云贵川地区ZTD垂直剖面格网模型

利用ERA5大气再分析资料研究ZTD高程尺度因子的精细时间变化特征,构建顾及高程尺度因子精细时间变化的云贵川地区ZTD垂直剖面格网模型(YZTD-H模型)。以云贵川地区探空站分层ZTD数据作为参考值,检验YZTD-H模型的精度,并将其与GPT2w模型和GPT3模型进行比较。结果表明,顾及精细时间变化和垂直剖面变化的YZTD-H模型在时间维度和垂直剖面维度上均表现出较好的稳定性。     

���ڲ�ֵ��ѹ��GPS���ݴ����ɽ�ˮ���о�

????GPS?????????????(PWV)??????????????????????????SA????????????????GPS???????????????????GPS????????????????????????θ???????????????ù??????????????????????????С??100 m???????????????????μ????????????Saastamoinen?????????????????????????????????IGS???BJFS??KUNM??LHAZ??TWTF??????????????????????????????????GPS PWV????????????????????RS PWV?????ж???????????????????????????θ???????????????????GPS PWV??RS PWV??????????????1~3 mm?????????????????????????????????GPS????PWV??     

两种算法在高铁桥墩沉降趋势中的比较

结合京沪高速铁路某工区的实测观测资料,通过应用Asaoka算法和灰色系统GM（1,1）算法对实验数据进行研究,计算理论拟合高程并与实测高程进行比较,并通过相对应模型的高程残差的比较分析,表明所选灰色系统GM（1,1）算法拟合结果较好。     

大气加权平均温度垂直递减率时空特性分析

考虑到已有全球T_m模型无法实时获取全球区域高精度T_m,利用ECMWF提供的2014～2017年ERA5再分析资料,分析全球区域T_m垂直递减率的时空变化特性。结果表明,T_m垂直递减率具有明显的年周期和半年周期,日变化相对较弱,且存在明显的海陆差异和地形差异,不同地区周期变化差异明显。T_m垂直递减率与经度的相关性极小,但与纬度具有较强的相关性,其绝对值由赤道向两极逐渐减小。     

利用MERRA-2地表温压资料进行中国区域GNSS水汽反演的精度分析北大核心CSCD

为分析美国宇航局发布的最新MERRA-2再分析资料地表温压产品在中国区域进行GNSS水汽反演的精度,联合中国区域609个地面气象站实测温度和气压数据、48个GNSS站及并址探空站资料,评估MERRA-2温压产品及其在GNSS PWV反演中的精度。结果表明:1)MERRA-2气压和温度年均bias分别为-0.01 hPa和0.38 K,年均RMSE分别为1.08 hPa和2.66 K,MERRA-2再分析资料温压产品在中国区域具有较高的精度;2)MERRA-2再分析资料温压产品在中国大部分地区呈现负偏差,精度从高到低依次为南方地区、北方地区、西北地区和青藏高原地区;3)将MERRA-2温压产品的PWV反演结果与并址探空站实测PWV进行对比可知,MERRA-2再分析资料温压产品反演的GNSS PWV平均RMSE为2.16 mm,能较好地反映PWV的日变化。因此,MERRA-2地表温压产品在中国区域的气象研究及GNSS水汽监测中具有重要意义。     

利用AO-SVR模型预测PM2.5浓度

针对支持向量回归(support vector regression, SVR)模型无法主动选取最优参数和核函数等问题,采用天鹰算法(aquila optimizer, AO)对其进行优化,构建天鹰算法优化支持向量回归模型(AO-SVR)。分别构建AO-SVR、SVR、灰狼算法优化支持向量回归(GWO-SVR)、鲸鱼算法优化支持向量回归(WOA-SVR)4种模型,使用2020-01-01～30拉萨、乌鲁木齐、长春、武汉、上海5市的大气污染物、气象因素以及天顶对流层延迟(zenith tropospheric delay, ZTD)的小时数据,分别预测5市2020-01-31的PM_2.5浓度变化。结果表明,AO-SVR模型的适用性更好,其中,上海的预测值最贴近实际观测值。     

基于MLP神经网络的大气加权平均温度模型

以中国西南地区2015~2017年探空数据为实验数据,使用多层感知器（MLP）神经网络回归方法建立西南地区的加权平均温度(T_m)模型。将气象参数（地表温度、水汽压）和非气象参数（高程、纬度和年积日）作为模型输入因子,由数值积分法计算得到的T_m作为学习目标,通过神经网络模型进行迭代训练从而得到中国西南地区的T_m。以2018年探空站T_m数据为参考值,对MLP模型精度进行验证,并与Bevis模型和GPT3模型进行对比分析。结果表明,MLP模型的年均RMSE和年均bias分别为1.99 K和0.15 K,比Bevis模型、GPT3模型年均RMSE分别降低1.36 K(40.6%)和1.51 K(43.1%),年均bias分别下降0.70 K（82.4%）和1.04 K（87.4%）,且该模型在中国西南区域不同高程、纬度和季节的精度与稳定性优于Bevis模型和GPT3模型。