GNSS大气加权平均温度经验模型精化方法的建立和分析

加权平均温度Tm作为对流层湿延迟转换为大气可降水量的关键参数,在GNSS气象学研究中发挥着重要作用.Tm经验模型的构建,可以通过将测站位置和时间信息作为输入参数快速获取Tm估值,但其精度往往受限,尤其在某些局部区域.本文提出了一种Tm经验模型精化方法,引入了地表气温数据,通过最小二乘快速获取精化系数,达到Tm的误差补偿作用.基于我国及邻近区域180个探空测站2011—2015年的数据,本文构建了基于GPT3的精化模型,并对其进行分析.数值结果表明,与Bevis模型、区域线性模型和GPT3模型相比,本文提出的精化模型估计Tm的精度分别提高了16.2％、13.5％和21.1％.另外,基于GPT3的精化模型估计Tm表现出最优的时空分布结果,显著提高了高纬度地区Tm估计精度,有效解决了G P T 3模型只能表现Tm季节性变化的缺陷.本文方法计算公式简便,可以快速推广至任意Tm经验模型,具有较高的使用价值.