全球ZWD垂直剖面滑动窗口的格网模型

对流层延迟是GNSS导航定位的主要误差源之一.针对已有对流层天顶湿延迟(ZWD)垂直剖面模型存在建模仅采用单一格网点数据以及使用月均剖面数据等不足,本文提出了一种基于滑动窗口的ZWD垂直剖面格网模型构建方法,建立了一种顾及精细季节变化的高精度全球ZWD垂直剖面模型(GZWD-H模型).同时,联合2017年全球321个探空站资料,对GZWD-H模型的垂直插值及其在全球大地观测系统(GGOS)大气格网ZWD空间插值中的应用进行了精度检验,并与全球性能优异的GPT2w模型进行对比.结果表明:① 以全球探空站数据积分计算的ZWD分层剖面信息为参考值,GZWD-H模型在全球ZWD的垂直插值中均表现出了最优的精度和稳定性,相对于GPT2w-1和GPT2w-5模型分别提升了4％ 和7％;②以全球探空站数据计算的地表ZWD信息为参考值,GZWD-H模型在GGOS大气格网ZWD产品空间插值中的精度相对于GPT2w-1和GPT2w-5模型分别提升了17％ 和35％;③相对于GPT2w-1模型,GZWD-H模型进一步减少和优化了模型参数.因此,GZWD-H模型在全球GNSS大气探测和GNSS精密定位中具有重要的应用.     

全球高精度对流层延迟建模及其在地基GNSS技术中的应用研究

对流层延迟是空间大地测量技术的一种主要误差源。在GNSS中,一般采用模型化或参数估计的方法削弱对流层延迟影响。目前已建立的对流层经验模型均是基于单一数据源,时空分辨率和精度有限,且现有的模型应用研究大多局限于定位解算的直接改正法。本文旨在建立高精度的对流层延迟模型,发展其在地基PPP和GNSS-IR(GNSS interferometric reflectometry)技术中应用的新方法,围绕多源对流层延迟产品精度评估、多源对流层延迟模型和高精度湿延迟模型建立、对流层延迟模型在PPP以及地基GNSS-IR技术中的应用展开研究,主要工作和贡献如下:(1)提出了顾及相邻层之间协方差的探空对流层延迟精度评定方法,得到全球312个探空站2010—2015年的ZHD,ZWD和ZTD的精度分别为2.87 mm、2.71 mm和4.85 mm。     

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。     

顾及分段表达的中国区域对流层天顶湿延迟模型

高精度的对流层天顶湿延迟（ZWD）在GNSS高精度定位及大气水汽监测中具有重要作用。中国区域具有疆域辽阔、地形多变等特点,垂直方向存在规律难循的气流变化,而大多数ZWD模型仅采用单一函数对大气高度范围内变化进行拟合,或未考虑季节变化因素,因此在中国区域适用性较差。本文以中国区域MERRA-2大气再分析资料为数据源对ZWD展开深入研究,建立了一种顾及分段表达的中国区域ZWD模型（CZWD模型）;并以中国区域89个探空站积分计算的ZWD数据为参考值检验模型的精度。结果表明,CZWD模型的年均偏差（Bias）和年均均方根值（RMS）误差分别为-2.9、21.9 mm,精度优于目前应用较广的GPT3模型,且提高了5%,在中国区域总体上显示出较优的精度和适用性。因此,CZWD模型对于中国区域GNSS导航定位及水汽监测具有重要意义。     

不同对流层模型对B1C/B2a组合PPP的影响分析

对流层延迟是GNSS定位主要的误差源之一,因此分析不同对流层模型对BDS-3系统B1C/B2a组合PPP的影响是非常必要的。本文结合多个MGEX测站数据,进行了GPT、GPT2、GPT2w 3种对流层模型静态与动态PPP解算实验。实验结果表明,3种对流层模型解算得到的B1C/B2a组合静态与动态PPP定位误差与精度一致性较好,定位精度可以达到厘米级,但3种模型解算得到的定位精度差异在亚毫米级,整体来说,GPT2w模型解算得到的定位精度最优,其次为GPT2模型,GPT模型略低于其他两种模型。     

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.      

GNSS气象学中关键参数的建模

地基GNSS气象学是GNSS技术的一种新应用,其基本原理是利用GNSS信号穿过对流层时产生的湿分量延迟反演可降水量,而湿分量延迟和可降水量之间的转换参数是一个关于大气加权平均温度的函数,因此准确的求取大气加权平均温度是GNSS气象学中的关键。以徐州地区为例,利用探空数据建立加权平均温度模型,并与其他几种模型进行比较,结果表明本地化模型精度更高,更适合本地的水汽反演。     

基于GGOS Atmosphere数据的ZHD模型精度分析

对流层天顶干延迟(ZHD)建模是对流层延迟建模的一个重要组成部分,由于ZHD变化较为规律,因此,通常用模型来表达。而对流层天顶湿延迟(ZWD)变化不规则且随机性大,所以在GNSS处理中将它作为一个未知的待估参数。不精确的ZHD模型,会影响到ZWD估算的准确性,因此,选择精确合理的ZHD模型具有重要的意义。传统无线电探空仪数据获取的ZHD由于不能覆盖全球所有位置,尤其是海洋地区,而且在特殊天气使用也受限。为了更能全面反映ZHD模型的精度,本文尝试使用GGOS Atmosphere数据比较分析3种经典ZHD模型、即Saastamoinen模型、Hopfield模型和Black模型。通过对全球范围内的657个站点且时间覆盖长达5年的GGOS Atmosphere数据进行比较分析,我们得到以下结论:Saastamoinen模型优于Hopfield模型和Black模型,Saastamoinen模型的ZHD的精度可以优于1.5 mm。因此,在GNSS用户使用ZHD模型时,Saastamoinen模型可以作为使用模型。具体可以应用到GNSS大地测量学、GNSS车辆导航定位以及GNSS气象学。     

顾及海面多路径的PPP自适应选权随机模型

针对适合ZWD估计的Cosine平方PPP随机模型存在仅考虑大气对GNSS观测值的影响,而认为多路径误差对观测信号影响权重一致的问题,该文由舰船横纵摇作用下海面多路径效应的变化规律入手,结合海浪反射面对反射信号影响的研究,对Cosine平方PPP随机模型进行了改进,提出基于舰载GNSS使用的顾及动态海面多路径效应的PPP自适应选权随机模型。实验表明,基于自适应选权随机模型求解的ZWD精度较改进前误差减少30%左右,且海面多路径效应越强,精度提高效果越好。在基于舰载GNSS反演海上水汽含量的应用中,利用该模型可有效减少舰船摇摆情况下海面强多路径效应对ZWD反演精度的影响,保证ZWD满足水汽含量转换的精度要求。     

4种对流层模型在南极地区的适用性分析

GPS信号传播过程中穿过对流层时受到大气折射的影响,其信号发生弯曲和延迟,因此,对流层延迟是GPS测量的主要误差源之一。对流层延迟模型改正算法的选择关系着GPS探测大气水汽的精度。介绍了Saastamoinen、Hopfield、UNB3及EGNOS等4种国际上常用的对流层延迟模型,以南极戴维斯站(DAV1)为例,计算了4种对流层模型在南极地区的天顶总延迟(ZTD)、天顶干延迟(ZHD)和天顶湿延迟(ZWD),与探空数据进行比较,得到了适合南极地区的对流层延迟模型。     

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。     

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。     

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。     

基于BP神经网络的昆明天顶湿延迟模型

为了满足昆明市卫星定位综合服务系统(KMCORS)对高精度天顶湿延迟(ZWD)的需要,本文开发了适用于昆明地区的ZWD模型KM。KM模型是根据昆明探空站2015-2018年的探空资料,基于误差反向传播(BP)神经网络建立的,同时采用2019年的探空数据,验证了KM模型的预测性能。测试结果表明,与广泛使用的SA模型相比,KM模型的RMSE由4.0 cm降至2.2 cm,精度提升了45%;KM和SA模型的Bias分别为0和-3.1 cm。该结果表明KM模型对ZWD估计具有无偏性,而SA模型在高原区存在过度估计的问题,KM模型具有比SA经验模型更优的预测性能,其应用将有助于提升KMCORS的服务质量。     

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。     

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。     

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。     

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。     

对流层经验改正模型在中国区域的精度评估

对流层延迟是全球导航卫星系统(GNSS)计算的主要误差之一,其模型精度对测站坐标解算有较大影响,在高程方向尤为明显。因此,有必要对不同的对流层延迟改正模型的适用性进行评估。采用SHA解算了中国陆态网GNSS跟踪站的对流层天顶延迟数据,对常用的对流层改正模型EGNOS/UNB3m/GPT/GPT2的天顶延迟量在中国不同区域、不同季节的适用性进行了分析。结果显示,4种模型的RMS均为4~5cm,各模型RMS之差小于1cm,其中GPT2模型的RMS最小;4种模型的平均偏差(BIAS)为1cm左右,GPT2模型的BIAS最大,为1.5cm;时间上,各个模型在夏季精度普遍较低,这是因为夏季水汽丰富,对流层湿延迟变化较大;空间上,各模型在东南沿海精度较低,因为东南沿海气候湿润,湿延迟变化较大;各模型精度对测站高程不敏感,精度在比较高的测站并无明显降低。通过对不同模型在中国区域的精度分析,验证该改正模型可以为中国区域用户的对流层模型的选择提供一定的参考。     

顾及时空因素的高精度全球对流层关键参量模型构建研究EI北大核心CSCD

对流层在全球水循环、灾害天气形成与演变中扮演着极为重要的角色。大气加权平均温度(Tm)、对流层天顶延迟(ZTD)和天顶湿延迟(ZWD)等均属于对流层关键参量,其中ZWD/ZTD是影响GNSS等空间技术高精度导航定位的重要因素,而Tm是GNSS水汽探测的关键参数。随着GNSS导航定位及水汽探测对实时高精度对流层关键参量的要求日趋增强,对流层关键参量的实时高精度全球精化模型构建成为近年来的研究热点。论文针对已有对流层关键参量全球经验模型存在的问题,联合最新的MERRA-2资料和GGOS大气格网产品等多源数据,开展了对流层关键参量的实时高精度全球模型构建研究。论文主要工作和贡献如下。