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。     

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。     

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。     

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。     

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。     

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.     

GPT3模型中国区域大气剖面应用精度分析

对流层延迟是卫星导航定位最主要的误差来源之一，精确计算对流层延迟有助于模糊度的收敛及定位精度的提高。目前应用最广、精度最高的对流层经验模型是全球气压气温模型，为了验证GPT3模型计算中国区域地表至11 km大气剖面对流层延迟改正的精度，利用2011—2020年中国区域82个参与全球气象交换的测站的无线电探空数据，对GPT3的气压(P)、气温(T)、水汽压(E)以及加权平均温度(T_m)进行精度检验及分析，实验结果表明，GPT3模型精度受纬度和高程影响较大，其中GPT3-P和GPT3-T_m受纬度影响显著；GPT3-P在地表RMS为8.02 hPa,而在地表至11 km其RMS为20.01 hPa,说明模型地表精度要优于大气剖面精度，GPT3-T_m呈现同样的规律，而GPT3-T的地表以及地表至11 km的RMS分别为7.94 K、7.53 K,GPT3-E的RMS分别为2.42 hPa、1.97 hPa;模型在不同年积日的精度存在差异，呈现一定的季节特性，但其精度在长时间区间内没有明显变化。总体而言，GPT3模型在中国地区范围...     

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。     

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。     

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。     

利用中国区域MERRA-2资料计算ZTD和ZWD的精度分析

对流层延迟是影响高精度定位与导航的主要误差之一,也是全球导航卫星系统（global navigation satellite system,GNSS）水汽探测的关键参数。美国航空航天局发布了最新一代的大气再分析资料（MERRA-2资料）,其可用于计算高时空分辨率的对流层延迟产品,但是目前尚无文献对利用MERRA-2资料计算天顶对流层延迟（zenith tropospheric delay,ZTD）和天顶湿延迟（zenith wet delay,ZWD）的精度进行分析。因此,联合2015年中国陆态网214个GNSS站ZTD产品和分布于中国区域的87个探空站资料,对利用MERRA-2资料在中国区域计算ZTD/ZWD的精度进行评估。结果表明：（1）以陆态网ZTD为参考值,利用MERRA-2资料积分计算ZTD的年均偏差和均方根误差（root mean square error,RMSE）分别为0.32 cm和1.21 cm,且偏差和RMSE均表现出一定的季节变化,总体上呈现为夏季精度低、冬季精度高;在空间分布上,偏差随纬度和高程的变化趋势并不明显,但RMSE随纬度和高程的增加总体上呈现递减的趋...     

Modeling tropospheric wet delays with national GNSS reference network in China for BeiDou precise point positioning

During past decades, precise point positioning (PPP) has been proven to be a well-known positioning technique for centimeter or decimeter level accuracy. However, it needs long convergence time to get high-accuracy positioning, which limits the prospects of PPP, especially in real-time applications. It is expected that the PPP convergence time can be reduced by introducing high-quality external information, such as ionospheric or tropospheric corrections. In this study, several methods for tropospheric wet delays modeling over wide areas are investigated. A new, improved model is developed, applicable in real-time applications in China. Based on the GPT2w model, a modified parameter of zenith wet delay exponential decay wrt. height is introduced in the modeling of the real-time tropospheric delay. The accuracy of this tropospheric model and GPT2w model in different seasons is evaluated with cross-validation, the root mean square of the zenith troposphere delay (ZTD) is 1.2 and 3.6 cm on average, respectively. On the other hand, this new model proves to be better than the tropospheric modeling based on water-vapor scale height; it can accurately express tropospheric delays up to 10 km altitude, which potentially has benefits in many real-time applications. With the high-accuracy ZTD model, the augmented PPP convergence performance for BeiDou navigation satellite system (BDS) and GPS is evaluated. It shows that the contribution of the high-quality ZTD model on PPP convergence performance has relation with the constellation geometry. As BDS constellation geometry is poorer than GPS, the improvement for BDS PPP is more significant than that for GPS PPP. Compared with standard real-time PPP, the convergence time is reduced by 2–7 and 20–50% for the augmented BDS PPP, while GPS PPP only improves about 6 and 18% (on average), in horizontal and vertical directions, respectively. When GPS and BDS are combined, the geometry is greatly improved, which is good enough to get a reliable PPP solution, the augmentation PPP improves insignificantly comparing with standard PPP.     

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。     

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.      

Estimation and evaluation of real-time precipitable water vapor from GLONASS and GPS

The revitalized Russian GLONASS system provides new potential for real-time retrieval of zenith tropospheric delays (ZTD) and precipitable water vapor (PWV) in order to support time-critical meteorological applications such as nowcasting or severe weather event monitoring. In this study, we develop a method of real-time ZTD/PWV retrieval based on GLONASS and/or GPS observations. The performance of ZTD and PWV derived from GLONASS data using real-time precise point positioning (PPP) technique is carefully investigated and evaluated. The potential of combining GLONASS and GPS data for ZTD/PWV retrieving is assessed as well. The GLONASS and GPS observations of about half a year for 80 globally distributed stations from the IGS (International GNSS Service) network are processed. The results show that the real-time GLONASS ZTD series agree quite well with the GPS ZTD series in general: the RMS of ZTD differences is about 8 mm (about 1.2 mm in PWV). Furthermore, for an inter-technique validation, the real-time ZTD estimated from GLONASS-only, GPS-only, and the GPS/GLONASS combined solutions are compared with those derived from very long baseline interferometry (VLBI) at colocated GNSS/VLBI stations. The comparison shows that GLONASS can contribute to real-time meteorological applications, with almost the same accuracy as GPS. More accurate and reliable water vapor values, about 1.5–2.3 mm in PWV, can be achieved when GLONASS observations are combined with the GPS ones in the real-time PPP data processing. The comparison with radiosonde data further confirms the performance of GLONASS-derived real-time PWV and the benefit of adding GLONASS to stand-alone GPS processing.     

高纬度BDS/GPS PPP中的对流层延迟改正模型优选

由于高纬度地区气温气压值及变化率与中低纬度地区有较大差异,因此目前发布的多种对流层延迟模型在高纬度地区使用的精度会不同。为了给高纬度地区BDS/GPS用户提供更好的对流层延迟模型选择,文中采用UNB3,EGNOS和GPT2模型,以IGS发布的ZPD产品和SINEX文件作为参考,对比基于这三种对流层延迟模型计算的天顶对流层总延迟量以及精密单点定位精度,可知GPT2较UNB3和EGNOS在高纬度地区定位中有更好的精度表现。     

顾及气象数据的中国区域对流层延迟RBF神经网络优化模型

本文基于单层气象数据(ERA5单层数据、实测气象参数)和多层气象数据(ERA5气压层数据、COSMIC掩星数据),分别采取模型法和积分法获取了我国236个陆态网GNSS测站的ZTD值,即ERA5S_ZTD、MET_ZTD、ERA5P_ZTD、RO_ZTD。以GNSS_ZTD为参考,按月评估了上述4种ZTD估计值的精度,结果表明:4种ZTD估计值的月平均RMSE依次为42.8、53.6、16.1和62.3 mm,其中基于积分法估计的ERA5P_ZTD精度最高,采用模型法计算的ERA5S_ZTD和MET_ZTD次之,而利用积分法获取的RO_ZTD值精度较低。为进一步提升利用气象数据估计ZTD值的精度,本文提出了基于RBF神经网络的对流层延迟改进模型。计算结果表明:改进模型获得的4种ZTD值与GNSS_ZTD之间的月RMSE平均值分别为23.5、32.1、14.2和40.8 mm,精度较原有ZTD估计值提升43.4%,36.3%,10.0%和34.4%。整体而言,改进模型估计ZTD值精度提升效果明显,且提升率与测站分布的密集程度有关。