论文部分内容阅读
地球对流层中的水汽对全球卫星导航系统(GNSS)的信号传播产生对流层湿延迟(SWD)。由于SWD影响GNSS测量的精度,在GNSS测量的过程中,SWD需要予以削弱或者削除。SWD通常结合对流层天顶湿延迟(ZWD)及其投影函数来表达。更高精度的ZWD改正在GNSS的单点定位中有着重要的意义。另一方面,通过GNSS精确估算出来的ZWD值可以转换为气象学领域的可降水量(PWV),在ZWD-PWV的转换过程需要一个重要的参数-加权平均温度(Tm)。高精度的Tm有助于提高ZWD-PWV的转换效率。因此,ZWD和Tm是与水汽紧密联系的两个参数。由于水汽具有多变性和随机性的特征,相对于区域性ZWD和Tm而言,全球范围的ZWD和Tm的研究和建模在GNSS研究中是具有挑战性的课题。本文以全球范围内的ZWD和Tm为研究对象,主要研究内容和结论如下:(1)建立了神经网络的ZWD模型,分析了其全球精度。基于已有研究的基础,融合了测站的气象参数(水汽压力和温度)、坐标参数(经度、纬度和高度)和时间参数(年积日),将它们作为输入变量,建立了一个基于神经网络的ZWD模型(NN-ZWD模型)。讨论了NN-ZWD模型在全球范围的精度。以全球范围130个站的GGOS Atmosphere对流层延迟产品作为建模数据,并以163个站的探空数据的作为测试数据。结果显示NN-ZWD模型的精度和传统的Saastamoinen模型、Hopfield模型和GPT2w模型相当。(2)优化了NN-ZWD模型,提出了NN-ZWD-R模型。为了提高NN-ZWD模型的精度,笔者考虑了水汽垂直变化特征对ZWD的影响,引入水汽衰减因子(λ)作为建模变量。将GPT2w模型提供的水汽衰减因子的模型值(λGPT2w)作为λ的近似值,将λGPT2w作为NN-ZWD模型的一个新增加的输入变量。在基础上提出了改进的基于神经网络的ZWD模型(NN-ZWD-R模型),讨论了NN-ZWD-R模型全球范围的精度。结果表明NN-ZWD-R模型的精度比NN-ZWD模型提高16.9%。此外,NN-ZWD-R模型并具有较好的适用性:在不同纬度、不同高度和不同季节可以保持精度优势。(3)研究了Tm与测站气象参数的关系。基于全球范围62个站的结果显示:Tm与测站的温度(TS)是极强的线性相关,与测站的水汽压力(e S)是强相关的,而与测站的大气压力(PS)几乎是不相关的。Tm-TS和Tm-eS的相关性特征表现出一定的地理分布规律,它们的相关性大致随着纬度的增加而增强。(4)研究了基于Tm时间序列在时域的变化特征。首先,使用Lomb-Scargle周期图法对Tm的时间序列进行频谱分析,研究了其周期性特征。基于全球范围内不同气候区域的10个样本站的Tm时间序列的频谱分析结果,Tm存在年周期特征,部分站存在半年周期特征,其它周期特征并不明显。再次,由周期项、趋势项和随机项构造了Tm时间序列模型。使用全球309个探空站的Tm数据,对时间序列模型进行参数估计。结果表明:在热带地区,Tm的季节变化是不规律的,年变化或半年变化均有可能是Tm的主要周期特征。在非热带地区,Tm的季节变化表现出一定的规则性:其季节变化的主要是年变化特征影响;在南半球年初始相位大约一月而北半球的年初始相位一般在七月;Tm时间序列模型的最大值和最小值通常分别在夏季和冬季。在全球范围内,长期的Tm时间序列有0.22 K/10a增长的趋势,Tm趋势的变化特征在北半球高纬度地区是最明显的。(5)提出了基于神经网络的多参数的Tm模型。基于第(3)和(4)部分研究的内容,融合了Tm与测站的气象参数关系和Tm时间序列的特征;首次将神经网络模型作为建模工具,设计了2种全球的多参数Tm模型,即NN-1模型和NN-2模型。NN-1模型适用于可以获取实测的TS和eS的情况,NN-2模型适用于仅可以获取实测TS的情况。在全球范围内,NN-1模型和NN-2模型精度相当,其精度均高于GPT2w、BTm、GTm、GTm-I和PTm-I传统模型。在同等的使用条件下,NN-1模型的精度比PTm-I模型的精度提高11.1%;NN-2模型的精度比GTm-I模型的精度提高17.9%。此外,NN-1模型和NN-2模型具有良好适用性:在长期时间内、不同的季节、不同的高度和不同的纬度这两个模型均能保持较高的精度。