排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
2.
MODIS大气可降水量（PWV）空间分辨率高但易受云雨等环境因素影响,精度不高.GNSS PWV 空间分辨率较低但具有全天候、不受天气影响、精度高的优点.研究表明两者存在显著的线性相关性,结合两者的优点,基于GNSS PWV校正MODIS PWV可获取大面积高精度的PWV.针对传统的线性回归校正模型没有考虑云、气溶胶等的影响使两种数据线性相关性变差的问题,本文在传统的线性校正模型上增加了使用年积日的非线性周期项的方法来构建校正模型.利用2017—2019年香港地区GNSS对流层延迟与MODIS近红外数据,使用频谱分析线性残差项,结果表明残差具有显著的年周期.对比传统模型,本文模型的平均绝对误差、平均相对误差、均方根误差和拟合度都有明显的改善,表明本文模型可行有效且精度较高. 相似文献
3.
对流层天顶干延迟(ZHD)建模是对流层延迟建模的一个重要组成部分,由于ZHD变化较为规律,因此,通常用模型来表达。而对流层天顶湿延迟(ZWD)变化不规则且随机性大,所以在GNSS处理中将它作为一个未知的待估参数。不精确的ZHD模型,会影响到ZWD估算的准确性,因此,选择精确合理的ZHD模型具有重要的意义。传统无线电探空仪数据获取的ZHD由于不能覆盖全球所有位置,尤其是海洋地区,而且在特殊天气使用也受限。为了更能全面反映ZHD模型的精度,本文尝试使用GGOS Atmosphere数据比较分析3种经典ZHD模型、即Saastamoinen模型、Hopfield模型和Black模型。通过对全球范围内的657个站点且时间覆盖长达5年的GGOS Atmosphere数据进行比较分析,我们得到以下结论:Saastamoinen模型优于Hopfield模型和Black模型,Saastamoinen模型的ZHD的精度可以优于1.5 mm。因此,在GNSS用户使用ZHD模型时,Saastamoinen模型可以作为使用模型。具体可以应用到GNSS大地测量学、GNSS车辆导航定位以及GNSS气象学。 相似文献
4.
一种优化的基于神经网络的经验ZTD模型 总被引：1，自引：0，他引：1
目前,经验对流层天顶延迟（ZTD）模型已经有了飞速的发展,因为它们在使用时无需任何测量的实时地面气象数据,这给GNSS用户提供了极大方便。神经网络技术在实测参数型的ZTD建模中已经取得了一定的成果。与此同时,国内虽然有学者构建了神经外网络的经验ZTD模型,其最大的缺点是忽略了ZTD时间变化且只能单独预报ZTD。本文针对这些缺点构建了优化的神经网络经验ZTD模型。试验结果表明,本文提出的神经网络模型可以分别预报天顶干延迟ZHD和天顶湿延迟ZWD,且具有良好的精度：ZHD的Bias和RMSE分别为-3.7和19.8 mm;ZWD的Bias和RMSE分别为-0.6和34.2 mm。本文的神经网络模型预报的ZHD和ZWD的精度均与目前世界著名的GPT2w格网模型相当。另外,与GPT2w模型相比较,神经网络模型最大的优点就是无需庞大的预存格网数据作为输入,在使用时仅需要知道一个训练好的神经网络即可,该特点为GNSS用户提供了极大的方便。 相似文献
1