CN120028810B 一种基于gfs和gnss的大高差地区ztd预报方法 （南京邮电大学）

(19)国家知识产权局(12)发明专利地址210003江苏省南京市鼓楼区新模范所(特殊普通合伙)32321方法本发明提出了一种基于GFS和GNSS的大高差流混合延迟和GNSS湍流混合延迟之间的非线性通过构建好的XGBoost模型获取高精度的2S21,利用指数函数模型描述ZTD的垂直变化：S3,基于XGBoost构建GFS湍流混合延迟到GNSS湍流混合延迟的映射模型，通过预报时S12,计算研究区域内历史GFS预报数据中所有格网点位置处10km以下所有气压层的S13,根据GNSS测站位置最近的四个GFS格网点的GFSZTD值利用反距离加权法计算3迟作为输入，GNSS湍流混合延迟作为输出进行模型训练，GNSS湍流混合延迟用于校正GFS湍S32,获取指定位置及高度的GFS预报数据，根据预报时刻的GFS预报数据利用S21的公式计算出指定位置及高度的GFS湍流混合延迟和GFS垂直分层延迟，将预报时刻的年积日、小时、经度、纬度和GFS湍流混合延迟作为训练好的XGBoost_TD模型的输入，得到校正后的GFS湍流混合延迟，将预报时刻的GFS垂直分层延迟和校正后的GFS5.根据权利要求4所述的一种基于GFS和GNSS的大高差地区ZTD预报方法，其特征在于，所述的XGBoost模型输入数据形式为sample×5的二维矩阵，输出数据是sample×1的向量，sample为历史数据的样本个数。6.根据权利要求5所述的一种基于GFS和GNSS的大高差地区ZTD预报方法，其特征在于，采用五重交叉验证方法确定XGBoost模型的最优参数，数据集被分为五个部分，每四个部分作为训练数据，剩下的一个作为验证数据，最终训练完成的模型为使得所有验证数据的均方根误差最小的参数集对应的模型。7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于GFS和GNSS的大高差地区ZTD预报方法中的步骤。8.一种计算机设备，包括处理器、存储器和存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的一种基于GFS和GNSS的大高差地区ZTD预报方法中的步骤。4一种基于GFS和GNSS的大高差地区ZTD预报方法技术领域方法。背景技术[0002]对流层延迟是全球卫星导航系统(Globalnavigationsatellitesystems,GNSS)的重要误差源之一。天顶方向的对流层延迟(Zenithtroposphericdelay,ZTD)包含天顶干延迟(Zenithhydrostaticdelay,ZHD)和天顶湿延迟(Zenithwetdelay,ZWD)两时间和空间上的差异性使得高精度、高空间分辨率的ZWD估计难以实现。在GNSS精密单点定位(Precisepointpositioning,PPP)技术中，通常使用经验模型来计算ZHD,并将ZWD或其未建模量作为未知参数进行估计。然而，在高差较大的地区，ZTD和高度之间的强相关性不可避免地增加了GNSS数据处理的收敛时间，限制了GNSS在近实时或实时条件下高精度应[0003]目前，获得ZTD最方便的方法是直接应用基于实测气象参数的经验模型，例如Hopfield模型、Saastamoinen模型和Black模型，这些模型通常基于理想气体状态方程和相到厘米之间。然而，由于水汽的时空变化，基于实测气象参数的经验模型中的ZWD模型的准确性通常有限。对于缺乏直接气象观测的历史数据集或没有并址气象传感器的GNSS站而言，难以获取用于ZTD估计的实测气象参数。因此，基于实测气象参数的经验模型的输入值少对实测气象参数的依赖，学者们基于再分析资料和探空数据开发了格网及球谐函数形式对原始数据的近似，这不可避免地会导致精度的降低。此外，仅依赖历史数据而不纳入新的观测量限制了ZTD经验模型捕捉对流层延迟变化细节性特征的能力。[0004]随着GNSS的发展，区域ZTD的估计也可以基于周边GNSS测站的实时PPPZTD估计值，通过反距离加权及样条插值等方法来实现。这种方法对周边GNSS测站的分布有较高的于数值天气模型(Numericalweathermodels,NWM)的预报数据具有良好的空间覆盖和服务连续性，可以为稀疏GNSS测站地区提供良好的数据补充。全球预报系统(GlobalForecastSystem,GFS)是由美国国家环境预测中心(NationalCenterforEnvironmentalPrediction,NCEP)开发和运营的全球数值天气预报模型，以0辨率提供全球大气和海浪预测。GFS每天在UTC时间00:00、06:00、12:00和18:00运行预测，产生120小时的逐小时预报输出。由于上传预报数据的时间延迟约为3～5小时，因此使用6~11小时的GFS预报数据可以充分模拟实际情况。这满足了利用GFS进行大高差地区实时5ZTD估计的要求。以往的研究表明，联合GNSS和GFS数据进行区域ZTD估计是一种有效的策[0005]鉴于大高差地区ZTD时空变化的复杂性及GNSS测站分布稀疏的特点，如何通过[0006]为了提高大高差地区GNSS实时高精度应用的有效性，本发明提出了一种基于GFS[0013]S12,计算研究区域内历史GFS预报数据中所有格网点位置处10km以下所有气压层[0016]使用Saastamoinen模型计算GFS最高气压层处的ZTDto,GFS最高气压层处的水汽6基于GFS分层ZTD利用指数函数模型，使用最小二乘法估计湍流混合延迟TD和模型系数β,从而获取GNSS测站位置处GFS垂直分层延迟和GFS湍流混合延迟；合延迟作为输入，GNSS湍流混合延迟作为输出进行模型训练，GNSS湍流混合延迟用于校正[0029]S32,获取指定位置及高度的GFS预报数据，根据预报时刻的GFS预报数据利用S21的公式计算出指定位置及高度的GFS湍流混合延迟和GFS垂直分层延迟，将预报时刻的年积[0030]优选的，所述的XGBoost模型输入数据形式为sample×5的二维矩阵，输出数据是[0031]优选的，采用五重交叉验证方法确定XGBoost模型的最优参数，数据集被分为五个部分，每四个部分作为训练数据，剩下的一个作为验证数据，最终训练完成的模型为使得所有验证数据的均方根误差最小的参数集对应的模型。[0032]与现有技术相比，本发明所达到的有益效果是：通过分离垂直分层延迟和湍流混合延迟，改善了XGBoost模型对大高差地区和稀疏GNSS站点地区的适应性；训练好的XGBoost模型无需实时GNSSZTD的参与，具有更好的适应性，这对于大高差地区ZTD的高精度预报具有重要意义。附图说明[0033]附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：[0034]图1是本发明方法的总体流程图。具体实施方式[0035]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他[0036]为使本发明的上述目的、特征和效果能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。7[0040]S12,计算研究区域内历史GFS预报数据中所有格网点位置处10km以下所有气压层报时刻的GFS垂直分层延迟以及训练好的XGBoost模型预报指定位置及高度的ZTD。步骤S38流混合延迟的精度更好，GFS湍流混合延迟的精度较低。这样训练好的模型，是GFS湍流混合延迟到GNSS湍流混合延迟的映射，在使用的过程中，当输入其它位置的GFS湍流混合延迟后，已经训练好的XGBoost模型的输出就变成了一个校正值，相当于GFS湍流混合延迟的精度获得提升。[0055]所述的XGBoost模型输入数据形式为sample×5的二维矩阵，输出数据是sample×1的向量，sample为历史数据的样本个数。采用五重交叉验证方法确定XGBoost模型的最优参数，数据集被分为五个部分，每四个部分作为训练数据，剩下的一个作为验证数据，最终训练完成的模型为使得所有验证数据的均方根误差最小的参数集对应的模型。[0056]S32,获取指定位置及高度的GFS预报数据，根据预报时刻的GFS预报数据利用S21公式计算出指定位置及高度的GFS湍流混合延迟和GFS垂直分层延迟，将预报时刻的年积日、小时、经度、纬度和GFS湍流混合延迟作为训练好的XGBoost模型的输入，得到校正后的GFS湍流混合延迟，将预报时刻的GFS垂直分层延迟和校正后的GFS湍流混合延迟相加，得到ZTD预报值。[0057]实施例2:为了评估所提出的ZTD估计方法在大高差地区的性能，将中国云南省视为典型的大高差地区，使用GNSS和GFS数据训练并验证模型。GNSS历史数据为2016至2022年报格网历史档案(/datasets/d084001/)下载的分辨率为0.25°×0.25°的GFS6小时和9小时预报数据。通过GFS6小时和9小时预至2022年时间间隔为3小时的GFS预报资料。根据GNSS历史数据和GFS历史数据，计算出26个GNSS测站位置处GNSS湍流混合延迟时间序列和GFS湍流混合延迟时间序列。经过质量控制后，XGBoost模型的输入数据为427079×5的二维矩阵，输出数据为427079×1的向量矩阵，采用五重交叉验证方法确定XGBoost模型的最佳参数，得到训练好的XGBoost_TD模型。[0058]精度验证方面，将2023年9月17日至12月21日期间来自中国云南省连续运行参考站网的130个GNSS站点的观测数据使用事后PPP策略进行处理，得到的GNSSZTD数据作为参合延迟作为输入，GNSS湍流混合延迟作为输出)进行对比。具体试验方案如下：(1)原始GFS施例的实验平台为Windows操作系统下的Python3.8软件，本实施例的分析结果并不会受到操作系统以及Python软件版本的影响，表1给出了试验结果的统计数据。[0059]表1偏差(mm)原始GFSZTD预报值XGBoost_ZTD模型GRNN模型XGBoost_TD模型型的平均偏差分别为-22.76mm、22.85mm、-4.10mm和1.11mm,均方根误差RMS分别为9ZTD预测的准确性，而且引入了显著的异常值，这主要是因为XGBoost_ZTD模型没有分离ZTD的垂直变化特征，导致其在大高差的地区的训练结果缺乏代表性。与原始GFSZTD预报值相差范围超过了原始GFSZTD预报值的误差范围，这是因为参确性分别提高了约39.42%、54.96%和8.71%。XGBoost_TD模型不仅使用指数函数分离出ZTD的垂直分层延迟分量，还通过大量历史数据调整模型参数，分布稀疏特点所导致的局部最优风险，从而获取了精度最高的ZTD预报值。[0063]综上所述，本发明提出的基于GFS和GNSS的大高差地区ZTD预报方法具有良好的性能。通过分离垂直分层延迟和湍流混合延迟，改善了XGBoost模型对大高差地区和稀疏GNSS站点地区的适应性。训练好的XGBoost模型无需实时GNSSZTD的参与，具有更好的适应性，这对于大高差地区ZTD的高精度预报具有重要意义。[0065]本实施例的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1的一种基于GFS和GNSS的大高差地区ZTD[0066]本实施例的计算机可读存储介质可以是终端的内部存储单元，例如终端的硬盘或内存；本实施例的计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的包括终端的内部存储单元也包括外部存储设备。[0067]本实施例的计算机可读存储介质用于存储计算机程序以及终端所需的其他程序和数据，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。[0069]本实施例的计算机设备，包括处理器、存储器及存储在存储器上并