We present a new method to estimate common-mode components (CMC) in global positioning system (GPS) position time-series. The method (‘CMC Imaging’) is fully automated, relies entirely on robust statistics, and exploits the recent proliferation of GPS stations by allowing stations with relatively short time-series to be considered as filter stations as well. The spatial extent of the CMC is purposely defined as local as possible and constrained by the proximity of nearby GPS stations. Our approach also avoids the need for subjective assignment of filter stations; every station is considered and those stations that deviate significantly from the local CMC are flagged and excluded as filter stations. We study thousands of GPS position time-series in the intraplate area of western Europe, and we show that CMC Imaging method is superior to other approaches in terms of noise reduction: we obtain an RMS reduction of 50%, 44% and 39% in the residual time-series in vertical, east, and north components, respectively. We show the importance of using filter stations that are as local as possible, because of systematic lateral variations in inter-station correlations and indeed in CMC, particularly in the vertical component. Those spatial variations are largest for continental stations, particularly those around the Baltic Sea, and could be due to atmospheric and nontidal ocean loading. CMC filtering has a large influence on reducing the temporal trend variability and approximately doubles the trend accuracy (by comparing variability in short-term trends with the long-term estimate).

中文翻译：

---

GPS时间序列中空间变化共模分量的稳健估计

我们提出了一种估计全球定位系统 (GPS) 位置时间序列中的共模分量 (CMC) 的新方法。该方法（“CMC 成像”）是完全自动化的，完全依赖于稳健的统计数据，并通过允许具有相对较短时间序列的站也被视为过滤站来利用最近 GPS 站的激增。CMC 的空间范围被特意定义为尽可能局部，并受附近 GPS 站的限制。我们的方法还避免了对过滤站进行主观分配的需要；每个站点都被考虑在内，那些明显偏离本地 CMC 的站点被标记并排除为过滤站点。我们研究了西欧板块内地区的数千个 GPS 位置时间序列，我们表明 CMC 成像方法在降噪方面优于其他方法：我们在垂直、东、北分量的残差时间序列中分别获得了 50%、44% 和 39% 的 RMS 降低。我们展示了使用尽可能本地过滤站的重要性，因为站间相关性和 CMC 中的系统横向变化，特别是在垂直分量中。这些空间变化对于大陆台站来说是最大的，尤其是波罗的海周围的台站，并且可能是由于大气和非潮汐海洋负载。CMC 过滤对减少时间趋势变异性有很大影响，并使趋势准确性大约翻倍（通过将短期趋势的变异性与长期估计值进行比较）。我们在垂直、东和北分量的残差时间序列中分别获得了 50%、44% 和 39% 的 RMS 减少。我们展示了使用尽可能本地过滤站的重要性，因为站间相关性和 CMC 中的系统横向变化，特别是在垂直分量中。这些空间变化对于大陆台站来说是最大的，尤其是波罗的海周围的台站，并且可能是由于大气和非潮汐海洋负载。CMC 过滤对减少时间趋势变异性有很大影响，并使趋势准确性大约翻倍（通过将短期趋势的变异性与长期估计值进行比较）。我们在垂直、东和北分量的残差时间序列中分别获得了 50%、44% 和 39% 的 RMS 减少。我们展示了使用尽可能本地过滤站的重要性，因为站间相关性和 CMC 中的系统横向变化，特别是在垂直分量中。这些空间变化对于大陆台站来说是最大的，尤其是波罗的海周围的台站，并且可能是由于大气和非潮汐海洋负载。CMC 过滤对减少时间趋势变异性有很大影响，并使趋势准确性大约翻倍（通过将短期趋势的变异性与长期估计值进行比较）。我们展示了使用尽可能本地过滤站的重要性，因为站间相关性和 CMC 中的系统横向变化，特别是在垂直分量中。这些空间变化对于大陆台站来说是最大的，尤其是波罗的海周围的台站，并且可能是由于大气和非潮汐海洋负载。CMC 过滤对减少时间趋势变异性有很大影响，并使趋势准确性大约翻倍（通过将短期趋势的变异性与长期估计值进行比较）。我们展示了使用尽可能本地过滤站的重要性，因为站间相关性和 CMC 中的系统横向变化，特别是在垂直分量中。这些空间变化对于大陆台站来说是最大的，尤其是波罗的海周围的台站，并且可能是由于大气和非潮汐海洋负载。CMC 过滤对减少时间趋势变异性有很大影响，并使趋势准确性大约翻倍（通过将短期趋势的变异性与长期估计值进行比较）。并且可能是由于大气和非潮汐海洋负荷。CMC 过滤对减少时间趋势变异性有很大影响，并使趋势准确性大约翻倍（通过将短期趋势的变异性与长期估计值进行比较）。并且可能是由于大气和非潮汐海洋负荷。CMC 过滤对减少时间趋势变异性有很大影响，并使趋势准确性大约翻倍（通过将短期趋势的变异性与长期估计值进行比较）。