⚡ electrical engineering

Analysis of tropospheric noise at small spatial scales based on GNSS ZTD and Numerical Weather Prediction models

Deze studie kwantificeert kleinschalige troposferische ruis in InSAR-observaties door GNSS- en Numerical Weather Prediction (NWP) ZTD-gegevens te vergelijken, waarbij wordt onthuld dat residuele fouten primair afhangen van breedtegraad en hoogte in plaats van de resolutie van het NWP-model, en stelt een functioneel model voor om deze sub-grid onzekerheden op te nemen in InSAR-foutenschattingen.

Oorspronkelijke auteurs: Adeyinka Olaseinde, Jeremy Maurer

Gepubliceerd 2026-07-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Adeyinka Olaseinde, Jeremy Maurer

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Grote Visie: Het Meten van de "Ademhaling" van de Aarde

Stel je voor dat je een superprecieze foto van de grond probeert te maken om te zien of deze beweegt (zoals een vulkaan die opzwelt of een mijn die verzakt). Wetenschappers gebruiken hiervoor een techniek genaamd InSAR, wat lijkt op het maken van een satellietfoto van het aardoppervlak en die te vergelijken met een foto die maanden later is genomen. Ze kunnen bewegingen detecteren die zo klein zijn als enkele millimeters.

Er is echter een probleem: de lucht tussen de satelliet en de grond is niet leeg. Het is gevuld met de troposfeer (de onderste laag van onze atmosfeer). Deze laag werkt als een beslagen raam. Wanneer radarsignalen erdoorheen gaan, vertraagt de "mist" (specifiek waterdamp) het signaal, waardoor het lijkt alsof de grond heeft bewogen terwijl dat eigenlijk niet zo is. Dit wordt troposferische ruis genoemd.

De Huidige Oplossing: De "Weersverwachting"-kaart

Om dit op te lossen, gebruiken wetenschappers Numerieke Weersverwachtingsmodellen (NWP). Denk aan deze modellen als gigantische, digitale weerkaarten die temperatuur, druk en vochtigheid overal op aarde voorspellen. Ze proberen te berekenen hoeveel de "mist" het signaal heeft vertraagd, zodat ze deze fout uit hun foto's kunnen aftrekken.

De Grote Aanname:
De meeste wetenschappers zijn ervan uitgegaan dat als je naar een zeer klein gebied kijkt (zoals een buurt), de "mist" bijna overal hetzelfde is. Ze dachten: "Als we de weersomstandigheden corrigeren met een grote kaart, zullen de kleine foutjes die overblijven in een kleine buurt zo klein zijn dat we ze kunnen negeren."

Wat deze Studie deed: De "Tweelingtest"

De auteurs van dit artikel wilden die aanname testen. Ze vroegen zich af: "Is het weer in een kleine buurt echt hetzelfde, of blijft er nog steeds 'ruis' over nadat we de weerkaarten hebben gebruikt?"

Om dit te ontdekken, zetten ze een slim experiment op:

De Tweelingen: Ze zochten groepen GPS-stations (die de atmosfeer zeer nauwkeurig meten) die heel dicht bij elkaar stonden—soms slechts enkele kilometers van elkaar verwijderd.
De Vergelijking: Ze vergeleken de "echte" atmosfeer gemeten door deze GPS-stations met de "voorspelde" atmosfeer van twee verschillende weer-modellen:
- ERA5: Een globaal model met een "rastergrootte" van ongeveer 31 km (zoals kijken naar een kaart met grote, blokkerige vierkanten).
- HRRR: Een regionaal model met een "rastergrootte" van ongeveer 3 km (zoals kijken naar een kaart met veel kleinere, fijnere vierkanten).

Als de aanname waar zou zijn, zouden de GPS-stations in dezelfde kleine buurt allemaal met elkaar moeten overeenstemmen, en zouden de weer-modellen perfect met hen overeenstemmen.

De Verrassende Bevindingen

De resultaten waren een beetje een schok voor de wetenschappelijke gemeenschap:

1. De "Mist" is er nog steeds, zelfs in kleine buurten.
Zelfs hoewel de GPS-stations dicht bij elkaar stonden, stemden ze niet perfect met elkaar overeen. Er was nog steeds een aanzienlijke hoeveelheid "ruis" (variabiliteit) overgebleven nadat de weer-modellen waren gebruikt. Het is alsof je naar een groep tweelingen in dezelfde kamer kijkt; je zou verwachten dat ze identiek gekleed zijn, maar ze droegen eigenlijk net iets andere outfits. De "mist" in de lucht veranderde zelfs over zeer korte afstanden.

2. Grotere kaarten zijn niet altijd beter.
De onderzoekers dachten dat het HRRR-model (het model met de kleine 3km-vierkanten) het veel beter zou doen dan het ERA5-model (de 31km-vierkanten).

Het Resultaat: Ze hadden het mis. Het hogere-resolutie model verbeterde de nauwkeurigheid op deze kleine schalen niet significant.
De Analogie: Stel je voor dat je een gedetailleerd schilderij van een bos probeert te maken. Je zou kunnen denken dat een fijne penseel (HRRR) beter is dan een dikke viltstift (ERA5). Maar als de bladeren constant bewegen en verschuiven in de wind (waterdamp), kan zelfs de fijnste penseel de exacte beweging niet perfect vastleggen. Het probleem is niet de grootte van de penseel; het is dat de "bladeren" (waterdamp) te chaotisch zijn om perfect door het model voorspeld te worden.

3. Locatie is belangrijker dan hoogte.
De studie vond dat waar je bent op de kaart belangrijker is dan hoe hoog je bent.

Breedtegraad: De "ruis" was veel hoger nabij de evenaar en lager nabij de polen. Dit is logisch omdat de lucht nabij de evenaar warmer is en meer waterdamp vasthoudt, wat chaotisch en moeilijk te voorspellen is. De lucht nabij de polen is droger en stabieler.
Hoogte: Verrassend genoeg was er geen consistent patroon bij hoe hoog het station was (berg versus dal). Soms hadden hoge plaatsen meer ruis, soms lage plaatsen.

De Conclusie: Een Nieuwe Vuistregel

De auteurs concludeerden dat we niet simpelweg kunnen aannemen dat de lucht in kleine gebieden "rustig" is. Zelfs na het gebruik van de beste weer-modellen, is er nog steeds een "onzekerheidspunt" overgebleven.

Ze hebben een eenvoudige wiskundige formule (een recept) gemaakt die wetenschappers kunnen gebruiken. Als je de formule je locatie (breedtegraad) en je hoogte (hoogte boven zeeniveau) opgeeft, geeft het een getal dat de hoeveelheid te verwachten "ruis" vertegenwoordigt.

Waarom dit belangrijk is:
Wanneer wetenschappers de beweging van de grond meten, moeten ze weten hoeveel ze hun cijfers kunnen vertrouwen. Deze studie geeft hen een manier om een "veiligheidsmarge" aan hun berekeningen toe te voegen. In plaats van te zeggen: "We zijn 100% zeker dat de grond 5 mm is bewogen," kunnen ze nu zeggen: "We zijn er zeker van dat de grond 5 mm is bewogen, plus of min deze specifieke hoeveelheid weer-ruis op basis van waar we ons bevinden."

Samenvatting in één zin

Dit artikel bewijst dat zelfs met onze beste weerkaarten, de lucht nog steeds te "wiebelig" en onvoorspelbaar is over kleine afstanden om genegeerd te worden, en dat we een nieuwe manier nodig hebben om deze overgebleven rommel te verantwoorden bij het meten van het aardoppervlak.

Technische Samenvatting: Analyse van troposferische ruis op kleine ruimtelijke schalen gebaseerd op GNSS ZTD en numerieke weersvoorspellingsmodellen

Probleemstelling
Interferometrische Synthetische Apertuur Radar (InSAR) is een primair instrument voor het monitoren van bodemoppervlakteverplaatsingen met millimeterprecisie. Echter, troposferische vertragingen vormen een significante bron van fouten, die vaak magnitudes bereiken van 15–20 cm, wat de signalen van belang kan overstijgen. Hoewel Numerieke Weersvoorspellingsmodellen (NWP) veelal worden gebruikt om deze vertragingen te corrigeren, gaan de meeste studies ervan uit dat de troposferische variabiliteit verwaarloosbaar is op kleine ruimtelijke schalen (bijv. binnen het gebied van het "referentiepunt" in een InSAR-tijdreeks). Er is een gebrek aan systematische kwantificering met betrekking tot de magnitude van de residuele troposferische ruis op deze kleine lengteschalen na NWP-gebaseerde correctie. Bov�nd blijft het onduidelijk of hogere-resolutie NWP-modellen de nauwkeurigheid van correcties op deze sub-grid schalen verbeteren.

Methodologie
Deze studie kwantificeert kleine-schaal troposferische fouten door de Zenith Total Delay (ZTD) afgeleid van NWP-modellen te vergelijken met GNSS-afgeleide ZTD bij clusters van dicht bij elkaar gelegen stations (maximale scheiding $\lesssim$ 13 km, met de meeste <7 km). De analyse richt zich op de ruimtelijke standaarddeviatie van de residuen ( $\sigma_{sp}$ ) over stations binnen een groep op een gegeven tijdstip, in plaats van enkel de temporele variabiliteit bij een enkel station.

Twee NWP-modellen die de uiterste grenzen van ruimtelijke resoluties vertegenwoordigen, werden geëvalueerd:

ERA5: Een wereldwijde reanalyse van ECMWF met een gridafstand van ~31 km.
HRRR: Een regionale reanalyse van NOAA met een gridafstand van ~3 km.

De gegevensbronnen omvatten:

GNSS ZTD: Afkomstig van het Nevada Geodetic Laboratory (NGL) voor 11 wereldwijde locaties (inclusief Australië, Japan, Duitsland, Italië, Chili, Alaska en Californië) en handmatig verzamelde statische surveygegevens van vier stations in Rolla, Missouri.
Verwerking: Het RAiDER softwarepakket werd gebruikt om NWP-gegevens te downloaden, deze te herformatteren naar een regelmatig grid en 3D-interpolatie uit te voeren naar de locaties van de GNSS-stations om ZTD te berekenen.
Statistische Analyse: De studie berekende de gemiddelde ruimtelijke standaarddeviatie van de residuen ( $\sigma_{sp}$ ) voor elk station en paste een functioneel model toe om $\sigma_{sp}$ te relateren aan breedtegraad en hoogte.

Belangrijkste Resultaten

Persistentie van Kleine-Schaal Ruis: Significante residuele variabiliteit blijft aanwezig op ruimtelijke schalen van $\leq$ 13 km, zelfs na NWP-correctie. De ruimtelijke standaarddeviatie ( $\sigma_{sp}$ ) is vergelijkbaar in grootte met de wereldwijde per-station temporele standaarddeviaties die in eerdere studies zijn gerapporteerd.
Afhankelijkheid van Breedtegraad: Residuele ruis varieert primair met de breedtegraad. De variabiliteit is over het algemeen hoger op lage en middenbreedtegraden (bijv. Italië, Californië, Missouri) en lager op hoge breedtegraden (bijv. Alaska, Duitsland). Een Gaussisch gevormd model van breedtegraad vangt deze trend effectief op.
Afhankelijkheid van Hoogte: De afhankelijkheid van hoogte is zwakker en minder consistent. Hoewel sommige trends werden waargenomen, varieerden deze tussen modellen en datasets, wat suggereert dat hoogte geen dominante controle is vergeleken met de breedtegraad.
Impact van Modelresolutie: In tegen tegen de hypothese dat een hogere resolutie de kleine-schaal overeenstemming verbetert, verbeterde het fijnere HRRR-model (~~3 km) de match met de GNSS ZTD niet ten opzichte van het grovere ERA5-model (~~31 km).
- Bias: Beide modellen vertoonden systematische biases (ERA5 ~50,1 mm; HRRR ~49,5 mm).
- Variabiliteit: HRRR vertoonde zelfs een iets hogere temporele variabiliteit ( $\sigma_t \approx 1,9$ cm) vergeleken met ERA5 ( $\sigma_t \approx 1,4$ cm).
Aard van de Residuen: De waargenomen spreiding tussen stations (1–2 cm) overstijgt de typische GNSS ZTD-onzekerheden (2–4 mm) aanzienlijk, wat aangeeft dat de residuen echte, kleine-schaal troposferische variabiliteit vertegenwoordigen (waarschijnlijk gedreven door waterdamp) die NWP-modellen niet kunnen oplossen, in plaats van GNSS-meetfouten.

Belangrijkste Bijdragen

Kwantificering van Sub-Grid Fout: De studie biedt de eerste systematische kwantificering van troposferische ruis op kleine ruimtelijke schalen ( $\leq$ 13 km) na NWP-correctie, waarmee wordt aangetoond dat deze ruis niet verwaarloosbaar is.
Resolutie-onafhankelijkheid: Het daagt de aanname uit dat hogere-resolutie NWP-modellen inherent betere kleine-schaal correcties opleveren, door aan te tonen dat ERA5 en HRRR vergelijkbaar presteren met betrekking tot de residuele ruimtelijke variabiliteit.
Functioneel Onzekerheidsmodel: De auteurs stellen een eenvoudig functioneel model voor (Gelijk. 6) om de kleine-schaal onzekerheid ( $\hat{\sigma}_{sp}$ ) te schatten als een functie van breedtegraad ( $\phi$ ) en hoogte ( $z$ ):
$\hat{\sigma}_{sp} \approx (az + b)e^{-\frac{\phi^2}{2c^2}}$
Dit model stelt gebruikers in staat om een punt-gewijze onzekerheidsschatting voor hun studiegebied vooraf te berekenen.

Betekenis en Claims
Het artikel beweert dat de geïdentificeerde kleine-schaal troposferische variabiliteit een persistent globaal kenmerk is dat ook aanwezig is binnen nauw gescheiden GNSS-netwerken en bij de 3 km resolutie van HRRR. De auteurs stellen dat deze variabiliteit moet worden meegenomen in de InSAR-onzekerheidsbudgetten, met name voor tektonische toepassingen waarbij pixels worden geaggregeerd of waar "ruisvrije" aannames worden gedaan voor referentiepunten.

Het voorgestelde functionele model biedt een kwantitatieve basis voor het opnemen van sub-grid troposferische fouten in InSAR-onzekerheidsschattingen. De auteurs suggereren dat omdat deze residuele structuur niet wordt opgelost door huidige NWP-fysica of resolutie, toekomstige verbeteringen mogelijk een combinatie van NWP-correcties met complementaire methoden vereisen, zoals machine learning-benaderingen, om de fijnere-schaal atmosferische variabiliteit beter te begrijpen. De studie concludeert dat hoewel NWP-modellen effectief zijn voor grootschalige correcties, een "punt-gewijze" foutterm afgeleid van breedtegraad en hoogte noodzakelijk is om de resterende onzekerheid op de pixel-schaal accuraat weer te geven.