GPT3模型计算中国大陆对流层天顶延迟精度分析.docx

GPT3模型计算中国大陆对流层天顶延迟精度分析.docx

《GPT3模型计算中国大陆对流层天顶延迟精度分析.docx》由会员分享，可在线阅读，更多相关《GPT3模型计算中国大陆对流层天顶延迟精度分析.docx（11页珍藏版）》请在冰豆网上搜索。

GPT3模型计算中国大陆对流层天顶延迟精度分析

GPT3模型计算中国大陆对流层天顶延迟精度分析

作者：

丁保才

来源：

《河北工业科技》2020年第03期

        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大气廓线资料和中國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06cm，均方根误差（RMSE）优于353cm。

ZTD模型值的精度总体呈现出从中国西北（RMSE<3cm）到东南地区（RMSE>5cm）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-20～05cm。

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1～6cm，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：

        Inordertoevaluatetheprecisionandreliabilityofzenithtroposphericdelay（ZTD）correctionderivedfromGPT3overmainlandChina，theassessmentandanalysiswereconductedbyusingERAInterimatmosphericprofilesfromEuropeanCentreandMediumRangeWeatherForecasts（ECMWF）andCrustalMovementObservationNetworkofChina（CMONOC）ZTDproductsfromChinaEarthquakeAdministrationcoveringtheperiod2017-2018.Theresultsshowthatannualbiasesandrootmeansquareerrors（RMSE）ofZTDvaluesderivedfromGPT3modelovermainlandChinaarewithin0.6cmand3.53cmrespectively.TheprecisionofGPT3derivedZTDvaluesgenerallypresentsadecreasingtrendfromnorthwesternregions（RMSE<3cm）tosoutheasternregions（RMSE>5cm）.GPT3modelunderestimatesZTDvalueswiththeamplitudesrangingfrom-2.0cmto0.5cmoversoutheastChina.TheaccuracyofGPT3derivedZTDvaluescanbeimprovednonlinearlywiththeincreasingaltitudesofstations.Moreover，thereisaprominentseasonalvariationfortheprecisionofGPT3derivedZTDvalues，whichisrelatedtothecontentofatmosphericwatervapouranditsdynamicchange，andtheamplitudesofRMSErangesfrom1to6cm.TheGPT3modelhasgoodaccuracyandreliabilityforthecalculationofZTD，whichcanprovidesomereferenceforthemodelingofZTDcorrectionovermainlandChina.

        Keywords：

        geodesyandpositioning;GPT3;ZTD;mainlandChina;precisionassessment

        对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（mappingfunction，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20m[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（zenithtotaldelay，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（globalpressuretemperature3）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（Europeancentreformediumrangeweatherforecasts，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（globalpressuretemperature3）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模型計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（crustalmovementobservationnetworkofChina，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2000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：

//h，其内符合精度可以达到4～6mm。

        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气压分层气象资料，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6h（00：

00，06：

00，12：

00，18：

00UTC）。

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14cm。

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6h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-6.5K/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（RMSerror，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5cm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-006，332，335cm;与CMONOCZTD相比，所有测站GPT3ZTD模型值的Bias，STD和RMSE分别为-001，346和353cm。

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：

153cm;RMSE：

465cm）。

此外，所有测站上，GPT3模型ZTD估值的Bias为-23～3cm，同样也优于文献[9]对GPT2模型的评估结果（Bias：

142～956cm）。

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。

        1数据源与ZTD值的确定方法

        1.1GPT3模型

        GPT3（globalpressuretemperature3）模型為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（crustalmovementobservationnetworkofChina，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2000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：

//h，其内符合精度可以达到4～6mm。

        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气压分层气象资料，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6h（00：

00，06：

00，12：

00，18：

00UTC）。

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14cm。

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6h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-6.5K/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（RMSerror，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5cm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-006，332，335cm;与CMONOCZTD相比，所有测站GPT3ZTD模型值的Bias，STD和RMSE分别为-001，346和353cm。

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：

153cm;RMSE：

465cm）。

此外，所有测站上，GPT3模型ZTD估值的Bias为-23～3cm，同样也优于文献[9]对GPT2模型的评估结果（Bias：

142～956cm）。

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。

        1数据源与ZTD值的确定方法

        1.1GPT3模型

        GPT3（globalpressuretemperature3）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（crustalmovementobservationnetworkofChina，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2000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：

//h，其内符合精度可以达到4～6mm。

        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气压分层气象资料，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6h（00：

00，06：

00，12：

00，18：

00UTC）。

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14cm。

因此ERAInterim大氣廓线资料可用于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6h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-6.5K/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（RMSerror，RMSE）作为评估GPT3ZTD的精度指标，其具体公式如下：

        2GPT3