一种高精度的GNSS对流层湿延迟预测算法，通过PINN-LSTM集成技术适应复杂山地地形和城市环境：方法论与验证

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A High-Accuracy GNSS Tropospheric Wet Delay Forecasting Algorithm via PINN-LSTM Integration Tailored to Complex Mountainous Terrain and Urban Environments: Methodology and Validation

　　

摘要：

低空无人机（UAS）在复杂山区城市环境中的快速部署，迫切需要高时空分辨率的水汽观测数据，以支持安全飞行、精确导航和低空经济的发展。为满足这一需求，本研究以中国重庆这一具有代表性的复杂山区城市区域作为案例，开发并验证了一个用于精细构建和预测天顶水汽延迟（ZWD）的框架——ZWD是估算可降水量水汽的关键指标。我们结合现场气象站观测数据与多压力层ERA5再分析数据，利用Askne和Nordius（AN）模型获取地表、900 hPa和800 hPa层面的ZWD值，并对获取数据的可靠性进行了全面评估。随后，我们开发了一种随机森林插值算法，在研究区域内生成1公里空间分辨率的连续分层ZWD场。最后，我们设计了一种结合物理信息与长短期记忆网络（PINN-LSTM）的混合模型，为每个目标压力层提供高精度的ZWD预报。实验结果表明了三个关键发现：1）气象站获取的ZWD值与维也纳映射函数（VMF）和无线电探空仪参考数据集高度吻合，所有验证比较的相关系数均超过0.95，变化趋势一致，证实了这些数据适用于多压力层ZWD预测研究；2）不同季节和压力水平下，ZWD的高值区和低值区表现出显著的空间分布特征；总体而言，随着大气压力的降低（即海拔升高），ZWD逐渐减小；3）PINN-LSTM模型在预测不同压力层下的ZWD方面显著优于PINN和LSTM模型。

显示更多