CN105182366A - 一种基于实测气象参数的对流层天顶延迟改正方法 - Google Patents

Abstract

本发明公开了一种GNSS区域对流层天顶延迟改正的ISAAS模型计算方法，首先利用BP神经网络技术表示Saastamoinen模型误差；使用高精度的IGS对流层延迟产品数据训练BP神经网络；然后，用Saastamoinen模型方法计算用户位置的对流层天顶延迟；接着，用已经训练完毕的BP神经网络计算用户位置的Saastamonien模型模型残差；最后、计算修改后对流层天顶延迟。本发明计算出的对流层天顶延迟要比Saastamonien模型的精度提高大约12.4％。因此，对于一定区域的对流层，可以利用本发明提出的方法计算其延迟数值。

Description

一种基于实测气象参数的对流层天顶延迟改正方法

技术领域

本发明涉及全球导航系统领域，特别涉及是一种GNSS全球与区域对流层延迟改正的计算方法。

背景技术

对流层折射延迟是全球卫星导航系统(GlobalNavigationSatelliteSystem,简称GNSS)导航和定位的主要误差源之一，其对电磁波信号产生的影响是非色散的折射，即折射率与电磁波的频率或波长无关，只与传播速度有关。由于对流层折射的影响，在天顶方向可使电磁波的传播路径差达到2.3m；当卫星高度角为10°时可达20m。因此这种影响在全球卫星导航系统导航和定位中必须予以消除或削弱。

由于影响对流层的因素很多且带有较大的随意性，特别是天顶湿延迟的不规则性较强，而我们对其变化规律尚未完全搞清楚，从而使对流层延迟中产生了很多不规则变化。而且，对流层在建模的时候做了很多简化和假设，利用Saastamoinen模型得到的对流层天顶延迟(ZTD)的精度一般只有厘米至分米，不能满足实际精密工程测量和导航定位的需要。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于实测气象参数的对流程延迟改正方法，用于解决现有的方法得到的对流层天顶延迟精度差的技术问题。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于实测气象参数的对流层天顶延迟改正方法，包括顺序执行的以下步骤：

步骤1、利用BP神经网络建立以用户位置处的大气压P₀、水汽压e₀、温度T₀、用户的纬度用户的高度h以及Saastamoinen模型的对流层天顶延迟ZTD_SAAS组成的输入量与以Saastamoinen模型所计算的对流层天顶延迟的残差RES_BPNN所形成的输出量之间的非线性关系；BP神经网络的输入端与输出端之间设置有隐含层，隐含层中的通常设置为双隐含层且每个隐含层的节点为3个；

步骤2、选择IGS(国际GNSS服务组织)提供的历史对流层天顶延迟数据以及相应的大气压P₀、水汽压e₀、温度T₀、用户的纬度用户的高度h用于训练步骤1中建立的BP神经网络，为了提高准确性，上述历史数据需至少为期一年；这里对流层天顶延迟ZTD_SAAS和实测气象参数即大气压P₀、水汽压e₀、温度T₀可以分别在以下两个网址下载获得：

ftp://cddis.gsfc.nasa.gov/pub/gps/products/troposphere/zpd/；

ftp://cddis.gsfc.nasa.gov/pub/gps/data/daily/；

步骤3、以待求用户所在位置对应的大气压P₀、水汽压e₀、温度T₀、用户的纬度和用户的高度h代入下式计算Saastamoinen模型的对流层天顶延迟ZTD_SAAS

步骤4、利用待求用户所在位置对应的大气压P₀、水汽压e₀、温度T₀、用户的纬度用户的高度h以及步骤3中计算出来的Saastamoinen模型的对流层天顶延迟ZTD_SAAS，代入步骤2中已经训练完毕的BP神经网络并来计算待求用户位置的Saastamonien模型所计算的对流层天顶延迟的残差RES_BPNN；

步骤5、对Saastamonien模型进行误差补偿，即利用步骤4中计算出来的待求用户位置的Saastamonien模型所计算的对流层天顶延迟的残差RES_BPNN补偿步骤3中的Saastamoinen模型的对流层天顶延迟ZTD_SAAS获得本发明的ISAAS模型计算的待求用户位置的对流程天顶延迟的为ZTD_ISAAS＝ZTD_SAAS+RES_BPNN。

有益效果：

本发明选用合理输入输出参数建立BP神经网络，并用历史数据对其进行训练，使得利用本发明计算出的对流层天顶延迟要比Saastamonien模型的精度提高大约12.4％。因此，对于一定区域的对流层，可以利用本发明提出的方法计算其延迟数值。

附图说明

图1为Saastamoinen模型误差的神经网络设计图；

图2为本发明的模型补偿策略；

图3为建模和测试的IGS站分布图；

图4为本发明的模型和Saastamoinen模型平均偏差BIAS比较分析结果；

图5为本发明的模型和Saastamoinen模型中误差RMSE比较分析结果。

具体实施方式

下面结合附图对本发明作更进一步的说明。

步骤1、利用BP神经网络技术表示Saastamoinen模型误差。

利用BP神经网络来表示Saastamoinen模型所计算的对流层天顶延迟的残差RES_BPNN与地面气象参数、地理坐标和模型值的非线性关系。该BP神经网络具体结构如图1所示，其中：地面气象参数(包括大气压P₀、水汽压e₀和温度T₀)、用户的位置(用户的纬度和用户的高度h)和Saastamoinen模型的对流层天顶延迟ZTD_SAAS为该神经网络的输入参数，Saastamoinen模型所计算的对流层天顶延迟的残差RES_BPNN为输出参数。

其中，Saastamoinen模型的对流层天顶延迟ZTD_SAAS计算公式如下所示：

步骤2、使用高精度的IGS对流层延迟产品数据训练BP神经网络。

以图4所示的俄罗斯地区作为研究地区，选择该区域中的8个IGS站的一年的数据作为建模数据，IGS站的具体名称和位置见表1。

表1

这8个IGS站提供了至少一年的IGS的对流层天顶延迟ZTD_SAAS、对应的实测气象参数数据和大致的地理坐标。对流层天顶延迟ZTD_SAAS和实测气象参数可以分别在一下两个网址下载：

ftp://cddis.gsfc.nasa.gov/pub/gps/products/troposphere/zpd/；

ftp://cddis.gsfc.nasa.gov/pub/gps/data/daily/。

利用上述8个IGS站的2011年全年或者2012全年数据对如图1所示设计的BP神经网络进行训练。部分建模数据如表2所示：

表2

步骤3、用Saastamoinen模型方法计算待求用户所在位置的对流层天顶延迟ZTD_SAAS。

为了对模型效果验证，选取3个IGS站(如表3和图4所示)作为待求用户所在位置，选取待求用户所在位置处的大气压P₀、水汽压e₀、温度T₀、用户的纬度和用户的高度h这些数据，按照公式(1)计算Saastamoinen模型的对流程天顶延迟ZTD_SAAS。

表3

步骤4、用已经训练完毕的BP神经网络计算待求用户所在位置的所计算的对流层天顶延迟的残差RES_BPNN。

利用待求用户所在位置对应的大气压P₀、水汽压e₀、温度T₀、用户的纬度用户的高度h以及步骤3中计算出来的Saastamoinen模型的对流层天顶延迟ZTD_SAAS作为输入数据代入步骤2中已经训练完毕的BP神经网络并来计算待求用户位置的Saastamonien模型所计算的对流层天顶延迟的残差RES_BPNN；

步骤5、计算修改后对流层天顶延迟。

对Saastamonien模型进行误差补偿，即利用步骤4中计算出待求用户位置的Saastamonien模型所计算的对流层天顶延迟的残差RES_BPNN补偿步骤3中Saastamoinen模型的对流层天顶延迟ZTD_SAAS，如图2所示。因此，本发明的模型即ISAAS模型计算的用户位置的对流程天顶延迟的应为：ZTD_ISAAS＝ZTD_SAAS+RES_BPNN。

以平均偏差BIAS和中误差RMSE作为模型比较分析验证的基本标准，它们的计算式分别为：

$BIAS=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}({\mathrm{ZTD}}_i^C-{\mathrm{ZTD}}_i^O)$

$RMSE=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{({\mathrm{ZTD}}_i^C-{\mathrm{ZTD}}_i^O)}^2}$

其中：N是用于测试数据的数量；为模型计算值即各个模型的对流层天顶延迟；为真值，即IGS所提供对流层天顶延迟数据。

图4从上到下分别为badg、pets和svtl这三个测试站ISAAS模型与Saastamoinen模型平均偏差BIAS比较分析结果。图5从上到下分别为badg、pets和svtl三个测试站ISAAS模型和Saastamoinen模型中误差RMSE比较分析结果比较分析结果。通过在一年中不同的时间段的BIAS和RMSE比较分析结果，可以看出本发明的ISAAS模型计算方法的BIAS得到很大改进，而RMSE得到一定的提高。表4为ISAAS模型计算方法的一年的精度，结果表明在测试三个站有一定的提高，ISAAS模型计算出的对流层天顶延迟要比Saastamonien模型提高大约12.4％。

表4

因此，对于一定区域的对流层，可以利用本发明提出的方法计算其延迟数值。

凡是根据本发明技术实质对以上实施所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (2)

1.一种基于实测气象参数的对流层天顶延迟改正方法，其特征在于：包括顺序执行的以下步骤：

步骤1、利用BP神经网络建立以用户位置处的大气压P₀、水汽压e₀、温度T₀、用户的纬度用户的高度h以及Saastamoinen模型的对流层天顶延迟ZTD_SAAS组成的输入量与以Saastamoinen模型所计算的对流层天顶延迟的残差RES_BPNN所形成的输出量之间的非线性关系；

步骤2、选择IGS提供的历史对流层天顶延迟数据以及相应的大气压P₀、水汽压e₀、温度T₀、用户的纬度用户的高度h用于训练步骤1中建立的BP神经网络；

步骤3、以待求用户所在位置对应的大气压P₀、水汽压e₀、温度T₀、用户的纬度和用户的高度h代入下式计算Saastamoinen模型的对流层天顶延迟ZTD_SAAS

步骤4、利用待求用户所在位置对应的大气压P₀、水汽压e₀、温度T₀、用户的纬度用户的高度h以及步骤3中计算出来的Saastamoinen模型的对流层天顶延迟ZTD_SAAS，代入步骤2中已经训练完毕的BP神经网络并来计算待求用户位置的Saastamonien模型所计算的对流层天顶延迟的残差RES_BPNN；

步骤5、利用步骤4中计算出来的待求用户位置的Saastamonien模型所计算的对流层天顶延迟的残差RES_BPNN补偿步骤3中的Saastamoinen模型的对流层天顶延迟ZTD_SAAS获得待求用户所在位置的对流程天顶延迟的为ZTD_ISAAS＝ZTD_SAAS+RES_BPNN。

2.根据权利要求1所述的基于实测气象参数的对流层天顶延迟改正方法，其特征在于：BP神经网络的输入端与输出端之间设置有隐含层，隐含层设置为双隐含层且每个隐含层的节点为3个。