排序方式: 共有51条查询结果,搜索用时 15 毫秒
21.
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。 相似文献
22.
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Tm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。 相似文献
23.
24.
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。 相似文献
25.
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. 相似文献
26.
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F10.7、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.
相似文献27.
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... 相似文献
28.
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。 相似文献
29.
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。 相似文献
30.