人工智能驱动的GNSS大气效应建模、预测与应用研究进展

楼益栋; 闭浩航; 刘梦杰; 张卫星; 罗小敏; 任晓东; 张镇驿; 周要宗

doi:10.13203/j.whugis20260381

您当前的位置：

首页 >

文章列表页 >

人工智能驱动的GNSS大气效应建模、预测与应用研究进展

大地测量学与测量工程 | 更新时间：2026-11-05

- 人工智能驱动的GNSS大气效应建模、预测与应用研究进展
- Advances in Artificial Intelligence-Driven Modeling， Prediction， and Applications of GNSS Atmospheric Effects
- 武汉大学学报（信息科学版） 2026年51卷第10期页码：2071-2091
- 作者机构：
  
  1.武汉大学卫星导航定位技术研究中心，湖北武汉，430079
  2.湖北珞珈实验室，湖北武汉，430079
  3.武汉大学测绘学院，湖北武汉，430079
  4.中国地质大学（武汉）地理与信息工程学院，湖北武汉，430074
  5.苏黎世联邦理工学院大地测量与摄影测量研究所，瑞士;苏黎世，8093
- 作者简介：
  
  楼益栋，博士，教授，研究方向为北斗实时高精度定轨定位理论方法、软件研制及应用。ydlou@whu.edu.cn
- 基金信息：
  
  广西科技重大专项(桂科AA24263006);国家自然科学基金(42504032);湖北省自然科学基金(2024AFA023)
- DOI：10.13203/j.whugis20260381
  中图分类号： P228
- 收稿：2026-09-29，
  
  纸质出版：2026-10-05
- 稿件说明：
移动端阅览
楼益栋,闭浩航,刘梦杰，等.人工智能驱动的GNSS大气效应建模、预测与应用研究进展[J].武汉大学学报（信息科学版）,2026,51(10):2071-2091.

LOU Yidong,BI Haohang,LIU Mengjie,et al.Advances in Artificial Intelligence-Driven Modeling, Prediction, and Applications of GNSS Atmospheric Effects[J].Geomatics and Information Science of Wuhan University,2026,51(10):2071-2091.
楼益栋,闭浩航,刘梦杰，等.人工智能驱动的GNSS大气效应建模、预测与应用研究进展[J].武汉大学学报（信息科学版）,2026,51(10):2071-2091. DOI：10.13203/j.whugis20260381

LOU Yidong,BI Haohang,LIU Mengjie,et al.Advances in Artificial Intelligence-Driven Modeling, Prediction, and Applications of GNSS Atmospheric Effects[J].Geomatics and Information Science of Wuhan University,2026,51(10):2071-2091. DOI：10.13203/j.whugis20260381

摘要

全球导航卫星系统（global navigation satellite system，GNSS）具有全天候、高精度、高时空分辨率观测等优势，已成为开展地球大气探测与效应研究的重要技术手段。近年来，随着人工智能（artificial intelligence

AI）迅猛发展，AI驱动的GNSS大气效应研究已成为卫星导航与大气科学交叉领域的重要前沿方向。围绕GNSS大气效应建模、预测与应用，系统梳理AI在对流层天顶总延迟、天顶湿延迟、斜路径延迟、可降水量、电离层电子总含量、电子密度及电离层闪烁等参数建模与预测中的研究进展，进一步分析总结其在水汽二维建模、三维水汽和电子密度结构反演、高精度GNSS定位和强降水短临预报等方面的应用。现有研究表明，AI在复杂大气条件下对大气参数表现出较强的非线性建模与预测能力，但仍存在训练数据质量和代表性依赖较强、物理可解释性不足、复杂深度模型计算量大、长期与异常事件泛化能力有限等问题，距离工程应用仍有差距。未来研究应重点加强地基GNSS、GNSS掩星、卫星测高及探空等多源观测的协同利用，构建高质量数据集；引入GNSS信号传播过程及大气参数反演等物理约束，提高建模可靠性；发展迁移学习、自监督学习及领域自适应等方法，提高数据稀缺及复杂场景下泛化与自适应能力。同时完善面向实际应用的评价体系，形成“实时监测—智能预测—误差改正—定位/气象应用”闭环，服务于高精度定位、空间天气预警和GNSS气象学。

Abstract

Global navigation satellite systems (GNSS)

with all-weather operation

high accuracy

and high spatiotemporal resolution

have become an important technique for atmospheric sounding and the investigation of atmospheric effects. In recent years

with the rapid development of artificial intelligence (AI)

AI-driven research on GNSS atmospheric effects has emerged as an important frontier at the intersection of satellite navigation and atmospheric science. Focusing on the modeling

prediction

and applications of GNSS atmospheric effects

this paper systematically reviews recent advances in AI-based modeling and prediction of key atmospheric parameters

including zenith total delay

zenith wet delay

slant path delay

precipitable water vapor

ionospheric total electron content

electron density

and ionospheric scintillation. Applications of AI to two-dimensional water vapor modeling

three-dimensional reconstruction of water vapor and electron density structures

high-precision GNSS positioning

and severe precipitation nowcasting are further summarized and analyzed. Existing studies show that AI exhibits strong capabilities for nonlinear modeling and prediction of atmospheric parameters under complex atmospheric conditions. However

several challenges remain

including strong dependence on the quality and representativeness of training data

limited physical interpretability

high computational costs of complex deep learning models

and insufficient generalization over long time spans and during anomalous events

indicating that a gap still exists between current research and practical engineering applications. Future studies should strengthen the coordinated use of multi-source observations

including ground-based GNSS

GNSS radio occultation

satellite altimetry

and radiosonde measurements

to construct high-quality datasets; incorporate physical constraints associated with GNSS signal propagation and atmospheric parameter inversion to improve modeling reliability; and develop transfer learning

self-supervised learning

and domain adaptation methods to enhance model generalization and adaptability under data-scarce and complex conditions. In addition

evaluation systems oriented toward practical applications should be further improved to establish an integrated chain of real-time monitoring

intelligent prediction

error correction

and positioning or meteorological applications

thereby supporting high-precision positioning

space weather early warning

and GNSS meteorology.

关键词

Keywords

references

BEVIS M ， BUSINGER S ， HERRING T A ， et al . GPS Meteorology： Remote Sensing of Atmospheric Water Vapor Using the Global Positioning System ［J］. Journal of Geophysical Research： Atmospheres ， 1992 ， 97 （ D14 ）： 15787 - 15801 .

KINTNER P M ， LEDVINA B M ， DE PAULA E R . GPS and Ionospheric Scintillations ［J］. Space Weather ， 2007 ， 5 （ 9 ）： 2006SW000260 .

ZHOU Y Z ， LOU Y D ， ZHANG W X ， et al . An Improved Tropospheric Mapping Function Modeling Method for Space Geodetic Techniques ［J］. Journal of Geodesy ， 2021 ， 95 （ 9 ）： 98 .

SAASTAMOINEN J . Contributions to the Theory of Atmospheric Refraction ［J］. Bulletin Géodésique ， 1972 ， 105 （ 1 ）： 279 - 298 .

LEANDRO R F ， SANTOS M C ， LANGLEY R B . UNB Neutral Atmosphere Models： Development and Performance ［C］// The National Technical Meeting of the Institute of Navigation （ION NTM 2006）， Monterey， California， USA， 2006 .

BÖHM J ， MÖLLER G ， SCHINDELEGGER M ， et al . Development of an Improved Empirical Model for Slant Delays in the Troposphere （GPT2w）［J］. GPS Solutions ， 2015 ， 19 （ 3 ）： 433 - 441 .

LANDSKRON D ， BÖHM J . VMF3/GPT3： Refined Discrete and Empirical Troposphere Mapping Functions ［J］. Journal of Geodesy ， 2018 ， 92 （ 4 ）： 349 - 360 .

NIELL A E . Global Mapping Functions for the Atmosphere Delay at Radio Wavelengths ［J］. Journal of Geophysical Research： Solid Earth ， 1996 ， 101 （ B2 ）： 3227 - 3246 .

BOEHM J ， NIELL A ， TREGONING P ， et al . Global Mapping Function （GMF）： A New Empirical Mapping Function Based on Numerical Weather Model Data ［J］. Geophysical Research Letters ， 2006 ， 33 （ 7 ）： L07304 .

BOEHM J ， WERL B ， SCHUH H . Troposphere Mapping Functions for GPS and very Long Baseline Interferometry from European Centre for Medium-Range Weather Forecasts Operational Analysis Data ［J］. Journal of Geophysical Research： Solid Earth ， 2006 ， 111 （ B2 ）： 2005 JB003629.

FLORES A ， RUFFINI G ， RIUS A . 4D Tropospheric Tomography Using GPS Slant Wet Delays ［J］. Annales Geophysicae ， 2000 ， 18 （ 2 ）： 223 - 234 .

KLOBUCHAR J A . Ionospheric Time-Delay Algorithm for Single-Frequency GPS Users ［J］. IEEE Transactions on Aerospace and Electronic Systems ， 1987 ， AES-23（ 3 ）： 325 - 331 .

NAVA B ， COÏSSON P ， RADICELLA S M . A New Version of the NeQuick Ionosphere Electron Density Model ［J］. Journal of Atmospheric and Solar-Terrestrial Physics ， 2008 ， 70 （ 15 ）： 1856 - 1862 .

YUAN Y B ， WANG N B ， LI Z S ， et al . The BeiDou Global Broadcast Ionospheric Delay Correction Model （BDGIM） and Its Preliminary Performance Evaluation Results ［J］. NAVIGATION ， 2019 ， 66 （ 1 ）： 55 - 69 .

BILITZA D ， ALTADILL D ， TRUHLIK V ， et al . International Reference Ionosphere 2016： From Ionospheric Climate to Real-Time Weather Predictions ［J］. Space Weather ， 2017 ， 15 （ 2 ）： 418 - 429 .

BUST G S ， MITCHELL C N . History， Current State， and Future Directions of Ionospheric Imaging ［J］. Reviews of Geophysics ， 2008 ， 46 （ 1 ）： 2006RG000212 .

CARRANO C S ， GROVES K M ， RINO C L . On the Relationship Between the Rate of Change of Total Electron Content Index （ROTI）， Irregularity Strength （ C k L ）， and the Scintillation Index （ S 4 ）［J］. Journal of Geophysical Research： Space Physics ， 2019 ， 124 （ 3 ）： 2099 - 2112 .

LUO X M ， GU S F ， LOU Y D ， et al . Amplitude Scintillation Index Derived from C/N 0 Measurements Released by Common Geodetic GNSS Receivers Operating at 1 Hz ［J］. Journal of Geodesy ， 2020 ， 94 （ 2 ）： 27 .

VAN DIERENDONCK A J ， KLOBUCHAR J A ， HUA Q . Ionospheric Scintillation Monitoring Using Commercial Single Frequency C/A Code Receivers ［C］// The 6th International Technical Meeting of the Satellite Division of the Institute of Navigation （ION GPS 1993）， Salt Lake City， UT，USA， 1993 .

RUMELHART D E ， HINTON G E ， WILLIAMS R J . Learning Representations by Back-Propagating Errors ［J］. Nature ， 1986 ， 323 （ 6088 ）： 533 - 536 .

CORTES C ， VAPNIK V . Support-Vector Networks ［J］. Machine Learning ， 1995 ， 20 （ 3 ）： 273 - 297 .

BREIMAN L . Random Forests ［J］. Machine Learning ， 2001 ， 45 （ 1 ）： 5 - 32 .

CHEN T Q ， GUESTRIN C . XGBoost： A Scalable Tree Boosting System ［C］// The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ， San Francisco， CA， USA， 2016 .

LECUN Y ， BOTTOU L ， BENGIO Y ， et al . Gradient-Based Learning Applied to Document Recognition ［J］. Proceedings of the IEEE ， 1998 ， 86 （ 11 ）： 2278 - 2324 .

RONNEBERGER O ， FISCHER P ， BROX T . U-Net： Convolutional Networks for Biomedical Image Segmentation ［C］// Medical Image Computing and Computer-Assisted Intervention—MICCAI 2015 ， Munich， Germany ， 2015 .

GOODFELLOW I J ， POUGET-ABADIE J ， MIRZA M ， et al . Generative Adversarial Nets ［C］// The 28th International Conference on Neural Information Processing Systems ， Montreal， Canada ， 2014 .

SCARSELLI F ， GORI M ， TSOI A C ， et al . The Graph Neural Network Model ［J］. IEEE Transactions on Neural Networks ， 2009 ， 20 （ 1 ）： 61 - 80 .

HOCHREITER S ， SCHMIDHUBER J . Long Short-Term Memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

CHO K ， VAN MERRIENBOER B ， GULCEHRE C ， et al . Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation ［C］// The Conference on Empirical Methods in Natural Language Processing （EMNLP）， Doha， Qatar ， 2014 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention Is all You Need ［C］// The 31st International Conference on Neural Information Processing Systems ， Long Beach，Los Angeles，USA， 2017 .

SHI X J ， CHEN Z R ， WANG H ， et al . Convolutional LSTM Network： A Machine Learning Approach for Precipitation Nowcasting ［C］// Advances in Neural Information Processing Systems 28 （NIPS 2015）， Montreal， Canada， 2015 .

KARNIADAKIS G E ， KEVREKIDIS I G ， LU L ， et al . Physics-Informed Machine Learning ［J］. Nature Reviews Physics ， 2021 ， 3 （ 6 ）： 422 - 440 .

LU L ， JIN P Z ， PANG G F ， et al . Learning Nonlinear Operators via DeepONet Based on the Universal Approximation Theorem of Operators ［J］. Nature Machine Intelligence ， 2021 ， 3 （ 3 ）： 218 - 229 .

王勇，张立辉，杨晶 . 基于BP神经网络的对流层延迟预测研究［J］. 大地测量与地球动力学， 2011 ， 31 （ 3 ）： 134 - 137 .

WANG Yong ， ZHANG Lihui ， YANG Jing . Study on Prediction of Zenith Tropospheric Delay by Use of BP Neural Network ［J］. Journal of Geodesy and Geodynamics ， 2011 ， 31 （ 3 ）： 134 - 137 .

肖恭伟，欧吉坤，刘国林，等 . 基于改进的BP神经网络构建区域精密对流层延迟模型［J］. 地球物理学报， 2018 ， 61 （ 8 ）： 3139 - 3148 .

XIAO Gongwei ， OU Jikun ， LIU Guolin ， et al . Construction of a Regional Precise Tropospheric Delay Model Based on Improved BP Neural Network ［J］. Chinese Journal of Geophysics ， 2018 ， 61 （ 8 ）： 3139 - 3148 .

LI J Y ， ZHANG Q L ， LIU L L ， et al . A Refined Zenith Tropospheric Delay Model for Chinese Mainland Based on the Global Pressure and Temperature 3 （GPT3） Model and Random Forest ［J］. GPS Solutions ， 2023 ， 27 （ 4 ）： 172 .

DING M ， HU W ， JIN X ， et al . A New ZTD Model Based on Permanent Ground-Based GNSS-ZTD Data ［J］. Survey Review ， 2016 ， 48 （ 351 ）： 385 - 391 .

徐天河，李耸，王帅民，等 . 顾及气象数据的中国区域对流层延迟RBF神经网络优化模型［J］. 测绘学报， 2022 ， 51 （ 8 ）： 1690 - 1707 .

XU Tianhe ， LI Song ， WANG Shuaimin ， et al . Improved Tropospheric Delay Model for China Using RBF Neural Network and Meteorological Data ［J］. Acta Geodaetica et Cartographica Sinica ， 2022 ， 51 （ 8 ）： 1690 - 1707 .

LI Q Z ， BÖHM J ， YUAN L G ， et al . Global Zenith Wet Delay Modeling with Surface Meteorological Data and Machine Learning ［J］. GPS Solutions ， 2024 ， 28 （ 1 ）： 57 .

ABDELFATAH M A . Improving the Performance of Tropospheric Mapping Function in Low Elevation Angle Using Artificial Neural Network ［J］. The Egyptian Journal of Remote Sensing and Space Science ， 2023 ， 26 （ 1 ）： 129 - 139 .

LIU Y C ， FAN S J ， LIU Q Y ， et al . VMF3-XGB： A Novel Site-Wise Tropospheric Mapping Function Based on VMF3 and Machine Learning ［J］. Measurement ， 2026 ， 284 ： 122193 .

DING J S ， MI X L ， CHEN W ， et al . Forecasting of Tropospheric Delay Using AI Foundation Models in Support of Microwave Remote Sensing ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2024 ， 62 ： 5803019 .

ZHOU H Z ， XU Y ， ZHANG F Z ， et al . A Tropospheric Delay Grid Prediction Model Based on Non-Isotropy Using NARX Neural Network ［J/OL］. Geodesy and Geodynamics ， 2026-06-22 . https：//doi.org/10.1016/j.geog.2026.05.004 https://doi.org/10.1016/j.geog.2026.05.004 .

ZHANG Z Y ， SOJA B . MSWD： A Hybrid Machine-Learning Framework for Slant Wet Delay Modeling ［J］. Journal of Geophysical Research： Atmospheres ， 2026 ， 131 （ 12 ）： e2026JD046410 .

WEI P Z ， HU F X ， XIA P F ， et al . Zenith Tropospheric Delay Model in Chinese Mainland Based on Geographically Convolutional Neural Network Weighted Regression and Tensor Spline Function ［J］. GPS Solutions ， 2024 ， 28 （ 4 ）： 206 .

WANG L K ， KUTTERER H . An Advanced Regional Integrated Water Vapor Estimation Model Utilizing Least Squares Support Vector Machine for the Upper Rhine Graben Region ［J］. GPS Solutions ， 2025 ， 29 （ 1 ）： 59 .

ZHANG B ， YAO Y B . Precipitable Water Vapor Fusion Based on a Generalized Regression Neural Network ［J］. Journal of Geodesy ， 2021 ， 95 （ 3 ）： 36 .

ZHANG H X ， YUAN Y B ， LI W . Real-Time Wide-Area Precise Tropospheric Corrections （WAPTCs） Jointly Using GNSS and NWP Forecasts for China ［J］. Journal of Geodesy ， 2022 ， 96 （ 6 ）： 44 .

CROCETTI L ， SCHARTNER M ， ZUS F ， et al . Global， Spatially Explicit Modelling of Zenith Wet Delay with XGBoost ［J］. Journal of Geodesy ， 2024 ， 98 （ 4 ）： 23 .

YUAN P ， BALIDAKIS K ， WANG J G ， et al . Deep Neural Networks for Refining Vertical Modeling of Global Tropospheric Delay ［J］. Geophysical Research Letters ， 2025 ， 52 （ 2 ）： e2024GL111404 .

ZHENG Y X ， LU C X ， WU Z L ， et al . Machine Learning-Based Model for Real-Time GNSS Precipitable Water Vapor Sensing ［J］. Geophysical Research Letters ， 2022 ， 49 （ 3 ）： e2021GL096408 .

HUANG L K ， LU D H ， CHEN F D ， et al . A Deep Learning-Based Approach for Directly Retrieving GNSS Precipitable Water Vapor and Its Application in Typhoon Monitoring ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2024 ， 62 ： 4111712 .

LIU C ， YAO Y B ， XU C Q . Conventional and Neural Network-Based Water Vapor Density Model for GNSS Troposphere Tomography ［J］. GPS Solutions ， 2021 ， 26 （ 1 ）： 4 .

ZHANG M H ， LI L J ， ZHANG K F ， et al . Development of an Adaptive 4-D Water Vapour Density Model for the Vertical Constraints in GNSS Tropospheric Tomography ［J］. GPS Solutions ， 2024 ， 28 （ 4 ）： 159 .

GHAFFARI RAZIN M R ， VOOSOGHI B . Estimation of Tropospheric Wet Refractivity Using Tomography Method and Artificial Neural Networks in Iranian Case Study ［J］. GPS Solutions ， 2020 ， 24 （ 3 ）： 65 .

ZHANG M H ， ZHANG K F ， WU S Q ， et al . An Improved Tropospheric Tomographic Model Based on Artificial Neural Network ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2023 ， 16 ： 4801 - 4819 .

ZHANG M H ， ZHANG K F ， WU S Q ， et al . A Virtual-Signal Method for Enhancing the Efficacy of GNSS Tropospheric Tomography Using Artificial Neural Network Technique ［J］. GPS Solutions ， 2025 ， 29 （ 4 ）： 191 .

HAJI-AGHAJANY S ， IZANLOU S ， TASAN M ， et al . High-Resolution GNSS Troposphere Tomography Through Explainable Deep Learning-Based Downscaling Framework ［J］. Satellite Navigation ， 2025 ， 6 （ 1 ）： 22 .

LEANDRO R F ， SANTOS M C . A Neural Network Approach for Regional Vertical Total Electron Content Modelling ［J］. Studia Geophysica et Geodaetica ， 2007 ， 51 （ 2 ）： 279 - 292 .

ORUS PEREZ R . Using TensorFlow-Based Neural Network to Estimate GNSS Single Frequency Ionospheric Delay （IONONet）［J］. Advances in Space Research ， 2019 ， 63 （ 5 ）： 1607 - 1618 .

JI E Y ， MOON Y J ， PARK E . Improvement of IRI Global TEC Maps by Deep Learning Based on Conditional Generative Adversarial Networks ［J］. Space Weather ， 2020 ， 18 （ 5 ）： e2019SW002411 .

CHEN Z ， JIN M W ， DENG Y ， et al . Improvement of a Deep Learning Algorithm for Total Electron Content Maps： Image Completion ［J］. Journal of Geophysical Research： Space Physics ， 2019 ， 124 （ 1 ）： 790 - 800 .

CHEN J ， FANG H X ， LIU Z D . The Application of a Deep Convolutional Generative Adversarial Network on Completing Global TEC Maps ［J］. Journal of Geophysical Research： Space Physics ， 2021 ， 126 （ 3 ）： e2020JA028418 .

CHEN Z ， ZHOU K C ， LI H M ， et al . Global TEC Map Fusion Through a Hybrid Deep Learning Model： RFGAN ［J］. Space Weather ， 2023 ， 21 （ 1 ）： e2022SW003341 .

PONIATOWSKI M ， NYKIEL G ， HOQUE M M ， et al . Deep Learning Approach for Combining Global Ionospheric Maps for GNSS Positioning ［J］. GPS Solutions ， 2025 ， 29 （ 3 ）： 111 .

ITEN M ， MAO S Y ， PAN Y X ， et al . Enhanced Real-Time Global Ionospheric Maps Using Machine Learning ［J］. GPS Solutions ， 2025 ， 29 （ 3 ）： 108 .

ZHUANG Y G ， WANG M L ， WU H X . GSI-UNet： Extracting Geomagnetic and Solar Indices Features for Real-Time Global Ionospheric Map Enhancement ［J］. Space Weather ， 2026 ， 24 （ 4 ）： e2025SW004822 .

GOWTAM V S ， TULASI RAM S ， REINISCH B ， et al . A New Artificial Neural Network-Based Global Three-Dimensional Ionospheric Model （ANNIM-3D） Using Long-Term Ionospheric Observations： Preliminary Results ［J］. Journal of Geophysical Research： Space Physics ， 2019 ， 124 （ 6 ）： 4639 - 4657 .

HABARULEMA J B ， OKOH D ， BUREŠOVÁ D ， et al . A Global 3-D Electron Density Reconstruction Model Based on Radio Occultation Data and Neural Networks ［J］. Journal of Atmospheric and Solar-Terrestrial Physics ， 2021 ， 221 ： 105702 .

LI W ， ZHAO D S ， HE C Y ， et al . Application of a Multi-layer Artificial Neural Network in a 3-D Global Electron Density Model Using the Long-Term Observations of COSMIC， Fengyun-3C， and Digisonde ［J］. Space Weather ， 2021 ， 19 （ 3 ）： e2020SW002605 .

YANG D ， FANG H X . A Low-Latitude Three-Dimensional Ionospheric Electron Density Model Based on Radio Occultation Data Using Artificial Neural Networks with Prior Knowledge ［J］. Space Weather ， 2023 ， 21 ： e2022 SW003299.

ZHENG D Y ， YAO Y B ， NIE W F ， et al . A New Three-Dimensional Computerized Ionospheric Tomography Model Based on a Neural Network ［J］. GPS Solutions ， 2020 ， 25 （ 1 ）： 10 .

MA X F ， MARUYAMA T ， MA G ， et al . Three-Dimensional Ionospheric Tomography Using Observation Data of GPS Ground Receivers and Ionosonde by Neural Network ［J］. Journal of Geophysical Research： Space Physics ， 2005 ， 110 （ A5 ）： 2004 JA010797.

GHAFFARI RAZIN M R ， VOOSOGHI B . Investigating the Performance of Wavelet Neural Networks in Ionospheric Tomography Using IGS Data over Europe ［J］. Advances in Space Research ， 2017 ， 59 （ 7 ）： 1820 - 1832 .

郑敦勇，姚宜斌，聂文锋，等 . 基于机器学习集成算法的电离层层析算法迭代初值精化［J］. 地球物理学报， 2022 ， 65 （ 8 ）： 2796 - 2812 .

ZHENG Dunyong ， YAO Yibin ， NIE Wenfeng ， et al . Iterative Initial Value Refinement of Ionospheric Tomography Algorithm Based on Machine Learning Ensemble Algorithm ［J］. Chinese Journal of Geophysics ， 2022 ， 65 （ 8 ）： 2796 - 2812 .

HU T Y ， XU X H ， LUO J . Improving the Computerized Ionospheric Tomography Performance Through a Neural Network-Based Initial IED Prediction Model ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2024 ， 62 ： 5800117 .

LINTY N ， FARASIN A ， FAVENZA A ， et al . Detection of GNSS Ionospheric Scintillations Based on Machine Learning Decision Tree ［J］. IEEE Transactions on Aerospace and Electronic Systems ， 2019 ， 55 （ 1 ）： 303 - 317 .

LI W ， JIANG Y P ， JI H Y ， et al . Amplitude Scintillation Detection with Geodetic GNSS Receivers Leveraging Machine Learning Decision Tree ［J］. Satellite Navigation ， 2024 ， 5 （ 1 ）： 18 .

HAN Z J ， JIN R M ， CHEN L J ， et al . Estimating Ionospheric Phase Scintillation Indices in the Polar Region from 1 Hz GNSS Observations Using Machine Learning ［J］. Remote Sensing ， 2025 ， 17 （ 17 ）： 3073 .

杨旭，何祥祥，王媛媛，等 . 一种基于机器学习算法的区域/单站ZTD组合预测模型［J］. 全球定位系统， 2022 ， 47 （ 1 ）： 98 - 102 .

YANG Xu ， HE Xiangxiang ， WANG Yuanyuan ， et al . A Regional/Single Station ZTD Combined Forecasting Model Based on Machine Learning Algorithm ［J］. GNSS World of China ， 2022 ， 47 （ 1 ）： 98 - 102 .

HE L ， YAO Y B ， XU C Q ， et al . A New Global ZTD Forecast Model Based on Improved LSTM Neural Network ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2024 ， 17 ： 9606 - 9614 .

ZHANG H ， YAO Y B ， HU M X ， et al . A Tropospheric Zenith Delay Forecasting Model Based on a Long Short-Term Memory Neural Network and Its Impact on Precise Point Positioning ［J］. Remote Sensing ， 2022 ， 14 （ 23 ）： 5921 .

ZHANG H ， YAO Y B ， XU C Q ， et al . Transformer-Based Global Zenith Tropospheric Delay Forecasting Model ［J］. Remote Sensing ， 2022 ， 14 （ 14 ）： 3335 .

HU F X ， SHA Z M ， WEI P Z ， et al . Deep Learning for GNSS Zenith Tropospheric Delay Forecasting Based on the Informer Model Using 11-Year ERA5 Reanalysis Data ［J］. GPS Solutions ， 2024 ， 28 （ 4 ）： 182 .

BEZCIOGLU M . Long-Sequence Deep Learning Frameworks for Multivariate Forecasting of Tropospheric Parameters ［J］. GPS Solutions ， 2026 ， 30 （ 2 ）： 90 .

LU C X ， ZHENG Y X ， WU Z L ， et al . TropNet： A Deep Spatiotemporal Neural Network for Tropospheric Delay Modeling and Forecasting ［J］. Journal of Geodesy ， 2023 ， 97 （ 4 ）： 34 .

CROCETTI L ， SCHARTNER M ， WAREYKA-GLANER M F ， et al . ZWDX： A Global Zenith Wet Delay Forecasting Model Using XGBoost ［J］. Earth， Planets and Space ， 2024 ， 76 （ 1 ）： 163 .

TULUNAY E ， SENALP E T ， RADICELLA S M ， et al . Forecasting Total Electron Content Maps by Neural Network Technique ［J］. Radio Science ， 2006 ， 41 （ 4 ）： 2005RS003285 .

SRIVANI I ， SIVA VARA PRASAD G ， VENKATA RATNAM D . A Deep Learning-Based Approach to Forecast Ionospheric Delays for GPS Signals ［J］. IEEE Geoscience and Remote Sensing Letters ， 2019 ， 16 （ 8 ）： 1180 - 1184 .

TANG J ， LIU C ， YANG D P ， et al . Prediction of Ionospheric TEC Using a GRU Mechanism Method ［J］. Advances in Space Research ， 2024 ， 74 （ 1 ）： 260 - 270 .

LIU L ， MORTON Y J ， LIU Y X . ML Prediction of Global Ionospheric TEC Maps ［J］. Space Weather ， 2022 ， 20 （ 9 ）： e2022SW003135 .

SHI S S ， ZHANG K F ， WU S Q ， et al . An Investigation of Ionospheric TEC Prediction Maps Over China Using Bidirectional Long Short-Term Memory Method ［J］. Space Weather ， 2022 ， 20 （ 6 ）： e2022SW003103 .

GAO X ， YAO Y B . A Storm-Time Ionospheric TEC Model with Multichannel Features by the Spatiotemporal ConvLSTM Network ［J］. Journal of Geodesy ， 2023 ， 97 （ 1 ）： 9 .

LIU R R ， JIANG Y P . Ionospheric VTEC Maps Forecasting Based on Graph Neural Network with Transformers ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2025 ， 18 ： 1802 - 1816 .

ZHOU J W ， CAI H T ， YAN X ， et al . ED-Autoformer： A New Model for Precise Global TEC Forecast ［J］. Space Weather ， 2025 ， 23 （ 6 ）： e2025SW004356 .

GAO X ， CHENG F ， LU X C ， et al . Forecasting One-Day Global Ionospheric TEC Maps Based on a Modified 3D Convolution U-Net Incorporating Fused Index Features ［J］. GPS Solutions ， 2025 ， 30 （ 1 ）： 49 .

TURKMEN M C ， LEE Y H ， TAN E L . IonoBench： Evaluating Spatiotemporal Models for Ionospheric Forecasting Under Solar-Balanced and Storm-Aware Conditions ［J］. Remote Sensing ， 2025 ， 17 （ 15 ）： 2557 .

DE LIMA G R T ， STEPHANY S ， DE PAULA E R ， et al . Prediction of the Level of Ionospheric Scintillation at Equatorial Latitudes in Brazil Using a Neural Network ［J］. Space Weather ， 2015 ， 13 （ 8 ）： 446 - 457 .

MCGRANAGHAN R M ， MANNUCCI A J ， WILSON B ， et al . New Capabilities for Prediction of High-Latitude Ionospheric Scintillation： A Novel Approach with Machine Learning ［J］. Space Weather ， 2018 ， 16 （ 11 ）： 1817 - 1846 .

ZHAO X K ， LI G Z ， XIE H Y ， et al . The Prediction of Day-to-Day Occurrence of Low Latitude Ionospheric Strong Scintillation Using Gradient Boosting Algorithm ［J］. Space Weather ， 2021 ， 19 （ 12 ）： e2021SW002884 .

LIU L ， MORTON Y J ， LIU Y X . Machine Learning Prediction of Storm-Time High-Latitude Ionospheric Irregularities from GNSS-Derived ROTI Maps ［J］. Geophysical Research Letters ， 2021 ， 48 （ 20 ）： e2021GL095561 .

GAO Z X ， CHEN Y H ， AO X Z ， et al . ISNet： Decomposed Dynamic Spatio-Temporal Neural Network for Ionospheric Scintillation Forecasts ［J］. Space Weather ， 2025 ， 23 （ 6 ）： e2024SW004239 .

ZHAN Y H ， XING Z Y ， XU T ， et al . Prediction of Arctic Ionospheric Scintillation Using Stacked Machine Learning ［J］. Journal of Geophysical Research： Space Physics ， 2026 ， 131 （ 3 ）： e2025JA034935 .

HAJI-AGHAJANY S ， ROHM W ， HADAS T ， et al . Machine Learning-Based Tropospheric Delay Prediction for Real-Time Precise Point Positioning Under Extreme Weather Conditions ［J］. GPS Solutions ， 2024 ， 29 （ 1 ）： 36 .

CHEN P X ， ZHENG D Y ， NIE W F ， et al . Precise Point Positioning （PPP） Based on the Machine Learning-Based Ionospheric Tomography ［J］. Advances in Space Research ， 2024 ， 74 （ 10 ）： 4835 - 4848 .

LIU M J ， ZHANG W X ， LOU Y D ， et al . A Deep Learning-Based Precipitation Nowcasting Model Fusing GNSS-PWV and Radar Echo Observations ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2025 ， 63 ： 4104209 .

LU C X ， WANG Q F ， ZHENG Y X ， et al . GRENet： GNSS-Enhanced Radar Extrapolation Network for Precipitation Nowcasting ［J］. Geophysical Research Letters ， 2026 ， 53 （ 10 ）： e2025GL120787 .

LU C X ， LUO X D ， ZHENG Y X ， et al . RSG-GAN： A GAN-Based Precipitation Nowcasting Model Integrating Radar QPE， GOES-16 SWD， and GNSS ZTDS ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2025 ， 63 ： 5802417 .

SMITH J ， KAST A ， GERASCHENKO A ， et al . Mapping the Ionosphere with Millions of Phones ［J］. Nature ， 2024 ， 635 （ 8038 ）： 365 - 369 .

BEN BOUALLÈGUE Z ， CLARE M C A ， MAGNUSSON L ， et al . The Rise of Data-Driven Weather Forecasting： A First Statistical Assessment of Machine Learning-Based Weather Forecasts in an Operational-Like Context ［J］. Bulletin of the American Meteorological Society ， 2024 ， 105 （ 6 ）： E864 - E883 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

从专用模型到通用模型驱动的范式升级：GeoAI研究综述与展望

人工智能大地测量现状与趋势研究

从绘画到地图的笔触风格迁移方法

利用社会公众拍摄图像构建城市内涝深度等级评估模型

不同纬度和站间距的电离层单星模型对PPP-RTK增强定位效果分析