CN109884666B - 一种基于数据同化技术的对流层延迟改正方法 - Google Patents
一种基于数据同化技术的对流层延迟改正方法 Download PDFInfo
- Publication number
- CN109884666B CN109884666B CN201910084991.9A CN201910084991A CN109884666B CN 109884666 B CN109884666 B CN 109884666B CN 201910084991 A CN201910084991 A CN 201910084991A CN 109884666 B CN109884666 B CN 109884666B
- Authority
- CN
- China
- Prior art keywords
- unb3m
- model
- value
- latitude
- error
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于数据同化技术的对流层延迟改正方法,包括以下步骤:S1:依据传统的UNB3m模型确定本方法所需的气象参数,并计算UNB3m模型在测站点的对流层延迟改正值;S2:利用IGS中心提供的高精度对流层延迟产品数据,计算该测站点的初始误差d0,并将初始误差d0作为下一步循环迭代的衡量指标;S3:下载ERA数据,对ERA数据进行预处理,采用以误差绝对值为依据的参数循环迭代方法将ERA‑Interim大气再分析资料与UNB3m模型进行数据同化,最终建立ERA‑UNB3m融合模型;S4:利用IGS中心的对流层延迟产品,采用平均偏差BIAS和均方根误差RMSE计算UNB3m模型和ERA‑UNB3m融合模型的精度。本发明通过误差循环迭代技术建立的ERA‑UNB3m融合模型精度较传统UNB3m模型精度有显著提升。
Description
技术领域
本发明涉及全球导航领域,特别是涉及一种基于数据同化技术的对流层延迟改正方法。
背景技术
UNB3模型早期广泛用于广域增强系统和空基GNSS接收机增强系统。为了更加精准的预测对流层延迟,增强版本UNB3m出现了。UNB3m模型大部分都基于UNB3模型,主要改变了一个气象参数,把UNB3中的水蒸气压力参数改为相对湿度。UNB系列模型的进化过程就是其建模所用气象参数不断优化的过程。仅将UNB3模型中的水汽压替换成相对湿度后,UNB3m模型的精度就有了较为显著的提高。这说明了气象参数对模型的精度有着较为显著的影响。虽然UNB3m模型精度已有提升,仍然难以满足当前GNSS高精度导航定位的需要。对流层延迟改正模型的研究在当前仍然具有十分重要的意义。
发明内容
发明目的:本发明的目的是提供一种基于数据同化技术的对流层延迟改正方法,能够有效提高模型精度。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于数据同化技术的对流层延迟改正方法,包括以下步骤:
S1:依据传统的UNB3m模型确定本方法所需的气象参数,并计算UNB3m模型在测站点的对流层延迟改正值;
S2:利用IGS中心提供的高精度对流层延迟产品数据,计算该测站点的初始误差d0,并将初始误差d0作为下一步循环迭代的衡量指标;
S3:下载ERA数据,对ERA数据进行预处理,采用以误差绝对值为依据的参数循环迭代方法将ERA-Interim大气再分析资料与UNB3m模型进行数据同化,最终建立ERA-UNB3m融合模型;
S4:利用IGS中心的对流层延迟产品,采用平均偏差BIAS和均方根误差RMSE计算UNB3m模型和ERA-UNB3m融合模型的精度。
进一步,所述步骤S1中的对流层延迟改正值根据式(1)得到:
ZTD_UNB3m=ZHD+ZWD (1)
式(1)中,ZTD_UNB3m表示通过UNB3m模型计算的对流层延迟改正值,ZHD为对流层干延迟,ZWD为对流层湿延迟;ZHD根据式(2)得到,ZWD根据式(3)得到;
其中,T0为温度,P0为气压,RH为相对湿度,β为温度梯度,λ为水汽梯度,H为测站高度,es为饱和水气压,fw为转换系数,Tm为加权平均温度,k1、k2和k3为一组常数,gm=9.784m/s2,g=9.8m/s2,R为空气气体常数。
进一步,所述气压P0设为X1,温度T0设为X2,相对湿度RH设为X3,温度梯度β设为X4,水汽梯度λ设为X5,X1、X2、X3、X4和X5根据式(4)得到:
其中,LATi为正整数i处的纬度,i取整数30、45、60,Avg15为纬度小于等于15的年平均值,Avg75为纬度大于等于75的年平均值,Avgi为纬度i处的年平均值,Avgi+1为纬度i+1处的年平均值,Amp15为纬度小于等于15的年振幅值,Amp75为纬度大于等于75的年振幅值,Ampi为纬度i处的年振幅值,Ampi+1为纬度i+1处的年振幅值。
进一步,所述步骤S2中的初始误差d0根据式(7)得到:
d0=ZTD_IGS-ZTD_UNB3m (7)
式(7)中,ZTD_UNB3m表示通过UNB3m模型计算的对流层延迟改正值,ZTD_IGS为IGS中心提供的ZTD真值。
进一步,所述步骤S3中的以误差绝对值为依据的参数循环迭代方法具体包括以下步骤:
S3.1:以步骤S2得到的初始误差d0作为初始衡量指标;
S3.2:对ERA-Interim大气再分析资料进行预处理,得到X′1、X′2、X′3、X′4、X′5;其中,X′1为预处理之后的X1,X′2为预处理之后的X2,X′3为预处理之后的X3,X′4为预处理之后的X4,X′5为预处理之后的X5,X1为气压P0,X2为温度T0,X3为相对湿度RH,X4为温度梯度β,X5为水汽梯度λ;
S3.3:令i=0;
S3.4:判断i是否等于5:如果是,则进行步骤S3.5;否则,则令i=i+1,然后进行步骤S3.5;
S3.5:利用X′i替换Xi,得到新误差为di,再比较|di|与|di-1|的大小:若|di|小于|di-1|,则将X′i替换UNB3m模型中的Xi,即进行Xi=X′i操作,误差衡量指标自动更新为di;若|di|大于等于|di-1|,则确定UNB3m模型中的Xi不需要替换,维持原参数值Xi,误差衡量指标也维持原误差值,也即将原误差值di-1赋值给di,进行di=di-1操作;
S3.6:判断i是否等于5:如果是,则结束;否则,则返回步骤S3.4。
有益效果:本发明公开了一种基于数据同化技术的对流层延迟改正方法,通过误差循环迭代技术建立的ERA-UNB3m融合模型精度较传统UNB3m模型精度有显著提升。
附图说明
图1为本发明具体实施方式中ERA-Interim数据的下载页面示意图;
图2为本发明具体实施方式中将再分析数据预处理后的格式的示意图;
图3为本发明具体实施方式中建立ERA-UNB3m融合模型的系统思维框图;
图4为本发明具体实施方式中以误差绝对值为依据的参数循环迭代方法的流程图;
图5为本发明具体实施方式中ERA-UNB3m融合模型和UNB3m模型的误差分布图;
图5(a)为ERA-UNB3m融合模型的误差分布图;
图5(b)为UNB3m模型的误差分布图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
近年来随着对地观测测站的逐年增多,观测数据质量的不断提升,对流层延迟改正研究正在从过去以来简单数学模型转化到依赖大量外部高质量数据的过程中。大气再分析资料包括美国国家环境预测中心(NCEP,National Centers for EnvironmentalPrediction)、欧洲中期天气预报中心(ECMWF,European Center for Medium-RangeWeather Forecasts)和日本气象厅(JMA,Japan Meteorological Agency)等。对于国际上三个机构的不同产品,ERA-Interim产品的同化系统技术较为先进,观测数据丰富且整体精度较高,因此选择使用ERA-Interim再分析数据。
本具体实施方式公开了一种基于数据同化技术的对流层延迟改正方法,包括以下步骤:
S1:依据传统的UNB3m模型确定本方法所需的气象参数,并计算UNB3m模型在测站点的对流层延迟改正值;
S2:利用IGS中心提供的高精度对流层延迟产品数据,计算该测站点的初始误差d0,并将初始误差d0作为下一步循环迭代的衡量指标;
S3:下载ERA数据,对ERA数据进行预处理,采用以误差绝对值为依据的参数循环迭代方法将ERA-Interim大气再分析资料与UNB3m模型进行数据同化,最终建立ERA-UNB3m融合模型;
S4:利用IGS中心的对流层延迟产品,采用平均偏差BIAS和均方根误差RMSE计算UNB3m模型和ERA-UNB3m融合模型的精度。
步骤S1中的对流层延迟改正值根据式(1)得到:
ZTD_UNB3m=ZHD+ZWD (1)
式(1)中,ZTD_UNB3m表示通过UNB3m模型计算的对流层延迟改正值,ZHD为对流层干延迟,ZWD为对流层湿延迟;ZHD根据式(2)得到,ZWD根据式(3)得到;
其中,T0为温度,P0为气压,RH为相对湿度,β为温度梯度,λ为水汽梯度,H为测站高度,es为饱和水气压,fw为转换系数,Tm为加权平均温度,k1、k2和k3为一组常数,gm=9.784m/s2,g=9.8m/s2,R为空气气体常数。
气压P0设为X1,温度T0设为X2,相对湿度RH设为X3,温度梯度β设为X4,水汽梯度λ设为X5,X1、X2、X3、X4和X5根据式(4)得到:
式(4)中,为测站实际纬度,doy为年积日,Dmin为气象参数达到年最小值时的年积日,北半球Dmin=28,南半球Dmin=211,为纬度处的年平均值,为纬度处的的年振幅值,根据式(5)得到,根据式(6)得到;
其中,IATi为正整数i处的纬度,i取整数30、45、60,Avg15为纬度小于等于15的年平均值,Avg75为纬度大于等于75的年平均值,Avgi为纬度i处的年平均值,Avgi+1为纬度i+1处的年平均值,Amp15为纬度小于等于15的年振幅值,Amp75为纬度大于等于75的年振幅值,Ampi为纬度i处的年振幅值,Ampi+1为纬度i+1处的年振幅值。
根据测站实际纬度,参照表1、表2即可获得测站所处纬度的气象参数。
表1 X1、X2、X3、X4和X5的年平均值(Avg)
表2 X1、X2、X3、X4和X5的年振幅值(Amp)
下面例子展示了纬度具有代表性的三个测站气象参数X1的计算过程:
例1:adis站,纬度=9.04°,doy=1,其气象参数X1计算如下:
例2:ebre站,纬度=40.82,doy=1,其气象参数X1:
例3:artu站,纬度=56.43,doy=1,其气象参数X1:
根据上述方式依次求得X1、X2、X3、X4和X5,最终求出UNB3模型的对流层延迟(ZTD_UNB3m)数值如表3所示。
表3 UNB3m模型计算2016年年积日(DOY=1)的对流层延迟
步骤S2中的初始误差d0根据式(7)得到:
d0=ZTD_IGS-ZTD_UNB3m (7)
式(7)中,ZTD_UNB3m表示通过UNB3m模型计算的对流层延迟改正值,ZTD_IGS为IGS中心提供的ZTD真值。
利用IGS中心产品评价UNB3模型ZTD的结果如表4所示。
表4 UNB3m模型计算年积日为1的部分测站的对流层延迟
如图3和图4所示,步骤S3中的以误差绝对值为依据的参数循环迭代方法具体包括以下步骤:
S3.1:以步骤S2得到的初始误差d0作为初始衡量指标;
S3.2:对ERA-Interim大气再分析资料进行预处理,得到X′1、X′2、X′3、X′4、X′5;其中,X′1为预处理之后的X1,X′2为预处理之后的X2,X′3为预处理之后的X3,X′4为预处理之后的X4,X′5为预处理之后的X5,X1为气压P0,X2为温度T0,X3为相对湿度RH,X4为温度梯度β,X5为水汽梯度λ;
S3.3:令i=0;
S3.4:判断i是否等于5:如果是,则进行步骤S3.5;否则,则令i=i+1,然后进行步骤S3.5;
S3.5:利用X′i替换Xi,得到新误差为di,再比较|di|与|di-1|的大小:若|di|小于|di-1|,则将X′i替换UNB3m模型中的Xi,即进行Xi=X′i操作,误差衡量指标自动更新为di;若|di|大于等于|di-1|,则确定UNB3m模型中的Xi不需要替换,维持原参数值Xi,误差衡量指标也维持原误差值,也即将原误差值di-1赋值给di,进行di=di-1操作;
S3.6:判断i是否等于5:如果是,则结束;否则,则返回步骤S3.4。
其中,ERA-Interim原始数据可通过网址https://apps.ecmwf.int/datasets/data/interim-full-daily/levtype=ml/下载1979-2018年数据。页面参数选取如图1所示,可下载多种气象参数。
本具体实施方式下载的参数为X1(气压P0)、X2(温度T0)、X3(相对湿度RH)、X4(温度梯度β)和X5(水汽梯度λ)。按照经纬度进行数据预处理,最终数据格式如图2所示。
ERA-UNB3m融合模型计算欧洲区域部分测站在2016年1月1日的对流层天顶延迟值如表5所示。
表5融合模型计算年积日为1的部分测站的对流层延迟
平均偏差(BIAS)和均方根误差(RMSE)的具体计算公式为:
利用IGS中心提供的40个测站2016年全年共13742个ZTD数据来评价分析UNB3m模型和融合模型(ERA-UNB3m模型),具体情况如表6所示。
表6两种模型的平均偏差(BIAS)与均方根误差(RMSE)
通过以上数据可知:
UNB3m模型的均方根误差为±46.3mm,融合模型的均方根误差为±31.9mm。相比UNB3m模型,融合模型的精度提高了31%。说明了利用数据同化技术建立的融合模型具有较高的ZTD解算精度。
图5(a)和图5(b)展示了融合模型和UNB3m模型的误差分布,可以看出融合模型的误差整体都小于UNB3m模型。
因此,对于欧洲区域的对流层,可以利用本发明提出的方法计算其延迟数值。
Claims (4)
1.一种基于数据同化技术的对流层延迟改正方法,其特征在于:包括以下步骤:
S1:依据传统的UNB3m模型确定本方法所需的气象参数,并计算UNB3m模型在测站点的对流层延迟改正值;
S2:利用IGS中心提供的高精度对流层延迟产品数据,计算该测站点的初始误差d0,并将初始误差d0作为下一步循环迭代的衡量指标;
S3:下载ERA数据,对ERA数据进行预处理,采用以误差绝对值为依据的参数循环迭代方法将ERA-Interim大气再分析资料与UNB3m模型进行数据同化,最终建立ERA-UNB3m融合模型;
S3.1:以步骤S2得到的初始误差d0作为初始衡量指标;
S3.2:对ERA-Interim大气再分析资料进行预处理,得到X′1、X′2、X′3、X′4、X′5;其中,X′1为预处理之后的X1,X′2为预处理之后的X2,X′3为预处理之后的X3,X′4为预处理之后的X4,X′5为预处理之后的X5,X1为气压P0,X2为温度T0,X3为相对湿度RH,X4为温度梯度β,X5为水汽梯度λ;
S3.3:令i=0;
S3.4:判断i是否等于5:如果是,则进行步骤S3.5;否则,则令i=i+1,然后进行步骤S3.5;
S3.5:利用Xi′替换Xi,得到新误差为di,再比较|di|与|di-1|的大小:若|di|小于|di-1|,则将Xi′替换UNB3m模型中的Xi,即进行Xi=Xi′操作,误差衡量指标自动更新为di;若|di|大于等于|di-1|,则确定UNB3m模型中的Xi不需要替换,维持原参数值Xi,误差衡量指标也维持原误差值,也即将原误差值di-1赋值给di,进行di=di-1操作;
S3.6:判断i是否等于5:如果是,则结束;否则,则返回步骤S3.4;
S4:利用IGS中心的对流层延迟产品,采用平均偏差BIAS和均方根误差RMSE计算UNB3m模型和ERA-UNB3m融合模型的精度。
3.根据权利要求2所述的基于数据同化技术的对流层延迟改正方法,其特征在于:所述气压P0设为X1,温度T0设为X2,相对湿度RH设为X3,温度梯度β设为X4,水汽梯度λ设为X5,X1、X2、X3、X4和X5根据式(4)得到:
其中,LATi为正整数i处的纬度,i取整数30、45、60,Avg15为纬度小于等于15的年平均值,Avg75为纬度大于等于75的年平均值,Avgi为纬度i处的年平均值,Avgi+1为纬度i+1处的年平均值,Amp15为纬度小于等于15的年振幅值,Amp75为纬度大于等于75的年振幅值,Ampi为纬度i处的年振幅值,Ampi+1为纬度i+1处的年振幅值。
4.根据权利要求1所述的基于数据同化技术的对流层延迟改正方法,其特征在于:所述步骤S2中的初始误差d0根据式(7)得到:
d0=ZTD_IGS-ZTD_UNB3m (7)
式(7)中,ZTD_UNB3m表示通过UNB3m模型计算的对流层延迟改正值,ZTD_IGS为IGS中心提供的ZTD真值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084991.9A CN109884666B (zh) | 2019-01-29 | 2019-01-29 | 一种基于数据同化技术的对流层延迟改正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084991.9A CN109884666B (zh) | 2019-01-29 | 2019-01-29 | 一种基于数据同化技术的对流层延迟改正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109884666A CN109884666A (zh) | 2019-06-14 |
CN109884666B true CN109884666B (zh) | 2022-11-08 |
Family
ID=66927161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910084991.9A Active CN109884666B (zh) | 2019-01-29 | 2019-01-29 | 一种基于数据同化技术的对流层延迟改正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109884666B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651875B (zh) * | 2020-05-25 | 2023-08-04 | 北京大学 | 一种基于误差传输的空气质量预报改进方法及系统 |
CN111551964B (zh) * | 2020-05-27 | 2023-03-31 | 中国气象局气象探测中心 | 一种基于导航卫星系统的水汽观测方法 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120119944A1 (en) * | 2010-05-30 | 2012-05-17 | Trimble Navigation Limited | Gnss atmospheric estimation with ambiguity fixing |
CN103323888B (zh) * | 2013-04-24 | 2015-06-17 | 东南大学 | Gnss大气探测数据中对流层延迟误差的消除方法 |
CN104777488B (zh) * | 2015-03-13 | 2018-04-06 | 中国科学院上海天文台 | 天顶对流层延迟建模方法、装置及测量方法、装置 |
CN106022470B (zh) * | 2016-04-29 | 2019-01-29 | 东南大学 | 一种基于bp-egnos融合模型的对流层延迟改正方法 |
-
2019
- 2019-01-29 CN CN201910084991.9A patent/CN109884666B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109884666A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | On the suitability of ERA5 in hourly GPS precipitable water vapor retrieval over China | |
CN103323888B (zh) | Gnss大气探测数据中对流层延迟误差的消除方法 | |
CN109884666B (zh) | 一种基于数据同化技术的对流层延迟改正方法 | |
CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
Sterling et al. | Homogenizing and estimating the uncertainty in NOAA's long-term vertical ozone profile records measured with the electrochemical concentration cell ozonesonde | |
Wang et al. | Systematic errors in global radiosonde precipitable water data from comparisons with ground-based GPS measurements | |
Lindqvist et al. | Does GOSAT capture the true seasonal cycle of carbon dioxide? | |
CN108680268B (zh) | 一种基于探空数据的区域加权平均温度的Bevis模型改进方法 | |
Maksyutov et al. | A high-resolution inverse modelling technique for estimating surface CO 2 fluxes based on the NIES-TM–FLEXPART coupled transport model and its adjoint | |
CN108426815B (zh) | 一种近地面细颗粒物组分浓度估算方法 | |
CN115356440A (zh) | 一种用于定量人为排放和气象条件对大气污染物浓度贡献的系统和方法 | |
Maksyutov et al. | A high-resolution inverse modelling technique for estimating surface CO 2 fluxes based on the NIES-TM–FLEXPART coupled transport model and its adjoint | |
Kulawik et al. | Lower-tropospheric CO 2 from near-infrared ACOS-GOSAT observations | |
CN110110482B (zh) | 探空特性层温度偏差订正及效果检验算法 | |
Hassler et al. | An updated version of a gap-free monthly mean zonal mean ozone database | |
Reum et al. | Accurate measurements of atmospheric carbon dioxide and methane mole fractions at the Siberian coastal site Ambarchik | |
CN111126466A (zh) | 一种多源pwv数据融合方法 | |
Azizi et al. | Evaluation and comparison of reanalysis precipitation data in Iran | |
CN115392401A (zh) | 一种基于人工神经网络的大气可降水量数据融合方法 | |
Yao et al. | A global empirical model for mapping zenith wet delays onto precipitable water vapor using GGOS Atmosphere data | |
CN112270293B (zh) | 一种逐日稻田ch4通量的遥感估算方法 | |
CN111239856A (zh) | 一种探空温度辐射误差订正量计算方法 | |
CN117350082B (zh) | 一种净生态系统生产力的计算方法 | |
Eini et al. | Accuracy of PERSIANN-CDR precipitation satellite database in simulation assessment of runoff in SWAT Model on Maharlu Basin | |
CN116341352B (zh) | 地表温度观测信息约束的静止卫星陆上红外亮温模拟方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |