共查询到17条相似文献，搜索用时 289 毫秒
1.
《武汉大学学报(信息科学版)》2021,(4)
为验证分析最新全球气压气温模型(GPT3模型)在中国区域的模型精度,以中国区域18个IGS站为例,分别利用全球大地测量观测系统(Global Geodetic Observing System, GGOS) Atmosphere机构提供的2015-2017年气象数据和国际卫星导航服务(International GNSS Service,IGS)数据中心提供的2015年对流层延迟数据对GPT3模型气象参数和天顶对流层延迟(zenith troposphere delay,ZTD)进行验证,并联合全球其他GNSS站点共同进行GPT3模型误差特性分析。结果表明,相比GPT和GPT2模型,GPT3模型的精度和稳定性明显提高;GPT3模型在取得与GPT2w模型相近精度的同时,稳定性有所提高。GPT3模型精度受纬度影响显著,气温和气压的精度和稳定性由赤道向两极地区逐渐降低,水汽压精度几乎不受纬度影响,稳定性在中纬度和部分低纬度区域比高纬度地区差。GPT3模型对气象参数估值的偏差在低海拔地区具有随机性,以气压偏差最为明显,随着海拔升高,气压和水汽压偏差逐渐稳定在±2 hPa内,气温偏差在±2℃内。 相似文献
2.
对流层延迟是卫星导航定位最主要的误差来源之一，精确计算对流层延迟有助于模糊度的收敛及定位精度的提高。目前应用最广、精度最高的对流层经验模型是全球气压气温模型，为了验证GPT3模型计算中国区域地表至11 km大气剖面对流层延迟改正的精度，利用2011—2020年中国区域82个参与全球气象交换的测站的无线电探空数据，对GPT3的气压(P)、气温(T)、水汽压(E)以及加权平均温度(Tm)进行精度检验及分析，实验结果表明，GPT3模型精度受纬度和高程影响较大，其中GPT3-P和GPT3-Tm受纬度影响显著；GPT3-P在地表RMS为8.02 hPa,而在地表至11 km其RMS为20.01 hPa,说明模型地表精度要优于大气剖面精度，GPT3-Tm呈现同样的规律，而GPT3-T的地表以及地表至11 km的RMS分别为7.94 K、7.53 K,GPT3-E的RMS分别为2.42 hPa、1.97 hPa;模型在不同年积日的精度存在差异，呈现一定的季节特性，但其精度在长时间区间内没有明显变化。总体而言，GPT3模型在中国地区范围... 相似文献
3.
GPT2模型的精度检验与分析 总被引：3，自引：1，他引：2
GPT模型常被用于计算气温、气压等对流层延迟气象参数,针对其不足之处,Lagler提出了改进的全球经验模型GPT2,该模型不仅提高了GPT气温和气压模型的精度,而且可提供比湿、水汽压、映射函数等对流层参数。但是目前没有相关文献对GPT2的精度进行详尽的分析,本文利用ECWMF及NOAA提供的高精度气象数据,对GPT2气温、气压和水汽压模型进行精度检验及分析。结果表明,气温的Bias均值为-0.59°C,RMS均值为3.82°C左右;气压和水汽压的Bias均值绝对值在1mb以内,气压的RMS均值为7mb左右,水汽压则不超过3mb,不同纬度精度存在差异,三者均具有明显的季节性。总体而言,GPT2模型在全球范围内具有很高的精度和稳定性。 相似文献
4.
针对目前全球气象模型受不同季节、纬度、高程等因素影响问题,该文利用全球分布的IGS站实测气象数据,对GPT、GPT2、GPT2w模型的精度进行对比,对模型的季节性特征以及纬度、高程因素对模型精度的影响进行分析,并对3种模型反演GPS大气可降水量(PWV)的精度进行比较。结果表明:(1)GPT2和GPT2w模型的精度相当,均优于GPT模型;(2)3种模型均具有明显的季节性特征,7月份(夏季)的模型精度最优;(3)纬度、高程因素对3种模型气压误差的影响较大,而对气温误差的影响相对较小;(4)GPT2、GPT2w模型解算的PWV估值精度相当,偏差均值和平均RMS分别小于1.2mm和1.8mm,均优于GPT模型计算结果。研究结果:可为全球或区域气象模型的改进和生产应用提供借鉴。 相似文献
5.
针对目前全球气象模型受不同季节、纬度、高程等因素影响问题,该文利用全球分布的IGS站实测气象数据,对GPT、GPT2、GPT2w模型的精度进行对比,对模型的季节性特征以及纬度、高程因素对模型精度的影响进行分析,并对3种模型反演GPS大气可降水量(PWV)的精度进行比较。结果表明:(1)GPT2和GPT2w模型的精度相当,均优于GPT模型;(2)3种模型均具有明显的季节性特征,7月份(夏季)的模型精度最优;(3)纬度、高程因素对3种模型气压误差的影响较大,而对气温误差的影响相对较小;(4)GPT2、GPT2w模型解算的PWV估值精度相当,偏差均值和平均RMS分别小于1.2mm和1.8mm,均优于GPT模型计算结果。研究结果:可为全球或区域气象模型的改进和生产应用提供借鉴。 相似文献
6.
大气加权平均温度的准确获取对高精度的GPS水汽反演至关重要。文中基于线性回归理论,在分析加权平均温度与地面温度间相关性的基础上,采用一元线性拟合的方法,建立大气加权平均温度经验模型。最后,采用香港地区2006-2015年无线电探空资料对经验模型进行验证。实验结果表明,文中模型计算加权平均温度的整体均方根误差为2.356 K,较Bevis模型精度提高了41.94％,且季节变化对加权平均温度计算的影响并不明显;对于GPS水汽反演,采用本文经验模型反演水汽的均方根误差为1.807 mm,平均偏差为1.362 mm,能够满足GPS可降水量反演的精度,且优于Bevis模型。 相似文献
7.
大气加权平均温度(Tm)是全球导航卫星系统(GNSS)水汽监测的关键参数。针对中国区域地形起伏较大的特点,本文构建了顾及精细季节变化的Tm垂直递减率函数模型,在此基础上,利用2007—2014年的Global Geodetic Observing System(GGOS)atmosphere格网数据建立了中国区域的Tm格网新模型(简称为CTm模型)。以2015年GGOS格网数据和无线电探空资料为参考值,对CTm模型进行精度检验,并与常用的Bevis公式和GPT2w模型进行比较分析。结果表明:①以GGOS格网数据为参考值,CTm模型的年均偏差和均方根误差(RMS)分别为-0.52 K和3.28 K,相比于GPT2w-5和GPT2w-1模型,精度(RMS值)分别提高了27%和13%;②以探空数据为参考值,CTm模型的年均偏差和RMS误差分别为0.26 K和3.75 K,相对于GPT2w-5和GPT2w-1模型,精度分别提高了21%和16%,尤其在中国西部地区,CTm模型表现出更为显著的优势。此外,将CTm模型用于GNSS水汽计算,其引起的水汽计算RMS误差和相对误差分别为0.29 mm和1.36%。CTm模型不需要实测气象参数,因此,在中国区域的GNSS实时高精度水汽探测中具有重要的应用。 相似文献
8.
《地理空间信息》2020,(3)
利用GPT2w模型计算加权平均温度T_m值,以新疆地区9个探空站2013-2015年实测气象数据积分计算的T_m值为参考,通过时空序列分析1°×1°和5°×5°两种格网分辨率下G1-T_m和G5-T_m的精度分布情况,进而检验利用GPT2w模型在新疆地区进行地基GNSS大气水汽反演的适用性。结果表明:①G1-T_m和G5-T_m均存在-3～-4 K的年均偏差;②G5-T_m存在精度异常突出区域,影响整个新疆地区T_m值的计算精度,而G1-T_m具有较好的稳定性;③G1-T_m模型的年均Bias、MAE和RMS分别为-3.17 K、4.12 K和5.17 K,总体上优于G5-T_m模型,因此运用G1-T_m进行地基GNSS大气水汽反演具有较好的精度保障。 相似文献
9.
各种对流层经验模型中,GPT2w模型是目前标称精度最高的对流层经验模型,其在模型化对流层延迟的同时,也提供具体的模型化气象元素。以USNO的ZTD产品检验模型ZTD精度;以IGRA发布的大气廓线数据,对模型加权平均温度Tm、水汽直减率λ的精度进行验证。计算发现,模型加权平均温度Tm具有-2.56K的系统偏差,改正该偏差后,模型ZTD对比USNO偏差从-1.38 mm提升至-0.3 mm;还验证了模型水汽直减率λ的两种获取方式具有很好的一致性。提出以测站气压P、测站温度t、测站相对湿度hr为实测气象元素,以校正后的Tm、高精度的λ为经验气象元素,作为对流层延迟模型输入参数的互融方法。该互融方法计算ZHD、ZWD经验模型分别采用目前最优的Saast静力学延迟模型和Askne & Nordius湿延迟模型。以USNO发布的340个IGS跟踪站的对流层延迟数据作为参考,该互融方法较直接气象元素法、校正后的GPT2w模型均有显著精度提升。在不可获取气象数据的前提下,校正后的GPT2w模型具有很高的先验精度;若可获取近实时气象数据（如自动气象站）,则推荐采用新的参数互融模型。 相似文献
10.
GPT2w模型在南极地区精度分析 总被引：1，自引：0，他引：1
GPT2w（global pressure and temperature 2 wet）是目前应用较为广泛的对流层延迟经验模型之一,可提供气压、温度、水汽压等气象参数。为验证和分析GPT2w模型在南极地区的精度,本文利用分布在南极区域的探空站数据和中国第33次南极科考期间的实测探空气球数据对模型气压、温度、水汽压参数进行分层精度检验。与探空站数据比较发现,在南极地区地面高度上,GPT2w模型精度较高,与全球其他区域精度较为一致;进一步通过对比1月和7月统计结果,发现Bias和RMS呈现出季节特性;同时发现模型在垂直方向存在较大误差,表现为随着高度的增加,精度随之下降并逐步趋于稳定。实测数据对比方面,首先利用ECMWF（European Centre for Medium-range Weather Forecasts）气压分层数据对实测数据的可靠性进行验证,结果显示,实测数据与ECMWF分层数据符合得较好;同时通过比对发现,GPT2w天内精度在地面高度上仍与月平均精度相当,但垂直方向随着高度的增加精度相比于暖季精度会有所下滑,说明未考虑日周期项变化对模型精度存在一定影响。用探空数据计算的对流层延迟（zenith tropospheric delay,ZTD）来分析GPT2w的计算精度,结果表明GPT2w在南极区域ZTD计算精度在厘米级,与全球其他位置计算精度相当。 相似文献
11.
气象参数(温度T、气压P)是GPS大气可降水汽(PWV)反演中必不可少的数据,也是PWV反演的重要误差源之一。文中主要对GPT/2(GPT、GPT2)模型用于PWV反演的精度进行验证和分析。基于非差精密单点定位(PPP)技术,选取SuomiNet网9个测站的观测数据,借助研制的PPP软件,分别采用GPT模型、改进的GPT2模型以及测站实测气象数据进行大气可降水汽(PWV)反演。以实测气象数据处理结果为参考,对两种模型解算的PWV进行了对比和精度分析。结果表明:改进的GPT2模型优于GPT模型,尤其是当测站的高程较大时,GPT2模型的稳定性更优、适用性更广;采用GPT2模型解算的PWV偏差均值小于±1.0mm,精度(RMS)优于±1.5mm。在缺少实测气象数据的情况下,利用GPT2模型数据仍然能够取得较为理想的PWV反演结果。 相似文献
12.
针对很多测站不能提供实测气象数据的情况,本文对两种高精度的GPT系列经验模型进行验证。通过对两种模型获得的经验气象数据及对计算可降水汽非常重要的ZHD的精度进行分析,得出如下结论:GPT2w模型的精度要高于GPT2模型,且在无实测气象数据的情况下可以使用GPT2w模型来进行GNSS水汽反演。 相似文献
13.
加权平均温度（Tm）是将天顶湿延迟转换为大气可降水量的关键参数,针对青藏高原地区海拔高、地形起伏大、水汽高度分布复杂的特点,本文利用2010—2014年GGOS Atmosphere Tm格网数据和地表高程数据建立Tm垂直递减率函数,进而建立一种顾及Tm垂直递减率变化的适合青藏高原地区的新模型（QTm模型）。此外,利用2015年青藏高原地区14个探空站和GGOS Atmosphere Tm格网数据评估模型精度和适用性。试验结果表明,与GGOS Atmosphere Tm相比,QTm模型的年均Bias和RMSE分别为0.29和2.49 K,相对于GPT2w-1和GPT2w-5模型,RMSE分别提升了38.97%、67.06%;与探空数据相比,QTm模型的年均Bias和RMSE分别为0.16和2.90 K,相对于GPT2w-1和GPT2w-5模型分别提升了31.12%、39.46%。新模型的构建为青藏高原地区提供了可靠的Tm值,进而提供实时、高精度GNSS水汽信息。 相似文献
14.
大气加权平均温度Tm是计算水汽转换因子和大气可降水量的重要参数。利用2007—2017年全球大地观测系统(global geodetic observing system, GGOS) Atmosphere Tm格网数据和欧洲中尺度天气预报中心(European centre for medium-range weather forecasts, ECMWF) 2 m温度数据,建立一种适合澳大利亚区域、顾及Tm残差季节性和日周期变化的Tm模型——qTm。此外,采用2018年的GGOS Atmosphere Tm格网数据和探空资料对该模型进行评估。结果表明,qTm模型在澳大利亚区域具有较高的精度和适用性,与GGOS Atmosphere Tm相比,qTm模型的年均偏差(Bias)和均方根误差(root mean square error, RMSE)分别为－0.31 K和1.97 K,相对于GPT2w-1和GPT2w-5模型,RMSE分别提高21.8%和25.9%;qTm模型值与探空积分值更符合,模型的年均Bias和RMSE分别为－0.44 K和2.45 K,相比GPT2w-1和GPT2w-5模型分别提高10.2% 和11.8%。qTm模型可为澳大利亚区域提供精确的Tm值,为该区域大气水汽分析和厄尔尼诺现象研究提供基础。 相似文献
15.
气象模型GPT和GPT2均可用于获取测站的气压、气温等气象要素,对计算对流层延迟具有重要作用并在高精度的GPS数据分析中被广泛使用。GPT2对GPT模型精度的改进在很多文献中已经得到验证,但是目前没有相关文献对采用这两种模型获得的坐标时间序列的差异进行详尽的分析。本文分别利用气象模型GPT和GPT2处理相同的连续观测站数据,发现气压值偏差的季节性变化导致测站垂向位置偏差也产生季节性变化,是测站垂向位置“伪”年周变化信号的来源之一;同时,模型之间的气压值偏差对垂向位置的影响与测站纬度相关,表现为先验天顶延迟偏差传递进垂向位置偏差的比例随测站纬度增加而增大。 相似文献
16.
对流层延迟是影响全球卫星导航系统(GNSS)定位精度的主要误差源之一,模型修正法是目前削弱对流层延迟影响的主要方法. 以简单易用的角度为切入点,综合UNB3模型的简易性和GPT2w模型的高精度特点,构建一种简易且精度较高的对流层天顶延迟融合模型(FZTD). 并利用多年的国际GNSS服务(IGS) 对流层天顶延迟(ZTD)数据对该模型精度进行了验证. 结果表明FZTD模型的均方根(RMS)与平均偏差(bias)值分别为4.4 cm和?0.3 cm,均小于传统模型UNB3m(RMS:5.1 cm,bias:1.1 cm)和EGNOS(RMS:5.1 cm,bias:0.3 cm),定位精度提高了14%,而且在南半球提高尤为明显,特别在南极地区,精度提高了近3倍,弥补了传统模型在南北半球精度差异大的不足. 新模型总气象参数仅为120个比GPT2w模型急剧减少,与传统模型相当,为GNSS实时导航定位终端的预定义对流层延迟改正提供了更优的选择. 相似文献
17.
In ground-based GPS meteorology, weighted mean temperature is the key parameter to calculate the conversion factor which will be used to map zenith wet delay to precipitable water vapor. In practical applications, we can hardly obtain the vertical profiles of meteorological parameters over the site, thus cannot use the integration method to calculate weighted mean temperature. In order to exactly calculate weighted mean temperature from a few meteorological parameters, this paper studied the relation between weighted mean temperature and surface temperature, surface water vapor pressure and surface pressure, and determined the relationship between, on the one hand, the weighted mean temperature, and, on the other hand, the surface temperature and surface water vapor pressure. Considering the seasonal and geographic variations in the relationship, we employed the trigonometry functions with an annual cycle and a semi-annual cycle to fit the residuals (seasonal and geographic variations are reflected in the residuals). Through the above work, we finally established the GTm-I model and the PTm-I model with a $2^{\circ }\times 2.5^{\circ }(\mathrm{lat}\times \mathrm{lon})$ resolution. Test results show that the two models both show a consistent high accuracy around the globe, which is about 1.0 K superior to the widely used Bevis weighted mean temperature–surface temperature relationship in terms of root mean square error. 相似文献