大地测量与地球动力学

类型	bias/mm		RMSE/mm
FW PWV	-4.00	1.84	-0.01		1.24	4.94	2.88
PG PWV	-3.62	2.81	0.28		1.18	5.37	3.04

类型	bias/mm		RMSE/mm
FW PWV	-4.00	1.84	-0.01		1.24	4.94	2.88
PG PWV	-3.62	2.81	0.28		1.18	5.37	3.04

类型	bias/mm		RMSE/mm
FW PWV_L	-1.96	1.49	-0.11		0.91	3.75	2.29
PG PWV_L	-2.22	1.21	-0.03		1.19	4.06	2.38

类型	bias/mm		RMSE/mm
FW PWV_L	-1.96	1.49	-0.11		0.91	3.75	2.29
PG PWV_L	-2.22	1.21	-0.03		1.19	4.06	2.38

基于GNSS PWV和LSTM的AI气象模型PWV偏差校正方法

叶世润 ¹ , 林买金 ² , 杨文易 ¹ , 刘艳平 ¹ , 肖玉坤 ¹ , 谢劭峰 ¹^,*

大地测量与地球动力学 | 大地测量学 2026,46(7): 825-833

收起

大地测量与地球动力学 |大地测量学 2026 , 46 (7) : 825 -833

基于GNSS PWV和LSTM的AI气象模型PWV偏差校正方法

全屏

[Author(id=1322916757949789168, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, orderNo=0, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=ysrbcd@163.com, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322916758029480946, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916757949789168, language=EN, stringName=Shirun YE, firstName=Shirun, middleName=null, lastName=YE, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322916759686231027, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916757949789168, language=CN, stringName=叶世润, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 桂林理工大学测绘地理信息学院, 桂林, 541006, bio={"content":"

叶世润，硕士生，主要研究方向为GNSS气象学，E-mail: ysrbcd@163.com

"}, bioImg=null, bioContent=

叶世润，硕士生，主要研究方向为GNSS气象学，E-mail: ysrbcd@163.com

, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322916757773628393, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, xref=null, ext=[AuthorCompanyExt(id=1322916757782017002, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China), AuthorCompanyExt(id=1322916757794599915, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 桂林理工大学测绘地理信息学院, 桂林, 541006)])]), Author(id=1322916759828837365, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, orderNo=1, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322916759933694967, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916759828837365, language=EN, stringName=Maijin LIN, firstName=Maijin, middleName=null, lastName=LIN, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=2 College of Geological Engineering and Geomatics, Chang'an University, Xi'an 710054, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322916760013386744, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916759828837365, language=CN, stringName=林买金, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=2 长安大学地质工程与测绘学院, 西安, 710054, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322916757865903084, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, xref=null, ext=[AuthorCompanyExt(id=1322916757878485997, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757865903084, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=2 College of Geological Engineering and Geomatics, Chang'an University, Xi'an 710054, China), AuthorCompanyExt(id=1322916757886874606, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757865903084, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=2 长安大学地质工程与测绘学院, 西安, 710054)])]), Author(id=1322916760093078522, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, orderNo=2, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322916760160187388, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916760093078522, language=EN, stringName=Wenyi YANG, firstName=Wenyi, middleName=null, lastName=YANG, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322916760223101949, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916760093078522, language=CN, stringName=杨文易, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 桂林理工大学测绘地理信息学院, 桂林, 541006, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322916757773628393, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, xref=null, ext=[AuthorCompanyExt(id=1322916757782017002, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China), AuthorCompanyExt(id=1322916757794599915, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 桂林理工大学测绘地理信息学院, 桂林, 541006)])]), Author(id=1322916760302793727, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, orderNo=3, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322916760369901568, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916760302793727, language=EN, stringName=Yanping LIU, firstName=Yanping, middleName=null, lastName=LIU, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322916760445399041, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916760302793727, language=CN, stringName=刘艳平, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 桂林理工大学测绘地理信息学院, 桂林, 541006, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322916757773628393, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, xref=null, ext=[AuthorCompanyExt(id=1322916757782017002, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China), AuthorCompanyExt(id=1322916757794599915, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 桂林理工大学测绘地理信息学院, 桂林, 541006)])]), Author(id=1322916760508313603, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, orderNo=4, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322916760588005381, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916760508313603, language=EN, stringName=Yukun XIAO, firstName=Yukun, middleName=null, lastName=XIAO, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322916760663502854, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916760508313603, language=CN, stringName=肖玉坤, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 桂林理工大学测绘地理信息学院, 桂林, 541006, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322916757773628393, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, xref=null, ext=[AuthorCompanyExt(id=1322916757782017002, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China), AuthorCompanyExt(id=1322916757794599915, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 桂林理工大学测绘地理信息学院, 桂林, 541006)])]), Author(id=1322916760722223112, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, orderNo=5, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=xieshaofeng@glut.edu.cn, emailSecond=null, emailThird=null, correspondingAuthor=1, authorType=1, ext={EN=AuthorExt(id=1322916760785137674, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916760722223112, language=EN, stringName=Shaofeng XIE, firstName=Shaofeng, middleName=null, lastName=XIE, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹^,*, address=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322916760873218059, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, authorId=1322916760722223112, language=CN, stringName=谢劭峰, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹^,*, address=1 桂林理工大学测绘地理信息学院, 桂林, 541006, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322916757773628393, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, xref=null, ext=[AuthorCompanyExt(id=1322916757782017002, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China), AuthorCompanyExt(id=1322916757794599915, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322916752820155350, companyId=1322916757773628393, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 桂林理工大学测绘地理信息学院, 桂林, 541006)])])]

叶世润¹, 林买金², 杨文易¹, 刘艳平¹, 肖玉坤¹, 谢劭峰¹^,*

作者信息

1 桂林理工大学测绘地理信息学院, 桂林, 541006

2 长安大学地质工程与测绘学院, 西安, 710054

通讯作者:

谢劭峰，教授，主要研究方向为GNSS气象学，E-mail: xieshaofeng@glut.edu.cn

作者简介:

叶世润，硕士生，主要研究方向为GNSS气象学，E-mail: ysrbcd@163.com

Bias Correction Method for PWV of AI Weather Models Based on GNSS PWV and LSTM

Shirun YE¹, Maijin LIN², Wenyi YANG¹, Yanping LIU¹, Yukun XIAO¹, Shaofeng XIE¹^,*

Affiliations

1 College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China

2 College of Geological Engineering and Geomatics, Chang'an University, Xi'an 710054, China

出版时间: 2026-07-15 doi: 10.14075/j.jgg.2025.12.414

文章导航

摘要

收起

基于2017-2019年中国地壳运动观测网络240个GNSS站的PWV数据, 结合风乌和盘古两类AI气象模型反演的PWV数据(FW PWV和PG PWV), 进行AI气象模型PWV偏差校正研究。首先, 以GNSS PWV为参考, 验证FW PWV和PG PWV精度。其次, 为提升两类AI气象模型反演PWV的精度, 以2017-2018年GNSS站的经度、纬度、高程、年积日、AI气象模型反演PWV作为输入特征, 以FW PWV或PG PWV与GNSS PWV的差值作为输出特征, 使用LSTM构建两类AI气象模型的PWV偏差校正模型, 对2019年两类AI气象模型反演的PWV进行校正。结果表明, FW PWV和PG PWV的平均bias和RMSE分别为-0.01 mm、2.88 mm与0.28 mm、3.04 mm。校正后FW PWV_L和PG PWV_L的RMSE分别为2.29 mm和2.38 mm, 精度改善率分别为20.48%和21.71%, 并通过2019年探空站PWV验证了校正结果的可靠性。偏差校正模型不仅降低了各月份的RMSE, FW PWV_L和PG PWV_L的月RMSE范围均集中在1.4~3.4 mm, 夏季平均RMSE改善率为22.30%。PG PWV_L在0~1.5 km高程区间偏差绝对值分别降低0.45 mm、0.46 mm、0.32 mm, 在1.5~2.0 km高程区间RMSE改善率高达23.55%;FW PWV_L在高程大于2 km区域表现最优, 偏差绝对值降低0.23 mm, RMSE改善率为29.50%。

关键词

大气可降水量 / 盘古气象模型 / 风乌气象模型 / LSTM / GNSS

Abstract

收起

Based on PWV data from 240 GNSS stations of the Crustal Movement Observation Network of China from 2017 to 2019, combined with PWV data retrieved from two AI-based meteorological models, Fengwu and Pangu (hereafter referred to as FW PWV and PG PWV), this study investigates bias correction methods for AI-derived PWV. First, using GNSS PWV as a reference, the accuracy of FW PWV and PG PWV were validated. Subsequently, to improve the accuracy of the two AI-based models, a bias correction method was constructed using a long short-term memory (LSTM) network. The input features included longitude, latitude, elevation, day of year, and AI-derived PWV from 2017 to 2018 at GNSS stations, while the output feature was the difference between FW PWV or PG PWV and GNSS PWV. The method was then applied to correct the AI-derived PWV for 2019. The results show that the mean bias and RMSE of FW PWV and PG PWV are -0.01 mm, 2.88 mm and 0.28 mm, 3.04 mm, respectively. After correction, the RMSE of FW PWV_L and PG PWV_L decreased to 2.29 mm and 2.38 mm, with improvement rates of 20.48% and 21.71%, respectively. The reliability of the corrected results was further validated using radiosonde PWV data from 2019. The bias correction method effectively reduced RMSE across all months, with monthly RMSE values of FW PWV_L and PG PWV_L concentrated between 1.4 mm and 3.4 mm, and an average RMSE improvement rate of 22.30% in summer. For PG PWV_L, the absolute bias in the elevation range of 0 to 1.5 km decreased by 0.45 mm, 0.46 mm, and 0.32 mm, respectively, while the RMSE improvement rate reached 23.55% in the 1.5 to 2.0 km range. FW PWV_L performed best in regions above 2 km elevation, with an absolute bias reduction of 0.23 mm and an RMSE improvement rate of 29.50%.

Key words

precipitable water vapor / Pangu-weather model / Fengwu-weather model / LSTM / GNSS

引用本文

叶世润, 林买金, 杨文易, 刘艳平, 肖玉坤, 谢劭峰. 基于GNSS PWV和LSTM的AI气象模型PWV偏差校正方法. 大地测量与地球动力学, 2026 , 46 (7) : 825 -833 . DOI: 10.14075/j.jgg.2025.12.414

Shirun YE, Maijin LIN, Wenyi YANG, Yanping LIU, Yukun XIAO, Shaofeng XIE. Bias Correction Method for PWV of AI Weather Models Based on GNSS PWV and LSTM[J]. Journal of Geodesy and Geodynamics, 2026 , 46 (7) : 825 -833 . DOI: 10.14075/j.jgg.2025.12.414

正文

收起

大气可降水量(PWV)指单位截面积大气柱中所含的水汽总量，在研究暴雨、台风等灾害性天气的形成与演变过程中发挥着关键作用^[1]。获取PWV数据的手段很多，但多数方法存在一定的局限性。无线电探空站资料方法成熟、数据精度可靠，但时间和空间分辨率相对较低。卫星遥感、数值天气预报(NWP)可以弥补站点观测在空间上的不连续性^[2]，但卫星遥感易受云层干扰^[3]，NWP模型，如欧洲中期天气预报中心(ECMWF)的第五代大气再分析数据集，在一些高PWV量级的局部区域精度较低^[4]。随着GNSS的快速发展，其全天候、实时的观测特点及水汽反演技术兼具高精度、高时空分辨率与低成本的优势，能有效弥补传统PWV探测手段的不足^[5]。因此，越来越多的学者开始倾向于利用GNSS反演的高精度PWV对高时空分辨率的水汽资料进行校正^[6-9]，进而获取同时具备高时空分辨率与高精度的水汽数据产品。

随着人工智能技术的发展，AI气象模型被逐渐应用于对流层研究。天气预报主要依赖于数值模式，但数值模式受限于水平、垂直网格精度与时间分辨率提升带来的高计算成本，因此预报结果常延后5~6 h发布，且其准确性受初始误差与模式误差双重影响^[10-11]。AI气象模型能很好地提高预报的时效性和准确性。Bi等^[12]提出的盘古气象(Pangu-weather)模型，在再分析数据上的确定性预报结果优于全球最佳NWP系统(ECMWF IFS)，且其运行速度大幅提升。Chen等^[13]提出风乌气象(Fengwu-weather)模型，将全球中程天气预报提前时间延长至10.75 d，在80%的预测目标上精度优于GraphCast。具体到对流层研究领域，Huang等^[14]利用盘古气象的地表温度构建中国地区RF-T_m模型，其反演GNSS PWV的理论精度可达1.71 mm。Huang等^[15]分析基于盘古气象7 d预报数据反演的PWV精度发现，其优于全球陆地实际蒸散发数据集的PWV精度，证实了AI气象模型在高精度PWV反演中的应用潜力。然而，Xiong等^[16]分析了13个垂直气压层的盘古和风乌气象模型7 d预报有效性时发现，两类模型反演的天顶对流层延迟(ZTD)在低海拔、夏季及海洋/赤道地区存在明显的误差。Deng等^[17]对比盘古、伏羲气象模型与不同垂直气压层的全球预报系统(GFS)提供的侧向边界条件(LBCs)及垂直层数的影响，结果表明，13层垂直气压的GFS在4组对比模型中表现最差。此外，基于AI气象数据反演的对流层参数虽能实现高分辨率全球实时预测，但垂直气压层较少的AI气象模型(如仅含13层垂直气压层的盘古气象模型)，难以精准刻画对流层参数的垂直分布特征，且AI气象模型在长期预报过程中的误差会随预报时效的累积而增大，上述2个方面的因素都会导致其对流层参数精度显著不足^[18-19]。

因此，本文以中国地壳运动观测网络(CMONOC)反演的2017—2019年PWV数据为参考，首先获取2017—2019年同为13层垂直气压层的盘古、风乌气象数据并反演PWV，分析2019年两类AI气象模型获取的1 h时间分辨率的PWV结果相对于GNSS PWV的精度。然后，以2017—2018年GNSS站的经度、纬度、高程、年积日、AI气象模型反演PWV作为输入特征，以AI气象模型反演PWV与GNSS PWV的差值作为输出特征，使用长短期记忆网络(LSTM)构建两类AI气象模型的PWV偏差校正模型。最后，对2019年两类AI气象模型反演的PWV进行校正，并以2019年GNSS站和探空站PWV为参考来评估校正后的精度。

1 数据与方法

收起

1.1 CMONOC数据

研究区域范围为18°~53°N、73°~135°E。该区域地形起伏显著，整体呈西高东低的阶梯状分布特征。复杂地形与多样的气候条件增加了该区域PWV准确估算的难度。中国地壳运动观测网络始建于1997年，于2011年开始全面运行，为地壳运动时空特征和GNSS气象学研究提供高精度的数据资料^[20]。本文使用2017—2019年240个站点数据进行建模和验证。其中，GNSS ZTD的小时数据使用GAMIT/GLOBK软件解算得到，并基于ERA5提供的地表气压和温度使用反距离加权和垂直插值模型获取GNSS站点高度的气象参数进行GNSS PWV反演^[21]。

1.2 探空站数据

探空站数据从美国怀俄明大学网站下载，能够提供时间分辨率为12 h的气压、气温、相对湿度等参数，精度接近真值。使用2019年中国境内31个与GNSS并址(距离在15 km以内)测站的PWV(RS PWV)验证校正后结果的准确性，研究区域及GNSS和探空站点分布如图 1所示。

1.3 风乌气象模型数据

风乌气象模型由上海人工智能实验室开发，是一款先进的AI驱动全球天气预报模型，其基础模型可以在GitHub上获得。该基础模型可以生成4个地表变量(10 m经向风矢量、10 m纬向风矢量、2 m温度和平均海平面气压)及5个非地表变量(位势、比湿、经向风矢量、纬向风矢量和温度)，每个非地表变量共13个垂直层次(50 hPa、100 hPa、150 hPa、200 hPa、250 hPa、300 hPa、400 hPa、500 hPa、600 hPa、700 hPa、850 hPa、925 hPa和1 000 hPa)。本文选用该模型进行为期7 d的天气预测，模型启动预报时所需的初始场数据来源于ERA5数据，其可生成数据的时间分辨率为6 h，为匹配GNSS数据1 h时间分辨率，本文对风乌气象模型采用6组初始场数据间隔1 h迭代来获取气象数据。

1.4 盘古气象模型数据

盘古气象模型是由华为开发的先进AI气象模型，其模型可在GitHub上获得。盘古气象模型生成的变量与风乌气象开源模型一致，但该模型共有4类子模型，盘古气象模型所需的初始场数据只用一个时刻的ERA5数据。为与风乌气象模型获取数据类似，盘古气象模型也预测7 d的数据，同样采用6组初始场数据间隔1 h迭代运行，并使用盘古的6 h和24 h时间分辨率的预报模型按时间步长获取气象数据。

按照图 2所示的流程获取2个AI气象模型7 d预测数据，最终得到2017—2019年空间分辨率为0.25°×0.25°的格网气象数据。通过提取比湿和位势数据，采用数值积分法获取PWV。

1.5 PWV反演

GNSS PWV反演是使用天顶湿延迟(ZWD)和转换系数(κ)进行计算，其中ZWD可以通过ZTD与天顶静力学延迟(ZHD)相减得到，ZHD可用Saastamoinen模型进行计算：

(1)

$\mathrm{ZHD}=\frac{2.277 \times 10^{-3} P}{1-2.66 \times 10^{-3} \cos 2 \theta-2.8 \times 10^{-4} H}$

(2)

$\mathrm{ZWD}=\mathrm{ZTD}-\mathrm{ZHD}$

(3)

$\mathrm{PWV}=\mathrm{ZWD} \times \kappa$

(4)

$\kappa=\frac{10^6}{\rho_{\mathrm{w}} R_{\mathrm{w}}\left(k_3 / T_m+k_4\right)}$

式中，H为GNSS站点大地高，单位km；θ为站点纬度，单位(°)；ρ_w=1×10³ kg/m³为液态水的密度；R_w=461.495 J/(kg · k)为水汽气体常数；k₃=3.739×10⁵ K/hPa、k₄=22.13 K/hPa为大气物理参数；T_m为大气加权温度，单位K，可使用Bevis模型获得。地表温度(T)和地表气压(P)由ERA5再分析资料提供。

风乌气象和盘古气象数据反演PWV，是基于获取的比湿数据使用数值积分计算分层PWV数据，积分原理为：

(5)

$\mathrm{PWV}=\frac{1}{g} \sum\limits_{P_0}^{P_t} q \Delta P$

式中，g为重力加速度，单位m/s²；q为比湿，单位kg/kg；P₀和P_t分别为地表压力和顶部压力，单位hPa。反演的风乌和盘古气象模型PWV单位mm。

由于两类AI气象模型PWV都为格网数据，需使用空间插值方法获取GNSS站点高度的AI气象的PWV数据，经过插值后获取的风乌和盘古气象模型PWV分别记为FW PWV和PG PWV。空间插值方法具体操作如下：首先基于Lin等^[22]的CPWV-H垂直改正模型，将GNSS测站周围4个格网位置的AI气象模型PWV沿垂直方向改正到GNSS站的高度，然后使用反距离加权将4个高程改正后的格网点PWV插值到GNSS站点，进而获取GNSS站点位置的FW/PG PWV。

1.6 精度指标

使用bias和RMSE作为精度评价指标：

(6)

$\operatorname{bias}=\frac{1}{N} \sum\limits_{i=1}^N\left(X_{m_i}-X_{r_i}\right)$

(7)

$\text { RMSE }=\sqrt{\frac{1}{N} \sum\limits_{i=1}^N\left(X_{m_i}-X_{r_i}\right)^2}$

式中，N为数据总量；

$X_{m_i}$

为AI气象模型和校正后PWV的计算值；

$X_{r_i}$

为以GNSS PWV、RS PWV为基准的参考值。校正模型使用的偏差是各站点2017—2019年AI气象模型PWV与对应GNSS PWV的逐小时偏差。

1.7 FW PWV和PG PWV精度评估

为验证获取的盘古和风乌数据反演PWV的精度，以2019年GNSS PWV作为参考值，统计两类AI模型反演的PWV在2019年中国地区的bias与RMSE，结果如表 1所示。由表可知，FW PWV和PG PWV整体精度表现良好，在bias方面，FW PWV的bias范围为-4.00~1.84 mm，平均值为-0.01 mm；PG PWV的bias范围为-3.62~2.81 mm，平均值为0.28 mm。在RMSE方面，FW PWV的RMSE范围为1.24~4.94 mm，平均值为2.88 mm；PG PWV的RMSE范围为1.18~5.37 mm，平均值为3.04 mm。

为进一步分析两类AI气象模型反演PWV的精度，绘制FW PWV和PG PWV的bias和RMSE的空间分布。由图 3可知，2个模型的bias呈现明显的区域性：负偏差主要集中在青藏高原和南方地区，正偏差主要分布在西北、北方地区；整体上低纬度地区bias的绝对值明显高于高纬度地区，且与气候类型、地形特征的关联性显著。RMSE呈现出由内陆的青藏高原和西北地区向沿海的北方和南方地区逐渐增加的趋势，其中青藏高原和西北地区RMSE较小，集中在1.2~2.5 mm之间，南方及北方部分地区误差偏大，多集中在3.5~5.3 mm之间。这一现象主要是因为我国内陆受海洋水汽影响小，且青藏高原海拔高、温度低，受季风影响微弱，水汽时空变化平缓。

由上述分析可知，本文获取的FW PWV和PG PWV整体精度达到了要求，但仍存在明显误差上限(FW PWV最大RMSE达4.94 mm，PG PWV最大RMSE为5.37 mm)。结合图 3来看，高RMSE主要集中在低纬度沿海、水汽变化剧烈的区域，同时整体的偏差呈现显著的区域性分布规律，各区域的系统性偏差和高RMSE仍会影响数据在高精度应用场景中的可靠性，因此有必要通过偏差校正模型进一步优化精度。

2 基于LSTM的FW/PG PWV偏差校正模型

收起

2.1 LSTM算法原理

LSTM是一种专为处理时序数据设计的循环神经网络变体，被广泛适用于时间序列预测、自然语言处理等领域。一个典型的LSTM单元通过“遗忘门、输入门、输出门”3个关键结构实现长时序信息的选择性记忆与传递，能有效缓解循环神经网络梯度爆炸问题。3个门的基本计算过程为：

(8)

$\left\{\begin{array}{l}f_t=\sigma\left(\boldsymbol{W}_f \cdot\left[h_{t-1}, x_t\right]+\boldsymbol{b}_f\right) \\i_t=\sigma\left(\boldsymbol{W}_i \cdot\left[h_{t-1}, x_t\right]+\boldsymbol{b}_i\right) \\o_t=\sigma\left(\boldsymbol{W}_o \cdot\left[h_{t-1}, x_t\right]+\boldsymbol{b}_o\right)\end{array}\right.$

式中，f_t、i_t、o_t分别为遗忘门、输入门、输出门的变量；σ为Sigmoid激活函数； W _f、 W _i、 W _o分别为遗忘门、输入门、输出门的权重矩阵；x_t和h_t－1分别为t时刻的模型输入和前一时刻的隐藏状态； b _f、 b _i、 b _o分别为遗忘门、输入门、输出门的偏置向量。本文设置的隐藏单元为30，学习率为0.001，其余参数均采用默认值。

2.2 FW/PG PWV偏差校正模型

采用LSTM模型进行偏差校正，建模的数据时间跨度为2017—2018年。模型输入特征包括在GNSS站上的纬度(lat)、经度(lon)、高程(height)、年积日(DOY)及插值至GNSS站上的AI气象模型PWV(PG PWV或FW PWV)；输出特征为AI模型PWV与GNSS PWV的偏差(dPWV，即PG PWV或FW PWV减去GNSS PWV)。如图 4所示，该LSTM偏差校正模型利用设定长度为h=10的滑动窗口，基于窗口内的历史特征数据(lat，lon，height，DOY，PWV，dPWV)来预测未来时间点的dPWV。模型训练完成后，将其应用于测试集以获取校正后的偏差值，再将这些校正后的偏差值与AI气象模型原始PWV相加，得到最终的校正后数据，分别记为PG PWV_L(盘古气象模型校正后PWV)和FW PWV_L(风乌气象模型校正后PWV)，以此实现对AI气象模型PWV系统的偏差校正。

2.3 精度分析

为验证LSTM偏差校正模型的性能，利用未参与建模的2019年的数据进行对比实验，以GNSS PWV为参考值，计算校正后模型PWV(FW PWV_L、PG PWV_L)的bias和RMSE，表 2为2019年FW PWV_L和PG PWV_L的bias和RMSE统计结果。

如表 2所示，经LSTM模型校正后，FW PWV_L的平均bias为-0.11 mm，与未校正时的-0.01 mm相近，而bias从-4.00~1.84 mm缩小到-1.96~1.49 mm，偏差稳定性显著提升；RMSE平均值从2.88 mm降至2.29 mm，精度改善率为20.48%，RMSE也从1.24~4.94 mm降至0.91~3.75 mm，数据离散程度明显减小。PG PWV的平均bias为-0.03 mm，较未校正时的0.28 mm偏差进一步降低；bias从-3.62~2.81 mm缩小至-2.22~1.21 mm，偏差分布更集中；RMSE平均值从3.04 mm降至2.38 mm，精度改善率为21.71%，RMSE从1.18~5.37 mm缩小至1.19~4.06 mm，数据可靠性显著提高。这表明LSTM偏差校正模型对两类AI模型的PWV误差均有显著的校正效果，有效提升了PWV数据的反演精度。

从图 5可以看出，FW PWV_L和PG PWV_L的bias整体分布趋于稳定，各个站点的偏差值都较小，区域性分异特征被大幅削弱，校正了原始AI气象模型较大的bias，提升了模型整体的稳定性。从RMSE分布来看，青藏高原和西北地区具有相对较小的RMSE值，误差基本在2 mm以内，南方和北方地区误差在2~4 mm之间，相比于校正前的数据，RMSE的高值(大于4 mm)区得到改进，说明经过校正可以提升AI气象模型得到的PWV精度。

为分析LSTM偏差校正模型的外符合精度，将2019年研究区域内与GNSS站并址的31个探空站PWV作为参考值进行对比，根据20°~30°N、30°~40°N、40°~50°N三个纬度区间计算校正前后两类数据的精度，图 6为2019年校正前后数据的RMSE在纬度方向的统计结果。可以看出，FW PWV、PG PWV、FW PWV_L和PG PWV_L在3个纬度区间的RMSE均小于5 mm，20°~30°N区间的RMSE偏大，该纬度区间主要为南方地区，与图 5中该地区误差偏大一致；相较于FW PWV和PG PWV，FW PWV_L和PG PWV_L的精度仍然得到一定的提升，在30°~40°N区间的提升最大，其RMSE分别下降了0.64 mm和0.37 mm，说明本文基于LSTM的偏差校正模型具有较好的改善效果和稳定性。

为分析偏差校正模型在不同月份的精度分布情况，绘制以GNSS PWV为参考值的校正前后AI气象模型PWV数据的月RMSE分布。由图 7可知，FW PWV、PG PWV的RMSE有明显季节差异，其中夏季6—8月RMSE明显高于其他季节，两类模型数据在8月份RMSE分别达到4.24 mm和4.51 mm，主要是由于中国大部分地区属于季风气候，夏季高温多雨，气候变化复杂，导致模型不足以在这种条件下模拟水汽的复杂变化。FW PWV、PG PWV在冬季12—2月的RMSE相对较低，都在1.7 mm以内，这与冬季寒冷干燥、变化平缓的气候特点相符。经LSTM模型校正后的数据(FW PWV_L、PG PWV_L)有效降低了这种季节差异，各月份相较于未校正前的RMSE都得到了降低，月RMSE均集中在1.4~3.4 mm，FW PWV_L和PG PWV_L月RMSE改善率在4.97%~26.34%之间，其RMSE曲线更靠近中心。两类校正后的数据夏季平均改善率为22.30%，有效解决了未校正模型在夏季精度过低的问题；在冬季，校正模型仍能保持精度优势，冬季平均改善率为10.76%。总体而言，未校正的PG PWV、FW PWV的月RMSE存在明显季节差异，经LSTM偏差校正后的FW PWV_L、PG PWV_L有效降低了这种季节变化，各月份的RMSE均得到降低。

为分析2019年原始的盘古和风乌气象模型及本文方法校正后的模型获取的PWV与GNSS PWV在不同高度区间的差异，以500 m为间隔划分高程区间，统计各个区间的bias和RMSE，结果如图 8所示。

由图 8可知，在bias分布方面，从5个高程区间来看，FW PWV和PG PWV在高程小于2 km的时候表现为正偏差，且在0~1.5 km的高程范围内PG PWV的正偏差更显著；在高程大于2 km时，两者转为负偏差，其中FW PWV在高程大于2 km的负偏差幅度更大。表明两类模型在高程较小的时候存在高估，高程较大的时候则存在低估，PG PWV整体偏差随高程的变化更为明显。通过LSTM模型校正后，PG PWV_L在各高程区间的偏差稳定性均得到明显提升，PG PWV_L在0~1.5 km(按500 m间隔对应0~0.5 km、0.5~1.0 km、1.0~1.5 km三个子区间)的偏差降低效果尤为明显，其绝对值分别降低0.45 mm、0.46 mm、0.32 mm，该位置恰好对应水汽变化最剧烈的中低海拔区域，验证了LSTM偏差校正模型对不同高程区间误差的针对性校正效果。FW PWV_L在高程大于2 km区间表现最好，偏差绝对值降低0.23 mm。但FW PWV_L在0~1.0 km高程区间的bias绝对值都比校正前大，该高程区间的站点数据主要位于南方和北方地区，少部分在西北地区。根据图 5可知，FW PWV_L在这些地区整体bias在缩减，但负偏差更显著，导致FW PWV_L在0~1.0 km高程区间存在较大的负偏差。

在RMSE分布方面，FW PWV和PG PWV的RMSE与高程呈现负相关性，随着高程的升高，RMSE值呈逐渐减小的趋势，其主要原因是水汽在大气中主要集中于低海拔区域。通过LSTM模型校正后，所有高程区间的RMSE都得到了改善，校正后数据改善率在17.63%~29.51%之间，其中FW PWV_L在2 km以上高程区间改善率最高，为29.51%，其次是PG PWV_L在1.5~2.0 km高程区间的改善率，为23.55%，充分体现了LSTM偏差校正模型对PWV估算数据的优化效果。

3 结语

收起

为提升AI气象模型反演PWV的精度，本文以中国区域为研究区，基于2017—2019年240个GNSS站及风乌和盘古两类AI气象模型数据，围绕AI模型PWV反演精度及基于LSTM的偏差校正方法展开研究，得出主要结论如下：

1) 在未校正状态下，以GNSS PWV为参考，FW PWV和PG PWV的平均bias和RMSE分别为-0.01 mm、2.88 mm与0.28 mm、3.04 mm，整体来看, FW PWV精度更优，但两者存在较高的误差上限；FW PWV和PG PWV的bias具有显著的区域性，模型在高、低高程区间分别存在低估、高估现象；而两者RMSE空间分布呈内陆向沿海递增规律，其误差随高程的升高逐渐减小，且具有明显的季节差异。

2) 以GNSS PWV为参考，经过LSTM偏差校正模型校正后，FW PWV_L和PG PWV_L的bias区域性分异特征大幅削弱，偏差波动范围明显减小，平均RMSE精度改善率分别为20.48%和21.71%，RMSE最大值都得到降低。且通过探空站PWV验证了校正结果的可靠性。从季节维度来看，校正后有效减弱了夏季的高误差，同时保持了冬季低误差的优势；从高程维度来看，校正后数据在所有高程区间的RMSE都得到降低，PG PWV_L在0~1.5 km高程区间bias降低明显，FW PWV_L则在大于2 km区域bias优化显著。

本文仅构建了基于LSTM的单一偏差校正模型，并未深入解析模型决策的内在机制，后续的研究工作将使用多神经网络模型，并开展不同参数组合对模型精度影响的敏感性分析。

基金

收起

广西自然科学基金(2023GXNSFAA026434)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Wang

H S

, Liu

Y B

, Liu

Y W

, et al. Assimilation of GNSS PWV with NCAR-RTFDDA to Improve Prediction of a Landfall Typhoon[J]. Remote Sensing, 2022, 14 (1)

黄良珂, 莫智翔, 刘立龙, 等. 顾及时变递减因子的中国大陆地区大气可降水量垂直改正模型[J]. 测绘学报, 2021, 50 (10): 1320- 1330

Huang

Liangke

, Mo

Zhixiang

, Liu

Lilong

, et al. An Empirical Model for the Vertical Correction of Precipitable Water Vapor Considering the Time-Varying Lapse Rate for Mainland China[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50 (10): 1320- 1330

Z H

, Muller

J P

, Cross

. Comparison of Precipitable Water Vapor Derived from Radiosonde, GPS, and Moderate-Resolution Imaging Spectroradiometer Measurements[J]. Journal of Geophysical Research: Atmospheres, 2003, 108 (D20)

郭宏武, 李浩杰, 杜芬玲, 等. 顾及GNSS水汽线性和非线性特征的ERA5 PWV产品校正方法[J]. 导航定位与授时, 2025, 12 (1): 97- 110

Guo

Hongwu

, Li

Haojie

, Du

Fenling

, et al. The ERA5 PWV Correction Method Considering Linear and Nonlinear Characteristics of GNSS PWV[J]. Navigation Positioning and Timing, 2025, 12 (1): 97- 110

张克非, 李浩博, 王晓明, 等. 地基GNSS大气水汽探测遥感研究进展和展望[J]. 测绘学报, 2022, 51 (7): 1172- 1191

Zhang

Kefei

, Li

Haobo

, Wang

Xiaoming

, et al. Recent Progresses and Future Prospectives of Ground-Based GNSS Water Vapor Soundina[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51 (7): 1172- 1191

Gao

Y P

, Lin

, Han

J Q

, et al. An Elevation-Coupled Multivariate Regression Model for GNSS-Based FY-4A Precipitable Water Vapor[J]. Remote Sensing, 2025, 17 (14)

王梦瑶, 张书毕, 张文渊, 等. 融合多非线性因素的MODIS PWV神经网络差分校正模型[J]. 测绘学报, 2024, 53 (11): 2138- 2148

Wang

Mengyao

, Zhang

Shubi

, Zhang

Wenyuan

, et al. MODIS PWV Neural Network Differential Correction Model Integrating Multiple Nonlinear Factors[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53 (11): 2138- 2148

刘严萍, 冯文力, 刘宇博, 等. 多源数据融合的京津冀地区水汽校正模型研究[J]. 遥感信息, 2024, 39 (3): 61- 66

Liu

Yanping

, Feng

Wenli

, Liu

Yubo

, et al. Study on Precipitable Water Vapor Correction Model of Beijing-Tianjin-Hebei Region Based on Multisource Data Fusion[J]. Remote Sensing Information, 2024, 39 (3): 61- 66

徐天河, 李耸, 王帅民, 等. 顾及气象数据的中国区域对流层延迟RBF神经网络优化模型[J]. 测绘学报, 2022, 51 (8): 1690- 1707

Tianhe

, Li

Song

, Wang

Shuaimin

, et al. Improved Tropospheric Delay Model for China Using RBF Neural Network and Meteorological Data[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51 (8): 1690- 1707

杨淑贤, 零丰华, 应武杉, 等. 人工智能技术气候预测应用简介[J]. 大气科学学报, 2022, 45 (5): 641- 659

Yang

Shuxian

, Ling

Fenghua

, Ying

Wushan

, et al. A Brief Overview of the Application of Artificial Intelligence to Climate Prediction[J]. Transactions of Atmospheric Sciences, 2022, 45 (5): 641- 659

李飒, 牛斌, 姚佳伟, 等. 盘古气象模型在南极区域的预报技巧评估[J]. 海洋预报, 2025, 42 (6): 105- 117

, Niu

Bin

, Yao

Jiawei

, et al. The Forecast Skill Evaluation of the Pangu-Weather Model over the Antarctic Region[J]. Marine Forecasts, 2025, 42 (6): 105- 117

K F

, Xie

L X

, Zhang

H H

, et al. Accurate Medium-Range Global Weather Forecasting with 3D Neural Networks[J]. Nature, 2023, 619 (7970): 533- 538

Chen K, Han T, Gong J C, et al. Fengwu: Pushing the Skillful Global Medium-Range Weather Forecast beyond 10 Days Lead[EB/OL]. https://arxiv.org/pdf/2304.02948/, 2023-04-07

Huang

L K

, Wang

Y C

, Bi

H H

, et al. Initial Results of Atmospheric Weighted Mean Temperature Estimation with Pangu-Weather in Real-Time GNSS PWV Retrieval for China[J]. GPS Solutions, 2025, 29 (1): 48- 67

Huang

L K

, Zheng

Z A

, Zhu

, et al. A Novel Method for Forecasting Global High-Resolution Precipitable Water Vapor with the Pangu-Weather System[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18, 14843- 14854

Xiong

, Mei

J M

, Xu

X C

, et al. Methods and Evaluation of AI-Based Meteorological Models for Zenith Tropospheric Delay Prediction[J]. Remote Sensing, 2024, 16 (22)

Deng

J J

, Zhang

, Liu

H Y

, et al. Impacts of Lateral Boundary Conditions from Numerical Models and Data-Driven Networks on Convective-Scale Ensemble Forecasts[J]. Atmospheric and Oceanic Science Letters, 2025, 18 (2)

Ding

J S

, Mi

X L

, Chen

, et al. Forecasting of Tropospheric Delay Using AI Foundation Models in Support of Microwave Remote Sensing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62

Ding

J S

, Chen

J P

, et al. Real-Time High-Resolution Global PWV Retrieval Based on Weather Forecast Foundation Models and Cross-Validation with Radiosonde, GNSS, and ERA5[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18, 15972- 15981

Zhao

Q Z

, Yao

Y B

, Yao

W Q

, et al. GNSS-Derived PWV and Comparison with Radiosonde and ECMWF ERA-Interim Data over China's Mainland[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2019, 182, 85- 92

赵庆志, 刘康, 李祖锋, 等. GNSS和非实测气象参数的PWV反演方法及其精度评估[J]. 武汉大学学报: 信息科学版, 2024, 49 (3): 453- 464

Zhao

Qingzhi

, Liu

Kang

, Li

Zufeng

, et al. PWV Inversion Method Based on GNSS and Non-Measured Meteorological Parameters and Accuracy Evaluation[J]. Geomatics and Information Science of Wuhan University, 2024, 49 (3): 453- 464

Lin

M J

, Xie

S F

, Huang

L K

, et al. A Segmented Grid Model for Vertical Adjustment of Precipitable Water Vapor in China[J]. Advances in Space Research, 2025, 75 (2): 1888- 1901

2026年第46卷第7期

引用本文

BibTeX

文章信息

doi: 10.14075/j.jgg.2025.12.414

接收时间：2025-12-02
首发时间：2026-10-30
出版时间：2026-07-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-12-02

基金

广西自然科学基金(2023GXNSFAA026434)

作者信息

1 桂林理工大学测绘地理信息学院, 桂林, 541006

2 长安大学地质工程与测绘学院, 西安, 710054

通讯作者:

谢劭峰，教授，主要研究方向为GNSS气象学，E-mail: xieshaofeng@glut.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ddcl/CN/10.14075/j.jgg.2025.12.414

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