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。     

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。     

GPT2w模型在南极地区精度分析

GPT2w（global pressure and temperature 2 wet）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。     

3种全球气压与温度模型的精度对比分析北大核心CSCD

针对目前全球气象模型受不同季节、纬度、高程等因素影响问题,该文利用全球分布的IGS站实测气象数据,对GPT、GPT2、GPT2w模型的精度进行对比,对模型的季节性特征以及纬度、高程因素对模型精度的影响进行分析,并对3种模型反演GPS大气可降水量(PWV)的精度进行比较。结果表明:(1)GPT2和GPT2w模型的精度相当,均优于GPT模型;(2)3种模型均具有明显的季节性特征,7月份(夏季)的模型精度最优;(3)纬度、高程因素对3种模型气压误差的影响较大,而对气温误差的影响相对较小;(4)GPT2、GPT2w模型解算的PWV估值精度相当,偏差均值和平均RMS分别小于1.2mm和1.8mm,均优于GPT模型计算结果。研究结果:可为全球或区域气象模型的改进和生产应用提供借鉴。     

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6.98 hPa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。     

3种全球气压与温度模型的精度对比分析

针对目前全球气象模型受不同季节、纬度、高程等因素影响问题,该文利用全球分布的IGS站实测气象数据,对GPT、GPT2、GPT2w模型的精度进行对比,对模型的季节性特征以及纬度、高程因素对模型精度的影响进行分析,并对3种模型反演GPS大气可降水量(PWV)的精度进行比较。结果表明:(1)GPT2和GPT2w模型的精度相当,均优于GPT模型;(2)3种模型均具有明显的季节性特征,7月份(夏季)的模型精度最优;(3)纬度、高程因素对3种模型气压误差的影响较大,而对气温误差的影响相对较小;(4)GPT2、GPT2w模型解算的PWV估值精度相当,偏差均值和平均RMS分别小于1.2mm和1.8mm,均优于GPT模型计算结果。研究结果:可为全球或区域气象模型的改进和生产应用提供借鉴。     

GPT2模型的精度检验与分析

GPT模型常被用于计算气温、气压等对流层延迟气象参数,针对其不足之处,Lagler提出了改进的全球经验模型GPT2,该模型不仅提高了GPT气温和气压模型的精度,而且可提供比湿、水汽压、映射函数等对流层参数。但是目前没有相关文献对GPT2的精度进行详尽的分析,本文利用ECWMF及NOAA提供的高精度气象数据,对GPT2气温、气压和水汽压模型进行精度检验及分析。结果表明,气温的Bias均值为-0.59°C,RMS均值为3.82°C左右;气压和水汽压的Bias均值绝对值在1mb以内,气压的RMS均值为7mb左右,水汽压则不超过3mb,不同纬度精度存在差异,三者均具有明显的季节性。总体而言,GPT2模型在全球范围内具有很高的精度和稳定性。     

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T_m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T_m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-T_m和G5-T_m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-T_m和G5-T_m均存在-3～-4 K的年均偏差;②G5-T_m存在精度异常突出区域,影响整个新疆地区T_m值的计算精度,而G1-T_m具有较好的稳定性;③G1-T_m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-T_m模型,因此运用G1-T_m进行地基GNSS大气水汽反演具有较好的精度保障。     

顾及垂直递减率函数的中国区域大气加权平均温度模型

大气加权平均温度(Tm)是全球导航卫星系统(GNSS)水汽监测的关键参数。针对中国区域地形起伏较大的特点,本文构建了顾及精细季节变化的Tm垂直递减率函数模型,在此基础上,利用2007—2014年的Global Geodetic Observing System(GGOS)atmosphere格网数据建立了中国区域的Tm格网新模型(简称为CTm模型)。以2015年GGOS格网数据和无线电探空资料为参考值,对CTm模型进行精度检验,并与常用的Bevis公式和GPT2w模型进行比较分析。结果表明:①以GGOS格网数据为参考值,CTm模型的年均偏差和均方根误差(RMS)分别为-0.52 K和3.28 K,相比于GPT2w-5和GPT2w-1模型,精度(RMS值)分别提高了27%和13%;②以探空数据为参考值,CTm模型的年均偏差和RMS误差分别为0.26 K和3.75 K,相对于GPT2w-5和GPT2w-1模型,精度分别提高了21%和16%,尤其在中国西部地区,CTm模型表现出更为显著的优势。此外,将CTm模型用于GNSS水汽计算,其引起的水汽计算RMS误差和相对误差分别为0.29 mm和1.36%。CTm模型不需要实测气象参数,因此,在中国区域的GNSS实时高精度水汽探测中具有重要的应用。     

GPT3模型在中国地区的精度分析

为验证分析最新全球气压气温模型(GPT3模型)在中国区域的模型精度,以中国区域18个IGS站为例,分别利用全球大地测量观测系统(Global Geodetic Observing System, GGOS) Atmosphere机构提供的2015-2017年气象数据和国际卫星导航服务(International GNSS Service,IGS)数据中心提供的2015年对流层延迟数据对GPT3模型气象参数和天顶对流层延迟(zenith troposphere delay,ZTD)进行验证,并联合全球其他GNSS站点共同进行GPT3模型误差特性分析。结果表明,相比GPT和GPT2模型,GPT3模型的精度和稳定性明显提高;GPT3模型在取得与GPT2w模型相近精度的同时,稳定性有所提高。GPT3模型精度受纬度影响显著,气温和气压的精度和稳定性由赤道向两极地区逐渐降低,水汽压精度几乎不受纬度影响,稳定性在中纬度和部分低纬度区域比高纬度地区差。GPT3模型对气象参数估值的偏差在低海拔地区具有随机性,以气压偏差最为明显,随着海拔升高,气压和水汽压偏差逐渐稳定在±2 hPa内,气温偏差在±2℃内。     

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。     

MODIS水汽反演用于InSAR大气校正的理论研究

大气效应尤其是大气水汽的影响是InSAR干涉测量中主要的误差源和限制因素之一,因此高精度的InSAR应用迫切需要及时掌握大气水汽含量及其时空变化。本文深入分析了利用MODIS的水汽反演结果进行InSAR干涉测量大气校正的可行性,对MODIS近红外水汽反演结果与地基GPS水汽探测结果进行了比较和分析。同时根据GPS解算结果,利用实例讨论了基于地面气象参数的水汽延迟模拟的效果。     

青藏高原地区大气加权平均温度模型的构建

加权平均温度（T_m）是将天顶湿延迟转换为大气可降水量的关键参数,针对青藏高原地区海拔高、地形起伏大、水汽高度分布复杂的特点,本文利用2010—2014年GGOS Atmosphere T_m格网数据和地表高程数据建立T_m垂直递减率函数,进而建立一种顾及T_m垂直递减率变化的适合青藏高原地区的新模型（QTm模型）。此外,利用2015年青藏高原地区14个探空站和GGOS Atmosphere T_m格网数据评估模型精度和适用性。试验结果表明,与GGOS Atmosphere T_m相比,QTm模型的年均Bias和RMSE分别为0.29和2.49 K,相对于GPT2w-1和GPT2w-5模型,RMSE分别提升了38.97%、67.06%;与探空数据相比,QTm模型的年均Bias和RMSE分别为0.16和2.90 K,相对于GPT2w-1和GPT2w-5模型分别提升了31.12%、39.46%。新模型的构建为青藏高原地区提供了可靠的T_m值,进而提供实时、高精度GNSS水汽信息。     

区域大气加权平均温度模型确定及其应用

大气加权平均温度T_m是决定GPS水汽反演精度的关键参数,不同地区的T_m具有区域性差异。本文基于河南省Nanyang探空站2015-2018年的气象数据,建立了适用于河南亚热带季风气候地区的单因子和多因子的大气加权平均温度T_m模型,同时按照四季划分构建了季节模型,并对比经验模型分析其精度。结果表明,新建立的加权平均温度模型精度整体上优于Bevis模型。将其用于CORS站GPS可降水量反演中,相比经验模型,新建T_m模型与实际降水量的吻合性更好,可以满足地基GPS反演可降水量的要求。     

日本区域加权平均温度建模

由于日本区域易受自然灾害频发、水汽特征变化复杂、探空站点分布稀疏的问题,进而制约了高精度水汽的获取,因此缺少此区域的高精度加权平均温度(T_m)模型. 鉴于此,采用2009—2016年全球大地测量观测系统(GGOS) Atmosphere T_m和ERA-Interim 2 m T_s格网数据新建立一种考虑T_m残差季节性变化和周日变化的适合日本区域的T_m模型 (JQTm模型). 同时,利用2017年日本区域13个探空站和110个GGOS Atmosphere T_m格网数据,对新建立的JQTm模型在日本区域的精度进行评估. 研究发现:与GGOS Atmosphere T_m格网数据对比,JQTm模型的偏差(bias)和均方根误差(RMSE)分别为0.15 K和1.92 K,RMSE分别比GPT2w-1模型、GPT2w-5模型提升41.16% (1.33 K)、44.41% (1.53 K);与探空资料对比,JQTm模型的bias和RMSE分别为–0.66 K和2.14 K,RMSE分别比GPT2w-1模型、GPT2w-5模型提升28.43% (0.85 K)、29.61% (0.90 K). JQTm模型能够为日本区域提供高精度的T_m值,为研究此区域大气水汽和极端天气提供重要依据.