一种基于空间注意力机制的三维对流层延迟场重构方法

本发明涉及卫星导航定位与大气探测，尤其涉及一种基于注意力机制的三维对流层延迟场重构方法。

背景技术：

1、对流层ztd（zenith total delay，天顶总延迟）通常被分解为zhd（zenithhydrostatic delay，天顶静力学延迟）与zwd（zenith wet delay，天顶湿延迟）。zhd相对稳定，可由气象参数经验公式（如saastamoinen模型）精确计算；zwd受大气水汽驱动，时空变化剧烈，是建模的难点。目前，获取区域对流层延迟的现有技术主要分为四类：

2、（1）经验（气候学）模型：以unb系列、gpt系列（gpt/gpt2w/gpt3）和hgpt系列（hgpt/hgpt2）为代表，基于长期再分析资料的周期性分析建立全球格网系数，用户仅需输入测站坐标与时刻即可获得对流层延迟估计，被广泛用于实时应用。然而，此类模型仅刻画气候平均态与周期项，无法表达天气尺度（尤其是水汽驱动）的快速变化，在湿润地区和夏季误差显著增大，且模式产品与地面实测之间存在区域性系统偏差。

3、（2）数值天气模式与再分析资料：以欧洲中期天气预报中心（ecmwf）第五代再分析资料era5为代表，提供全球逐小时、多气压层的气象场，经折射率垂直积分可获得高精度ztd，常被用作区域对流层建模的基准数据源。但此类再分析产品发布存在约5天的滞后，无法直接用于实时或近实时应用；若直接沿用最近可得的再分析场（持久性外推），误差会随时间快速增长，约两天半后甚至劣于经验模型。

4、（3）地基gnss实测反演：利用gnss观测网解算测站ztd，精度高（厘米级以内）且近实时，但仅提供测站点位上的离散观测；混合方法进一步将再分析或预报产品与gnss观测通过插值或融合生成区域产品，但该类方法对测站密度、观测质量和处理链路依赖性强，可扩展性受限。

5、（4）深度学习预报模型：早期采用dnn（deep neural network，深度神经网络）和lstm（long short-term memory，长短时记忆网络）对单站ztd时间序列进行建模，其后transformer及其变体（informer、iinformer、reformer、autoformer等）通过自注意力机制改善长程依赖建模。然而，现有深度学习方法多以时间步为词元，格网点间的空间关系被压缩在嵌入向量中，无法被注意力机制显式建模，难以克服对流层延迟，尤其是湿延迟在空间分布上的高度非均匀性和各向异性。同时，此类方法普遍依赖目标测站的历史gnss序列进行训练和推理，对无历史观测的新建站或任意格网点不适用；采用自回归解码的模型还存在多步预报误差积累问题。此外，ai气象基础大模型虽可端到端预报全球气象场，但其精度存在时空非均匀性，且不直接输出对流层延迟产品，难以针对区域延迟场重构任务进行优化。

6、综上，现有技术无法同时满足区域对流层延迟产品的五项需求：空间连续、垂直分层（三维）、近实时可用、高精度、以及不依赖目标点位的历史观测。因此，亟需一种新的技术方案，以填补高精度对流层延迟信息在实时性与空间完整性上的空缺。

7、以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本技术的新颖性和创造性。

技术实现思路

1、为解决上述技术问题，本发明提出一种基于空间注意力机制的三维对流层延迟场重构方法，能够在不依赖目标测站历史观测数据的情况下，融合数值天气再分析资料与gnss观测，实现对区域三维ztd场的高精度、近实时预报与重构。

2、为了达到上述目的，本发明采用以下技术方案：

3、第一方面，本发明公开了一种基于空间注意力机制的三维对流层延迟场重构方法，包括以下步骤：

4、a1：根据每一气压层的ztd构建目标区域在多个气压层上的历史ztd格网场，其中每一气压层的ztd是指自该气压层向上积分至大气层顶的整柱延迟；

5、a2：将所述历史ztd格网场中各格网点在回看时段内的ztd序列分别作为变量词元，将全部格网点的变量词元输入经训练的基于变量词元空间注意力机制的神经网络预报模型，经所述神经网络预报模型，计算各格网点间空间依赖性以学习空间相关性，输出所述目标区域在未来时段内各气压层上的ztd预报场；

6、a3：基于所述ztd预报场，通过物理引导反演获得目标测站的ztd；

7、a4：获取所述目标测站的gnss实测ztd，并根据所述物理引导反演得到的目标测站的ztd与所述gnss实测ztd之间的偏差，对所述目标测站的ztd进行偏差订正，形成最终的三维对流层延迟场。

8、优选地，步骤a1具体包括：

9、获取数值天气再分析资料，所述再分析资料包含所述目标区域在各气压层上的气压、温度和比湿；

10、由所述再分析资料计算大气折射率，并沿垂直方向自各气压层向上积分至大气层顶，得到各气压层的ztd；

11、根据各气压层的ztd构建目标区域在多个气压层上的历史ztd格网场。

12、优选地，所述神经网络预报模型为针对每一气压层独立训练的同构模型，各同构模型分别接收单个气压层上的历史ztd格网场并输出该气压层上的ztd预报场，多个气压层上的ztd预报场形成三维预报场。

13、优选地，所述神经网络预报模型对输入数据实施两级归一化处理：

14、第一级为全局标准化，在训练阶段对各格网点的在回看时段内的ztd序列按格网点一次性统计均值与标准差并冻结，训练和推理阶段均利用该冻结统计量进行尺度变换；

15、第二级为随预报窗口滑动逐窗计算的可逆实例归一化，对各输入样本在其回看窗口内按格网点计算均值与方差，将输入序列归一化后送入编码器，预报输出端再用同一组均值与方差逐格网点反归一化还原。

16、优选地，所述神经网络预报模型在训练时采用早停策略：将样本集划分为训练集与验证集，每完成一轮训练后在验证集上计算损失，若验证损失不再下降且达到预设耐心阈值，则终止训练并回退加载最优模型参数。

17、优选地，步骤a3中所述物理引导反演包括：根据目标测站的位置信息对所述ztd预报场进行水平插值，获得所述目标测站上方的垂直ztd剖面，并基于所述目标测站的气压与各气压层的气压关系确定包络层，由所述包络层的ztd分别计算静力学延迟分量和湿延迟分量，以合成所述目标测站的ztd。

18、优选地，所述物理引导反演中，所述水平插值为基于测站周围格网点的反距离加权插值；所述目标测站的气压由gpt3经验模型根据测站纬度、经度、椭球高和预报有效时刻计算得到。

19、优选地，所述基于所述目标测站的气压与各气压层的气压关系确定包络层，由包络层的ztd分别计算静力学延迟分量和湿延迟分量，以合成所述目标测站的ztd，包括：

20、基于所述目标测站的气压与各气压层的气压关系，确定垂直方向包络所述目标测站的上、下两个气压层作为所述目标测站的两个包络层；

21、根据各所述包络层的气压与大地高，计算各所述包络层的静力学延迟分量；

22、将所述两个包络层的ztd减去各自的静力学延迟分量，分离出所述两个包络层的湿延迟分量；

23、利用所述两个包络层的湿延迟分量和气压解算衰减参数，反演得到所述目标测站的湿延迟分量；

24、根据所述目标测站的气压与大地高，计算所述目标测站的静力学延迟分量；

25、将所述目标测站的静力学延迟分量与湿延迟分量相加，得到所述目标测站的ztd。

26、优选地，所述偏差订正包括：

27、若目标测站自身具备足够长的本地历史gnss记录，则采用第一路径，以年积日与时刻为自变量，利用包含年均值、年周期、半年周期和日周期谐波项的谐波模型对该测站的历史偏差序列进行拟合，冻结拟合系数，在线应用时根据预报有效时刻的年积日与时刻计算谐波值并加回目标测站预报值，得到订正后的ztd，根据订正后的ztd形成最终的三维对流层延迟场；

28、若目标测站不具备本地历史gnss记录但周边存在运行中的gnss基准站网，则采用第二路径，在每一预报有效时刻，收集周边多个基准站的同时刻瞬时偏差，利用以经度、纬度、大地高为自变量的最优函数系数模型进行空间拟合，在目标测站处求值并加回目标测站预报值，得到订正后的ztd，根据订正后的ztd形成最终的三维对流层延迟场。

29、第二方面，本发明公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如第一方面所述的基于空间注意力机制的三维对流层延迟场重构方法。

30、与现有技术相比，本发明的有益效果在于：本发明通过将历史ztd格网场的空间相关性引入深度学习模型，并辅以物理引导反演和gnss偏差订正，协同实现了对区域三维ztd场的高精度、近实时预报与重构，从而在不依赖测站历史观测的条件下，同时满足了空间连续、垂直分层、近实时及高精度的技术需求，克服了现有技术中精度、实时性和空间覆盖度之间的矛盾。其中，首先，通过将历史ztd格网场中各格网点的ztd序列作为独立的变量词元，并利用多头自注意力机制在变量词元之间计算空间依赖性，使得模型能够显式地学习到不同格网点之间随天气型动态变化的空间相关性。这使得模型能够利用区域内的上下文信息进行预报，克服了传统以时间步为token的深度学习模型无法直接表达空间依赖的缺陷，从而显著提升了ztd预报场的空间一致性和预测精度，特别是在水汽变化剧烈的区域。其次，通过将分层ztd定义为自该气压层向上积分至大气层顶的整柱延迟，并采用物理引导反演方法，使得本发明能够仅基于ztd预报场和测站坐标，无需任何实测气象参数，即可物理一致地反演出任意测站的ztd，实现了对无历史观测站点的覆盖，极大扩展了方法的适用性。最后，通过引入gnss引导的偏差订正策略，利用近实时的gnss实测数据消除了预报链路中的系统性偏差，进一步提升了最终产品的精度。综合以上，本发明实现了在不依赖特定测站历史观测数据的前提下，提供高精度、近实时、空间连续且垂直分层的三维ztd场，有效解决了现有技术中长期存在的精度、实时性、空间覆盖和部署成本之间的矛盾。

31、在进一步的方案中，本发明还具有以下有益效果：

32、（1）通过将历史ztd格网场构建为基于气压层的分层结构，并利用再分析资料计算，确保了数据源的物理准确性和网格化连续性，为后续的预报和反演提供了高质量的基础。

33、（2）通过为每一气压层独立训练同构模型，简化了模型复杂度，并使得各层可以针对其物理特性进行优化，提高了预报精度，同时便于并行计算，提升了推理效率。

34、（3）通过采用两级归一化处理，首先消除了不同格网点间的量级差异，然后消除了各时段的临时基线偏移，使模型专注于学习延迟场的演变形态，提高了模型的泛化能力和预测稳定性。

35、（4）通过采用早停策略，在训练过程中自动抑制过拟合，并自适应地确定最优训练轮数，保证了模型具有最佳的泛化性能，并避免了人为设定训练轮数带来的不确定性。

36、（5）通过采用物理引导的站点ztd反演，特别是基于包络层和湿延迟指数衰减假设的反演方法，使得模型能够在不依赖地面气象观测的条件下，将格网预报场物理一致地转换为任意测站的ztd，具有极高的实用性和鲁棒性。

37、（6）通过采用反距离加权插值和gpt3经验模型，分别实现了高精度的水平内插和测站气压估计，进一步确保了反演过程的物理合理性和准确性。

38、（7）通过采用基于包络层和湿延迟指数衰减假设的详细反演步骤，精确分离并计算了静力学延迟和湿延迟，使得最终合成的ztd值具有很高的物理真实性和精度。

39、（8）通过设计基于谐波模型和空间拟合模型的双路径偏差订正策略，针对有无历史观测的两种典型场景提供了自适应的解决方案，有效消除了系统偏差，并确保了在稀疏参考网条件下仍能获得显著的精度提升。

40、本发明实施例中的其他有益效果将在下文中进一步述及。