楊 飛 郭際明 李弈韜 唐 偉 郭 偉

1 中國礦業(yè)大學(北京)地球科學與測繪工程學院，北京市學院路丁11號，100083 2 武漢大學測繪學院，武漢市珞喻路129號，430079 3 資源與環(huán)境信息系統(tǒng)國家重點實驗室，北京市大屯路甲11號，100101

作為GPT系列模型[1-2]的最新版本，GPT3模型可以提供計算天頂對流層延遲的各類氣象參數(shù)，如氣壓、水汽壓、加權平均溫度、水汽壓直減率等，還可以估計南北和東西方向的大氣水平梯度，是當前精度最高、使用最為廣泛的對流層延遲模型[3]。但目前缺乏對GPT3模型的精度檢驗，尤其是缺乏GPT3模型獲取的ZTD和大氣水平梯度精度的詳細分析。本文利用IGS發(fā)布的高精度對流層產(chǎn)品，對GPT3模型在全球范圍內(nèi)計算的對流層產(chǎn)品進行精度檢驗，分析GPT3模型估計不同參數(shù)時精度的空間分布和時間分布特征。

1 模型介紹和計算方法

GPT3模型通過測站坐標和年積日即可獲取任意時刻的氣壓，采用文獻[4]修訂的Saastamoinen模型計算天頂靜力學延遲ZHD；再利用獲取的測站任意時刻大氣水汽壓、加權平均溫度和水汽壓直減率，采用Askne等[5]給出的公式計算天頂濕延遲ZWD。

IGS可以提供天頂對流層總延遲ZTD、南北方向大氣水平梯度GNS和東西方向大氣水平梯度GEW等對流層產(chǎn)品。本文選取2019年224個包含300 d以上對流層產(chǎn)品的IGS測站，時間分辨率為2 h，將其ZTD、GNS和GEW作為參考值，以偏差bias和均方根誤差RMS作為統(tǒng)計量，檢驗GPT3模型估計對流層產(chǎn)品的精度。

2 模型精度分析

2.1 GPT3模型精度的空間分布

圖1為GPT3模型在全球范圍內(nèi)不同測站估計ZTD的精度，從圖中可以看出，bias和RMS受測站緯度影響，低緯度地區(qū)測站的bias大多為負，中高緯度地區(qū)測站的bias大多為正；RMS值較大的測站也大多位于低緯度區(qū)域。將測站劃分成3個緯度區(qū)域，包括低緯度區(qū)域30°N～30°S、中緯度區(qū)域30°S～60°S和30°N～60°N、高緯度區(qū)域60°N～90°N和60°S～90°S，并分別統(tǒng)計不同緯度區(qū)域ZTD年均bias和RMS，結果見表1(2個%所在列分別表示RMS>30 mm和bias< 0 mm的測站數(shù)量所占比例)。從表中可以看出，低緯度區(qū)域的平均RMS達到41.7 mm，遠大于中高緯度區(qū)域的36.4 mm和29.7 mm；在低緯度區(qū)域，RMS>30 mm的測站數(shù)量所占比例為88%，同樣高于其他2個區(qū)域的75%和44%。RMS最大值為67.5 mm，出現(xiàn)在低緯度區(qū)域；而高緯度區(qū)域的RMS最大值僅為38.7 mm。bias的統(tǒng)計結果再次表明，在不同區(qū)域采用GPT3模型估計ZTD的偏差存在差異，低緯度區(qū)域的平均bias為負，且有67%測站的bias<0 mm；而中高緯度區(qū)域的平均bias均為正，bias<0 mm的測站數(shù)量所占比例僅為36%和33%。

圖1 GPT3模型估計ZTD的bias和RMS全球分布

表1 GPT3模型在不同緯度區(qū)域估計ZTD的bias和RMS統(tǒng)計

圖2和圖3分別為GPT3模型在全球范圍內(nèi)不同IGS測站估計南北和東西方向水平梯度的精度。從圖中可以看出，GNS的bias表現(xiàn)出明顯的南北半球差異，北半球80%測站的bias為負值，南半球83%測站的bias為正值。GEW的bias特征與GNS正好相反，北半球86%測站的bias為正值，南半球87%測站的bias為負值。IGS測站GNS和GEW的平均RMS分別為0.49 mm和0.57 mm，其分布未與ZTD的RMS一樣表現(xiàn)出明顯的緯度特征。但其在高緯度地區(qū)的精度優(yōu)于中低緯度地區(qū)，且中低緯度的分布特征不明顯。

圖2 GPT3模型估計GNS的bias和RMS全球分布

圖3 GPT3模型估計GEW的bias和RMS全球分布

2.2 GPT3模型精度的時間分布

為分析不同時間GPT3模型估計對流層產(chǎn)品的精度，按照月份將所有IGS測站在不同UTC時刻的GPT3估值分別進行統(tǒng)計，與相應真值比較得到每個月不同時刻的RMS(圖4)。從圖中可以看出，相同月份、不同時刻的RMS差異較小，未表現(xiàn)出明顯差異；而不同月份的RMS值具有明顯差異，夏、秋季RMS明顯大于春、冬季，尤其在8月份，ZTD的RMS達到最大。

圖4 GPT3估計ZTD的RMS在每月各UTC時刻變化

對每個月GPT3模型估計ZTD的RMS進行統(tǒng)計，結果見表2。從表中可以看出，RMS最大值和最小值分別為38.6 mm和33.6 mm，出現(xiàn)在8月和3月；RMS從1月到3月減小至最小值，從3月到8月增大至最大值，從8月到12月再次逐漸減小。

表2 GPT3模型估計ZTD的RMS在不同月份統(tǒng)計

圖5和圖6分別為GNS和GEW的RMS在不同月份的UTC時刻變化情況。圖5和圖6反映出相似的分布特點，每個月均在UTC 13:00附近RMS達到最小值，并且RMS向2個方向逐漸增大，在UTC 01:00和UTC 23:00附近RMS達到最大值。GNS和GEW的RMS在月份之間的差異較小，但仍可以觀察到在夏季，尤其是8月份各個時刻，其GNS和GEW的精度相比其他月份較差。

圖5 GPT3估計GNS的RMS在每月各UTC時刻變化

圖6 GPT3估計GEW的RMS在每月各UTC時刻變化

表3為GPT3模型在每個UTC時刻估計GNS和GEW的RMS情況。從UTC 01:00～23:00，GNS和GEW的RMS均表現(xiàn)出從大逐漸減小再增大的過程，且在數(shù)值上呈現(xiàn)出對稱的特點。GNS和GEW的RMS在UTC 11:00和UTC 13:00達到最小值，分別為0.44 mm和0.51 mm，相較于達到最大值的UTC 01:00和UTC 23:00，RMS減小0.1 mm。

表3 GPT3模型估計GNS和GEW的RMS在不同UTC時刻統(tǒng)計

3 結 語

本文通過收集2019年全球范圍內(nèi)224個IGS測站的對流層產(chǎn)品，對GPT3模型估計天頂對流層延遲、南北和東西方向大氣水平梯度的精度進行檢驗。結果表明，GPT3模型在全球范圍內(nèi)估計ZTD、GNS和GEW的平均RMS分別為37.2 mm、0.49 mm和0.57 mm。ZTD的bias在不同緯度區(qū)間存在正負差異，RMS在中高緯度區(qū)域的表現(xiàn)優(yōu)于低緯度區(qū)域；而GNS和GEW的bias在南北半球具有差異性，GNS的bias在北半球主要為負值，GEW的bias在南半球主要為負值。GPT3模型估計ZTD的精度在夏、秋季優(yōu)于春、冬季，不同UTC時刻的估計結果差異較??；GPT3模型估計GNS和GEW表現(xiàn)出明顯的UTC時刻變化，季節(jié)性差異較小。整體而言，在僅有測站坐標和時刻信息時，GPT3模型可以在全球范圍內(nèi)提供較高精度的天頂對流層延遲和水平梯度信息，可為GNSS導航定位及氣象學研究提供先驗信息。但其ZTD和水平梯度估值在空間和時間上存在差異性，該模型的后續(xù)應用和研究應充分考慮測站位置和計算時刻對模型精度的影響。