应用数值模型提高GPS可降水量反演精度的研究

关键词： 视线

应用数值模型提高GPS可降水量反演精度的研究（精选4篇）

篇1：应用数值模型提高GPS可降水量反演精度的研究

应用数值模型提高GPS可降水量反演精度的研究

利用建立在长江三角洲地区GPS观测网的资料,以上海宝山探空观测为例,进行了应用数值模式提高GPS可降水量反演精度的试验.研究结果表明:大气平均温度的`估计误差直接影响大气可降水量的反演精度,用MM5中尺度数值预报模式预报估计的大气平均温度可减小大气平均温度的估计误差,从而提高大气可降水量的反演精度.

作 者：袁招洪 YUAN Zhao-hong 作者单位：上海市气象局,上海,30刊 名：测绘科学 ISTIC PKU英文刊名：SCIENCE OF SURVEYING AND MAPPING年，卷(期)：32(6)分类号：P228关键词：GPS可降水量 中尺度数值预报模式 大气平均温度

篇2：应用数值模型提高GPS可降水量反演精度的研究

地基GPS反演大气可降水量方法的改进

利用地基GPS反演大气可降水量(PW,precipitable water)的方法中,GPS PW的准确度依赖于天顶静力延迟(ZHD,zenith hydrostatic delay)的计算模型和转换系数Π.分析Saastamoinen模型、Hopfield模型、Black模型计算的ZHD误差发现,其计算的ZHD与探空ZHD相比具有模型偏差,这些模型偏差换算成对GPS PW的影响约为4～10 mm.通过回归建模,对Saastamoinen模型、Hopfield模型和Black模型中的系数进行修正后,可明显减小这些模型偏差,且不影响这些模型的精度.转换系数Π是大气加权平均温度(Tm,atmosplaeric weighted mean temperature)的.函数,Tm与地面温度(Tn)高度相关,根据这一特性,利用9个探空站数据通过回归建模得到的Tm本地化模型可很好地拟合Tm,其模型均方差为2.8 K,对应的相对误差为1.0%.对地基GPS反演PW的方法进行改进后,求得的GPS PW的系统偏差明显减小,其中,采用改进的Hopfield模型和Tm本地化模型求得的GPS PW,与探空廓线计算的PW相比,其偏差为-1.6 mm,而与微波辐射计廓线计算的PW相比,其偏差为-1.2 mm.

作 者：徐桂荣 万蓉 李武阶 陈波 冯光柳 XU Gui-rong WAN Rong LI Wu-jie CHEN Bo FENG Guang-liu 作者单位：中国气象局武汉暴雨研究所,武汉,430074刊 名：暴雨灾害英文刊名：TORRENTIAL RAIN AND DISASTERS年，卷(期)：200928(3)分类号：P414.4关键词：地基GPS 可降水量 天顶静力延迟 天顶湿延迟 大气加权平均温度

篇3：应用数值模型提高GPS可降水量反演精度的研究

大气水汽含量不仅在人类日常活动中占有重要的角色,而且对全球热带分布具有重要的影响,因此对大气水汽含量进行探测对于水汽循环、水汽输送以及水资源评估等气象研究具有重要意义。常用的水汽探测手段有气象卫星遥感、雷达探测、水汽辐射计和无线电探空探测。20 世纪90 年代以来,人们开始利用GPS理论和技术遥感地球大气,并逐渐形成地基GPS气象学［1］,其基本原理是通过对GPS定位中多路径效应造成的GPS信号延迟进行逆处理,最终利用GPS延迟信号反演出大气水汽含量。地基GPS大气水汽探测具有其它传统水汽探测［2］所不具有的很多优点,如观测数据可以全天候实时获得,反演精度高,并且无须校准［3 － 5］。目前国内GPS观测站网建设正在迅速普及到每个省和地区,每个省和地区的GPS观测站网的站点密度也在增加,从而使GPS网在天气监测和天气预报中发挥的作用越来越大。然而为了满足GPS水汽反演的高精度和实时性要求,加权平均温度起决定性作用,因此本文通过拟合出适合上海地区的加权平均温度曲线的方法来实现水汽反演,并利用上海市2012 年8 月的可降水量反演结果与探空计算结果进行比较,结果证明此方法提高了转换精度并保证了反演的实时性。

1 反演原理与方法

1. 1 反演原理

在高精度GPS定位中,GPS探测信号穿过地球大气层时会产生时间延迟,这是由于信号在传播过程中会因电离层和大气折射造成传播速度减小和路径弯曲［7］。电离层延迟与电磁波的频率平方成反比,可以通过接收双频信号,线性组合后消除。大气延迟一般是指从地面到50km高度的非电离大气对电磁波的折射,又称中性延迟。由于折射的80%发生在对流层,所以通常称为对流层延迟。对流层大气在天顶方向上的总延迟中,其中干空气造成的称为干延迟或静力延迟,占90% 以上,水汽造成的湿延迟占10% 左右。通过对GPS观测数据、GPS卫星星历、GPS测站坐标进行解算,获得GPS信号在对流层传输的天顶总延迟ZTD,同时利用改进的经验模型将GPS信号在对流层传输时受到的干延迟ZHD解算出来,接着将总延迟量ZTD与干延迟量ZHD相减得到湿延迟ZWD,最后利用实时计算的转化因子 Π,将湿延迟量转换为大气可降水量PWV。因此,可得GPS大气可降水量反演步骤如图1 所示。

1. 2 理论模型

假设对流层的折射率是n,那么信号传播中的对流层折射改正为:

式( 1) 中n为大气折射率( 真空中的折射率为1) ,s为信号传播路径。

由于n - 1 的数值很小,为了方便于计算,引进大气折射指数N:

其中大气折射指数N表示大气密度值,它是关于压强、温度和水汽含量的关系式,常用的是1954 年Smith与Weiniranb利用大量实际探测资料拟合出的模型［8］:

由式( 3) 可知,大气折射指数N分为两部分,一部分是与大气压P和绝对温度T相关的静力学折射部分( NDry) ,另一部分则是与水汽压ew和绝对温度T相关的湿气折射部分。

将式( 2) 、式( 3) 带入式( 1) 得到对流层折射改正［9］为:

由式( 4) 可知,要计算出GPS信号传播过程中每点的对流层折射,必须测量出路径上每点的气象因子,这是实际测量中不可能实现的,能够获得的气象因子一般是通过地面测站测得,因此我们必须利用地面测站的气象因子通过数学经验模型计算每点相应的海平面或大气的气象因子,本文采用的是改进的Saastamoinen模型［10］。

1. 2. 1 Saastamoinen经验模型

该经验模型将对流层分为两层进行积分,第一层是地面到12km高空附近的对流层顶,在此大气层中气体温度值随着高度的增加而递减,其递减率为6. 5℃ /km; 第二层是从对流层顶一直到50km附近的平流层顶,此空间大气温度一般设为常数。

Saastamoinen经验模型的天顶总延迟分为干分量和湿分量部分:

将式( 6) 、式( 7) 代入式( 5) 得:

式中,ew为水汽压,Ps为干大气压,f( B,H) 为重力加速度,它随测站纬度  和椭圆地球表面的高度H变化。

1. 2. 2 Saastamoinen改进模型

对Saastamoinen经典模型进行如下改进:

其中,T是测站绝对温度,P代表大气压,ew是指水汽压,z为卫星的天顶距离,B和 δR可以通过插值表获得,式( 10) 中的T、P、ew可以利用标准大气参数获得,并且气压、温度、相对湿度分别和高程的关系可由式( 12) ~ ( 14) 得到:

其中,P0、H0、RH0是标准气压、温度和相对湿度的缺省值,具体数值如下:

P0= 1013. 25mbar,H0= 0m,RH0= 50%

1. 3 反演可降水量及误差分析

1. 3. 1 反演大气可降水量

大气可降水量( PWV) 是指单位底面积空气柱体内所含水汽全部凝结降落的总水量。利用GPS数据资料解算出来的ZTD和ZHD相减得到天顶湿延迟ZWD,ZWD和大气可降水量之间的转换关系为:

式( 15) 中的转换因子 Π 精度取决于大气加权平均温度Tm,Π 的精确计算公式如下:

式( 16) 中 ρw是液态水的密度,Rv为水汽气体常数,k'2和k3是大气物理参数,它们的经验值通常取为:

由式( 16) 可知,天顶湿延迟量转换成可降雨量的过程和加权平均温度Tm有直接关系,Tm的精度直接影响可降水量的精度。目前加权平均温度Tm的计算方法主要分为: 一是利用探空资料中对流层不同高度的各点温度T和水汽压e进行离散化积分,如式( 17) ; 二是1992 年Bevis对美国地区多年的探空资料进行回归分析后得到: Tm= 70. 2+ 0. 72Ts。

其中ei、Ti、Δhi分别为第i层大气的平均水汽压( h Pa) 、平均温度( K) 和厚度( mm) 。

第一种方法的局限在于探空资料的不足,每天只有两次高空探测,因此时间分辨率很低,但是却是目前为止最精确的算法。第二种方法比较方便可取,但是Bevis公式是针对欧美地区的拟合曲线,在中国地区并不适合。所以可以利用第一种方法确定的对流层加权平均温度Tm与地面测站所在点的温度Ts拟合出与上海地区相匹配的关系式。本文就是利用上海市地面与探空资料进行加权平均温度的曲线拟合,基本流程如图2 所示。

1. 3. 2 误差分析

为使式( 16) 中转换因子 Π 的转换精度小于2mm,这里就要讨论加权平均温度的容许误差。通过式( 16) 可知,除了加权平均温度以外,大气物理参数k'2和k3也影响转换因子的精度,取式( 16)对k'2,k3和Tm的微分得:

设k'2、k3和Tm的误差分别为 σk'2、σk3和 σTm,并且这三个参数相互独立。则根据误差传播定律,转换因子 Π 的误差 σΠ为:

由式( 19) 可知,转换因子误差 σΠ是加权平均温度Tm的减函数,所以取Tm的最小值就可以计算出误差 σΠ的最大值,将上海地区Tm最小值270K以及其他物理常数代入式( 19) 得:

由于天顶湿延迟ZWD最大值为500mm,则利用此最大值和式( 20) 代入式( 15) ,得到转换因子误差引起的可降水量误差如表1 所示。由表1 可知,要使可降水量误差在2mm以内,则加权平均温度精度至少要在7K以内。

2 仿真结果

2. 1 GAMIT处理GPS观测数据解算湿延迟

GPS数据分析处理是在Unbuntu下安装的软件GAMIT 10. 4 下进行,主要分为四个部分,首先是包括卫星星历G文件、GPS观测数据o文件、气象观测数据m文件等数据准备及收集工作; 接着用GAMIT软件处理GPS观测数据o文件,获得每个时段对应的解; 然后采用卡尔曼滤波方法对多时段进行综合解算,从而获得网平差结果和测站坐标等参数; 最后一步是在GAMIT中利用前一步平差得到的测站坐标,强约束待求测站,反演天顶对流层总延迟。

2012 年8 月上海市降水较常年偏多,主要是受台风影响,共有5 个台风影响上海。因此,本文采用上海宝山站2012 年8 月共31 天GPS观测数据进行解算,数据准备完成之后,编辑测站相关配置文件,并解算出当天每隔1 小时的湿延迟量,利用命令sh_ nrms检测其均方根残差均在0. 5 以内,从解算结果中提取出每天8 时与20 时的湿延迟量结果,如图3 所示。

2. 2 加权平均温度的曲线拟合

本文选取上海宝山( 站号: 58362) 2012 年1 月~ 2012 年12 月共一年的探测资料,采用回归分析法利用MATLAB编程,拟合出曲线关系式:Tm= 0. 8936Ts+ 19. 1321,如图4 所示。结果表明,加权平均温度的最大误差为6K,那么由表1 所知,可降水量转换误差均在1. 823mm以内。

图 3 2012 年 8 月上海宝山每天 8 时与 20 时的对流层湿延迟量

图 4 上海地区加权平均温度 Tm与地面温度 Ts的关系

2. 3 可降水量反演曲线

利用图3、图4 所示的天顶湿延迟量和加权平均温度曲线,根据式( 15) 计算得到上海市2012年8 月每天8 时与20 时GPS估计的的可降水量与探空计算结果比较,如图5 所示。结果表明,两种方法得到的大气可降水量的误差在3mm以内。

图5 2012年8月GPS估计的可降水量与探空计算的比较

本文在提取参与拟合的观测数据时已经对无效数据进行整行删除,并且由拟合出的曲线方程与实际计算值比较可知其相差最大只有6K,且数量较少,因此本文没有进行拟合方程的系数显著性检验,且通过图5 的最终可降水量计算的应用中也可知结果较准确。

3 结束语

本文分析了GPS可降水量反演的方法与特点,并对反演过程中可能存在的转换误差进行了分析讨论,利用2012 年整年上海市高空和地面探测数据拟合出适应于该地区的Tm与Ts的关系式,并利用其转换出2012 年8 月共31 天的大汽可降水量,最后将每天8 时和20 时的GPS估计的可降水量与对应时间的探空计算结果进行比较,结果表明,GPS估计的可降水量与探空结果一致,误差在3mm以内,该方法解决了反演可降水量的转换精度问题。本方法的下一步工作是对更多年份的数据进行验证分析比较,进而能够进行相关应用研究。

摘要：GPS可降水量反演的本质是利用GPS观测数据o文件解算出垂直方向上传播信号的湿延迟量,并将湿延迟量转换为可降水量,这两个参数的转换需由加权平均温度(T m)来完成。本文利用上海市2012年1月12月的地面和高空探测资料采用MATLAB编程拟合出适合上海市的T m与地面温度(T s)的关系式,并反演了受台风“海葵”严重影响的2012年8月上海地区可降水量。结果证明,该T m和T s的关系式不仅弥补了探空数值积分法的缺点,而且能使GPS可降水量反演的转换误差控制在3mm以内。

篇4：应用数值模型提高GPS可降水量反演精度的研究

多年来国内外学者对大雾的形成与消散过程进行了大量研究;但利用GPS遥感大气水汽方法的研究成果并不多见。2011年,郭洁等[2]利用地基GPS网络观测数据和地面气象站的观测资料,分析了四川盆地大雾形成的原因。2013年,陈永林等[3]利用上海市遥测能见度数据、GPS-PWV等资料,分析了发生在上海地区的一次连续大雾天气过程;何盛浩等[4]采用地基GPS反演大气水汽方法,分析了冬季大雾天气中可降水量的空间分布和变化特征,比较了GPS可降水量在有雾和无雾情况下的日变化特征。本文研究利用地基GPS反演大气可降水量方法,分析武汉地区大雾形成到消散过程中大气水汽的变化特征。

1 GPS大气可降水量反演原理

GPS信号在大气层传播时,受到折射的影响,产生速度和路径的改变,造成信号的弯曲和延迟。总的延迟量可以分为电离层延迟和对流层延迟。由于电离层延迟可以通过双频观测消除,因此大气延迟一般是指对流层延迟。天顶方向对流层延迟(zenith tropospheric delay,ZTD)可以分为静力学延迟(干延迟)(zenith hydrostatic delay,ZHD)和非静力学延迟(湿延迟)(zenith wet delay,ZWD)。通过GAMIT软件解算或从IGS站提供的产品中可以获得毫米级精度的ZTD;ZHD在静力学平衡条件下一般可用模型精确估计[5]。ZWD则通常按式(1)计算,由此可得到高精度的ZWD。

PWV通常可以表达为ZWD的线性函数[6]:

式(2)中∏为水汽转换系数,可按文献[6]中的方法计算,从而可得高精度的PWV。

当空气含水量达到最大时,就达到了饱和。当足够多的水分子与空气中微小的凝结核结合在一起,同时水分子本身也会相互粘结,就变成小水滴或冰晶悬浮在近地面的空气层里,如果这种凝结的水珠使得能见度少于1 000 m,就形成了雾。可见雾的形成与空气中的水汽有直接关系,没有水汽就不会形成雾。

2 大雾过程中PWV的变化

为研究大雾过程中PWV的变化,选取2012年武汉市一月份天气活动作为样本。从武汉气象站获得的资料显示,这个月武汉共有4次大雾天气,分布在月初、该月中旬和月末。先采用GAMIT软件解算整月的数据即DOY 001~031天的数据,用sh_metutil命令得到m文件,求得PWV。图1为一月份PWV分布,横线(PWV-AVG)为该月的平均可降水量,其值为11.8 mm。

根据气象局的气象记录查询得到武汉市2012年一月份天气活动情况如表1所示。

说明:若一天中既出现了阴天又有下雨或者下雪,则记为雨或者雪。

根据文献[7]的研究,武汉地区冬季(12月~2月)大雾出现频率最高、春秋次之,并且出现时长平均在6 h左右。一般在3:30~6:30时开始形成,最集中形成时间是在早上6点;消散时间一般在8:30~10:30。考虑到雾的形成有时在每日0时之前,因此统计时采用的时间段不是一个自然日,而是从前一天晚上八点开始持续到大雾天气的晚上八点。在大雾天气过程中经过了大雾的富集和消散的过程,与其对应的水汽含量在这个过程中也会发生相应的变化。图2为1月份大雾天气时的PWV与能见度对比。

按照能见度低于1 000 m作为发生大雾的判定依据,由图2可知,1日0时到11时半、2日0时到2时和7时到下午2时、14日0时到15日2时、31日0时到11时都发生了大雾。限于篇幅,只选取了14日、31日进行分析。图3、图4分别为1月14日、31日的PWV与能见度对比。

由图3可见,按照能见度对大雾天气的界定,14日全天都属于大雾天气,因为当天的能见度一直在1 000 m以下。该日的PWV总的趋势一直处于减少状态;并且PWV当天的均值是20.068 mm,几乎是1月份的PWV均值的2倍。从图2更能明显地看出这个特点:PWV位于高位,水汽特别大。经查看气象记录发现,13日当天一直在下雨,持续了一整天时间,直到22点天空才开始放晴,天空少云,夜间辐射降温明显,空气湿度高达93%,几乎接近饱和状态。因此出现长达一天的大雾天气。这次的大雾可以归结为辐射雾,能见度在600 m左右。因而可以初步判断,当空气中PWV含量、空气湿度都比较高时,在其他条件合适的情况下容易形成大雾。

从图4可以看出,大雾开始于凌晨0时,并且是在PWV大幅回落之后。考察30日气象记录可知当日有降雨,导致30日晚间PWV下滑;当PWV再次回升之后,大雾开始形成,能见度保持在1 000 m左右将近3 h。伴随着大雾的形成,PWV大小也发生变化,从0点的4.16 mm上升到2点的5.93 mm,变化速率为0.885 mm/h。随后大雾进入成熟阶段能见度明显下降,大概在300 m左右;在此期间PWV有所减少,但不明显。在大雾消散阶段,能见度开始上升,并逐渐大幅增加至7 km;这个阶段对应的PWV有2 h的增长,之后降低到了回升前的位置。经查询当天气象站详细的记录资料后分析,这个短时间内的增长与在12点和13点出现的气雾有关,正是该时段的PWV抬升,出现了12~13点的气雾。此次大雾的浓度特别大,持续时间长。由于30日下了一场雨,这次大雾是雨后的一次大雾,因为空气中水汽很重,就造成了此次长达6 h的浓雾,可以认为富余水汽的出现正是加重大雾的源头所在。

综合以上分析,列表汇总如表2。

从表2可以发现,大雾当天的PWV大小并不一致,其中2次在月平均值之下、1次PWV值很大,说明PWV的大小不是判定是否有雾的唯一因素。在这4次大雾中共同点是在大雾形成前和形成过程中PWV的含量有了显著的增加,并且是在短时间内完成的,增量在每小时0.8 mm左右。PWV曲线大部分表现为先增后减,再增再减的情况,反映了大雾天气下的PWV大概的走势。

3 雾天与无雾时PWV的比较

为了研究雾天和无雾天天气PWV的变化,选取2日(雾)与25日(晴)、17日(雨)进行分析。

3.1 雾天与晴天PWV比较

图5为2日和25日PWV变化曲线。可以看出,晴天的PWV明显低于雾天,整体PWV趋势比较平缓,基本无大的波动,但有PWV升降交替发生的情况。25日PWV均值为3.7 mm,远低于2日的PWV均值13.9 mm和月均值11.8 mm。因此可以认为水汽含量对雾的形成有重大的影响,若空气中的水汽含量较低,不会形成雾;当空气中水汽含量足够多时,就有机会形成雾。

3.2 雾天和雨天PWV的变化

图6为雾天和雨天的PWV变化曲线。可以看出,雾天的PWV变化与雨天的PWV变化相似,雾天和雨天的PWV都处于较高的位置,居于月平均水平之上,雾天PWV平均值略大于雨天。分析原因,可能是由于雾天和雨天有较大的相似度,都是通过水汽的聚集和消散来完成一个天气过程,二者在某些方面表现一致;从中也可以看出仅凭PWV一种因素还难以判定是否发生了雾。

4 其他气象因素对雾的形成的影响

事实上雾的形成与多种因素相关,比如温度、湿度、露点差、风向、风力、气压等。下面仅就雨天和雾天的湿度、温度、露点进行分析研究。

图7是雾天与雨天的湿度对比。可以看出,雾天的湿度比雨天高,其中有2 d的部分时段湿度更是高达100%。据统计,雾天平均湿度是82.8%,雨天是77.5%。说明与PWV密切相关的两种不同天气———降雨和大雾,湿度确实不同,并且发生大雾时湿度更是高达90%,这是其不同于雨天的特征。

利用美国NOAA(美国国家海洋和气象管理局)数据库数据统计得到武汉地区2012年1月份平均气温为3.07℃。从图8可以看出,雾天温度曲线位于雨天之下,大雾发生时温度都会下降,并且随着大雾的消散温度会随之升高。而雨天的温度只是小幅度波动,日均气温都在月均气温之上。

露点差反映了空气中水汽的饱和程度,露点差越小空气越接近饱和,就越容易发生大雾。由图9可以看出,发生大雾时的露点差都是在2℃以下,雨天基本都是在2℃以上。因而露点差具有对这两种不同天气的辨识度。因此可以认为露点差在2℃以下时容易发生大雾,并且大雾天气的露点差有强烈的波动现象:大雾发生时降低,大雾消散后回升。另外,大雾发生时有露点差落在0℃的现象发生,而降雨天却没有。

5 结论

综上所述,PWV值的大小是表征大雾生成和消散的一个重要的指标,在大雾生成前PWV含量往往会发生明显的增加,武汉地区大雾的形成是多种因素综合作用的结果。在空气中凝结核数量足够多的情况下,在凌晨时分当PWV上升速率达到0.80mm/h左右、湿度在90%以上、露点差在2℃以下、气温在月平均气温3℃以下的时候多有大雾的发生。

摘要：介绍了地基GPS大气可降水量(precipitable water vapor,PWV)反演原理。利用GAMIT软件解算IGS站数据得到PWV,用逐时分析PWV的方法研究了武汉市一月份大雾生成和消散各个阶段能见度的变化。通过分析大雾过程中PWV的变化,确定大雾所处的阶段;同时对比了一月份雾天和晴天、雨天的PWV数据,分析了雨天和雾天的湿度、温度、露点的变化特点。研究结果表明武汉地区大雾的形成是多种因素综合作用的结果。

关键词：天顶对流层延迟,地基GPS,可降水量反演,大雾生消,武汉市

参考文献

[1]张亚军,顾海生,马兆有.探索雾天高速公路交通管理的有效途径.交通运输工程与信息学报,2011;9(4):76-80,87Zhang Yajun,Gu Haisheng,Ma Zhaoyou.Exploring the effective way on highway traffic management in foggy weather.Journal of Transportation Engineering and Information,2011;9(4):76-80,87

[2]郭洁,李国平,黄文诗.GPS可降水量与大雾天气关系的初步分析.自然灾害学报,2011;20(4):142-146Guo Jie,Li Guoping,Huang Wenshi.Preliminary analysis of relationship between GPS-based precipitable water vapor and weather with dense fog.Journal of Natural Disasters,2011;20(4):142-146

[3]陈永林,刘晓波,茅懋,等.上海一次连续大雾过程的成因分析.气象科技,2013;41(1):131-137Chen Yonglin,Liu Xiaobo,Mao Mao,et al.Causal analysis of a continuous dense fog in Shanghai.Meteorological Science and Technology,2013;41(1):131-137

[4]何盛浩,周志敏,梁涛,等.鄂中区大雾天气中GPS监测的水汽总量及其演变分析.第30届中国气象学会年会论文集.南京:中国气象学会,2013:1487-1505He Shenghao,Zhou Zhimin,Liang Tao,et al.Analysis of total water vapor and its evolution based on GPS in heavy fog in central Hubei.Symposium of the 30thAnnual Meeting of Chinese Meteorological Society.Nanjing:Chinese Meteorological Society,2013:1487-1505

[5]姚宜斌,曹娜,许超钤,等.GPT2模型的精度检验与分析.测绘学报,2015;44(7):726-733Yao Yibin,Cao Na,Xu Chaoqian,et al.Accuracy assessment and analysis for GPT2.Acta Geodaetica et Cartograghica Sinica,2015;44(7):726-733

[6]姚宜斌,张豹,许超钤,等.Tm-Ts的相关性分析及全球纬度相关的线性关系模型构建.科学通报,2014;59(9):816-824Yao Yibin,Zhang Bao,Xu Chaoqian,et al.Analysis of the global Tm-Tscorrelation and establishment of the latitude-related linear model.Chinese Science Bulletin,2014;59(9):816-824