基于CORS数据的水汽含量计算与分析预测
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11页 |
| 1.4 研究方法与技术路线 | 第11-14页 |
| 2 对流层延迟模型 | 第14-25页 |
| 2.1 天顶延迟模型 | 第14-18页 |
| 2.1.1 霍普菲尔德模型 | 第15-16页 |
| 2.1.2 布朗克模型 | 第16-17页 |
| 2.1.3 萨斯坦宁模型 | 第17-18页 |
| 2.2 映射函数模型 | 第18-22页 |
| 2.2.1 纳利映射模型 | 第19-20页 |
| 2.2.2 维也纳映射模型 | 第20-22页 |
| 2.3 气温气压模型 | 第22-24页 |
| 2.3.1 全球气温气压模型 | 第22-23页 |
| 2.3.2 全球气温气压综合模型 | 第23-24页 |
| 2.4 本章小节 | 第24-25页 |
| 3 大气水汽含量算法与预测模型 | 第25-34页 |
| 3.1 大气湿延迟量算法 | 第25-28页 |
| 3.1.1 全球统一映射模型 | 第25-26页 |
| 3.1.2 卫星星历选取 | 第26-27页 |
| 3.1.3 测站约束下的湿延迟量计算 | 第27-28页 |
| 3.2 水汽转换因子算法 | 第28-30页 |
| 3.2.1 加权平均温度算法 | 第28-30页 |
| 3.2.2 水汽转换因子 | 第30页 |
| 3.3 水汽含量的预测模型 | 第30-33页 |
| 3.3.1 自适应卡尔曼滤波模型 | 第31页 |
| 3.3.2 径向基神经网络模型 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 大气水汽含量计算与预测的实验分析 | 第34-62页 |
| 4.1 大气湿延迟量的计算 | 第34-38页 |
| 4.1.1 CORS数据获取 | 第34-35页 |
| 4.1.2 湿延迟量的计算 | 第35-38页 |
| 4.2 水汽转换因子求定 | 第38-45页 |
| 4.2.1 加权平均温度模型的建立 | 第38-44页 |
| 4.2.2 水汽转换因子计算 | 第44-45页 |
| 4.3 水汽含量的计算 | 第45-51页 |
| 4.3.1 基线解算质量检核 | 第45-46页 |
| 4.3.2 映射模型对水汽计算的影响 | 第46-47页 |
| 4.3.3 精密星历对水汽计算的影响 | 第47-49页 |
| 4.3.4 水汽含量计算精度分析 | 第49-51页 |
| 4.4 水汽含量预测实验分析 | 第51-61页 |
| 4.4.1 单天内预测结果分析 | 第52-58页 |
| 4.4.2 多天预测的结果分析 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 结论与展望 | 第62-63页 |
| 5.1 结论 | 第62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 作者简历 | 第67-69页 |
| 学位论文数据集 | 第69页 |
