GPT3模型估計對流層產品精度檢驗與分析

楊 飛 郭際明 李弈韜 唐 偉 郭 偉

1 中國礦業大學(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 資源與環境信息系統國家重點實驗室，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，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發布的高精度對流層產品，對GPT3模型在全球范圍內計算的對流層產品進行精度檢驗，分析GPT3模型估計不同參數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等對流層產品。本文選取2019年224個包含300 d以上對流層產品的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作為統計量，檢驗GPT3模型估計對流層產品的精度。

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，低緯度地區測站的bias大多為負，中高緯度地區測站的bias大多為正；RMS值較大的測站也大多位于低緯度區域。將測站劃分成3個緯度區域，包括低緯度區域30°N～30°S、中緯度區域30°S～60°S和30°N～60°N、高緯度區域60°N～90°N和60°S～90°S，并分別統計不同緯度區域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的測站數量所占比例)。從表中可以看出，低緯度區域的平均RMS達到41.7 mm，遠大于中高緯度區域的36.4 mm和29.7 mm；在低緯度區域，RMS>30 mm的測站數量所占比例為88%，同樣高于其他2個區域的75%和44%。RMS最大值為67.5 mm，出現在低緯度區域；而高緯度區域的RMS最大值僅為38.7 mm。bias的統計結果再次表明，在不同區域采用GPT3模型估計ZTD的偏差存在差異，低緯度區域的平均bias為負，且有67%測站的bias<0 mm；而中高緯度區域的平均bias均為正，bias<0 mm的測站數量所占比例僅為36%和33%。

圖1 GPT3模型估計ZTD的bias和RMS全球分布

表1 GPT3模型在不同緯度區域估計ZTD的bias和RMS統計

圖2和圖3分別為GPT3模型在全球范圍內不同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一樣表現出明顯的緯度特征。但其在高緯度地區的精度優于中低緯度地區，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均表現出從大逐漸減小再增大的過程，且在數值上呈現出對稱的特點。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時刻統計

3 結 語

本文通過收集2019年全球范圍內224個IGS測站的對流層產品，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在不同緯度區間存在正負差異，RMS在中高緯度區域的表現優于低緯度區域；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、秋季優于春、冬季，不同UTC時刻的估計結果差異較小；GPT3模型估計GNS和GEW表現出明顯的UTC時刻變化，季節性差異較小。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。