利用广义回归神经网络融合天顶对流层湿延迟

作者：黎峻宇; 李浩杰; 姚宜斌; 刘立龙; 张豹; 黄良珂

来源：武汉大学学报(信息科学版), 2022, 1-12.

DOI：10.13203/j.whugis20220193

• 天顶湿延迟
• GRNN
• 优化
• 系统偏差
• 多源数据融合

精确模型化天顶对流层湿延迟(zenith wet delay， ZWD)有利于提高全球卫星导航系统(global navigation satellite system， GNSS)导航定位和气象应用的精度。用于ZWD模型化的数据源有多种，各有独特的优势，但它们之间存在多源异构、精度不等甚至严重系统偏差等问题，难以对多源ZWD数据进行综合利用。针对这个问题，利用广义回归神经网络(generalized regression neural network， GRNN)强大的非线性逼近能力和高质量的探空(radiosonde， RS) ZWD，来优化质量相对较低的GRAPES＿MESO(GRAPES) ZWD和ERA5 ZWD；然后将它们合并，实现多源ZWD的无偏融合，获得了1032张ZWD融合图。结果表明，以RS ZWD为参考，2016—2017年的GRAPES/ERA5 ZWD与RS ZWD间存在不同程度的系统偏差；优化后GRAPES和ERA5 ZWD的总体偏差(Bias)均趋近于0，均方根(root mean square， RMS)分别改善了22.6%和16.0%；且优化后GRAPES和ERA5 ZWD Bias、标准差(standard deviation， STD)和RMS的时空变化得到较大程度的削弱。融合后的ZWD兼具较高的精度和稳定性，能为GNSS应用提供可靠ZWD数据源。

• 单位
  武汉大学; 桂林理工大学; 广西空间信息与测绘重点实验室