CN114297939B - 适用于南极地区的对流层延迟预测方法及*** - Google Patents
适用于南极地区的对流层延迟预测方法及*** Download PDFInfo
- Publication number
- CN114297939B CN114297939B CN202111671425.1A CN202111671425A CN114297939B CN 114297939 B CN114297939 B CN 114297939B CN 202111671425 A CN202111671425 A CN 202111671425A CN 114297939 B CN114297939 B CN 114297939B
- Authority
- CN
- China
- Prior art keywords
- delay
- troposphere delay
- troposphere
- forecast
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于对流层延迟预测技术领域,为了解决目前的经验对流层模型以及GPT3模型均不适用于南极地区,对流层延迟值精度较低问题,提供了一种适用于南极地区的对流层延迟预测方法及***。其中该方法包括获取目标站的空间信息和预报时间段内天顶方向的对流层延迟计算值;利用空间域对流层延迟模型,得到预报时间段内目标站处天顶方向的对流层延迟预报值与计算值之间的偏差,进而再与相应计算值累加,得到预报时间段内目标站处天顶方向的对流层延迟预报值;空间域对流层延迟模型由训练站的空间信息、预报时间段内训练站处天顶方向的对流层延迟计算值及其与相应预报值之间的偏差训练而成。其能够提供高精度的对流层延迟,进而提高反演大气可降水量的精度。
Description
技术领域
本发明属于对流层延迟预测技术领域,尤其涉及一种适用于南极的对流层延迟预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
GNSS(Global Navigation Satellite System,全球导航卫星***)技术广泛地应用到气象学和空间物理学当中。对流层延迟是卫星定位中一个重要的误差源,为反演大气中可降水量提供高时间分辨率高精度的有效数据。但是现有的经验对流层延迟模型在南极地区提供的对流层延迟值精度较低,影响可降水量的反演精度。因此,提供高精度的对流层延迟先验值,有利于提高南极地区大气可降水量的反演精度,促进GNSS技术在气象学领域更加广泛地应用。
由于实际应用中实测气象参数获取不易,经验对流层模型应用更为广泛,如UNB系列模型、EGNOS模型、全球压力和温度(GPT)系列模型。这些经验模型基于当地标准大气或全球气象再分析数据建立,因此在局部地区的表现不佳。Johannes等采用ERA-Interim提供的气压、温度数据月平均值,利用球谐函数模型建立了全球气压温度系列模型(GPT),用于计算全球范围内的GNSS对流层延迟,其中,GPT2模型在估计南极地区气象参数和对流层延迟改正值方面的准确性仍然有限。GPT2w模型在南极地区估计气象参数精度随着高度的增加而降低,天顶方向的对流层延迟改正的估计精度为厘米级,并且不考虑日变化对GPT2w模型的精度有一定影响。GPT3增强模型是基于实测气象参数与模型估计的气象参数构建的物理模型,GPT3模型估计的天顶湿延迟序列始终过于平滑,无法提供高精度的对流层延迟,不适用于南极地区。
综上所述,发明人发现,目前的经验对流层模型以及GPT3模型均不适用于南极地区,对流层延迟值精度较低,最终影响南极地区利用对流层延迟改正反演的大气可降水量精度。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种适用于南极地区的对流层延迟预测方法及***,其能够提供高精度的对流层延迟,从而提高利用对流层延迟改正反演大气可降水量的精度。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种适用于南极地区的对流层延迟预测方法,其包括:
获取目标站的空间信息和预报时间段内天顶方向的对流层延迟计算值;
利用空间域对流层延迟模型,得到预报时间段内目标站处天顶方向的对流层延迟预报值与计算值之间的偏差,进而再与相应计算值累加,得到预报时间段内目标站处天顶方向的对流层延迟预报值;
其中,空间域对流层延迟模型由训练站的空间信息、预报时间段内训练站处天顶方向的对流层延迟计算值及其与相应预报值之间的偏差训练而成。
作为一种实施方式,所述预报时段内训练站处天顶方向的对流层延迟预报值的计算过程,包括:
基于历史时段内训练站处天顶方向的对流层延迟计算值与对流层延迟标准序列的比较,计算历史时段内的训练站处天顶方向的对流层延迟偏差序列;
再利用时间域对流层延迟单天预报模型,得到预报时段内训练站处天顶方向的对流层延迟预报值;其中,基于训练站历史时段内天顶方向的对流层延迟偏差序列来训练所述时间域对流层延迟单天预报模型。
作为一种实施方式,在训练所述时间域对流层延迟单天预报模型的过程中,历史时段的长短由训练站天顶方向的对流层延迟偏差序列的自相关函数确定。
作为一种实施方式,所述时间域对流层延迟单天预报模型为LSTM模型。
作为一种实施方式,所述空间域对流层延迟模型由RBF神经网络构建而成。
作为一种实施方式,所述对流层延迟计算值由全球气压温度系列模型计算得到。
本发明的第二个方面提供一种适用于南极地区的对流层延迟预测***,其包括:
信息获取模块,其用于获取目标站的空间信息和预报时间段内天顶方向的对流层延迟计算值;
对流层延迟预测模块,其用于利用空间域对流层延迟模型,得到预报时间段内目标站处天顶方向的对流层延迟预报值与计算值之间的偏差,进而再与相应计算值累加,得到预报时间段内目标站处天顶方向的对流层延迟预报值;
其中,空间域对流层延迟模型由训练站的空间信息、预报时间段内训练站处天顶方向的对流层延迟计算值及其与相应预报值之间的偏差训练而成。
作为一种实施方式,在所述对流层延迟预测模块中,在训练空间域对流层延迟模型的过程中,所述预报时段内训练站处天顶方向的对流层延迟预报值的计算过程,包括:
基于历史时段内训练站处天顶方向的对流层延迟计算值与对流层延迟标准序列的比较,计算历史时段内的训练站处天顶方向的对流层延迟偏差序列;
再利用时间域对流层延迟单天预报模型,得到预报时段内训练站处天顶方向的对流层延迟预报值;其中,基于训练站历史时段内天顶方向的对流层延迟偏差序列来训练所述时间域对流层延迟单天预报模型。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的适用于南极地区的对流层延迟预测方法中的步骤。
本发明的第四个方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的适用于南极地区的对流层延迟预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提供了一种适用于南极地区的对流层延迟预测方法及***,其利用空间域对流层延迟模型,得到预报时间段内目标站处天顶方向的对流层延迟预报值与计算值之间的偏差,进而得到预报时间段内目标站处天顶方向的对流层延迟预报值;利用时间域对流层延迟单天预报模型得到预报时段内训练站处天顶方向的对流层延迟预报值,解决了目前的经验对流层模型以及GPT3模型均不适用于南极地区且对流层延迟值精度较低的问题,补偿了在时间和空间上的差异偏差,提高了对流层延迟预测结果的准确性,从而提高了利用对流层延迟改正反演大气可降水量的精度,尤其适用于南极地区,对于极端天气预测具有较高的参考价值。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的适用于南极地区的对流层延迟预测方法原理图;
图2是本发明实施例的适用于南极地区的对流层延迟预测示例流程图;
图3是本发明实施例的适用于南极地区的对流层延迟预测***结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释:
GNSS:Global Navigation Satellite System,全球导航卫星***。
PPP:Precise Point Positioning,精密单点定位。
NGL:Nevada Geodetic Laboratory,内华达大地测量实验室。
GPT:Global Pressure and Temperature,全球气压温度模型。
LSTM:Long-Short Term Memory,长短期记忆网络。
RBF:Radial Bias Function,径向基函数神经网络。
实施例一
结合图1和图2,本实施例提供了一种适用于南极地区的对流层延迟预测方法,其具体包括如下步骤:
S101:获取目标站的空间信息和预报时间段内天顶方向的对流层延迟计算值。
具体地,在步骤S101中,此处的空间信息包括经度、纬度和高程这些信息。
在步骤S101中,所述对流层延迟计算值由全球气压温度系列模型计算得到。
其中,全球气压温度系列模型GPT,用于计算全球范围内的GNSS对流层延迟,包括GPT、GPT2、GPT2w和GPT3模型。
下面结合图2,以GPT3模型为例来计算得到对流层延迟计算值GPT3_ZTD。
具体地,基于GNSS目标站的位置信息,使用GPT3模型提供的气象参数(例如:包括温度,气压,水汽压)、气象参数递减因子以及高程改正参数。采用萨斯塔模型和Askne&Nordius模型分别计算GNSS目标站处的天顶方向的对流层延迟计算值GPT3_ZTD。其中,天顶方向的对流层延迟计算值包括干延迟(ZHD)和湿延迟(ZWD)。
S102:利用空间域对流层延迟模型,得到预报时间段内目标站处天顶方向的对流层延迟预报值与计算值之间的偏差,进而再与相应计算值累加,得到预报时间段内目标站处天顶方向的对流层延迟预报值。
其中,空间域对流层延迟模型由训练站的空间信息、预报时间段内训练站处天顶方向的对流层延迟计算值及其与相应预报值之间的偏差训练而成。
具体地,在步骤S102中,所述空间域对流层延迟模型由RBF神经网络构建而成。空间域对流层延迟模型的输入参数为测站的经度、纬度和高程以及预报时段内的对流层延迟计算值GPT3_ZTD,输出参数为预报时段的对流层延迟预报值与计算值之间的偏差D_LSTM_ZTD值。
这样利用空间域对流层延迟模型得到的预报时段的对流层延迟预报值与计算值之间的偏差D_LSTM_ZTD,再加上同时段的对流层延迟计算值GPT3_ZTD,即可获取预报时间段内对流层延迟预报值LSTM_RBF_ZTD。
此处需要说明的是,空间域对流层延迟模型也可采用其他现有的神经网络模型来构建,本领域技术人员可根据实际情况来具体选择,此处不再详述。
具体地,在步骤S102中,所述预报时段内训练站处天顶方向的对流层延迟预报值的计算过程,包括:
基于历史时段内训练站处天顶方向的对流层延迟计算值与对流层延迟标准序列的比较,计算历史时段内的训练站处天顶方向的对流层延迟偏差序列;
再利用时间域对流层延迟单天预报模型,得到预报时段内训练站处天顶方向的对流层延迟预报值;其中,基于训练站历史时段内天顶方向的对流层延迟偏差序列来训练所述时间域对流层延迟单天预报模型。
在本实施例中,对流层延迟标准序列为以观测时段的高精度对流层延迟产品GNSS_ZTD序列。从NGL中心获取各个GNSS测站的对流层延迟产品(GNSS_ZTD),该产品的精度经证实与IGS中心对流层延迟产品(IGS_ZTD)精度相当。因此以观测时段的GNSS_ZTD序列为参考值,计算GPT3_ZTD同时段的偏差序列(GPT3_Bias)。
此处需要说明的是,本领域技术人员可根据实际情况来具体选择对流层延迟标准序列,此处不再详述。
在具体实施中,在训练所述时间域对流层延迟单天预报模型的过程中,历史时段的长短由训练站天顶方向的对流层延迟偏差序列的自相关函数确定。
例如:利用自相关函数逐步分析GPT3_Bias序列的相关周期。
其中,时间域对流层延迟单天预报模型的输入层的参数为历史时段的GPT3_ZTD与GNSS_ZTD之间的偏差数据(D_GNSS_ZTD),输出层为预报时段的GPT3_ZTD与GNSS_ZTD之间的偏差数据(D_GNSS_ZTD)。
在图2中,所述时间域对流层延迟单天预报模型为LSTM模型。设置LSTM模型的隐含层的个数以及各隐含层的神经元个数。输入训练样本,依据设置的网络参数构建预报模型LSTM模型。基于训练好的LSTM模型,估计预报时段内的GPT3_Bias数据,加上同时段的GPT3_ZTD获取LSTM_ZTD预报值。
可以理解的是,空时间域对流层延迟单天预报模型也可采用其他现有的神经网络模型来构建,本领域技术人员可根据实际情况来具体选择,此处不再详述。
尽管目前有许多经验对流层延迟模型,但是存在着两个主要的缺点,一是数据源的精度受区域限制,导致对流层大气延迟模型不适用于南极地区;二是对流层延迟模型提供的改正值过于平滑,与实际对流层延迟变化的时空特性不符。另外,南极地区现有的对流层延迟预报模型主要针对南极洲西部,而对于南极洲东部,由于测站较少,尚未讨论和研究。为了克服最新经验对流层模型GPT3在南极地区估计对流层延迟精度不佳的问题,本实施例构建了南极地区的对流层延迟预报模型,引入了长短期记忆(LSTM)和径向基函数(RBF)两种神经网络算法来分别补偿了高精度对流层延迟产品(GNSS_ZTD)和GPT3模型估计的对流层延迟改正(GPT3_ZTD)在时间和空间上的差异偏差。同时,采用逐日建模和预测的策略来模拟GPT3_ZTD的日变化,这对于极端天气预测具有较高的参考价值。
其中,可以理解的是,对于在时间和空间上的差异偏差补偿,除了长短期记忆(LSTM)和径向基函数(RBF)两种神经网络算法之外,本领域技术人员也可采用其他现有的神经网络算法来实现,此处不再详述。
实施例二
参照图3,本实施例提供了一种适用于南极地区的对流层延迟预测***,其具体包括如下模块:
(1)信息获取模块,其用于获取目标站的空间信息和预报时间段内天顶方向的对流层延迟计算值;
(2)对流层延迟预测模块,其用于利用空间域对流层延迟模型,得到预报时间段内目标站处天顶方向的对流层延迟预报值与计算值之间的偏差,进而再与相应计算值累加,得到预报时间段内目标站处天顶方向的对流层延迟预报值;
其中,空间域对流层延迟模型由训练站的空间信息、预报时间段内训练站处天顶方向的对流层延迟计算值及其与相应预报值之间的偏差训练而成。
在具体实施例中,在所述对流层延迟预测模块中,在训练空间域对流层延迟模型的过程中,所述预报时段内训练站处天顶方向的对流层延迟预报值的计算过程,包括:
基于历史时段内训练站处天顶方向的对流层延迟计算值与对流层延迟标准序列的比较,计算历史时段内的训练站处天顶方向的对流层延迟偏差序列;
再利用时间域对流层延迟单天预报模型,得到预报时段内训练站处天顶方向的对流层延迟预报值;其中,基于训练站历史时段内天顶方向的对流层延迟偏差序列来训练所述时间域对流层延迟单天预报模型。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的适用于南极地区的对流层延迟预测方法中的步骤。
实施例四
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的适用于南极地区的对流层延迟预测方法中的步骤。
本发明是参照本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种适用于南极地区的对流层延迟预测方法,其特征在于,包括:
获取目标站的空间信息和预报时间段内天顶方向的对流层延迟计算值;
利用空间域对流层延迟模型,得到预报时间段内目标站处天顶方向的对流层延迟预报值与计算值之间的偏差,进而再与相应计算值累加,得到预报时间段内目标站处天顶方向的对流层延迟预报值;
其中,空间域对流层延迟模型由训练站的空间信息、预报时间段内训练站处天顶方向的对流层延迟计算值及其与相应预报值之间的偏差训练而成;
所述预报时段内训练站处天顶方向的对流层延迟预报值的计算过程,包括:
基于历史时段内训练站处天顶方向的对流层延迟计算值与对流层延迟标准序列的比较,计算历史时段内的训练站处天顶方向的对流层延迟偏差序列;
再利用时间域对流层延迟单天预报模型,得到预报时段内训练站处天顶方向的对流层延迟预报值;其中,基于训练站历史时段内天顶方向的对流层延迟偏差序列来训练所述时间域对流层延迟单天预报模型。
2.如权利要求1所述的适用于南极地区的对流层延迟预测方法,其特征在于,在训练所述时间域对流层延迟单天预报模型的过程中,历史时段的长短由训练站天顶方向的对流层延迟偏差序列的自相关函数确定。
3.如权利要求1所述的适用于南极地区的对流层延迟预测方法,其特征在于,所述时间域对流层延迟单天预报模型为LSTM模型。
4.如权利要求1所述的适用于南极地区的对流层延迟预测方法,其特征在于,所述空间域对流层延迟模型由RBF神经网络构建而成。
5.如权利要求1所述的适用于南极地区的对流层延迟预测方法,其特征在于,所述对流层延迟计算值由全球气压温度系列模型计算得到。
6.一种适用于南极地区的对流层延迟预测***,特征在于,包括:
信息获取模块,其用于获取目标站的空间信息和预报时间段内天顶方向的对流层延迟计算值;
对流层延迟预测模块,其用于利用空间域对流层延迟模型,得到预报时间段内目标站处天顶方向的对流层延迟预报值与计算值之间的偏差,进而再与相应计算值累加,得到预报时间段内目标站处天顶方向的对流层延迟预报值;
其中,空间域对流层延迟模型由训练站的空间信息、预报时间段内训练站处天顶方向的对流层延迟计算值及其与相应预报值之间的偏差训练而成;
在所述对流层延迟预测模块中,在训练空间域对流层延迟模型的过程中,所述预报时段内训练站处天顶方向的对流层延迟预报值的计算过程,包括:
基于历史时段内训练站处天顶方向的对流层延迟计算值与对流层延迟标准序列的比较,计算历史时段内的训练站处天顶方向的对流层延迟偏差序列;
再利用时间域对流层延迟单天预报模型,得到预报时段内训练站处天顶方向的对流层延迟预报值;其中,基于训练站历史时段内天顶方向的对流层延迟偏差序列来训练所述时间域对流层延迟单天预报模型。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的适用于南极地区的对流层延迟预测方法中的步骤。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的适用于南极地区的对流层延迟预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111671425.1A CN114297939B (zh) | 2021-12-31 | 2021-12-31 | 适用于南极地区的对流层延迟预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111671425.1A CN114297939B (zh) | 2021-12-31 | 2021-12-31 | 适用于南极地区的对流层延迟预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114297939A CN114297939A (zh) | 2022-04-08 |
CN114297939B true CN114297939B (zh) | 2022-09-16 |
Family
ID=80972844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111671425.1A Active CN114297939B (zh) | 2021-12-31 | 2021-12-31 | 适用于南极地区的对流层延迟预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297939B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2348052C2 (ru) * | 2003-04-17 | 2009-02-27 | Секретэри Оф Стейт Фор Дефенс Дстл | Исправление погрешностей, вызванных тропосферой, в глобальных системах определения местоположения |
US8665146B2 (en) * | 2007-07-10 | 2014-03-04 | Electronic Navigation Research Institute | Calculation method of the amount of zenith troposphere delay, and a correcting method of troposphere delay of satellite positioning signal |
CN106022470B (zh) * | 2016-04-29 | 2019-01-29 | 东南大学 | 一种基于bp-egnos融合模型的对流层延迟改正方法 |
CN110031877B (zh) * | 2019-04-17 | 2020-05-26 | 山东科技大学 | 一种基于grnn模型的区域nwp对流层延迟改正方法 |
CN111382507B (zh) * | 2020-03-04 | 2021-06-01 | 山东大学 | 一种基于深度学习的全球对流层延迟建模方法 |
-
2021
- 2021-12-31 CN CN202111671425.1A patent/CN114297939B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114297939A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543353B (zh) | 三维水汽反演方法、装置、设备和计算机可读存储介质 | |
US10075818B2 (en) | Systems and methods for graph-based localization and mapping | |
CN109448124B (zh) | 用于河道的水质模拟方法和装置 | |
Zhang et al. | Precipitable water vapor fusion: An approach based on spherical cap harmonic analysis and Helmert variance component estimation | |
Liu et al. | An analysis of GPT2/GPT2w+ Saastamoinen models for estimating zenith tropospheric delay over Asian area | |
CN111898303A (zh) | 基于气象预报及水动力模拟的流域水位及内涝预报方法 | |
CN106324620A (zh) | 一种不依赖地表气象数据实时测量的对流层天顶延迟方法 | |
CN105738934B (zh) | 附加大气信息动态约束的urtk模糊度快速固定方法 | |
CN109145344A (zh) | 一种基于探空数据的经验ztd模型改进方法 | |
US20220043180A1 (en) | Method and system of real-time simulation and forecasting in a fully-integrated hydrologic environment | |
CN110244387A (zh) | 一种基于大气可降水量预测降雨天气的方法、装置、设备以及存储介质 | |
CN110488332B (zh) | 基于网络rtk技术的定位信息处理方法和装置 | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
CN114297939B (zh) | 适用于南极地区的对流层延迟预测方法及*** | |
CN109884666A (zh) | 一种基于数据同化技术的对流层延迟改正方法 | |
CN117574622A (zh) | 一种对流层建模方法和装置 | |
CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报***及方法 | |
KR102500534B1 (ko) | 순환신경망 기반 수자원 정보 생성 장치 및 방법 | |
CN113917509B (zh) | 一种双差模糊度固定方法、设备以及可读存储介质 | |
KR101941132B1 (ko) | 국지적 전리층지도의 가용영역 확장 장치 및 방법 | |
Hu et al. | An accurate height reduction model for zenith tropospheric delay correction using ECMWF data | |
Wongchuig et al. | Toward Discharge Estimation for Water Resources Management with a Semidistributed Model and Local Ensemble Kalman Filter Data Assimilation | |
Ma et al. | Establishment of regional tropospheric delay model in Australia | |
CN116663432B (zh) | 一种百米高度风速预报订正降尺度方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |