GPT/GPT2/GPT3模型在廣東省適應性對比分析

鄭友淼

（1.廣州元測信息科技有限公司，廣東 廣州 510220）

對流層延遲誤差是全球衛(wèi)星導航系統(tǒng)（global navi?gation satellite system，GNSS）中導航定位的主要誤差源之一，對流層延遲誤差無法像電離層誤差那樣靠不同頻率的信號組合削弱或消除其影響，目前削弱對流層主要的方法包括參數(shù)估計法、外部修正法、模型改正法等[1-7]。

自進入20世紀以來，國內(nèi)學者對對流層延遲模型進行相關研究，建立不同區(qū)域、不同分辨率、不同外界條件的對流層延遲模型，不同對流層模型的適用性和精度在不同地區(qū)表現(xiàn)各異[8-16]。GPT系列模型（包括：GPT、GPT2、GPT2w、GPT3）是目前世界上精度最高、應用范圍最廣的對流層經(jīng)驗改正模型。

GPT、GPT2和GPT2w模型在國內(nèi)文獻中已有較多的闡述和實驗驗證[10-13]，而目前GPT3模型在區(qū)域性的適應性分析尚且缺乏，因此，本文借助中國大陸構(gòu)造環(huán)境監(jiān)測網(wǎng)絡（crustal movement observation network of China,CMONOC）觀測數(shù)據(jù)對GPT/GPT2/GPT3模型在廣東省的適應性進行分析，旨在廣東地區(qū)得到精度更高的天頂對流層延遲（zenith tropospheric delay，ZTD）、對流層干延遲（zenith hydrostatic delay，ZHD）、對流層濕延遲（zenith wet delay，ZWD）及大氣可降水量（perceptible water vapor,PWV）參數(shù)信息。

1 基本原理與方法

1.1 GNSS反演PWV基本理論

基于地基GNSS觀測數(shù)據(jù)獲取對流層天頂總延遲，結(jié)合氣象觀測資料和天頂靜力延遲計算模型，得到天頂靜力學延遲，具體計算如式（1）所示：

式中，φ為測站的緯度，單位是（°）；h0為測站海拔高度，單位是km；P為測站地面氣壓，單位為hPa；ZHD為天頂靜力學延遲，單位為cm。此處采用薩斯塔莫伊寧（saastamoinen）模型計算得到。天頂對流層延遲減去天頂干延遲得到天頂濕延遲，即：

再利用經(jīng)驗公式計算出加權(quán)平均溫度Tm，進而得到水汽轉(zhuǎn)換系數(shù)Π。天頂濕延遲與水汽轉(zhuǎn)換系數(shù)相乘即可得到大氣可降水量，即：

式中,Π為無量綱轉(zhuǎn)換因子。

1.2 GPT3模型簡介

GPT系列模型是由ERA-40的再分析資料基于球諧函數(shù)建立的，該模型考慮了溫度和氣壓的年周期和半年周期變化特性，但它在空間和時間的變化性方面有一定的局限。GPT2模型是在GPT模型上增加了水氣壓的垂直遞減率和水汽加權(quán)平均溫度參數(shù)。GPT3模型解決了GPT2模型時延問題，模型通過測站處大氣加權(quán)平均溫度和水汽壓遞減率結(jié)果計算ZWD，其中氣象參數(shù)的計算如式（4）所示。

式中，A0表示年平均振幅；A1、B1為年周期參數(shù)；A2、B2為半年周期參數(shù)；doy表示年積日。

2 數(shù)據(jù)來源及方案設計

為了分析GPT3模型在廣東省的精度，借助CMONOC網(wǎng)在廣東省的基準站觀測數(shù)據(jù)驗證GPT/GPT2/GPT3模型在廣東省的適應性，在基線解算過程中參數(shù)設置如表1所示。

由表1可以看出，本次實驗過程中基線處理模式選擇為RELAX模型，對電離層和對流層延遲分別采用了去電離層組合（LC_HELP）和GPT/GPT2/GPT3模型進行改正，同時考慮到潮汐改正、相位纏繞、相對論效應，其目的是使解算結(jié)果更加可靠、穩(wěn)定，精度更高。

表1 基線解算參數(shù)配置表

3 GPT/GPT2/GPT3模型精度對比分析

為了更好地對比分析GPT/GPT2/GPT3模型的精度，本文采用平均偏差BIAS和均方根誤差RMS作為評價指標進行精度分析，其中BIAS反映了模型計算值與參考值的平均偏離程度，而RMS驗證模型的穩(wěn)定程度，將各個CMONOC站的坐標信息和時序信息，作為GPT3模型的輸入?yún)?shù)，得到時序變化的氣溫、氣壓和水汽壓值，分別與實測氣象數(shù)據(jù)進行對比分析，計算結(jié)果如表2所示。

表2 GPT/GPT2/GPT3模型對比分析

從表2可以看出，GPT3模型與GPT和GPT2模型相比精度明顯提高，GPT3模型在氣溫方向較GPT2和GPT模型相比，BIAS值分別提升26.7%、53.7%，RMS值分別提升40.2%、59.0%；GPT3模型在氣壓方向較GPT2和GPT模型相比，BIAS值分別提升45.2%、59.7%，RMS值分別提升47.0%、57.2%；GPT3模型在水氣壓方向較GPT2和GPT模型相比，BI?AS值分別提升29.0%、66.3%，RMS值分別提升34.1%、61.9%，進一步說明GPT3模型在保證解算結(jié)果精度的同時，也提高了穩(wěn)定性。

為了分析GPT/GPT2/GPT3模型對水汽反演結(jié)果的影響，本次實驗將GPT/GPT2/GPT3模型分別利用GAMIT軟件解算得到的PWV結(jié)果與實際降水量進行對比分析，解算CMONOC數(shù)據(jù)過程中加入IGS觀測站（BJFS、CHAN、SHAO、TWTF和WUHN）數(shù)據(jù)進行聯(lián)合解算，其目的是為了削弱對流層相關性，同樣，已均方根誤差RMS作為判斷PWV精度指標，實驗結(jié)果如圖1所示。

圖1 不同模型PWV結(jié)果對比分析

由圖1可知，同一測站觀測數(shù)據(jù)采用GPT3模型反演PWV結(jié)果精度明顯優(yōu)于GPT和GPT2模型，GPT模型反演結(jié)果精度最差。GPT、GPT2、GPT3模型反演PWV結(jié)果的RMS值精度分別優(yōu)于7.7 mm、5.4 mm、3.2 mm。

4 結(jié)語

本文利用CMONOC觀測數(shù)據(jù)對不同對流層延遲模型（GPT/GPT2/GPT3）在廣東省適應性進行對比分析，從氣溫、氣壓、水氣壓及反演PWV結(jié)果來看，GPT3模型與GPT和GPT2模型相比精度有明顯提高，GPT模型精度最差。GPT3模型于GPT模型相比，在氣溫、氣壓和水氣壓精度均提升50%以上，反演PWV結(jié)果精度提高4.5 mm，進一步證實了GPT3模型在廣東地區(qū)適應性更強、精度更高，實驗結(jié)果可為廣東地區(qū)進行高精度水氣反演提供理論參考依據(jù)。