排序方式: 共有88条查询结果,搜索用时 15 毫秒
31.
在地基GPS气象学中,湿延迟(zenithwetdelay,ZWD)与可降水量(precipitablewatervapor,PWV)的转换系数犓是一个重要的参数?疚睦弥泄臀扯鹊厍ǎ玻埃埃场悖巍玻福病悖危玻案鎏娇照荆玻埃埃浮玻埃保蹦甑奶娇帐荩治隽藸酥邓娌庹疚扯群秃0蔚谋浠卣鳎⒔⒘艘恢治扌枵镜闫笫?仅与站点纬度、年积日和海拔相关的区域转换系数犓值腜汀=峁砻鳎髡酒骄鶢酥捣直鹚嫖扯取⒑0蔚脑龃蠖跣?减小速率分别为0.0002/(°)和0.002/km;本文建立的区域模型的精度与单站模型或者通过加权平均温度(犜犿)获得的转换系数犓值的精度相当,可用于该区域无气象数据条件下GPS反演PWV 相似文献
32.
33.
石一凡刘立龙兰胜伟张清岚李浩杰 《大地测量与地球动力学》2023,(12):1300-1306
结合粒子群优化算法和BP神经网络,利用中国区域88个探空站2015-2017年的数据,以地表温度、地表水汽压、纬度、高程、年积日作为模型输入因子,以积分法获得的Tm值为学习目标,建立适用于中国区域的Tm模型PSOTM。以2018年探空数据为参考值评定PSOTM模型精度,并与Bevis、GPT3、传统BP神经网络(BPTM)、GRNN神经网络(GRNNTM)模型的计算结果进行对比。结果表明,PSOTM模型年均RMSE为3.08 K,相对于Bevis、GPT3、BPTM和GRNNTM模型分别降低26.84%、35.97%、15.38%和4.94%;PSOTM模型年均bias为0.32 K,相对于Bevis、GPT3和BPTM模型分别降低68.93%、82.42%和72.41%,较GRNNTM模型升高37.50%。PSOTM模型在中国区域不同纬度和高程的精度与稳定性优于Bevis、GPT3和BPTM模型,具有良好的适用性。 相似文献
34.
35.
太阳活跃期受太阳风高能粒子影响易发生磁暴,使得电离层总电子含量异常扰动,其非平稳性与非线性特征较平静期明显增强。分别利用2011年区域内多个测站的实测数据与IGS(International GNSS Service)发布的全球电离层模型(global ionosphere model,GIM)进行逐点建模,选取db4小波基对样本序列进行分解后,采用时间序列模型对各分量进行预报并重构,实现对ARIMA(auto regressive integrated moving average)模型的改进。通过分析ARIMA模型与改进模型预报值的残差比例和实验区域内均方根误差的分布情况,来评定改进模型的预报精度与适用性。结果表明,改进模型的残差与实验区域内的均方根误差较ARIMA模型总体减小,且该模型对区域内均方根误差峰值能起到较大的削弱作用。 相似文献
36.
37.
针对北京地区地表沉降现象,本文采用时序InSAR方法获取了2018—2020年的沉降速率场与累计沉降量场,并选取特征区域及不同空间跨度的两条地铁线路进行具体沉降分析。结果表明:①北京地区不均匀沉降现象较为明显,总体呈现西部抬升、东部沉降的空间分布特征;②存在3个较明显的沉降漏斗,最大累计沉降量达-218.5 mm;③朝阳区存在金盏沉降漏斗及豆各庄沉降漏斗,且两个沉降漏斗在本文研究时间跨度内均呈扩大趋势;④地铁5、6号线均存在不同程度的沉降与抬升现象,沉降现象与地下水及地下空间的过度开采存在一定的关系,而地区抬升现象与南水北调工程对地下水的补充存在相关关系。 相似文献
38.
39.
采用中国区域2017~2018年与GNSS站并址的49个探空站资料对GPT3模型估算的气象参数的精度进行评估,再利用49个GNSS站结合GPT3模型估算的气象参数反演日均大气可降水量PWV,并采用与GNSS站并址的探空站数据对其精度进行评定。实验得出:1)在中国地区,1°分辨率的GPT3模型的精度和稳定性优于5°分辨率,其气压、气温和大气加权平均温度Tm的偏差均值分别为0.73 hPa、1.34 K和-1.67 K,均方根误差均值分别为4.21 hPa、3.75 K和4.15 K;2)利用GPT3模型提供的气温结合Bevis经验公式反演的PWV与GPT3模型提供的Tm反演的PWV精度相当,且2种方法反演的PWV和探空资料实测地表温度反演的PWV呈现很好的一致性,在我国青藏高原和西北地区反演PWV的精度优于我国南方和北方地区。 相似文献
40.
对流层湿延迟是GNSS误差源较难改正的部分。主流的天顶湿延迟(ZWD)经验模型大多基于单源数据,如探空数据或再分析资料的一种,且通过预设模型函数表征ZWD在不同尺度上的变化,难以准确描述ZWD在不同尺度上的非线性复杂变化,精度有待进一步提高。针对此问题,基于多源数据和具有强大非线性逼近能力的广义回归神经网络(GRNN),构建了一种ZWD预报模型。首先,采用GRNN模型优化和降采样两种不同数据源的格网ZWD,并将其与探空ZWD合并,获取高质量的ZWD数据集;然后,根据ZWD受时空影响较大的特点和机器学习的特点,设计了GRNN训练模型的输入变量和输出变量;最后,采用后验寻优的方法确定模型参数,进而获得最优的预报模型。经探空ZWD验证,相比国际典范经验模型GPT2w,模型的精度提高了25.3%(以RMS计);相对同方法单源(探空)数据模型,精度改善了11.1%;且模型的预报精度具有良好的时空稳定性。此外,计算效率和PPP应用试验结果表明,模型的计算效率可满足GNSS实时应用的需求,且应用于PPP的改进效果优于GPT2w。本文所提方法无须预设模型函数即可获得较高的ZWD预报精度,为ZWD模型化提供了一种思路。 相似文献