GPT2w模型在南极地区精度分析

GPT2w(global pressure and temperature 2wet)是目前应用较为广泛的对流层延迟经验模型之一,可提供气压、温度、水汽压等气象参数。为验证和分析GPT2w模型在南极地区的精度,本文利用分布在南极区域的探空站数据和中国第33次南极科考期间的实测探空气球数据对模型气压、温度、水汽压参数进行分层精度检验。与探空站数据比较发现,在南极地区地面高度上,GPT2w模型精度较高,与全球其他区域精度较为一致;进一步通过对比1月和7月统计结果,发现Bias和RMS呈现出季节特性;同时发现模型在垂直方向存在较大误差,表现为随着高度的增加,精度随之下降并逐步趋于稳定。实测数据对比方面,首先利用ECMWF(European Centre for Medium-range Weather Forecasts)气压分层数据对实测数据的可靠性进行验证,结果显示,实测数据与ECMWF分层数据符合得较好;同时通过比对发现,GPT2w天内精度在地面高度上仍与月平均精度相当,但垂直方向随着高度的增加精度相比于暖季精度会有所下滑,说明未考虑日周期项变化对模型精度存在一定影响。用探空数据计算的对流层延迟(zenith tropospheric delay,ZTD)来分析GPT2w的计算精度,结果表明GPT2w在南极区域ZTD计算精度在厘米级,与全球其他位置计算精度相当。

基于GPT2w模型化加权平均温度反演可降水量

提出一种基于GPT2w模型化加权平均温度反演大气可降水量的方法,并分析附加系统偏差改正的模型化加权平均温度对可降水量的影响。结果表明,基于GPT2w模型化加权平均温度反演的大气可降水量的精度与基于Bevis公式计算的加权平均温度反演的大气可降水量的精度相当;对GPT2w模型化加权平均温度进行系统偏差改正后,大气可降水量的精度有一定改善,但改善率不到1%。

广西地区GPT2w对流层延迟模型适用性分析

GPT2w是一种全球经验对流层延迟模型,具有1°和5°格网分辨率,可用于计算对流层天顶延迟(ZTD)和加权平均温度(T_m)。本文以广西地区的陆态网GNSS数据计算的ZTD值及探空站实测气象资料值计算的T_m值作为参考,对GPT2w模型进行适用性评估。结果表明:GPT2w模型的ZTD表现出显著的季节偏差,且其两种格网分辨率计算的年均值和RMS基本一致,年均RMS优于4.5 cm;GPT2w模型的T_m偏差也存在较明显的季节特性,且表现出一定的系统偏差。两种分辨率格网计算的T_m值精度相当,年均RMS优于3.4 K。

融合GPT2w模型与GNSS参数获取大气可降水量

针对GPT2w模型误差累积所导致的天顶对流层延迟(zenith tropospheric delay,ZTD)和大气可降水量(precipitable water vapor,PWV)精度不高的问题,利用2017年长三角地区7个探空站和2个GNSS站的实测数据检验GPT2w模型获取的气压、温度、水汽压、加权平均温度(T m)和ZTD等参数的精度,并融合GNSS解算得到的ZTD(GNSS-ZTD)与GPT2w模型获取的气象参数,提高PWV反演精度。结果表明:1)近地面处的气压、温度和水汽压的bias分布在-3~4 mbar、-7~7 K和-9~2 mbar之间,精度较高;2)GPT2w模型获取的T m在长三角地区适用性较好,年均bias和RMS分别为-1.21 K和6.89 K;3)基于GPT2w模型解算的ZTD的bias和RMS均值分别为1.4 cm和9.4 cm,精度明显低于基于实测气象数据获得的GNSS-ZTD;4)参数融合法计算的PWV与GNSS-PWV精度相当,该方法可用于无实测气象参数时实时获取PWV。

高纬度地区GPT2w模型的适应性分析

GPT2w模型是现有精度最高的天顶对流层模型,但是应用在高纬度地区时存在较大误差.为更好地保障卫星导航定位系统在高纬度地区的高精度应用,评定了GPT2w模型在高纬度地区的精度,获取天顶对流层湿延迟、干延迟和总延迟,探讨了GPT2w模型改正对精密单点定位的影响.试验结果表明:GPT2w模型在高纬度地区的精度为厘米级,优于其在中低纬度地区的精度;南北极地区天顶对流层呈现明显季节变化特征和区域一致性特征,夏季天顶对流层总延迟高于冬季,北极地区天顶对流层湿延迟明显高于南极地区,北极地区天顶对流层随季节的变化幅度大于南极地区.PPP试验结果表明,GPT2w模型能够有效改善定位精度,适应高纬度地区的高精度定位需求.

新疆地区GPT2w模型计算加权平均温度适用性分析

利用GPT2w模型计算加权平均温度Tm值,以新疆地区9个探空站2013-2015年实测气象数据积分计算的Tm值为参考,通过时空序列分析1°×1°和5°×5°两种格网分辨率下G1-Tm和G5-Tm的精度分布情况,进而检验利用GPT2w模型在新疆地区进行地基GNSS大气水汽反演的适用性。结果表明:①G1-Tm和G5-Tm均存在-3^-4 K的年均偏差;②G5-Tm存在精度异常突出区域,影响整个新疆地区Tm值的计算精度,而G1-Tm具有较好的稳定性;③G1-Tm模型的年均Bias、MAE和RMS分别为-3.17 K、4.12 K和5.17 K,总体上优于G5-Tm模型,因此运用G1-Tm进行地基GNSS大气水汽反演具有较好的精度保障。

基于GPT2w模型计算中国地区对流层加权平均温度的精度分析

以2015年GGOS Atmosphere格网产品和探空站资料为参考值,评价GPT2w模型在中国地区计算对流层加权平均温度T_m的精度和适用性。结果表明:1)在中国地区,1°分辨率的GPT2w模型精度和稳定性优于5°分辨率,且GPT2w模型表现出显著的系统性误差;2)T_m的bias和RMS误差均具有明显的时空变化特性,季节变化表现为春冬季较大、夏季较小,空间变化上RMS误差表现为随纬度增加而变大;3)受地形起伏和T_m日周期变化影响,T_m在中国西部和东北地区误差较大。

GPT2w模型在中国大陆地区的精度分析

全球气温气压(GPT)系列模型可用于计算全球任意位置的气温、气压和水汽压等各种气象参数,目前国内外广泛使用且精度较高的全球气温气压模型主要为GPT2w模型.本文利用2012-2016年中国大陆地区102个国家气象站实测的气温、气压和水汽压数据对GPT2w模型进行精度分析.结果表明:GPT2w模型的气温误差均值为-0.45℃,标准偏差均值为10.04℃;气压误差均值为2.05 hPa,标准偏差均值为6.55 hPa;水汽压误差均值为0.11 hPa,标准偏差均值为6.15 hPa.总体而言,GPT2w模型计算出的气温、气压和水汽压值在中国大陆大部分地区具有较高的精度.同时,三种气象参数的精度在中国大陆地区分布不均匀,不同纬度区间存在一定差异且以年为周期均具有明显的季节性.

GPT/GMF和GPT2w/VMF1对流层模型在我国境内的适用性分析

采用陆态网的观测数据,开展非差无电离层组合PPP实验,分析了GPT/GMF和GPT2w/VMF1对流层模型在我国境内的适用性。结果表明,在陆态网基准站坐标的水平分量上,二者的吻合性较好;但在高程分量上,二者的差异性较大,大约有33%的站坐标高程分量的差异超过10mm,这些基准站集中分布在海拔较高的青藏高原地区。采用非差模式解算我国西部海拔较高地区的GNSS测站观测数据时,建议选择最新、精度最高且完全公开的GPT2w/VMF1模型。

基于BP神经网络的GPT2w改进模型及全球精度分析

为提高全球卫星导航定位系统(global navigation satellite system,GNSS)的定位授时能力,方便用户在无法架设气象参数探测设备的条件下获得更高精度的对流层延迟估计,综述了当前主要的对流层延迟模型的发展,分析了两种空间分辨率的全球温压湿(global pressure and temperature 2wet,GPT2w)模型在全球大地测量观测系统(global geodetic observing system,GGOS)测站处的估计精度,根据GPT2w模型的对流层延迟估计误差与气象参数估计误差的关系,提出了将实测温度与模型经验拟合气象参数相结合的策略,建立了基于反向传播神经网络的GPT2w改进模型。仿真结果表明,改进模型在2017年全球GGOS测站处对流层延迟估计精度较GPT2w模型提升近32%,且对全球其他位置估计精度同样有改进效果,改进程度与GGOS测站疏密程度有关。

GPT2w模型在中国区域的精度检验与分析

全球温度气压湿度(global pressure and temperature 2 wet, GPT2w)模型常被用于计算某一位置的气温、加权平均温度、气压以及水汽压等各种气象参数,是目前公开的标称精度最高的对流层延迟经验模型。利用中国区域参与全球气象交换的86个测站2013—2015年的气象探空数据,对GPT2w得到的各种气象参数进行精度检验及分析。实验结果表明,气温平均偏差为1.31℃,均方根误差为3.62℃;加权平均温度的平均偏差为-1.58 K,均方根误差为4.07 K;气压和水汽压平均偏差的绝对值在1 hPa以内,其均方根误差分别为6.98hPa与3.04 hPa。利用2006—2015年的数据分析了不同纬度模型精度的周期性特征,结果表明,气温、加权平均温度、气压和水汽压的均方根误差均具有一定的年周期特性,且在不同的纬度区域其周期特性不同。总体而言,GPT2w模型在中国地区范围内具有较高的精度和稳定性。

GPT2w模型检验以及对流层模型的参数互融

各种对流层经验模型中,GPT2w模型是目前标称精度最高的对流层经验模型,其在模型化对流层延迟的同时,也提供具体的模型化气象元素。以USNO的ZTD产品检验模型ZTD精度;以IGRA发布的大气廓线数据,对模型加权平均温度T_m、水汽直减率λ的精度进行验证。计算发现,模型加权平均温度T_m具有-2.56K的系统偏差,改正该偏差后,模型ZTD对比USNO偏差从-1.38 mm提升至-0.3 mm;还验证了模型水汽直减率λ的两种获取方式具有很好的一致性。提出以测站气压P、测站温度t、测站相对湿度hr为实测气象元素,以校正后的T_m、高精度的λ为经验气象元素,作为对流层延迟模型输入参数的互融方法。该互融方法计算ZHD、ZWD经验模型分别采用目前最优的Saast静力学延迟模型和Askne&Nordius湿延迟模型。以USNO发布的340个IGS跟踪站的对流层延迟数据作为参考,该互融方法较直接气象元素法、校正后的GPT2w模型均有显著精度提升。在不可获取气象数据的前提下,校正后的GPT2w模型具有很高的先验精度;若可获取近实时气象数据(如自动气象站),则推荐采用新的参数互融模型。

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。

GPT2w模型反演大气可降水量的研究

利用地基实测气象资料分析了GPT2w(global pressure and temprature 2 wet)模型估算的气象数据的精度,并将GPT2w估算的气象要素结合地基GNSS测站观测资料进行了大气可降水量(precipitable water vapor,PWV)的反演,结果表明:就BJFS测站在夏秋之季而言,无论是日尺度还是小时尺度上,由GPT2w估算的气象要素来反演的PWV与利用地基实测气象要素来反演的PWV的均方根(root mean square,RMS)优于2 mm,且两种尺度上两者RMS的偏差为亚毫米级,这为地基GNSS测站气象数据缺失时反演PWV提供了一种参考思路。

基于探空数据的对流层延迟模型精度评估

采用IGRA提供的2017年81个无线电探空站的探空资料,对4种对流层延迟模型在中国区域的精度进行综合评估与分析。结果表明,GPT2w模型的性能要优于依赖气象参数的Saastamoinen模型及基于球谐函数的GZTD和UNB3m模型;GPT2w模型的偏差均值MB(mean bias)和均方根误差RMSE分别为-0.8 cm和4.1 cm,各测站的MB和RMSE分别处于-2~2 cm和1.3~7.9 cm之间。UNB3m模型在中国区域存在较大的MB和RMSE,模型的RMSE最大可达10.2 cm。4种模型的精度对测站纬度具有一致的敏感性,表现为随测站纬度的升高而降低;模型精度呈明显季节性变化,且不同模型对季节的敏感程度有所差异;对流层湿延迟难以精确建模导致模型精度在夏季(RMSE为6~9 cm)低于冬季(RMSE为2~2.5 cm)。

对流层散射双向时间比对中对流层斜延迟实时估计

对流层斜延迟是对流层散射双向时间比对中一个重要误差源,该文提出一种对流层散射双向时间比对中对流层斜延迟实时估计方法。通过GPT2w模型计算测站气象数据,克服对流层斜延迟估计中对实时气象数据的依赖。针对Hopfield模型中固定的对流层散射顶层高,利用几何方法计算动态对流层散射顶层高,以解决对流层散射双向比对的实际应用问题。选取日本地区3个测站,两两进行比对,在验证Hopfield模型精度后,计算3组比对站在不同入射角和不同时间的对流层斜延迟。计算结果表明,对流层散射双向时间比对中对流层斜延迟呈现出随比对距离增大而增大,随入射角增大而减小的特性,并且四季变化特性也比较明显。3个比对站的对流层散射斜延迟10~35 m之间,经比对抵消90%后的时间延迟为3.5~11.8 ns。

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。

一种优化的基于神经网络的经验ZTD模型

目前,经验对流层天顶延迟(ZTD)模型已经有了飞速的发展,因为它们在使用时无需任何测量的实时地面气象数据,这给GNSS用户提供了极大方便。神经网络技术在实测参数型的ZTD建模中已经取得了一定的成果。与此同时,国内虽然有学者构建了神经外网络的经验ZTD模型,其最大的缺点是忽略了ZTD时间变化且只能单独预报ZTD。本文针对这些缺点构建了优化的神经网络经验ZTD模型。试验结果表明,本文提出的神经网络模型可以分别预报天顶干延迟ZHD和天顶湿延迟ZWD,且具有良好的精度:ZHD的Bias和RMSE分别为-3.7和19.8 mm;ZWD的Bias和RMSE分别为-0.6和34.2 mm。本文的神经网络模型预报的ZHD和ZWD的精度均与目前世界著名的GPT2w格网模型相当。另外,与GPT2w模型相比较,神经网络模型最大的优点就是无需庞大的预存格网数据作为输入,在使用时仅需要知道一个训练好的神经网络即可,该特点为GNSS用户提供了极大的方便。

顾及层析区域外测站的GNSS水汽层析建模方法

针对传统水汽层析技术无法利用层析区域外GNSS测站数据的现状,提出一种顾及层析区域外测站数据的三维水汽建模方法。基于GPT2w模型计算层析区域的水汽密度初始场,首先,引入比例系数并联合水汽密度初值确定该比例系数表达式;然后,估计层析区域外测站信号在区域内的水汽含量;最后,构建顾及层析区域外测站数据的水汽观测方程。本文方法能够有效利用层析区域外的测站数据,改善层析结果的精度和可靠性,但仅能利用层析区域外一定范围内的测站。选取浙江CORS网中24个GNSS测站和一个无线电探空站共23 d的数据进行验证。试验结果表明,相对于传统层析方法,本文方法的射线利用率和有射线穿过的体素数分别提高了26.8%和14.9%;以探空数据为参考基准,本文方法计算的IWV和水汽密度均优于传统方法。

一种用于中国地区的对流层天顶延迟实时修正模型

针对目前对流层延迟修正受限于探空数据不足导致修正效率低的问题,该文结合Saastamoinen和GPT2w模型构建形成组合模型Sa+GPT2w模型,通过利用GPT2w模型提供的高精度气象数据,实现中国地区对流层天顶延迟(ZTD)的实时修正,克服对探空数据的依赖,并用实测数据对计算结果进行验证。以IGS提供的中国地区2015至2017年ZTD时间序列为评估标准时,Sa+GPT2w模型(bias:1.661 cm, RMS:4.711 cm)的精度较同等条件下的Sa+EGNOS, Sa+UNB3m和Hop+GPT2w模型分别提升50.5%, 41.9%和37.1%;以GGOS Atmo-sphere 2017年ZTD数据为标准时,Sa+GPT2w模型(bias:1.551 cm, RMS:4.859 cm)的精度相对同等条件下的另3种模型分别提升49.5%, 38.5%和46.8%;最后对Sa+EGNOS, Sa+UNB3m和Sa+GPT2w模型在ZTD修正中误差结果的时空分布特征进行分析。研究结果可为在中国地区的导航定位、大气折射研究中,应用不同气象参数模型进行ZTD修正的有效性和可能达到的精度提供参考。