云贵川地区ZTD垂直剖面格网模型

利用ERA5大气再分析资料研究ZTD高程尺度因子的精细时间变化特征,构建顾及高程尺度因子精细时间变化的云贵川地区ZTD垂直剖面格网模型(YZTD-H模型)。以云贵川地区探空站分层ZTD数据作为参考值,检验YZTD-H模型的精度,并将其与GPT2w模型和GPT3模型进行比较。结果表明,顾及精细时间变化和垂直剖面变化的YZTD-H模型在时间维度和垂直剖面维度上均表现出较好的稳定性。     

基于MLP神经网络的大气加权平均温度模型

以中国西南地区2015~2017年探空数据为实验数据,使用多层感知器（MLP）神经网络回归方法建立西南地区的加权平均温度(T_m)模型。将气象参数（地表温度、水汽压）和非气象参数（高程、纬度和年积日）作为模型输入因子,由数值积分法计算得到的T_m作为学习目标,通过神经网络模型进行迭代训练从而得到中国西南地区的T_m。以2018年探空站T_m数据为参考值,对MLP模型精度进行验证,并与Bevis模型和GPT3模型进行对比分析。结果表明,MLP模型的年均RMSE和年均bias分别为1.99 K和0.15 K,比Bevis模型、GPT3模型年均RMSE分别降低1.36 K(40.6%)和1.51 K(43.1%),年均bias分别下降0.70 K（82.4%）和1.04 K（87.4%）,且该模型在中国西南区域不同高程、纬度和季节的精度与稳定性优于Bevis模型和GPT3模型。     

PSO-BP神经网络大气加权平均温度模型构建

针对现有T_m模型建模方法多为基于最小二乘线性回归方法以致于模型精度有待提高的问题，该文以中国西北地区2015—2017年的24个探空站的探空数据作为实验数据，在中国西北地区使用粒子群优化BP神经网络(PSO-BP)回归方法建立大气加权平均温度(T_m)模型：将地表温度、水气压、纬度、高程和时间变化等影响因素作为模型输入因子，将数值积分法所计算得到的T_m作为学习目标，利用神经网络模型进行迭代训练得到中国西北地区的T_m。以2018年探空站T_m数据为参考值，对PSO-BP模型精度进行验证，并与Bevis模型、GPT3模型和中国西部地区T_m模型进行比较。结果表明，PSO-BP模型的年均RMSE和年均bias分别为2.71 K和0.35 K,相比Bevis模型、GPT3模型和中国西部地区T_m模型年均RMSE分别降低了1.36 K(33.4%)、1.81 K(39.5%)和1.78 K(39.1%),年均bias分别下降了0.70 K(87.7%)...