基于CNES实时轨道钟差数据反演大气可降水量*

王 敏 柴洪洲 谢 恺 陈艳丽

1)信息工程大学测绘学院，郑州 450052

2)解放军68011 部队，兰州730020

1 引言

自基于GPS 信号反演大气可降水量(PWV，Precipitable Water Vapor)技术提出以来，以其空间时间分辨率高、观测成本低、不受恶劣天气影响等优点被广泛应用。然而，数值天气预报等应用的发展也对GPS 反演大气可降水量结果的实时性提出了更高要求。目前，IGS(International GNSS Service)正式产品中能够满足实时应用需求的只有超快预报产品，但该产品的钟差精度较低，影响了大气可降水量反演精度。现有的实时近实时GNSS 大气反演技术大多基于双差网解方式，以此减弱轨道钟差误差对大气反演结果的影响。

精密单点定位方式反演大气可降水量的方法，相对于双差网解方式具有估计模型简单，测站之间相互独立，可直接估计绝对时延等优点。IGS 开展实时先导计划(RTPP，Real Time Pilot Project)［1］以来，越来越多的分析中心开始发布实时轨道和钟差数据流，这已成为实时轨道钟差数据的主流来源［2］。使用实时轨道钟差数据结合精密单点定位方法反演大气可降水量，能够提高结果的实时性和精度，改善测量方式的灵活性，并简化数据处理过程。有多位学者致力于该领域的研究，Douˇsa［3］分析了预报产品轨道误差分别对精密点定位方式和非差网解方式估计天顶对流层延迟精度的影响。叶世榕等［4］的研究表明，采用IGS 实时星历与实时钟差估计的天顶对流层延迟精度优于20 mm。张小红等［5］以Trip 软件采用快速精密星历和钟差近实时解算了大气可降水量，同NOAA 提供值相较，两者的平均偏差小于0.5 mm，RMS 值优于1.3 mm。

本文将采用法国国家空间研究中心(CNES，Center National d’Etudes Spatiales)发布的实时轨道钟差产品，以精密单点定位方法反演大气可降水量，以验证采用该产品反演大气可降水量的可行性。

2 大气可降水量反演原理

GPS 信号传播过程中的对流层天顶方向总延迟(ZPD，Zenith Path Delay)可以分解为:

转换为PWV［6］。式中∏为转换系数，

式中，Rv为水汽气体常数，ρ1是液态水密度，k3是物理常数，Tm为大气加权平均温度。其中

式中，Mw为湿大气的摩尔质量，Md为干大气的摩尔质量，k1、k2也是物理常数。Tm可由与测站气温Ts相关的线性模型得到，本文选用文献［7］提出的模型:

式中Ts代表测站地表温度。

3 实时轨道钟差数据精度分析

CNES 使用基于NTRIP(Network Transport of RTCM by Internet protocol)协议的BNC(BKG Ntrip Client)软件获取实时观测数据，以每6 小时更新一次的快速星历外推部分作为轨道信息，估计实时轨道钟差产品［8］。目前，其发布的实时产品采样间隔为5s，总时延为6 ～8s，已经可以满足近实时估计大气水汽的需要。图1 为ESCO(The European Space Operations Center)［8］发布的本文试验时段CNES 实时轨道钟差数据精度，试验期间轨道单日RMS 最大值为36.8 mm，平均值为31.67 mm;钟差误差单日RMS 最大值为0.45ns，平均值为0.39ns。

图1 实时轨道钟差数据单日RMSFig.1 Daily RMS of CNES real-time orbits and clocks

图2 为实验时段IGS 超快预报产品单日RMS，试验期间轨道单日RMS 最大值为43.0 mm，平均值为37.1 mm;钟差单日RMS 最大值为4.11ns，平均值为2.85ns。可以看到，实验时段内CNES 实时轨道钟差数据精度要好于IGS 超快预报产品，尤其是实时数据的钟差精度比IGS 超快预报钟差好一个数量级，这是由于卫星钟差存在短周期或不规则变化，且变化具有随机性，很难进行预报估计，而实时轨道钟差数据来自地面观测网络的实时估计，能够避免这一问题。因此，相较IGS 超快预报产品，采用实时轨道钟差数据可以减弱轨道钟差信息误差对大气可降水量反演精度的不利影响。

图2 IGS 超快预报产品单日RMSFig.2 Daily RMS of IGS ultra-rapid predicted product

4 实验结果与分析

为验证采用实时轨道钟差数据实时计算大气可降水量的可行性，选取SuomiNet 观测网络的P001、P055、P678、SA06、SA30、SA43、SA58 七个观测站2012年1月3—9日共七天的观测数据(图3)，采用CNES 提供的实时轨道钟差数据，用自编软件以精密单点定位方法计算对流层天顶湿延迟，以此反演大气可降水量。

图3 测站位置Fig.3 Location of stations used in experiments

计算中，使用Saastamoinen 模型作为ZHD 模型［9］，映射函数使用NMF［10］，将天顶湿分量作为随机过程建模，并将计算结果同SuomiNet［11］发布值进行对比分析。由于采用以天为单位分别计算的策略，每天开始的计算需要一定的初始化时间才能收敛到足够的精度，所以每天第一个小时的计算结果不参与对比。

1)天顶延迟反演结果精度分析

如表1 所示，由于ZHD是由模型计算得到的，而两套结果ZHD 的平均偏差和RMS 均小于1 mm，推断这是由于两者的计算都采用了Saastamoinen 模型，而两者的差异是由计算使用的气象参数略有不同导致的。ZWD是由ZPD 与ZHD 相减得到，因此在ZHD 偏差很小的情况下，ZPD 和ZWD 的精度水平是一致的。实验结果也显示所有测站的ZPD 计算结果与SuomiNet 公布结果平均偏差均小于5 mm，RMS 均小于9 mm，大部分RMS 为7 mm 左右;ZWD 平均偏差均小于4.5 mm，RMS 均小于9 mm，可以认为两套结果符合较好。同时可以注意到ZPD和ZWD 的平均偏差均为负值，两者之间存在一定的系统性差异，这主要是因为两种结果来自不同的计算策略，SuomiNet 的计算是基于双差网解模式，而本文采用精密单点定位模式。

表1 对流层延迟计算结果统计(单位:m)Tab.1 Statistics of tropospheric delay results(unit:m)

2)大气可降水量反演结果精度分析

为验证实时轨道钟差数据误差对大气可降水量反演精度的影响，选取实验时段的IGS 最终产品，以相同的计算策略进行大气可降水量反演实验，并将两组试验结果进行对比(图4)。从图4 中可以看出，两组水气反演结果总体吻合较好，但不同的轨道钟差数据对反演结果有毫米级影响。其中，CNES实时轨道钟差数据反演结果同SuomiNet 公布值最大偏差为3 mm 左右，多数为1 ～2 mm。而且两者的偏差表现出一定的系统性，由实时轨道钟差数据计算得到的结果较SuomiNet 公布值总体偏小，这与ZWD 的结果是一致的。

其他六站的反演结果对比如表2 所示，从统计指标来看，两种轨道钟差数据的水气反演结果精度大体相当，只有部分测站IGS 最终产品的反演结果精度指标略好。两组结果的平均偏差均小于1 mm，RMS 均小于2 mm，与SuomiNet 公布结果吻合较好。另外，综合表2 和表1 可以看出本文计算得到的PWV 精度和ZWD 精度是匹配的，相同测站ZWD 的平均偏差大致是PWV 反演精度的六倍，这与转换系数的倒数在数值上很接近，考虑到计算转换系数公式中唯一的变量为大气加权平均温度，这说明本文选用的Schueler 模型计算的大气加权平均温度与SuomiNet 的计算结果较为一致。

图4 SA30 站大气可降水量反演结果对比Fig.4 Comparison among PWV results at SA30 station

表2 CNES 与IGS 轨道钟差数据大气可降水量反演结果对比(单位:m)Tab.2 Companison among PWV results derived with different orbits and clocks(unit:m)

图5 为P678 站为实时轨道钟差数据反演结果同IGS 最终产品反演结果与SuomiNet 公布值的差值对比，两组差值表现出类似的变化趋势，显示SuomiNet 公布值和IGS 最终产品反演结果是接近的。大部分时间两组的偏差的绝对值小于4 mm，最大值为6 mm 左右，再次验证了应用实时轨道钟差数据能够达到较好的大气可降水量反演精度。

图5 P678 站两种轨道钟差数据反演大气可降水量结果的差异Fig.5 Difference between PWV results at P678 station

5 结论

采用CNES 发布的实时轨道钟差数据进行反演大气可降水量实验，利用SuomiNet 观测网络7 个观测站7天的观测数据反演大气可降水量，计算结果同SuomiNet 的公布值符合得较好。对比利用IGS最终产品的反演结果，两者的大气可降水量反演精度相当，实时轨道钟差数据误差对大气可降水量反演结果有毫米级影响。

在实验中未考虑实时数据传输延迟因素对大气可降水量反演可能造成的影响，未来我们将在这一方面继续开展工作;另外，不同数据中心发布的实时轨道钟差产品精度存在一定差异，这种差异对于实时大气可降水量反演造成的影响也值得继续研究。

致谢感谢Denis Laurichesse 先生提供实时数据产品及在使用方面提供的帮助!

1 Caissy M.Status of IGS real time pilot project［EB/OL］.http://igscb.jpl.nasa.gov/mail/igs－mail/2009/msg00052.html.

2 Dow J M，et al.The international GNSS service in a changing landscape of global navigation satellite systems［J］.Journal of Geodesy，2009，83(3－4):191－198.

3 Dousa J.The impact of errors in predicted GPS orbits on zenith troposphere delay estimation［J］.GPS Solutions，2010，14(3):229－239.

4 叶世榕，等.精密单点定位方法估计对流层延迟精度分析［J］.武汉大学学报(信息科学版)，2008，33(8):788－791.(Ye Shirong，et al.Precision analysis of precise point positioning based tropospheric delay estimation［J］.Geomatics and Information Science of Wuhan University，2008，33(8):788－791)

5 张小红，等.基于GPS 非差观测值估计大气可降水量［J］.武汉大学学报(信息科学版)，2010，35(7):806－810.(Zhang Xiaohong，et al.Near real time PW inversion based on zero－differenced GPS observation［J］.Geomatics and Information Science of Wuhan University，2010，35(7):806－810)

6 Bevis M，et al.GPS meteorology:Mapping zenith wet delays onto precipitable water［J］.Journal of Applied Meteorology，1994，33:379－386.

7 Schueler T，et al.On the use of numerical weather fields for troposphere delay estimation in wide area augmentation systems［R］.14th ION ITM，Salt Lake City，Utah，2001.

8 ESCO.ESCO RTPP REPORTS［EB/OL］.ftp://cddis.nasa.gov/gps/rtpp/.

9 Mccarthy D D，et al.IERS conventions(2003)［R］.IERS，2004.

10 Niell A.Global mapping functions for the atmosphere delay at radio wavelengths［J］.Journal of Geophysical Research，1996，101(B2):3 227－3 246.

11 SuomiNet.Real time integrated atmospheric water vapor and TEC from GPS［EB/OL］.http://www.suominet.ucar.edu/intro.html.