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。     

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。     

利用傅里叶函数构建全球气压气温改进模型

针对全球气压气温(GPT2w)模型各气象参数存在明显周期性误差的问题,该文以2015—2017年长三角地区的7个探空站资料作为参考,分析GPT2w模型各气象参数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GPT2w改进模型。分析结果表明：与探空数据相比,GPT2w模型气压、温度、水汽压和加权平均温度的RMS均值分别为8.87 hPa、8.80 K、8.80 hPa和7.30 K;GPT2w改进模型气压、温度、水汽压和加权平均温度的RMS均值分别为3.65 hPa、2.76 K、2.47 hPa和2.48 K,相较于GPT2w模型总体精度有大幅改进,且与GPT3模型相比,其精度亦有明显改进。总体而言,利用傅里叶函数的GPT2w改进模型可在长三角地区获取精度优于GPT3模型的气象参数。     

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。     

天顶静力延迟模型对GPS可降水量反演的影响分析及改进

利用地基GPS遥感大气可降水量(PWV,precipitable water vapor)过程中,天顶静力延迟(ZHD,zenith hydrostatic delay)模型精度直接影响PWV反演精度。文中将常用天顶静力延迟模型(Black模型、Hopfield模型和Saastamoinen模型)计算所得ZHD与基于湖南省2016-04-01—2017-03-31高空气象探测秒级数据计算所得探空ZHD进行对比,发现模型存在较明显系统偏差,其中Black模型ZHD平均偏低40mm以上。利用探空实测ZHD对天顶静力延迟模型进行回归建模,订正模型系数后可明显减小模型系统偏差和均方误差。改进后的ZHD模型可明显减小GPSPWV反演的系统偏差,并略微降低均方误差,其中采用改进后SA模型反演所得GPSPWV与探空PWV相比,平均偏低不超过0.230 7mm,反演准确性有较显著改善。     

3种全球气压与温度模型的精度对比分析北大核心CSCD

针对目前全球气象模型受不同季节、纬度、高程等因素影响问题,该文利用全球分布的IGS站实测气象数据,对GPT、GPT2、GPT2w模型的精度进行对比,对模型的季节性特征以及纬度、高程因素对模型精度的影响进行分析,并对3种模型反演GPS大气可降水量(PWV)的精度进行比较。结果表明:(1)GPT2和GPT2w模型的精度相当,均优于GPT模型;(2)3种模型均具有明显的季节性特征,7月份(夏季)的模型精度最优;(3)纬度、高程因素对3种模型气压误差的影响较大,而对气温误差的影响相对较小;(4)GPT2、GPT2w模型解算的PWV估值精度相当,偏差均值和平均RMS分别小于1.2mm和1.8mm,均优于GPT模型计算结果。研究结果:可为全球或区域气象模型的改进和生产应用提供借鉴。     

3种全球气压与温度模型的精度对比分析

针对目前全球气象模型受不同季节、纬度、高程等因素影响问题,该文利用全球分布的IGS站实测气象数据,对GPT、GPT2、GPT2w模型的精度进行对比,对模型的季节性特征以及纬度、高程因素对模型精度的影响进行分析,并对3种模型反演GPS大气可降水量(PWV)的精度进行比较。结果表明:(1)GPT2和GPT2w模型的精度相当,均优于GPT模型;(2)3种模型均具有明显的季节性特征,7月份(夏季)的模型精度最优;(3)纬度、高程因素对3种模型气压误差的影响较大,而对气温误差的影响相对较小;(4)GPT2、GPT2w模型解算的PWV估值精度相当,偏差均值和平均RMS分别小于1.2mm和1.8mm,均优于GPT模型计算结果。研究结果:可为全球或区域气象模型的改进和生产应用提供借鉴。     

一种优化的基于神经网络的经验ZTD模型

目前,经验对流层天顶延迟（ZTD）模型已经有了飞速的发展,因为它们在使用时无需任何测量的实时地面气象数据,这给GNSS用户提供了极大方便。神经网络技术在实测参数型的ZTD建模中已经取得了一定的成果。与此同时,国内虽然有学者构建了神经外网络的经验ZTD模型,其最大的缺点是忽略了ZTD时间变化且只能单独预报ZTD。本文针对这些缺点构建了优化的神经网络经验ZTD模型。试验结果表明,本文提出的神经网络模型可以分别预报天顶干延迟ZHD和天顶湿延迟ZWD,且具有良好的精度：ZHD的Bias和RMSE分别为-3.7和19.8 mm;ZWD的Bias和RMSE分别为-0.6和34.2 mm。本文的神经网络模型预报的ZHD和ZWD的精度均与目前世界著名的GPT2w格网模型相当。另外,与GPT2w模型相比较,神经网络模型最大的优点就是无需庞大的预存格网数据作为输入,在使用时仅需要知道一个训练好的神经网络即可,该特点为GNSS用户提供了极大的方便。     

GPT2模型的精度检验与分析

GPT模型常被用于计算气温、气压等对流层延迟气象参数,针对其不足之处,Lagler提出了改进的全球经验模型GPT2,该模型不仅提高了GPT气温和气压模型的精度,而且可提供比湿、水汽压、映射函数等对流层参数。但是目前没有相关文献对GPT2的精度进行详尽的分析,本文利用ECWMF及NOAA提供的高精度气象数据,对GPT2气温、气压和水汽压模型进行精度检验及分析。结果表明,气温的Bias均值为-0.59°C,RMS均值为3.82°C左右;气压和水汽压的Bias均值绝对值在1mb以内,气压的RMS均值为7mb左右,水汽压则不超过3mb,不同纬度精度存在差异,三者均具有明显的季节性。总体而言,GPT2模型在全球范围内具有很高的精度和稳定性。     

利用GPAS解算不同气象模型反演大气降水精度检验

针对GNSS气象学中大气可降水量在局域不同气象模型的差异,该文选取香港12个CORS站2017—2018年两年的观测数据,借助中国测绘科学研究院自主研发的高精度GNSS数据处理软件(GPAS),分别采用实测气象数据、GPT模型以及标准海平面气象模型进行大气可降水量(PWV)反演,探究各个模型精度。以探空数据为参考,对3种方案解算的GPS/PWV进行年、季度、月综合对比和精度分析。结果表明:香港地区PWV值呈现出夏季大、冬季小的特征;3种方案的GPS/PWV与RAD/PWV具有很好的相关性,相关系数均超过0.97;其中利用实测气象数据精度最高,标准海平面模型精度最低,尤其当天气状况比较复杂时候(PWV60 mm)精度相差较大;GPT模型和实测数据的平均偏差都小于1 mm,均方差均小于1.9 mm,在缺少地面气象数据的时间段或没有地面气象数据的测站上,利用GPT模型数据能够取得较为理想的PWV反演结果。     

基于MGEX站多系统GNSS反演大气可降水量精度评估

2020年6月北斗卫星导航系统(BDS)完成全面组网,为分析其解算水汽信息的精度,选用15个MGEX (Multi-GNSS Experiment)测站2021年10月至11月的观测数据进行水汽反演. 利用GAMIT软件分别解算BDS、GPS、Galileo和GLONASS的观测数据,将得到的对流层天顶延迟(ZTD)与国际GNSS服务(IGS)发布的结果进行对比,并将解算的大气可降水量(PWV)分别与探空数据、ERA5数据计算得到的PWV对比. 实验结果表明:截止高度角设置为5°时,4个卫星系统估计的ZTD均方根 (RMS)均小于13 mm,GPS-PWV、BDS-PWV、Galileo-PWV、GLONASS-PWV与无线电探空可降水量(RS-PWV)相比,RMS平均值分别为2.25 mm、2.46 mm、2.52 mm和2.84 mm,RMS均小于3 mm;与ERA5-PWV相比,RMS平均值分别为1.63 mm、1.86 mm、1.76 mm和1.99 mm,RMS均小于2 mm. GPS探测水汽的精度最高,BDS探测水汽的精度低于GPS和Galileo,高于GLONASS,均满足气象学应用需求.      

利用CORS站研究多因子分季节可降水量转换模型

针对GNSS气象学中可降水量转换过程较为复杂的问题,利用2017年江苏CORS站及其并址探空数据,分析大气可降水量(PWV)与天顶对流层延迟(ZTD)、温度和气压之间的相关性,采用线性回归拟合法建立多因子分季节PWV模型,并用2017-2018年数据验证模型精度.结果表明PWV与ZTD有很强的线性相关性,相关系数为0.980 3,PWV与温度和气压有较强的相关性,相关系数分别为0.611 2和-0.613 6;全年PWV模型中,单、双、多因子模型的RMS分别为2.88、1.70和0.49 mm,精度依次提高;多因子PWV模型中,分季节PWV模型较全年PWV模型的RMS分别提高0.23、0.20、0.18和0.37 mm,精度明显优于全年模型.因此,多因子分季节PWV模型预测精度优于1 mm,满足GNSS监测水汽的气象应用精度要求.     

新疆地区GPT2w模型计算加权平均温度适用性分析

利用GPT2w模型计算加权平均温度T_m值,以新疆地区9个探空站2013-2015年实测气象数据积分计算的T_m值为参考,通过时空序列分析1°×1°和5°×5°两种格网分辨率下G1-T_m和G5-T_m的精度分布情况,进而检验利用GPT2w模型在新疆地区进行地基GNSS大气水汽反演的适用性。结果表明:①G1-T_m和G5-T_m均存在-3～-4 K的年均偏差;②G5-T_m存在精度异常突出区域,影响整个新疆地区T_m值的计算精度,而G1-T_m具有较好的稳定性;③G1-T_m模型的年均Bias、MAE和RMS分别为-3.17 K、4.12 K和5.17 K,总体上优于G5-T_m模型,因此运用G1-T_m进行地基GNSS大气水汽反演具有较好的精度保障。     

顾及分段表达的中国区域对流层天顶湿延迟模型

高精度的对流层天顶湿延迟（ZWD）在GNSS高精度定位及大气水汽监测中具有重要作用。中国区域具有疆域辽阔、地形多变等特点,垂直方向存在规律难循的气流变化,而大多数ZWD模型仅采用单一函数对大气高度范围内变化进行拟合,或未考虑季节变化因素,因此在中国区域适用性较差。本文以中国区域MERRA-2大气再分析资料为数据源对ZWD展开深入研究,建立了一种顾及分段表达的中国区域ZWD模型（CZWD模型）;并以中国区域89个探空站积分计算的ZWD数据为参考值检验模型的精度。结果表明,CZWD模型的年均偏差（Bias）和年均均方根值（RMS）误差分别为-2.9、21.9 mm,精度优于目前应用较广的GPT3模型,且提高了5%,在中国区域总体上显示出较优的精度和适用性。因此,CZWD模型对于中国区域GNSS导航定位及水汽监测具有重要意义。     

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。     

PPP与NCEP再分析资料在水汽反演的研究

对基于PPP水汽反演时站点气象数据(温度、气压)缺失的现象进行了研究,提出一种基于NCEP数据的插值方法。选择4个提供气象文件的IGS站点,将插值方法得到的温度、气压与站点实测数据比较,以实测气象数据反演得到的PWV为真实值,比较不加入气象数据、加入插值气象参数反演得到的PWV与真实值的差异。结果表明,站点插值法得到的气压与真实值差值平均RMS分别为1.39 mbar,插值温度与实测温度差值的平均RMS分别为3.83℃;不加入气象数据反演的PWV与真实值差值平均RMS为2.34 mm,而加入插值气象后,反演PWV与真实值差值平均RMS为0.37 mm,说明插值法可大大提高PWV反演精度,该方法在缺乏实测气象数据时是一种行之有效的补充方式。     

顾及垂直递减率函数的中国区域大气加权平均温度模型

大气加权平均温度(T_m)是全球导航卫星系统(GNSS)水汽监测的关键参数。针对中国区域地形起伏较大的特点,本文构建了顾及精细季节变化的T_m垂直递减率函数模型,在此基础上,利用2007—2014年的Global Geodetic Observing System (GGOS) atmosphere格网数据建立了中国区域的T_m格网新模型(简称为CT_m模型)。以2015年GGOS格网数据和无线电探空资料为参考值,对CT_m模型进行精度检验,并与常用的Bevis公式和GPT2w模型进行比较分析。结果表明:①以GGOS格网数据为参考值,CT_m模型的年均偏差和均方根误差(RMS)分别为-0.52 K和3.28 K,相比于GPT2w-5和GPT2w-1模型,精度(RMS值)分别提高了27%和13%;②以探空数据为参考值,CT_m模型的年均偏差和RMS误差分别为0.26 K和3.75 K,相对于GPT2w-5和GPT2w-1模型,精度分别提高了21%和1...     

基于GNSS的北京地区水汽含量与雾霾浓度的相关性分析

介绍了利用GNSS观测数据反演大气可降水量PWV的相关原理,分析了北京地区春、夏、秋、冬时节的可降水量、天顶干延迟ZHD与雾霾浓度PM_2.5的相关性,通过分析发现北京地区不同季节的PWV、ZHD与雾霾浓度PM_2.5的相关性表现出较大的差异性,冬季的相关性最强,春季和秋季的相关性次之,夏季的相关性最弱。通过试验分析,笔者认为利用GNSS反演获得的PWV、ZHD等气象数据在一定程度上可用于雾霾灾害天气的监测和预警。     

采用北斗PPP-B2b服务的大气可降水量反演及香港暴雨过程分析

北斗三号卫星导航系统精密单点定位服务(PPP-B2b服务)通过卫星B2b信号向用户发送改正信息,摆脱了对外部通信的依赖,为实时反演大气可降水量(PWV)提供了新的技术途径。本文利用试验分析了PPP-B2b服务反演PWV的精度。试验结果表明,利用PPP-B2b服务反演结果与采用CODE事后精密星历产品的差值RMS为3.70 mm, STD为3.61 mm,与ERA5再分析数据差值的RMS和STD分别为4.80和4.07 mm,与探空结果差值的RMS和STD分别为3.75和7.16 mm,验证了采用PPP-B2b服务的PWV反演结果具有较好的精度。最后,通过分析香港暴雨过程的实际降水量与PWV反演结果之间的相关性,初步验证了BDS PPP-B2b服务用于暴雨灾害短时预警的可行性。