一种基于自监督的不确定性混合机器学习方法，用于模拟对流层天顶湿延迟

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A Self-Supervised Uncertainty-Hybrid Machine Learning Approach for Modeling Tropospheric Zenith Wet Delay

　　

摘要：

天顶湿延迟（ZWD）是全球导航卫星系统（GNSS）定位中的主要误差来源之一。现有的基于机器学习（ML）的ZWD模型在泛化能力和模拟大气水汽的高时空波动方面存在局限性。为了解决这些局限性，我们提出了一种先进的集成技术，通过自监督不确定性堆叠集成（SUSE）将多个基础ML模型结合起来。该模型提高了对中国及其周边地区ZWD的建模和预测精度。结果表明，我们的SUSE模型优于其他ML模型、深度学习（DL）模型、经验模型（GPT3）以及传统模型（Askne & Nordius (A&N) 和 Saastamoinen）。在均方根误差（RMSE）方面，我们的盲模型SUSE_A相比GPT3内部和外部分别提高了24.36%和24.24%。此外，SUSE_A的性能优于使用气象数据的传统模型（A&N和Saastamoinen），并且与其他使用气象参数的ML和DL模型相当。当有地面气象数据时，SUSE_B模型相比A&N和Saastamoinen分别将RMSE降低了34.48%和47.89%。时间和空间分析显示，SUSE模型在精度和稳定性上优于本研究中测试的其他模型。这些结果表明SUSE模型在GNSS应用中具有广阔的前景。