大地测量与地球动力学

基于GAN和Transformer模型组合的格陵兰地区PWV短时预报方法

张胜凯 ¹^,²^,³ , 胡希成 ¹^,²^,³ , 龚力 ¹^,²^,³ , 雷锦韬 ⁴ , 李文浩 ⁵ , 马超 ⁶ , 肖峰 ¹^,²^,³^,*

大地测量与地球动力学 | 现代大地测量 2025,45(9): 881-887

收起

大地测量与地球动力学 |现代大地测量 2025 , 45 (9) : 881 -887

基于GAN和Transformer模型组合的格陵兰地区PWV短时预报方法

全屏

张胜凯¹^,²^,³, 胡希成¹^,²^,³, 龚力¹^,²^,³, 雷锦韬⁴, 李文浩⁵, 马超⁶, 肖峰¹^,²^,³^,*

作者信息

1 武汉大学中国南极测绘研究中心，武汉市珞喻路129号，430079

2 武汉大学测绘学院，武汉市珞喻路129号，430079

3 武汉大学极地环境监测与公共治理教育部重点实验室，武汉市珞喻路129号，430079

4 广西大学土木建筑工程学院，南宁市大学东路100号，530004

5 南京工业大学测绘科学与技术学院，南京市浦珠南路30号，211816

6 山东电力工程咨询院有限公司，济南市闵子骞路106号，250013

通讯作者:

肖峰，副研究员，主要研究方向为海冰厚度和积雪深度，E-mail：shaw89@whu.edu.cn

XIAO Feng, associate researcher, majors in sea ice thickness and snow depth, E-mail: shaw89@whu.edu.cn

作者简介:

张胜凯，教授，主要研究方向为极地大地测量学与地球物理学，E-mail：zskai@whu.edu.cn

A Short-Term Forecast Method for PWV in Greenland Based on the Combination of GAN and Transformer Models

Shengkai ZHANG¹^,²^,³, Xicheng HU¹^,²^,³, Li GONG¹^,²^,³, Jintao LEI⁴, Wenhao LI⁵, Chao MA⁶, Feng XIAO¹^,²^,³^,*

Affiliations

1 Chinese Antarctic Center of Surveying and Mapping, Wuhan Universuty, 129 Luoyu Road, Wuhan 430079, China

2 School of Geodesy and Geomatics, Wuhan University, 129 Luoyu Road, Wuhan 430079, China

3 Key Laboratory of Polar Environment Monitoring and Public Governance, Ministry of Education, Whuhan University, 129 Luoyu Road, Wuhan 430079, China

4 School of Civil Engineering and Architecture, Guangxi University, 100 East-Daxue Road, Nanning 530004, China

5 School of Geomatics Science and Technology, Nanjing Tech University, 30 South-Puzhu Road, Nanjing 211816, China

6 Shandong Electric Power Engineering Consulting Institute Co Ltd, 106 Minziqian Road, Jinan 250013, China

ZHANG Shengkai, professor, majors in polar geodesy and geophysics, E-mail: zskai@whu.edu.cn

出版时间: 2025-09-15 doi: 10.14075/j.jgg.2025.02.040

文章导航

摘要

收起

基于2010—2018年GPS反演的PWV时间序列数据以及同时期ERA5再分析资料计算的格陵兰地区PWV数据，采用深度学习中的生成对抗网络模型(GAN)和Transformer神经网络模型组合，实现由GPS-PWV数据对格陵兰地区PWV数据的短时预报。采用2019年的ERA5数据对预测结果进行评估，结果表明，模型在大部分地区表现较好，RMSE优于4.5 mm，相关系数大于0.7。在春、秋、冬季，相关系数均高于0.5；受天气剧烈变化影响，夏季少部分时间相关系数略低。该方法能够预测格陵兰地区PWV的空间分布和随时间的变化情况。

关键词

生成对抗网络 / Transformer / GPS / 格陵兰 / PWV / 短时预报

Abstract

收起

Based on the PWV time series data inverted from GPS during 2010-2018 and the PWV data calculated from the ERA5 reanalysis data for the same period, a combination of the generative adversarial networks(GAN) model and the Transformer neural network model in deep learning was employed to achieve short-term forecasting of PWV in Greenland using GPS-PWV data. The prediction results were evaluated using the ERA5 data from 2019. The results show that the model performed well in most areas, with a root mean square error(RMSE) better than 4.5 mm and a correlation coefficient greater than 0.7. The correlation coefficients in spring, autumn, and winter were all above 0.5, while in summer, the correlation coefficients on some dates were slightly lower due to severe weather changes. This method is capable of predicting the spatial distribution and temporal variations of PWV in Greenland.

Key words

generative adversarial networks(GAN) / Transformer / GPS / Greenland / PWV / short-term forecast

引用本文

张胜凯, 胡希成, 龚力, 雷锦韬, 李文浩, 马超, 肖峰. 基于GAN和Transformer模型组合的格陵兰地区PWV短时预报方法. 大地测量与地球动力学, 2025 , 45 (9) : 881 -887 . DOI: 10.14075/j.jgg.2025.02.040

Shengkai ZHANG, Xicheng HU, Li GONG, Jintao LEI, Wenhao LI, Chao MA, Feng XIAO. A Short-Term Forecast Method for PWV in Greenland Based on the Combination of GAN and Transformer Models[J]. Journal of Geodesy and Geodynamics, 2025 , 45 (9) : 881 -887 . DOI: 10.14075/j.jgg.2025.02.040

正文

收起

大气可降水量(precipitable water vapor，PWV)是反映水汽分布和大气能量交换的关键指标，直接影响云量、降水和冰雪覆盖等过程。短时PWV预测可为气候模式参数化提供基础数据，对揭示极地大气边界层与海冰、地表之间的相互作用机制有重要意义。GNSS信号在穿过大气层时，水汽对信号进行折射产生的延迟可用于反演PWV^[1-5]。格陵兰是全球气候变化研究的重要区域，提高GNSS反演的准确性和可靠性，可为格陵兰地区PWV研究提供关键观测保障。

传统水汽观测手段可分为地基和星基，其中地基观测方法包括雷达和无线电探空^[6]，星基观测手段包括星载的辐射计、散射计以及掩星和测高数据^[7-10]。地基雷达观测范围小但采样频率高达5 min，无线电探空仅能单点采样，采样间隔长达12 h，观测受制于气象条件。星载观测手段可实现全球覆盖，但受限于卫星轨道重访周期，同一地点重复采样间隔长达1~2 d。欧洲中期天气预报中心(ECMWF)提供的ERA5^[11]再分析资料同化了地基和星基的观测数据^[12]，时间分辨率达到1 h，空间分辨率高达0.25°。

在格陵兰地区，由于缺乏地面雷达观测，对于PWV的反演，可采用探空站、水汽辐射计、VLBI、ERA5、GPS等数据。无线电探空数据每天仅观测2次，且受极区恶劣天气影响经常中断。水汽辐射计观测受极地低温环境、云层覆盖和降雪影响较大。VLBI在格陵兰地区站点覆盖较少，观测频率较低，数据处理复杂，且极光活动频繁区域对电离层扰动较大，严重影响VLBI观测结果。ERA5再分析资料虽然空间分辨率较高，但计算耗时较长，发布时间存在1周的延迟，实时性不足。GPS反演PWV具有高精度、高时间分辨率、全天候等特点，因此，在格陵兰地区使用GPS对PWV进行预报是相对适宜的手段。

传统的GNSS预测PWV方法，多是直接针对单站点进行预测，难以捕捉区域性的水汽动态变化。Zhang等^[13]基于多层感知器神经网络联合229个站点的GPS ZTD(zenith tropospheric delay)时间序列数据进行预测。Yan等^[14]结合卷积神经网络、长短期记忆模型和注意力机制，提出一个基于鲸鱼优化算法的优化模型，以目标站附近的16个站点GNSS PWV数据作为特征参数，考虑兴趣点与其相邻GNSS站之间的空间关系，对目标站点的PWV进行预测。

GNSS站点的分布不均导致海洋和偏远地区的PWV覆盖范围有限，可通过融合高空间分辨率的再分析数据进行弥补。Yao等^[15]在高斯过程的基础上，利用GNSS和ERA-Interim数据反演PWV，在香港建立了一个城市级PWV融合模型。Zhao等^[16]基于多项式拟合和球谐函数，采用GNSS/无线电探空反演的PWV和ERA-Interim数据衍生的PWV格网点数据，建立了中国区域的PWV模型。

格陵兰岛的GPS站点分布不均匀且数量有限，若能利用历史的再分析数据和实时的GPS数据对PWV进行预测，则可以进一步提高格陵兰地区GPS反演PWV的空间分辨率，有效地对格陵兰地区PWV进行预报。本文采用机器学习中的生成对抗网络(generative adversarial networks，GAN)，拟合GPS反演的PWV与ERA5再分析数据计算的PWV之间的关系；在GPS-PWV时间序列预测方面，采用Transformer机器学习模型，建立基于GPS数据的格陵兰地区PWV短时预报模型。

1 实验数据

收起

1.1 ERA5数据

ERA5是ECMWF的第5代再分析产品，包含来自地面观测、卫星遥感和数值模拟的与大气、地表和海洋相关的详细信息，时间分辨率为1 h，空间分辨率为0.25°。本文采用格陵兰地区2010—2019年的ERA5再分析资料气压层和地面数据。

1.2 GPS ZTD数据

采用Nevada Geodetic Laboratory(NGL)提供的格陵兰地区64个GPS测站2010—2019年小时分辨率的对流层ZTD数据^[17]。测站的分布如图 1所示，大部分GPS测站分布在格陵兰岛沿海和冰岛，在格陵兰内陆有3个测站，在加拿大巴芬岛附近有3个测站。

2 实验方法

收起

2.1 PWV反演

2.1.1 统一高程坐标

ERA5数据采用位势，GPS数据采用大地高，对ERA5数据进行高程转换，将位势转换为位势高，位势高再转换为正高(式(1))，加上EGM2008大地水准面差距改正即可得到大地高。

(1)

$Z(H, \varphi)=\frac{R(\varphi) \cdot H}{\frac{\gamma_{\mathrm{S}}(\varphi)}{\gamma_{45}} \cdot R(\varphi)-H}$

式中，H为位势高，单位m；Z为正高，单位m；R为地球半径，单位m；φ为地理纬度；γ_S为测站正常重力，γ₄₅为45°N正常重力，单位m/s²。

2.1.2 ERA5-PWV

基于ERA5数据包含的气压层的温度、气压、位势、相对湿度和地面气压等参数计算得到格陵兰地区的PWV数据^[18]。

对ERA5-PWV数据进行数据集划分，随机抽取2010—2018年数据作为训练集，2019年数据作为验证集，验证整个模型的预测效果。

2.1.3 GPS-PWV

基于GPS ZTD数据，采用Saastamoinen模型计算天顶静力学延迟(zenith hydrostatic delay，ZHD)^[19]，将ZHD从ZTD中减去，得到天顶湿延迟(zenith wet delay，ZWD)，利用Zhang等^[20]提出的PCA-T_m模型计算得到GPS-PWV数据：

(2)

$\left\{\begin{aligned}\mathrm{ZHD} & =\frac{2.2768 P_{\mathrm{s}}}{1-0.002\;6 \cos 2 \varphi-0.000\;28 H} \\\mathrm{ZWD} & =\mathrm{ZTD}-\mathrm{ZHD}\end{aligned}\right.$

式中，P_S为地面气压，单位hPa；H为测站大地高，单位km；φ为测站地理纬度。

PWV由ZWD与PWV转换系数Π计算得到^[21]：

(3)

$\left\{\begin{array}{l}\mathrm{PWV}=\varPi \cdot \mathrm{ZWD} \\\varPi=\frac{10^8}{\rho_v R_v\left[\left(k_3 / T_m\right)+k_2\right]}\end{array}\right.$

式中，ρ_v为液体水密度，单位kg/m³；R_v=461.495 J/(kg·K)为水汽气体常数；k₂、k₃为大气物理参数，通常分别取22.13±2.20 K/hPa、(3.739±0.012)×10⁵ K/hPa。

GPS-PWV数据集划分对应ERA5-PWV数据，将2010—2018年数据作为训练集，进行Transformer和GAN的训练，2019年数据作为验证时预测的基础数据。

2.2 预报模型构建

2.2.1 生成对抗网络(GAN)模型

GAN模型通过生成器与判别器的对抗训练(图 2)，促使生成数据向真实数据(ERA5-PWV数据)的分布收敛^[22-23]。

本文采用深度卷积生成对抗网络(deep convolutional generative adversarial networks，DCGAN)，其生成器通过反卷积进行特征重构，判别器通过卷积操作提取空间特征^[24]。为建立GPS-PWV点数据与生成区域数据的条件映射，引入InfoGAN(info-maximizing generative adversarial nets)^[25]的互信息最大化准则(式(4))，通过辅助网络Q从生成数据中解耦隐变量，约束生成结果与输入GPS-PWV点数据的统计相关性，实现输入点数据到输出区域数据的非线性映射。

(4)

$\begin{gathered}\min _{\mathrm{G}, \mathrm{Q}} \max _{\mathrm{D}} x_{\text {InfoGAN }}(\mathrm{D}, \mathrm{G}, \mathrm{Q})= \\V(\mathrm{D}, \mathrm{G})-\lambda L(\mathrm{G}, \mathrm{Q})\end{gathered}$

式中，D指代判别器；G指代生成器；Q指代辅助网络；V(D, G)是关于生成器G和网络Q的损失函数；λ是平衡对抗损失与辅助损失的权重超参数；L(G, Q)是关于生成器G和网络Q的损失函数。

2.2.2 Transformer模型

Transformer模型利用自注意力机制替代循环结构，通过位置编码捕获时序特征^[26](图 3(a))，基于Seq2Seq(sequence to sequence)机制实现任意长度序列输入输出。核心由多头注意力模块构成(图 3(b))，式(5)基于查询(query, q)和键(key, k)计算注意力α，式(6)基于注意力对值(value, v)进行加权，建立序列元素关联关系，实现特征加权聚合。编码器提取输入序列的全局特征，解码器融合时序统计信息迭代生成预测结果。

(5)

$\begin{gathered}\alpha\left(\boldsymbol{q}, \boldsymbol{k}_i\right)=\operatorname{softmax}\left(\alpha\left(\boldsymbol{q}, \boldsymbol{k}_i\right)\right)= \\\frac{\exp \left(\alpha\left(\boldsymbol{q}, \boldsymbol{k}_i\right)\right)}{\sum\limits_{j=1}^m \exp \left(\alpha\left(\boldsymbol{q}, \boldsymbol{k}_j\right)\right)} \in R\end{gathered}$

(6)

$\begin{gathered}f\left(\boldsymbol{q},\left(\boldsymbol{k}_1, \boldsymbol{v}_1\right), \cdots,\left(\boldsymbol{k}_m, \boldsymbol{v}_m\right)\right)= \\\sum\limits_{i=1}^m \alpha\left(\boldsymbol{q}, \boldsymbol{k}_i\right) \boldsymbol{v}_i \in R^v\end{gathered}$

2.2.3 PWV预报网络流程

本文基于Transformer预测GPS-PWV时间序列，利用GAN基于GPS-PWV拟合ERA5-PWV的特征并生成区域PWV，模型的主要流程如图 4所示。

MissForest算法是一种非参数缺失值插补方法，通过随机森林算法捕捉非线性关系与时间依赖性，插值精度较高。格陵兰地区的GPS ZTD时间序列存在数据缺失，用MissForest算法对其进行插值^[27]。由GPS ZTD时间序列计算得到2010—2019年的GPS-PWV时间序列，利用Hirsch等^[28]提出的季节性MK(Mann-Kendall)检测提取趋势项，采用最小二乘拟合周期项，分离得到趋势项和残差项。基于2010—2018年的残差项对Tranformer模型进行训练学习，得到GPS-PWV时间序列预报模型。由ERA5数据计算PWV得到格陵兰地区的区域PWV数据。利用2010—2018年的GPS-PWV数据和ERA5-PWV数据对DCGAN模型进行训练学习，得到格陵兰地区PWV生成模型。最后，组合2个模型得到GPS格陵兰地区短时PWV预报模型。GAN和Tranformer独立进行训练，训练顺序不分先后，均可替换任意同类型网络，二者之间耦合性较小，便于后序升级替换。

模型验证时，将2019年的GPS-PWV时间序列数据的残差输入Tranformer模型，预测的残差与提取的趋势项组合得到GPS-PWV预测时间序列；将GPS-PWV预测时间序列输入GAN模型，生成2019年的GPS格陵兰地区PWV预测结果。

2.3 训练设置

训练过程中，GAN网络训练了400个epoch，Transformer网络训练了50个epoch。利用Adam优化器，初始学习率为0.000 2，采用多项式学习率衰减策略，衰减率为0.9。训练后期，梯度更新时步长逐渐减小，可以收敛到更好的局部最优点。学习率随着迭代次数变化如图 5所示。

对于目标函数的选择，在GAN训练阶段，分3个小阶段，分别为判别器、生成器和互信息，判别器阶段选取的目标函数为二分类交叉熵，生成器阶段选取的目标函数为二分类交叉熵BCE(式(7))和MSE(式(8))，互信息阶段选取的目标函数为互信息准则，简化为MSE。

(7)

$\begin{gathered}\mathrm{BCE}=-1 *(\text { label } * \ln (\text { input })+ \\\quad(1-\text { label }) * \ln (1-\text { input }))\end{gathered}$

(8)

$\mathrm{MSE}=\operatorname{mean}\left((\text { input }- \text { label })^2\right)$

式中，input指输入；label为标签，即真值。

3 结果分析

收起

3.1 测试集验证

选取部分时间序列长度合适的GPS站点，计算GPS-PWV与插值到相应站点的ERA5-PWV的MAE和RMSE(图 6)。可以看出，大部分站点的MAE在1.5~3.5 mm之间，RMSE在2~4.5 mm之间，二者的差异在mm量级。

对GPS生成的PWV和ERA5计算的PWV的每个格网点进行对比验证，如图 7(a)所示。可以看出，GPS生成的PWV在0~32 mm之间，而ERA5计算的PWV在0~43 mm之间；对于较小的PWV，GPS生成的结果较为准确，而对于较大的PWV，GPS生成的PWV相较于ERA5计算的PWV偏小。

GPS生成的PWV和ERA5计算的PWV随时间的相关系数变化如图 7(b)所示。可以看出，相关系数大部分时间都在0.5以上，但在夏季相关系数降低到0.5以下。这可能和夏季的空间相关性较差有关，夏季气温变化、洋流和对流较大，水汽的变化比较复杂。模型的预报效果和测站之间的空间相关性存在一定的正相关关系，空间相关性越好，越容易通过分布在各处的少数测站还原区域的水汽分布。

计算格陵兰区域每个格网的相关系数和RMSE，如图 8所示。总体来看，绝大部分地区的相关系数在0.5以上，格陵兰岛基本在0.7以上；对于RMSE，格陵兰岛在4.0 mm以下，在海洋上稍大，部分海域达到7.0 mm。由于缺乏GPS跟踪站，海洋上的模型误差较大，相关系数较小，在陆地东侧部分站点结果较好。同时由于海上的水汽活动更为剧烈，水汽分布更为复杂，海洋上水汽的空间相关性较差。另一方面，海洋上大气对流比较频繁，大气辐合形成气旋等，也导致海洋上的PWV预报更为困难。

3.2 实例分析

采用GPS-PWV时间序列对2019-03-01格陵兰地区的PWV进行每小时预报，如图 9所示，ERA5计算的PWV如图 10所示。

由图可见，格陵兰地区东南部ERA5-PWV数值相对较高，在8~30 mm之间；GPS生成的PWV略低于ERA5计算的PWV，在8~16 mm之间。对比ERA5数据计算的PWV分布，分析GPS-PWV预测的结果图像，从细节上看，冰岛南部的水汽团有所体现，但格陵兰岛西南侧的水汽却没有很好地预测；从时间维度上看，根据ERA5数据计算结果，冰岛南部的水汽团首先增强然后逐渐消散，但在GPS生成的PWV结果中，水汽团首先出现一定增强，然后扩散到格陵兰岛南部地区，其减弱趋势并不明显。可能是因为海洋上缺乏GPS测站，以及生成器的能力较弱，导致模型不能很好地外推其他时间和地区的PWV分布情况。

4 结语

收起

本文基于2010—2018年的GPS-PWV数据和ERA5再分析数据，训练了一个GPS-PWV生成区域PWV的GAN网络和一个利用GPS-PWV进行时间序列预测的Tranformer网络，通过二者的结合，实现了GPS-PWV对区域PWV的短时预报。主要结论如下：

1) 从整体上看，GPS预报的PWV和ERA5计算的PWV相关系数较高，大部分时间相关系数大于0.5。从时间上来看，春、秋、冬季的相关系数较高，夏季少部分时间偏低。从空间分布来看，大部分区域相关系数大于0.7，RMSE优于4.5 mm，海洋上由于测站稀少，部分区域相关系数略低于0.5。

2) 对2019-03-01的PWV预报进行分析，GPS模型预报的区域PWV大体分布与ERA5计算的PWV一致，主要集中在格陵兰岛南部和冰岛附近，模型能较好地预测PWV的时空分布情况。

将风速、温度、地形、地表类型等与水汽反演高度相关的数据进行融合，能够有效提升PWV预报的准确性。目前，本文仅针对格陵兰地区的PWV进行预测。若能进一步结合GNSS-R反演的土壤湿度等辅助信息，有望直接对降雨量进行更精准的预报。

基金

收起

国家重点研发计划(2023YFC2809103)
中央高校基本科研业务费专项(2042022kf1204)
中央高校基本科研业务费专项(2042023gf0012)
中央高校基本科研业务费专项(2042022KF1069)
中国科学院精密测量科学与技术创新研究院大地测量与地球动力学国家重点实验室开放基金(SKLGED2023-2-6)
湖北省自然科学基金(2022CFB081)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Bevis

, Businger

, Herring

T A

, et al. GPS Meteorology: Remote Sensing of Atmospheric Water Vapor Using the Global Positioning System[J]. Journal of Geophysical Research: Atmospheres, 1992, 97 (D14): 15787- 15801

https://doi.org/10.1029/92JD01517

Askne

, Nordius

. Estimation of Tropospheric Delay for Microwaves from Surface Weather Data[J]. Radio Science, 1987, 22 (3): 379- 386

https://doi.org/10.1029/RS022i003p00379

Gerd

, Galina

, Christoph

, et al. Near Real Time GPS Water Vapor Monitoring for Numerical Weather Prediction in Germany[J]. Journal of the Meteorological Society of Japan Ser Ⅱ, 2004, 82 (1B): 361- 370

https://doi.org/10.2151/jmsj.2004.361

陈世范. GPS气象观测应用的研究进展与展望[J]. 气象学报, 1999, 57 (2): 242- 252

Chen

Shifan

. Advance and Prospect on Research of GPS at Mospheric Sounding and Its Application[J]. Acta Meteorologica Sinica, 1999, 57 (2): 242- 252

Gunti

, Narendran

, Muralikrishnan

. PWV Estimation Using GPS and Its Comparison with INSAT-3D Rainfall Data[J]. Journal of the Indian Society of Remote Sensing, 2021, 49 (6): 1453- 1460

https://doi.org/10.1007/s12524-021-01324-7

Vázquez

B G E

, Grejner-Brzezinska

D A

. GPS-PWV Estimation and Validation with Radiosonde Data and Numerical Weather Prediction Model in Antarctica[J]. GPS Solutions, 2013, 17 (1): 29- 39

https://doi.org/10.1007/s10291-012-0258-8

高志钰. 区域大气可降水量反演及应用研究[D]. 兰州: 兰州交通大学, 2019

Gao Zhiyu. Research on Inversion and Application of Regional Atmospheric Precipitable Water Vapor[D]. Lanzhou: Lanzhou Jiaotong University, 2019

Gao

Z R

, Jiang

, Xu

, et al. Precipitable Water Vapor Retrieval over Land from GCOM-W/AMSR2 Based on a New Integrated Method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60

Wang

S M

, Xu

T H

, Xu

Y J

, et al. Intercomparison of Total Precipitable Water Derived from COSMIC-2 and Three Different Microwave Radiometers over the Ocean[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60

Zhao

Q Z

, Ma

, Yin

J F

, et al. General Method of Precipitable Water Vapor Retrieval from Remote Sensing Satellite Near-Infrared Data[J]. Remote Sensing of Environment, 2024, 308

Hersbach

, Bell

, Berrisford

, et al. The ERA5 Global Reanalysis[J]. Quarterly Journal of the Royal Meteorological Society, 2020, 146 (730): 1999- 2049

https://doi.org/10.1002/qj.3803

姚宜斌, 赵庆志. GNSS对流层水汽监测研究进展与展望[J]. 测绘学报, 2022, 51 (6): 935- 952

Yao

Yibin

, Zhao

Qingzhi

. Research Progress and Prospect of Monitoring Tropospheric Water Vapor by GNSS Technique[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51 (6): 935- 952

Zhang

, Yao

Y B

, Xu

C Q

, et al. A Novel Multilayer Perceptron-Based Nonmeteorological Parameters PWV Retrieval Model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62

Yan

X R

, Yang

W F

, Gao

M T

, et al. The WOA-CNN-LSTM-Attention Model for Predicting GNSS Water Vapor[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62

Yao

Y B

, Xu

X Y

, Hu

Y F

. Establishment of a Regional Precipitable Water Vapor Model Based on the Combination of GNSS and ECMWF Data[J]. Atmospheric Measurement Techniques, 2018,

Zhao

Q Z

, Du

, Yao

W Q

, et al. Hybrid Precipitable Water Vapor Fusion Model in China[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2020, 208

Blewitt

, Hammond

, Kreemer

. Harnessing the GPS Data Explosion for Interdisciplinary Science[J]. Eos, 2018, 99

Huang

L K

, Mo

Z X

, Liu

L L

, et al. Evaluation of Hourly PWV Products Derived from ERA5 and MERRA-2 over the Tibetan Plateau Using Ground-Based GNSS Observations by Two Enhanced Models[J]. Earth and Space Science, 2021, 8 (5)

Ingold

, Peter

, Kämpfer

. Weighted Mean Tropospheric Temperature and Transmittance Determination at Millimeter-Wave Frequencies for Ground-Based Applications[J]. Radio Science, 1998, 33 (4): 905- 918

https://doi.org/10.1029/98RS01000

Zhang

S K

, Gong

, Gao

W L

, et al. A Weighted Mean Temperature Model Using Principal Component Analysis for Greenland[J]. GPS Solutions, 2023, 27 (1)

周国君, 潘雄. GPS水汽遥感中加权平均温度获取方法研究[J]. 测绘与空间地理信息, 2006, 29 (4): 14- 16

Zhou

Guojun

, Pan

Xiong

. Research of Method on Obtaining Affiliating Scale Average Temperature Based on Remote Sensing Atmosphere Vapor Using GPS[J]. Geomatics and Spatial Information Technology, 2006, 29 (4): 14- 16

Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Nets[EB/OL]. http://arxiv.org/pdf/1406.2661, 2014-07-10

Yoon J S, Jordon J J, Schaar M. GAIN: Missing Data Imputation Using Generative Adversarial Nets[C]. International Conference on Machine Learning, Stockholm, 2018

Radford A, Metz L, Chintala S, et al. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks[EB/OL]. https://arxiv.org/abs/1511.06434v2, 2015-11

Chen X, Duan Y, Houthooft R, et al. InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets[C]. The 30th International Conference on Neural Information Processing Systems, Barcelona, 2016

Zhang A, Lipton Z C, Li M, et al. Dive into Deep Learning[EB/OL]. https://arxiv.org/abs/2106.11342v5, 2021-07-21

Zhang

S K

, Gong

, Zeng

, et al. Imputation of GPS Coordinate Time Series Using MissForest[J]. Remote Sensing, 2021, 13 (12)

Hirsch

R M

, Slack

J R

, Smith

R A

. Techniques of Trend Analysis for Monthly Water Quality Data[J]. Water Resources Research, 1982, 18 (1): 107- 121

https://doi.org/10.1029/WR018i001p00107

2025年第45卷第9期

引用本文

BibTeX

文章信息

doi: 10.14075/j.jgg.2025.02.040

接收时间：2025-02-19
首发时间：2026-10-29
出版时间：2025-09-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-02-19

基金

National Key Research and Development Program(2023YFC2809103)

国家重点研发计划(2023YFC2809103)

Fundamental Research Funds for the Central Universities(2042022kf1204)

中央高校基本科研业务费专项(2042022kf1204)

Fundamental Research Funds for the Central Universities(2042023gf0012)

中央高校基本科研业务费专项(2042023gf0012)

Fundamental Research Funds for the Central Universities(2042022KF1069)

中央高校基本科研业务费专项(2042022KF1069)

Open Fund of State Key Laboratory of Geodesy and Earth's Dynamics, Innovation Academy for Precision Measurement Science and Technology, CAS(SKLGED2023-2-6)

中国科学院精密测量科学与技术创新研究院大地测量与地球动力学国家重点实验室开放基金(SKLGED2023-2-6)

Natural Science Foundation of Hubei Province(2022CFB081)

湖北省自然科学基金(2022CFB081)

作者信息

1 武汉大学中国南极测绘研究中心，武汉市珞喻路129号，430079

2 武汉大学测绘学院，武汉市珞喻路129号，430079

3 武汉大学极地环境监测与公共治理教育部重点实验室，武汉市珞喻路129号，430079

4 广西大学土木建筑工程学院，南宁市大学东路100号，530004

5 南京工业大学测绘科学与技术学院，南京市浦珠南路30号，211816

6 山东电力工程咨询院有限公司，济南市闵子骞路106号，250013

通讯作者:

肖峰，副研究员，主要研究方向为海冰厚度和积雪深度，E-mail：shaw89@whu.edu.cn

XIAO Feng, associate researcher, majors in sea ice thickness and snow depth, E-mail: shaw89@whu.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ddcl/CN/10.14075/j.jgg.2025.02.040

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT