不同对流层天顶延迟模型在中国西北地区适应性研究

基于Fortran语言对GAMIT10.7软件进行二次开发,实现了Hopfield模型、Saastamoinen模型、Black模型、UNB3模型、EGNOS模型、GPT2w_1+Saastamoinen模型和GPT2w_5+Saastamoinen模型在中国西北地区的对流层延迟解算服务,并分析不同对流层延迟模型在西北地区的适应性问题。实验表明,在实测气象数据模型中,Saastamoinen模型在中国西北地区获取的天顶对流层延迟精度最高,各个测站平均bias值和RMS值分别是-1.67 cm、3.83 cm;Hopfield模型和Black模型精度相当。在非实测气象数据模型中,GPT2w_1+Saastamoinen模型精度最高,GPT2w_5+Saastamoinen模型次之,EGNOS模型最低。不同对流层延迟模型的精度均受季节变化影响,夏季bias的绝对值和RMS值最大,冬季最小,春季和秋季结果相当。     

GPT3模型在安徽地区的性能

基于安徽省23个CORS站数据解算天顶对流层延迟(ZTD),评估GPT3+Hopfield和GPT3+Saastamoinen两种对流层组合模型的适用性,并利用探空数据分析GPT3模型估计大气加权平均温度(T_m)和反演大气可降水量(PWV)的精度。结果表明：1)GPT3+Saastamoinen组合模型的ZTD精度优于GPT3+Hopfield组合模型,GPT3模型的ZTD精度具有显著的时空分布特征,皖南精度低于皖北,且春、冬季精度优于夏、秋季;2)在安徽地区,GPT3模型2种格网分辨率的T_m精度基本相当,平均偏差在-2.0 K左右,RMS值在4.5 K左右;3)在安徽地区,基于GPT3模型气象参数反演的PWV(GPT3-PWV)与探空站的PWV有较高的一致性,且同样具有时空变化特征,由皖南向皖北逐渐降低,夏季最大、冬季最小。     

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。     

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)。     

对流层模型评估及其在GNSS精密单点定位中的应用

以水汽辐射计（WVR）精确测定的天顶方向延迟值作为参考,评估Saastamoinen、GPT2、EGNOS、UNB3M四种常用对流层模型在上海地区的改正精度;并将WVR观测值及以上4种对流层模型计算的对流层延迟值作为真值应用到GNSS精密单点定位（PPP）中,评估其对定位精度的影响。比较发现,GPT2模型的对流层改正精度比其余3种要好,其天顶干延迟（ZHD）的偏差均值与中误差分别为-0.11 cm、±0.75 cm,天顶湿延迟（ZWD）的平均偏差与中误差分别为-2.34 cm、±7.67 cm;和传统的PPP结果相比,采用WVR对流层观测值的定位精度提高了16%。     

基于ECMWF再分析地表资料计算中国区域ZTD的精度分析

利用ECMWF再分析地表资料，结合GPT2w模型提供的水汽递减率和温度递减率计算中国区域对流层延迟值的精度。首先，以中国地区75个探空站2015年地表实测气象参数为参考值，利用ECMWF地表资料得到的气象参数（P，T，e）的精度分别为1.76 hPa、1.96 K、1.98 hPa。然后，以相同测站2010~2015年探空站分层数据算得的ZTD为参考值，对ECMWF地表资料计算的ZTD的精度进行分析，并与利用探空仪地面观测数据为输入参数计算的ZTD的精度进行对比。结果显示，利用ECMWF地表资料计算的ZTD的平均bias为0.07 cm，平均RMS为3.72 cm，在低纬度地区优于利用探空仪地面观测数据为输入参数计算的ZTD的结果。以陆态网237个GNSS测站2015年的ZTD作为参考值，比对利用ECMWF地表资料计算的ZTD的精度，结果为3.41 cm。由此可知，ECMWF地面资料计算的ZTD的精度能满足普通用户对流层延迟的计算需求，可用于缺少气象参数的测站进行对流层延迟值的计算及其他相关应用。     

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GPT2w模型计算中国地区对流层加权平均温度的精度分析

以2015年GGOS Atmosphere格网产品和探空站资料为参考值，评价GPT2w模型在中国地区计算对流层加权平均温度Tm的精度和适用性。结果表明：1）在中国地区，1°分辨率的GPT2w模型精度和稳定性优于5°分辨率，且GPT2w模型表现出显著的系统性误差；2）Tm的bias和RMS误差均具有明显的时空变化特性，季节变化表现为春冬季较大、夏季较小，空间变化上RMS误差表现为随纬度增加而变大；3）受地形起伏和Tm日周期变化影响，Tm在中国西部和东北地区误差较大。
     

基于GPT3模型的ZTD及PWV反演精度分析

使用亚洲区域18个IGS测站和中国区域内16个探空站2016~2018年的数据,研究GPT3模型反演天顶对流层延迟（ZTD）和大气可降水量（PWV）的精度,并与其他GPT系列模型进行对比。结果表明,GPT3-1模型估计的ZTD的bias均值和最大值均最小,分别为1.34 mm和14.06 mm;GPT3模型整体精度略优于GPT2w模型,优于GPT2模型。探空站处GPT3模型反演的PWV的bias和RMSE均表现出较强的季节性特征;由GPT3模型反演的PWV的月均值可知,GPT3-1模型比GPT3-5模型具有更高的精度和稳定性。     

实时格网对流层模型在中国区域的适用性分析

利用无线电探空数据，对格网对流层模型GPT2w、IGGtrop及GTPs在中国区域的适用性进行分析。结果显示，GPT2w和IGGtrop在地表附近精度相当，RMS为4.0~4.2 cm，西部地区精度优于东部，东南沿海精度最差，夏季精度明显低于冬季，在中西部地区分辨率低的模型可能会产生异常偏差；GPT2w模型明显存在系统性偏差，中西部为正，东南部为负；3 km高度以上，IGGtrop模型精度明显优于GPT2w模型，且随高度增加精度保持稳定。在飞行器定位导航中，建议采用IGGtrop模型修正ZTD误差。GTPs模型时间分辨率高，精度明显优于传统的经验模型，尤其在东南沿海ZTD变化剧烈的区域，但由于其依赖于外部数据源，部分区域无法使用。     

对流层经验模型在中国VLBI站上的优化分析

利用2010~2012年的IGS天顶对流层延迟(ZTD)序列、ERA5格网数据积分ZTD序列,在中国4个VLBI站点上对目前常用的经验模型进行优化,分别建立Local_ERA和Local_ZTD模型。基于2013~2014年IGS并址站点ZTD数据,将改进后的2种模型与全球GPT2w模型、SHAO-Gm模型进行对比。结果表明,改进后的Local_ERA、Local_ZTD模型精度相近,相对于GPT2w、SHAO-Gm模型平均精度在4个VLBI站点上都有提高,尤其在水汽季节性变化较强的北京站改进效果明显;其中Local_ERA平均精度略高于Local_ZTD,比GPT2w模型精度提高7.90%,比SHAO-Gm模型精度提高21.26%。     

���޵���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?????     

����������ʪ�ӳٽ�ģ

?????????????????????????????????????????????????CORS??????????????????????????????????????????????????????????????????о??????????????????????????????????????????????????????????UNB3????????????