近日，我院黄良珂教授团队发表的论文入选全球ESI高被引论文，论文题目为“Initial results of atmospheric weighted mean temperature estimation with Pangu-Weather in real-time GNSS PWV retrieval for China”，于2025年1月发表在《GPS Solutions》（Liangke Huang, Yicai Wang, Haohang Bi, Ge Zhu, Lilong Liu, Weiping Jiang. 2025, 29, 48）期刊。GPS Solutions是卫星导航领域的国际权威期刊，最新中国科学院分区为SCI一区Top。

该论文针对GNSS水汽（PWV）反演中，大气加权平均温度（Tm）模型依赖实测气象参数且难以精确刻画其时空变化的问题，首次提出了融合盘古气象模型与随机森林算法的Tm实时预报方法，并构建了相应预报模型（RF-Tm）。该方法通过引入AI预报地表温度，并结合随机森林强大的非线性拟合能力，有效刻画了Tm在中国复杂地形下的时空变化特征。该模型在中国全域的验证结果表明，与传统的Bevis线性模型相比，均方根误差显著降低41.3%。与目前广泛使用的GPT3全球经验模型相比，精度提升达到了39.5%。相较于常用BP神经网络模型，新模型在精度与稳定性上仍有进一步提升，RMSE降低了2.8%。最终，该模型显著提升了GNSS反演可降水量的理论精度，使PWV反演的平均理论误差降至0.17mm，相对误差小于1%，尤其在青藏高原等传统模型表现较差的复杂地形区，改进效果最为明显，为实现高精度、无需气象观测依赖的实时GNSS水汽监测提供了可靠的数据支持。

据悉，收入ESI高被引论文(highly cited paper)是按领域和时间段统计的引文数，排名全球前1%的论文才能收录为ESI高被引论文。黄良珂教授团队论文入选ESI高被引论文表明我院在该领域研究获得了国内外同行的高度认可。

图1 盘古AI气象大模型预报地表气象参数流程

图2 不同模型在中国87个无线电探空站的均方根误差（RMSE）分布

图3 不同模型在2019年无线电探空站的PWV反演理论误差分布