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%.      

一种基于遗传算法和BP神经网络的对流层延迟改正模型

对流层延迟是影响全球卫星导航系统定位精度的主要因素之一。针对全球气象数据建立的对流层延迟改正模型区域精度较低这一问题,文中基于遗传算法和BP神经网络技术,在EGNOS模型基础上建立一个高精度的区域融合模型(GA-BPEGNOS模型)。选取北美洲2010—2014年41个观测站点,以国际GNSS服务中心的对流层产品作为真值,分析比较EGNOS模型和融合模型的对流层天顶延迟。研究表明,EGNOS模型的均方根误差为80.38mm,融合模型的均方根误差为34.44 mm。与EGNOS模型相比,融合模型的精度提高约57%,取得满意效果。     

PSO优化LSTM时间序列的桥梁变形预测

针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低，预测效果能力弱等问题，利用粒子群算法(PSO)对LSTM模型的参数进行优化，提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明：与LSTM模型和反向传播(BP)神经网络模型进行对比分析，在拟合能力方面等具有改进效果，所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。     

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。     

京津冀地区GNSS对流层延迟空间插值研究

对流层延迟差异影响合成孔径雷达干涉测量技术(InSAR)形变测量精度;水汽的变化影响天气变化．对流层延迟与水汽具有较好的对应,因此有必要开展全球导航卫星系统(GNSS)对流层延迟的插值研究．以京津冀地区为例,针对GNSS对流层延迟,开展对流层延迟的空间插值研究．首先开展了GNSS对流层延迟与水汽的比较分析,两者存在显著正相关特性,相关性超过91.7％,论证了对流层延迟取代水汽的可行性．然后利用反距离权重法对京津冀地区2016年9月至2017年8月的12组GNSS测站对流层延迟进行空间插值,通过提取插值点对流层延迟与GNSS站点对流层延迟比较验证空间插值精度．全年数据平均偏差最大为1.12 cm,均方根误差最大为0.89 cm;未发生降水过程平均偏差最大为1.25 cm,均方根误差最大为0.82 cm;发生降水过程平均偏差最大为1.08 cm,均方根误差最大为1.38 cm．京津冀平原区域的GNSS对流层延迟空间插值结果精度满足气象等应用要求,可为气象预报和InSAR大气校正提供参考.      

基于BP神经网络的霍普菲尔德模型改进研究

为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。     

基于北斗的精密单点定位估计对流层天顶延迟精度分析

通过全球导航卫星（GNSS）系统获取对流层天顶延迟对于气象和电波折射修正具有重要应用价值。利用自主研发的静态精密单点定位软件CRPPP,基于国际GNSS地球动力学服务局（IGS）发布的北斗系统（BDS）精密星历和精密钟差,给出了BDS估算天顶延迟结果。以IGS发布的全球定位系统（GPS）结果为参考对比,BDS估算天顶延迟结果平均偏差优于5mm,均方根误差（rms）优于2．3cm．同时,给出了西沙地区GPS与BDS估计结果,结果表明：利用北斗系统估计的对流层天顶延迟精度与GPS相当。     

遗传算法优化的GPS对流层延迟内插算法

为了提高对流层延迟的插值精度,文章采用安徽省电力系统10个CORS基站的对流层延迟作为训练数据,8个CORS站的对流层延迟作为测试数据,建立一种基于遗传算法和BP神经网络的区域GPS对流层延迟内插方法(GABP),利用遗传算法优化BP神经网络权值和阈值的模型,该模型只需要输入测站点的经纬度和高程值。数据处理结果表明,在区域GPS对流层延迟预测中GA-BP模型是一种预测精度比较高的方法。     

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。     

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...     

基于深度置信网络的GNSS-IR土壤湿度反演

基于大地测量型GNSS接收机获取的反射信号反演土壤湿度是GNSS领域的研究热点。为克服常规线性回归和BP神经网络算法等的缺陷，本文提出了一种基于深度置信网络的GNSS-IR土壤湿度反演方法。试验结果表明，基于该方法得到的决定系数、土壤湿度平均绝对误差和均方根误差分别为0.909 8、0.017、0.021，与线性回归和BP神经网络算法相比，与实测数据吻合度更高，可有效提高土壤湿度反演精度，证明了方法的有效性和可靠性。     

结合注意力机制和Bi-LSTM的降雨型滑坡位移预测

受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。     

GGOS对流层延迟产品精度分析及在PPP中的应用

对流层延迟是卫星导航定位的主要误差源,GNSS广域增强需要高精度的对流层延迟产品进行误差修正。对流层延迟可通过GNSS进行实时估计,也可通过融合多源数据的数值气象预报模型获取。IGS发布的全球对流层天顶延迟产品由GNSS解算,其精度可达4mm,时间分辨率为5min,但其分布不均匀,在广袤的海洋区域无数据覆盖。GGOS Atmosphere基于ECMWF 40年再分析资料,可提供1979年以来时间分辨率为6h、空间分辨率为2.5°×2°的全球天顶对流层总延迟格网数据。本文通过2015年全球IGS测站的ZTD资料对GGOS的ZTD产品进行了评估,研究了GGOS Atmosphere对流层延迟产品与IGS发布ZTD资料之间的系统差,通过线性拟合估计出每个测站GGOS-ZTD与IGSZTD系统差系数(包括比例误差a和固定误差b),然后对比例误差a、固定误差b进行球谐展开,建立了两种ZTD数据源之间的系统差模型。选取IGS测站和陆态网测站,对附加系统偏差改正后的GGOSZTD产品对PPP的收敛速度的影响进行研究。本文研究结果表明:GGOS-ZTD与IGS-ZTD间存在系统偏差,其bias平均为-0.54cm;两者之间较差的RMS平均为1.31cm,说明GGOS-ZTD产品足以满足广大GNSS导航定位用户对对流层延迟改正的需要。将改正了系统差后的GGOS-ZTD产品用于ALBH、DEAR、ISPA测站、PALM测站、ADIS测站、YNMH测站、WUHN测站进行PPP试验,发现可明显提高定位收敛速度,尤其是在U方向上,收敛速度分别提高10.58%、31.68%、15.96%、43.89%、51.46%、14.69%、18.40%。     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。     

Impact of tropospheric modelling on GNSS vertical precision: an empirical analysis based on a local active network

The troposphere affects Global Navigation Satellite System (GNSS) signals due to the variability of the refractive index. Tropospheric delay is a function of the satellite elevation angle and the altitude of the GNSS receiver and depends on the atmospheric parameters. If the residual tropospheric delay is not modelled carefully a bias error will occur in the vertical component. In order to analyse the precise altimetric positioning based on a local active network, four scenarios in Southern Spain with different topographical, environmental, and meteorological conditions are presented, considering both favourable and non-favourable conditions. The use of surface meteorological observations allows us to take into account the tropospheric conditions instead of a standard atmosphere, but introduces a residual tropospheric bias which reduces the accuracy of precise GNSS positioning. Thus, with short observation times it is recommended not to estimate troposphere parameters, but to use an a priori model together with the standard atmosphere. The results confirm that it is possible to achieve centimetre-scale vertical accuracy and precision with real time kinematic positioning even with large elevation differences with respect to the nearest reference stations. These numerical results may be taken into consideration for improving the altimetric configuration of the local active network.