基于GNSS及探空仪数据的大气折射指数反演新方法

提出一种综合GNSS及探空仪数据的对流层折射指数剖面反演模型新方法,利用GNSS观测数据直接采用参数估计计算测站高精度ZTD（zenith troposphere delay）值,结合探空数据构建测站上空折射指数分层剖面反演模型。通过BJFS（北京站）、WUHN（武汉站）、WIND（Windhoek站）和DARW（Darwin站）的实测数据进行相应计算与验证。结果表明,该反演模型与基于探空数据的反演模型精度相当,二者均优于Hopfield模型。同时该方法计算简便,且在模型建立后可以大大减少探空仪观测。     

长三角地区多种大气可降水量获取方法研究

利用长三角地区多个探空站气象资料、GNSS观测数据和GPT3模型,以探空资料的大气可降水量(PWV)为参考值,评估GPT3模型、两种地面气象资料法和GNSS等4种方法计算的PWV精度、可靠性和时效性.结果表明,GPT3模型可实时获取PWV,但精度较低;GNSS-PWV精度最高,但需要实测气象参数,会限制其应用范围;两种...     

一种基于频谱分析和AR补偿的对流层延迟预报模型

利用实测天顶对流层延迟值（ZTD）,在无气象参数条件下,提出一种对流层延迟建模与预报方法。首先利用频谱分析,得到ZTD时间序列周期特性,并在此基础上对ZTD进行建模,给出模型参数计算方法。然后,基于频谱分析模型拟合ZTD,并与实测值进行比较分析。最后,将分析得到的拟合残差用AR模型进行改正并预报。结果表明,基于频谱分析和AR补偿的ZTD改正预报模型能够满足不同测试环境下的需求,精度达到cm级。     

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。     

中国区域BP-Adaboost强预测器对流层天顶延迟建模研究

选取中国大陆构造环境监测网（陆态网）提供的155个测站2014~2018年对流层延迟产品,基于BP-Adaboost算法将多个弱神经网络预测器集成为强预测器,建立新的无气象参数对流层延迟计算模型。利用陆态网2019年参与建模的141个建模测站、未参与建模的62个测站的对流层延迟产品和中国区域86个无线电探空站解算出的对流层延迟精确值对BP-Adaboost模型进行精度评定,结果表明,新模型的平均偏差分别为0.62 mm、-1.16 mm和12.32 mm,均方根误差分别为25.30 mm、26.72 mm和46.29 mm,优于常见的无气象参数模型;BP-Adaboost模型在内陆地区或海拔2 km以上地区具有更高的精度,能够满足中国大陆区域卫星导航用户实时对流层延迟改正的需求。     

全球对流层延迟模型的质量评价

对常用的3种天顶对流层延迟改正模型(Saastamoninen模型、Hopfield模型和EGNOS模型)进行误差分析，代入气象元素及测站位置误差，得出各模型的ZTD估值受误差影响的程度。使用C++语言实现以上3种模型，选取一系列不同纬度和高程的IGS站，利用IGS分析中心提供的气象文件，结合测站时空信息，导入程序进行模拟计算，并与IGS对流层产品进行比较，对改正模型进行质量评价。结果表明，Saastamoninen模型和Hopfield模型能够较准确地根据地面气象资料反映对流层延迟的日变化，Saastamoninen模型的改正精度略高于Hopfield模型；同时，无需实测气象资料的EGNOS模型RMS小于0.1 m，也可满足GNSS m级定位需求。     

基于实测气象参数的InSAR大气校正及其应用研究

针对传统InSAR技术在监测地表形变时受对流层延迟影响的问题,利用地面实测气象参数和NCEP气象再分析资料建立大气校正模型,对生成的鄞州区干涉图进行对流层延迟校正,获取鄞州区2018～2020年高精度地表形变分布。为分析不同大气校正模型对对流层延迟效应的削弱效果,将监测结果与同期实测水准数据作对比。结果发现,地面气象信息模型、NCEP气象再分析资料模型和未加大气校正的InSAR监测结果的均方根误差RMSE分别为2.78 mm、3.86 mm、5.62 mm,表明利用地面气象信息模型校正大气相位误差具有更高的监测精度,能有效削弱对流层延迟对干涉测量结果的影响。     

基于神经网络模型误差补偿技术的对流层延迟模型研究

针对传统对流层延迟模型精度较低的缺点，基于神经网络模型误差补偿技术，在Hopfield模型基础上建立一个适用于北半球的高精度融合模型。以Wyoming大学提供的2010年全球120多个观测台站的气象探空数据精密解算的天顶对流层延迟(ZTD)作为近似“真值”，分析比较Hopfield模型、传统BP模型和融合模型的计算精度。结果表明，Hopfield模型的均方根误差（RMSE）为35.31 mm，传统BP模型为30.34 mm，融合模型为23.31 mm。     

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)。     

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。     

基于再分析资料ERA5的对流层延迟估计方法及精度评估

提出基于再分析资料ERA5的天顶对流层延迟计算方法,使用中国大陆构造环境监测网络提供的26个GNSS测站2017年全年数据,评估由该方法计算的天顶对流层延迟的精度,并与前一代再分析资料ERA-Interim的计算结果进行对比分析。结果显示,ERA5计算的天顶对流层延迟均方根误差比ERA-Interim计算结果低,表明新一代产品的精度有明显提升。     

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。     

长三角地区GNSS可降水量直接转换模型研究

为简化GNSS大气可降水量(PWV)的计算过程,提高GNSS-PWV实时解算效率,利用2017~2018年长三角地区7个GNSS测站数据,分析GNSS-PWV与对流层延迟(ZTD)、地面气温(T)、地面气压(P)之间的线性关系,通过线性拟合建立PWV直接转换区域模型。实验结果表明：1）PWV与ZTD、P和T之间具有良好的相关性,相关系数分别为0.99、-0.74和0.73;2）基于ZTD的全年单因子PWV模型的RMS为3.07 mm,基于ZTD和T的全年双因子PWV模型RMS为2.35 mm,基于ZTD和P的全年双因子PWV模型RMS为1.18 mm,基于ZTD、T和P的全年多因子PWV模型RMS为0.47 mm,基于ZTD、T和P的分季节多因子PWV模型的平均RMS为0.28 mm,后者预测精度略优。     

中国东南沿海地区PWV直接转换模型研究

针对东南沿海地区GNSS大气可降水量(PWV)计算过程参数多、数据量大、效率不高且易产生累积误差等问题,本文基于中国东南沿海地区2017~2018年18个CORS站的GNSS数据,分析GNSS-PWV与对流层延迟(ZTD)、地面气温(T_s)和地面大气压(P_s)之间的线性关系,并利用多元线性拟合方法建立多因子GNSS-PWV直接转换模型,为研究区提供简捷高效的PWV计算方法。结果表明,GNSS-PWV与ZTD、P_s和T_s之间具有良好的相关性,相关系数分别为0.98、－0.65和0.78;基于ZTD、P_s和T_s的多因子PWV模型RMS为0.33 mm,精度最高,明显优于基于ZTD的单因子PWV模型（4.66 mm）,而基于ZTD和P_s的双因子PWV模型RMS为0.50 mm。     

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。     

���޵���EGNOS�춥�������ӳ�ģ�͵ľ�������

???????????48??IGS?2009-2011??????????????????ZTD?????????????EGNOS???????ZTD???????????????????????1??????????????????IGS?????ZTD??EGNOS???????ZTD???????????????-0.18 cm??5.98 cm?????й?????????0.81 cm??6.13 cm??2????????????????????????仯????????????????＾??С??????????????????????С??3????????????????γ?????仯???????????????????????????γ????????????????????????????????γ????????????????????仯????С??4:???????????γ?????????????????????????????????仯?????