科研之友
微信
新浪微博
Facebook
分享链接
摘要
对流层湿延迟是GNSS误差源较难改正的部分。主流的天顶湿延迟(ZWD)经验模型大多基于单源数据，如探空数据或再分析资料的一种，且通过预设模型函数表征ZWD在不同尺度上的变化，难以准确描述ZWD在不同尺度上的非线性复杂变化，精度有待进一步提高。针对此问题，基于多源数据和具有强大非线性逼近能力的广义回归神经网络(GRNN),构建了一种ZWD预报模型。首先，采用GRNN模型优化和降采样两种不同数据源的格网ZWD,并将其与探空ZWD合并，获取高质量的ZWD数据集；然后，根据ZWD受时空影响较大的特点和机器学习的特点，设计了GRNN训练模型的输入变量和输出变量；最后，采用后验寻优的方法确定模型参数，进而获得最优的预报模型。经探空ZWD验证，相比国际典范经验模型GPT2w,模型的精度提高了25.3%(以RMS计);相对同方法单源(探空)数据模型，精度改善了11.1%;且模型的预报精度具有良好的时空稳定性。此外，计算效率和PPP应用试验结果表明，模型的计算效率可满足GNSS实时应用的需求，且应用于PPP的改进效果优于GPT2w。本文所提方法无须预设模型函数即可获得较高的ZWD预报精度，为ZWD模型化提供了一种思路。
- 单位
