排序方式: 共有4条查询结果,搜索用时 19 毫秒
1
1.
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。 相似文献
2.
针对部分GNSS测站缺乏实测气象参数时无法实时计算可降水量(PWV)的问题,本文以长三角地区为例提出一种将GPT3模型参数与GNSS对流层总延迟(ZTD)融合获取高精度PWV的新方法。研究结果表明,GPT3模型的气象参数和各类对流层延迟参数在长三角地区具有较好的稳定性和精度,融合GPT3模型的干延迟(ZHD)、加权平均温度(Tm)和GNSS⁃ZTD所得PWV的RMS为3.56 mm,接近GNSS⁃PWV的3.74 mm,远优于GPT3⁃PWV的11.12 mm。 相似文献
3.
针对全球气压气温(GPT2w)模型各气象参数存在明显周期性误差的问题,该文以2015—2017年长三角地区的7个探空站资料作为参考,分析GPT2w模型各气象参数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GPT2w改进模型。分析结果表明:与探空数据相比,GPT2w模型气压、温度、水汽压和加权平均温度的RMS均值分别为8.87 hPa、8.80 K、8.80 hPa和7.30 K;GPT2w改进模型气压、温度、水汽压和加权平均温度的RMS均值分别为3.65 hPa、2.76 K、2.47 hPa和2.48 K,相较于GPT2w模型总体精度有大幅改进,且与GPT3模型相比,其精度亦有明显改进。总体而言,利用傅里叶函数的GPT2w改进模型可在长三角地区获取精度优于GPT3模型的气象参数。 相似文献
4.
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。 相似文献
1