大气臭氧与气溶胶垂直分布的高空气球探测

本文给出了1993年9月12日利用高空科学气球在河北省香河地区探测到的大气臭氧和气溶胶的垂直分布。结果发现:(1) 大气臭氧的数密度在整个对流层较低(～10[12]mol/cm3)，并从地面到对流层顶略有下降；对流层顶以上开始快速增加，极值层高度在～24 km，其值为4.78×10[12]mol/cm3；臭氧分压有类似的分布特征，极值146×10[-4]Pa，位于同一高度；(2) 在平流层低层，臭氧分压有一个次极值62×10[-4]Pa，位于15～16 km；(3) 0～30 km大气气溶胶数密度呈现出三个峰值:143，8和1.1 个/cm[3]，分别位于近地面、5 km和21 km；（4）气溶胶的数密度谱在对流层为双模态；在平流层，次峰消失。同时，我们还与其他观测结果作了比较分析。     

GGOS Atmosphere大气加权平均温度数据的精度检验与分析

GGOS Atmosphere提供了时间分辨率为6 h、空间分辨率为2.5°×2°的全球大气加权平均温度格网数据,该数据是利用ECMWF的相关资料计算得到的。利用全球的无线电探空资料和COSMIC掩星资料对该格网数据进行了验证和分析。检验结果表明,在全球范围内,该格网数据具有很高的精度,与无线电探空资料比较,年均RMS为1.96 K,与COSMIC掩星资料比较,年均RMS为1.91 K,与中国区域的无线电探空资料比较,年均RMS为2.24 K。此外,该格网数据在不同季节的精度有差异,但较小,不同纬度区域的精度也存在着一定的差异。     

精密单点定位模糊度固定效果分析

利用区域GNSS参考网络进行宽巷及窄巷硬件延迟的估计,进而利用硬件延迟估计值对PPP模糊度进行固定。使用重庆CORS数据对该方法进行了实验分析。结果表明,宽巷及窄巷硬件延迟在一段时期内均比较稳定,宽巷及窄巷固定成功率分别达90%、85%左右。相对于浮点解,固定解精度在测站东方向上提高了30%左右。     

地表温度与加权平均温度的非线性关系

在温度随高度线性递减的假定下,根据加权平均温度和函数内积的定义,推导出加权平均温度犜犿与地表温度犜狊存在非线性函数关系,这突破了传统的加权平均温度犜犿与地表温度犜狊近似为一次函数关系的认识。利用2010年中国78个无线电探空站数据对线性函数和非线性函数的系数项进行拟合,其结果证实了加权平均温度犜犿与地表温度犜狊的非线性关系。      

两种精化的对流层延迟改正模型

对流层延迟是全球导航卫星系统(Global Navigation Satellite System, GNSS)导航定位中的重要误差源,其量值主要受气象条件影响.采用传统对流层建模思路,利用GPT2模型来提供相对准确的气温、气压和相对湿度,然后利用Saastamoinen模型来计算天顶对流层延迟,由此构建了GPT2+Saas模型;采用新的对流层建模思路,直接针对天顶对流层延迟的时空特性建模,构建了与GPT2+Saas模型相匹配的GZTDS格网模型.以GGOS Atmosphere格网数据为参考,GPT2+Saas模型(Bias: 0.2 cm; RMS: 4.2 cm)和GZTDS模型(Bias: 0.2 cm; RMS:3.7 cm)较UNB3m模型精度分别提升34%和43%.以IGS (International GNSS Service)数据为参考, GPT2+Saas (Bias: 0.5 cm; RMS: 4.7 cm)和GZTDS (Bias: -0.3 cm; RMS:3.8 cm)相对UNB3m模型精度分别提升10%和27%.针对GPT2+Saas模型在少数测站出现精度异常的情况进行了研究,探讨了可能的原因.在两种不同思路构建的精化对流层模型中,GZTDS模型不仅表现出更高的精度,而且在时间稳定性和地理稳定性上也表现出优越性.     

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。     

一种可用于估计全球水汽标高的经验模型

水汽标高是一个反映水汽垂直分布特征的参数,也是全球导航卫星系统(global navigation satellite system,GNSS)对流层天顶湿延迟改正和GNSS水汽层析中的一个辅助参数。本文对2006—2012年水汽标高的时间序列进行频谱分析,发现水汽标高在时间上呈现出年周期和半年周期变化,因此利用包含年周期和半年周期的三角函数来表达水汽的时变规律,然后利用欧洲中尺度天气预报中心(European Centre for Medium-range Weather Forecasting,ECMWF)的数据在全球1°×1°的格网点上分别拟合了三角函数的系数。通过上述方法首次构建了一个全球适用的水汽标高模型GSH,该模型既体现了水汽标高的时变特性又考虑了其地理差异。以无线电探空数据为参考,GSH具有-0.19km的偏差(bias)和1.81km的均方根误差(root mean square error,RMSE);以ECMWF数据为参考,GSH具有0.04km的bias和1.52km的RMSE。GSH整体上表现出了比较稳定的精度,可服务于GNSS气象学研究,也可为其他相关气象研究提供水汽标高参考。     

格陵兰GNSS测站坐标时间序列噪声分析

自2007年来,格陵兰地区逐步建立了50多个GNSS连续观测站用以监测冰川质量变化导致的地壳回弹,至今已累计了超过15 a的坐标时间序列,这使得确定坐标时间序列的噪声特性成为可能。本文选取了格陵兰53个GNSS观测站自2008-2018年共10 a的坐标时间序列,利用功率谱分析和极大似然估计对其噪声特性进行了分析,并基于最优噪声组合估计了格陵兰测站的位移速度及其不确定度。利用贝叶斯信息准则作为评估依据的结果表明,闪烁噪声和白噪声+闪烁噪声的组合可以解释33%的测站噪声,幂律噪声可以解释52%的测站噪声,其余测站可用随机游走或一阶高斯马尔科夫噪声来解释。在利用极大似然估计分析测站坐标时间序列时,对于对97%的测站位移分量的速度估值而言,不同噪声模型的影响小于0.1 mm/a,最大为0.31mm/a,但不同的噪声模型会导致测站位移速度的不确定度的最大估值和最小估值之间存在1.3～7.1倍的差异。因此准确地确定测站坐标序列的噪声模型对于准确估计测站位移速度及其不确定度是十分重要的。     

改进的启发式分割算法在GNSS坐标时间序列阶跃探测中的应用

在启发式分割算法的基础上,引入z检验和标准正态均一性检验（standard normal homogeneity test,SNHT）,提出了一种新的阶跃探测法,并将其应用于20个陆态网（Crustal Movement Observation Network ofChina,CMONOC）和10个国际全球卫星导航系统服务（International Global Navigation Satellite System Ser-vice,IGS）参考站近5 a的坐标时间序列。结果显示,对于IGS站东（east,E）、北（north,N）、垂直（up,U）3个方向分量已知阶跃的平均准确探测率分别为68.5%、71.3%、64.8%,且利用阶跃点前后25 d初始拟合残差的平均值之差得到修复后的坐标时间序列保持了良好的连续性。基于剔除粗差后的坐标时间序列,利用坐标时间序列分析软件（coordinate time series analysis software,CATS）估计出的速度显示:对于由已知阶跃与改进算法探测出的阶跃历元的组合方式,所有测站E、N、U方向的估计速度与CMONOC官网发布的速度的平均偏差分别为2.86 mm/a、1.14 mm/a、2.31 mm/a,明显小于由已知阶跃和肉眼判断明显阶跃历元的组合方式获得的平均速度偏差。上述结果表明,改进的启发式分割算法可应用于坐标时间序列的阶跃探测。     

GRACE反演格陵兰冰盖质量变化的不确定性分析与数据融合

重力恢复与气候实验（gravity recovery and climate experiment,GRACE）卫星已成为观测冰盖质量变化的主要手段之一,但不同机构发布的GRACE数据在估计格陵兰冰盖质量变化上存在较大差异,在研究长期变化趋势时会产生很大不一致性。针对此问题,先分析了用不同GRACE数据估算的格陵兰冰盖质量变化数据之间的差异,再用三角帽（three-cornered hat,TCH）方法对其进行不确定性分析,并通过数据融合消除了不同数据间的不一致性。