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。     

GPT2w模型在南极地区精度分析

GPT2w（global pressure and temperature 2 wet）是目前应用较为广泛的对流层延迟经验模型之一,可提供气压、温度、水汽压等气象参数。为验证和分析GPT2w模型在南极地区的精度,本文利用分布在南极区域的探空站数据和中国第33次南极科考期间的实测探空气球数据对模型气压、温度、水汽压参数进行分层精度检验。与探空站数据比较发现,在南极地区地面高度上,GPT2w模型精度较高,与全球其他区域精度较为一致;进一步通过对比1月和7月统计结果,发现Bias和RMS呈现出季节特性;同时发现模型在垂直方向存在较大误差,表现为随着高度的增加,精度随之下降并逐步趋于稳定。实测数据对比方面,首先利用ECMWF（European Centre for Medium-range Weather Forecasts）气压分层数据对实测数据的可靠性进行验证,结果显示,实测数据与ECMWF分层数据符合得较好;同时通过比对发现,GPT2w天内精度在地面高度上仍与月平均精度相当,但垂直方向随着高度的增加精度相比于暖季精度会有所下滑,说明未考虑日周期项变化对模型精度存在一定影响。用探空数据计算的对流层延迟（zenith tropospheric delay,ZTD）来分析GPT2w的计算精度,结果表明GPT2w在南极区域ZTD计算精度在厘米级,与全球其他位置计算精度相当。     

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...     

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。     

FY-4A GIIRS数据与ERA5再分析资料融合的中国区域大气加权平均温度模型EI北大核心CSCD

大气加权平均温度(T m)的精度直接影响全球导航卫星系统(GNSS)水汽反演的结果。针对现有T m模型的参数、建模数据源有待优化及模型构建时仅依赖于单个探空站点或单一格网点数据等问题,本文提出融合FY-4A GIIRS数据与ERA5再分析资料,在此基础上引入滑动窗口算法对融合数据进行处理同时顾及经度、纬度和高程因子构建空间分辨率为0.5°×0.5°的T m经验模型(FY-ET m模型)。采用偏差(Bias)和均方根误差(RMS)作为精度评定指标,联合未参与建模的2020年探空数据、ERA5再分析资料及天顶对流层延迟产品,对FY-ET m模型及其反演的大气可降水量进行精度评定。结果表明:以探空数据为参考值,FY-ET m模型的年均Bias、RMS分别为-0.02、5.79 K,相比较于Bevis和GPT3模型分别提高了3.62(Bias)、0.8(RMS)和2.54(Bias)、0.63 K(RMS);以ERA5再分析资料为参考值,FY-ET m模型的年均Bias、RMS分别为0.01、3.32 K,相比较于Bevis和GPT3模型分别提高了0.97(Bias)、0.13(RMS)和2.94(Bias)、1.71 K(RMS),同精度优异的GPT3模型相比,FY-ET m模型在中国西部和北部地区也表现出了明显的精度改善;以GNSS站点得到的PWV为参考值,FY-ET m模型反演的PWV与GNSS站得到的PWV值精度相当,Bias变化范围为-0.5~0.5 mm。FY-ET m模型准确度高稳定性良好,只需输入位置和时间信息就能获取目标点的T m,能够在GNSS水汽反演中发挥重要的作用。     

GPT／2模型用于 GPS 大气可降水汽反演的精度分析

气象参数(温度T、气压P)是GPS大气可降水汽(PWV)反演中必不可少的数据,也是PWV反演的重要误差源之一。文中主要对GPT/2(GPT、GPT2)模型用于PWV反演的精度进行验证和分析。基于非差精密单点定位(PPP)技术,选取SuomiNet网9个测站的观测数据,借助研制的PPP软件,分别采用GPT模型、改进的GPT2模型以及测站实测气象数据进行大气可降水汽(PWV)反演。以实测气象数据处理结果为参考,对两种模型解算的PWV进行了对比和精度分析。结果表明:改进的GPT2模型优于GPT模型,尤其是当测站的高程较大时,GPT2模型的稳定性更优、适用性更广;采用GPT2模型解算的PWV偏差均值小于±1.0mm,精度(RMS)优于±1.5mm。在缺少实测气象数据的情况下,利用GPT2模型数据仍然能够取得较为理想的PWV反演结果。     

基于GPT3和傅里叶函数构建长三角地区ZHD模型

针对GPT3模型的对流层干延迟（GPT3-ZHD）存在明显周期性误差的问题,以2016—2020年长三角地区的7个GNSS站数据为参考,分析GPT3-ZHD残差的季节性周期变化,并利用多阶傅里叶函数建立一种新的ZHD改进模型,同时分析基于改进模型的PWV反演精度。实验结果表明：1）与GNSS相比,GPT3-ZHD和GPT3-PWV的Bias均值分别为-0.49 mm和2.72 mm,RMS均值分别为2.06 mm和11.08 mm;2）基于GPT3和傅里叶函数改进的ZHD模型Bias和RMS均值分别为-0.01 mm和0.52 mm,比GPT3模型分别提升0.48mm和1.54mm,精度改进明显;3）基于GNSS-ZTD、GPT3-Tm和改进ZHD所得PWV的Bias和RMS均值分别为0.46 mm和0.52 mm,比GPT3-PWV分别提升2.26 mm和10.56 mm。总体而言,基于GPT3和傅里叶函数的ZHD改进模型精度优于GPT3-ZHD,并可有效应用于长三角地区的实时高精度PWV反演。     

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。     

GPT和GPT2模型的偏差对定位结果的影响

气象模型GPT和GPT2均可用于获取测站的气压、气温等气象要素,对计算对流层延迟具有重要作用并在高精度的GPS数据分析中被广泛使用。GPT2对GPT模型精度的改进在很多文献中已经得到验证,但是目前没有相关文献对采用这两种模型获得的坐标时间序列的差异进行详尽的分析。本文分别利用气象模型GPT和GPT2处理相同的连续观测站数据,发现气压值偏差的季节性变化导致测站垂向位置偏差也产生季节性变化,是测站垂向位置“伪”年周变化信号的来源之一;同时,模型之间的气压值偏差对垂向位置的影响与测站纬度相关,表现为先验天顶延迟偏差传递进垂向位置偏差的比例随测站纬度增加而增大。     

利用GPT3模型的GNSS⁃PWV计算方法北大核心CSCD

针对部分GNSS测站缺乏实测气象参数时无法实时计算可降水量(PWV)的问题,本文以长三角地区为例提出一种将GPT3模型参数与GNSS对流层总延迟(ZTD)融合获取高精度PWV的新方法。研究结果表明,GPT3模型的气象参数和各类对流层延迟参数在长三角地区具有较好的稳定性和精度,融合GPT3模型的干延迟(ZHD)、加权平均温度(Tm)和GNSS⁃ZTD所得PWV的RMS为3.56 mm,接近GNSS⁃PWV的3.74 mm,远优于GPT3⁃PWV的11.12 mm。     

两种GPT系列对流层经验模型精度分析

针对很多测站不能提供实测气象数据的情况,本文对两种高精度的GPT系列经验模型进行验证。通过对两种模型获得的经验气象数据及对计算可降水汽非常重要的ZHD的精度进行分析,得出如下结论:GPT2w模型的精度要高于GPT2模型,且在无实测气象数据的情况下可以使用GPT2w模型来进行GNSS水汽反演。     

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。     

基于气象要素内插的地基GPS/PWV 方法研究与精度分析

测站气压和温度的准确获取对GPS水汽反演的精度至关重要,但是我国各地在建立GPS连续运行观测站时的发展状态差别较大,有相当部分的GPS气象站网并未配备气压和温度传感器,无法有效准确采集测站气压及温度相关数据,对实时获取测站上方水汽有较大影响.本文基于一种增加高度改正的反距离加权法,和分布在全国的全球卫星导航系统(GNSS)气象站网数据,对该方法进行了实验验证．实验结果表明,通过此方法得到的气压和温度参数精度满足水汽解算需要．同时将本文方法与全球气温和气压经验模型(GPT2)进行对比,证明了本文得到的温压参数精度要优于GPT2模型.      

对流层映射函数对GNSS反演可降水量的影响分析

对流层映射函数是将对流层天顶延迟转化为信号传播路径上总延迟的重要模型,选择合适的映射函数对反演大气可降水量(PWV)精度的提高具有十分重要的意义．本文研究了对流层映射函数对反演PWV精度的影响,选取VMF1、GMF、NMF 3种映射函数,利用GAMIT解算比较3种映射函数在不同季节、不同高度角对网基线解算以及反演PWV的精度影响．结果表明,在进行PWV反演时,选择10°高度角作为解算截止高度角的GMF函数模型反演精度最佳,为进一步提高GNSS水汽反演的实时精度提供了参考．      

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13.6mm,日均值精度更是可达9.3mm,比传统模型UNB3m的49.6mm以及目前标称精度最高模型GPT2w的34.6mm,精度分别提高了约5倍和3.5倍。在30h的预报时段内,预报值精度也可达22mm。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。     

成都地区大气平均温度建模及其在GPS/PWV计算中的应用研究

地基GPS气象学的关键技术是在于通过垂直方向上GPS信号的湿分量延迟值来确定大气可降水量-PWV,而这两个物理量间进行转换时需要用到一个关键性的参数——大气加权平均温度。本文首先讨论了估算加权平均温度的几种方法,然后利用成都地区2005年全年的大气探空数据,采用回归分析方法,建立了适合成都地区的大气加权平均温度模型,精度为±2.21K。最后将该公式应用到成都地区PWV的计算中,得到了非常理想的效果。