留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

GPT3模型在中国地区的精度分析

高壮 何秀凤 常亮

高壮, 何秀凤, 常亮. GPT3模型在中国地区的精度分析[J]. 武汉大学学报 ● 信息科学版, 2021, 46(4): 538-545. doi: 10.13203/j.whugis20190202
引用本文: 高壮, 何秀凤, 常亮. GPT3模型在中国地区的精度分析[J]. 武汉大学学报 ● 信息科学版, 2021, 46(4): 538-545. doi: 10.13203/j.whugis20190202
GAO Zhuang, HE Xiufeng, CHANG Liang. Accuracy Analysis of GPT3 Model in China[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4): 538-545. doi: 10.13203/j.whugis20190202
Citation: GAO Zhuang, HE Xiufeng, CHANG Liang. Accuracy Analysis of GPT3 Model in China[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4): 538-545. doi: 10.13203/j.whugis20190202

GPT3模型在中国地区的精度分析

doi: 10.13203/j.whugis20190202
基金项目: 

国家自然科学基金重点项目 41830110

详细信息
    作者简介:

    高壮,硕士生,主要从事合成孔径雷达干涉测量及GPS气象学研究。zhuanggao@hhu.edu.cn

    通讯作者: 何秀凤,博士,教授。xfhe@hhu.edu.cn
  • 中图分类号: P228

Accuracy Analysis of GPT3 Model in China

Funds: 

The National Natural Science Foundation of China 41830110

More Information
    Author Bio:

    GAO Zhuang, postgraduate, specializes in synthetic aperture radar interferometry and GNSS meteorology.E-mail: zhuanggao@hhu.edu.cn

    Corresponding author: HE Xiufeng, PhD, professor.E-mail: xfhe@hhu.edu.cn
  • 摘要: 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。
  • 图  1  BJFS站GGOS数据与GPT系列模型结果比较

    Figure  1.  Results Comparison of GGOS Data and GPT Series Models at BJFS Station

    图  2  中国区域18个IGS站GPT系列模型精度

    Figure  2.  Bias and RMSE of GPT Series Models at 18 IGS Stations in China

    图  3  利用IGS站2015年对流层延迟数据对GPT3模型的检验结果

    Figure  3.  Verification of GPT3 Model Using IGS Tropospheric Delay Data in 2015

    图  4  GPT3模型气压精度的全球分布

    Figure  4.  Global Distribution of Bias and RMSE for Pressure of GPT3 Model at IGS Stations

    图  5  GPT3模型气温精度的全球分布

    Figure  5.  Global Distribution of Bias and RMSE for Temperature of GPT3 Model at IGS Stations

    图  6  GPT3模型水汽压精度的全球分布

    Figure  6.  Global Distribution of Bias and RMSE for Water Vapor Pressure of GPT3 Model at IGS Stations

    图  7  GPT3模型精度与稳定性的高程分布

    Figure  7.  Elevation Distribution of Bias and RMSE for GPT3 Model at Global IGS Stations

    表  1  中国区域18个IGS站GPT系列模型气压结果比较

    Table  1.   Pressure Results Comparison of GPT Series Models at 18 IGS Stations in China

    编号 测站 GPT模型 GPT2模型 GPT2w模型 GPT3模型
    Bias/hPa RMSE/hPa Bias/hPa RMSE/hPa Bias/hPa RMSE/hPa Bias/hPa RMSE/hPa
    1 BJFS -1.720 2 7.251 3 0.670 9 5.030 3 -0.290 2 4.971 1 -0.290 0 4.967 5
    2 BJNM -2.156 8 7.218 2 0.478 8 5.008 0 -0.261 0 4.952 1 -0.260 9 4.946 3
    3 CHAN -2.704 3 7.884 3 -0.280 6 5.803 1 -0.462 7 5.796 7 -0.462 6 5.793 3
    4 CKSV -2.754 4 4.468 7 -1.026 0 3.571 9 -0.446 3 3.447 2 -0.446 1 3.448 0
    5 HKSL -0.696 2 3.832 9 -0.636 9 3.213 1 -0.635 4 3.214 3 -0.635 5 3.212 3
    6 HKWS -0.774 7 3.848 6 -0.626 5 3.234 6 -0.644 3 3.240 6 -0.644 3 3.238 5
    7 JFNG -0.945 5 6.114 8 -0.075 2 4.290 5 -0.198 6 4.298 3 -0.198 5 4.294 4
    8 KMNM -2.650 2 4.832 1 -0.753 3 3.679 0 -0.529 3 3.641 2 -0.529 3 3.640 8
    9 LHAZ -3.182 5 4.247 0 0.551 8 2.646 4 -0.222 9 2.608 0 -0.222 8 2.600 0
    10 NCKU -2.916 3 4.550 0 -1.034 7 3.550 4 -0.495 5 3.428 8 -0.495 3 3.429 5
    11 SHAO -3.994 8 6.951 3 -0.483 8 4.540 2 -0.282 1 4.475 7 -0.282 1 4.471 9
    12 TCMS -3.344 1 5.108 9 -0.941 6 3.777 3 -0.487 2 3.695 8 -0.486 9 3.695 4
    13 TWTF -3.575 6 5.256 3 -0.689 9 3.687 6 -0.357 7 3.644 1 -0.357 7 3.643 3
    14 URUM 4.386 0 6.721 3 0.844 3 4.721 4 0.742 5 4.473 2 0.742 6 4.462 0
    15 WUH2 -0.816 5 6.274 1 -0.058 5 4.355 7 -0.201 3 4.363 9 -0.201 3 4.359 8
    16 WUHN -0.819 6 6.267 1 -0.059 5 4.352 7 -0.201 5 4.360 9 -0.201 5 4.356 8
    17 XIAN 1.546 4 6.008 0 0.016 1 4.363 8 -0.238 4 4.371 1 -0.238 1 4.374 1
    18 KUNM -0.583 5 2.855 1 -0.055 7 2.177 3 -0.505 5 2.230 6 -0.505 2 2.231 4
    下载: 导出CSV

    表  2  GPT系列模型精度均值

    Table  2.   Mean Bias and Mean RMSE of GPT Series Models

    参数 气象参数 模型
    GPT GPT2 GPT2w GPT3
    Bias均值 气压/ hPa 2.20 0.52 0.40 0.40
    气温/℃ 1.28 0.56 0.48 0.46
    水汽压/ hPa 5.43 0.78 0.76 0.77
    RMSE均值 气压/ hPa 5.53 4.02 3.98 3.95
    气温/℃ 3.50 2.78 2.78 2.75
    水汽压/hPa 6.78 3.07 3.10 2.97
    下载: 导出CSV
  • [1] 赵岩. 区域对流层延迟建模分析[D]. 长沙: 中南大学, 2013

    Zhao Yan. Modeling and Analysis of Regional Tropospheric Delay[D]. Changsha: Central South University, 2013
    [2] 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): 2 219-2 227 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201307008.htm

    Yao Yibin, He Changyong, Zhang Bao, et al. A new Global Zenith Tropospheric Delay Model GZTD[J]. Chinese Journal of Geophysics, 2013, 56(7): 2 219-2 227 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201307008.htm
    [3] Collins J P, Langley R B. The Residual Tropospheric Propagation Delay: How Bad Can It Get?[C]. 11th International Technical Meeting of the Satellite Division of The Institute of Navigation, Nashville, USA, 1998
    [4] Hopfield H. Two-quartic Tropospheric Refractivity Profile for Correcting Satellite Data[J]. Journal of Geophysical Research, 1969, 74(18): 4 487-4 499 doi:  10.1029/JC074i018p04487
    [5] Black H D. An Easily Implemented Algorithm for the Tropospheric Range Correction[J]. Journal of Geophy-sical Research Solid Earth, 1978, 83(B4): 1 825-1 828 doi:  10.1029/JB083iB04p01825
    [6] Saastamoinen J. Contributions to the Theory of Atmospheric Refraction[J]. Bulletin Geodesique, 1972, 105 (1) : 279-298 doi:  10.1007/BF02521844
    [7] Boehm J, Heinkelmann R, Schuh H. Short Note: A Global Model of Pressure and Temperature for Geodetic Applications[J]. Journal of Geodesy, 2007, 81(10): 679-683 doi:  10.1007/s00190-007-0135-3
    [8] Lagler K, Schindelegger M, Böhm J, et al. GPT2: Empirical Slant Delay Model for Radio Space Geodetic Techniques[J]. Geophysical Research Letters, 2013, 40(6): 1 069-1 073 doi:  10.1002/grl.50288
    [9] Böhm J, Möller G, Schindelegger M, et al. Development of an Improved Empirical Model for Slant Delays in the Troposphere (GPT2w)[J]. GPS Solutions, 2015, 19(3): 433-441 doi:  10.1007/s10291-014-0403-7
    [10] Landskron D, Böhm J. VMF3/GPT3: Efined Discrete and Empirical Troposphere Mapping Functions[J]. Journal of Geodesy, 2018, 92(4): 349-360 doi:  10.1007/s00190-017-1066-2
    [11] 滑中豪, 柳林涛, 梁星辉. GPT2w模型检验以及对流层模型的参数互融[J]. 武汉大学学报·信息科学版, 2017, 42(10): 1 468-1 473 doi:  10.13203/j.whugis20150758

    Hua Zhonghao, Liu Lintao, Liang Xinghui. An Assessment of GPT2w Model and Fusion of a Troposphere Model with in Situ Data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(10): 1 468-1 473 doi:  10.13203/j.whugis20150758
    [12] 施宏凯, 何秀凤, 王俊杰. 全球气压气温模型在中国地区的精度分析[J]. 大地测量与地球动力学, 2017, 37(8): 841-844 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201708014.htm

    Shi Hongkai, He Xiufeng, Wang Junjie. Accuracy Analyses of Global Pressure and Temperature Model in China[J]. Journal of Geodesy and Geodynamics, 2017, 37(8): 841-844 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201708014.htm
    [13] Askne J, Nordius H. Estimation of Tropospheric Delay for Microwaves from Surface Weather Data[J]. Radio Science, 1987, 22(3): 379-386 doi:  10.1029/RS022i003p00379
    [14] 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): 1 656-1 663 doi:  10.13203/j.whugis20140696

    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): 1 656-1 663 doi:  10.13203/j.whugis20140696
    [15] Dow J M, Neilan R E, Rizos C. The International GNSS Service in a Changing Landscape of Global Navigation Satellite Systems[J]. Journal of Geodesy, 2009, 83(7): 689-689 doi:  10.1007/s00190-009-0315-4
    [16] Byun S H, BarSever Y E. A New Type of Troposphere Zenith Path Delay Product of the International GNSS Service[J]. Journal of Geodesy, 2009, 83(3-4): 1-7 doi:  10.1007/s00190-008-0288-8
    [17] 毛健, 朱长青, 郭继发. 一种新的全球对流层天顶延迟模型[J]. 武汉大学学报·信息科学版, 2013, 38(6): 684-688 http://ch.whu.edu.cn/article/id/2667

    Mao Jian, Zhu Changqing, Guo Jifa. A New Global Zenith Tropospheric Delay Model[J]. Geomatics and Information Science of Wuhan University, 2013, 38(6): 684-688 http://ch.whu.edu.cn/article/id/2667
  • [1] 张熙, 刘长建, 章繁, 吴庆, 胡小华.  四大GNSS广播星历精度评估与对比分析 . 武汉大学学报 ● 信息科学版, 2022, 47(2): 208-218. doi: 10.13203/j.whugis20190473
    [2] 高梦瑶, 许才军, 刘洋.  青藏高原西北缘时序InSAR对流层延迟改正方法评估 . 武汉大学学报 ● 信息科学版, 2021, 46(10): 1548-1559. doi: 10.13203/j.whugis20210254
    [3] 李鹏, 高梦瑶, 李振洪, 王厚杰.  阿尔金断裂带宽幅InSAR对流层延迟估计方法评估 . 武汉大学学报 ● 信息科学版, 2020, 45(6): 879-887. doi: 10.13203/j.whugis20190236
    [4] 杨惠, 胡伍生, 余龙飞, 聂檄晨, 李航.  一种新的区域对流层天顶延迟模型——Ghop . 武汉大学学报 ● 信息科学版, 2020, 45(2): 226-232. doi: 10.13203/j.whugis20180167
    [5] 赵兴旺, 刘超, 邓健, 余学祥.  一种改进的精密单点定位模型 . 武汉大学学报 ● 信息科学版, 2018, 43(4): 613-619. doi: 10.13203/j.whugis20160043
    [6] 滑中豪, 柳林涛, 梁星辉.  GPT2w模型检验以及对流层模型的参数互融 . 武汉大学学报 ● 信息科学版, 2017, 42(10): 1468-1473. doi: 10.13203/j.whugis20150758
    [7] 王君刚, 陈俊平, 王解先, 章洁君, 宋雷.  对流层经验改正模型在中国区域的精度评估 . 武汉大学学报 ● 信息科学版, 2016, 41(12): 1656-1663. doi: 10.13203/j.whugis20140696
    [8] 姚宜斌, 余琛, 胡羽丰, 刘强.  利用非气象参数对流层延迟估计模型加速PPP收敛 . 武汉大学学报 ● 信息科学版, 2015, 40(2): 188-192+221.
    [9] 赵静旸, 宋淑丽, 朱文耀.  ERA-Interim应用于中国地区地基GPS/PWV计算的精度评估 . 武汉大学学报 ● 信息科学版, 2014, 39(8): 935-939. doi: 10.13203/j.whugis20120006
    [10] 毛健, 朱长青, 郭继发.  一种新的全球对流层天顶延迟模型 . 武汉大学学报 ● 信息科学版, 2013, 38(6): 684-688.
    [11] 黄谟涛, 欧阳永忠, 翟国君, 陆秀平.  海面与航空重力测量重复测线精度评估公式注记 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1175-1177.
    [12] 杨哲, 宋淑丽, 薛军琛, 朱文耀.  Klobuchar模型和NeQuick模型在中国地区的精度评估 . 武汉大学学报 ● 信息科学版, 2012, 37(6): 704-708.
    [13] 陈明, 唐歌实, 曹建峰, 张宇.  嫦娥一号绕月探测卫星精密定轨实现 . 武汉大学学报 ● 信息科学版, 2011, 36(2): 212-217.
    [14] 张小红, 何锡扬, 郭博峰, 徐运.  基于GPS非差观测值估计大气可降水量 . 武汉大学学报 ● 信息科学版, 2010, 35(7): 806-810.
    [15] 朱庆林, 赵振维, 吴振森.  精密单点定位方法测量对流层天顶延迟的精度改善 . 武汉大学学报 ● 信息科学版, 2009, 34(9): 1098-1101.
    [16] 蔡华, 赵齐乐, 楼益栋.  精密卫星钟差确定系统的实现与精度分析 . 武汉大学学报 ● 信息科学版, 2009, 34(11): 1293-1296.
    [17] 叶世榕, 张双成, 刘经南.  精密单点定位方法估计对流层延迟精度分析 . 武汉大学学报 ● 信息科学版, 2008, 33(8): 788-791.
    [18] 朱长青, 王志伟, 刘海砚.  基于重构等高线的DEM精度评估模型 . 武汉大学学报 ● 信息科学版, 2008, 33(2): 153-156.
    [19] 殷海涛, 黄丁发, 熊永良, 王贵文.  GPS信号对流层延迟改正新模型研究 . 武汉大学学报 ● 信息科学版, 2007, 32(5): 454-457.
    [20] 曲建光, 刘基余, 韩中元.  利用天顶对流层延迟数据直接推算水汽含量的研究 . 武汉大学学报 ● 信息科学版, 2005, 30(7): 625-628.
  • 加载中
图(7) / 表(2)
计量
  • 文章访问数:  623
  • HTML全文浏览量:  185
  • PDF下载量:  86
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-01-20
  • 刊出日期:  2021-04-05

GPT3模型在中国地区的精度分析

doi: 10.13203/j.whugis20190202
    基金项目:

    国家自然科学基金重点项目 41830110

    作者简介:

    高壮,硕士生,主要从事合成孔径雷达干涉测量及GPS气象学研究。zhuanggao@hhu.edu.cn

    通讯作者: 何秀凤,博士,教授。xfhe@hhu.edu.cn
  • 中图分类号: P228

摘要: 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。

English Abstract

高壮, 何秀凤, 常亮. GPT3模型在中国地区的精度分析[J]. 武汉大学学报 ● 信息科学版, 2021, 46(4): 538-545. doi: 10.13203/j.whugis20190202
引用本文: 高壮, 何秀凤, 常亮. GPT3模型在中国地区的精度分析[J]. 武汉大学学报 ● 信息科学版, 2021, 46(4): 538-545. doi: 10.13203/j.whugis20190202
GAO Zhuang, HE Xiufeng, CHANG Liang. Accuracy Analysis of GPT3 Model in China[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4): 538-545. doi: 10.13203/j.whugis20190202
Citation: GAO Zhuang, HE Xiufeng, CHANG Liang. Accuracy Analysis of GPT3 Model in China[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4): 538-545. doi: 10.13203/j.whugis20190202
  • 无论是在全球导航卫星系统(global navigation satellite system,GNSS)、卫星多普勒定轨定位系统(Doppler orbitography by radiopositioning integrated on satellite,DORIS)、甚长基线干涉测量(very long baseline interferometry,VLBI)、卫星激光测距(satellite laser ranging,SLR)等无线电测量过程中,还是在合成孔径雷达干涉测量(synthetic aperture radar interferometry,InSAR)监测地表形变中,对流层延迟都是影响结果精度的重要误差源之一[1]。然而精确估计对流层延迟需要气压、大气温度和水汽压等气象参数,气象参数的精度直接影响了对流层延迟的估计精度,目前很多国内外学者在气象参数估计方面进行了深入研究。

    虽然利用探空气球获得气象资料可以达到更高的精度,但是通过该方法获得的气象资料在时间、空间分辨率上均受到限制[2]。为了摆脱对测站实测气象资料的依赖,后来又发展了非实测气象参数模型,例如加拿大新布伦瑞克大学(University of New Brunswick,UNB)模型、欧盟星基广域增强系统(European Geostationary Navigation Overlay Service,EGNOS)、全球气压气温模型(global pressure and temperaure model,GPT)系列等模型。Collins和Langley最初建立了UNB模型[3],后经过不断发展改进,在UNB系列模型的基础上形成了UNB1_4、UNB3m和UNB.na。EGNOS模型是欧盟星基广域增强系统采用的天顶对流层延迟(zenith troposphere delay,ZTD)改正模型,该模型可以提供计算对流层天顶延迟所需气象参数,其精度总体上与采用实测气象参数的Hopfield和Saastamoinen模型相当[4-6]。随着气象资料的积累和相关理论的成熟,Boehm等[7]利用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasting,ECMWF)40年的再分析数据(ERA40),使用9阶9次球谐函数建立全球地表温度和气压经验模型,即GPT模型。GPT模型只需知道测站坐标信息和年积日,就可以算得地球表面附近任何地点的压力和温度,也可以对参数的年变化进行建模。目前GPT系列模型从最初的GPT模型逐渐形成了GPT2、GPT2w、GPT3模型。其中GPT2模型是基于2001—2010年ECMWF再分析数据得到的全球月平均压力、温度、比湿度和地势剖面[8],它可以在$ 5°\times 5° $格网间隔内提供压力、温度、温度递减速率和水汽压; 在GPT2模型的基础上,GPT2w模型引入了新的气象参数水汽直减率以改善湿延迟(zenith wet delay,ZWD)模型精度[9],而GPT3模型在GPT2w模型基础上又引入了梯度模型[10]进一步优化模型。

    目前,国内学者对GPT系列模型进行了验证,如姚宜斌等[2]利用ECMWF及美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)数据对GPT2模型进行全球10 153个格网点精度检验及分析; 滑中豪等[11]利用美国海军天文台(United States Naval Observatory,USNO)发布的全球分布的国际卫星导航服务(International GNSS Service,IGS)跟踪站天顶对流层延迟数据、综合全球无线电探空仪档案(Integrated Global Radiosonde Archive,IGRA)发布的气象站大气廓线数据以及全球大地测量观测系统(Global Geodetic Observing System,GGOS)发布的测站气象数据,对GPT2w模型精度、模型测站气象数据精度以及模型加权平均温度和水汽直减率精度进行分析验证; 施宏凯等[12]基于中国29个探空站在2015-03—2016-02期间实测的气压和气温数据,比较分析GPT、GPT2w_5和GPT2w_1模型导出的气压和气温结果。但是,目前针对GPT3模型所估计的气象参数的误差特性分析以及该模型在中国区域的验证与分析还不多。本文选取中国区域18个IGS站作为实验站点,将GPT3模型估计的气象参数与GGOS Atmosphere机构提供的气象数据,以及IGS数据中心提供的对流层延迟产品进行比较分析,以验证GPT3模型的精度并分析其误差特性。

    • GPT系列模型是目前世界上应用最广、精度最高的对流层经验改正模型[13]。目前GPT系列产品有GPT、GPT2、GPT2w和GPT3,前3种模型已有较多文献阐述[7-9, 14]。GPT3模型同GPT与GPT2w模型一样,采用的投影函数都是地球物理模型函数(geophysical model function,GMF)模型,其精度大致与VMF1相仿,但是没有时延问题,由于篇幅所限,具体的建立过程可以参考文献[10]。GPT3模型的气象参数数量与GPT2w保持一样,以1°格网的ETOPO5平均高程为基准进行参数计算,建模数据与GPT2模型相同,但提供了格网数据,并增加了大气加权平均温度和水汽压递减率2个参数,将其代入Askne & Nordius公式[15]计算湿延迟。关于气象参数的变化,计算式为:

      $$ r\left(t\right)={A}_{0}+{A}_{1}\mathrm{c}\mathrm{o}\mathrm{s}\frac{2\mathrm{\pi }t}{365.25}+{B}_{1}\mathrm{s}\mathrm{i}\mathrm{n}\frac{2\mathrm{\pi }t}{365.25}+\\ {A}_{2}\mathrm{c}\mathrm{o}\mathrm{s}\frac{4\mathrm{\pi }t}{365.25}+{B}_{2}\mathrm{s}\mathrm{i}\mathrm{n}\frac{4\mathrm{\pi }t}{365.25} $$ (1)

      式中,$ r\left(t\right) $为模型估计的大地水准面处的气象参数函数; t为年积日; $ {A}_{0} $为年平均振幅; $ {A}_{1} $、$ {B}_{1} $为年周期参数; $ {A}_{2} $、$ {B}_{2} $为半年周期参数。

    • 为了分析GPT3模型在中国区域的模型精度,本文选取中国区域18个IGS站作为实验站点,使用GGOS Atmosphere机构提供的2015—2017年18个IGS站每天4次(UTC 0时、6时、12时、18时)气象数据进行验证。目前14个站数据服务正常,XIAN、KUNM、WUHN和BJNM 4个站数据服务暂停,由于验证模型的数据源并不是采用IGS站的气象文件,所以本文没有将其剔除,仍然分析该4个站点。

    • 将各个IGS站的坐标信息和时序信息作为GPT3模型的输入参数,得到时序变化的气压、气温和水汽压值。同时采用GPT、GPT2和GPT2w模型分别计算得到气象结果并进行比较。由于测站数量过多和篇幅所限,本文仅对BJFS站的气压、气温和水汽压结果进行比较,如图 1所示,其他测站结果类似。由于利用GPT3模型与GPT2w模型计算的结果相近,故在图 1中没有显示GPT2w模型结果。从图 1可知,3种模型估计结果与GGOS提供的2015—2017年的实测气象数据趋势具有很好的一致性。3种模型估算的气温结果相较气压和水汽压与实测气象数据更为接近,同时模型的气象参数结果均呈现出一定的季节性特征,这与文献[12]得到的结论一致。

      图  1  BJFS站GGOS数据与GPT系列模型结果比较

      Figure 1.  Results Comparison of GGOS Data and GPT Series Models at BJFS Station

      为了更好地定量比较GPT3模型的精度,本文采用偏差(Bias)和均方根误差(root mean square error,RMSE)进行精度评定,其中Bias反映了模型估算值与真值的偏离程度,而RMSE衡量了模型的稳定性,计算式为:

      $$ \mathrm{B}\mathrm{i}\mathrm{a}\mathrm{s}=\frac{1}{N}\sum \limits_{i=1}^{N}({P}_{i}-{P}_{i}^{0}) $$ (2)
      $$ \mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{1}{N}\sum \limits_{i=1}^{N}({P}_{i}-{P}_{i}^{0}{)}^{2}} $$ (3)

      式中,$ {P}_{i} $为GPT3模型估计的第i天的气压值; $ {P}_{i}^{0} $为GGOS提供的各个IGS站第i天的日均气压值(气温和水汽压类似); N为累计天数。

      将GGOS提供的中国区域18个IGS站的气象数据的日均值作为每天的真值,可得到GPT系列模型对气象参数的估值结果。其中,GPT系列模型的气压估值结果见表 1(气温和水汽压省略)。

      表 1  中国区域18个IGS站GPT系列模型气压结果比较

      Table 1.  Pressure Results Comparison of GPT Series Models at 18 IGS Stations in China

      编号 测站 GPT模型 GPT2模型 GPT2w模型 GPT3模型
      Bias/hPa RMSE/hPa Bias/hPa RMSE/hPa Bias/hPa RMSE/hPa Bias/hPa RMSE/hPa
      1 BJFS -1.720 2 7.251 3 0.670 9 5.030 3 -0.290 2 4.971 1 -0.290 0 4.967 5
      2 BJNM -2.156 8 7.218 2 0.478 8 5.008 0 -0.261 0 4.952 1 -0.260 9 4.946 3
      3 CHAN -2.704 3 7.884 3 -0.280 6 5.803 1 -0.462 7 5.796 7 -0.462 6 5.793 3
      4 CKSV -2.754 4 4.468 7 -1.026 0 3.571 9 -0.446 3 3.447 2 -0.446 1 3.448 0
      5 HKSL -0.696 2 3.832 9 -0.636 9 3.213 1 -0.635 4 3.214 3 -0.635 5 3.212 3
      6 HKWS -0.774 7 3.848 6 -0.626 5 3.234 6 -0.644 3 3.240 6 -0.644 3 3.238 5
      7 JFNG -0.945 5 6.114 8 -0.075 2 4.290 5 -0.198 6 4.298 3 -0.198 5 4.294 4
      8 KMNM -2.650 2 4.832 1 -0.753 3 3.679 0 -0.529 3 3.641 2 -0.529 3 3.640 8
      9 LHAZ -3.182 5 4.247 0 0.551 8 2.646 4 -0.222 9 2.608 0 -0.222 8 2.600 0
      10 NCKU -2.916 3 4.550 0 -1.034 7 3.550 4 -0.495 5 3.428 8 -0.495 3 3.429 5
      11 SHAO -3.994 8 6.951 3 -0.483 8 4.540 2 -0.282 1 4.475 7 -0.282 1 4.471 9
      12 TCMS -3.344 1 5.108 9 -0.941 6 3.777 3 -0.487 2 3.695 8 -0.486 9 3.695 4
      13 TWTF -3.575 6 5.256 3 -0.689 9 3.687 6 -0.357 7 3.644 1 -0.357 7 3.643 3
      14 URUM 4.386 0 6.721 3 0.844 3 4.721 4 0.742 5 4.473 2 0.742 6 4.462 0
      15 WUH2 -0.816 5 6.274 1 -0.058 5 4.355 7 -0.201 3 4.363 9 -0.201 3 4.359 8
      16 WUHN -0.819 6 6.267 1 -0.059 5 4.352 7 -0.201 5 4.360 9 -0.201 5 4.356 8
      17 XIAN 1.546 4 6.008 0 0.016 1 4.363 8 -0.238 4 4.371 1 -0.238 1 4.374 1
      18 KUNM -0.583 5 2.855 1 -0.055 7 2.177 3 -0.505 5 2.230 6 -0.505 2 2.231 4

      GPT系列模型在中国区域18个IGS站的气象参数估值精度如图 2所示,进一步求得气象参数估值精度18个IGS站的平均值,即Bias均值和RMSE均值,结果见表 2

      图  2  中国区域18个IGS站GPT系列模型精度

      Figure 2.  Bias and RMSE of GPT Series Models at 18 IGS Stations in China

      表 2  GPT系列模型精度均值

      Table 2.  Mean Bias and Mean RMSE of GPT Series Models

      参数 气象参数 模型
      GPT GPT2 GPT2w GPT3
      Bias均值 气压/ hPa 2.20 0.52 0.40 0.40
      气温/℃ 1.28 0.56 0.48 0.46
      水汽压/ hPa 5.43 0.78 0.76 0.77
      RMSE均值 气压/ hPa 5.53 4.02 3.98 3.95
      气温/℃ 3.50 2.78 2.78 2.75
      水汽压/hPa 6.78 3.07 3.10 2.97

      图 2可以看出,相较GPT和GPT2模型,GPT3模型精度明显提高,尤其是对气压和水汽压的估计,在18个IGS站中,GPT3模型的气压偏差均在±1 hPa内,水汽压偏差均在±3 hPa内(图 2(a)2(e)); 而GPT3模型的气温偏差除了在LHAZ站较大外,在其他测站均在±1 ℃内(图 2(c))。同时,GPT3模型的稳定性也较GPT和GPT2模型有所提高(图 2(b)2(d)2(f))。

      表 2可知,GPT3模型在18个测站的气压和水汽压的Bias均值比GPT模型分别降低了81.8%和85.6%,比GPT2模型分别降低了22.4%和8%;气压、气温和水汽压的RMSE均值比GPT模型分别降低了28.6%、21.4%和54.7%,比GPT2模型分别降低了1.2%、0.9%和3.2%。虽然GPT3模型与GPT2w模型的Bias均值几乎相同,但GPT3模型的RMSE均值却略低于GPT2w模型,说明GPT3模型在保证结果精度的同时,也提高了模型的稳定性。

    • 由于上述验证数据只来自GGOS气象数据,为了避免该机构提供的数据与GPT3模型可能存在系统性偏差现象,本文通过IGS提供的2015年高时间分辨率(5 min)的对流层延迟产品[16],进一步验证GPT3模型的有效性。GPT3模型不仅提供气压、气温和水汽压,还提供大气加权平均温度和水汽衰减因子等气象参数,由此可以通过Askne & Nordius公式计算得到对流层延迟[14, 17]。由于IGS数据中心没有提供所有测站的对流层延迟数据,故本文只分析BJFS、CHAN、LHAZ、TWTF和URUM 5个站,结果如图 3所示,GPT3模型与IGS数据中心提供的数据偏差均在17 cm内,而且偏差在5 cm内的天数分别占比84.2%、85%、95.3%、96.6%和90.2%,说明了GPT3模型的高精度和可靠性,这与利用GGOS气象数据的验证结果一致。

      图  3  利用IGS站2015年对流层延迟数据对GPT3模型的检验结果

      Figure 3.  Verification of GPT3 Model Using IGS Tropospheric Delay Data in 2015

    • 为了进一步分析GPT3模型精度的时空分布特性,需考虑测站的地理位置,更加准确地分析GPT3模型估算的气压、气温、水汽压3个气象参数的变化和误差特性与经纬度及海拔高度之间的关系。本文不再仅仅考虑中国区域的测站,而是利用全球共505个GNSS站在2015—2017年间的气象数据,对GPT3模型估算结果进行对比分析,得到GPT3模型对3个气象参数的估值精度与经纬度及海拔高度之间的关系,如图 4~图 7所示。

      图  4  GPT3模型气压精度的全球分布

      Figure 4.  Global Distribution of Bias and RMSE for Pressure of GPT3 Model at IGS Stations

      图  5  GPT3模型气温精度的全球分布

      Figure 5.  Global Distribution of Bias and RMSE for Temperature of GPT3 Model at IGS Stations

      图  6  GPT3模型水汽压精度的全球分布

      Figure 6.  Global Distribution of Bias and RMSE for Water Vapor Pressure of GPT3 Model at IGS Stations

      图  7  GPT3模型精度与稳定性的高程分布

      Figure 7.  Elevation Distribution of Bias and RMSE for GPT3 Model at Global IGS Stations

      图 4~图 6中可以发现,GPT3模型精度受纬度影响显著。气压和气温偏差随着纬度的增加而增大(如图 4(a)5(a)所示),但是气温的稳定区域更大,在中低纬度区域(60°S~60°N)偏差较低,进入高纬度区域才开始升高; 而水汽压偏差几乎不受纬度变化的影响(如图 6(a)所示)。在模型稳定性方面,气压和气温的稳定性由赤道向两极地区逐渐降低(如图 4(b)5(b)所示); 而水汽压的稳定性却由两极地区向赤道先降低再提高,在中纬度和部分低纬度区域,稳定性比高纬度地区差(如图 6(b)所示)。此外,由图 2表 2可以看出,GPT3模型精度明显优于GPT和GPT2模型,与GPT2w模型精度相当; GPT3模型稳定性明显优于GPT和GPT2模型,比GPT2w模型略高。但对比图 4~图 6可以发现,就GPT3模型本身而言,在取得较高精度的同时,模型稳定性也随之降低。

      图 7反映的是GPT3模型精度和稳定性与高程之间的关系。从图 7(a)可以看出,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,气温在±2 ℃内。从图 7(b)可以看出,GPT3模型估计的水汽压稳定性最高,均方根误差随高程变化很小; 气温稳定性次之; 气压稳定性最差,均方根误差随高程变化剧烈,且随机分布。

    • 本文利用GGOS Atmosphere机构提供的2015—2017年的气象数据和IGS数据中心提供的2015年对流层延迟数据对GPT3模型在中国区域的精度进行了验证,并联合全球其他共505个GNSS站详细分析了GPT3模型的误差特性。从验证结果可知:

      1) GPT3模型的精度和稳定性较GPT和GPT2模型显著提高; GPT3模型在取得与GPT2w模型相近精度的同时,也提高了稳定性。

      2) GPT3模型估计的对流层延迟偏差总体在17 cm内,偏差在5 cm内的天数平均占比90.3%。

      3) 从误差特性来看,GPT3模型精度受纬度影响显著。气压和气温偏差随着纬度的增加而增大,但是气温变化的稳定区域更大,而水汽压偏差几乎不受纬度变化的影响。在模型稳定性方面,气温和气压稳定性由赤道向两极地区逐渐降低,而水汽压在中纬度和部分低纬度区域的稳定性比高纬度地区差。

      4) GPT3模型对气象参数估值的偏差在低海拔地区具有随机性,随着海拔升高,气压和水汽压偏差逐渐稳定在±2 hPa内,气温稳定在±2 ℃内。

参考文献 (17)

目录

    /

    返回文章
    返回