Un modelo refinado de retraso troposférico en el cenit basado en una red neuronal de regresión generalizada y el modelo GPT3 en Europa
Autores: Wei, Min; Yu, Xuexiang; Ke, Fuyang; He, Xiangxiang; Xu, Keli
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Modelo
ZTD
GRNN
Rendimiento
Precisión
Factores
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Un modelo preciso del Retraso Troposférico Zenith (ZTD) juega un papel crucial en el posicionamiento preciso del Sistema Global de Navegación por Satélite (GNSS), la recuperación de vapor de agua y la investigación meteorológica. Los modelos empíricos actuales (como el modelo GPT3) solo pueden reflejar la tendencia de cambio aproximada del ZTD, pero no pueden reflejar con precisión los cambios no lineales, como las fluctuaciones rápidas en el ZTD. En los últimos años, la aplicación de métodos de aprendizaje automático en la modelización y predicción del ZTD ha ganado prominencia, obteniendo resultados encomiables. Utilizando los productos de ZTD de 53 estaciones del Servicio Internacional de GNSS (IGS) en Europa durante el año 2021 como conjunto de datos fundamental, se emplea una Red Neuronal de Regresión Generalizada (GRNN) para modelar el ZTD del IGS, considerando factores espaciotemporales y su asociación con el ZTD del GPT3. Este esfuerzo culmina en el desarrollo de un modelo GRNN refinado. Para verificar el rendimiento del modelo, los resultados de la predicción se comparan con otros dos valores de ZTD. Uno se obtiene a partir de los datos del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo Reanálisis 5 (ERA5), y el otro se obtiene mediante el modelo GPT3. Los resultados muestran que el sesgo del modelo GRNN refinado es casi 0 mm, y el error cuadrático medio (RMSE) y el error absoluto medio (MAE) son de 18.33 mm y 14.08 mm, respectivamente. En comparación con el ZTD de ERA5 y el ZTD de GPT3, el RMSE del ZTD de GRNN ha disminuido en un 19.5% y un 63.4%, respectivamente, y el MAE del ZTD de GRNN ha disminuido en un 24.8% y un 67.1%. En comparación con los otros dos modelos, el modelo GRNN refinado tiene un mejor rendimiento en la reflexión de las fluctuaciones rápidas del ZTD. Además, también se discute el impacto de los factores espaciales y temporales en la modelización. Los hallazgos indican que la precisión de la modelización en la región central del área de modelización supera a la de la periferia en aproximadamente un 17.8%. El período de junio a octubre está asociado con la menor precisión, mientras que la precisión óptima se observa típicamente de enero a abril. Las diferencias más sustanciales en precisión se observaron en la estación OP71 (París, Francia), con la mayor precisión registrada (9.51 mm) en abril y la más baja (24.00 mm) en septiembre.
Descripción
Un modelo preciso del Retraso Troposférico Zenith (ZTD) juega un papel crucial en el posicionamiento preciso del Sistema Global de Navegación por Satélite (GNSS), la recuperación de vapor de agua y la investigación meteorológica. Los modelos empíricos actuales (como el modelo GPT3) solo pueden reflejar la tendencia de cambio aproximada del ZTD, pero no pueden reflejar con precisión los cambios no lineales, como las fluctuaciones rápidas en el ZTD. En los últimos años, la aplicación de métodos de aprendizaje automático en la modelización y predicción del ZTD ha ganado prominencia, obteniendo resultados encomiables. Utilizando los productos de ZTD de 53 estaciones del Servicio Internacional de GNSS (IGS) en Europa durante el año 2021 como conjunto de datos fundamental, se emplea una Red Neuronal de Regresión Generalizada (GRNN) para modelar el ZTD del IGS, considerando factores espaciotemporales y su asociación con el ZTD del GPT3. Este esfuerzo culmina en el desarrollo de un modelo GRNN refinado. Para verificar el rendimiento del modelo, los resultados de la predicción se comparan con otros dos valores de ZTD. Uno se obtiene a partir de los datos del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo Reanálisis 5 (ERA5), y el otro se obtiene mediante el modelo GPT3. Los resultados muestran que el sesgo del modelo GRNN refinado es casi 0 mm, y el error cuadrático medio (RMSE) y el error absoluto medio (MAE) son de 18.33 mm y 14.08 mm, respectivamente. En comparación con el ZTD de ERA5 y el ZTD de GPT3, el RMSE del ZTD de GRNN ha disminuido en un 19.5% y un 63.4%, respectivamente, y el MAE del ZTD de GRNN ha disminuido en un 24.8% y un 67.1%. En comparación con los otros dos modelos, el modelo GRNN refinado tiene un mejor rendimiento en la reflexión de las fluctuaciones rápidas del ZTD. Además, también se discute el impacto de los factores espaciales y temporales en la modelización. Los hallazgos indican que la precisión de la modelización en la región central del área de modelización supera a la de la periferia en aproximadamente un 17.8%. El período de junio a octubre está asociado con la menor precisión, mientras que la precisión óptima se observa típicamente de enero a abril. Las diferencias más sustanciales en precisión se observaron en la estación OP71 (París, Francia), con la mayor precisión registrada (9.51 mm) en abril y la más baja (24.00 mm) en septiembre.