کاربرد مدل‌های عددی پیش‌بینی وضع هوا در بهبود دقت تعیین موقعیت به روش ماهواره‌ای

ارائه خدمات ناوبری در تمامی شرایط آب و هوایی به کاربران، همواره به عنوان یکی از مزایای بسیار برجسته سیستم های تعیین موقعیت ماهواره ای به حساب می آید. امواج ارسالی از ماهواره های‌این سیستم ها از لایه های مختلف جو عبور کرده و‌این امر منجر به‌ایجاد انکسار در مسیر حرکت موج و در نهایت تاخیر در دریافت امواج مذکور می گردد.‌این تاخیر به برآوردی ناصحیح از موقعیت گیرنده منجر می شود. از آنجا که بیشتر فرآیند های جوی در پایینی‌ترین لایه اتمسفر زمین (تروپوسفر) رخ می­دهد،‌این لایه، یکی از منابع مهم‌ایجاد خطا در تعیین موقعیت مطلق دقیق (ppp) با سیستم تعیین موقعیت جهانی gps است. از روش‌های مختلفی برای تعامل با‌این منبع خطا استفاده می‌شود. در‌این مقاله از مدل پیش‌بینی جهانی سستامینن که با داده های حاصل از مدل استاندارد اتمسفری حمایت می شود و روش ردیابی اشعه با استفاده از مدل پیش‌بینی عددی وضع هوا ، مدل پیش‌بینی و تحقیقاتی آب و هوا (wrf) جهت برآورد تاخیر مایل تروپوسفری استفاده گردیده است. نتایج در سطح تعیین موقعیت مقایسه و بررسی شده است. موقعیت مطلق دقیق یک نقطه پس از حذف خطای مورد بحث از هر دو روش در یک بازه دوازده روز تعیین گردید. جهت بررسی نتایج از روش تکرار پذیری استفاده شده است. تکرار پذیری در مولفه ارتفاعی نتایج حاصل از تصحیح تاخیر تروپوسفر با استفاده از مدل سستامینن و ردیابی اشعه به ترتیب 13/3 میلی متر و 0/98 میلی‌متر به دست آمده است. کاهش 2/15 میلی متر در خطای مربعی متوسط نمایانگر پتانسیل مدل‌های عددی پیش بینی وضع هوا جهت دستیابی به برآوردی صحیح‌تر در مقدار تخمین تاخیر تروپوسفری با استفاده از روش ردیابی اشعه است. 

Application of Numerical Weather Prediction Models to Improve the Accuracy of Satellite Positioning Method

IntroductionThe remarkable advantage of Global Navigation Satellite Systems (GNSS) is providing navigation service to the user communities, which is independent of the weather condition. The GNSS signals pass through different layers of the Earth's atmosphere. Propagating signals are refracted while passing through every layer and therefore, the reception of the signals is delayed. This delay distorts the accuracy of the position which is computed for a receiver. Troposphere, which is the lower most part of the Earth's atmosphere, is one of the most important source of bias in this respect.To analyze the impact of tropospheric delay, it is normally divided into dry and wet components. The contribution of the dry and wet parts is reported to be 90 and 10 percent respectively. In contrary to the wet component, the existing models are precise enough to compute the contribution of the dry part on the signal delay. Therefore, analyzing the efficiency of numerical weather models for modeling the tropospheric delay as compared to the existing standard techniques seems to be remarkable.Materials and methodsIn this paper, three methods are used for computing the tropospheric error. The first method is based on the Saastamoinen's global troposphere model. This model is commonly used for computing the tropospheric error. Required input parameters are derived from the standard atmosphere model. In the second and third method, ray tracing is used for correcting the GPS measurements. A Numerical Weather Prediction (NWP) model is used for this purpose. Here, meteorological data measured at the position of the station are used as the input parameters of the model. In the third method, the required surface meteorological data are extracted from a NWP model. The World Research and Forecasting (WRF) model is used for this purpose. The WRF daily forecasts with a horizontal resolution of 0.1 degrees in 25 pressure levels (from 1000 to 50 mill bars) are used together with the GPS carrier phase and code measurements at station TKBN. This permanent GPS station is located at ϕ=36̊ 47ˊ 9.33˝ and λ=50̊ 55ˊ 48.20˝. Sling rate of the GPS measurements is 30 seconds. The observation time interval starts at November 2 and ends at November 13, 2011.Results and discussionComputed tropospheric corrections are applied to the raw measurements above. Daily precise positions of this station are estimated using the corrected data. Repeatability of the point positions is used as a measure for analyzing and comparing the obtained results. The repeatability of the station coordinates in the north component increases from 3.13 mm in the first method to 0.98 mm in the second one. The repeatability of the east and north components also improves by 1.73 mm and 2.11mm respectively when the raw observations are corrected by the tropospheric corrections which are derived from the second method above. This proves the efficiency the WRF numerical weather model for estimating the tropospheric error when the surface meteorological data that is observed at station is used.ConclusionThe use of ray tracing with surface data from WRF model in comparison with Saastamoinen model does not lead to improved repeatability coordinates in all three components. The results of this study emphasize the Numerical Weather Prediction models used in this study has been poor to calculate the surface data. Otherwise the results of the ray tracing method based on WRF model with surface meteorological data is observed at station is the best method for Computed tropospheric corrections.