GPT/GPT2/GPT3模型在广东省适应性对比分析
2022-04-27郑友淼
郑友淼
(1.广州元测信息科技有限公司,广东 广州 510220)
对流层延迟误差是全球卫星导航系统(global navi⁃gation satellite system,GNSS)中导航定位的主要误差源之一,对流层延迟误差无法像电离层误差那样靠不同频率的信号组合削弱或消除其影响,目前削弱对流层主要的方法包括参数估计法、外部修正法、模型改正法等[1-7]。
自进入20世纪以来,国内学者对对流层延迟模型进行相关研究,建立不同区域、不同分辨率、不同外界条件的对流层延迟模型,不同对流层模型的适用性和精度在不同地区表现各异[8-16]。GPT系列模型(包括:GPT、GPT2、GPT2w、GPT3)是目前世界上精度最高、应用范围最广的对流层经验改正模型。
GPT、GPT2和GPT2w模型在国内文献中已有较多的阐述和实验验证[10-13],而目前GPT3模型在区域性的适应性分析尚且缺乏,因此,本文借助中国大陆构造环境监测网络(crustal movement observation network of China,CMONOC)观测数据对GPT/GPT2/GPT3模型在广东省的适应性进行分析,旨在广东地区得到精度更高的天顶对流层延迟(zenith tropospheric delay,ZTD)、对流层干延迟(zenith hydrostatic delay,ZHD)、对流层湿延迟(zenith wet delay,ZWD)及大气可降水量(perceptible water vapor,PWV)参数信息。
1 基本原理与方法
1.1 GNSS反演PWV基本理论
基于地基GNSS观测数据获取对流层天顶总延迟,结合气象观测资料和天顶静力延迟计算模型,得到天顶静力学延迟,具体计算如式(1)所示:
式中,φ为测站的纬度,单位是(°);h0为测站海拔高度,单位是km;P为测站地面气压,单位为hPa;ZHD为天顶静力学延迟,单位为cm。此处采用萨斯塔莫伊宁(saastamoinen)模型计算得到。天顶对流层延迟减去天顶干延迟得到天顶湿延迟,即:
再利用经验公式计算出加权平均温度Tm,进而得到水汽转换系数Π。天顶湿延迟与水汽转换系数相乘即可得到大气可降水量,即:
式中,Π为无量纲转换因子。
1.2 GPT3模型简介
GPT系列模型是由ERA-40的再分析资料基于球谐函数建立的,该模型考虑了温度和气压的年周期和半年周期变化特性,但它在空间和时间的变化性方面有一定的局限。GPT2模型是在GPT模型上增加了水气压的垂直递减率和水汽加权平均温度参数。GPT3模型解决了GPT2模型时延问题,模型通过测站处大气加权平均温度和水汽压递减率结果计算ZWD,其中气象参数的计算如式(4)所示。
式中,A0表示年平均振幅;A1、B1为年周期参数;A2、B2为半年周期参数;doy表示年积日。
2 数据来源及方案设计
为了分析GPT3模型在广东省的精度,借助CMONOC网在广东省的基准站观测数据验证GPT/GPT2/GPT3模型在广东省的适应性,在基线解算过程中参数设置如表1所示。
由表1可以看出,本次实验过程中基线处理模式选择为RELAX模型,对电离层和对流层延迟分别采用了去电离层组合(LC_HELP)和GPT/GPT2/GPT3模型进行改正,同时考虑到潮汐改正、相位缠绕、相对论效应,其目的是使解算结果更加可靠、稳定,精度更高。
表1 基线解算参数配置表
3 GPT/GPT2/GPT3模型精度对比分析
为了更好地对比分析GPT/GPT2/GPT3模型的精度,本文采用平均偏差BIAS和均方根误差RMS作为评价指标进行精度分析,其中BIAS反映了模型计算值与参考值的平均偏离程度,而RMS验证模型的稳定程度,将各个CMONOC站的坐标信息和时序信息,作为GPT3模型的输入参数,得到时序变化的气温、气压和水汽压值,分别与实测气象数据进行对比分析,计算结果如表2所示。
表2 GPT/GPT2/GPT3模型对比分析
从表2可以看出,GPT3模型与GPT和GPT2模型相比精度明显提高,GPT3模型在气温方向较GPT2和GPT模型相比,BIAS值分别提升26.7%、53.7%,RMS值分别提升40.2%、59.0%;GPT3模型在气压方向较GPT2和GPT模型相比,BIAS值分别提升45.2%、59.7%,RMS值分别提升47.0%、57.2%;GPT3模型在水气压方向较GPT2和GPT模型相比,BI⁃AS值分别提升29.0%、66.3%,RMS值分别提升34.1%、61.9%,进一步说明GPT3模型在保证解算结果精度的同时,也提高了稳定性。
为了分析GPT/GPT2/GPT3模型对水汽反演结果的影响,本次实验将GPT/GPT2/GPT3模型分别利用GAMIT软件解算得到的PWV结果与实际降水量进行对比分析,解算CMONOC数据过程中加入IGS观测站(BJFS、CHAN、SHAO、TWTF和WUHN)数据进行联合解算,其目的是为了削弱对流层相关性,同样,已均方根误差RMS作为判断PWV精度指标,实验结果如图1所示。
图1 不同模型PWV结果对比分析
由图1可知,同一测站观测数据采用GPT3模型反演PWV结果精度明显优于GPT和GPT2模型,GPT模型反演结果精度最差。GPT、GPT2、GPT3模型反演PWV结果的RMS值精度分别优于7.7 mm、5.4 mm、3.2 mm。
4 结语
本文利用CMONOC观测数据对不同对流层延迟模型(GPT/GPT2/GPT3)在广东省适应性进行对比分析,从气温、气压、水气压及反演PWV结果来看,GPT3模型与GPT和GPT2模型相比精度有明显提高,GPT模型精度最差。GPT3模型于GPT模型相比,在气温、气压和水气压精度均提升50%以上,反演PWV结果精度提高4.5 mm,进一步证实了GPT3模型在广东地区适应性更强、精度更高,实验结果可为广东地区进行高精度水气反演提供理论参考依据。