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。     

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。     

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...     

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(Tm)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Tm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Tm格网新模型(简称为CTm模型)。以2015年GGOS格网数据和无线电探空资料为参考值,对CTm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,CTm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,CTm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16%,尤其在中国西部地区,CTm模型表现出更为显著的优势。此外,将CTm模型用于GNSS水汽计算,其引起的水汽计算RMS误差和相对误差分别为0.29 mm和1.36%。CTm模型不需要实测气象参数,因此,在中国区域的GNSS实时高精度水汽探测中具有重要的应用。     

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。     

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。     

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。     

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。     

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。     

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。     

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。     

GPS水汽反演技术在四川地区的应用研究

根据四川网络GPS站点附近的气压、温度计算了天顶静力学延迟量,经过综合分析,得到了最适于四川地区的天顶静力学延迟模型。建立了适于四川地区的加权平均温度计算公式,并说明了此公式的有效性。使用了全球气压和温度模型（GPT）代替实测气象数据进行水汽反演,将GPT可降水量与实测气象可降水量、探空数据可降水量以及实际降水量进行比较分析,得出了一些有益结论。     

青岛地区CORS反演水汽中大气加权平均温度模型的建立

作为区域连续运行参考系统(CORS)反演大气可降水量的关键参数——大气加权平均温度,时空特性明显。为了提高区域CORS反演大气可降水量的精度和可靠性,利用青岛探空站2009-2011年3年的探空数据,分析得到地表温度Ts与加权平均温度Tm的相关系数R为0.877 6,为强线性相关;采用回归分析建立了青岛地区加权平均温度模型;利用该模型计算青岛地区2012年加权平均温度,与由探空数据计算的加权平均温度的平均偏差、标准差和均方根误差分别为0.307 K、3.359 K和3.384 K;将该模型应用在青岛CORS反演大气可降水量的计算中,与临近探空站计算的大气可降水汽相比,平均偏差、标准差和均方根误差分别为0.70 mm、3.48 mm和3.53 mm.研究表明,应用区域探空数据建立加权平均温度模型具有可行性,并可以在一定程度上提高区域CORS反演大气可降水量的精度和可靠性。      

地基GPS水汽反演中区域大气加权平均温度模型

利用地基GPS反演可降水量,需要准确求得水汽转换参数。为了提高区域GPS大气水汽反演的精度,分析了大气加权平均温度的时空特性及其与地面温度之间的函数关系;利用江苏地区2003—2011年的气象探空数据建立了适用于江苏地区的局地大气加权平均温度计算模型。比较江苏模型、Bevis模型和李建国模型求得的大气加权平均温度值,江苏模型的精度较Bevis模型和李建国模型分别提高33.14%和9.28%。由江苏模型得到的可降水量内符合精度约为11.12 mm,较GAMIT软件结果精度提高约7.91%。     

日本区域加权平均温度建模

由于日本区域易受自然灾害频发、水汽特征变化复杂、探空站点分布稀疏的问题,进而制约了高精度水汽的获取,因此缺少此区域的高精度加权平均温度(T_m)模型. 鉴于此,采用2009—2016年全球大地测量观测系统(GGOS) Atmosphere T_m和ERA-Interim 2 m T_s格网数据新建立一种考虑T_m残差季节性变化和周日变化的适合日本区域的T_m模型 (JQTm模型). 同时,利用2017年日本区域13个探空站和110个GGOS Atmosphere T_m格网数据,对新建立的JQTm模型在日本区域的精度进行评估. 研究发现:与GGOS Atmosphere T_m格网数据对比,JQTm模型的偏差(bias)和均方根误差(RMSE)分别为0.15 K和1.92 K,RMSE分别比GPT2w-1模型、GPT2w-5模型提升41.16% (1.33 K)、44.41% (1.53 K);与探空资料对比,JQTm模型的bias和RMSE分别为–0.66 K和2.14 K,RMSE分别比GPT2w-1模型、GPT2w-5模型提升28.43% (0.85 K)、29.61% (0.90 K). JQTm模型能够为日本区域提供高精度的T_m值,为研究此区域大气水汽和极端天气提供重要依据.      

澳大利亚区域大气加权平均温度建模

大气加权平均温度T_m是计算水汽转换因子和大气可降水量的重要参数。利用2007—2017年全球大地观测系统(global geodetic observing system, GGOS) Atmosphere T_m格网数据和欧洲中尺度天气预报中心(European centre for medium-range weather forecasts, ECMWF) 2 m温度数据,建立一种适合澳大利亚区域、顾及T_m残差季节性和日周期变化的T_m模型——qTm。此外,采用2018年的GGOS Atmosphere T_m格网数据和探空资料对该模型进行评估。结果表明,qTm模型在澳大利亚区域具有较高的精度和适用性,与GGOS Atmosphere T_m相比,qTm模型的年均偏差(Bias)和均方根误差(root mean square error, RMSE)分别为－0.31 K和1.97 K,相对于GPT2w-1和GPT2w-5模型,RMSE分别提高21.8%和25.9%;qTm模型值与探空积分值更符合,模型的年均Bias和RMSE分别为－0.44 K和2.45 K,相比GPT2w-1和GPT2w-5模型分别提高10.2% 和11.8%。qTm模型可为澳大利亚区域提供精确的T_m值,为该区域大气水汽分析和厄尔尼诺现象研究提供基础。     

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。     

神经网络残差的加权平均温度模型改进方法

针对GPT3经验模型估计加权平均温度的泛化能力不足的缺点,该文提出了一种使用神经网络对GPT3模型的残差进行改正的方法,从而建立一个高精度的改进模型。使用了全球站点无线电探空资料数据集(IGRA)提供的中国区域内的38个探空站点共108 633组数据进行建模,其中2012—2014年的数据用于模型训练,2015年的数据用于模型检验。最终结果表明：改进模型的均方根误差值为2.91 K,精度相比GPT3模型计算得到的估计值提高了32.2%,加权平均温度估计精度有了显著的提高,且在整个中国区域都有较好的泛化能力。     

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.