高级搜索

一种用于中国地区的对流层天顶延迟实时修正模型

杜晓燕 乔江 卫佩佩

引用本文: 杜晓燕, 乔江, 卫佩佩. 一种用于中国地区的对流层天顶延迟实时修正模型[J]. 电子与信息学报, 2019, 41(1): 156-164. doi: 10.11999/JEIT180353 shu
Citation:  Xiaoyan DU, Jiang QIAO, Peipei WEI. Real-time Correction Model for Zenith Tropospheric Delay Applied to the Chinese Region[J]. Journal of Electronics and Information Technology, 2019, 41(1): 156-164. doi: 10.11999/JEIT180353 shu

一种用于中国地区的对流层天顶延迟实时修正模型

    作者简介: 杜晓燕: 女,1975年生,副教授,研究方向为电磁场、微波技术与天线等;
    乔江: 男,1995年生,硕士生,研究方向为对流层电波传播;
    卫佩佩: 女,1990年生,博士生,研究方向为电波传播、电磁计算及反演问题等
    通讯作者: 乔江,qj951213@163.com
摘要: 针对目前对流层延迟修正受限于探空数据不足导致修正效率低的问题,该文结合Saastamoinen和GPT2w模型构建形成组合模型Sa+GPT2w模型,通过利用GPT2w模型提供的高精度气象数据,实现中国地区对流层天顶延迟(ZTD)的实时修正,克服对探空数据的依赖,并用实测数据对计算结果进行验证。以IGS提供的中国地区2015至2017年ZTD时间序列为评估标准时,Sa+GPT2w模型(bias: 1.661 cm, RMS: 4.711 cm)的精度较同等条件下的Sa+EGNOS, Sa+UNB3m和Hop+GPT2w模型分别提升50.5%, 41.9%和37.1%;以GGOS Atmosphere 2017年ZTD数据为标准时,Sa+GPT2w模型(bias: 1.551 cm, RMS: 4.859 cm)的精度相对同等条件下的另3种模型分别提升49.5%, 38.5%和46.8%;最后对Sa+EGNOS, Sa+UNB3m和Sa+GPT2w模型在ZTD修正中误差结果的时空分布特征进行分析。研究结果可为在中国地区的导航定位、大气折射研究中,应用不同气象参数模型进行ZTD修正的有效性和可能达到的精度提供参考。

English

    1. [1]

      赵静旸, 宋淑丽, 陈钦明, 等. 基于垂直剖面函数式的全球对流层天顶延迟模型的建立[J]. 地球物理学报, 2014, 57(10): 3140–3153. doi: 10.6038/cjg20141005
      ZHAO Jingyang, SONG Shuli, CHEN Qinming, et al. Establishment of a new global model for zenith tropospheric delay based on functional expression for its vertical profile[J]. Chinese Journal of Geophysics, 2014, 57(10): 3140–3153. doi: 10.6038/cjg20141005

    2. [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): 2218–2227. doi: 10.6038/cjg20130709
      YAO Yibin, HE Changyong, ZHANG Bao, et al. A new global zenith tropospheric delay model GZTD[J]. Chinese Journal of Geophysics, 2013, 56(7): 2218–2227. doi: 10.6038/cjg20130709

    3. [3]

      HOPFIELD H S. Troposphere effect on electromagnetic measured range: Prediction from surface weather data[J]. Radio Science, 1971, 6(3): 357–367. doi: 10.1029/RS006i003p00357

    4. [4]

      SAASTAMOINEN J. Atmospheric correction for the troposphere and stratosphere in radio ranging satellites[J]. Use of Artificial Satellites for Geodesy, 1972, 15(6): 247–251. doi: 10.1029/GM015p0247

    5. [5]

      杨徉, 喻国荣, 潘树国, 等. 一种综合的对流层延迟模型算法[J]. 东南大学学报(自然科学版), 2013, 43(S2): 418–422. doi: 10.3969/j.issn.1001-0505.2013.S2.043
      YANG Yang, YU Guorong, PAN Shuguo, et al. A comprehensive algorithm using fusion of tropospheric delay models[J]. Journal of Southeast University(Natural Science Edition), 2013, 43(S2): 418–422. doi: 10.3969/j.issn.1001-0505.2013.S2.043

    6. [6]

      姚宜斌, 张豹, 严凤, 等. 两种精化的对流层延迟改正模型[J]. 地球物理学报, 2015, 58(5): 1492–1501. doi: 10.6038/cjg20150503
      YAO Yibin, ZHANG Bao, YAN Feng, et al. Two new sophisticated models for tropospheric delay corrections[J]. Chinese Journal of Geophysics, 2015, 58(5): 1492–1501. doi: 10.6038/cjg20150503

    7. [7]

      刘继业, 陈西宏, 刘赞. 对流层散射双向时间比对中对流层斜延迟实时估计[J]. 电子与信息学报, 2018, 40(3): 587–593. doi: 10.11999/JEIT170581
      LIU Jiye, CHEN Xihong, and LIU Zan. Real-time estimation of tropospheric slant delay in two-way troposphere time transfer[J]. Journal of Electronics &Information Technology, 2018, 40(3): 587–593. doi: 10.11999/JEIT170581

    8. [8]

      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): 1468–1473. doi: 10.13203/j.whugis20150758
      HUA Zhonghao, LIU Lintao, and 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): 1468–1473. doi: 10.13203/j.whugis20150758

    9. [9]

      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. doi: 10.14075/j.jgg.2017.08.014
      SHI Hongkai, HE Xiufeng, and WANG Junjie. Accuracy analyses of global pressure and temperature model in China[J]. Journal of Geodesy and Geodynamics, 2017, 37(8): 841–844. doi: 10.14075/j.jgg.2017.08.014

    10. [10]

      LAGLER K, SCHINDELEGGER M, and NILSSON T. GPT2: Empirical slant delay model for radio space geodetic tech-niques[J]. Geophysical Research Letters, 2013, 40(6): 1069–1073. doi: 10.1002/grl.50288

    11. [11]

      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

    12. [12]

      BRAUN J, ROCKEN C, and WARE R. Validation of line-of-sight water vapor measurements with GPS[J]. Radio Science, 2001, 36(3): 459–472. doi: 10.1029/2000RS002353

    13. [13]

      姚宜斌, 徐星宇, 胡羽丰. GGOS对流层延迟产品精度分析及在PPP中的应用[J]. 测绘学报, 2017, 46(3): 278–287. doi: 10.11947/j.AGCS.2017.20160383
      YAO Yibin, XU Xingyu, and HU Yufeng. Precision analysis of GGOS tropospheric delay product and its application in PPP[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(3): 278–287. doi: 10.11947/j.AGCS.2017.20160383

    14. [14]

      ASKNE J and NORDIUS H. Estimation of tropospheric delay for microwaves from surface weather data[J]. Radio Science, 1987, 22(3): 379–386. doi: 10.1029/RS022i003p00379

    15. [15]

      NIGEL P and ALAN D. Assessment of EGNOS tropospheric correction model[J]. Journal of Navigation, 1999, 54(1): 37–55.

    16. [16]

      LEANDRO R F, LANGLEY R B, and SANTOS M C. UNB3m_pack: A neutral atmosphere delay package for radiometric space techniques[J]. GPS Solutions, 2008, 12(1): 65–70. doi: 10.1007/s10291-007-0077-5

    17. [17]

      QU Weijing, ZHU Wenyao, SONG Shuli, et al. Evaluation of the precision of three tropospheric delay correction models[J]. Chinese Astronomy and Astrophysics, 2008, 32(4): 429–438. doi: 10.1016/j.chinastron.2008.10.010

    18. [18]

      中国天气网. 2016年中国十大天气气候事件评选结果[OL]. http://news.weather.com.cn/2016/12/2638475.shtml. 2016.12.

    1. [1]

      罗会兰, 卢飞, 严源. 跨层融合与多模型投票的动作识别. 电子与信息学报, 2019, 41(3): 649-655.

    2. [2]

      吴仁彪, 赵婷, 屈景怡. 基于深度SE-DenseNet的航班延误预测模型. 电子与信息学报, 2019, 41(6): 1510-1517.

    3. [3]

      胡宇翔, 范宏伟, 兰巨龙, 段通. 一种支持硬件加速的虚拟网络功能部署模型. 电子与信息学报, 2019, 41(8): 1893-1901.

    4. [4]

      尹柏强, 王署东, 何怡刚, 佐磊, 李兵, 程珍. 基于快速S变换时频空间模型的电磁干扰复杂度评估方法. 电子与信息学报, 2019, 41(1): 195-201.

    5. [5]

      江明明, 郭宇燕, 余磊, 宋万干, 魏仕民. 有效的标准模型下格上基于身份的代理重加密. 电子与信息学报, 2019, 41(1): 61-66.

    6. [6]

      解金卫, 索志勇, 李真芳, 王跃锟. 基于PolInSAR的植被区高精度数字表面模型反演方法. 电子与信息学报, 2019, 41(2): 293-301.

    7. [7]

      李文洁, 葛凤培, 张鹏远, 颜永红. 双向长短时记忆模型训练中的空间平滑正则化方法研究. 电子与信息学报, 2019, 41(3): 544-550.

    8. [8]

      陈莹, 何丹丹. 基于贝叶斯融合的时空流异常行为检测模型. 电子与信息学报, 2019, 41(5): 1137-1144.

    9. [9]

      刘嘉铭, 邢孟道, 符吉祥, 徐丹. 基于模型重建的深度卷积网络权值可视化方法. 电子与信息学报, 2019, 41(9): 2194-2200.

    10. [10]

      王健, 黄越, 赵国生, 赵中楠. 面向任务代价差异的移动群智感知激励模型. 电子与信息学报, 2019, 41(6): 1503-1509.

    11. [11]

      王旭东, 王屹炜, 闫贺. 背景抑制直方图模型的连续自适应均值漂移跟踪算法. 电子与信息学报, 2019, 41(6): 1480-1487.

    12. [12]

      黄宏程, 刘宁, 胡敏, 陶洋, 寇兰. 基于博弈的机器人认知情感交互模型. 电子与信息学报, 2019, 41(10): 2471-2478.

    13. [13]

      于涵, 水鹏朗, 施赛楠, 杨春娇. 广义Pareto分布海杂波模型参数的组合双分位点估计方法. 电子与信息学报, 2019, 41(0): 1-8.

    14. [14]

      赵国生, 张慧, 王健. 基于Tangle网络的移动群智感知数据安全交付模型. 电子与信息学报, 2019, 41(0): 1-7.

    15. [15]

      司亚利, 张付志, 刘文远. 基于签到活跃度和时空概率模型的自适应兴趣点推荐方法. 电子与信息学报, 2019, 41(0): 1-9.

    16. [16]

      徐金甫, 吴缙. 一种基于动态环形振荡器物理不可克隆函数统计模型的频率排序算法. 电子与信息学报, 2019, 41(3): 717-724.

    17. [17]

      王刚, 陆世伟, 胡鑫, 马润年. 去二存一混合机制下的病毒扩散模型及稳定性分析. 电子与信息学报, 2019, 41(3): 709-716.

    18. [18]

      陈红松, 陈京九. 基于循环神经网络的无线网络入侵检测分类模型构建与优化研究. 电子与信息学报, 2019, 41(6): 1427-1433.

    19. [19]

      殷礼胜, 唐圣期, 李胜, 何怡刚. 基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测. 电子与信息学报, 2019, 41(9): 2273-2279.

    20. [20]

      王莉, 曹一凡, 杜高明, 刘冠宇, 王晓蕾, 张多利. 一种低延迟的3维高效视频编码中深度建模模式编码器. 电子与信息学报, 2019, 41(7): 1625-1632.

  • 图 1  利用GPT2w模型获取测站气象参数示意图

    图 2  IGS测站处的误差月均值变化示意图

    图 3  以中国地区GGOS格点数据为标准的误差变化示意图

    图 4  以2017年GGOS数据为标准时不同年积日的bias和RMS空间变化示意图

    表 1  中国地区IGS测站信息(按纬度升序排列)

    ID测站纬度(°N)经度(°E)高程(m)
    ATCMS24.80120.9977.3
    BTWTF24.95121.16184.0
    CKUNM25.03102.802019.1
    DLHAZ29.6691.103622.0
    EWUHN30.53114.3642.6
    FSHAO31.10121.2022.1
    GXIAN34.37109.22498.5
    HBJFS39.61115.8998.3
    IGUAO43.4787.172049.2
    JURUM43.5987.63917.9
    KCHAN43.79125.44253.7
    下载: 导出CSV

    表 2  相对IGS测站数据的误差统计结果(cm)

    IDSa+EGNOS Sa+UNB3m Sa+GPT2w Hop+GPT2w
    biasRMSbiasRMSbiasRMSbiasRMS
    A20151.0487.969 2.5098.328 1.6155.883 0.9115.641
    20162.1598.585 3.6219.126 2.7295.969 2.0255.700
    20171.3128.3852.7738.7771.8795.811 1.1755.644
    B20150.2147.7362.6228.1481.4975.7681.9515.906
    20161.1008.2163.5088.8542.3865.7432.8395.956
    20170.3168.1022.7248.5191.6005.6492.0535.804
    C2015–6.9399.8173.6317.2510.5303.59510.54611.207
    2016–6.7289.7533.8397.5020.7423.81310.77111.466
    2017–6.7569.9773.8147.6340.7133.73210.73511.417
    D2015–10.19711.8391.4944.4270.3551.66712.81612.938
    2016–9.77811.9081.8995.3300.7652.03913.22113.347
    2017–10.00712.1171.6265.2240.4861.90612.9513.055
    E2015–2.21610.376–0.79910.1153.7397.0873.0576.748
    2016–1.25011.5350.16011.3814.7108.0614.0287.673
    2017–1.46811.776–0.06011.5774.4857.8433.8037.465
    F2015–2.81011.278–1.49211.0022.2637.4791.2857.237
    2016–1.59111.837–0.27111.6753.4797.8392.5027.432
    2017–2.53112.166–1.20111.8962.5456.9991.5676.692
    G2015–4.4779.843–0.0538.3541.7635.2573.9666.345
    2016–3.73810.0550.6788.8962.4935.3134.6966.648
    2017–4.06610.1060.3588.8162.1725.3144.3756.526
    H2015–3.9889.464–1.6378.7031.1364.2070.8754.152
    2016–3.57610.227–1.2289.6391.5464.9291.2864.822
    2017–4.08810.626–1.7369.8611.0384.8110.7774.743
    I2015–4.1567.3272.1224.8730.6562.25910.20610.429
    2016–3.7277.3342.5415.4081.0732.72710.61510.906
    2017–4.2027.4152.1004.9270.6342.18410.17710.385
    J2015–3.0516.9801.2905.5171.1153.3205.4376.261
    2016–2.4407.3081.8906.3241.7114.0696.0337.064
    2017–3.0717.1171.2695.6191.0953.2285.4176.202
    K2015–3.7808.453–1.4017.4740.6403.4471.2823.654
    2016–3.5318.846–1.1558.0080.8823.7121.5243.907
    2017–4.0929.337–1.7168.3230.3273.8150.9693.922
    平均–3.3979.5091.0218.1061.6614.7115.0267.494
    下载: 导出CSV

    表 3  相对GGOS格网数据的误差统计结果(cm)

    统计类型Sa+EGNOSSa+UNB3mSa+GPT2wHop+GPT2w
    biasMin–6.961 –0.812 –0.086 2.716
    Max1.9323.4613.4459.473
    Mean–3.605 1.3931.5516.581
    RMSMin7.7685.4802.5856.928
    Max11.428 10.010 7.28411.786
    Mean9.6317.8994.8599.135
    下载: 导出CSV

    表 4  相对IGS数据的误差统计结果(cm)

    ID年份Sa+EGNOS Sa+UNB3m Sa+GPT2w
    biasRMSbiasRMSbiasRMS
    B20120.2407.4352.6487.9001.7755.965
    2018–7.2189.611–4.8397.940–0.0585.082
    G2012–4.84910.676–0.4199.0801.3755.153
    2018–11.80113.128–7.3688.823–0.0692.302
    I2012–4.7177.8631.5644.8610.0862.005
    2018–8.4779.787–1.8773.303–0.3031.104
    下载: 导出CSV
  • 加载中
图(4)表(4)
计量
  • PDF下载量:  21
  • 文章访问数:  349
  • HTML全文浏览量:  181
文章相关
  • 通讯作者:  乔江, qj951213@163.com
  • 收稿日期:  2018-04-17
  • 录用日期:  2018-09-26
  • 网络出版日期:  2018-10-23
  • 刊出日期:  2019-01-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章