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.

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。

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。

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。

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。

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。

全球气压气温模型在中国地区的精度分析

为检验全球气压气温模型在中国地区的精度,基于我国29个探空站2015-03~2016-02期间实测的气压和气温数据,比较分析分别由GPT模型及最新的GPT2w_5和GPT2w_1模型导出的气压和气温结果。实验结果表明,中国地区3种气象模型均有明显的季节性且对纬度变化敏感,GPT2w_5与GPT2w_1模型精度相当,二者的气压和气温精度较GPT模型均有明显提高,但对于个别异常值,GPT2w_1模型较GPT2w_5模型表现出更好的鲁棒性。

一种用于估计中国及毗邻区域加权平均温度的神经网络方法

为了提高全球温压湿模型(GPT2w)在估计中国及毗邻区域加权平均温度中的适用性,采用了基于神经网络的模型误差补偿技术,以分布在中国及毗邻区域的100个探空站2006—2015年的374800条大气垂直廓线资料为数据源,建立了适用于该地区加权平均温度估计的增强模型.利用分布在该地区的其余92个探空站2016—2018年的数据测试模型性能.结果表明,该模型的精度比GPT2w模型提高了约14.9%,比基于实测气象参数的Bevis模型提高了约7.6%.该模型的性能无论是在各个高度区间,还是在不同季节都比GPT2w模型有明显改进,并且在探空站分布十分稀少的我国西北部地区,加权平均温度的估计精度也得到显著的改善.该模型在开展全国范围内的地基GNSS实时水汽反演中具有巨大的应用潜力.

一种对流层折射误差的实时简化修正方法

对流层折射误差是影响雷达测量定位系统精度的主要因素之一。针对VMF1(Vienna Mapping Function 1)用于对流层折射误差修正时存在的实时性差、分辨率低的问题,引入GPT2w模型并提供分辨率为1°×1°的相关参数,结合Saastamoinen模型构建形成SG-VMF1模型。基于新模型和映射函数法的计算原理,对4个IGS(International GNSS Service)测站在不同高度角时的对流层折射误差进行估算,并与射线描迹法的计算结果进行对比分析。结果显示:以结合IGS实测气象数据的射线描迹法的计算结果为基准时,利用SG-VMF1模型及相关理论计算的结果在高度角大于6°时RMS值可达到0. 4 m,在高度角大于30°时RMS值可达到0. 1m,计算方法可行有效,且具有实时性和较高的分辨率。

GTDM:一种获取全球对流层延迟的新模型

对流层延迟是GNSS定位的主要误差源。现有的各对流层延迟模型大多存在过度拟合的弊端,不能反映延迟在短时间内的细节变化。本文利用2011—2017年ECMWF气象资料分析了对流层延迟的变化特征,发现同一格网相邻年份之间全球对流层延迟偏差绝大多数在5 cm内。在此基础上,本文提出了一种非参数拟合的对流层延迟模型GTDM。经验证,GTDM模型具有较好的拟合效果。本文将2016—2017年IGS分析中心提供的对流层延迟产品数据、探空气象数据解算的对流层延迟作为外检核数据,验证结果表明,GTDM模型在全球范围的精度均优于GZTD、GPT2w、UNB3m模型。GTDM模型建模方法简单,可避免过度拟合对流层延迟值的问题,能够有效地反映对流层延迟变化特征。

两种GPT系列对流层经验模型精度分析

针对很多测站不能提供实测气象数据的情况,本文对两种高精度的GPT系列经验模型进行验证。通过对两种模型获得的经验气象数据及对计算可降水汽非常重要的ZHD的精度进行分析,得出如下结论:GPT2w模型的精度要高于GPT2模型,且在无实测气象数据的情况下可以使用GPT2w模型来进行GNSS水汽反演。

两种对流层延迟改正模型的精度比较分析

在GNSS定位的误差来源中,对流层延迟通常难以被彻底消除。因此,众多国内外学者针对对流层延迟改正模型进行了深入研究,并提出了诸多适用于全球范围内的对流层延迟改正模型。这些模型大致分为需要实测气象数据模型以及无需实测气象数据两大类,这两类模型中精度最高模型分别为Saastamoinen模型和GPT2w模型。利用中国地区8个IGS站的对流层延迟数据以及地面气象数据对以上2种模型的精度进行对比分析,结果表明两者的绝对偏差值仅在2 mm之内。

一种优化的对流层天顶延迟融合模型FZTD

对流层延迟是影响全球卫星导航系统(GNSS)定位精度的主要误差源之一,模型修正法是目前削弱对流层延迟影响的主要方法.以简单易用的角度为切入点,综合UNB3模型的简易性和GPT2w模型的高精度特点,构建一种简易且精度较高的对流层天顶延迟融合模型(FZTD).并利用多年的国际GNSS服务(IGS)对流层天顶延迟(ZTD)数据对该模型精度进行了验证.结果表明FZTD模型的均方根(RMS)与平均偏差(bias)值分别为4.4 cm和-0.3 cm,均小于传统模型UNB3m(RMS:5.1 cm,bias:1.1 cm)和EGNOS(RMS:5.1 cm,bias:0.3 cm),定位精度提高了14%,而且在南半球提高尤为明显,特别在南极地区,精度提高了近3倍,弥补了传统模型在南北半球精度差异大的不足.新模型总气象参数仅为120个比GPT2w模型急剧减少,与传统模型相当,为GNSS实时导航定位终端的预定义对流层延迟改正提供了更优的选择.