顾及大气剖面的GPT3改进模型及其精度评价

针对GPT3模型在模拟大气剖面时存在精度不足的问题,在剖析其垂直修正方法的基础上,通过引入新的温度递减率和气压垂直改正算法,提出一种改进的GPT3模型,即GPT3v模型,并使用探空资料、NCEP再分析资料和GNSS数据验证新模型的精度。结果表明,垂直方向上GPT3v模型估计的温度、气压、天顶总延迟平均RMSE分别为6.0 K、7.9 hPa和23.0 mm,相比于GPT3模型的11.1 K、19.0 hPa和47.8 mm,精度分别提高46%、58%和52%。而当IGS测站与其周围4个模型格网点存在较大高差时,GPT3模型会存在较大的对流层延迟估计误差,GPT3v模型则能较好地解决这一问题。相较于GPT3模型,GPT3v模型在高空以及地形复杂区域具有更好的应用效果。

基于GPT3模型的ZTD及PWV反演精度分析

使用亚洲区域18个IGS测站和中国区域内16个探空站2016~2018年的数据,研究GPT3模型反演天顶对流层延迟(ZTD)和大气可降水量(PWV)的精度,并与其他GPT系列模型进行对比。结果表明,GPT3-1模型估计的ZTD的bias均值和最大值均最小,分别为1.34 mm和14.06 mm;GPT3模型整体精度略优于GPT2w模型,优于GPT2模型。探空站处GPT3模型反演的PWV的bias和RMSE均表现出较强的季节性特征;由GPT3模型反演的PWV的月均值可知,GPT3-1模型比GPT3-5模型具有更高的精度和稳定性。

GPT3模型估计对流层产品精度检验与分析

利用全球范围内224个IGS测站2019年的高精度对流层产品,对GPT3模型估计的天顶对流层延迟和大气水平梯度信息进行精度检验和分析。结果表明,精度在空间和时间分布上存在差异性,天顶对流层延迟、南北和东西方向大气水平梯度的平均偏差和均方根误差分别为0.12 mm/37.2 mm、-0.05 mm/0.49 mm、0.08 mm/0.57 mm。

GPT3模型在安徽地区的性能

基于安徽省23个CORS站数据解算天顶对流层延迟(ZTD),评估GPT3+Hopfield和GPT3+Saastamoinen两种对流层组合模型的适用性,并利用探空数据分析GPT3模型估计大气加权平均温度(Tm)和反演大气可降水量(PWV)的精度。结果表明:1)GPT3+Saastamoinen组合模型的ZTD精度优于GPT3+Hopfield组合模型,GPT3模型的ZTD精度具有显著的时空分布特征,皖南精度低于皖北,且春、冬季精度优于夏、秋季;2)在安徽地区,GPT3模型2种格网分辨率的T_(m)精度基本相当,平均偏差在-2.0 K左右,RMS值在4.5 K左右;3)在安徽地区,基于GPT3模型气象参数反演的PWV(GPT3-PWV)与探空站的PWV有较高的一致性,且同样具有时空变化特征,由皖南向皖北逐渐降低,夏季最大、冬季最小。

GPT3模型反演GNSS大气可降水量精度评定

采用中国区域2017~2018年与GNSS站并址的49个探空站资料对GPT3模型估算的气象参数的精度进行评估,再利用49个GNSS站结合GPT3模型估算的气象参数反演日均大气可降水量PWV,并采用与GNSS站并址的探空站数据对其精度进行评定。实验得出:(1)在中国地区,1°分辨率的GPT3模型的精度和稳定性优于5°分辨率,其气压、气温和大气加权平均温度T_(m)的偏差均值分别为0.73 hPa、1.34 K和-1.67 K,均方根误差均值分别为4.21 hPa、3.75 K和4.15 K;(2)利用GPT3模型提供的气温结合Bevis经验公式反演的PWV与GPT3模型提供的T_(m)反演的PWV精度相当,且2种方法反演的PWV和探空资料实测地表温度反演的PWV呈现很好的一致性,在我国青藏高原和西北地区反演PWV的精度优于我国南方和北方地区。

利用GPT3模型的GNSS⁃PWV计算方法

针对部分GNSS测站缺乏实测气象参数时无法实时计算可降水量(PWV)的问题,本文以长三角地区为例提出一种将GPT3模型参数与GNSS对流层总延迟(ZTD)融合获取高精度PWV的新方法。研究结果表明,GPT3模型的气象参数和各类对流层延迟参数在长三角地区具有较好的稳定性和精度,融合GPT3模型的干延迟(ZHD)、加权平均温度(Tm)和GNSS⁃ZTD所得PWV的RMS为3.56 mm,接近GNSS⁃PWV的3.74 mm,远优于GPT3⁃PWV的11.12 mm。

一种基于Emardson-H的GPT3改进模型构建方法

针对GPT3模型各气象参数存在明显周期性误差的问题,以2015~2019年长三角地区7个探空站资料作为参考,分析GPT3模型残差的季节性周期变化,并利用Emardson-H模型构建一种新的GPT3改进模型。实验结果表明:1)与探空资料相比,GPT3模型气压、温度、水汽压和加权平均温度(T_(m))的均方根(RMS)均值分别为5.09 hPa、3.90 K、4.01 hPa和4.54 K;2)基于Emardson-H的GPT3改进模型气压、温度、水汽压和T_(m)的RMS均值分别为4.64 hPa、3.53 K、3.73 hPa和3.27 K,比GPT3模型分别提升0.45 hPa、0.37 K、0.28 hPa和1.27 K。综上分析,基于Emardson-H的GPT3改进模型精度相比GPT3模型有所改进。

GPT3模型中国区域大气剖面应用精度分析

对流层延迟是卫星导航定位最主要的误差来源之一,精确计算对流层延迟有助于模糊度的收敛及定位精度的提高。目前应用最广、精度最高的对流层经验模型是全球气压气温模型,为了验证GPT3模型计算中国区域地表至11 km大气剖面对流层延迟改正的精度,利用2011—2020年中国区域82个参与全球气象交换的测站的无线电探空数据,对GPT3的气压(P)、气温(T)、水汽压(E)以及加权平均温度(Tm)进行精度检验及分析,实验结果表明,GPT3模型精度受纬度和高程影响较大,其中GPT3-P和GPT3-Tm受纬度影响显著;GPT3-P在地表RMS为8.02 hPa,而在地表至11 km其RMS为20.01 hPa,说明模型地表精度要优于大气剖面精度,GPT3-Tm呈现同样的规律,而GPT3-T的地表以及地表至11 km的RMS分别为7.94 K、7.53 K,GPT3-E的RMS分别为2.42 hPa、1.97 hPa;模型在不同年积日的精度存在差异,呈现一定的季节特性,但其精度在长时间区间内没有明显变化。总体而言,GPT3模型在中国地区范围内具有较高的精度和稳定性,但需要进一步优化其高程改正方法。

GPT3模型的综合性能评价与优化方法

为了剖析GPT3(generative pre-trained transformer 3)模型垂直改正精度不足的原因,探究GPT3模型的优化方法。本文利用探空资料、NCEP(National Centers for Environmental Prediction)再分析资料以及GNSS ZTD(global navigation satellite system)数据对GPT3模型进行多参数、立体式的评价,并与Saastamoninen和UNB3m模型进行比较。结果表明:在地表层,GPT3预测气压、温度、水汽压以及ZHD(zenith hydrostatic delay)、ZWD(zenith wet delay)和ZTD(zenith total delay)的RMSE(root mean square error)值均优于UNB3m,分别为6.4 hPa、3.9 K、2.8 hPa、18.6 mm、33.0 mm、36.5 mm;而在垂直方向上,发现GPT3的RMSE值随高度的上升明显增大,在离地10 km处,其预测气压、温度、ZHD和ZTD的RMSE值分别为38.3 hPa、20.4 K、80.2 mm、80.1 mm,明显高于Saastamoninen和UNB3m 2个模型。在GNSS站上的实际应用也证明了当站点高度与相邻4个网格点高度相差较大时,GPT3存在较大的ZHD估计误差。通过对比分析发现,GPT3的温度递减率和气压垂直修正模型存在一定局限性,在高空或地形复杂环境下应予以纠正。最后提出温度递减率由UNB3m代替,并采用与UNB3m相同气压垂直修正模型的GPT3优化方法。

采用ERA5数据构建基于人工神经网络的天津ZWD模型

提出一种高精度的ZWD模型(tianjin_zwd,TZ)。TZ基于2016-2018年逐小时气压分层的ERA5,欧洲中尺度气象预报中心第五代再分析产品数据,采用BP神经网络建立。然后,根据2019年的ERA5产品导出的ZWD对TZ模型进行了验证。结果表明:相比GPT3模型,TZ模型可提供更贴近真值的ZWD估值;并且,其RMSE由5.0 cm (GPT3)降至4.5 cm,表明10%的精度提升。上述结果表明TZ模型实现了更优的预测性能,该模型的构建策略可为全国其他地区的ZWD建模提供借鉴。

顾及非线性高程归算的中国西北区域对流层天顶延迟模型

对流层延迟是影响高精度导航定位的关键因素,同时也是进行全球卫星导航系统(global navigation satellite system,GNSS)水汽反演的重要数据。中国西北区域地形起伏较大,目前中国西北地区对流层天顶延迟模型在高程方面顾及不足,无法满足实时高精度定位需求,因此建立高精度中国西北地区对流层延迟模型成为迫切需求。针对当前中国西北地区ZTD(zenith total delay)模型未同时顾及非线性高程归算以及季节变化等问题,利用2015—2017年欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的ERA5资料建立顾及非线性高程归算的中国西北地区对流层天顶延迟模型(MZTD模型)。联合未参与建模的2018年ERA5资料和中国西北陆态网84个GNSS测站数据,验证MZTD模型的精度和适用性,并与目前使用广泛的GPT3模型进行精度对比。结果表明:以2018年ERA5资料和中国西北陆态网测站数据为参考值,MZTD模型的均方根误差(root mean square error RMS)分别为3.14 cm和2.81 cm,相对于GPT3模型精度分别提高了约16.3%和21.7%,同时MZTD减少模型参数,提升了模型计算效率。因此,顾及非线性高程归算的MZTD模型在中国西北区域体现了更好的精度和适用性,可以为中国西北地区进行实时GNSS水汽探测和导航定位提供重要参考。

基于GPT3模型的大气可降水量反演精度分析

以IGS(International GNSS Service)中国境内BJFS站2018年doy214-300实测气象要素数据为例,研究GPT3模型进行气象要素估算与大气可降水量(Precipitable Water Vapor, PWV)反演的精度。实验结果表明,无论是日尺度还是小时尺度,使用GPT3模型估算气象要素数据与实测GPS(Global Positioning System)气象要素数据均有较高的吻合度;在日尺度上,通过GPT3模型反演PWV精度与实测GPS气象要素数据反演PWV模型精度一致,反演PWV的均方根(Root Mean Square, RMS)小于2 mm, GPT3模型反演PWV、GPS气象要素数据反演PWV与真实PWV的互差均小于10 mm;在小时尺度上,GPS气象要素数据反演PWV与GTP3模型反演PWV的时间序列基本保持一致,互差均小于2 mm,相关系数大于99%。本文的研究为GNSS(Global Navigation Satellite System)测站气象要素数据缺失时的PWV反演提供了一种新路径。

GNSS大气加权平均温度经验模型精化方法的建立和分析

加权平均温度T_(m)作为对流层湿延迟转换为大气可降水量的关键参数,在GNSS气象学研究中发挥着重要作用。T_(m)经验模型的构建,可以通过将测站位置和时间信息作为输入参数快速获取T_(m)估值,但其精度往往受限,尤其在某些局部区域。本文提出了一种T_(m)经验模型精化方法,引入了地表气温数据,通过最小二乘快速获取精化系数,达到T_(m)的误差补偿作用。基于我国及邻近区域180个探空测站2011—2015年的数据,本文构建了基于GPT3的精化模型,并对其进行分析。数值结果表明,与Bevis模型、区域线性模型和GPT3模型相比,本文提出的精化模型估计T_(m)的精度分别提高了16.2%、13.5%和21.1%。另外,基于GPT3的精化模型估计T_(m)表现出最优的时空分布结果,显著提高了高纬度地区T_(m)估计精度,有效解决了GPT3模型只能表现T_(m)季节性变化的缺陷。本文方法计算公式简便,可以快速推广至任意T_(m)经验模型,具有较高的使用价值。

顾及多因子影响的中国区域T_(m)模型精化研究

利用中国区域2015~2017年探空数据,建立一种顾及地表温度、地表水汽压、高程和纬度的中国区域大气加权平均温度T_(m)模型(BET模型)。以2018年探空站T_(m)数据为参考值,分析BET模型精度,并与Bevis模型和GPT3模型进行对比。结果表明,BET模型年均RMSE与bias分别为3.15 K和0.04 K,相比于Bevis模型、1°×1°分辨率的GPT3模型和5°×5°分辨率的GPT3模型,年均RMSE分别降低29.2%、32.8%和39.1%,年均bias分别降低96.4%、96.7%和97.4%,且该模型在中国区域不同高程和纬度上的精度与稳定性优于Bevis模型和GPT3模型。

多模型融合的对流层天顶延迟估计方法

为提高对流层天顶延迟(Zenith Tropospheric Delay,ZTD)估计精度,基于传统对流层天顶延迟建模思路,提出Saastamoinen,Askne和GPT3多模型融合的对流层天顶延迟估计方法。分别采用Saastamoinen和Askne模型估计干延迟和湿延迟,并引入GPT3模型提供温度、气压、水汽压、大气加权平均温度和水汽垂直递减率等气象参数。利用全球大地测量观测系统(Global Geodetic Observing System,GGOS)Atmosphere和国际GNSS服务机构(International GNSS Service,IGS)提供的亚洲区域2016~2018年66个IGS站的对流层天顶延迟数据对本文方法进行评估,结果表明,以GGOS Atmospheres数据为参考时,Sas+Ask+GPT3模型精度(均方根为4.53 cm)较同等条件下的Sas+Ask+UNB3m和Sas+GPT3模型分别提高约29%和19%,以IGS对流层天顶延迟数据为参考时,Sas+Ask+GPT3模型精度(均方根为4.35 cm)较另两种模型分别提高约25%和14%。Sas+Ask+GPT3模型误差具有冬季小、夏季大的季节性特征,且夏季误差明显低于另两种模型。在空间分布上,模型误差随高程或纬度的增加而降低。研究表明,本文方法可用于亚洲区域对流层天顶延迟的高精度实时修正。

长三角地区多种大气可降水量获取方法研究

利用长三角地区多个探空站气象资料、GNSS观测数据和GPT3模型,以探空资料的大气可降水量(PWV)为参考值,评估GPT3模型、两种地面气象资料法和GNSS等4种方法计算的PWV精度、可靠性和时效性。结果表明,GPT3模型可实时获取PWV,但精度较低;GNSS-PWV精度最高,但需要实测气象参数,会限制其应用范围;两种地面气象资料法精度较高,但需要地面露点温度数据。

基于GPT3和傅里叶函数构建长三角地区ZHD模型

针对GPT3模型的对流层干延迟(GPT3-ZHD)存在明显周期性误差的问题,以2016—2020年长三角地区的7个GNSS站数据为参考,分析GPT3-ZHD残差的季节性周期变化,并利用多阶傅里叶函数建立一种新的ZHD改进模型,同时分析基于改进模型的PWV反演精度。实验结果表明:1)与GNSS相比,GPT3-ZHD和GPT3-PWV的Bias均值分别为-0.49 mm和2.72 mm,RMS均值分别为2.06 mm和11.08 mm;2)基于GPT3和傅里叶函数改进的ZHD模型Bias和RMS均值分别为-0.01 mm和0.52 mm,比GPT3模型分别提升0.48mm和1.54mm,精度改进明显;3)基于GNSS-ZTD、GPT3-Tm和改进ZHD所得PWV的Bias和RMS均值分别为0.46 mm和0.52 mm,比GPT3-PWV分别提升2.26 mm和10.56 mm。总体而言,基于GPT3和傅里叶函数的ZHD改进模型精度优于GPT3-ZHD,并可有效应用于长三角地区的实时高精度PWV反演。

GPT3模型在中国地区的精度分析

为验证分析最新全球气压气温模型(GPT3模型)在中国区域的模型精度,以中国区域18个IGS站为例,分别利用全球大地测量观测系统(Global Geodetic Observing System,GGOS)Atmosphere机构提供的2015-2017年气象数据和国际卫星导航服务(International GNSS Service,IGS)数据中心提供的2015年对流层延迟数据对GPT3模型气象参数和天顶对流层延迟(zenith troposphere delay,ZTD)进行验证,并联合全球其他GNSS站点共同进行GPT3模型误差特性分析。结果表明,相比GPT和GPT2模型,GPT3模型的精度和稳定性明显提高;GPT3模型在取得与GPT2w模型相近精度的同时,稳定性有所提高。GPT3模型精度受纬度影响显著,气温和气压的精度和稳定性由赤道向两极地区逐渐降低,水汽压精度几乎不受纬度影响,稳定性在中纬度和部分低纬度区域比高纬度地区差。GPT3模型对气象参数估值的偏差在低海拔地区具有随机性,以气压偏差最为明显,随着海拔升高,气压和水汽压偏差逐渐稳定在±2 hPa内,气温偏差在±2℃内。