利用GPT3模型的GNSS-PWV计算方法

doi:10.13474/j.cnki.11-2246.2023.0070

测绘通报 ›› 2023, Vol. 0 ›› Issue (3): 44-48,103.doi: 10.13474/j.cnki.11-2246.2023.0070

利用GPT3模型的GNSS-PWV计算方法

高颖¹, 许思怡¹, 李黎^1,2, 卢厚贤¹, 何琦敏^1,2, 王晓明^2,3

1. 苏州科技大学地理科学与测绘工程学院, 江苏苏州 215009;
2. 苏州科技大学北斗导航与环境感知研究中心, 江苏苏州 215009;
3. 中国科学院空天信息创新研究院, 北京 100094

收稿日期:2022-06-04 发布日期:2023-04-04
通讯作者: 李黎。E-mail:gszl.lili@gmail.com
作者简介:高颖(1999-),女,硕士生,研究方向为GNSS气象学。E-mail:2580190780@qq.com
基金资助:
国家自然科学基金（41904033）

GNSS-PWV calculation method based on the GPT-3 model

GAO Ying¹, XU Siyi¹, LI Li^1,2, LU Houxian¹, HE Qimin^1,2, WANG Xiaoming^2,3

1. School of Geography Science and Geomatics Engineering, Suzhou University of Science and Technology, Suzhou 215009, China;
2. Research Center of BeiDou Navigation and Environmental Remote Sensing, Suzhou University of Science and Technology, Suzhou 215009, China;
3. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

Received:2022-06-04 Published:2023-04-04

摘要/Abstract

摘要： 针对部分GNSS测站缺乏实测气象参数时无法实时计算可降水量（PWV）的问题，本文以长三角地区为例提出一种将GPT3模型参数与GNSS对流层总延迟（ZTD）融合获取高精度PWV的新方法。研究结果表明，GPT3模型的气象参数和各类对流层延迟参数在长三角地区具有较好的稳定性和精度，融合GPT3模型的干延迟（ZHD）、加权平均温度（T_m）和GNSS-ZTD所得PWV的RMS为3.56 mm，接近GNSS-PWV的3.74 mm，远优于GPT3-PWV的11.12 mm。

关键词: GNSS, PWV, GPT3模型, 融合

Abstract: To solve the problem that precipitable water vapor (PWV) can't be calculated in real time without the measured meteorological parameters at some GNSS stations,taking the Yangtze River Delta region as an example, a new method to obtain high-precision PWV by combining GPT3 model with GNSS-ZTD is proposed in this paper. The results show that the meteorological parameters and some tropospheric delay parameters of GPT3 model have good stability and accuracies in the Yangtze River Delta region. The RMS of PWV obtained by integrating the parameters (ZHD and T_m) of GPT3 model and GNSS-ZTD is 3.56 mm, which is close to GNSS-PWV (3.74 mm), and is far superior to GPT3-PWV (11.12 mm).

Key words: GNSS, PWV, GPT3 model, fusion

中图分类号:

P228

高颖, 许思怡, 李黎, 卢厚贤, 何琦敏, 王晓明. 利用GPT3模型的GNSS-PWV计算方法[J]. 测绘通报, 2023, 0(3): 44-48,103.

GAO Ying, XU Siyi, LI Li, LU Houxian, HE Qimin, WANG Xiaoming. GNSS-PWV calculation method based on the GPT-3 model[J]. Bulletin of Surveying and Mapping, 2023, 0(3): 44-48,103.

参考文献

[1] BEVIS M, BUSINGER S, HERRING T, et al. GPS meteorology:remote sensing of atmospheric water vapor using the global positioning system[J]. Journal of Geophysics Research, 1992, 88:15787-15801.
[2] BOEHM J, HEINKELMANN R, SCHUH H. Short note:a global model of pressure and temperature for geodetic applications[J]. Journal of Geodesy, 2007, 81(10):679-683.
[3] LAGLER K, SCHINDELEGGER M, BÖHM J, et al. GPT2:empirical slant delay model for radio space geodetic techniques[J]. Geophysical Research Letters, 2013, 40(6):1069-1073.
[4] 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.
[5] LANDSKRON D, BÖHM J. VMF3/GPT3:refined discrete and empirical troposphere mapping functions[J]. Journal of Geodesy, 2018, 92(4):349-360.
[6] 毕研盟, 毛节泰, 刘晓阳. 应用地基GPS遥感倾斜路径方向大气水汽总量[J]. 地球物理学报, 2006, 49(2):335-342.
[7] 宋淑丽, 朱文耀, 丁金才, 等. 上海GPS综合应用网对可降水汽量的实时监测及其改进数值预报初始场的试验[J]. 地球物理学报, 2004, 47(4):631-638.
[8] 于胜杰, 万蓉, 付志康.气压对GPS大气可降水量解算的影响分析[J]. 大地测量与地球动力学, 2013, 33(2):87-90.
[9] 姚宜斌, 曹娜, 许超钤, 等. GPT2模型的精度检验与分析[J]. 测绘学报, 2015, 44(7):726-733.
[10] 刘智敏, 李斐, 郭金运, 等.GPT2模型用于SDCORS反演可降水汽精度评估[J].大地测量与地球动力学, 2018, 38(3):305-309.
[11] 翟树峰, 吕志平, 李林阳, 等.基于GPT2w模型化加权平均温度反演可降水量[J].大地测量与地球动力学, 2019, 39(7):733-737.
[12] 黄良珂, 彭华, 刘立龙, 等. 顾及垂直递减率函数的中国区域大气加权平均温度模型[J].测绘学报, 2020, 49(4):432-442.
[13] 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.
[14] 郭彬洋, 李黎, 谢威, 等. 长三角地区加权平均温度本地化模型拟合[J].导航定位学报, 2019, 7(2):61-67.
[15] 李黎, 匡翠林, 朱建军, 等. 基于实时精密单点定位技术的暴雨短临预报[J]. 地球物理学报, 2012, 55(4):1129-1136.

利用GPT3模型的GNSS-PWV计算方法

GNSS-PWV calculation method based on the GPT-3 model

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张舒, 石丽红, 赵习枝. 场景视角下社区智慧停车的数据融合[J]. 测绘通报, 2023, 0(3): 61-66.
[2]	张英栋, 赵军, 周圣川, 胡振彪, 胡海滨. 结合倾斜影像的实景三维场景增强显示[J]. 测绘通报, 2023, 0(3): 123-127.
[3]	曾政祥, 何晶晶, 张婧. 融合激光点云的城市级高精度建模技术[J]. 测绘通报, 2023, 0(3): 133-138.
[4]	陈超, 陶旸, 赫春晓. 一种利用数据融合的森林资源“一张底图”建设方法[J]. 测绘通报, 2023, 0(3): 155-159.
[5]	胡鹏程, 唐诗华, 张炎, 刘坤之, 吕富强, 李灏杨. 一种差分进化BM3D硬阈值参数的遥感影像去噪方法[J]. 测绘通报, 2023, 0(2): 72-77.
[6]	沈正中, 冯杨民, 胡正伟, 杨子健, 刘立, 王凯时. 长三角跨区域北斗位置应用服务模型设计及应用[J]. 测绘通报, 2023, 0(2): 124-127,149.
[7]	关茜, 龙云涛, 司连法, 王梅红, 张迪, 贺风, 侯笑宇. 一种基于众源地名数据构建全球中外文地名数据资源建设方法[J]. 测绘通报, 2023, 0(2): 167-171,181.
[8]	宋伟东, 毕春杨, 赵奉书. 改进Mask R-CNN公路病害检测算法[J]. 测绘通报, 2023, 0(1): 58-64.
[9]	杨震, 孟祥武, 唐顺均, 王昊, 巩垠熙. 室内移动测量系统在新型基础测绘中的应用[J]. 测绘通报, 2023, 0(1): 149-153.
[10]	丁志广, 饶帅雄, 王田芳, 朱炯翟. 激光扫描与无人机空地一体融合测量应用[J]. 测绘通报, 2023, 0(1): 179-183.
[11]	陈睿哲, 涂伟, 李清泉, 谷宇, 左小清, 高文武. 融合多源测量数据的桥梁挠度异常探测方法[J]. 测绘通报, 2022, 0(9): 105-110.
[12]	杨伯钢, 张译, 谢燕峰, 吴霜. 超高层建筑精密施工测量关键技术[J]. 测绘通报, 2022, 0(9): 134-140.
[13]	潘正强, 钟昌海, 左天恵, 林自乐, 孔建, 唐长增. 北部湾经济区陆海统一似大地水准面精化关键技术研究[J]. 测绘通报, 2022, 0(8): 123-127.
[14]	张光伟, 吴昊, 郭震冬. 实景三维多源数据场景融合[J]. 测绘通报, 2022, 0(8): 155-159.
[15]	岳胜杰, 王红旗, 刘群坡, 赵荣亮. 结合扩展卡尔曼滤波与基于点线的最近点迭代扫描匹配算法的机器人位姿自适应估计[J]. 测绘通报, 2022, 0(7): 49-53.