基于随机森林和反向传播神经网络机器学习方法的区域ZTD建模精度分析

针对常用的 GPT2 w和 UNB3 m两种区域(经验)对流层天顶总延迟(ZTD)模型精度不高的问题,探讨基于机器学习方法进行区域ZTD建模的可行性.以 GAMIT软件解算的美国加州 13 个 IGS测站 2021 年连续 31d的ZTD数据(ZTD_GAMIT)为例,构建以经度、纬度、大地高、年积日、每日小时数、GPT2 w 或UNB3 m经验ZTD模型估计的ZTD值(ZTD_GPT或 ZTD_UNB)为输入,以 ZTD_GAMIT 为输出的随机森林(RF)和反向传播神经网络(BPNN)区域 ZTD改进模型.实验结果表明,相较于 GPT2 w和 UNB3 m 模型,两种基于机器学习方法的区域ZTD改进模型的预测精度均有所提高,能有效改善系统偏差.以 ZTD_UNB为输入的BPNN和RF改进模型的预测均方根误差(RMSE)分别为 15.14 mm和 19.48 mm,以ZTD_GPT为输入的BPNN和RF改进模型的RMSE分别为 15.32 mm和 20.74 mm.BPNN模型的预测精度总体上优于RF模型,具有较高的可靠性.