GPT3模型估计对流层产品精度检验与分析

杨 飞 郭际明 李弈韬 唐 伟 郭 伟

1 中国矿业大学(北京)地球科学与测绘工程学院，北京市学院路丁11号，100083 2 武汉大学测绘学院，武汉市珞喻路129号，430079 3 资源与环境信息系统国家重点实验室，北京市大屯路甲11号，100101

作为GPT系列模型[1-2]的最新版本，GPT3模型可以提供计算天顶对流层延迟的各类气象参数，如气压、水汽压、加权平均温度、水汽压直减率等，还可以估计南北和东西方向的大气水平梯度，是当前精度最高、使用最为广泛的对流层延迟模型[3]。但目前缺乏对GPT3模型的精度检验，尤其是缺乏GPT3模型获取的ZTD和大气水平梯度精度的详细分析。本文利用IGS发布的高精度对流层产品，对GPT3模型在全球范围内计算的对流层产品进行精度检验，分析GPT3模型估计不同参数时精度的空间分布和时间分布特征。

1 模型介绍和计算方法

GPT3模型通过测站坐标和年积日即可获取任意时刻的气压，采用文献[4]修订的Saastamoinen模型计算天顶静力学延迟ZHD；再利用获取的测站任意时刻大气水汽压、加权平均温度和水汽压直减率，采用Askne等[5]给出的公式计算天顶湿延迟ZWD。

IGS可以提供天顶对流层总延迟ZTD、南北方向大气水平梯度GNS和东西方向大气水平梯度GEW等对流层产品。本文选取2019年224个包含300 d以上对流层产品的IGS测站，时间分辨率为2 h，将其ZTD、GNS和GEW作为参考值，以偏差bias和均方根误差RMS作为统计量，检验GPT3模型估计对流层产品的精度。

2 模型精度分析

2.1 GPT3模型精度的空间分布

图1为GPT3模型在全球范围内不同测站估计ZTD的精度，从图中可以看出，bias和RMS受测站纬度影响，低纬度地区测站的bias大多为负，中高纬度地区测站的bias大多为正；RMS值较大的测站也大多位于低纬度区域。将测站划分成3个纬度区域，包括低纬度区域30°N～30°S、中纬度区域30°S～60°S和30°N～60°N、高纬度区域60°N～90°N和60°S～90°S，并分别统计不同纬度区域ZTD年均bias和RMS，结果见表1(2个%所在列分别表示RMS>30 mm和bias< 0 mm的测站数量所占比例)。从表中可以看出，低纬度区域的平均RMS达到41.7 mm，远大于中高纬度区域的36.4 mm和29.7 mm；在低纬度区域，RMS>30 mm的测站数量所占比例为88%，同样高于其他2个区域的75%和44%。RMS最大值为67.5 mm，出现在低纬度区域；而高纬度区域的RMS最大值仅为38.7 mm。bias的统计结果再次表明，在不同区域采用GPT3模型估计ZTD的偏差存在差异，低纬度区域的平均bias为负，且有67%测站的bias<0 mm；而中高纬度区域的平均bias均为正，bias<0 mm的测站数量所占比例仅为36%和33%。

图1 GPT3模型估计ZTD的bias和RMS全球分布

表1 GPT3模型在不同纬度区域估计ZTD的bias和RMS统计

图2和图3分别为GPT3模型在全球范围内不同IGS测站估计南北和东西方向水平梯度的精度。从图中可以看出，GNS的bias表现出明显的南北半球差异，北半球80%测站的bias为负值，南半球83%测站的bias为正值。GEW的bias特征与GNS正好相反，北半球86%测站的bias为正值，南半球87%测站的bias为负值。IGS测站GNS和GEW的平均RMS分别为0.49 mm和0.57 mm，其分布未与ZTD的RMS一样表现出明显的纬度特征。但其在高纬度地区的精度优于中低纬度地区，且中低纬度的分布特征不明显。

图2 GPT3模型估计GNS的bias和RMS全球分布

图3 GPT3模型估计GEW的bias和RMS全球分布

2.2 GPT3模型精度的时间分布

为分析不同时间GPT3模型估计对流层产品的精度，按照月份将所有IGS测站在不同UTC时刻的GPT3估值分别进行统计，与相应真值比较得到每个月不同时刻的RMS(图4)。从图中可以看出，相同月份、不同时刻的RMS差异较小，未表现出明显差异；而不同月份的RMS值具有明显差异，夏、秋季RMS明显大于春、冬季，尤其在8月份，ZTD的RMS达到最大。

图4 GPT3估计ZTD的RMS在每月各UTC时刻变化

对每个月GPT3模型估计ZTD的RMS进行统计，结果见表2。从表中可以看出，RMS最大值和最小值分别为38.6 mm和33.6 mm，出现在8月和3月；RMS从1月到3月减小至最小值，从3月到8月增大至最大值，从8月到12月再次逐渐减小。

表2 GPT3模型估计ZTD的RMS在不同月份统计

图5和图6分别为GNS和GEW的RMS在不同月份的UTC时刻变化情况。图5和图6反映出相似的分布特点，每个月均在UTC 13:00附近RMS达到最小值，并且RMS向2个方向逐渐增大，在UTC 01:00和UTC 23:00附近RMS达到最大值。GNS和GEW的RMS在月份之间的差异较小，但仍可以观察到在夏季，尤其是8月份各个时刻，其GNS和GEW的精度相比其他月份较差。

图5 GPT3估计GNS的RMS在每月各UTC时刻变化

图6 GPT3估计GEW的RMS在每月各UTC时刻变化

表3为GPT3模型在每个UTC时刻估计GNS和GEW的RMS情况。从UTC 01:00～23:00，GNS和GEW的RMS均表现出从大逐渐减小再增大的过程，且在数值上呈现出对称的特点。GNS和GEW的RMS在UTC 11:00和UTC 13:00达到最小值，分别为0.44 mm和0.51 mm，相较于达到最大值的UTC 01:00和UTC 23:00，RMS减小0.1 mm。

表3 GPT3模型估计GNS和GEW的RMS在不同UTC时刻统计

3 结 语

本文通过收集2019年全球范围内224个IGS测站的对流层产品，对GPT3模型估计天顶对流层延迟、南北和东西方向大气水平梯度的精度进行检验。结果表明，GPT3模型在全球范围内估计ZTD、GNS和GEW的平均RMS分别为37.2 mm、0.49 mm和0.57 mm。ZTD的bias在不同纬度区间存在正负差异，RMS在中高纬度区域的表现优于低纬度区域；而GNS和GEW的bias在南北半球具有差异性，GNS的bias在北半球主要为负值，GEW的bias在南半球主要为负值。GPT3模型估计ZTD的精度在夏、秋季优于春、冬季，不同UTC时刻的估计结果差异较小；GPT3模型估计GNS和GEW表现出明显的UTC时刻变化，季节性差异较小。整体而言，在仅有测站坐标和时刻信息时，GPT3模型可以在全球范围内提供较高精度的天顶对流层延迟和水平梯度信息，可为GNSS导航定位及气象学研究提供先验信息。但其ZTD和水平梯度估值在空间和时间上存在差异性，该模型的后续应用和研究应充分考虑测站位置和计算时刻对模型精度的影响。