GPT3模型在中国地区的精度分析

无论是在全球导航卫星系统(global navigation satellite system，GNSS)、卫星多普勒定轨定位系统(Doppler orbitography by radiopositioning integrated on satellite，DORIS)、甚长基线干涉测量(very long baseline interferometry，VLBI)、卫星激光测距(satellite laser ranging，SLR)等无线电测量过程中，还是在合成孔径雷达干涉测量(synthetic aperture radar interferometry，InSAR)监测地表形变中，对流层延迟都是影响结果精度的重要误差源之一[1]。然而精确估计对流层延迟需要气压、大气温度和水汽压等气象参数，气象参数的精度直接影响了对流层延迟的估计精度，目前很多国内外学者在气象参数估计方面进行了深入研究。

虽然利用探空气球获得气象资料可以达到更高的精度，但是通过该方法获得的气象资料在时间、空间分辨率上均受到限制[2]。为了摆脱对测站实测气象资料的依赖，后来又发展了非实测气象参数模型，例如加拿大新布伦瑞克大学(University of New Brunswick，UNB)模型、欧盟星基广域增强系统(European Geostationary Navigation Overlay Service，EGNOS)、全球气压气温模型(global pressure and temperaure model，GPT)系列等模型。Collins和Langley最初建立了UNB模型[3]，后经过不断发展改进，在UNB系列模型的基础上形成了UNB1_4、UNB3m和UNB.na。EGNOS模型是欧盟星基广域增强系统采用的天顶对流层延迟(zenith troposphere delay，ZTD)改正模型，该模型可以提供计算对流层天顶延迟所需气象参数，其精度总体上与采用实测气象参数的Hopfield和Saastamoinen模型相当[4-6]。随着气象资料的积累和相关理论的成熟，Boehm等[7]利用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasting，ECMWF)40年的再分析数据(ERA40)，使用9阶9次球谐函数建立全球地表温度和气压经验模型，即GPT模型。GPT模型只需知道测站坐标信息和年积日，就可以算得地球表面附近任何地点的压力和温度，也可以对参数的年变化进行建模。目前GPT系列模型从最初的GPT模型逐渐形成了GPT2、GPT2w、GPT3模型。其中GPT2模型是基于2001—2010年ECMWF再分析数据得到的全球月平均压力、温度、比湿度和地势剖面[8]，它可以在$ 5°\times 5° $格网间隔内提供压力、温度、温度递减速率和水汽压; 在GPT2模型的基础上，GPT2w模型引入了新的气象参数水汽直减率以改善湿延迟(zenith wet delay，ZWD)模型精度[9]，而GPT3模型在GPT2w模型基础上又引入了梯度模型[10]进一步优化模型。

目前，国内学者对GPT系列模型进行了验证，如姚宜斌等[2]利用ECMWF及美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration，NOAA)数据对GPT2模型进行全球10 153个格网点精度检验及分析; 滑中豪等[11]利用美国海军天文台(United States Naval Observatory，USNO)发布的全球分布的国际卫星导航服务(International GNSS Service，IGS)跟踪站天顶对流层延迟数据、综合全球无线电探空仪档案(Integrated Global Radiosonde Archive，IGRA)发布的气象站大气廓线数据以及全球大地测量观测系统(Global Geodetic Observing System，GGOS)发布的测站气象数据，对GPT2w模型精度、模型测站气象数据精度以及模型加权平均温度和水汽直减率精度进行分析验证; 施宏凯等[12]基于中国29个探空站在2015-03—2016-02期间实测的气压和气温数据，比较分析GPT、GPT2w_5和GPT2w_1模型导出的气压和气温结果。但是，目前针对GPT3模型所估计的气象参数的误差特性分析以及该模型在中国区域的验证与分析还不多。本文选取中国区域18个IGS站作为实验站点，将GPT3模型估计的气象参数与GGOS Atmosphere机构提供的气象数据，以及IGS数据中心提供的对流层延迟产品进行比较分析，以验证GPT3模型的精度并分析其误差特性。