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。

数据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)的估计性能,提出了基于数据融合的ZTD估计方法。估计干延迟采用Saastamoinen模型,估计湿延迟采用Askne模型,地表气象测量设备提供给两模型所需的气压、温度以及水汽压,Askne模型所需的加权温度、温度变化率和湿度变化率由全球气压和温度2w(Global pressure and temperature 2w,GPT2w)模型提供。当气象测量设备不可用时,上述所有气象参数均来自于GPT2w模型。利用国际GPS服务(International GPS service, IGS)提供的数据进行验证,结果表明:当地表测量设备存在时,所提方法较Saastamoinen模型提高了8mm;当全部气象参数来自GPT2w时,本方法较GPT2w+Saastamoinen模型提高了8.1mm;对于季节分明的测站,误差趋势同样具备季节性;对于海拔高和气候干燥的的测站,估计误差较小。