GPT3模型计算中国大陆对流层天顶延迟精度分析

丁保才

摘要：为了评估GPT3模型计算中国大陆对流层延迟改正的精度和可靠性，利用2017-2018年欧洲中期天气预报中心的ERAInterim大气廓线资料和中国地震局提供的陆态网对对流层延迟产品进行了对比验证分析。结果表明，在中国大陆，GPT3ZTD模型值的年均偏差（Bias）小于06 cm，均方根误差（RMSE）优于353 cm。ZTD模型值的精度总体呈现出从中国西北（RMSE<3 cm）到东南地区（RMSE>5 cm）逐渐降低的趋势;在中国东南地区，GPT3模型低估了对流层天顶延迟，其量级处于-20～05 cm。ZTD模型值的精度与测站高程呈非线性相关，随着高程增加而精度不断提升。此外，GPT3ZTD的精度具有明显季节性变化，RMSE基本维持在1～6 cm，ZTD模型值精度的季节性变化与大气中水气含量和变化剧烈程度相关。GPT3模型对中国大陆的对流层天顶延迟计算有较好的精度和可靠性，可为中国大陆对流层延迟改正建模提供一定参考。

关键词：大地测量定位;GPT3;对流层天顶延迟;中国大陆;精度评估

中图分类号：P228文献标识码：A

doi： 10.7535/hbgykj.2020yx03009

Abstract：

In order to evaluate the precision and reliability of zenith tropospheric delay （ZTD） correction derived from GPT3 over mainland China， the assessment and analysis were conducted by using ERAInterim atmospheric profiles from European Centre and MediumRange Weather Forecasts （ECMWF） and Crustal Movement Observation Network of China （CMONOC） ZTD products from China Earthquake Administration covering the period 2017-2018. The results show that annual biases and root mean square errors （RMSE） of ZTD values derived from GPT3 model over mainland China are within 0.6 cm and 3.53 cm respectively. The precision of GPT3derived ZTD values generally presents a decreasing trend from northwestern regions （RMSE<3 cm） to southeastern regions （RMSE>5 cm）. GPT3 model underestimates ZTD values with the amplitudes ranging from -2.0 cm to 0.5 cm over southeast China. The accuracy of GPT3derived ZTD values can be improved nonlinearly with the increasing altitudes of stations. Moreover， there is a prominent seasonal variation for the precision of GPT3derived ZTD values， which is related to the content of atmospheric water vapour and its dynamic change，and the amplitudes of RMSE ranges from 1 to 6 cm. The GPT3 model has good accuracy and reliability for the calculation of ZTD， which can provide some reference for the modeling of ZTD correction over mainland China.

Keywords：

geodesy and positioning; GPT3; ZTD; mainland China; precision assessment

對流层延迟是空间大地测量中主要的误差源之一。通常以天顶方向的对流层延迟和对应映射函数（mapping function， MF）的乘积来表示电磁波信号传播路径上的延迟，在5°高度角时斜路经总延迟达到20 m[1]。鉴于对流层延迟误差改正在精密定位、精密授时等应用中的重要性，因此许多学者致力于对流层延迟精细建模的研究[26]。

目前该延迟改正模型大致可以分为2类：气象参数的模型和非气象参数的模型。其中，气象参数的模型包括传统的Hopfield模型和Saastamoinen模型[23]。此类模型在确定对流层天顶总延迟 （zenith total delay， ZTD）时需要测站实测气象数据，改正精度达到厘米级[5]。而非气象参数经验模型包括美国的UNB系列模型[4]、基于球谐函数的GZTD模型[5]、基于欧洲中期天气预报中心再分析资料建立的GPT格网模型，以及最新开发的GPT3模型[6]。这些类型的模型不依赖气象参数，仅需要测站位置信息和年积日就可以实时计算ZTD值。基于国际GNSS服务的高精度对流层延迟产品、精密单点定位或双差网解的ZTD产品以及全球大地观测系统的产品，许多学者开展了对流层模型区域适用性评估工作[711]。鉴于GPT3（global pressure temperature 3）模型是目前最新用于对流层延迟改正的全球经验模型，尚未有文献研究该模型在中国大陆的精度和适用性情况。因此，笔者采用2017—2018年欧洲中期天气预报中心 （European centre for mediumrange weather forecasts， ECMWF） 提供的ERAInterim大气廓线资料和中国地震局提供的中国大陆环境监测网络对流层延迟产品，对GPT3模型计算中国大陆对流层天顶延迟（GPT3ZTD） 的精度和适用性进行评估分析，为中国区域对流层延迟改正建模提供一定参考。

1数据源与ZTD值的确定方法

1.1GPT3模型

GPT3 （global pressure temperature 3） 模型为Landskron 和Bhm基于欧洲中尺度天气预报中心的月均值气压分层资料建立的一种提升的全球气压温度经验模型[6]。与GPT2w模型相比，该模型改良了映射函数系数，从而有效克服了低高度截止角时引起的映射函数误差。GPT3模型仅需要输入测站位置信息、年积日和测站数，就可以计算任意位置气压、温度、水气压及其递减率、映射函数系数等信息。此模型具有1°和5°空间分辨率的参数格网文件，此次选取1°格网参数文件。基于GPT3模型计算天顶总延迟需要采用Saastamoinen模型[3，12]和ASKNE等[13]建立的模型分别确定

1.2数据源

文中采用了2种独立的数据源：中国地震局提供的大陆构造环境监测网络的天顶对流层延迟产品和

ERAInterim大气廓线资料，对GPT3模型计算中国大陆对流层天顶延迟的精度进行评估分析。

中国大陆构造环境监测网络（crustal movement observation network of China， CMONOC），即陆态网络，主要用于监测中国大陆的地壳运动、重力场形态与变化以及地基GNSS水气监测等。目前整个陆态网有260个连续运行的GNSS基准站以及2 000个不定期观测站点，陆态网基准站的空间分布见图2。本文采用中国地震局GNSS数据产品服务平台提供2017—2018年陆态网的对流层天顶延迟产品（http：//www.cgps.ac.cn/）。该产品是基于单站的对流层天顶延迟数据，时间分辨率为1 h，其内符合精度可以达到4～6 mm。

ERAInterim为欧洲中期天气预报中心（ECMWF）提供的一种全球格网的大气再分析资料。文中采用2017—2018年ERAInterim氣压分层气象资料，其包括了37个重要气压层的绝对温度T（K）、相对湿度RH（%）、气压（hPa）和位势（m2/s2）等信息，空间分辨率为1°×1°，时间分辨率为6 h（00：00，06：00，12：00，18：00 UTC）。黄瑾芳等[10]以GPS 精密单点定位事后精密处理结果为参考，对ERAInterim大气廓线资料基于离散积分算法确定的ZTD的精度进行了评估;其研究表明，在中国大陆，ERAInterimZTD积分值的均方根误差优于14 cm。因此ERAInterim大气廓线资料可用于GPT3模型计算中国大陆对流层延迟的评估与分析。

1.3利用ERAInterim气象资料计算ZTD值

采用ERAInterim气象资料确定CMONOC基准站的ZTD值需要2个步骤：1）以6 h的ERAInterim气压分层资料为基础，用积分方法确定与CMONOC基准站同一高度的附近4个格网点的ZTDi（i=1，2，3，4），见式（3）—式（7）;2）采用双线性内插的方法，通过4个格网点的ZTDi估值确定CMONOC基准站处的ZTD。

由于CMONOC基准站的高度并不与ERAInterim各层高度一致，因此需用插值来获取基准站高度处的气象数据。若基准站高度低于再分析资料最底层，那么采用最接近基准站高度的两气压层的气象数据，温度以-6.5 K/km的垂直递减率线性外推;相对湿度采用最底层相对湿度;气压则采用指数外推，从而确定基准站的气象数据[16]。若基准站高度处于再分析资料高度区间内，温度和相对湿度采用与基准站高度相邻两层进行线性内插，气压进行指数内插，从而确定基准站高度的气象数据[16]。此外，由于CMONOC基准站高程以CGCS2000大地高系统为参考，而ERAInterim则采用位势高，因此，利用ERAInterim大气廓线数值积分确定ZTD之前需要进行高程转换。具体步骤：首先根据大地水准面差距将CMONOC基准站的大地高转化为正高;另外，再根据文献[17]所提供的公式实现从正高向位势高度的转化，具体请参照文献[17]的式（7）—式（9）。

1.4精度指标

采用平均偏差（Bias）和均方根误差（RMS error， RMSE）作为评估GPT3ZTD的精度指标，其具体公式如下：

2GPT3模型评估与分析

以2017—2018年ERAInterim 大气廓线资料确定的ZTD （254个测站）和地震局提供的CMONOCZTD 产品（247个测站）为参考，评估GPT3模型计算中国大陆对流层天顶延迟的精度，分析GPT3ZTD模型值精度的空间分布和季节性变化特征。

2.1模型总体精度

表1为GPT3计算中国大陆区域ZTD的精度统计，其中ERAInterim（简称ERAI）和CMONOC分别代表基于ERAInterim大气廓线确定的ZTD和中国地震局提供的陆态网ZTD产品。图1为GPT3ZTD模型值与ERAInterimZTD和CMONOCZTD相比的均方根误差直方图，可以看出，GPT3ZTD模型值的RMSE优于5 cm的测站分别占总测站数的874%，82.2%。与ERAInterimZTD相比，所有测站里，模型ZTD估值的年均偏差Bias、标准差 （STD） 和均方根误差 （RMSE）分别为-006，332，335 cm;与CMONOCZTD相比，所有测站GPT3ZTD模型值的Bias，STD和RMSE分别为-001，346和353 cm。统计结果表明，在中国大陆区域，GPT3模型计算的ZTD精度要优于文献[9]验证的 GPT2模型（Bias：153 cm;RMSE：465 cm）。此外，所有测站上，GPT3模型ZTD估值的Bias为-23～3 cm，同样也优于文献[9]对GPT2模型的评估结果（Bias：142～956 cm）。GPT3模型确定的天顶延迟的系统偏差很小，这是由于模型较高的空间分辨率，以及更充分考虑到气象元素的季节性变化和垂直变化信息。

2.2ZTD精度的空间分布

图2和图3分别展示了陆态网基准站处，GPT3ZTD模型值的年偏差和均方根误差的空间分布。由图2和图3可知，与ERAIZTD，CMONOCZTD相比，GPT3ZTD模型值的年RMSE呈现相同的空间分布。总体表现为从中国东南到西北地区，ZTD模型值的精度不断提升，即GPT3模型在西北地区（青海、新疆和西藏）具有的较高的精度和适用性（RMSE<3 cm）， 东南地区模型精度较差（RMSE>5 cm）。此外，在西北地区，GPT3ZTD模型值总体过高估计天顶总延迟（Bias：05 cm），而在东南地区模型总体低估了天顶总延迟（Bias：-2.0～-0.5 cm）。该模型在东南地区精度较差是由于该地区属于季风气候区，水气丰富且极具变化，导致湿延迟部分难以精确建模[910]。

图4为GPT3ZTD模型值的年平均偏差和均方根误差随高程的分布。以每一个散点作为单个测站，横轴为测站高程，精度统计结果（Bias/RMSE）为纵轴。2种外部数据源的验证结果表明，大部分测站处，GPT3模型计算ZTD估值的Bias为-1～1 cm，且不受高程影响;而ZTD模型值的RMSE随着测站高程的上升呈现明显的降低趋势，说明模型精度敏感于测站高程;高程超过1 km的测站，GPT3模型精度要优于4 cm。此外，采用2种不同类型数据源ERAInterim和CMONOC的评估结果一致，证实了结果的可靠性。

2.3模型精度的季节性特征

为了研究模型精度的季节性特征，对每天4个时刻（00：00， 06：00， 12：00， 18：00 UTC）所有测站的误差进行统计，并绘制了GPT3ZTD模型值偏差和均方根误差的时间序列（见图5）。由图5可知，GPT3ZTD模型值的均方根误差具有明显的季节性周期;总体表现为模型精度在春季、秋季、冬季较好（RMSE优于4.5 cm），而夏季相对较差（RMSE：

5～7 cm）;GPT3ZTD的RMSE在1～6 cm范围内变化，年振幅为5 cm。ZTD模型值精度的季节性变化特性是由不同季节水气含量变化引起的。通常，对流层静力学延迟可以精确建模，而由高动态水气引起的湿延迟则无法精确建模。在夏季，中国大陆大气中的水气含量丰富且变化剧烈，尤其在东南地区，从而使得夏季时GPT3模型估算湿延迟时会产生较大误差。从图5还可以看出，由GPT3模型计算的ZTD估值的偏差总体在-4～3 cm范围内波动，且模型在夏季明显呈现较大偏差。

3结语

利用2017—2018年ERAInterim大气再分析资料和陆态网对流层延迟产品，对GPT3模型确定中国大陆ZTD的精度及其适用性进行了验证分析。得到如下结论。

1） GPT3模型計算中国大陆对流层天顶延迟具有较高的精度和可靠性，其年均偏差小于0.6 cm，均方根误差优于3.53 cm。

2） GPT3ZTD的精度总体呈现出从中国西北地区（RMSE<3 cm ）到东南地区（RMSE>5 cm） 逐渐降低的趋势，同时，利用ERAInterim再分析资料确定的对流层天顶延迟在中国区域同样存在这一现象;在东南地区模型低估天顶延迟量级达-20～-05 cm;ZTD模型值的精度与测站高程呈非线性相关，且随着高程增加而精度不断提升。

3） GPT3ZTD模型值精度具有明显季节性变化，夏季由于大气中水气的剧烈变化导致湿延迟难以精确建模。

本文基于多源数据仅对GPT3模型确定的中国大陆对流层延迟改正精度进行了评估分析，没有进一步探究该模型对空间大地测量数据解算精度和可靠性的提升效果，这将是今后需要深入展开的课题。

参考文献/References：

[1]殷海涛， 黄丁发， 熊永良， 等. GPS 信号对流层延迟改正新模型研究[J]. 武汉大学学报（信息科学版）， 2007， 32（5）： 454457.

YIN Haitao， HUANG Dingfa， XIONG Yongliang， et al. New model for tropospheric delay estimation of GPS signal [J]. Geomatics and Information Science of Wuhan University， 2007， 32 （5）：454457.

[2]HOPFIELD H S. Twoquartic tropospheric refractivity profile for correcting satellite data[J]. Journal of Geophysical Research Atmospheres， 1969， 74（18）： 44874499.

[3]SAASTAMOINEN J. Contributions to the theory of atmospheric refraction[J]. Bulletin Géodésique （19461975）， 1972， 105（1）： 279298.

[4]COLLINS J P， LANGLEY R B. Nominal and Extreme Error Performance of the UNB3 Tropospheric Delay Model[D]. Fredericton：University of New Brunswick， 1999.

[5]姚宜斌， 何畅勇， 张豹， 等. 一种新的全球对流层天顶延迟模型GZTD[J]. 地球物理学报， 2013，

56（7）： 22182227.

YAO Yibin， HE Changyong， ZHANG Bao， et al. A new global zenith tropospheric delay model GZTD [J]. Chinese Journal of Geophysics， 2013， 56（7）：22182227.

[6]LANDSKRON D， BOEHM J. VMF3/GPT3： Refined discrete and empirical troposphere mapping functions[J]. Journal of Geodesy， 2018， 92（4）： 349360.

[7]周命端， 郭际明， 孟祥广. GPS 对流層延迟改正 UNB3 模型及其精度分析[J]. 测绘信息与工程， 2008， 33（4）： 35.

ZHOU Mingduan， GUO Jiming， MENG Xiangguang. GPS tropospheric delay model UNB3 and its accuracy analysis[J]. Journal of Geomatics， 2008， 33（4）：35.

[8]赵章明， 冯径， 洪亮. 卫星定位中对流层延迟模型对比分析[J]. 测绘通报， 2016（11）： 1821.

ZHAO Zhangming， FENG Jing， HONG Liang. Comparison and analysis of tropospheric correction models in satellite positioning[J]. Bulletin of Surveying and Mapping， 2016（11）：1821.

[9]王君刚， 陈俊平， 王解先， 等. 对流层经验改正模型在中国区域的精度评估[J]. 武汉大学学报（信息科学版）， 2016， 41（12）： 16561663.

WANG Jungang， CHEN Junping， WANG Jiexian， et al. Assessment of tropospheric delay correction models over China[J]. Geomatics and Information Science of Wuhan University， 2016， 41（12）：16561663.

[10]黄瑾芳， 楼益栋， 张卫星， 等.再分析资料计算中国区域对流层延迟精度[J].测绘科学， 2018， 43（5）： 1317.

HUANG Jinfang， LOU Yidong， ZHANG Weixing， et al. The assessment of ZTD calculated from reanalysis over China[J]. Science of Surveying and Mapping， 2018， 43（5）：1317.

[11]赵静旸， 时爽爽. 对流层天顶延迟模型研究进展及其在中国区域的精度分析[J]. 地球物理学进展， 2018， 33（1）： 148155.

ZHAO Jingyang， SHI Shuangshuang. Research progress of zenith tropospheric delay model and its accuracy analysis over China[J]. Progress in Geophysics， 2018， 33（1）： 148155.

[12]DAVIS J L， HERRING T A， SHAPIRO I I， et al. Geodesy by radio interferometry： Effects of atmospheric modeling errors on estimates of baseline length[J]. Radio Science， 1985， 20（6）： 15931607.

[13]ASKNE J， NORDIUS H. Estimation of tropospheric delay for microwaves from surface weather data[J]. Radio Science， 1987， 22（3）： 379386.

[14]CHEN Qinming， SONG Shuli， HEISE S， et al. Assessment of ZTD derived from ECMWF/NCEP data with GPS ZTD over China[J]. GPS Solutions， 2011， 15（4）： 415425.

[15]BEVIS M， BUSINGER S， CHISWELL S， et al. GPS meteorology： Mapping zenith wet delays onto precipitable water[J]. Journal of Applied Meteorology， 1994， 33（3）： 379386.

[16]ZHANG W， LOU Y， HUANG J， et al. Multiscale variations of precipitable water over China based on 1999—2015 groundbased GPS observations and evaluations of reanalysis products[J]. Journal of Climate， 2018， 31（3）： 945962.

[17]WANG Xiaoming， ZHANG Kefei， WU Suqin， et al. Watervaporweighted mean temperature and its impact on the determination of precipitable water vapor and its linear trend[J]. Journal of Geophysical Research： Atmospheres， 2016， 121（2）： 833852.