GPT2模型用于SDCORS反演可降水汽精度评估

利用山东区域及邻近探空站,分析GPT2模型估算气象参数(气温和气压)的精度,并将GPT2模型应用于SDCORS反演可降水汽中,分析评估其精度。研究表明,GPT2模型估算气温和气压的偏差均值分别为-1.61℃和0.53Pa,标准差均值分别为2.84℃和4.42Pa,均方根误差均值分别为3.27℃和4.49Pa;GPT2模型估算的气象参数解算的SDCORS/PWV的偏差均值为1.22mm,标准差均值为3.05mm,均方根误差均值为3.46mm,较GPT模型精度高,可靠性强。对于未配备气象传感器的CORS站,基于GPT2模型估算气温和气压,有助于利用区域CORS反演可降水汽,有效实现对大气可降水量的监测与预报。

GPT2模型在大气可降水量中的估计研究

针对在GPS大气可降水量反演过程中容易缺少实测气象数据的问题,提出采用GPT2模型提供的气象数据与CORS站观测数据相结合来反演大气可降水量的方法:将GPT2模型得到的CORS站气温、气压值与沈阳探空站获取的气温、气压值进行对比,然后将其结合CORS站观测数据对该地区进行PWV反演,并与沈阳探空站PWV值相比较。结果表明,在缺少气象参数的情况下,GPT2模型能够为大气可降水量的计算提供可靠的气象数据,采用GPT2模型结合CORS站观测数据对PWV进行反演的结果能达到毫米级精度。

基于GPT2模型的区域PWV估计研究

气象参数是GNSS遥感大气水汽不可缺少的必要参数.针对实测气象参数和数值天气模型都无法获取的情况,研究了基于GPT2模型获取水汽网解的精度,依托香港卫星定位参考站网,分别以实测气象参数和GPT/2(GPT,GPT2)模型作为气象参数来源进行区域PWV估计,以实测气象参数估计的PWV作为参考,对由GPT/2模型估计的PWV进行比较分析.结果表明,GPT2模型优于GPT模型,采用GPT2模型可显著减小PWV估计的系统误差,将水汽网解的精度平均提高近0.6mm,使得解算得到的PWV精度优于3mm.

用户粒度级的个性化社交文本生成模型

针对开放性的社交文本领域的文本生成技术生成的文本内容缺少个性化特征的问题,提出了一种用户级的细粒度控制生成模型,即PTG-GPT2-Chinese(Personalized Text Generation Generative Pre-trained Transformer 2-Chinese)。所提模型基于GPT2(Generative Pre-trained Transformer 2.0)结构设计了Encoder-Decoder模型框架。首先在Encoder端对用户的静态个性化信息建模并编码,在Decoder端添加了双向独立的注意力模块,用于接收该静态的个性化特征向量,并利用原始GPT2结构中的注意力模块捕获用户文本中的动态个性化特征;然后,动态加权融合各注意力模块分数并参与后续解码,从而自动生成以用户个性化特征属性作为约束的社交文本;此外,为了解决用户基本信息的语义稀疏性导致的生成文本偶尔与某些个性化特征存在矛盾的问题,采用BERT模型对Decoder端输出数据与用户个性化特征进行一致性理解的二次增强生成,最终实现个性化的社交文本生成。实验结果表明,与GPT2模型相比,所提模型的流畅度提高了0.36%~0.72%,且在不损失语言流畅度的基础上,二次生成使个性化和一致性两个评价指标分别提高了10.27%和13.24%。这验证了所提模型能够有效辅助用户创作,生成流畅且符合用户个性的社交文本。

一种对流层散射通信斜延迟估计方法

为实现对流层散射通信的实时性,针对散射通信延迟估计问题,提出了一种不事先进行信道测量的对流层通信延迟计算方法。首先利用全球压力和温度2(GPT2)模型计算气象数据,然后采用射线描迹法对大气层分层并积分求和,最后计算出对流层散射通信延迟。采用与射线描迹法相结合的方法,摆脱了射线描迹法对探空数据的依赖。最后选取我国三个典型测量站数据进行算例分析,计算结果与我国对流层延迟实际分布特征相吻合,为研究在不事先进行信道测量的情况下计算对流层散射通信延迟量提供了一种新思路。

对流层经验模型在中国VLBI站上的优化分析

利用2010~2012年的IGS天顶对流层延迟(ZTD)序列、ERA5格网数据积分ZTD序列,在中国4个VLBI站点上对目前常用的经验模型进行优化,分别建立Local_ERA和Local_ZTD模型。基于2013~2014年IGS并址站点ZTD数据,将改进后的2种模型与全球GPT2w模型、SHAO-Gm模型进行对比。结果表明,改进后的Local_ERA、Local_ZTD模型精度相近,相对于GPT2w、SHAO-Gm模型平均精度在4个VLBI站点上都有提高,尤其在水汽季节性变化较强的北京站改进效果明显;其中Local_ERA平均精度略高于Local_ZTD,比GPT2w模型精度提高7.90%,比SHAO-Gm模型精度提高21.26%。

GPT/2模型用于GPS大气可降水汽反演的精度分析

气象参数(温度T、气压P)是GPS大气可降水汽(PWV)反演中必不可少的数据,也是PWV反演的重要误差源之一。文中主要对GPT/2(GPT、GPT2)模型用于PWV反演的精度进行验证和分析。基于非差精密单点定位(PPP)技术,选取SuomiNet网9个测站的观测数据,借助研制的PPP软件,分别采用GPT模型、改进的GPT2模型以及测站实测气象数据进行大气可降水汽(PWV)反演。以实测气象数据处理结果为参考,对两种模型解算的PWV进行了对比和精度分析。结果表明:改进的GPT2模型优于GPT模型,尤其是当测站的高程较大时,GPT2模型的稳定性更优、适用性更广;采用GPT2模型解算的PWV偏差均值小于±1.0mm,精度(RMS)优于±1.5mm。在缺少实测气象数据的情况下,利用GPT2模型数据仍然能够取得较为理想的PWV反演结果。

全球气压气温模型对GPS定位结果的影响

针对实测气象参数和数值天气模型都无法获取的情况,研究了基于全球气压气温模型进行GPS定位的精度,分析了测站气象参数对GPS定位结果的影响机理.依托北美板块边界观测网络,分别以实测气象参数、GPT和GPT2模型作为气象参数来源估计测站坐标的单天解.对3种气象来源估计得到的大气延迟参数和垂向坐标进行比较分析.结果表明,由气压差异引起的ZHD误差不能被ZWD估值完全吸收,导致测站垂向坐标产生毫米级的误差,而GPT2模型的垂向坐标精度较GPT模型略有提高.

GPT2/GPT2w+Saastamoinen模型ZTD估计的亚洲地区精度分析

针对Global Pressure and Temperature2/Global Pressure and Temperature 2w(GPT2/2w)模型在亚洲区域对流层延迟估计中的适用性问题,该文基于GPT2/2w模型,结合Saastamoinen模型(分别用GPT2S、GPT2w-1S、GPT2w-5S表示)估计亚洲地区2007—2017年10年的天顶对流层延迟(ZTD)并分析其精度与时空分布。使用欧洲定轨中心(CODE)的ZTD产品来验证模型在亚洲地区的精度。分析结果表明GPT2w-1S模型精度最高,偏差(Bias)为0.88 cm,均方根误差(RMSE)为4.63 cm,GPT2w-5S模型精度次之,GPT2S模型最差。受水汽分布影响,时间上,3种模型精度表现出季节特性,冬季精度最好,夏季精度最差;空间上,3种模型在高海拔地区精度较好,模型精度对纬度的依赖性不明显且纬度对3种模型的影响程度差别不大。