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(Tm)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Tm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。     

GPT3模型反演GNSS大气可降水量精度评定

采用中国区域2017~2018年与GNSS站并址的49个探空站资料对GPT3模型估算的气象参数的精度进行评估,再利用49个GNSS站结合GPT3模型估算的气象参数反演日均大气可降水量PWV,并采用与GNSS站并址的探空站数据对其精度进行评定。实验得出：1）在中国地区,1°分辨率的GPT3模型的精度和稳定性优于5°分辨率,其气压、气温和大气加权平均温度T_m的偏差均值分别为0.73 hPa、1.34 K和－1.67 K,均方根误差均值分别为4.21 hPa、3.75 K和4.15 K;2）利用GPT3模型提供的气温结合Bevis经验公式反演的PWV与GPT3模型提供的Tm反演的PWV精度相当,且2种方法反演的PWV和探空资料实测地表温度反演的PWV呈现很好的一致性,在我国青藏高原和西北地区反演PWV的精度优于我国南方和北方地区。     

顾及多因子影响的中国西部地区大气加权平均温度模型精化研究

针对中国西部地区地形起伏较大等情况,分析大气加权平均温度（T_m）与测站高程、地面温度的关系,利用2014～2016年探空数据,在Bevis模型基础上建立一种与地面温度、高程和季节变化有关的新T_m模型。以2017年探空数据为参考值,对新模型进行精度分析,并与广泛使用的Bevis模型和GPT2w模型进行精度比较。结果表明,以探空数据为参考值,新模型的年均偏差和均方根误差（RMS）分别为-0.08 K和3.89 K,相比Bevis模型、GPT2w-5模型和GPT2w-1模型,其精度（RMS值）分别提高14.3%、20.6%和9.3%。此外,将新T_m模型用于GNSS水汽计算,其水汽计算理论RMS误差和相对误差分别为0.22 mm和1.43%,新模型在中国西部地区的GNSS水汽探测中具有重要的应用价值。     

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0.53 Pa，标准差均值分别为2.84 ℃和4.42 Pa，均方根误差均值分别为3.27 ℃和4.49 Pa；GPT2模型估算的气象参数解算的SDCORS/PWV的偏差均值为1.22 mm，标准差均值为3.05 mm，均方根误差均值为3.46 mm，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。     

长三角地区GNSS大气水汽转换系数模型精化研究

根据长三角地区7个探空站基于积分法计算的2016年大气水汽转换系数（K值）,利用多元线性拟合分别构建不顾及高程的Emardson-I精化模型和顾及高程的Emardson-H精化模型,并用2017年的K值验证两种模型的精度。实验结果表明,Emardson-H预报模型的MAE和RMS分别为0.001 297和0.001 616,略优于Emardson-I预报模型的0.001 303和0.001 620;基于两种新模型的GNSS-PWV反演精度相当,其MAE和RMS均优于0.6 mm。因此,Emardson-I模型以其无需实测气象参数和无需顾及高程在长三角地区的地基GNSS气象学实时应用中具有更好的效率优势。     

中国南部地区大气加权平均温度模型精化研究

针对中国南部地区地势西高东低、沿海与内陆存在差异等情况,分析中国南部地区T_m与地面温度、测站高度、季节变化以及纬度的关系,利用中国南部地区19个探空站2015~2017年的探空数据,在Bevis公式的基础上建立只考虑地面温度的线性模型（T_m-SC1模型）和与地面温度、高程、季节变化以及纬度有关的新T_m模型（T_m-SC2模型）。以2018年的探空数据为参考值,对T_m-SC1模型和T_m-SC2模型进行精度验证,并与广泛使用的Bevis公式和GPT3模型进行精度比较。结果表明,T_m-SC1模型的年均偏差和均方根误差（RMS）分别为0.76 K和2.57 K,相比Bevis模型和GPT3模型,其精度（RMS值）分别提高13.8%和2.2%;T_m-SC2模型的年均偏差和均方根误差（RMS）分别为-0.10 K和1.64 K,相比Bevis模型和GPT3模型其精度（RMS值）分别提高44.9%和37.6%。T_m-SC2模型用于GNSS水汽计算导致的理论RMS误差和相对误差分别为0.16 mm和0.43%。因此,T_m-SC2模型更适用于中国南部地区的GNSS水汽探测以及气象研究。     

利用MERRA-2地表温压资料进行中国区域GNSS水汽反演的精度分析北大核心CSCD

为分析美国宇航局发布的最新MERRA-2再分析资料地表温压产品在中国区域进行GNSS水汽反演的精度,联合中国区域609个地面气象站实测温度和气压数据、48个GNSS站及并址探空站资料,评估MERRA-2温压产品及其在GNSS PWV反演中的精度。结果表明:1)MERRA-2气压和温度年均bias分别为-0.01 hPa和0.38 K,年均RMSE分别为1.08 hPa和2.66 K,MERRA-2再分析资料温压产品在中国区域具有较高的精度;2)MERRA-2再分析资料温压产品在中国大部分地区呈现负偏差,精度从高到低依次为南方地区、北方地区、西北地区和青藏高原地区;3)将MERRA-2温压产品的PWV反演结果与并址探空站实测PWV进行对比可知,MERRA-2再分析资料温压产品反演的GNSS PWV平均RMSE为2.16 mm,能较好地反映PWV的日变化。因此,MERRA-2地表温压产品在中国区域的气象研究及GNSS水汽监测中具有重要意义。     

GPT3模型在安徽地区的性能

基于安徽省23个CORS站数据解算天顶对流层延迟(ZTD),评估GPT3+Hopfield和GPT3+Saastamoinen两种对流层组合模型的适用性,并利用探空数据分析GPT3模型估计大气加权平均温度(T_m)和反演大气可降水量(PWV)的精度。结果表明：1)GPT3+Saastamoinen组合模型的ZTD精度优于GPT3+Hopfield组合模型,GPT3模型的ZTD精度具有显著的时空分布特征,皖南精度低于皖北,且春、冬季精度优于夏、秋季;2)在安徽地区,GPT3模型2种格网分辨率的T_m精度基本相当,平均偏差在-2.0 K左右,RMS值在4.5 K左右;3)在安徽地区,基于GPT3模型气象参数反演的PWV(GPT3-PWV)与探空站的PWV有较高的一致性,且同样具有时空变化特征,由皖南向皖北逐渐降低,夏季最大、冬季最小。     

不同对流层天顶延迟模型在陕西地区的精度及适用性分析

利用MATLAB实现UNB3m、GPT2w+Hopfield、GPT2w+Saastamoinen、GPT3+Hopfield、GPT3+Saastamoinen等5种模型，分析它们在陕西地区的适用性。结果表明，5种模型结果普遍偏小。GPT2w+Saastamoinen和GPT3+Saastamoinen模型整体精度相当，且优于其他3种模型，bias为1.41 cm，RMS分别为4.68 cm和4.67 cm，且随着高程增加精度越来越高。5种策略精度均随季节变化而变化，其中UNB3m变化最为明显，夏冬2季bias差达到7.92 cm，RMS差达到7.67 cm。更高精度计算时，秋季应使用GPT3，而春夏2季时使用GPT2w效果更好。选用同样的气象参数模型时，Saastamoinen模型比Hopfield模型更适用于陕西地区，并且陕北地区精度最好。对比最新的全球气压温度模型GPT3与GPT2w发现，2种模型算得的地面气压P、地面温度T、地面水汽压e、大气加权平均温度Tm等4种气象参数均相差细微，所以在陕西地区利用GPT2w或GPT3分别算得的对流层总延迟ZTD和对流层干延迟ZHD相差很小，通过对流层湿延迟ZWD算得的PWV也几乎相当。     

基于MLP神经网络的大气加权平均温度模型

以中国西南地区2015~2017年探空数据为实验数据,使用多层感知器（MLP）神经网络回归方法建立西南地区的加权平均温度(T_m)模型。将气象参数（地表温度、水汽压）和非气象参数（高程、纬度和年积日）作为模型输入因子,由数值积分法计算得到的T_m作为学习目标,通过神经网络模型进行迭代训练从而得到中国西南地区的T_m。以2018年探空站T_m数据为参考值,对MLP模型精度进行验证,并与Bevis模型和GPT3模型进行对比分析。结果表明,MLP模型的年均RMSE和年均bias分别为1.99 K和0.15 K,比Bevis模型、GPT3模型年均RMSE分别降低1.36 K(40.6%)和1.51 K(43.1%),年均bias分别下降0.70 K（82.4%）和1.04 K（87.4%）,且该模型在中国西南区域不同高程、纬度和季节的精度与稳定性优于Bevis模型和GPT3模型。     

香港地区顾及高度改正的加权平均温度模型

选用2012~2017年Kings Park 站探空资料,基于迭代最小二乘方法构建2种香港地区顾及高度改正的加权平均温度模型--T_m_hk1和T_m_hk2,并利用2018年探空资料对模型在香港地区的精度和适用性进行评估。结果表明,在香港地区,依赖测站温度的T_m_hk1模型具有较高的精度,年均偏差优于0.3 K,均方根误差优于1.8 K,与Bevis公式和GPT2w模型相比,T_m_hk1模型的精度分别提升35.4%和29.7%;而不依赖气象参数的T_m_hk2模型与GPT2w模型的精度相当,年均方根误差均优于2.5 K,Bevis公式的精度最差(RMS为2.7 K),且具有较大负偏差(bias为－1.8 K)。从季节性分析可知,Bevis公式、T_m_hk2 和GPT2w模型精度具有明显的季节性变化,总体为夏季精度较高(RMSE为1.3~2.2 K),冬季精度较低(RMSE为3.0~4.4 K);T_m_hk1模型在各季节均具有最高精度（RMSE为1.4~2.4 K）和适用性。     

中国西南地区GPS大气水汽转换系数模型精化研究

利用中国西南地区19个探空站2011～2014年数据，通过积分法计算大气水汽转换系数K。采用2011～2013年的K值对Emardson模型进行精化，分别构建西南地区不顾及和顾及高程因子的K值模型Emardson-I和Emardson-H。利用2014年积分计算的K值检验这两种模型的预报精度，结果表明：1）相对于Emardson-I模型，Emardson-H模型表现出更高的K值预报精度和更好的适应性；2）在高海拔地区，Emardson-H模型预报精度明显优于Emardson-I模型，表明高程因子是影响高海拔地区K值计算的重要因素。将两种新模型用于拉萨站GPS大气水汽反演，Emardson-H模型表现出更优的反演精度，两种模型的反演精度均优于2 mm。     

顾及多因子影响的中国区域Tm模型精化研究

利用中国区域2015~2017年探空数据,建立一种顾及地表温度、地表水汽压、高程和纬度的中国区域大气加权平均温度T_m模型（BET模型）。以2018年探空站T_m数据为参考值,分析BET模型精度,并与Bevis模型和GPT3模型进行对比。结果表明,BET模型年均RMSE与bias分别为3.15 K和0.04 K,相比于Bevis模型、1°×1°分辨率的GPT3模型和5°×5°分辨率的GPT3模型,年均RMSE分别降低29.2%、32.8%和39.1%,年均bias分别降低96.4%、96.7%和97.4%,且该模型在中国区域不同高程和纬度上的精度与稳定性优于Bevis模型和GPT3模型。     

基于ECMWF再分析地表资料计算中国区域ZTD的精度分析

利用ECMWF再分析地表资料，结合GPT2w模型提供的水汽递减率和温度递减率计算中国区域对流层延迟值的精度。首先，以中国地区75个探空站2015年地表实测气象参数为参考值，利用ECMWF地表资料得到的气象参数（P，T，e）的精度分别为1.76 hPa、1.96 K、1.98 hPa。然后，以相同测站2010~2015年探空站分层数据算得的ZTD为参考值，对ECMWF地表资料计算的ZTD的精度进行分析，并与利用探空仪地面观测数据为输入参数计算的ZTD的精度进行对比。结果显示，利用ECMWF地表资料计算的ZTD的平均bias为0.07 cm，平均RMS为3.72 cm，在低纬度地区优于利用探空仪地面观测数据为输入参数计算的ZTD的结果。以陆态网237个GNSS测站2015年的ZTD作为参考值，比对利用ECMWF地表资料计算的ZTD的精度，结果为3.41 cm。由此可知，ECMWF地面资料计算的ZTD的精度能满足普通用户对流层延迟的计算需求，可用于缺少气象参数的测站进行对流层延迟值的计算及其他相关应用。     

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)。     

基于GPT3模型的ZTD及PWV反演精度分析

使用亚洲区域18个IGS测站和中国区域内16个探空站2016~2018年的数据,研究GPT3模型反演天顶对流层延迟（ZTD）和大气可降水量（PWV）的精度,并与其他GPT系列模型进行对比。结果表明,GPT3-1模型估计的ZTD的bias均值和最大值均最小,分别为1.34 mm和14.06 mm;GPT3模型整体精度略优于GPT2w模型,优于GPT2模型。探空站处GPT3模型反演的PWV的bias和RMSE均表现出较强的季节性特征;由GPT3模型反演的PWV的月均值可知,GPT3-1模型比GPT3-5模型具有更高的精度和稳定性。     

顾及区域相对高程的中国区域加权平均温度模型

针对区域相对高程对T_m模型影响研究领域的空缺,基于已有的对流层顶经验模型,讨论区域相对高程对T_m模型的影响,并在此基础上构建中国区域的h₀T_m回归模型,同时建立青藏高原地区的区域模型h₀T_m-Qz。模型检验结果表明：1）以ERA5格网数据为参考值,h₀T_m模型的RMS为2.43 K,相比于Bevis公式和GPT2w-1模型,精度分别提高了1.15 K(32%)和0.63 K(21%);2）以探空数据为参考值,h₀T_m模型的RMS为2.48 K,相比于Bevis公式和GPT2w-1模型精度分别提高了1.19 K(32%)和2.06 K(45%),h₀T_m模型在中国区域表现出较低的误差和良好的稳定性,尤其是在中国西部地区表现出更为显著的优势;3）顾及区域相对高程的青藏高原区域模型h₀T_m-Qz相较于该地区的单因子（T_s）区域模型T_sT_m-Qz和Bevis公式,精度分别提高了0.54 K(19%)和2.50 K(51%)。     

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。     

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Tm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）Tm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Tm日周期变化影响，Tm在中国西部和东北地区误差较大。
     

基于PSO-BP神经网络的中国区域大气加权平均温度模型北大核心CSCD

结合粒子群优化算法和BP神经网络,利用中国区域88个探空站2015-2017年的数据,以地表温度、地表水汽压、纬度、高程、年积日作为模型输入因子,以积分法获得的Tm值为学习目标,建立适用于中国区域的Tm模型PSOTM。以2018年探空数据为参考值评定PSOTM模型精度,并与Bevis、GPT3、传统BP神经网络(BPTM)、GRNN神经网络(GRNNTM)模型的计算结果进行对比。结果表明,PSOTM模型年均RMSE为3.08 K,相对于Bevis、GPT3、BPTM和GRNNTM模型分别降低26.84%、35.97%、15.38%和4.94%;PSOTM模型年均bias为0.32 K,相对于Bevis、GPT3和BPTM模型分别降低68.93%、82.42%和72.41%,较GRNNTM模型升高37.50%。PSOTM模型在中国区域不同纬度和高程的精度与稳定性优于Bevis、GPT3和BPTM模型,具有良好的适用性。