中国西南地区GPS大气水汽转换系数模型精化研究

利用中国西南地区19个探空站2011～2014年数据,通过积分法计算大气水汽转换系数K。采用2011～2013年的K值对Emardson模型进行精化,分别构建西南地区不顾及和顾及高程因子的K值模型Emardson-I和Emardson-H。利用2014年积分计算的K值检验这两种模型的预报精度,结果表明:1)相对于Emardson-I模型,Emardson-H模型表现出更高的K值预报精度和更好的适应性;2)在高海拔地区,Emardson-H模型预报精度明显优于Emardson-I模型,表明高程因子是影响高海拔地区K值计算的重要因素。将两种新模型用于拉萨站GPS大气水汽反演,Emardson-H模型表现出更优的反演精度,两种模型的反演精度均优于2 mm。     

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。     

多平台融合的测绘类专业学生创新能力培养

本文以“科技创新”“社会实践”“科技竞赛”三大平台为出发点和落脚点,以测绘类专业学生创新能力培养为目的,通过具体分析多平台构建对测绘类专业学生创新能力提升的实现路径,挖掘多平台协同育人机制,拓展多平台融合对测绘类专业学生创新能力培养的效用,探索适合测绘类专业学生创新能力培养的模式,以期对国内其他地方高校测绘类专业学生创新能力培养提供经验借鉴。     

基于多源数据和广义回归神经网络的ZWD预报模型EI北大核心CSCD

对流层湿延迟是GNSS误差源较难改正的部分。主流的天顶湿延迟(ZWD)经验模型大多基于单源数据,如探空数据或再分析资料的一种,且通过预设模型函数表征ZWD在不同尺度上的变化,难以准确描述ZWD在不同尺度上的非线性复杂变化,精度有待进一步提高。针对此问题,基于多源数据和具有强大非线性逼近能力的广义回归神经网络(GRNN),构建了一种ZWD预报模型。首先,采用GRNN模型优化和降采样两种不同数据源的格网ZWD,并将其与探空ZWD合并,获取高质量的ZWD数据集;然后,根据ZWD受时空影响较大的特点和机器学习的特点,设计了GRNN训练模型的输入变量和输出变量;最后,采用后验寻优的方法确定模型参数,进而获得最优的预报模型。经探空ZWD验证,相比国际典范经验模型GPT2w,模型的精度提高了25.3%(以RMS计);相对同方法单源(探空)数据模型,精度改善了11.1%;且模型的预报精度具有良好的时空稳定性。此外,计算效率和PPP应用试验结果表明,模型的计算效率可满足GNSS实时应用的需求,且应用于PPP的改进效果优于GPT2w。本文所提方法无须预设模型函数即可获得较高的ZWD预报精度,为ZWD模型化提供了一种思路。     

利用ERA5资料进行桂林地区GNSS水汽反演精度分析

由于桂林地区地基GNSS站并未配置气象传感器，致使大量GNSS观测数据无法在大气水汽（PWV）监测中发挥作用.针对这一情况，本文将欧洲中期天气预报中心（ECMWF）最新发布的ERA5再分析资料中测站处的气压和温度气象数据加入到GNSS水汽反演中，并将反演结果与利用地面气象站反演的GNSS水汽做对比，以此评估ERA5在桂林地区反演GNSS水汽的精度和适用性.结果表明：1）以桂林地区2017年10个地面气象站的实测气压和温度数据为参考值，ERA5地表气压和温度的年均偏差分别为-0.35 hPa和0.86 K，年均均方根误差（RMSE）分别为0.65 hPa和1.66 K，该精度可用于GNSS水汽反演；2）以2017年6—7月GNSS利用地面气象站反演的PWV为参考值，ERA5反演的GNSS PWV的偏差和RMSE分别为0.17 mm和0.35 mm，且两者具较好的相关性和一致性.由此表明，ERA5地表温压产品可应用于桂林地区GNSS水汽反演，这些研究结果可为桂林地区的GNSS水汽反演及数据源的选用提供重要的参考依据.     

2015年3月特大磁暴期间中国区域电离层TEC NeuralProphet预报模型研究

延迟是全球卫星导航定位中重要的误差源之一,提高电离层TEC建模和预报精度对改善卫星导航定位精度至关重要.本文构建了以太阳辐射通量指数F_10.7、地磁活动指数Dst、地理坐标和中国科学院(Chinese Academy of Sciences,CAS) GIM数据为输入参数的NeuralProphet神经网络模型(NP模型),实现在2015年3月特大磁暴期中国区域电离层TEC短期预报.为验证NP模型的预报精度,本文同时构建了长短期记忆神经网络(Long Short-term Memory Neural Network,LSTM)模型进行对比分析.结果统计分析表明,NP模型在磁暴期(2015年DOY076-078) TEC预报值RMSE和RD分别为0.83 TECU和3.13%,绝对和相对精度较LSTM模型分别提高1.49 TECU和10.25%;且NP模型RMSE优于1.5 TECU的比例达97.24%,远高于LSTM模型.NP模型预报值与CAS具有较好一致性和无偏性,偏差均值仅为-0.01 TECU,而LSTM模型预报值的均值偏大,偏差均值为1.49 TECU.从低纬到中纬度的三个纬度带内,NP模型RMSE分别为1.12、0.83和0.44 TECU,精度比LSTM模型提高1.94、1.56和1.23 TECU.整体上,在磁暴期NP模型预报性能明显优于LSTM模型,能够精细描述中国区域电离层TEC时空变化.

     

利用中国区域MERRA-2资料计算ZTD和ZWD的精度分析

对流层延迟是影响高精度定位与导航的主要误差之一,也是全球导航卫星系统（global navigation satellite system,GNSS）水汽探测的关键参数。美国航空航天局发布了最新一代的大气再分析资料（MERRA-2资料）,其可用于计算高时空分辨率的对流层延迟产品,但是目前尚无文献对利用MERRA-2资料计算天顶对流层延迟（zenith tropospheric delay,ZTD）和天顶湿延迟（zenith wet delay,ZWD）的精度进行分析。因此,联合2015年中国陆态网214个GNSS站ZTD产品和分布于中国区域的87个探空站资料,对利用MERRA-2资料在中国区域计算ZTD/ZWD的精度进行评估。结果表明：（1）以陆态网ZTD为参考值,利用MERRA-2资料积分计算ZTD的年均偏差和均方根误差（root mean square error,RMSE）分别为0.32 cm和1.21 cm,且偏差和RMSE均表现出一定的季节变化,总体上呈现为夏季精度低、冬季精度高;在空间分布上,偏差随纬度和高程的变化趋势并不明显,但RMSE随纬度和高程的增加总体上呈现递减的趋...     

基于Holt-Winters的电离层总电子含量预报

利用IGS中心提供的不同经纬度平静期、活跃期14 d的电离层TEC格网点数据,以前8 d的TEC值作为样本序列,分别采用Holt-Winters加法模型和乘法模型建立TEC预报模型,并预报后6 d的TEC值。结果表明,无论在电离层平静期还是活跃期,2种模型所得预报结果大致相同,并与实际观测数据吻合较好,但加法模型的预测结果能更好地反映电离层TEC的变化特性。     

中国区域ERA5和MERRA-2再分析资料计算Tm的精度分析

以中国区域89个探空站2017年资料为参考值,对ERA5和MERRA-2再分析资料积分计算的Tm的精度进行评估,并分析2种资料计算的Tm的bias和RMSE的时空变化特性。结果表明：1）以探空站资料为参考值,ERA5和MERRA-2再分析资料计算的Tm的年均bias分别为0.41 K和0.10 K,年均RMSE分别为1.26 K和1.34 K。2）2种资料计算的Tm的bias和RMSE具有相似的时空变化特性,时间上总体表现为夏季精度高、冬季精度稍低,但ERA5再分析资料计算的Tm的bias在全年均表现为正值,而MERRA-2再分析资料计算的Tm的bias在夏季表现为负值,其余时间表现为正值;在空间上,2种资料计算的Tm的bias和RMSE在高程上无明显变化特性,但在纬度上RMSE均表现出随纬度增加而逐渐变大的趋势,总体保持在2.5 K以内。     

北斗RTK在地形测绘中的优越性

对北斗RTK进行简述,并通过实验数据分析北斗RTK较GPS-RTK在地形测绘中的优越性。实验结果表明,在90°、180°、270°信号屏蔽的情况下,由于GPS卫星空间组成和卫星信号强度等原因,北斗RTK对应的锁定卫星数更多、获取固定解更快、PDOP值更小、测量误差较小,说明北斗RTK较GPS-RTK有较好的信号接收能力,测量精度更高,可以满足地形测绘的要求,很大程度上提高了地形测绘的效率。