基于GPT3模型与随机森林融合的中国区域天顶湿延迟改进模型研究

针对GNSS精密定位中天顶湿延迟(ZWD)非线性变化难以准确建模的问题，研究人员结合GPT3模型和随机森林算法，利用中国70个无线电探空站5年大气廓线数据构建CRZWD模型。验证显示该模型RMS为29.95 mm，较GPT3和BPNN模型精度分别提升24.7%和15.9%，显著改善了复杂地形区ZWD的时空表征能力，为GNSS气象学应用提供了新方法。

　　

在全球导航卫星系统(GNSS)精密定位和气象研究中，天顶湿延迟(Zenith Wet Delay, ZWD)的精确建模始终是制约精度的关键瓶颈。传统模型如GPT3仅考虑周期性变化，难以捕捉水汽快速波动的非线性特征，在中国复杂地形和多变气候条件下尤为突出。随着GNSS气象学发展，如何建立适应区域特性的高精度ZWD模型成为亟待解决的问题。

针对这一挑战，武汉大学卫星导航定位技术研究中心的研究人员开展了创新性研究。他们发现GPT3模型估算的ZWD与无线电探空实测值存在显著残差，这些残差既包含周期性成分又蕴含复杂非线性特征。通过融合机器学习与经典模型优势，团队构建了名为CRZWD的新型ZWD模型，相关成果发表在《Geodesy and Geodynamics》上。

研究采用五大关键技术：基于IGRA数据库的无线电探空大气廓线积分计算ZWD参考值；快速傅里叶变换分析残差周期特性；谐波函数拟合线性残差；随机森林算法建模非线性二次残差；十折交叉验证优化模型参数。特别值得注意的是，研究使用了2018-2022年中国95个探空站数据，经严格质量控制后保留70个训练站和25个验证站。

研究结果部分：

1. 模型构建：通过将GPT3-ZWD与RS-ZWD的残差分解为周期项f(dZWD)和随机森林处理的非线性项ddZWD，建立CRZWD=ddZWD+f(dZWD)+GPT3-ZWD的三段式模型架构。

2. 精度验证：测试站数据显示CRZWD的RMS均值29.95 mm，较GPT3(39.75 mm)和BPNN模型(36.12 mm)分别提升24.7%和15.9%，其中56%站点改进超20%。残差分布显示87.4%集中在±50 mm区间，标准差改善31.1%。

3. 时空分析：低海拔区改进最显著达40.2%，秋冬季精度提升超30%。模型成功消除了GPT3的系统性负偏差，实现全年无偏估计。

这项研究创新性地将随机森林算法引入ZWD建模，突破了传统谐波函数的线性限制。CRZWD模型不仅为GNSS精密定位提供了更可靠的对流层延迟改正，其29.95 mm的精度水平也为水汽监测、数值天气预报等应用奠定了新基准。研究证实机器学习与物理模型的融合能有效提升复杂环境下的ZWD预测能力，为全球ZWD建模提供了可借鉴的技术路线。未来可进一步探索多源数据融合和深度学习等新方法，推动GNSS气象学向更高精度发展。