GPS : forsinkelse gjennom troposfæren, posisjon og meteorologisk data-assimilering

Abstract

GPS-signalets forsinkelse gjennom troposfæren påvirker beregningen av posisjonen i geodesi. Ulik a priori informasjon om trykk, temperatur og vanndamptrykk fra forskjellige kilder blir i denne oppgaven testet for å se hvilke av metodene som gir best resultat i posisjonberegning. Det ble i tillegg testet hvilke av de ulike metodene som egner seg best til estimering av total forsinkelse, som kan brukes i meteorologisk data-assimilering. Metodene som testes er Vienna Mapping Function (VMF1) basert på en numerisk værmodell, Global Temperature and Pressure Model (GPT2), og en lokal numerisk værmodell fra meteorologisk institutt (MET). På grunn av en høydedifferansen mellom den lokale værmodellen og faktisk høyde for stasjoner ble det i tillegg undersøkt flere metoder for beregning av a priori informasjon, der en høydekorrigering ble inkludert.

Det var forskjeller i total forsinkelse for de ulike metodene. Det kom tydelig frem her at det var en feil-modellering av den lokale værmodellen og en høydekorrkeksjon var derfor nødvendig. Det var en breddegradsavhengighet mellom gjennomsnittlig total forsinkelse for VMF1 og GPT2, med en større forskjell i nord iforhold til sør. Etter høydekorrigeringen ble det liten forskjell mellom VMF1 og MET. Ved å se nærmere på stasjonene kunne det se ut som MET hadde en finere tidsoppløsning enn VMF1, når en så på a priori informasjon.

Av resultatene var det VMF1 og MET-metodene som ga best resultater for RMS-verdien til vertikal posisjon langs kysten i sør, mens det på innlandet var mer tilfeldig hvilke som ga best resultat. På noen innlandsstasjoner ble GPT2 den beste metoden. VMF1 med ultra rapid baneparametere ga høyest RMS-resultater. Når atmosfærisk loading ble inkludert fikk VMF1 og MET en relativt stor reduksjon i RMS på innlandet og mot nord. VMF1 ble den beste metoden etter korreksjonen og GPT2 den dårligste.

I data-assimileringen på MET kunne vi se at lignende funn ble gjort: GPT2 ga for noen stasjoner best resultater på innlandet, mens motsatt var tilfelle langs kysten. Generelt ble resultatene langs kysten dårligere enn på innlandet og nord, sannsynligvis fordi det er større endringer fra dag til dag i trykk, temperatur og vanndamptrykk ved kysten.

Det konkluderes med at atmosfærisk loading bør inkluderes når en skal se på forsinkelsen gjennom troposfæren, og at det bør skje en høydekorrigering for MET-dataene.

Delay in the GPS-signal through the troposphere has a great impact on position in geodisy. In this thesis different a priori information about pressure, temperature and water vapor from different sources are tested to see which one gives the best result when looking at position. In addition this delay can also be used for meteorological purposes. The total delays in zenith are investigated to see which method gives the best result in the meteorological data assimilation. The different models for a priori information used here is Vienna Mapping Function (VMF1), based on a numerical weather model, a Global Temperature and Pressure model (GPT2) and a local numeric weather model directly from MET (MET). Because the local model uses a different height corresponding to the same longitude and latitude as the site, it was also investigated different methods correcting for this height difference.

The results showed that there is a difference in the total delay between the methods. There was a great impact of the mismodelling from the local MET-model when looking at this delay, making it clear that the height correction was necessary. The difference between the mean of the total delay for VMF1 and GPT2 was latitude dependent, with higher total delay in the north when using GPT2 compared to the south. The difference between the mean total delay for VMF1 and the MET-model when corrected for height was very small, but when looking closely at some stations it seemed like the local models had a higher time resolution than VMF1, when looking at a priori information.

VMF1 and the MET corrected for height had low RMS-values in the southern coast, and higher in the inland and north. GPT2 showed for some inland stations better results than the other methods. VMF1 with ultra-rapid orbits gave the worst results when looking at the RMS-values. When corrected for atmospheric loading VMF1 become the best method whereas GPT2 the worst.

The data-assimilation from MET showed similar results, and GPT2 gave, for some stations, better results in the inland and VMF1 better near the coast. In general the result was better in the inland and the north, and worse near the southern coast. This can be due to the rapid changes in temperature, pressure and water vapor here.

The conclusion is that for further studies height correction and atmospheric loading should be included.