CN112560314A - 一种提高GPT2w模型计算气象参数精度的方法 - Google Patents
一种提高GPT2w模型计算气象参数精度的方法 Download PDFInfo
- Publication number
- CN112560314A CN112560314A CN202011508220.7A CN202011508220A CN112560314A CN 112560314 A CN112560314 A CN 112560314A CN 202011508220 A CN202011508220 A CN 202011508220A CN 112560314 A CN112560314 A CN 112560314A
- Authority
- CN
- China
- Prior art keywords
- air pressure
- air temperature
- month
- longitude
- latitude
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
Abstract
本发明公开了一种提高GPT2w模型计算气象参数精度的方法,将原格网参数文件按月份进行距离加权改正以获取12个对应月份的格网参数文件,并将经过加权改正的格网参数文件在GPT2w模型调用前进行分类初始化存储,使GPT2w模型对不同月份的数据进行处理时能够获取相应的格网参数。省去了在计算所需站点的气象参数时对格网参数文件进行分类初始化存储的时间,大大提升了模型的计算效率,并且利用改正后模型计算出的气象参数精度和稳定性有显著的提高,误差值明显减小。该方法使得计算气象参数的过程更加方便、快捷,计算结果精确,具有较高的科研和应用价值。
Description
技术领域
本发明涉及气象应用研究领域,尤其涉及一种提高GPT2w模型计算气象参数精度的方法。
背景技术
GPT是英文global pressure and temperature(全球气温气压)的简称,GPT系列模型可用于计算全球任意位置的气温、气压和水汽压等各种气象参数。应用最广且精度较高的全球气温气压模型主要为GPT2w模型。GPT2w模型通过输入站点处的经度、纬度、高程及年积日来计算距离站点最近的四个格网点上的气象参数并改正到站点高程处,最后利用双线性插值得到站点处的气象参数,其模型表达式如式(1)所示:
式(1)中,doy为年积日,X为格网点的气温、气压等气象参数,A0为对应参数的平均值,A1和B1为对应参数的年变化振幅,A2和B2为对应参数的半年变化振幅,以上参数可以从模型提供的格网参数文件中获得。
GPT2w模型在计算每个年积日对应的气象参数时要对格网参数文件进行分类初始化存储,这导致每次进行气象参数的计算时将会消耗大量时间(计算7000个年积日对应的气象参数大约消耗3至4小时),并且该模型仅考虑了气象参数的年周期振幅和半年周期振幅,这导致在不同的月份模型计算出的气象参数精度和稳定性有所差异并在个别月份计算出的气象参数与实际参数值具有较大差异。
发明内容
发明目的:针对上述现有技术的缺陷,本发明提供一种提高GPT2w模型计算得到的气温、气压参数精度和计算效率的方法。
技术方案:本发明提高GPT2w模型计算气象参数精度的方法包括如下步骤:包括如下步骤:
(1)对气象站点实测数据进行预处理,将实测数据中的粗差剔除,保存无误的实测数据;
(2)将预处理后的实测数据加载到GPT2w模型中计算气象参数并保存,
(3)根据步骤(2)中的气象参数计算各气象站点各月份的年均气温、气压误差值;
(4)将步骤(3)中获取的各气象站点各月份的年均气温、气压误差值加入各气象站点对应的经度、纬度并保存,生成改正值文件;
(5)对(4)中生成的改正值文件进行距离加权改正,得到新的格网参数文件并将其进行分类存储;
(6)向GPT2w模型导入测站点的经度、纬度、高程及观测时间,按观测时间对应月份读取步骤(5)中生成的格网参数文件计算气温、气压参数。
步骤(1)具体步骤如下:
(11)筛选出实测数据中不含气温、气压值的观测时间点并将其剔除。
(12)将经过步骤(1)1筛选得到的实测数据分别按照气温、气压值依次从大到小和从小到大排列,筛选出不符合实际的错误气温、气压值并将其剔除。
步骤(2)具体步骤如下:
(2)1、在GPT2w模型中导入其中一年某个省份中实测数据的经度、纬度、高程及观测时间并计算气温、气压参数;
(2)2、将步骤(2)1中处理好的数据按原省份测站号进行保存,此时数据中包括实测气温、气压数据和模型计算出的气温、气压数据;
(2)3、依次将各年份的数据重复(2)1和(2)2的操作,直至得到全部年份的数据。
步骤(3)具体步骤如下:
(31)将经步骤(2)中处理的数据每个观测时间点的实测气温、气压值与模型计算得到的气温、气压值相减得到每个观测时间的气温、气压误差值;
(32)筛选出每年中各月份的气温、气压误差值,对各月份的气温、气压误差值取平均值,得到各月份的气温、气压月均误差;
(33)将每年中相同月份的气温、气压月均误差值取平均值得到各月份的年均气温、气压误差值。
步骤(4)中,改正值文件是通过将步骤(3)中得到的各气象站点各月份的年均气温、气压误差值加入各气象站点对应的经度、纬度并保存生成。
步骤(5)中,距离加权改正的具体步骤如下:
(51)导入步骤(4)中得到的各格网点各月份的气温、气压改正值文件,并依次读出每个格网点的经纬度;
(52)根据每个格网点的经、纬度,利用经、纬度取整来找出距离原格网点最近的四个格网点,其具体步骤为:将每个格网点的经、纬度取整并加上0.5找到最近的格网点,并将原格网点的经、纬度与最近的格网点经、纬度相减得到经、纬度差值,当差值为正时表示为1,差值为负时表示为-1,基于原格网点与最近的格网点的经纬度差值,找到其余三个距离原格网点最近的格网点;
(53)找到距离原格网点最近的四个格网点对应的气温、气压平均参数A0,依次将各格网点各月份的气温、气压改正值依据原格网点到最近的四个格网点之间的距离进行加权分配加入到A0,得到全年各月份对应的新格网参数文件,加权分配公式如下所示:
上式中,d1、d2、d3、d4分别为原格网点到最近的四个格网点的距离,lon0为原格网点经度,lat0为原格网点纬度,lat1、lat2、lat3、lat4分别为离原格网点最近的四个格网点的纬度,lon1、lon2、lon3、lon4分别为离原格网点最近的四个格网点的经度,delta为各格网点各月份的气温、气压改正值,delta1、delta2、delta3、delta4分别为离原格网点最近的四个格网点的距离加权改正值。
步骤(5)中,分类存储是指将12个月份对应的新格网参数文件里的各格网点气温、气压参数对应的平均值A0、年变化振幅A1和B1、半年变化振幅A2和B2分类并加上格网点对应的经、纬度按月份进行保存。
有益效果:与现有技术相比,本发明具有如下显著优点:显著提高计算出的气象参数精度和稳定性,省去计算所需站点的气象参数时对格网参数文件进行分类初始化存储的时间,提升模型的计算效率,气象参数的计算过程更加方便、快捷、计算结果精确,具有较高的科研和应用价值。
附图说明
图1为本发明的方法流程图;
图2为2012年改正前后气温误差分布对比图,图中实心点表示气温误差;
图3为2013年改正前后气温误差分布对比图,图中实心点表示气温误差;
图4为2014年改正前后气温误差分布对比图,图中实心点表示气温误差;
图5为2015年改正前后气温误差分布对比图,图中实心点表示气温误差;
图6为2016年改正前后气温误差分布对比图,图中实心点表示气温误差;
图7为2012年改正前后气压误差分布对比图,图中实心点表示气压误差;
图8为2013年改正前后气压误差分布对比图,图中实心点表示气压误差;
图9为2014年改正前后气压误差分布对比图,图中实心点表示气压误差;
图10为2015年改正前后气压误差分布对比图,图中实心点表示气压误差;
图11为2016年改正前后气压误差分布对比图,图中实心点表示气压误差;
图12为2016年改正前后气温月均误差对比图(安徽58321);
图13为2016年改正前后气压月均误差对比图(安徽58321)。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明的提高GPT2w模型计算气象参数精度的方法包括如下步骤:
(1)对气象站点实测数据进行预处理,将实测数据中的粗差剔除,保存无误的实测数据;
(2)将预处理后的实测数据加载到GPT2w模型中计算气象参数并保存,
(3)根据步骤(2)中的气象参数计算各气象站点各月份的年均气温、气压误差值;
(4)将步骤(3)中获取的各气象站点各月份的年均气温、气压误差值加入各气象站点对应的经度、纬度并保存,生成改正值文件;
(5)对(4)中生成的改正值文件进行距离加权改正,得到新的格网参数文件并将其进行分类存储;
(6)向GPT2w模型导入测站点的经度、纬度、高程及观测时间,按观测时间对应月份读取步骤(5)中生成的格网参数文件计算气温、气压参数。
以2012-2016年(共5年)中国陆地区域102个国家气象站的气温、气压数据为例:
首先,对气象站点实测数据进行预处理,将实测数据中的粗差剔除,保存无误的实测数据;筛选出实测数据中不含气温、气压值的观测时间点并将其剔除,将筛选后剩余的实测数据分别对气温、气压值依次从大到小和从小到大排列,筛选出不符合实际的错误气温、气压值并将其剔除。
2016年安徽省58321号气象站点部分实测数据如表1所示:
表1 2016年安徽省58321号气象站点部分实测数据
省份 | 地市 | 站名 | 站号 | 经度 | 纬度 | 海拔 | 观测时间 | 气温 | 气压 | 水汽压值 |
安徽 | 合肥 | 合肥 | 58321 | 117.3° | 31.785° | 27m | 2016/12/31 23:00 | 2.0℃ | 1024.9hPa | 6.2hPa |
安徽 | 合肥 | 合肥 | 58321 | 117.3° | 31.785° | 27m | 2016/12/31 22:00 | 2.8℃ | 1025.1hPa | 6.4hPa |
安徽 | 合肥 | 合肥 | 58321 | 117.3° | 31.785° | 27m | 2016/12/31 21:00 | 3.0℃ | 1025.4hPa | 6.1hPa |
安徽 | 合肥 | 合肥 | 58321 | 117.3° | 31.785° | 27m | 2016/12/31 20:00 | 4.1℃ | 1025.1hPa | 6.1hPa |
安徽 | 合肥 | 合肥 | 58321 | 117.3° | 31.785° | 27m | 2016/12/31 19:00 | 4.8℃ | 1024.9hPa | 5.8hPa |
将2012-2016年的气象站点实测数据按年份分别进行保存,依次将每年不同省份的实测数据加载到GPT2w模型并计算气象参数且保存,其具体步骤如下:
在GPT2w模型中导入其中一年某个省份中实测数据的经度、纬度、高程及观测时间并计算气温、气压参数;将计算得到的数据按原省份测站号进行保存,此时数据中包括实测气温、气压数据和模型计算出的气温、气压数据;依次将5年的实测数据重复第一步和第二步的操作。
处理好的数据如表2所示,表2中为2016年安徽省58321号气象站点部分GPT2w模型计算的数据。
表2 2016年安徽省58321号气象站点部分GPT2w模型计算完成数据
计算各气象站点各月份的年均气温、气压误差值。
对上一步骤中处理好的数据进行处理,将每个观测时间点的实测气温、气压值与模型计算得到的气温、气压值相减得到每个观测时间的气温、气压误差值;筛选出每年中各月份的气温、气压误差值,对各月份的气温、气压误差值取平均值得到各月份的气温、气压月均误差;将每年中相同月份的气温、气压月均误差值取平均值得到各月份的年均气温、气压误差值。
获取气温、气压改正值文件:将各气象站点各月份的年均气温、气压误差值加入各气象站点对应的经度、纬度并保存,得到102个格网点各月份的气温、气压改正值文件。
对原格网参数文件进行改正:
导入上一步骤中得到的102个格网点各月份的气温、气压改正值文件,并依次读出每个格网点的经纬度。
根据每个格网点的经、纬度,对经、纬度取整来找出距离格网点最近的四个格网点。
以经度差值为-1、纬度差值为举例:此时将最近格网点的经度减1、纬度保持不变即可得到第二个格网点的经、纬度;将最近格网点的经度减1、纬度加1即可得到第三个格网点的经、纬度;将最近格网点的经度保持不变、纬度加1即可得到第四个格网点的经、纬度。其余经、纬度差值以此类推即可得到距离原格网点最近的四个格网点。
找到距离原格网点最近的四个格网点中对应的气温、气压平均参数A0,依次将各格网点各月份的气温、气压改正值依据原格网点到最近的四个格网点之间的距离进行加权分配加入到A0,进而得到各月份对应的新格网参数文件(共12个)。对气温、气压改正值进行距离加权分配到A0中如式(2)至式(9)所示:
式(2)至式(9)中,d1、d2、d3、d4分别为原格网点到最近的四个格网点的距离,lon0为原格网点经度,lat0为原格网点纬度,lat1、lat2、lat3、lat4分别为离原格网点最近的四个格网点的纬度,lon1、lon2、lon3、lon4分别为离原格网点最近的四个格网点的经度,delta为各格网点各月份的气温、气压改正值,delta1、delta2、delta3、delta4分别为离原格网点最近的四个格网点的距离加权改正值。
将新格网参数文件分类存储:将12个月份对应的新格网参数文件里的各格网点气温、气压参数对应的平均值A0、年变化振幅A1和B1、半年变化振幅A2和B2分类并加上格网点对应的经、纬度按月份进行保存,能够使得GPT2w模型在计算所需站点的气象参数时省去了对格网参数文件进行分类初始化存储的时间。
其中部分1月份对应的格网参数文件如表3所示。
表3部分1月份对应格网参数文件
lat | lon | p:a0 | A1 | B1 | A2 | B2 | T:a0 | A1 | B1 | A2 | B2 | undu | Hs |
39.5° | 106.5° | 86385.53hPa | 542 | -142 | -106 | -75 | 276.01k | -15.1 | -3.3 | -1.1 | 0.1 | -40.51 | 1397.06 |
39.5° | 107.5° | 85453.53hPa | 466 | -161 | -111 | -67 | 275.01k | -14.9 | -3.2 | -1.1 | 0.1 | -37.4 | 1486.95 |
39.5° | 108.5° | 86435.00hPa | 524 | -158 | -105 | -59 | 282.30k | -14.9 | -3.2 | -1.1 | 0 | -33.71 | 1357.99 |
39.5° | 109.5° | 87597.00hPa | 573 | -157 | -101 | -51 | 282.60k | -14.9 | -3.2 | -1 | 0 | -29.87 | 1247.53 |
GPT2w模型导入测站点的经度、纬度、高程及观测时间,根据观测时间选择对应月份的格网参数文件,即可实现利用GPT2w模型高效计算精度更高的气温、气压参数。
表4、6为2012-2016年原GPT2w模型在中国陆地区域102个气象站点得到的气温、气压误差结果统计,表5、7为改进后的GPT2w模型在中国陆地区域102个气象站点得到的气温、气压误差结果统计。由表4至表7可知,改进后的GPT2w模型计算气温、气压的精度有大幅提升,2012-2016年间每年的气温、气压误差均优于改进前,其中原GPT2w模型得到的5年平均气温、气压误差分别为-0.45℃、2.05hPa,改进后的GPTw模型得到的5年平均气温、气压误差分别为-0.01℃、-0.32hPa;改进后GPT2w模型得到的5年气温、气压最大正负误差均有所减小,说明改进后的GPT2w模型计算的气温、气压值更为稳定。
表4 2012-2016年中国陆地区域气温误差结果统计(GPT2w)
表5 2012-2016年中国陆地区域气温误差结果统计(GPT2w改正后)
表6 2012-2016年中国陆地区域气压误差结果统计(GPT2w)
表7 2012-2016年中国陆地区域气压误差结果统计(GPT2w改正后)
图2至图11为2012-2016年GPT2w模型改进前后得到的气温、气压误差在中国陆地区域的分布图,由图可见在改进前大部分气象站点的气温年均误差值在-1.5℃到1℃之间且存在地域性差异,其中,内蒙古、黑龙江、西藏东南部地区和新疆大部分地区产生的误差值较大,在改进后上述地区的气温误差值有显著减小且气温误差值浮动均在0℃上下;在改进前以东经105°经线作为分界线,小于东经105°经线的陆地区域各气象站点气压年均误差值较大,在改进后小于东经105°经线的陆地区域各气象站点气压年均误差值明显减小。
图12至图13为GPT2w模型改进前后2016年安徽省各月份的气温、气压误差折线图,图中折线上的实习点分别表示气温月均误差和气压月均误差,由图可见每月改进后的GPT2w模型计算的气温、气压值精度有显著提升,且每月的气温、气压误差值浮动均在0刻度线附近。
Claims (7)
1.一种提高GPT2w模型计算气象参数精度的方法,其特征在于,所述方法包括如下步骤:
(1)对气象站点实测数据进行预处理,将实测数据中的粗差剔除,保存无误的实测数据;
(2)将预处理后的实测数据加载到GPT2w模型中计算气象参数并保存,
(3)根据步骤(2)的气象参数计算各气象站点各月份的年均气温、气压误差值;
(4)将步骤(3)中获取的各气象站点各月份的年均气温、气压误差值加入各气象站点对应的经度、纬度并保存,生成改正值文件;
(5)对步骤(4)中生成的改正值文件进行距离加权改正,得到新的格网参数文件并将其进行分类存储;
(6)向GPT2w模型导入测站点的经度、纬度、高程及观测时间,按观测时间对应月份读取步骤(5)中生成的格网参数文件计算气温、气压参数。
2.根据权利要求1所述的提高GPT2w模型计算气象参数精度的方法,其特征在于,所述步骤(1)的步骤如下:
(11)筛选出实测数据中不含气温、气压值的观测时间点并将其剔除。
(12)将经过步骤(11)筛选得到的实测数据分别按照气温、气压值依次从大到小和从小到大排列,筛选出超出地面气象观测仪器测量范围的错误气温、气压值并将其剔除。
3.根据权利要求1所述的提高GPT2w模型计算气象参数精度的方法,其特征在于,所述步骤(2)是在GPT2w模型中按年份依次导入各省份实测数据的经度、纬度、高程及观测时间并计算气温、气压参数并按原省份测站号保存。
4.根据权利要求1所述的提高GPT2w模型计算气象参数精度的方法,其特征在于,所述步骤(3)的步骤如下:
(31)将经步骤(2)中处理的数据每个观测时间点的实测气温、气压值与模型计算得到的气温、气压值相减得到每个观测时间的气温、气压误差值;
(32)筛选出每年中各月份的气温、气压误差值,对各月份的气温、气压误差值取平均值,得到各月份的气温、气压月均误差;
(33)将每年中相同月份的气温、气压月均误差值取平均值得到各月份的年均气温、气压误差值。
5.根据权利要求1所述的提高GPT2w模型计算气象参数精度的方法,其特征在于,所述步骤(4)中,改正值文件是通过将步骤(3)中得到的各气象站点各月份的年均气温、气压误差值加入各气象站点对应的经度、纬度并保存生成。
6.根据权利要求1所述的提高GPT2w模型计算气象参数精度的方法,其特征在于,所述步骤(5)中,距离加权改正的步骤如下:
(51)导入步骤(4)中得到的各格网点各月份的气温、气压改正值文件,并依次读出每个格网点的经纬度;
(52)根据每个格网点的经、纬度,利用经、纬度取整来找出距离原格网点最近的四个格网点,其步骤为:将每个格网点的经、纬度取整并加上0.5找到最近的格网点,并将原格网点的经、纬度与最近的格网点经、纬度相减得到经、纬度差值,当差值为正时表示为1,差值为负时表示为-1,基于原格网点与最近的格网点的经纬度差值,找到其余三个距离原格网点最近的格网点;
(53)找到距离原格网点最近的四个格网点对应的气温、气压平均参数A0,依次将各格网点各月份的气温、气压改正值依据原格网点到最近的四个格网点之间的距离进行加权分配加入到A0,得到全年各月份对应的新格网参数文件,加权分配公式如下所示:
上式中,d1、d2、d3、d4分别为原格网点到最近的四个格网点的距离,lon0为原格网点经度,lat0为原格网点纬度,lat1、lat2、lat3、lat4分别为离原格网点最近的四个格网点的纬度,lon1、lon2、lon3、lon4分别为离原格网点最近的四个格网点的经度,delta为各格网点各月份的气温、气压改正值,delta1、delta2、delta3、delta4分别为离原格网点最近的四个格网点的距离加权改正值。
7.根据权利要求1所述的提高GPT2w模型计算气象参数精度的方法,其特征在于,所述步骤(5)中,分类存储是将12个月份对应的新格网参数文件里的各格网点气温、气压参数对应的平均值A0、年变化振幅A1和B1、半年变化振幅A2和B2分类并加上格网点对应的经、纬度按月份进行保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508220.7A CN112560314B (zh) | 2020-12-18 | 2020-12-18 | 一种提高GPT2w模型计算气象参数精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508220.7A CN112560314B (zh) | 2020-12-18 | 2020-12-18 | 一种提高GPT2w模型计算气象参数精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560314A true CN112560314A (zh) | 2021-03-26 |
CN112560314B CN112560314B (zh) | 2023-08-22 |
Family
ID=75031729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011508220.7A Active CN112560314B (zh) | 2020-12-18 | 2020-12-18 | 一种提高GPT2w模型计算气象参数精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560314B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061167A (zh) * | 2022-07-13 | 2022-09-16 | 武汉大学 | 一种适用于短距离大高差rtk的对流层延迟改正方法 |
Citations (8)
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 |
CN104777488A (zh) * | 2015-03-13 | 2015-07-15 | 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 |
CN107037439A (zh) * | 2017-03-28 | 2017-08-11 | 武汉大学 | 针对陆地目标的激光测高仪大气延迟测距误差修正方法 |
US20190004210A1 (en) * | 2015-10-07 | 2019-01-03 | Forensic Weather Consultants, Llc | Forensic weather system |
CN109767518A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于机翼结冰厚度确定气象参数mvd的反推方法 |
CN111538943A (zh) * | 2020-04-24 | 2020-08-14 | 桂林理工大学 | 新的高时空分辨率全球ztd垂直剖面格网模型构建方法 |
CN111539109A (zh) * | 2020-04-24 | 2020-08-14 | 桂林理工大学 | 实时高精度全球多维对流层天顶延迟格网模型构建方法 |
CN111896977A (zh) * | 2019-05-06 | 2020-11-06 | 千寻位置网络有限公司 | 对流层湿延迟精度计算方法及其系统和定位方法及其系统 |
-
2020
- 2020-12-18 CN CN202011508220.7A patent/CN112560314B/zh active Active
Patent Citations (8)
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 |
CN104777488A (zh) * | 2015-03-13 | 2015-07-15 | 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 |
US20190004210A1 (en) * | 2015-10-07 | 2019-01-03 | Forensic Weather Consultants, Llc | Forensic weather system |
CN107037439A (zh) * | 2017-03-28 | 2017-08-11 | 武汉大学 | 针对陆地目标的激光测高仪大气延迟测距误差修正方法 |
CN109767518A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于机翼结冰厚度确定气象参数mvd的反推方法 |
CN111896977A (zh) * | 2019-05-06 | 2020-11-06 | 千寻位置网络有限公司 | 对流层湿延迟精度计算方法及其系统和定位方法及其系统 |
CN111538943A (zh) * | 2020-04-24 | 2020-08-14 | 桂林理工大学 | 新的高时空分辨率全球ztd垂直剖面格网模型构建方法 |
CN111539109A (zh) * | 2020-04-24 | 2020-08-14 | 桂林理工大学 | 实时高精度全球多维对流层天顶延迟格网模型构建方法 |
Non-Patent Citations (10)
Title |
---|
FEI YANG 等: "An Improved weighted mean temperature(Tm) model based on GPT2w with Tm lapse rate", ORIGINAL ARTICLE, vol. 24, no. 46, pages 1 - 13 * |
SHUAUMIN WANG 等: "Establishment of atmosphereic weighted mean temperature model in the polar regions", ADVANCES IN SPACE RESEARCH, vol. 65, no. 1, pages 518 - 528, XP085969036, DOI: 10.1016/j.asr.2019.10.001 * |
孙杰 等: "3种全球气压与温度模型的精度对比分析", 测绘科学, vol. 43, no. 09, pages 63 - 67 * |
林萍: "基于GPT2模型的区域PWV估计研究", 吉林建筑大学学报, no. 04, pages 74 - 78 * |
武瑞宏 等: "铁路BDS/GNSS高精度位置服务平台建设方案研究", 测绘标准化, vol. 36, no. 03, pages 27 - 31 * |
王俊杰 等: "综合GPS和NCEP CFSv2的区域PWV估计方法", 武汉大学学报(信息科学版), vol. 42, no. 03, pages 328 - 333 * |
范国清 等: "气象参数对对流层折射影响的相关研究", 测绘科学, vol. 34, no. 06, pages 37 - 39 * |
谢劭峰 等: "广西非气象参数T_m模型研究", 大地测量与地球动力学, no. 04, pages 386 - 390 * |
陈发源 等: "GPT2w 模型在中国大陆地区的精度分析", 《南京信息工程大学学报(自然科学版)》, vol. 13, no. 02, pages 145 - 153 * |
黄良珂 等: "基于GPT2w模型计算中国地区对流层加权平均温度的精度分析", 大地测量与地球动力学, vol. 39, no. 05, pages 496 - 501 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061167A (zh) * | 2022-07-13 | 2022-09-16 | 武汉大学 | 一种适用于短距离大高差rtk的对流层延迟改正方法 |
CN115061167B (zh) * | 2022-07-13 | 2024-04-16 | 武汉大学 | 一种适用于短距离大高差rtk的对流层延迟改正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112560314B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
van Bussel et al. | From field to atlas: Upscaling of location-specific yield gap estimates | |
CN109508881B (zh) | 海岛区域分类及生态资源价值评估方法 | |
CN110909449B (zh) | 一种多源数据电离层区域现报方法 | |
CN104036121A (zh) | 基于概率分布转移的测风数据风速订正方法 | |
CN107504974B (zh) | 地形分块与地形测点加权的地形匹配定位方法 | |
CN112560314B (zh) | 一种提高GPT2w模型计算气象参数精度的方法 | |
CN113962056A (zh) | 一种提高grace陆地水储量变化准确性的方法 | |
CN109948118B (zh) | 基于msise00大气模型的地磁活动指数的校正方法、系统、介质、终端 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
ZHANG et al. | Developing a process-based and remote sensing driven crop yield model for maize (PRYM–Maize) and its validation over the Northeast China Plain | |
Yu et al. | The relationships between the surface arboreal pollen and the plants of the vegetation in China | |
Smith et al. | Evaluation of the S (T) assimilation method with the Argo dataset | |
He et al. | Reconstruction of Lu-level cropland areas in the Northern Song Dynasty (AD976–1078) | |
Hulme, M., Conway, D.,* Joyce, A.** &Mulenga | A 1961-90 climatology for Africa south of the equator and a comparison of potential evapotranspiration estimates | |
CN113282883B (zh) | 一种逐日降水数据综合插值方法 | |
CN116070792A (zh) | 一种多源降水数据的融合方法、装置、存储介质和设备 | |
Zhang et al. | Reconstruction of cropland spatial patterns and its spatiotemporal changes over the 20th century on the Songnen Plain, Northeast China | |
Zhao et al. | Crop phenology date estimation based on NDVI derived from the reconstructed MODIS daily surface reflectance data | |
CN116027010A (zh) | 一种多源卫星测量土壤水分的数据校正方法 | |
CN116090173A (zh) | 一种分布式水文模型率定方法、装置、系统及存储介质 | |
Nacar et al. | Statistical downscaling of monthly mean air temperature using NCEP/NCAR re-analysis data: a case study for the Eastern Black Sea Basin | |
CN109033568B (zh) | 一种草地产草量空间数据格网化重建方法 | |
Ma et al. | Using ensemble-mean climate scenarios for future crop yield projections: a stochastic weather generator approach | |
CN112070414B (zh) | 一种基于多站点观测数据的太阳能资源评估方法、系统及介质 | |
Sasaki et al. | Future changes of snow depth in a non-hydrostatic regional climate model with bias correction |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210044 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu Applicant after: Nanjing University of Information Science and Technology Address before: 219 ningliu Road, Liuhe District, Nanjing City, Jiangsu Province, 210044 Applicant before: Nanjing University of Information Science and Technology |
|
GR01 | Patent grant | ||
GR01 | Patent grant |