基于随机森林和反向传播神经网络机器学习方法的区域ZTD建模精度分析

针对常用的GPT2w和UNB3m两种区域(经验)对流层天顶总延迟(ZTD)模型精度不高的问题,探讨基于机器学习方法进行区域ZTD建模的可行性。以GAMIT软件解算的美国加州13个IGS测站2021年连续31 d的ZTD数据(ZTD_GAMIT)为例,构建以经度、纬度、大地高、年积日、每日小时数、GPT2w或UNB3m经验ZTD模型估计的ZTD值(ZTD_GPT或ZTD_UNB)为输入,以ZTD_GAMIT为输出的随机森林(RF)和反向传播神经网络(BPNN)区域ZTD改进模型。实验结果表明,相较于GPT2w和UNB3m模型,两种基于机器学习方法的区域ZTD改进模型的预测精度均有所提高,能有效改善系统偏差。以ZTD_UNB为输入的BPNN和RF改进模型的预测均方根误差(RMSE)分别为15.14 mm和19.48 mm,以ZTD_GPT为输入的BPNN和RF改进模型的RMSE分别为15.32 mm和20.74 mm。BPNN模型的预测精度总体上优于RF模型,具有较高的可靠性。

基于GPT3和PSO-BPNN的欧洲地区天顶对流层延迟模型

利用粒子群优化算法(PSO)优化反向传播神经网络(BPNN),建立优化的GPT3模型(MGPT3)。以欧洲地区30个IGS测站2020年连续366 d的天顶对流层延迟(ZTD)数据为例进行实验,对比MGPT3、UNB3m和GPT3模型预测ZTD的精度。结果表明,MGPT3模型的RMSE为18.49 mm,相较于UNB3m和GPT3模型,其精度分别提高55.0%和47.7%。