CN105787556A - 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法 - Google Patents

一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法 Download PDF

Info

Publication number
CN105787556A
CN105787556A CN201610097004.5A CN201610097004A CN105787556A CN 105787556 A CN105787556 A CN 105787556A CN 201610097004 A CN201610097004 A CN 201610097004A CN 105787556 A CN105787556 A CN 105787556A
Authority
CN
China
Prior art keywords
neutral net
survey station
model
stack emission
igs
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610097004.5A
Other languages
English (en)
Other versions
CN105787556B (zh
Inventor
胡伍生
韩伟
陈永潮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201610097004.5A priority Critical patent/CN105787556B/zh
Publication of CN105787556A publication Critical patent/CN105787556A/zh
Application granted granted Critical
Publication of CN105787556B publication Critical patent/CN105787556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/40—Correcting position, velocity or attitude

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法，其特征在于：包括以下的步骤：S1：依据Saastamoinen模型，计算测站处的对流层湿延迟值ZWDSAAS；S2：建立表示测站处湿延迟的BP神经网络，使用BP神经网络来表示测站湿延迟与气象参数和Saastamoinen模型湿延迟的非线性关系；S3：使用高精度IGS对流层延迟产品数据训练BP神经网络；S4：通过BP神经网络计算测站处湿延迟；S5：计算修改后的对流层天顶延迟。本发明方法的精度较高。

Description

一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法
技术领域
本发明涉及全球导航系统领域，特别是涉及一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法。
背景技术
对流层延迟是影响卫星导航定位精度特别是高程方向上的精度的主要原因。目前对流层延迟改正的主要方法是模型改正法。模型改正法根据不同的假设和影响因素建立能够反映对流层延迟的函数关系式。对流层延迟改正模型是通过分析气象资料得到的经验公式，又因解析的方法不同而存在差异性。根据模型计算时是否需要气象参数可以分为需要气象参数模型以及无气象参数模型。需要气象参数的天顶对流层延迟模型主要包括Hopfield模型、Saastamoinen模型等。国内外学者在对流层延迟改正模型研究方面取得了丰硕的成果，然而中国地区的对流层延迟改正模型的研究仍然存在许多不足：
(1)常用的有气象参数的对流层延迟经验模型，都是通过对全球大气平均气象资料以及全球气候的分析，建立起来的全球范围内的对流层延迟模型。在局部范围内或采用区域气象数据，则此类模型的模型精度较差，尤其是在我国这样地域广阔、环境复杂的地区改正效果较为有限。
(2)有气象参数的Saastamoinen模型是采用北美气象资料建立的全球对流层延迟模型，因此Saastamoinen模型在中国地区存在一定的系统性的偏差。部分地区模型精度较低，无法达到精密定位的要求。
发明内容
发明目的：本发明的目的是提供一种精度较高的基于Saastamoinen模型的BP神经网络对流层延迟改正方法。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的基于Saastamoinen模型的BP神经网络对流层延迟改正方法，包括以下的步骤：
S1：依据Saastamoinen模型，计算测站处的对流层湿延迟值ZWDSAAS；
S2：建立表示测站处湿延迟的BP神经网络，使用BP神经网络来表示测站湿延迟与气象参数和Saastamoinen模型湿延迟的非线性关系；
S3：使用高精度IGS对流层延迟产品数据训练BP神经网络；
S4：通过BP神经网络计算测站处湿延迟；
S5：计算修改后的对流层天顶延迟。
进一步，所述步骤S1中的ZWDSAAS为：
其中，为：
进一步，所述步骤S2中的BP神经网络的输入参数为地面气象参数和Saastamoinen模型的湿延迟计算值ZWDSAAS，其中，地面气象参数包括大气压P0、水汽压e0和温度T0；BP神经网络的输出参数为测站处的对流层湿延迟ZWDIGS，隐含层为5-35个节点；其中，测站处的对流层湿延迟ZWDIGS如式(3)所示：
ZWDIGS＝ZTDIGS-ZHDSAAS(3)
式(3)中ZTDIGS为IGS提供的高精度对流层延迟产品数据，ZHDSAAS为Saastamoinen模型的天顶静力学延迟，如式(4)所示；
其中，为测站处的纬度，h为测站处的高程。
进一步，所述步骤S4为：利用测站处的大气压P0、水汽压e0和温度T0，以及步骤S1计算得到的Saastamoinen模型的湿延迟计算值ZWDSAAS，通过训练好的BP神经网络，计算出测站处的湿延迟。
进一步，所述步骤S5为：利用步骤S4计算出的测站处湿延迟以及Saastamoinen模型的天顶静力学延迟ZHDSAAS计算出测站处的对流层天顶延迟ZTD，如式(5)所示：
ZTD＝ZWDBP+ZHDSAAS(5)。
有益效果：与现有技术相比，本发明具有如下的有益效果：
1)采用BP神经网络对Saastamoinen模型进行模型的误差补偿能够很好地消除Saastamoinen模型在中国地区的系统性偏差，改进后的新模型在中国地区系统性的偏差较小；
2)相对于Saastamoinen模型固定的湿延迟计算公式，BP神经网络能够更好地拟合对流层湿延迟的非线性变化，改正后新模型的模型精度明显高于Saastamoinen模型。
附图说明
图1为本发明的BP神经网络的结构示意图；
图2为bjfs站Saastamoinen模型与ISAAS模型残差图；
图3为lhaz站Saastamoinen模型与ISAAS模型残差图；
图4为urum站Saastamoinen模型与ISAAS模型残差图；
图5为wuhn站Saastamoinen模型与ISAAS模型残差图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本发明公开了一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法，包括以下的步骤：
S1：依据Saastamoinen模型，计算测站处的对流层湿延迟值ZWDSAAS，如式(1)所示；
其中，为：
S2：建立表示测站处湿延迟的BP神经网络，如图1所示，使用BP神经网络来表示测站湿延迟与气象参数和Saastamoinen模型湿延迟的非线性关系，具体如下：
BP神经网络的输入参数为地面气象参数和Saastamoinen模型的湿延迟计算值ZWDSAAS，其中，地面气象参数包括大气压P0、水汽压e0和温度T0；BP神经网络的输出参数为测站处的对流层湿延迟ZWDIGS，隐含层为5-35个节点；其中，测站处的对流层湿延迟ZWDIGS如式(3)所示：
ZWDIGS＝ZTDIGS-ZHDSAAS(3)
式(3)中ZTDIGS为IGS提供的高精度对流层延迟产品数据，ZHDSAAS为Saastamoinen模型的天顶静力学延迟，如式(4)所示；
其中，为测站处的纬度，h为测站处的高程。
S3：使用高精度IGS对流层延迟产品数据训练BP神经网络：
选择中国地区的4个IGS站(如表1和图4所示)的一年的数据作为建模数据。
表14个IGS站基本信息
这4个IGS站提供了2014年的IGS的对流层天顶延迟数据和对应的实测气象参数数据。对流程延迟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4个IGS站的2014年全年数据中100条数据样本对如图1所示设计的BP神经网络进行训练。部分训练数据如表所示：
表2部分训练数据
S4：通过BP神经网络计算测站处湿延迟：
利用4个IGS站2014年其他的数据样本中的大气压P0、水汽压e0和温度T0，以及步骤S1计算得到的Saastamoinen模型的湿延迟计算值ZWDSAAS，通过训练好的BP神经网络，计算出这4个IGS站处的湿延迟。
S5：计算修改后的对流层天顶延迟：
利用步骤S4计算出的测站处湿延迟以及Saastamoinen模型的天顶静力学延迟ZHDSAAS计算出测站处的对流层天顶延迟ZTD，如式(5)所示：
ZTD＝ZWDBP+ZHDSAAS(5)。
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：
B I A S = 1 N Σ i = 1 N ( ZTD i C - ZTD i O ) - - - ( 6 )
R M S E = 1 N Σ i = 1 N ( ZTD i C - ZTD i O ) 2 - - - ( 7 )
其中：N是用于测试数据的数量；为模型计算值；为真值，即IGS所提供ZTD产品。
为了分析ISAAS模型的精度，选择中国地区的4个IGS站2014年的对流层延迟数据以及气象数据，计算出Saastamoinen模型以及ISAAS模型的对流层延迟并与IGS对流层延迟进行比较。图2～图5分别是这4个IGS站上各个模型的误差图。图中虚线部分为Saastamoinen模型的残差折线图，折线部分为ISAAS模型的残差折线图。表3给出了这两种模型在4个IGS站上天顶对流层延迟的偏差(bias)以及中误差(rms)。
表3ISAAS模型与Saastamoinen模型的精度比较分析结果
从图2～图5以及表3可以看出：Saastamoinen模型在这四个站的平均偏差为3.5cm，wuhn站的偏差也达到了6cm；ISAAS模型在这四个站上的平均偏差在-0.2cm左右，其中wuhn站的偏差最大达到-0.6cm。中误差方面，Saastamoinen模型在这四个站的中误差均在±3.0cm以上，wuhn站中误差为±8.7cm；ISAAS模型除wuhn站外，其他三个站的中误差均在±2.0cm以下，lhaz站中误差为±1.0cm，wuhn站中误差较大为±5.3cm。
通过以上数据，我们发现：
(1)Saastamoinen模型在中国地区的偏差均为正值，且平均偏差都在3.5cm以上，说明Saastamoinen模型在中国均存在比较明显的偏差，而改进后的ISAAS模型在中国地区系统性的偏差较小。
(2)通过比较可以发现ISAAS模型的模型精度明显高于Saastamoinen模型。Saastamoinen模型平均中误差为±4.9cm，ISAAS模型平均中误差为±2.5cm。相对于Saastamoinen模型，ISAAS模型的模型精度提高49％以上。这说明相对于Saastamoinen模型固定的湿延迟计算公式，BP神经网络能够更好地拟合对流层湿延迟的非线性变化。
因此，对于中国区域的对流层，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 (5)

1.一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法，其特征在于：包括以下的步骤：
S1：依据Saastamoinen模型，计算测站处的对流层湿延迟值ZWDSAAS；
S2：建立表示测站处湿延迟的BP神经网络，使用BP神经网络来表示测站湿延迟与气象参数和Saastamoinen模型湿延迟的非线性关系；
S3：使用高精度IGS对流层延迟产品数据训练BP神经网络；
S4：通过BP神经网络计算测站处湿延迟；
S5：计算修改后的对流层天顶延迟。
2.根据权利要求1所述的基于Saastamoinen模型的BP神经网络对流层延迟改正方法，其特征在于：所述步骤S1中的ZWDSAAS为：
其中，为：
3.根据权利要求1所述的基于Saastamoinen模型的BP神经网络对流层延迟改正方法，其特征在于：所述步骤S2中的BP神经网络的输入参数为地面气象参数和Saastamoinen模型的湿延迟计算值ZWDSAAS，其中，地面气象参数包括大气压P0、水汽压e0和温度T0；BP神经网络的输出参数为测站处的对流层湿延迟ZWDIGS，隐含层为5-35个节点；其中，测站处的对流层湿延迟ZWDIGS如式(3)所示：
ZWDIGS＝ZTDIGS-ZHDSAAS(3)
式(3)中ZTDIGS为IGS提供的高精度对流层延迟产品数据，ZHDSAAS为Saastamoinen模型的天顶静力学延迟，如式(4)所示；
其中，为测站处的纬度，h为测站处的高程。
4.根据权利要求3所述的基于Saastamoinen模型的BP神经网络对流层延迟改正方法，其特征在于：所述步骤S4为：利用测站处的大气压P0、水汽压e0和温度T0，以及步骤S1计算得到的Saastamoinen模型的湿延迟计算值ZWDSAAS，通过训练好的BP神经网络，计算出测站处的湿延迟。
5.根据权利要求4所述的基于Saastamoinen模型的BP神经网络对流层延迟改正方法，其特征在于：所述步骤S5为：利用步骤S4计算出的测站处湿延迟以及Saastamoinen模型的天顶静力学延迟ZHDSAAS计算出测站处的对流层天顶延迟ZTD，如式(5)所示：
ZTD＝ZWDBP+ZHDSAAS(5)。
CN201610097004.5A 2016-02-23 2016-02-23 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法 Active CN105787556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610097004.5A CN105787556B (zh) 2016-02-23 2016-02-23 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610097004.5A CN105787556B (zh) 2016-02-23 2016-02-23 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法

Publications (2)

Publication Number Publication Date
CN105787556A true CN105787556A (zh) 2016-07-20
CN105787556B CN105787556B (zh) 2018-02-02

Family

ID=56402788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610097004.5A Active CN105787556B (zh) 2016-02-23 2016-02-23 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法

Country Status (1)

Country Link
CN (1) CN105787556B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107356554A (zh) * 2017-06-20 2017-11-17 东南大学 一种基于神经网络的反演大气可降水量的modis模型改进方法
CN109116385A (zh) * 2018-08-14 2019-01-01 厦门理工学院 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法
CN111273318A (zh) * 2020-02-25 2020-06-12 东南大学 一种基于抛物线的区域对流层湿延迟计算方法
CN111382507A (zh) * 2020-03-04 2020-07-07 山东大学 一种基于深度学习的全球对流层延迟建模方法
CN112034490A (zh) * 2020-10-10 2020-12-04 山东科技大学 一种nwp反演对流层延迟改进方法
CN113608239A (zh) * 2021-07-13 2021-11-05 中国科学院国家空间科学中心 基于bp神经网络的gnss掩星对流层参数的修正方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323888A (zh) * 2013-04-24 2013-09-25 东南大学 Gnss大气探测数据中对流层延迟误差的消除方法
US20130335267A1 (en) * 2012-06-15 2013-12-19 Korea Aerospace Research Institute Detecting method of gps clock signal jump using carrier phase measurements in real-time
CN104965207A (zh) * 2015-05-19 2015-10-07 同济大学 一种区域对流层天顶延迟的获取方法
CN105182366A (zh) * 2015-09-02 2015-12-23 东南大学 一种基于实测气象参数的对流层天顶延迟改正方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130335267A1 (en) * 2012-06-15 2013-12-19 Korea Aerospace Research Institute Detecting method of gps clock signal jump using carrier phase measurements in real-time
CN103323888A (zh) * 2013-04-24 2013-09-25 东南大学 Gnss大气探测数据中对流层延迟误差的消除方法
CN104965207A (zh) * 2015-05-19 2015-10-07 同济大学 一种区域对流层天顶延迟的获取方法
CN105182366A (zh) * 2015-09-02 2015-12-23 东南大学 一种基于实测气象参数的对流层天顶延迟改正方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107356554A (zh) * 2017-06-20 2017-11-17 东南大学 一种基于神经网络的反演大气可降水量的modis模型改进方法
CN107356554B (zh) * 2017-06-20 2019-08-20 东南大学 一种基于神经网络的反演大气可降水量的modis模型改进方法
CN109116385A (zh) * 2018-08-14 2019-01-01 厦门理工学院 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法
CN111273318A (zh) * 2020-02-25 2020-06-12 东南大学 一种基于抛物线的区域对流层湿延迟计算方法
CN111273318B (zh) * 2020-02-25 2021-10-19 东南大学 一种基于抛物线的区域对流层湿延迟计算方法
CN111382507A (zh) * 2020-03-04 2020-07-07 山东大学 一种基于深度学习的全球对流层延迟建模方法
CN112034490A (zh) * 2020-10-10 2020-12-04 山东科技大学 一种nwp反演对流层延迟改进方法
CN112034490B (zh) * 2020-10-10 2022-03-22 山东科技大学 一种nwp反演对流层延迟改进方法
CN113608239A (zh) * 2021-07-13 2021-11-05 中国科学院国家空间科学中心 基于bp神经网络的gnss掩星对流层参数的修正方法
CN113608239B (zh) * 2021-07-13 2023-10-17 中国科学院国家空间科学中心 基于bp神经网络的gnss掩星对流层参数的修正方法

Also Published As

Publication number Publication date
CN105787556B (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
CN105787556A (zh) 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法
Massari et al. Exploiting satellite-based surface soil moisture for flood forecasting in the Mediterranean area: State update versus rainfall correction
Okundamiya et al. Evaluation of various global solar radiation models for Nigeria
Wang et al. Evaluation of precipitable water vapor from five reanalysis products with ground-based GNSS observations
Julien et al. Global land surface phenology trends from GIMMS database
Vlassova et al. Assessment of methods for land surface temperature retrieval from Landsat-5 TM images applicable to multiscale tree-grass ecosystem modeling
Hobeichi et al. Derived Optimal Linear Combination Evapotranspiration (DOLCE): a global gridded synthesis ET estimate
Li et al. Development of an improved model for prediction of short-term heavy precipitation based on GNSS-derived PWV
CN111257241B (zh) 一种deei的基于卫星观测的大气二氧化碳浓度反演算法
Nkiaka et al. Evaluating global reanalysis datasets as input for hydrological modelling in the Sudano-Sahel region
CN111737912B (zh) 一种基于深度神经网络的mwhts模拟亮温计算方法
Fujita et al. Observed behaviours of precipitable water vapour and precipitation intensity in response to upper air profiles estimated from surface air temperature
CN103636142A (zh) 用于移动设备的气压校准方法、校准设备以及移动设备
CN105182366A (zh) 一种基于实测气象参数的对流层天顶延迟改正方法
CN106022470B (zh) 一种基于bp-egnos融合模型的对流层延迟改正方法
Muñoz-Sabater Incorporation of passive microwave brightness temperatures in the ECMWF soil moisture analysis
Jose et al. Bias Correction and trend analysis of temperature data by a high-resolution CMIP6 Model over a Tropical River Basin
Zhao et al. Improved drought monitoring index using GNSS-derived precipitable water vapor over the loess plateau area
Zhang et al. Metrology assessment of the accuracy of precipitable water vapor estimates from GPS data acquisition in tropical areas: the Tahiti case
Liu et al. An improved Ångström-type model for estimating solar radiation over the Tibetan Plateau
Lee et al. Development of land surface albedo algorithm for the GK-2A/AMI instrument
Xiong et al. Modify the accuracy of MODIS PWV in China: A performance comparison using random forest, generalized regression neural network and back-propagation neural network
Roth Updating the ASHRAE climate design data for 2017
Cao et al. A regional model for predicting tropospheric delay and weighted mean temperature in China based on GRAPES_MESO forecasting products
Makama et al. Variability and trend in integrated water vapour from ERA-interim and IGRA2 observations over peninsular Malaysia

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant