基于稀疏注意力与TransXLT融合模型的GNSS天顶对流层延迟高精度预测新方法

编辑推荐：针对复杂气象条件下GNSS天顶对流层延迟(ZTD)预测精度不足和数据缺失问题，中国研究团队创新性提出SASR数据重建与TransXLT混合预测模型。实验表明：SASR在120小时数据缺失时MAE降低24.5%；TransXLT平均RMSE达8.13毫米，较CNN-LSTM和ERA5分别提升76.54%和54.04%，为高精度导航定位提供突破性解决方案。

　　

在全球卫星导航系统(GNSS)应用中，天顶对流层延迟(Zenith Tropospheric Delay, ZTD)是导致2-20米定位误差的主要因素。这种延迟由电磁信号穿过8-18公里高度的大气层时产生，其中90%来自可精确估算的天顶静力学延迟(ZHD)，但剩余10%的天顶湿延迟(ZWD)受水汽快速波动影响而难以预测。传统模型如Saastamoinen和Hopfield在稳定条件下表现良好，但在复杂地形和高纬度地区误差显著；而UNB3m、GPT3等网格模型虽提升全局适应性，仍存在高海拔区域性能下降的问题。尽管机器学习方法如CNN-LSTM能将误差降低44%，但现有技术面临两大瓶颈：长期数据缺失会破坏时空一致性，而单一模型难以同时捕捉ZTD的长周期季节变化与短时水汽波动。

针对这些挑战，安徽理工大学地球与环境学院的研究团队在《iScience》发表了创新性研究。他们开发了稀疏注意力时间序列重建(Sparse Attention-based Series Reconstruction, SASR)方法，通过掩码预测和Top-k稀疏化策略，将120小时缺失数据的平均绝对误差(MAE)降低24.5%。更突破性的是提出TransXLT混合架构——融合Transformer的全局注意力机制与xLSTM（扩展长短期记忆网络）的精细时序建模能力，其中xLSTM创新性采用标量(sLSTM)和矩阵(mLSTM)双记忆结构，通过协方差更新规则提升对快速水汽变化的捕捉能力。

关键技术包括：1）基于39个IGS站点5分钟分辨率ZTD数据构建训练集，结合1°×1°GPT3网格和0.25°×0.25°ERA5再分析数据生成多源特征；2）SASR模型采用4层Transformer架构，通过动态调整Top-k值将计算复杂度从O(L²)降至O(Lk)；3）TransXLT设置3个编码块和2层xLSTM，利用滑动窗口机制提取时空特征；4）采用SHAP值解析ERA5-ZTD和站点高度的贡献度。

研究结果部分显示：在数据重建方面，SASR在法国AJAC站3月数据中，对24小时缺失段的偏差和MAE分别比三次埃尔米特插值(PCHIP)降低86.1%和77.4%。模型对比实验中，TransXLT在意大利MATE站的RMSE达5.36毫米，显著优于GRNN的35.42毫米。特征重要性分析揭示：ERA5-ZTD（融合温度/湿度/压力的再分析数据）和站点高度分别贡献预测权重的32.7%和28.1%，而GPT3-ZTD因分辨率不足仅占5.3%。值得注意的是，当训练站点密度不足时（如罗马尼亚BUCU站），模型误差会升高16%，说明空间分布显著影响性能。

这项研究的意义在于：首次实现ZTD建模中"数据修复-多尺度预测-特征解构"的全流程创新。TransXLT的混合架构为大气延迟建模提供了新范式，其8.13毫米的平均精度已接近毫米级GNSS定位需求。未来通过集成实时数据流和地形因子，有望进一步提升在台风监测等极端气象场景的适用性。该成果不仅推动精密单点定位(PPP)技术发展，也为水汽遥感等气象学研究开辟了新途径。