördinaten van een station: X, Y, Z, of 2D-positie van een ster: rechte klimming en declinatie). Klassieke Allan-variantie is niet ontworpen voor het verwerken van deze multidimensionale vectoren als één geheel.
• Systematische componenten: Klassieke variantie-maten zijn sterk afhankelijk van langdurige systematische trends (zoals seizoensinvloeden of drift), wat de ruisbeoordeling kan vertekenen.
• Uitbijters en sprongen: Data kan uitbijters bevatten of abrupte sprongen (jumps), wat de betrouwbaarheid van standaard statistieken vermindert.

2. Methodologie

De auteur bespreekt de toepassing van de Allan-variantie (AVAR) en introduceert/verduidelijkt specifieke modificaties om de bovengenoemde problemen op te lossen:

• Klassieke AVAR: Gedefinieerd als $AVAR = \frac{1}{2(n-1)} \sum (y_i - y_{i+1})^2$. Dit is onafhankelijk van langdurige trends, maar werkt alleen voor gelijkmatig gewogen, eendimensionale data.
• Gewogen AVAR (WAVAR): Ontworpen voor data met ongelijke onzekerheden ($s_i$). De formule weegt de verschillen tussen opeenvolgende punten op basis van hun onzekerheid:
  $$WAVAR = \frac{1}{2p} \sum_{i=1}^{n-1} p_i (y_i - y_{i+1})^2$$
  waarbij $p_i = (s_i^2 + s_{i+1}^2)^{-1}$. Dit maakt de schatting robuuster tegen uitbijters met hoge onzekerheid.
• Multidimensionale AVAR (MAVAR & WMAVAR): Voor het analyseren van vectoriële data (bijv. 3D-stationsposities). Hierbij wordt het verschil tussen opeenvolgende metingen beschouwd als de Euclidische afstand in de k-dimensionale ruimte.
  • WMAVAR (Weighted Multidimensional AVAR): De meest algemene estimator die zowel weging als multidimensionaliteit combineert. Het is een universele definitie die AVAR, WAVAR en MAVAR als speciale gevallen omvat.
• Spectrale Analyse: AVAR wordt gebruikt om het ruisprofiel te karakteriseren via een log-log plot van variantie versus samplinginterval ($\tau$). Dit maakt het mogelijk om het type ruis te identificeren (witte ruis, flicker-ruis, random walk) op basis van de helling ($\mu$) van de grafiek.
• Omgaan met niet-stationaire data: Voor tijdreeksen met veranderende ruiskenmerken over de tijd wordt verwezen naar Dynamische AVAR (DAVAR), die over een glijdend venster wordt berekend.

3. Belangrijkste Bijdragen

• Review van modificaties: Het artikel biedt een overzicht van de evolutie van AVAR naar WAVAR, MAVAR en WMAVAR, specifiek gericht op de eisen van de geodesie en astrometrie.
• Vergelijking met WRMS: Het toont aan dat AVAR (en zijn varianten) minder gevoelig is voor lage-frequentie variaties en modelafhankelijkheid dan de gewogen Root Mean Square (WRMS). WRMS vereist vaak complexe modellering van trends om accurate ruiswaarden te krijgen, terwijl AVAR dit inherent filtert.
• Robuustheid: Het demonstreert dat WAVAR en WMADEV (de deviatie van WAVAR/MAVAR) robuuster zijn tegen uitbijters dan de klassieke ADEV, zolang de uitbijters een hogere onzekerheid hebben dan de "goede" metingen.
• Universele toepasbaarheid: Het benadrukt dat WMAVAR de meest complete oplossing is voor complexe astro-geodetische datasets.

4. Resultaten en Toepassingen

De auteur presenteert diverse casestudies uit de literatuur waarin AVAR succesvol is toegepast:

• Celestiale Referentiekaders (CRF):

  • AVAR werd gebruikt om de kwaliteit van radio-broncatalogi (zoals ICRF1 vs. ICRF2 en de Pulkovo-catalogus) te vergelijken.
  • De analyse van de "Celestial Pole Offsets" (CPO) toonde aan dat de WMADEV-maatstaf gevoeliger is voor verschillen in catalogi dan traditionele RMS-metingen.
  • Het bleek dat ICRF2 significant nauwkeuriger is dan ICRF1, wat werd bevestigd door lagere ruisniveaus in de CPO-tijdreeksen.
  • AVAR hielp bij het identificeren van radio-bronnen met instabiele posities (flicker-ruis vs. witte ruis), wat essentieel is voor het selecteren van "core sources" voor toekomstige referentiekaders.

• Geodesie (Stationsposities):

  • Toepassing op GPS, VLBI, SLR en DORIS-stations.
  • Het bleek dat GPS-stationsbewegingen vaak worden gedomineerd door flicker-ruis, terwijl VLBI, SLR en DORIS vaker witte ruis vertonen.
  • AVAR bleek effectief om seizoensgebonden bewegingen (die moeilijk te modelleren zijn) te negeren bij het bepalen van de week-tot-week herhaalbaarheid van stationsposities.

• Aarde-rotatie en Geodynamica:

  • AVAR wordt gebruikt bij het combineren van Earth Orientation Parameters (EOP) door het IERS (International Earth Rotation and Reference Systems Service).
  • Het helpt bij het toekennen van juiste gewichten aan verschillende EOP-reeksen tijdens combinatieprocessen op basis van hun interne ruiskenmerken.
  • Analyse van geocentrische bewegingen en excitatiefuncties van de aardrotatie.

5. Betekenis en Conclusie

De paper concludeert dat AVAR en zijn modificaties (WAVAR, WMAVAR) krachtige statistische hulpmiddelen zijn voor de analyse van astro-geodetische tijdreeksen.

• Voordelen:
  • Onafhankelijkheid van langdurige systematische trends.
  • Mogelijkheid om het type ruis (wit, flicker, random walk) te identificeren zonder complexe spectrale analyse.
  • Robuustheid tegen uitbijters (via weging).
  • Geschiktheid voor multidimensionale data.
• Beperkingen en Uitdagingen:
  • AVAR kan onnauwkeurige resultaten geven bij tijdreeksen met sprongen (jumps) of niet-stationaire onzekerheden (tenzij DAVAR wordt gebruikt).
  • De methode vereist voldoende lange tijdreeksen (minimaal enkele honderden metingen) voor betrouwbare spectrale classificatie.
  • Er is nog onderzoek nodig voor het omgaan met ongelijkmatig gespatieerde data en mogelijke correlaties tussen metingen.

Samenvattend blijft AVAR, ondanks enkele beperkingen, een van de meest krachtige methoden voor het kwantificeren van ruis en het beoordelen van de kwaliteit van fysieke meetreeksen in de moderne geodesie en astrometrie.