Efeitos da Refração Troposférica no Posicionamento por Ponto Preciso no Brasil
DOI:
https://doi.org/10.22456/1807-9806.118014Palavras-chave:
Software Bernese GNSS, Funções de Mapeamento, PPP, Modelos Troposféricos, Atraso Troposférico ZenitalResumo
A troposfera é uma das fontes de erro mais limitantes na acurácia do método de Posicionamento por Ponto Preciso. Este trabalho tem como objetivo analisar os efeitos do atraso troposférico nesta técnica de posicionamento a dados do Global Navigation Satellite Systems (GNSS) pertencentes à Rede Brasileira de Monitoramento Contínuo de Sistemas GNSS. O atraso troposférico é gerado pela influência da atmosfera hidrostática e seca. Corresponde a cerca de 2,3 m no zênite para componente hidrostática, 1 a 35 cm no zênite para componente úmida. Apesar, da componente úmida ser geralmente menor, sua variação temporal e espacial é muito maior, o que dificulta a sua modelagem. As observáveis GNSS estão relacionadas a várias zonas climáticas, incluindo a região amazônica, referindo-se às quatro estações do ano. Os dados foram processados considerando seis estratégias, cada uma usando diferentes modelos troposféricos e funções de mapeamento para análise. Os resultados foram avaliados segundo EMQ (Erro Médio Quadrado), estimado para 15 dias de processamento para cada estação, envolvendo 89 estações GNSS. Para a resultante planimétrica, o melhor resultado foi obtido no histograma de frequências em que foi utilizado o modelo Hopfield para componente hidrostática e a função de mapeamento Hopfield para a componente úmida estimada (5% da amostra com acurácia maior que 3 cm).O melhor método de processamento em relação a componente altimétrica, foi obtida empregando a função de mapeamento de Vienna - VMF1, juntamente com as correções do atraso troposférico total (ZTD) baseadas no modelo de Previsão Numérica de Tempo do European Center for Medium-Range Weather Forecast -PNT/ECMWF- (94,2% da amostra de acurácia menor que 3cm). Os resultados mostram que os maiores efeitos do atraso troposférico ocorreram na região equatorial, relacionados à componente altimétrica, em todas as estações do ano. Esta zona climática é fortemente influenciada pela região amazônica, que apresenta altos valores anuais de umidade. Além disso, nesta região pode haver uma grande variação de umidade, o que pode comprometer o processo de estimativa da componente úmida do atraso troposférico. Por fim, os resultados mostraram que a melhor estratégia de processamento foi utilizar a função de mapeamento de Viena em conjunto com as correções baseadas no modelo de Previsão Numérica do Tempo.
Downloads
Referências
Abreu, P.A.G, Alves, D.B.M. & Gouveia, T.A.F. 2014. Aplicação e avaliação do modelo de Previsão Numérica do Tempo Eta15km no posicionamento absoluto. Rev Bras Cartogr, 66(3): 555-567.
Alves, D.B.M., Sapucci, L.F., Marques, H.A., de Souza, E.M., Gouveia, T.A.F. & Magário, J.A. 2016. Using a regional numerical weather prediction model for GNSS positioning over Brazil. GPS solutions, 20(4): 677-685.
Anderson, B.T. & Strahler, A. 2008. Visualing weather and climate. New Yok, John Wiley & Sons, 528p.
Bar-sever, Y.E, Kroger, P.M. & Borjesson, J.A. 1998. Estimating horizontal gradients of tropospheric path delay with a single GPS receiver. J Geophys Res, 103: 5019-5035.
Böhm, J.; H. Schuh. 2004. Vienna mapping functions in VLBI analyses. Geophysical Research Letters, 31: L01603.
Böhm, J., Niell, A., Tregoning, P. & Schuh, H. 2006a. Global Mapping Function (GMF): A new empirical mapping function based on numerical weather model data. Geophys Res Lett, 33: L07304.
Böhm, J., Werl, B. & Schuh, H. 2006b. Troposphere mapping functions for GPS and very long baseline interferometry from European Centre for Medium-Range Weather Forecasts operational analysis data. J Geophys Res, 111: B02406.
Böhm, J.; Heinkelmann, R.; Schuh, H. 2007. Short note: A global model of pressure and temperature for geodetic applications. J Geod, 81(10): 679-683.
Bos M. & Scherneck H.G. 2013. Computation of Green’s Functions for Ocean Tide Loading. In: Xu G. (Eds) Sciences of Geodesy - II. Springer, Berlin, Heidelberg.
Bruyninx, C., Altamimi, Z., Caporali, A., Kenyeres, A., Lidberg, M., Stangl, G. & Torres, G.A. 2013. Guidelines for EUREF Densifications. IAG sub-commission for the European Reference Frame.
Chen, G. & Herring, T.A. 1997. Effects of atmospheric azimuthal asymmetry on the analysis of space geodetic data. J Geophys Res, 102: 20489-20502.
Chuerubim, M.L., Segantine, P.C.L. & Silva, I. 2016. O impacto dos modelos troposféricos no posicionamento GNSS de alta precisão em diferentes épocas e estações do ano. Rev de Engenharia e Tecnologia, 8(2): 44-54.
Collins, P. & Langley, R.B. 1999. Tropospheric Delay. GPS World, 1: 52-58.
Costa, S.M.A.; Junior, E.S.F.; Fazan J.A.; Monico, J.F.G. & Camargo, P.O. 2002. Preliminary Results of SIRGAS 2000 Campaign —IBGE Analysis Center. In: Drewes H., Dodson A.H., Fortes L.P.S., Sánchez L., Sandoval P. (Eds) Vertical Reference Systems. International Association of Geodesy Symposia, Springer, vol 124. Berlin, Heidelberg, p 306-311.
Dach, R., Simon, L., Walser, P. & Fridez, P. 2015. User manual of the Bernese GNSS. Software 5.2, Switzerland: AIUB, 852p.
Davis, J.L., Herring, T.A., Shapiro, I.I., Rogers, A.E.E. & Elgered, G. 1985. Geodesy by radio interferometry: effects of atmospheric modeling errors on estimates of baseline length. Radio Sci., 20(6): 1593-1607.
Dodo, J.D. & Idowu, T.O. 2010. Regional Assessment of the GPS Tropospheric Delay Models on the African GNSS Network. J Emerging Trends Eng Appl Sci, 1: 113-121.
Foelsche, U. & Kirchengast, G. 2002. A simple‘‘geometric’’mapping function for the hydrostatic delay at radio frequencies and assessment of its performance. Geophys Res Lett, 29: 1111-1114.
Gouveia, T.A.F., Alves, D.B.M. & Sapucci, L.F. 2017. Avaliação da acurácia e tempo de convergência do PPP com o uso de previsão numérica de tempo na modelagem do atraso troposférico. Rev Bras Cartogr, 69: 433-445.
Gouveia, T.A.F., Sapucci, L.F., Monico, J.F.G., & Alves, D.B.M. 2014. Avaliação robusta da modelagem neutrosférica sobre o território brasileiro baseada em modelos de Previsão Numérica de tempo da América do Sul. Bol de Ciênc Geod, 20: 481-503.
Herring, T.A. 1992. Modelling atmospheric delays in the analysis of space geodetic data, In: symposium on refraction of transatmospheric signals in geodesy. Netherlands Geod. Commis, 36: 157-164.
IERS Conventions. 2010. Gérard Petit and Brian Luzum (eds.). IERS Technical Note 36. Frankfurt am Main: Verlag des Bundesamts für Kartographie und Geodäsie, 2010. 179 p.
Ifadis, I. 1986. The atmospheric delay of radio waves: Modeling the elevation dependence on a global scale. In: TECHNICAL REPORT N°. 38L, School of Electrical and Computer Engineering, Chalmers University of Technology, Goteborg, Sweden.
IGN. Institut National de L’Information Géographique et Forestière. 2017. Available at: < https://itrf.ign.fr/trans_para.php >. Date of Access: Feb. 16, 2017.
Karabatic, A. & Weber, R. 2009. Precise Point Positioning (PPP) - an alternative processing technique to estimate the tropospheric wet delay of GNSS signals. Geophysical Research Abstracts, 11: EGU2009-4492.
Landskron, D. & Böhm, J. 2017. VMF3/GPT3: Refined discrete and empirical troposphere mapping functions. J Geod, 92: 349-360.
Marini, J.W. 1972.Correction of satellite tracking data for an arbitrary tropospheric profile. Radio Sci, 7: 223-231.
Monico, J.F.G. 2008. Posicionamento pelo GNSS: Descrição, fundamentos e aplicações. 2.ed. São Paulo: Editora UNESP, 476 p.
Nascimento, L.A., Dal Poz, W.R., Santos, A.P. & Freitas, K.X.S. 2017. Geração automatizada de séries temporais de dados posicionais utilizando o IBGE-PPP. Bol de Ciênc Geod, 23: 150-165.
Niell, A. 1996. Global mapping functions for the atmosphere delay at radio wavelengths. J Geophys Res, 101: 3227-3246. https://doi.org/10.1029/95JB03048.
Nimer, E.1979. Um modelo metodológico de classificação de climas [A methodological model of climate classification]. Rev Bras de Geogr, 41(4): 59-89.
Nimer, E. 1989. Climatologia do Brasil. Rio de Janeiro, IBGE, Departamento de Recursos Naturais e Estudos Ambientais. Rio de Janeiro, 422p.
Oliveira, A.F., Alves, D.B.M. & Ferreira, L.D.D. 2014. Avaliação de Diferentes Modelos Troposféricos de Previsão Numérica de Tempo no Posicionamento em Redes. Rev Bras Cartogr, 66(3): 691-704.
Pan, L. & Guo, F. 2018. Real-time tropospheric delay retrieval with GPS, GLONASS, Galileo and BDS data. Sci. Rep., 8: 17067.
Ray, R.D. & Ponte, R.M. 2003.Barometric tides from ECMWF operational analyses. Ann Geophys, 21: 1897–1910.
Rohli, R.V. & Veja, A.J. 2018. Climatology. Burlington, Massachusetts, Jones & Bartlett Learning, 418p.
Saha, K., Raju, C.S. & Parameswaran, K. 2010. A new hydrostatic mapping function for tropospheric delay estimation. J Atmos Sol Terr Phys, 72: 125-134.
Saastamoinen, J. 1972. Atmospheric correction for the troposphere and stratosphere in radio ranging of satellites. the use of artificial satellites for geodesy. Geophys Monogr, 15: 247-251.
Sanz-Subirana, J., Juan Zornoza, J.M. & Hernández-Pajares, M. 2013. GNSS Data Processing, Volume I: Fundamentals and Algorithms. Noordwijk, ESA Communications, ESTEC, 223p.
Spilker Jr, J.J. 1996.Tropospheric Effects on GPS. In: PARKINSON BW & SPILKER Jr JJ. Global Positioning System: theory and applications. Washington, AIAA. Progress in Astronautics and Aeronautics: 517-546.
Sapucci, L.F. & Monico, J.F.G. Avaliação dos modelos de Hopfield e de Saastamoinen para a modelagem do atraso zenital troposférico em território brasileiro utilizando GPS. In: Séries em Ciências Geodésicas 30 anos de Pós-Graduação em Ciências Geodésicas no Brasil. Curitiba, Vol. 1, p.47-61, 2001.
Seeber, G. 2003. Satellite Geodesy: foundations, methods and applications. 2.ed., Berlin, New York: Walter de Gruyter, 589p.
Teunissen, P.J.G. & Kleusberg, A. 1998. GPS for Geodesy. Berlin, Springer-Verlag. 640 p.
Torge, W. & Müller, J. 2012. Geodesy. 4th Edition, Walter de Gruyter, Berlin. 444p.
Tunali, E. & Özlüdemir, M.T. 2019. GNSS PPP with different troposphere models during severe weather conditions. GPS Solutions, 23: 1-11.
VMF1. Vienna Mapping Function. 2017. Available at: https://vmf.geo.tuwien.ac.at/trop_products/GRID/2.5x2/VMF1/VMF1_FC/. Date of Access: Nov. 27, 2017.
Waldhelm, R., Gomes, I.P., Ventura, R.N., Trindade, R.T., & Bretas, R. 2006. Projeto Infra-estrutura Geoespacial Nacional-PIGN.
Wang, M. & Li, B. 2016. Evaluation of empirical tropospheric models using satellite-tracking tropospheric wet delays with water vapor radiometer at Tongji, China. Sensors, 16: 1-15.
Weston, N.D. & Soler, T. Rigorous Geodetic Positioning in the Americas. 13p, 2012. Available at: <https://www.ngs.noaa.gov/CORS/Articles/Weston-SolerFIG-2012-Montevideo.pdf>. Date of Access: March 22, 2017.
Xiong, C., Lu, L. & Zhao, L. 2019. Analysis on the Impacts of Slant Tropospheric Delays on Precise Point Positioning. Appl Sci, 9.22: 4884.
Xu, G. & Xu, Y. 2016. GPS: Theory, Algorithms and Applications. Berlin, Springer, 489p.
Zhao, Q., Yao, Y., Yao, W., & Li, Z. 2018. Real-time precise point positioning-based zenith tropospheric delay for precipitation forecasting. Sci Rep, 8: 7939.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Pesquisas em Geociências
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
