大气再分析资料反演对流层延迟精度分析

针对传统对流层延迟模型在复杂山区大高差环境下误差过大的问题，该文对欧洲中期天气预报中心的ERA5大气再分析资料反演的天顶对流层延迟精度进行分析，其中ERA5 ZTD由积分法+Saastamoinen模型求得。结果表明：以精密单点定位模糊度固定估计的ZTD为参考，ERA5 ZTD平均偏差绝对值为3.8 mm,总平均均方根误差为10.5 mm。北半球夏季偏差与均方根误差最大，冬季最小，南半球反之。并址站间的日内变化趋势相同，与PPP-AR ZTD变化趋势符合性较好，且呈现明显的日内周期性变化。ERA5 ZTD均方根误差由赤道向两极呈递减趋势，不同测站高程处ZTD精度与高程无明显关系，整体表现出较高精度。总体上，ERA5 ZTD能够满足在复杂山区大高差环境下的对流层延迟误差要求，可作为数据源进行区域对流层建模。     

一种基于机器学习算法的区域/单站ZTD组合预测模型

针对天顶对流层总延迟(ZTD)具有一定的时空变化特性,提出了一种基于BP神经网络、长短期记忆网络(LSTM)算法的区域/单站ZTD组合预测模型. 以连续14天香港连续运行参考站(CORS)网络18个监测站观测数据为例,利用BP神经网络、LSTM及本文算法进行了区域、单站及二者组合ZTD预测模型研究. HKWS测站的预测结果表明:利用前13天数据预报第14天数据,区域、单站、组合模型ZTD预测的均方根误差（RMSE）分别为10.2 mm、10.4 mm、8.5 mm,组合模型相对于区域、单站模型预测精度分别提升了17.2%、18.4%.      

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。     

耦合PSO与扩展RBF神经网络估计NWM模型ZTD计算精度EI北大核心CSCD

针对基于数值气象模型获取的对流层天顶延迟精度估计依赖外部基准的问题,本文构建耦合了粒子群算法与扩展径向基函数神经网络的ZTD精度估计模型,模型样本特征集利用NWM自身气象数据和地形特征数据构建,目标集以GNSS ZTD产品为参考值构建,模型规模结构通过层次聚类和模糊C均值聚类确定,模型参数通过粒子群算法优化。以欧洲中期天气预报中心提供的ERA5气压分层产品为NWM特例进行了模型训练和结果验证。结果表明,模型估计精度和泛化能力较好,平均估计精度优于4 mm,可在任意位置实现不依赖于外部参考基准的ZTD精度估计。     

融合大气数值模式的高精度对流层天顶延迟计算方法

针对现有对流层天顶延迟模型改正法因水汽参数难以精确获取所导致的时空分辨率与精度上的不足问题，提出了一种融合WRF（weather research and forecasting model）大气数值模式的对流层天顶延迟估计方法。通过分析WRF模式的数值模拟机理及其数据结构特征，采用直接积分与模型改正相结合的混合计算方式，实现了全球任意位置上小时级的对流层天顶延迟估计。验证结果表明，该方法计算的小时级ZTD再分析值精度为13.6 mm，日均值精度更是可达9.3 mm，比传统模型UNB3m的49.6 mm以及目前标称精度最高模型GPT2w的34.6 mm，精度分别提高了约5倍和3.5倍。在30 h的预报时段内，预报值精度也可达22 mm。无论是ZTD再分析值还是预报值比现有模型的估计值精度均有明显提高。     

基于MGEX站多系统GNSS反演大气可降水量精度评估

2020年6月北斗卫星导航系统(BDS)完成全面组网,为分析其解算水汽信息的精度,选用15个MGEX (Multi-GNSS Experiment)测站2021年10月至11月的观测数据进行水汽反演. 利用GAMIT软件分别解算BDS、GPS、Galileo和GLONASS的观测数据,将得到的对流层天顶延迟(ZTD)与国际GNSS服务(IGS)发布的结果进行对比,并将解算的大气可降水量(PWV)分别与探空数据、ERA5数据计算得到的PWV对比. 实验结果表明:截止高度角设置为5°时,4个卫星系统估计的ZTD均方根 (RMS)均小于13 mm,GPS-PWV、BDS-PWV、Galileo-PWV、GLONASS-PWV与无线电探空可降水量(RS-PWV)相比,RMS平均值分别为2.25 mm、2.46 mm、2.52 mm和2.84 mm,RMS均小于3 mm;与ERA5-PWV相比,RMS平均值分别为1.63 mm、1.86 mm、1.76 mm和1.99 mm,RMS均小于2 mm. GPS探测水汽的精度最高,BDS探测水汽的精度低于GPS和Galileo,高于GLONASS,均满足气象学应用需求.      

一种改进的低纬度地区NWP反演ZTD积分模型

针对数值天气预报(NWP)模型在低纬度地区反演对流层延迟(ZTD)精度较差的问题,该文在原有积分模型的基础上,从考虑重力变化、统一高程系统、补偿缺失数据和分段积分4个方面着手提出了一种改进的积分模型,并采用低纬度地区108个IGS站点2018年全年的ERA-interim大气等压面数据及IGS ZTD数据进行实验以评估此改正积分模型的性能。结果表明,改进的积分方法较传统的积分方法精度高,具体表现为测站ZTD平均残差减小约80.93%,RMS平均减小约17.57%。此外,本文比较了5种插值方法估计NWP反演的GNSS ZTD的精度,结果表明在低纬度地区利用克里金插值和反距离权重插值得到的ZTD精度优于其他插值方法。     

黄土高原地区PWV影响因素分析及精度评定

大气水汽是对流层的重要组成部分之一,研究影响水汽的因素及精度具有重要意义。主要研究黄土高原地区大气可降水量（precipitable water vapor, PWV）的影响因素,并对其实际精度进行评估。首先,对ERA5（the fifth-generation atmospheric reanalysis data of ECMWF）的气压、气温数据和全球导航卫星系统（global navigation satellite system, GNSS）获取的天顶对流层延迟（zenith troposphere delay, ZTD）进行评定;然后,依据ERA5的气压、气温数据和GNSS的ZTD数据计算1 h分辨率的PWV,并利用误差传播理论推导PWV的理论误差; 最后, 与PWV实际计算误差进行对比,分析黄土高原地区PWV的精度。结果表明,基于GAMIT/GLOBK软件获得的GNSS ZTD与PANDA软件解算的GNSS ZTD差值的均方根（root mean square, RMS）和Bias分别为4.05 mm和-0.46 mm;ERA5气压和气温的平均RMS和Bias分别为3.36 hPa/1.97 K和-0.01 ?hPa/0.04 K;黄土高原地区PWV的理论误差为1.51 mm,实际误差为1.94 mm。计算得到的PWV精度较高,对水汽分布以及气候监测的研究具有重要意义。     

利用GPT3模型的GNSS⁃PWV计算方法北大核心CSCD

针对部分GNSS测站缺乏实测气象参数时无法实时计算可降水量(PWV)的问题,本文以长三角地区为例提出一种将GPT3模型参数与GNSS对流层总延迟(ZTD)融合获取高精度PWV的新方法。研究结果表明,GPT3模型的气象参数和各类对流层延迟参数在长三角地区具有较好的稳定性和精度,融合GPT3模型的干延迟(ZHD)、加权平均温度(Tm)和GNSS⁃ZTD所得PWV的RMS为3.56 mm,接近GNSS⁃PWV的3.74 mm,远优于GPT3⁃PWV的11.12 mm。     

基于相空间重构和高斯过程回归的对流层延迟预测

天顶对流层延迟(zenith tropospheric delay,ZTD)是影响GPS定位精度的关键因素,为了提高ZTD的预测精度,提出一种基于相空间重构的高斯过程回归预测模型。针对ZTD时间序列的混沌特性,利用国际GNSS服务(International GNSS Service,IGS)站提供的ZTD数据,采用Cao方法确定嵌入维数,对ZTD数据进行相空间重构,探究高斯过程(Gaussian process,GP)模型对12个位于南、北半球不同纬度等级IGS站的ZTD预测精度和准确性。为了验证GP模型的有效性,将预测结果分别与原始数据和反向传播(back propagation,BP)神经网络模型预测结果作对比分析,进一步探究不同时间对ZTD预测精度的影响,并分析了经度和海拔对ZTD预测精度的影响。结果表明,GP模型预测结果的均方根误差(root mean square error,RMSE)达到mm级,GP模型与理论值的相关性达到0.997,预测精度指标明显优于BP神经网络模型;GP模型在南半球的预测精度高于北半球,且在高纬地区的RMSE小于3.6 mm,更适用于高纬地区的对流层延迟预测;在研究时域内,GP模型在大部分站点对晚上的预测精度高于白天,经度对ZTD预测精度的影响不明显,海拔与ZTD预测精度呈正比。     

一种基于SARIMA的经验对流层延迟模型

为了减弱对流层延迟的影响,提高GNSS定位精度,探讨了在无气象参数的条件下,利用预测模型计算对流层延迟的可能性,并提出了一种经验对流层延迟预测模型,即基于季节性自回归移动平均模型（SARIMA）的对流层延迟预报方法。结合中国长春和上海两个地区的ZTD数据进行预测分析,预测结果表明：基于SARIMA的ZTD预报模型能够满足不同地区不同时段下的ZTD估计需求,是一种较高精度的ZTD预报方法。     

融合对流层模型及其在精密单点定位中的应用

受实测气象参数的限制，使用标准大气参数的传统对流层模型的精度并不高；使用参数估计法的精密对流层模型增加了观测方程的待估参数，影响收敛速度. 针对实测气象参数缺失的情况，提出一种融合对流层模型，使用两种非实测气象参数模型分别计算出平均海平面处和测站处的气象参数，再利用Saastamoinen模型经验公式求解天顶对流层延迟（ZTD）. 利用RTKLIB软件进行精密单点定位（PPP）实验. 提出的融合对流层模型摆脱了实测气象参数的限制，解算结果表明:使用该模型时，在东、北、天方向的定位精度分别比Saastamoinen模型提高16 mm、1 mm、2.2 mm，比MOPS模型提高13.8 mm、0.7 mm、1.6 mm，比GPT/UNB3m+Sa模型提高2.9 mm、0.4 mm、0.7 mm，在天、北方向的定位精度接近参数估计模型，实现了PPP定位精度的提高.      

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。