澳大利亚区域大气加权平均温度建模

大气加权平均温度T_m是计算水汽转换因子和大气可降水量的重要参数。利用2007—2017年全球大地观测系统(global geodetic observing system, GGOS) Atmosphere T_m格网数据和欧洲中尺度天气预报中心(European centre for medium-range weather forecasts, ECMWF) 2 m温度数据,建立一种适合澳大利亚区域、顾及T_m残差季节性和日周期变化的T_m模型——qTm。此外,采用2018年的GGOS Atmosphere T_m格网数据和探空资料对该模型进行评估。结果表明,qTm模型在澳大利亚区域具有较高的精度和适用性,与GGOS Atmosphere T_m相比,qTm模型的年均偏差(Bias)和均方根误差(root mean square error, RMSE)分别为－0.31 K和1.97 K,相对于GPT2w-1和GPT2w-5模型,RMSE分别提高21.8%和25.9%;qTm模型值与探空积分值更符合,模型的年均Bias和RMSE分别为－0.44 K和2.45 K,相比GPT2w-1和GPT2w-5模型分别提高10.2% 和11.8%。qTm模型可为澳大利亚区域提供精确的T_m值,为该区域大气水汽分析和厄尔尼诺现象研究提供基础。     

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。     

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。     

PSO-BP神经网络大气加权平均温度模型构建

针对现有T_m模型建模方法多为基于最小二乘线性回归方法以致于模型精度有待提高的问题，该文以中国西北地区2015—2017年的24个探空站的探空数据作为实验数据，在中国西北地区使用粒子群优化BP神经网络(PSO-BP)回归方法建立大气加权平均温度(T_m)模型：将地表温度、水气压、纬度、高程和时间变化等影响因素作为模型输入因子，将数值积分法所计算得到的T_m作为学习目标，利用神经网络模型进行迭代训练得到中国西北地区的T_m。以2018年探空站T_m数据为参考值，对PSO-BP模型精度进行验证，并与Bevis模型、GPT3模型和中国西部地区T_m模型进行比较。结果表明，PSO-BP模型的年均RMSE和年均bias分别为2.71 K和0.35 K,相比Bevis模型、GPT3模型和中国西部地区T_m模型年均RMSE分别降低了1.36 K(33.4%)、1.81 K(39.5%)和1.78 K(39.1%),年均bias分别下降了0.70 K(87.7%)...     

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.     

顾及日变化的山东省大气加权平均温度模型构建

联合使用无线电探空和数值气象模式数据,构建了顾及日变化特征的山东省大气加权平均温度模型。以ERA5积分T_m值为参考,对构建T_m模型用于山东省卫星定位连续运行综合应用服务系统(SDCORS)的精度和适用性进行了验证。结果表明：顾及日变化的山东省T_m模型基本消除了系统性偏差影响,均方根误差(RMSE)为3.0 K左右,较Bevis模型和Li模型分别提升24%和16%;且该模型具有良好的稳定性,在SDCORS各站点处的RMSE的最大变化为0.3 K,能够满足SDCORS的GNSS水汽反演应用需求。     

中国区域加权平均温度的时空分析及模型研究

加权平均温度(T_m)是全球卫星导航系统技术反演大气可降水量的关键参数,影响着水汽反演的精度。针对传统的Bevis模型运用在中国区域精度不高的问题,该文提出新的增加时空参数的T_m多元线性回归模型。根据2013—2015年中国86个探空站点的探空资料,分析了T_m的时空特征;然后根据2013年站点资料,利用线性回归建模方法建立了中国区域的T_m单因子回归模型和增加了时空参数的T_m多因子回归模型,并利用2014—2015年的探空数据进行验证。T_m单因子回归模型和T_m多因子回归模型的精度分别为3.1 K和2.6 K,比Bevis模型(精度3.3 K)分别提高了约6.0%和21.2%。考虑到季节对T_m的影响,将T_m多因子回归模型按季节分段,得到按季节分段的T_m多因子回归模型,其精度与T_m多因子回归模型大致相当,但能更细致表达出不同季节T_m的精度情况。结果表明增加了时空参数的T_m多因子回归模型更加适合中国区域的加权平均温度T_m的计算。     

小波去噪的广西加权平均温度插值研究

针对广西地区探空站稀少,难以获得精确的T_m问题,GGOS atmosphere提供了利用ECMWF的相关资料计算而得到的时间分辨率为6h(UTC 00:00:00,06:00:00,12:00:00,18:00:00)、空间分辨率为2.5°×2°的全球T_m格网数据可以在没有气象数据的情况下获得较高时空分辨率的T_m,该文利用GGOS atmosphere T_m格网数据对广西地区4个探空站插值T_m,并用无线电探空数据计算的T_m检验其精度;对误差进行分析后,选取最优小波基与尺度对其残差去噪,利用去噪后得到的曲线建立T_m的改正模型。实验结果表明,插值T_m经基于小波去噪的模型改正后,其RMSE为1.29K;Bevis模型的RMSE为10.71K;GPT2_1W模型的RMSE为3.56K;改正模型精度优于传统模型,可以达到地基GPS反演GNSS-PWV的精度要求。     

GGOS Atmosphere大气加权平均温度数据的精度检验与分析

GGOS Atmosphere提供了时间分辨率为6 h、空间分辨率为2.5°×2°的全球大气加权平均温度格网数据,该数据是利用ECMWF的相关资料计算得到的。利用全球的无线电探空资料和COSMIC掩星资料对该格网数据进行了验证和分析。检验结果表明,在全球范围内,该格网数据具有很高的精度,与无线电探空资料比较,年均RMS为1.96 K,与COSMIC掩星资料比较,年均RMS为1.91 K,与中国区域的无线电探空资料比较,年均RMS为2.24 K。此外,该格网数据在不同季节的精度有差异,但较小,不同纬度区域的精度也存在着一定的差异。     

顾及非线性高程归算的全球加权平均温度模型

加权平均温度（T_m）是全球导航卫星系统技术中反演可降水量的关键参数。利用欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的产品对T_m在垂直方向上的分布特性进行分析，并构建了一种新的全球T_m模型。利用ECMWF和无线电探空数据对该模型进行检验，并将其与现存的高精度T_m模型进行比较。实验结果显示，T_m在高程方向上存在非线性变化特征，而且该特征在高纬度地区特别是两极区域尤为明显。当利用ECMWF和探空数据检验构建的T_m模型时，其均方根误差分别为3.84 K和4.36 K，相比于现存的T_m模型精度分别提升了27%和20%。构建的模型可以显著提升T_m在垂直方向上的归算效果，由该模型计算出的T_m廓线与参考值更加接近。     

顾及垂直递减率的中国区域Tm格点产品空间插值

大气加权平均温度(T_m)是全球导航卫星系统(global navigation satellite system, GNSS)反演大气水汽(precipitation water vapor, PWV)的关键参数。当前已有T_m模型提供的T_m信息难以捕获其日周期变化,因此限制了其在高时间分辨率GNSS PWV估计中的精度。大气再分析资料可提供高时空分辨率的T_m格点产品,但是在使用时需要对其进行空间插值,且T_m在高程上的变化远大于其在水平方向上变化。同时,针对中国区域地形起伏大等特点,提出顾及垂直递减率的中国区域T_m格点产品空间插值方法,以分布于中国区域的2015年89个探空站资料为参考值,验证了提出的方法在全球大地测量观测系统大气中心T_m格点产品和美国国家航空和太空管理局提供的MERRA-2的T_m格点产品中的空间插值精度。结果表明：(1)在顾及垂直递减率的T_m格点产品空间插值中,反距离加权法的...     

不同饱和水汽压模型对GNSS反演可降水量的影响分析

地基全球卫星导航系统（GNSS）水汽反演过程中需要大气加权平均温度T_m的参与，而饱和水汽压E_s作为T_m计算过程中的一个重要变量影响着T_m，因此E_s将会间接地影响大气可降水量（PWV）的反演精度.针对目前地基GNSS水汽反演研究中普遍采用的三种不同的饱和水汽压模型（Magnus-Tetens模型、BUCK模型、Goff-Gratch模型），本文就不同的饱和水汽压模型参与反演是否会引起水汽反演结果的差异进行了研究.以香港为研究区域，利用GAMIT解算了2016年旱雨两季（2、7月）的天顶湿延迟（ZWD），同时利用king's park探空站的探空数据通过数值积分计算得到旱雨两季（2、7月）的T_m，然后严格参照反演步骤编程模拟计算旱雨两季（2、7月）每天的PWV.最后对比并分析了不同饱和水汽压模型参与计算对T_m和PWV的影响及原因，结果表明:三种饱和水汽压模型参与计算得到的PWV与真值（探空站计算得到的PWV）之间不存在具有统计意义的显著性差异，因此均可被用来提供计算T_m时所用到的饱和水汽压E_s，但是通过对比分析发现部分研究人员将BUCK模型中的变量T当作露点温度而非大气温度进行计算会使T_m产生较大的误差，进而对该误差进行了不合理性分析.本文的分析将会对后续地基GNSS水汽反演研究中的处理提供一定的参考.      

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。     

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。