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
黎峻宇, 李浩杰, 姚宜斌, 刘立龙, 张豹, 黄良珂. 利用广义回归神经网络融合天顶对流层湿延迟[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20220193
引用本文: 黎峻宇, 李浩杰, 姚宜斌, 刘立龙, 张豹, 黄良珂. 利用广义回归神经网络融合天顶对流层湿延迟[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20220193
LI Junyu, LI Haojie, YAO Yibin, LIU Lilong, ZHANG Bao, HUANG Liangke. Zenith Wet Delay Fusion Based on A Generalized Regression Neural Network[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20220193
Citation: LI Junyu, LI Haojie, YAO Yibin, LIU Lilong, ZHANG Bao, HUANG Liangke. Zenith Wet Delay Fusion Based on A Generalized Regression Neural Network[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20220193

利用广义回归神经网络融合天顶对流层湿延迟

doi: 10.13203/j.whugis20220193
基金项目: 

广西自然科学基金(2020GXNSFBA297145);国家自然科学基金(42064002)

详细信息
    作者简介:

    黎峻宇,博士,讲师,主要从事GNSS近地空间环境监测的研究。yl_lijunyu@163.com

  • 中图分类号: P228

Zenith Wet Delay Fusion Based on A Generalized Regression Neural Network

Funds: 

the Guangxi Natural Science Foundation of China (2020GXNSFBA297145)

  • 摘要: 精确模型化天顶对流层湿延迟(zenith wet delay,ZWD)有利于提高全球卫星导航系统(global navigation satellite system,GNSS)导航定位和气象应用的精度。用于ZWD模型化的数据源有多种,各有独特的优势,但它们之间存在多源异构、精度不等甚至严重系统偏差等问题,难以对多源ZWD数据进行综合利用。针对这个问题,利用广义回归神经网络(generalized regression neural network,GRNN)强大的非线性逼近能力和高质量的探空(radiosonde,RS) ZWD,来优化质量相对较低的GRAPES_MESO (GRAPES) ZWD和ERA5 ZWD;然后将它们合并,实现多源ZWD的无偏融合,获得了1032张ZWD融合图。结果表明,以RS ZWD为参考,2016—2017年的GRAPES/ERA5 ZWD与RS ZWD间存在不同程度的系统偏差;优化后GRAPES和ERA5 ZWD的总体偏差(Bias)均趋近于0,均方根(root mean square,RMS)分别改善了22.6%和16.0%;且优化后GRAPES和ERA5 ZWD Bias、标准差(standard deviation,STD)和RMS的时空变化得到较大程度的削弱。融合后的ZWD兼具较高的精度和稳定性,能为GNSS应用提供可靠ZWD数据源。
  • [1] Lu C X, Li X X, Zus F, et al. Improving BeiDou Real-Time Precise Point Positioning with Numerical Weather Models[J]. Journal of Geodesy, 2017, 91(9):1019-1029
    [2] Zheng F, Lou Y D, Gu S F, et al. Modeling Tropospheric Wet Delays with National GNSS Reference Network in China for BeiDou Precise Point Positioning[J]. Journal of Geodesy, 2018, 92(5):545-560
    [3] Zhang Xiaohong, Hu Jiahuan, Ren Xiaodong. New Progress of PPP/PPP-RTK and Positioning Performance Comparison of BDS/GNSS PPP[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(9):1084-1100(张小红,胡家欢,任晓东. PPP/PPP-RTK新进展与北斗/GNSS PPP定位性能比较[J].测绘学报, 2020, 49(9):1084-1100)
    [4] Wu Guanbin, Chen Junping, Wu Xiaomeng, et al. Modeling and Assessment of Regional Atmospheric Corrections Based on Undifferenced and Uncombined PPP-RTK[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(11):1407-1418(伍冠滨,陈俊平,伍晓勐,等.基于非差非组合PPP-RTK的大气改正模型及其性能验证[J].测绘学报, 2020, 49(11):1407-1418)
    [5] Singh D, Ghosh J K, Kashyap D. Precipitable Water Vapor Estimation in India from GPS-Derived Zenith Delays Using Radiosonde Data[J]. Meteorology and Atmospheric Physics, 2014, 123(3):209-220
    [6] Hopfield H S. Two-Quartic Tropospheric Refractivity Profile for Correcting Satellite Data[J]. Journal of Geophysical Research, 1969, 74:4487-4499
    [7] Ning T, Haas R, Elgered G, et al. Multi-Technique Comparisons of 10 Years of Wet Delay Estimates on the West Coast of Sweden[J]. Journal of Geodesy, 2012, 86(7):565-575
    [8] Larson K M. Unanticipated Uses of the Global Positioning System[J]. Annual Review of Earth and Planetary Sciences, 2019, 47(1):19-40
    [9] Yao Yibin, Zhao Qingzhi. Research Progress and Prospect of Monitoring Tropospheric Water Vapor by GNSS Technique[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(6):935-952(姚宜斌,赵庆志. GNSS对流层水汽监测研究进展与展望[J].测绘学报, 2022, 51(6):935-952)
    [10] Zhao Q Z, Du Z, Yao W Q, et al. Hybrid Precipitable Water Vapor Fusion Model in China[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2020, 208:105387
    [11] Wang X M, Zhang K F, Wu S Q, et al. Water Vapor-Weighted Mean Temperature and Its Impact on the Determination of Precipitable Water Vapor and Its Linear Trend[J]. Journal of Geophysical Research:Atmospheres, 2016, 121:833-852
    [12] Chen B Y, Liu Z Z. Global Water Vapor Variability and Trend from the Latest 36 year (1979 to 2014) Data of ECMWF and NCEP Reanalyses, Radiosonde, GPS, and Microwave Satellite[J]. Journal of Geophysical Research:Atmospheres, 2016, 121:11
    [13] Li Bofeng, Wang Miaomiao, Shen Yunzhong, et al. Comparison of Different Global Troposphere Zenith Path Delay Products in China[J]. Journal of Tongji University (Natural Science), 2014, 42(8):1267-1272(李博峰,王苗苗,沈云中,等.不同全球对流层天顶延迟产品在中国区域的比较[J].同济大学学报(自然科学版), 2014, 42(8):1267-1272)
    [14] Schüler T. The TropGrid2 Standard Tropospheric Correction Model[J]. GPS Solutions, 2014, 18(1):123-131
    [15] Huang L K, Guo L J, Liu L L, et al. Accuracy analysis of ZTD and ZWD calculated from MERRA-2 reanalysis data over China[J]. Geomatics and Information Science of Wuhan University, 2021. (黄良珂,郭立杰,刘立龙,等.中国区域MERRA-2资料计算ZTD和ZWD的精度分析[J].武汉大学学报·信息科学版, 2021.)
    [16] Guo L J, Huang L K, Li J Y, et al. A Comprehensive Evaluation of Key Tropospheric Parameters from ERA5 and MERRA-2 Reanalysis Products Using Radiosonde Data and GNSS Measurements[J]. Remote Sens, 2021, 13:3008
    [17] Cao L Y, Zhang B, Li J Y, et al. A Regional Model for Predicting Tropospheric Delay and Weighted Mean Temperature in China Based on GRAPES_MESO Forecasting Products[J]. Remote Sens, 2021, 13:2644
    [18] Zhang H X, Yuan Y B, Li W, et al. GPS PPP-derived precipitable water vapor retrieval based on Tm/Ps from multiple sources of meteorological data sets in China[J]. Journal of Geophysical Research:Atmospheres, 2017, 122(8), 4165-4183
    [19] Wang S M, Xu T H, Nie W F, et al. Establishment of Atmospheric Weighted Mean Temperature Model in the Polar Regions[J]. Advances in Space Research, 2020, 65(1):518-528
    [20] 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(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)
    [21] Specht D F. A General Regression Neural Network[J]. IEEE Transactions on Neural Networks, 1991, 2(6):568-57
    [22] Cigizoglu H K, Alp M. Generalized Regression Neural Network in Modelling River Sediment Yield[J]. Advances in Engineering Software, 2006, 37(2):63-68
    [23] Yuan Q Q, Xu H Z, Li T W, et al. Estimating Surface Soil Moisture from Satellite Observations Using a Generalized Regression Neural Network Trained on Sparse Ground-Based Measurements in the Continental US[J]. Journal of Hydrology, 2020, 580:124351
    [24] Hu Y F, Yao Y B. A New Method for Vertical Stratification of Zenith Tropospheric Delay[J]. Advances in Space Research, 2019, 63(9):2857-2866
    [25] Rodriguez J D, Perez A, Lozano J A. Sensitivity Analysis of K-Fold Cross Validation in Prediction Error Estimation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(3):569-575
    [26] Lindenbergh R, Van Der Marel H, Keshin M, et al. Validating time series of a combined GPS and MERIS Integrated Water Vapor product[C]//Proceedings 2nd MERIS/(A) ATSR User Workshop, ESA/ESRIN Frascati, Rome, 2009
    [27] Zhang B, Yao Y B. Precipitable Water Vapor Fusion Based on a Generalized Regression Neural Network[J]. Journal of Geodesy, 2021, 95(3):36
    [28] Mendes V B, Langley R B. Tropospheric zenith delay prediction accuracy for airborne GPS high-precision positioning[J]. Proceedings of Annual Meeting of the Institute of Navigation, 1998:337-347
  • [1] 赵庆志, 杜正, 吴满意, 姚宜斌, 姚顽强.  利用多源数据构建PWV混合模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200412
    [2] 胡超, 王中元, 王潜心, 饶鹏文.  一种改进的BDS-2/BDS-3联合精密定轨系统偏差处理模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190132
    [3] 解明礼, 赵建军, 巨能攀, 何朝阳, 王俊.  多源数据滑坡时空演化规律研究——以黄泥坝子滑坡为例 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190060
    [4] 涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉.  融合多源时空大数据感知城市动态 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200535
    [5] 李仕学, 沈欣, 姚璜, 张过, 刘钰霖.  面向区域成像任务的环月卫星侧摆角优化方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170145
    [6] 刘坚, 李树林, 陈涛.  基于优化随机森林模型的滑坡易发性评价 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160515
    [7] 隋心, 施闯, 徐爱功, 郝雨时.  GPS/BDS接收机端系统偏差稳定性对整周模糊度固定的影响 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160178
    [8] 张彤, 马帅, 沈宏.  面向公平分配的时变应急服务覆盖优化 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150065
    [9] 姚宜斌, 郭健健, 张豹, 胡羽丰.  湿延迟与可降水量转换系数的全球经验模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140585
    [10] 柯宝贵, 章传银, 郭春喜, 王斌, 杨磊.  船载重力测量数据不同测区系统偏差纠正方法研究 . 武汉大学学报 ● 信息科学版,
    [11] 郑肇葆, 郑宏.  反向技术在化学反应优化图像分割中的应用 . 武汉大学学报 ● 信息科学版,
    [12] 王晓明, 成英燕, 蒋志浩, 刘立.  联合IGS站进行区域GPS大地网数据处理的两种方法讨论 . 武汉大学学报 ● 信息科学版,
    [13] 徐昔保, 杨桂山, 张建明.  兰州市城市土地利用优化研究 . 武汉大学学报 ● 信息科学版,
    [14] 邹进贵, 李琴, 王铜, 罗刊.  Helmert方差分量估计理论的优化及其在形变监测网中的应用 . 武汉大学学报 ● 信息科学版,
    [15] 李斐, 王殊伟, 柯宝贵.  应用聚类分析方法进行实测重力数据的选点优化 . 武汉大学学报 ● 信息科学版,
    [16] 陈子仪, 康立山.  多父体杂交演化算法求解约束优化问题 . 武汉大学学报 ● 信息科学版,
    [17] 祝江汉, 李曦, 毛赤龙, 张利宁.  多卫星区域观测任务的侧摆方案优化方法研究 . 武汉大学学报 ● 信息科学版,
    [18] 曲建光, 魏旭东, 王泽民, 赵全胜.  在高海拔地区Saastamoinen与Hopfield模型推算水汽含量差异的研究 . 武汉大学学报 ● 信息科学版,
    [19] 耿红, 王泽民.  基于灰色线性规划的土地利用结构优化研究 . 武汉大学学报 ● 信息科学版,
    [20] 程学光, 胡元明.  葛洲坝船闸计算机决策系统的数学模型设计 . 武汉大学学报 ● 信息科学版,
  • 加载中
计量
  • 文章访问数:  148
  • HTML全文浏览量:  28
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-05-31

doi: 10.13203/j.whugis20220193
    基金项目:

    广西自然科学基金(2020GXNSFBA297145);国家自然科学基金(42064002)

    作者简介:

    黎峻宇,博士,讲师,主要从事GNSS近地空间环境监测的研究。yl_lijunyu@163.com

  • 中图分类号: P228

摘要: 精确模型化天顶对流层湿延迟(zenith wet delay,ZWD)有利于提高全球卫星导航系统(global navigation satellite system,GNSS)导航定位和气象应用的精度。用于ZWD模型化的数据源有多种,各有独特的优势,但它们之间存在多源异构、精度不等甚至严重系统偏差等问题,难以对多源ZWD数据进行综合利用。针对这个问题,利用广义回归神经网络(generalized regression neural network,GRNN)强大的非线性逼近能力和高质量的探空(radiosonde,RS) ZWD,来优化质量相对较低的GRAPES_MESO (GRAPES) ZWD和ERA5 ZWD;然后将它们合并,实现多源ZWD的无偏融合,获得了1032张ZWD融合图。结果表明,以RS ZWD为参考,2016—2017年的GRAPES/ERA5 ZWD与RS ZWD间存在不同程度的系统偏差;优化后GRAPES和ERA5 ZWD的总体偏差(Bias)均趋近于0,均方根(root mean square,RMS)分别改善了22.6%和16.0%;且优化后GRAPES和ERA5 ZWD Bias、标准差(standard deviation,STD)和RMS的时空变化得到较大程度的削弱。融合后的ZWD兼具较高的精度和稳定性,能为GNSS应用提供可靠ZWD数据源。

English Abstract

黎峻宇, 李浩杰, 姚宜斌, 刘立龙, 张豹, 黄良珂. 利用广义回归神经网络融合天顶对流层湿延迟[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20220193
引用本文: 黎峻宇, 李浩杰, 姚宜斌, 刘立龙, 张豹, 黄良珂. 利用广义回归神经网络融合天顶对流层湿延迟[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20220193
LI Junyu, LI Haojie, YAO Yibin, LIU Lilong, ZHANG Bao, HUANG Liangke. Zenith Wet Delay Fusion Based on A Generalized Regression Neural Network[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20220193
Citation: LI Junyu, LI Haojie, YAO Yibin, LIU Lilong, ZHANG Bao, HUANG Liangke. Zenith Wet Delay Fusion Based on A Generalized Regression Neural Network[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20220193
参考文献 (28)

目录

    /

    返回文章
    返回