基于BP神经网络的昆明天顶湿延迟模型

doi:10.13474/j.cnki.11-2246.2022.0086

测绘通报 ›› 2022, Vol. 0 ›› Issue (3): 107-110.doi: 10.13474/j.cnki.11-2246.2022.0086

基于BP神经网络的昆明天顶湿延迟模型

丁仁军¹, 王友昆^1,2, 张君华¹, 刘晨^2,3

1. 昆明市测绘研究院, 云南昆明 650051;
2. 武汉大学测绘学院, 湖北武汉 430079;
3. 桂林理工大学广西空间信息与测绘重点实验室, 广西桂林 541004

收稿日期:2021-04-12 出版日期:2022-03-25 发布日期:2022-04-01
通讯作者: 王友昆。E-mail:beanflower@whu.edu.cn
作者简介:丁仁军(1974-),男,硕士生,高级工程师,研究方向为城市信息化测绘和CORS运维。E-mail:393263948@qq.com
基金资助:
国家自然科学基金(41721003;41874033);昆明市卫星定位综合服务系统整合技术服务项目(JS2020-03);昆明市卫星定位综合服务系统扩展升级专项资金(JS2021-02);昆明市卫星定位综合服务系统整合建设及关键技术研究(昆测研202003);广西空间信息与测绘重点实验室资助课题(19-185-10-17)

Kunming zenith wet delay model based on a backpropagation neural network

DING Renjun¹, WANG Youkun^1,2, ZHANG Junhua¹, LIU Chen^2,3

1. Kunming Surveying and Mapping Institute, Kunming 650051, China;
2. School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China;
3. Guangxi Key Laboratory of Spatial Information and Geomatics, Guilin University of Technology, Guilin 541004, China

Received:2021-04-12 Online:2022-03-25 Published:2022-04-01

摘要/Abstract

摘要： 为了满足昆明市卫星定位综合服务系统(KMCORS)对高精度天顶湿延迟(ZWD)的需要,本文开发了适用于昆明地区的ZWD模型KM。KM模型是根据昆明探空站2015-2018年的探空资料,基于误差反向传播(BP)神经网络建立的,同时采用2019年的探空数据,验证了KM模型的预测性能。测试结果表明,与广泛使用的SA模型相比,KM模型的RMSE由4.0 cm降至2.2 cm,精度提升了45%;KM和SA模型的Bias分别为0和-3.1 cm。该结果表明KM模型对ZWD估计具有无偏性,而SA模型在高原区存在过度估计的问题,KM模型具有比SA经验模型更优的预测性能,其应用将有助于提升KMCORS的服务质量。

关键词: 昆明CORS;天顶湿延迟;BP神经网络;Saastamoninen模型

Abstract: For the high-precision zenith wet delay (ZWD) used in Kunming continuously operating reference stations (KMCORS),this paper developes the Kunming model (KM) suitable for the KM area.According to the sounding data of the KM sounding station from 2015 to 2018,the KM model is generated based on a backpropagation (BP) neural network.This study then validates the prediction performance of the KM model using the sounding data during 2019.Test results show that the RMSE of the KM model decreases from 4.0 cm to 2.2 cm compared with the widely used Saastamoninen (SA) model,indicating its 45% accuracy improvement.Additionally,the Bias of the KM and SA models are 0 and-3.1 cm,respectively,suggesting that the ZWD estimation of the KM model is unbiased,while the SA model has the problem of overestimation in the plateau area.In summary,the KM model has better prediction performance than the SA empirical model,and the application of the KM model will help to improve the service quality of KMCORS.

Key words: Kunming CORS;zenith wet delay;backpropagation neural network;Saastamoninen model

中图分类号:

P228.4

丁仁军, 王友昆, 张君华, 刘晨. 基于BP神经网络的昆明天顶湿延迟模型[J]. 测绘通报, 2022, 0(3): 107-110.

DING Renjun, WANG Youkun, ZHANG Junhua, LIU Chen. Kunming zenith wet delay model based on a backpropagation neural network[J]. Bulletin of Surveying and Mapping, 2022, 0(3): 107-110.

参考文献

[1] 刘邢巍,史俊波,蒲德祥,等. CORS系统的差分定位终端设计与实现[J].测绘通报, 2020(12):114-117.
[2] LIU C, ZHENG N S, ZHANG K F, et al. A new method for refining the GNSS-derived precipitable water vapor map[J]. Sensors, 2019, 19(3):698.
[3] LI J Y, ZHANG B, YAO Y B, et al. A refined regional model for estimating pressure, temperature, and water vapor pressure for geodetic applications in China[J]. Remote Sensing, 2020, 12(11):1713.
[4] 姚宜斌,张顺,孔建. GNSS空间环境学研究进展和展望[J].测绘学报, 2017, 46(10):1408-1420.
[5] 许超钤.实时高精度对流层关键参量建模及其应用研究[D].武汉:武汉大学, 2017.
[6] 姚宜斌,胡明贤,许超钤.基于DREAMNET的GPS/BDS/GLONASS多系统网络RTK定位性能分析[J].测绘学报, 2016, 45(9):1009-1018.
[7] SAASTAMOINEN J. Contributions to the theory of atmospheric refraction[J]. Bulletin Géodésique (1946-1975), 1972, 105(1):279-298.
[8] 李滢,陈明剑,左宗,等.网络RTK对流层延迟内插模型精度分析[J].测绘通报, 2018(1):33-37, 43.
[9] 郑韵,王洪栋. GPT和GPT2模型的偏差对定位结果的影响[J].测绘通报, 2018(1):112-116.
[10] 刘晨,郑南山,丰秋林.全球对流层延迟模型的质量评价[J].大地测量与地球动力学, 2018, 38(10):1005-1010.
[11] HAYKIN S. Neural networks-a comprehensive foundation (2nd edition)[M].[S. l.]:Prentice Hall, 1998.
[12] 杨惠.基于探空数据的区域ZTD模型改进研究[D].南京:东南大学, 2019.
[13] RÜEGER J M. Refractive index formulae for radio waves refractive index formulae for radio waves, Washington, 2002[C]//FIG XXII International Congress. Washington, DC:[s. n.],2002.
[14] 马下平,李秦政,陈鹏.基于探空数据的对流层延迟模型精度评估[J].大地测量与地球动力学, 2020, 40(2):123-128.
[15] DING M H. A second generation of the neural network model for predicting weighted mean temperature[J]. GPS Solutions, 2020, 24(2):1-6.

基于BP神经网络的昆明天顶湿延迟模型

Kunming zenith wet delay model based on a backpropagation neural network

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]	张波, 刘强, 徐国梁, 蔡仁澜, 程风. GNSS+INS组合定位在矿山无人驾驶卡车的应用[J]. 测绘通报, 2022, 0(7): 143-147.
[2]	钱炜, 岳建平. MSSA在GPS坐标序列分析中的应用[J]. 测绘通报, 2021, 0(9): 49-52,63.
[3]	鲁铁定, 钱文龙, 贺小星, 乐颖, 黄佳伟. 一种基于噪声统计特性的改进EMD降噪方法[J]. 测绘通报, 2020, 0(11): 71-75.
[4]	陈秉柱, 郑作亚, 谷守周, 陈冲, 秘金钟, 单瑞. 智能手机观测值伪距平滑实时定位研究[J]. 测绘通报, 2020, 0(11): 76-79,89.
[5]	刘艳春. 电离层VTEC与气象要素对GPS定位结果的影响[J]. 测绘通报, 2020, 0(11): 116-119,123.
[6]	王力, 范永昭. 利用历元间差分观测值进行参考站周跳探测与修复[J]. 测绘通报, 2020, 0(5): 134-137,141.
[7]	崔立鲁, 何琼, 邹正波, 许文超, 江雪梨, 魏朋志. 利用无几何消电离层组合实现北斗三频周跳探测与修复[J]. 测绘通报, 2020, 0(4): 58-62.
[8]	邵银星, 赵春梅. 低轨卫星增强BDS单频伪距单点定位[J]. 测绘通报, 2020, 0(3): 69-72.
[9]	高志钰, 李建章, 刘彦军, 刘江涛, 张健珲. 利用BDS数据反演大气可降水量及其精度分析[J]. 测绘通报, 2019, 0(5): 35-38,47.
[10]	熊春宝, 陈雯, 翟京生, 韩龙. GNSS RTK技术下海洋平台桩腿动态变形监测及数据处理[J]. 测绘通报, 2019, 0(5): 102-105.
[11]	王建敏, 吕楠, 李亚博. 长距离网络RTK区域电离层延迟实时改正[J]. 测绘通报, 2019, 0(5): 106-108.
[12]	张大众, 郑作亚, 刘一, 谷守周, 秘金钟, 李杰, 张涛. 北斗卫星导航系统单星授时精度分析[J]. 测绘通报, 2019, 0(4): 7-10.
[13]	刘一, 谷守周, 秘金钟, 余梦洋, 张涛, 楚彬. 虚拟格网化的BDS/GPS位置差分方法研究[J]. 测绘通报, 2019, 0(1): 13-17.
[14]	陈明东. GPS/PWV在台风“玛莉亚”袭闽期间的变化特征研究[J]. 测绘通报, 2019, 0(1): 93-96,137.
[15]	陈少鑫, 徐良骥. GPS电离层折射误差的三阶三频改正模型及精度分析[J]. 测绘通报, 2018, 0(12): 10-14.