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。     

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。     

GPT3模型反演GNSS大气可降水量精度评定

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T_m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。     

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(T...     

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。
     

不同对流层天顶延迟模型在陕西地区的精度及适用性分析

利用MATLAB实现UNB3m、GPT2w+Hopfield、GPT2w+Saastamoinen、GPT3+Hopfield、GPT3+Saastamoinen等5种模型，分析它们在陕西地区的适用性。结果表明，5种模型结果普遍偏小。GPT2w+Saastamoinen和GPT3+Saastamoinen模型整体精度相当，且优于其他3种模型，bias为1.41 cm，RMS分别为4.68 cm和4.67 cm，且随着高程增加精度越来越高。5种策略精度均随季节变化而变化，其中UNB3m变化最为明显，夏冬2季bias差达到7.92 cm，RMS差达到7.67 cm。更高精度计算时，秋季应使用GPT3，而春夏2季时使用GPT2w效果更好。选用同样的气象参数模型时，Saastamoinen模型比Hopfield模型更适用于陕西地区，并且陕北地区精度最好。对比最新的全球气压温度模型GPT3与GPT2w发现，2种模型算得的地面气压P、地面温度T、地面水汽压e、大气加权平均温度Tm等4种气象参数均相差细微，所以在陕西地区利用GPT2w或GPT3分别算得的对流层总延迟ZTD和对流层干延迟ZHD相差很小，通过对流层湿延迟ZWD算得的PWV也几乎相当。     

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)。     

基于GPT2w模型化加权平均温度反演可降水量

提出一种基于GPT2w模型化加权平均温度反演大气可降水量的方法,并分析附加系统偏差改正的模型化加权平均温度对可降水量的影响。结果表明,基于GPT2w模型化加权平均温度反演的大气可降水量的精度与基于Bevis公式计算的加权平均温度反演的大气可降水量的精度相当;对GPT2w模型化加权平均温度进行系统偏差改正后,大气可降水量的精度有一定改善,但改善率不到1%。     

一种基于Emardson-H的GPT3改进模型构建方法北大核心CSCD

针对GPT3模型各气象参数存在明显周期性误差的问题,以2015~2019年长三角地区7个探空站资料作为参考,分析GPT3模型残差的季节性周期变化,并利用Emardson-H模型构建一种新的GPT3改进模型。实验结果表明:1)与探空资料相比,GPT3模型气压、温度、水汽压和加权平均温度(T_(m))的均方根(RMS)均值分别为5.09 hPa、3.90 K、4.01 hPa和4.54 K;2)基于Emardson-H的GPT3改进模型气压、温度、水汽压和T_(m)的RMS均值分别为4.64 hPa、3.53 K、3.73 hPa和3.27 K,比GPT3模型分别提升0.45 hPa、0.37 K、0.28 hPa和1.27 K。综上分析,基于Emardson-H的GPT3改进模型精度相比GPT3模型有所改进。     

利用主成分分析建立区域对流层延迟时空模型

提出一种基于主成分分析（PCA）的ZTD时空建模方法,并利用GNSS连续运行参考站获取的ZTD数据,建立香港、云南、中国3个区域范围的ZTD时空模型。结果表明,所建立的区域对流层延迟时空模型不仅精度明显高于Saastamoinen、EGNOS和UNB3m模型,而且建模过程简单,模型参数较少,使用方便。     

基于再分析资料ERA5的对流层延迟估计方法及精度评估

提出基于再分析资料ERA5的天顶对流层延迟计算方法,使用中国大陆构造环境监测网络提供的26个GNSS测站2017年全年数据,评估由该方法计算的天顶对流层延迟的精度,并与前一代再分析资料ERA-Interim的计算结果进行对比分析。结果显示,ERA5计算的天顶对流层延迟均方根误差比ERA-Interim计算结果低,表明新一代产品的精度有明显提升。     

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%。     

方位角对斜路径对流层延迟的影响研究

针对4种不同气候条件的地区,分析不同高度角时方位角对斜路径对流层延迟的影响,进而提出一种对流层延迟水平梯度的精化方法。实验表明,该方法可更真实地反映对流层延迟在水平方向的非对称性,有效提高VLBI解算精度,基线可重复度提高约4%,天顶对流层延迟估计精度提高约15%。
     

对流层延迟与可降水量直接转换模型研究

采用线性回归和最小二乘法拟合建立无线电探空可降水量（RS-PWV）与GPS对流层延迟（GPS-ZTD）、地面温度及大气压之间的直接转换模型,并将直接转换模型得到的PWV分别与RS-PWV及GPS反演得到的可降水量（GPS-PWV）进行比较。结果表明,RS-PWV与GPS-ZTD之间存在良好的线性关系,相关系数达0.927 6;RS-PWV与4阶拟合温度和大气压呈现较好的相关性,相关系数分别为0.640 1和－0.626 3;基于ZTD的单阶单因子模型PWV与GPS-PWV的相关系数达到0.969 9;基于ZTD、温度及大气压的单阶多因子模型PWV比基于ZTD的单阶单因子模型PWV精度明显提高,RMS从4.3 mm提高到3.3 mm。