地基GNSS 和天基掩星觀測對全球電離層數據同化效果的影響分析

歐明 陳龍江 王妍 許娜 吳家燕 甄衛民

（中國電波傳播研究所,青島 266107）

引 言

電離層電子密度的精確測量對空間科學研究和工程應用均有著重要的價值，在過去的十年中，數據同化技術在電離層現報預報中得到了很好的應用[1].地基GNSS 數據一直是全球電離層環境探測最為重要的數據來源之一，自從1995 年美國大學大氣研究聯合會(University Cooperation for Atmospheric Research,UCAR)發射第一顆低軌掩星試驗小衛星Micro-Lab-1 以來，經過20 多年的發展，尤其是隨著COSMIC小衛星星座的成功，基于GNSS 信號的無線電掩星探測技術已經被證明是一種行之有效的遙感手段[2].掩星探測具有高精度、高垂直分辨率、全天候、低成本等特點，其電離層探測數據對電離層模式研究與空間天氣監測具有較大價值[3].已完成的大量研究表明，僅同化地基GNSS 傾斜總電子含量(total electron content,TEC)數據獲得的電離層剖面的垂直分辨率較低，而掩星資料可以有效提升數據同化模型的精度.Komjathy 等通過將COSMIC 掩星測量值同化到GAIM 模型中，明顯改善了NmF2和hmF2等臨界電離層參數的現報結果，得到了更高精度的電子密度剖面[4].Angling 將COSMIC 數據同化到EDAM 模型中，驗證了COSMIC 數據對電離層垂直結構的改善作用；同時，研究結果也顯示了由于COSMIC 星座的部署不完全導致的同化結果的局限性[5].

觀測系統仿真試驗(observation system simulation experiments，OSSE)作為一種數值試驗，通常用于定量評估氣象學界在氣候分析和天氣預報方面的潛在改進，OSSE 既可以檢驗同化方法的有效性，又可以檢驗觀測系統的有效性，是一種常用的試驗手段[6].OSSE 的框架通常包括觀測系統數據模擬和數據同化兩部分.在OSSE 中，觀測系統數據模擬是通過對觀測系統應用前向觀測算子模擬生成“真實”的觀測數據；而數據同化部分則對這些觀測數據進行同化處理和性能評估.樂新安等以中國及周邊地區為例，開展了電離層數值同化現報預報系統的OSSE 并給出了初步的系統構建和試驗結果[7].NASA 開發了ISOGAME 軟件，該軟件可以對現有國際上已有的電離層觀測系統進行同化性能的定量評估[8]；Yue 等對現有的地基GNSS、COSMIC-2 掩星及海洋反射等數據進行了一系列的OSSE，結果表明COSMIC-2 任務將對準確的電離層現報作出重要貢獻[9].Hsu 和He等基于TIEGCM 模型開展了OSSE，揭示了集合卡爾曼濾波同化電子密度對熱層中性成分的調節作用，并以此提升了電離層短期預報能力[10-11].He 等利用OSSE 評估了三種不同的觀測對中國及周邊區域同化現報和預報的影響，研究表明同化不同類型的觀測可以獲得更好的電離層預報和預報結果[6].Bust 等采用OSSE 方法對電離層連接探測(ionospheric connection explorer，ICON)衛星對現有電離層觀測系統數據同化的貢獻進行了定量分析，研究表明ICON 衛星的極紫外(extreme ultra-violet,EUV)觀測的同化效果要優于地基GNSS，但不如COSMIC掩星觀測[12].

目前，COSMIC、GRACE、SWARM 等衛星均搭載了掩星接收機進行電離層探測，國外多個商業化航天公司亦看好微小衛星掩星探測在空間天氣領域的巨大商業價值.地球光學公司Planet IQ 計劃在低地球軌道部署“持續地球無線電掩星群計劃”(Community Initiative for Continuing Earth Radio Occultation,CICERO)星座，公司計劃部署18 顆衛星，目前已經在軌的衛星為3 顆；美國Spire 衛星公司通過風險投資的形式，計劃完成超過100 顆小衛星組成的掩星探測星座[13].截止2020 年8 月Spire 公司的在軌衛星數量為87 顆，隨著低軌道(low earth orbit,LEO)掩星數量的逐步增加，基于小衛星星座的GNSS 掩星觀測數據的空間和時間分辨率得到了快速的提升，基于天基掩星數據的全球電離層數據同化將成為實現電離層精確估計的重要數據來源，但國內外對商業小衛星掩星觀測對電離層TEC 和電子密度現報、預報的貢獻目前尚缺乏定量分析.

本文將利用OSSE 手段對不同的觀測系統條件下的全球電離層數據同化效果進行分析，并評估地基GNSS 和包括商業衛星公司在內的天基掩星觀測對電離層精確現報預報的作用.評估結果表明：觀測構型對數據同化現報和預報的結果具有重要影響；當掩星衛星數量較多且觀測數據的覆蓋性較好時，僅同化掩星觀測數據即可實現較為準確的全球TEC 和電子密度現報和短期預報.相關研究結果將對全球電離層數據同化系統的設計和電離層預報性能的提升提供參考.

1 數據同化算法

本文選擇卡爾曼濾波算法[14-16]對觀測資料進行數據同化，實現方法如下：

式中：xb和xa分別是同化前和同化后的背景電子密度；P和R分別是背景模型和觀測值的誤差協方差矩陣；H和y分別是觀測算子和觀測矩陣.背景模型誤差協方差矩陣P構建采用以下策略：1)空間相關性可進行水平和垂直分解；2)垂直相關性由高斯函數給出；3)水平相關性由與地磁緯度相關的橢圓高斯函數給出.具體的參數設置請參考文獻[14-15].

選用國際參考電離層(international reference ionosphere,IRI)模型作為同化背景模型，經緯度分辨率設置為5°×2.5°，同化高度范圍為100～2 000 km，高度分辨率為25～500 km 不等，同化時間窗口為15 min.進行全球電離層數據同化時，網格點數超過20 萬，每個同化時間窗口內地基GNSS 和掩星觀測數據超過5 萬筆.保守情況下，卡爾曼濾波同化中P、R和R矩陣的大小約分別為20 萬×20 萬、5 萬×5 萬和5 萬×20 萬.通常不可能將所有這些信息存儲在個人計算機或工作站上，即使使用超級計算機系統，執行此計算的效率也非常低[9].在同化過程中，我們采用協方差矩陣局地化(localization)方法以及稀疏矩陣行(compressed sparse row,CSR)存儲處理技術來避免大型矩陣的存儲和快速計算問題[15]，本文設置相關距離不超過1 000 km.

式(1)中大型矩陣求逆問題是卡爾曼濾波同化面臨的最大難題，為此采用迭代求解方法以增強解的穩定性[8]，轉換方式如下：

式中，T為中間轉換矩陣.由于待求解參量的維度非常大(～20 萬)，為了提高求解速度，可以使用某些預處理技術，例如雅克比(Jacobi)、不完全的Cholesky分解、不完全的下三角矩陣-上三角矩陣分解等[17].具體來說，式(3)可采用以下方式加速解的收斂：

式中，C是預條件(preconditioner)矩陣.根據計算能力和精度要求，可以使用迭代方法和預條件矩陣的不同組合.

由于背景模型IRI 為經驗模型，不具備前向預報能力，為實現電離層模型的同化預報功能，采用以下預報方式：

式中：xf表示預報的電子密度；Δt=tn+1-tn，tn+1和tn分別表示同化過程中的預報時刻和當前時刻；T表示時間相關尺度，一般情況下可設置為3～5 h[18].

2 OSSE

2.1 觀測系統描述

在OSSE 研究中的觀測系統包括地基GNSS 和天基掩星觀測系統.地基GNSS 觀測數據是全球電離層數據同化最為重要的數據來源之一，目前，國際GNSS 服務(International GNSS Service,IGS)、美國UNAVCO、美國航空航天局地殼動力學數據信息系統、美國國家大地測量局、法國國家地理研究所、巴西巴西利亞地質研究所和低緯度電離層傳感器網絡等機構和組織均能夠在線免費提供地基 GNSS 的觀測數據.本文OSSE 過程中，我們采用其中869 個地基GNSS 觀測站進行模擬，臺站的分布如圖1 所示.

圖1 觀測系統仿真中的地基GNSS 觀測站分布Fig.1 Distribution of ground-based GNSS observation stations used in OSSE

天基掩星觀測系統由105 顆LEO 衛星組成，其中包括Spire 公司發射的LEMUR 衛星(87 顆)、第一代和第二代COSMIC 衛星(共計12 顆衛星)、Planet IQ 公司的CICERO 衛星(3 顆)和歐空局SWARM 衛星(3 顆).基于兩行軌道根數(two line element,TLE)文件，圖2 所示為Orbitron 軟件計算的衛星2020-08-31T 06:53UT LEO 衛星的位置分布.

圖2 2020-08-31T 06:53UT 時Orbitron 軟件計算的全部LEO 衛星位置分布Fig.2 Position of all LEO satellites given by Orbitron software at 06:53UT on August 31,2020

2.2 OSSE 設置

采用NeQuick 模型模擬地基GNSS 和掩星觀測數據.NeQuick 是國際理論物理研究中心開發的電離層電子密度快速計算模型，可以方便地計算點對點之間的傾斜TEC值[19].在同化模擬過程中設置月份為3 月，太陽F10.7指數為160，目前NeQuick 模型的年變化是通過設置F10.7指數變化來實現的，因此本文未進行年份的單獨設置.為體現數據同化背景場與“真實”電離層之間的差異，設置同化背景模型IRI 模型輸入的太陽F10.7指數為80.同時，為模擬觀測誤差的影響，傾斜TEC 數據中加入幅度為1%的隨機噪聲.選擇四種通用的場景進行OSSE 試驗，以驗證不同觀測系統的數據同化性能，四種觀測系統配置如表1 所示.

表1 觀測系統配置列表Tab.1 Observation system configuration

圖3 給出了四種觀測系統12:00—12:15UT 觀測數據的空間覆蓋性.可以看出：除了非洲、南極等少數區域外，地基GNSS 在全球已經具有較好的覆蓋性，但是在海洋上空還存在較大的覆蓋空白；而COSMIC衛星由于數量不多，因此其覆蓋性也存在較大的欠缺.COSMIC 衛星與地基GNSS 組合觀測后，觀測數據的空間覆蓋性有了較好的改善；而如果采用大規模的掩星星座，同時掩星接收機設定能夠接收GPS、GLONASS、BDS 和GALILEO 四個系統的導航衛星信號后，則能夠達到非常好的空間覆蓋性，這將更有效地提升全球電離層數據同化的精度.

圖3 四種觀測系統的一次同化時間窗口內觀測數據的空間覆蓋性Fig.3 The spatial coverage of the observation data in an assimilation time window under the conditions of the four observation systems

需要說明的是，從初步分析結果可以看出105 顆掩星數據目前已經可以達到非常好的全球覆蓋(圖3(d)所示)，地基GNSS 聯合105 顆掩星數據的全球覆蓋能力相比掩星觀測的覆蓋性并不會有很大的提升，但是對數據同化所需要的計算資源和運算時間卻會大大提高，因此本文的觀測系統設置未考慮地基GNSS 聯合105 顆掩星進行數據同化.

3 OSSE 結果分析

為驗證數據同化算法能否對同化輸入數據進行有效的“融合吸收”，不失一般性，以12:00UT 為例，圖4 給出了四種不同觀測系統相同觀測路徑上傾斜TEC 數據同化前后的對比結果.可以看出，背景模型的TEC 與“真值”之間存在著較大的系統性偏差，而數據同化后的TEC 與“真值”更加一致，系統偏差有了顯著的降低，驗證了數據同化算法可有效融合相應的觀測數據.

圖4 數據同化前后相同路徑上電離層傾斜TEC 的對比Fig.4 Comparison of ionospheric slant TEC on the same path before and after data assimilation

同樣地，圖5 給出了12:00UT OSSE 中“真實”TEC、背景模型TEC，以及四種觀測系統數據同化現報的全球電離層TEC 分布.可以看出，與真實的電離層TEC 分布相比，背景模型給出的電離層TEC 與真實分布存在明顯的差異，而經過數據同化后，電離層TEC 地圖的分布與“真實”更為符合，且可以明顯看出，DA3 獲取的TEC 地圖與“真實”的變化特征更為一致.

圖5 不同觀測系統全球電離層TEC 地圖的對比Fig.5 Comparison of global ionospheric TEC maps under different observing systems

圖6 給出了數據同化現報的全球垂直TEC 日平均誤差的經度和緯度變化.從圖6(a)可以看出，背景模型在全球不同區域均存在較大偏差，特別是緯度較低的區域，更是存在嚴重偏差.從圖6(b)可以看出，對于DA0 而言，由于其觀測系統主要來自地基GNSS 手段，經過數據同化后，陸地區域的誤差有了明顯的降低，僅在非洲中北部、中國西部等部分地基GNSS 臺站分布較為稀少的區域存在一定的偏差，但是在缺乏地基臺站的太平洋、大西洋等海洋上空，電離層TEC 的誤差依舊較大.從圖6(c)可以看出，如果僅僅同化COSMIC 的掩星數據，由于掩星數量不多，因此不同區域探測數據的覆蓋存在不均勻性，有觀測數據的區域則TEC 精度明顯提升，而無觀測數據的區域則誤差較大，這與圖3(b)顯示的數據覆蓋性結果是一致的.從圖6(d)可以看出，如果COSMIC 衛星能夠加入地基觀測數據，則除了陸地區域外，海洋區域上空的TEC 精度也能有明顯提高.從圖6(e)可以看出，采用LEMUR、CICERO、COSMIC等大量掩星觀測數據后，全球的電離層TEC 精度也能有明顯提高，不過從誤差分布來看，磁低緯部分區域依然存在部分誤差，這與圖3(d)的數據覆蓋性也是一致的，這個誤差可以通過增加部分低傾角的LEO 衛星加以彌補.

圖6 不同觀測系統全球垂直TEC 地圖日平均誤差的經緯度變化Fig.6 Longitude and latitude variations of the daily mean error of the global vertical TEC map under different observing systems

圖7 給出了12:00UT 五個經度面上電子密度切片模型真值，背景場以及四種觀測系統的電子密度同化結果.可以看出：背景模型給出的電子密度剖面與模型真值還存在較大差異，但是經過數據同化后的電子密度與“真值”更加一致；不同的觀測構型條件下，數據同化的效果也存在較為明顯的區別.

圖7 不同觀測系統全球電離層三維電子密度數據同化結果對比Fig.7 Comparison of global ionospheric 3D electron density data assimilation results under different observing systems

圖8 給出了12:00UT 不同觀測系統數據同化全球電子密度日平均誤差.從圖8(a)可以看出，背景場與“真實”值之間存在的誤差較大，誤差主要集中在200～600 km 的區域.同化地基GPS 數據后，如圖8(b)所示，電離層電子密度的誤差有一定程度的降低，但是由于地基GPS 空間覆蓋性及垂直探測分辨率的限制，電子密度的絕對誤差依然較大.同化12 顆COSMIC 掩星(全部GNSS 衛星信號接收)數據后，從圖8(c)可以看出電子密度的誤差有了較好的下降，但受限于COSMIC 衛星數量的限制，200～600 km區域電子密度依然還存在一定的誤差；而聯合同化地基GPS 和COSMIC 掩星數據后，相比于僅僅同化地基GPS 數據，可以看出同化掩星數據對于電離層電子密度現報精度的改善.從圖8(c)和圖8(d)對比效果也可以看出，若是掩星接收機能夠接收GPS、北斗、GALILEO 和GLONASS 四系統的數據，其同化效果甚至優于僅接收GPS 衛星信號的數百個地基GPS 站和COSMIC 掩星聯合同化的效果.從圖8(e)可以看出，當掩星數量提升并且能接收四系統的GNSS 衛星信號后，電子密度的同化誤差有了顯著的降低.

圖8 不同觀測系統數據同化全球電子密度日平均誤差Fig.8 The daily mean error of global electron density in data assimilation under different observing systems

為更加全面評估不同觀測系統的數據同化現報和預報性能，采用技術得分(skill score,SKS)的形式對同化效果進行定量評估[20-21].SKS 的計算方法如下：

式中：RMSE 表示均方根誤差；ParDA表示數據同化現報或預報的電離層參量；ParMod表示IRI 模型計算的電離層參量，包括TEC 和電子密度.從式(6)可以看出：當SKS=1 時，表明數據同化的結果與真實結果完全一致；當SKS=0～1 時，表明數據同化的效果優于IRI 模型的結果，SKS 越大，則改進效果越好；當SKS＜0 時，表明同化結果不如背景模型.

圖9 給出了四個不同觀測系統電離層TEC 地圖的同化現報，提前1 h 預報，提前2 h 預報和提前3 h預報的SKS 隨UT 的變化.可以看出，經過數據同化后，各觀測系統獲取的電離層TEC 地圖的SKS 均大于0，這表明經過數據同化后，TEC 地圖的精度相比IRI 模型均有明顯提升.表2 給出了不同觀測系統數據同化TEC 地圖SKS 的平均值，可以看出：對于四類不同觀測系統而言，不管是現報還是預報，其SKS 表現為DA3＞DA2＞DA0＞DA1，特別是對于DA1而言，由于COSMIC 衛星數據相對較少，相比地基GNSS 觀測系統，其觀測構型隨時間的變化較大，導致SKS 的變化幅度明顯要更大些；而對于數據同化現報預報而言，TEC 的SKS 表現為同化現報＞提前1 h預報＞提前2 h 預報＞提前3 h 預報，這表明隨著預報時間的增加，數據同化的TEC 地圖的精度呈現下降的趨勢.

表2 數據同化電離層垂直TEC 地圖的現報和預報SKS 均值Tab.2 Mean value of ionospheric vertical TEC map nowcast and forecast SKS by data assimilation

圖9 數據同化電離層垂直TEC 地圖的現報和預報SKS 對比Fig.9 Comparison of ionospheric vertical TEC map nowcast and forecast SKS by data assimilation

從整體表現來看，僅僅同化地基GNSS 數據(DA0)或者僅同化COSMIC 掩星數據(DA1)，由于觀測數據的空間覆蓋性不好，其同化現報和預報的TEC 地圖精度明顯不如地基GNSS 與掩星的結合(DA2).大規模掩星星座(DA3)的觀測構型的同化效果最佳，相比僅利用地基GPS 觀測進行同化，其TEC 現報、提前1 h 預報、提前2 h 預報和提前3 h 預報的SKS相比DA0 分別提高了0.2、0.17、0.14 和0.12.

為區分四種觀測系統在不同緯度區域電離層數據同化的表現，圖10 分別給出了低緯(磁緯低于25°)、中緯(磁緯25°～60°)和高緯區域(磁緯高于60°)三個不同緯度區域電離層TEC 同化現報、提前1 h 預報、提前2 h 預報和提前3 h 預報的SKS 的對比結果.從圖10 可以看出：對于低緯區域，DA0 和DA1表現相當，DA2 與DA3 結果接近，但DA3 表現更佳；對于中緯區域，DA0 要優于DA1，DA2 次之，DA3 同樣表現最佳；對于高緯區域，DA2 和DA3 要優于DA0，DA1 表現最差.從整體對比可以看出，高緯區域數據同化SKS 要明顯低于中低緯區域.隨著預報時間的增加，各緯度區域的TEC 同化SKS 均表現出下降的趨勢.

圖10 不同緯度區域電離層垂直TEC 地圖的現報和預報SKS 對比Fig.10 Comparison of ionospheric vertical TEC map nowcast and forecast SKS by data assimilation at different latitudes

進一步地，圖11 給出了四個不同觀測系統電離層電子密度的同化現報，提前1 h 預報，提前2 h 預報和提前3 h 預報的SKS 隨UT 的變化.表3 給出了不同觀測系統數據電子密度現報和預報SKS 的平均值.從表3 和圖11 可以看出：對于四類不同觀測系統而言，不管是現報還是預報，DA3 的表現最好，DA1 和DA2 次之，DA0 最低；而對于現報和預報效果而言，電子密度的SKS 同樣表現為同化現報＞提前1 h 預報＞提前2 h 預報＞提前3 h 預報，這表明隨著預報時間的增加，數據同化的精度呈現下降的趨勢，隨著預報時間的進一步增加，同化預報精度將與背景模型趨同.從整體表現來看：如果僅僅同化地基GNSS 數據，由于觀測數據的垂直分辨率較低，其對電子密度的精度提升效果非常有限；而利用大規模掩星數據進行數據同化，不管是現報和短期預報，其精度提升的效果均非常明顯，相比僅利用地基GPS 觀測進行同化，其電子密度現報、提前1 h 預報、提前2 h 預報和提前3 h 預報的SKS 相比DA0 分別提高了0.39、0.35、0.28 和0.22，提升幅度要明顯優于TEC.

圖11 數據同化電離層電子密度的現報和預報SKS 對比Fig.11 Comparison results of ionospheric electron density nowcast and forecast SKS by data assimilation

表3 數據同化電離層電子密度的現報和預報SKS 均值Tab.3 Mean value of ionospheric electron density nowcast and forecast SKS by data assimilation

同樣地，圖12 分別給出了低緯、中緯和高緯區域三個不同緯度區域電離層電子密度同化現報、提前1 h 預報、提前2 h 預報和提前3 h 預報的SKS 的對比結果.從圖12 可以看出，對于低緯和中緯區域數據同化的改進效果接近，低緯區域的數據同化改善效果要稍優于中緯，而高緯區域數據同化的SKS 要明顯低于中低緯區域.從觀測系統的對比來看，DA3 的表現最好，DA2 和DA1 接近，DA1 稍占優，DA0 表現最差.與TEC 同化效果類似，隨著預報時間的增加，各緯度區域的電子密度同化的SKS 也表現出了逐步下降的趨勢.

圖12 不同緯度區域數據同化電離層電子密度的現報和預報SKS 對比Fig.12 Comparison results of ionospheric electron density nowcast and forecast SKS by data assimilation at different latitudes

4 結果分析

在本研究中，我們采用OSSE 評估了來自不同觀測系統的不同觀測類型對電離層狀態的現報和預報結果的影響.通過一系列OSSE 可以發現，不同觀測類型同化對于準確感知電離層狀態具有重要影響，通過同化一個構型良好的觀測系統的地基或天基觀測數據，可以獲得更好的電離層現報和預報結果.

對于僅吸收地基GNSS 數據(如DA0)，分析結果表明，其可以很好地改進垂直TEC 地圖的現報和1～3 h 短期預報結果，使其更接近于OSSE“真實”的電離層分布.但是，由于地基GNSS 傾斜TEC 觀測的垂直分辨率較低，因此僅僅同化地基GNSS 數據，其同化現報和預報的電子密度分布相比背景模型的改善則相對有限，通過融合掩星觀測數據(如DA2)，其TEC 和電子密度的精度都會有較好的改善.

另外，從分析結果來看，當掩星衛星數量較多且觀測數據的覆蓋性較好時，僅同化掩星TEC 觀測數據(如DA3)，就可以很好地獲得準確的TEC 和電子密度現報和短期預報結果.但是，如果僅僅同化的掩星數據覆蓋性不好(如DA1)，則只能在掩星數據覆蓋區域內獲得同化精度的改善.因此，為獲取全球精確的電離層狀態，必須盡量采用一個空間覆蓋性較好的掩星觀測構型進行數據同化.

需要指出的是，盡管在每個OSSE 過程中，觀測數據模擬加入了隨機觀測噪聲，但在真實場景中，觀測誤差的變化肯定更加復雜，而較大的誤差可能會導致數據同化精度的降低.在實際的數據同化過程中，觀測誤差協方差應該進行更為細致的設定.但不管實際觀測如何復雜，我們在數據同化過程中依然更多地相信觀測數據而不是背景模型[6].因此在本文數據同化過程中，我們處理觀測誤差協方差和背景誤差協方差時，二者間的權重系數我們設定為10∶1.

目前，全球電離層同化現報和預報主要的數據來源還是IGS 發布的地基GNSS 數據以及CDAAC發布的COSMIC 掩星數據.但是隨著微小衛星掩星探測技術的快速發展，商業化衛星公司發射的衛星數據正在快速增加，具備掩星觀測能力的在軌小衛星數量預期會超過100 顆，同時隨著數據同化技術的快速發展，建立基于掩星觀測資料的全球電離層數據同化系統已經有了良好的基礎.目前Spire 公司已經構建了四維電離層數據同化模型STEAM[22]，并計劃推出基于在軌空間天氣微納衛星掩星觀測的全球電離層數據同化產品，這對于未來電離層空間天氣的更為精確的現報和預報具有重要意義.

5 結 語

本文通過觀測系統仿真試驗，分析了地基GNSS和天基掩星數據對全球電離層數據同化的影響，評估結果表明：觀測構型對數據同化現報和預報精度具有重要影響；僅僅同化地基GNSS 數據，其同化的TEC 精度相比背景模型會有較明顯的改善，但電子密度的現報和預報結果相比背景模型的改善則相對有限；當掩星衛星數量較多且觀測數據的覆蓋性較好的條件下，僅同化掩星TEC 觀測數據就可以獲得準確的TEC 與電子密度現報和短期預報結果；總體分析來看，現有的觀測系統布局對中低緯區域的數據同化精度的提升效果要優于高緯區域；同時，隨著預報時間的增加，數據同化的精度呈現逐漸下降的趨勢.本文的相關研究可為我國天地基電離層觀測系統的設計和構建提供技術參考.

需要指出的是，本文的OSSE 研究主要是針對電離層同化開展的，同化結果也驗證了觀測數據對于短期預報性能的提升作用，但由于觀測數據對電離層參量同化預報的影響僅能維持數小時.為提升電離層的預報能力，未來的電離層數據同化需要更多結合中性大氣記憶力長的優勢，這就需要將目前的電離層同化研究向熱層-電離層耦合模型同化發展，以進一步提升電離層預報的時效性，這也是本文下一步的研究方向.

致 謝本文GNSS 衛星和LEO 衛星星歷從https://www.celestrak.com/NORAD/elements 網站下載，作者在此表示感謝.