GNSS对流层湿延迟及其加权平均温度研究
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-15页 |
| 1.1.1 GNSS技术的误差 | 第12-14页 |
| 1.1.2 GNSS气象学 | 第14-15页 |
| 1.2 研究的意义 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-20页 |
| 1.3.1 对流层天顶延迟研究 | 第16-18页 |
| 1.3.2 加权平均温度研究 | 第18-20页 |
| 1.4 本文主要研究内容和论文结构 | 第20-22页 |
| 1.4.1 研究内容 | 第20页 |
| 1.4.2 论文结构 | 第20-22页 |
| 第二章 对流层延迟及加权平均温度的基本理论 | 第22-37页 |
| 2.1 对流层延迟误差基本概念 | 第22-31页 |
| 2.1.1 与对流层延迟有关的气象要素 | 第22-25页 |
| 2.1.2 对流层延迟的定义 | 第25-27页 |
| 2.1.3 ZHD模型 | 第27-31页 |
| 2.2 GNSS反演PWV | 第31-33页 |
| 2.2.1 天顶湿延迟到天顶水汽含量的转换 | 第31-32页 |
| 2.2.2 GNSS反演PWV的基本步骤 | 第32-33页 |
| 2.3 BP神经网络 | 第33-36页 |
| 2.3.1 人工神经网络概述 | 第33-34页 |
| 2.3.2 BP神经网络的结构和算法 | 第34-35页 |
| 2.3.3 BP神经网络神经网络的应用 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于神经网络的对流层天顶湿延迟模型的优化 | 第37-62页 |
| 3.1 实测气象参数型的ZWD模型 | 第37-39页 |
| 3.1.1 模型基本特征 | 第37页 |
| 3.1.2 Hopfield-ZWD模型 | 第37-38页 |
| 3.1.3 Saastamoinen-ZWD模型 | 第38-39页 |
| 3.1.4 Mendes模型 | 第39页 |
| 3.1.5 Ifadis模型 | 第39页 |
| 3.2 经验ZWD模型 | 第39-44页 |
| 3.2.1 模型基本特征 | 第39-40页 |
| 3.2.2 EGNOS模型 | 第40-41页 |
| 3.2.3 UMB3m模型 | 第41-43页 |
| 3.2.4 GPT2w模型 | 第43-44页 |
| 3.3 基于神经网络的ZWD模型的优化 | 第44-52页 |
| 3.3.1 传统的基于神经网络的ZWD模型 | 第44-45页 |
| 3.3.2 训练与测试数据 | 第45-48页 |
| 3.3.3 全球适用性研究 | 第48-49页 |
| 3.3.4 优化方法 | 第49-52页 |
| 3.4 精度分析 | 第52-59页 |
| 3.4.1 全球精度分析 | 第52-53页 |
| 3.4.2 长期精度 | 第53-54页 |
| 3.4.3 不同纬度的精度 | 第54-56页 |
| 3.4.4 不同季节的精度 | 第56-57页 |
| 3.4.5 不同高度的精度 | 第57-59页 |
| 3.5 GNSS数据验证 | 第59-61页 |
| 3.6 本章小结 | 第61-62页 |
| 第四章 加权平均温度时空变化特征研究 | 第62-81页 |
| 4.1 T_m与测站气象参数的关系 | 第62-66页 |
| 4.2 T_m周期性 | 第66-68页 |
| 4.2.1 Lomb-Scargle周期图法 | 第66-67页 |
| 4.2.2 T_m周期的确定 | 第67-68页 |
| 4.3 T_m时间序列 | 第68-70页 |
| 4.3.1 T_m时间序列模型 | 第68-69页 |
| 4.3.2 数据源 | 第69-70页 |
| 4.4 T_m时间序列特征分析 | 第70-79页 |
| 4.4.1 均值特征 | 第70-71页 |
| 4.4.2 趋势特征 | 第71-73页 |
| 4.4.3 振幅特征 | 第73-75页 |
| 4.4.4 初始相位特征 | 第75-76页 |
| 4.4.5 最大值和最小值特征 | 第76-78页 |
| 4.4.6 模型误差特征 | 第78-79页 |
| 4.5 本章小结 | 第79-81页 |
| 第五章 基于神经网络的多参数加权平均温度模型 | 第81-102页 |
| 5.1 实测气象参数型的T_m模型 | 第81-83页 |
| 5.1.1 模型特征 | 第81页 |
| 5.1.2 BTm模型 | 第81页 |
| 5.1.3 GTm模型 | 第81-82页 |
| 5.1.4 GTm-I模型和PTm-I模型 | 第82-83页 |
| 5.2 经验型的T_m模型 | 第83-84页 |
| 5.2.1 模型特点 | 第83页 |
| 5.2.2 GPT2w-T_m模型 | 第83-84页 |
| 5.2.3 其它经验T_m模型 | 第84页 |
| 5.3 基于神经网络的多参数的T_m模型设计 | 第84-90页 |
| 5.3.1 模型设计原理 | 第84页 |
| 5.3.2 建模参数分析 | 第84-86页 |
| 5.3.3 神经网络模型设计 | 第86-87页 |
| 5.3.4 训练与测试数据 | 第87-90页 |
| 5.4 精度分析 | 第90-96页 |
| 5.4.1 全球精度 | 第90-92页 |
| 5.4.2 长期精度 | 第92-93页 |
| 5.4.3 不同纬度的精度 | 第93-94页 |
| 5.4.4 不同高度的精度 | 第94-95页 |
| 5.4.5 不同季节的精度 | 第95-96页 |
| 5.5 加权平均温度误差对可降水量的影响 | 第96-99页 |
| 5.6 应用研究 | 第99-101页 |
| 5.7 本章小结 | 第101-102页 |
| 第六章 总结与展望 | 第102-104页 |
| 6.1 本文的主要工作及结论 | 第102-103页 |
| 6.2 研究展望 | 第103-104页 |
| 参考文献 | 第104-112页 |
| 致谢 | 第112-113页 |
| 攻读博士学位期间参与的项目与论文成果 | 第113页 |
