电波科学学报  2019, Vol. 34 Issue (3): 322-329  DOI: 10.13443/j.cjors.2018042201.   PDF    
基于地基GNSS和COSMIC掩星数据吸收的三维电离层电子密度重构方法
欧明 , 熊雯 , 刘裔文 , 甄卫民     
中国电波传播研究所, 青岛 266107
摘要:精确给出电离层的实时变化信息对现代通信和卫星导航等系统可靠应用具有非常重要的意义.为提高电离层经验模型电子密度的输出精度,提出了一种基于地基GNSS和COSMIC掩星数据吸收的三维电离层电子密度重构的新方法.以最新版国际参考电离层模型IRI-2016为背景模型,选择IG指数与Rz指数作为驱动量,采用Brent算法分两步实现了地基GNSS和COSMIC掩星数据的吸收.与欧洲区域8个垂测站实测数据的对比表明:数据吸收后模型重构的电离层NmF2的绝对平均误差和标准差分别下降了33%和29%;电离层hmF2的重构误差则分别下降了约55%和30%.对比结果验证了所提方法的精度和有效性.
关键词电离层    电子密度重构    数据吸收    GNSS    COSMIC掩星    
Three-dimensional ionospheric electron density reconstruction by data ingestion of ground-based GNSS and COSMIC occultation measurements
China Research Institute of Radiowave Propagation, Qingdao 266107, China
Abstract: Accurate determination of the ionospheric real-time state plays an important role in radiowave information systems such as modern communication and satellite navigation system. To provide three-dimensional(3D) specification of the ionosphere electron density for current conditions, a new 3D ionospheric electron density reconstruction method is developed by data ingestion of ground-based global navigation satellite system(GNSS) and constellation observing system for meteorology, ionosphere and climate(COSMIC) occultation measurements. Based on the latest International Reference Ionosphere model (IRI-2016), IG index and Rz index of IRI-2016 are selected as the driving parameter. With Brent algorithm, optimal IG and RZ indices are obtained in two steps by data ingestion of ground GNSS and COSMIC occultation measurements. The comparison between reconstructed results and data of eight ionosonode stations in the European region indicates that the absolute mean error and standard deviation of the reconstructed ionospheric NmF2 were decreased by 33% and 29% respectively, while the reconstruction error of the ionospheric hmF2 decreased by about 55% and 30% respectively. Comparison results demonstrate the accuracy and effectiveness of the proposed method.
Keywords: ionosphere    electron density reconstruction    data ingestion    GNSS    COSMIC occultation    
引言

作为日地空间环境的重要组成部分, 电离层是卫星导航、通信和雷达等许多无线电信息系统的重要的测量误差来源之一.为满足高精度电离层误差修正的需要, 获取电离层特征参量至关重要.在电离层众多的特征参量中, 电子密度分布是表征电离层状态变化的关键特征参量之一, 获取高精度电离层三维电子密度分布对上述系统应用及空间天气研究等领域均具有重要的理论意义和实用价值.在电离层研究和应用过程中, 电离层的三维电子密度分布通常需要借助电离层模型计算得到, 其中常用的模型包括国际参考电离层(international reference ionosphere, IRI)模型[1]、欧洲NeQuick模型等[2].作为常用的电离层“气候学”模型, 这些模型输出的电子密度参量都是给定条件下的月中值, 只能描述电离层的平均状态, 而无法反映电离层每天的真实变化[3-4].

为实现高精度三维电子密度的重构, 很多研究者开始尝试依托各类地基/天基电离层探测数据, 利用数据吸收技术对经验电离层模型的一些特定输入参数进行驱动更新[5], 以此来提升电离层模型输出参量的精度.

针对海洋卫星高度计单频高精度电离层修正的需求, Komjathy等提出了一种能够有效“吸收”全球定位系统(global positioning system, GPS)总电子含量(total electron content, TEC)数据的方法, 该方法通过引入一个额外的修正因子确定出一个合理的有效太阳黑子数IG12来替换模型原有的IG12指数, 使得IRI模型输出的TEC值与GPS获取的实测TEC间的误差最小化, 从而实现对IRI模型的驱动更新, 分析结果表明, 数据吸收后IRI模型的TEC精度相比原模型有很大提高[6]; 为提高NeQuick模型的电离层电子密度输出精度, Nava等引入“有效辐射指数(effective ionization parameter)”Az的概念, 将CODE发布的全球垂直TEC数据吸收到NeQuick模型中, 与实测GPS倾斜TEC(STEC)及垂测F2层临界频率foF2的比较结果验证了该方法的有效性[7]; 随后, Nava又提出了能够吸收单站和多站电离层倾斜TEC的方法[8], 并将其应用于NeQuick改进模型NeQuick 2中, 有效提高了模型foF2的预测精度[9]. Migoya-Orue等利用有效电离层指数(effective ionosphere index parameters)IG最优化的方法将全球电离层地图(global ionospheric map, GIM)的垂直TEC数据吸收IRI-2012模型中, 利用全球22个数字测高仪的实测数据对太阳活动高年2000年及低年2006年的电离层F2层临界频率foF2进行精度验证, 结果表明吸收GIM数据后, IRI模型的电离层重构精度有明显提高, 其中太阳活动高年数据吸收效果要好于低年, 分析主要原因在于模型对IRI输出的电离层板厚系数驱动存在局限性[10]; Olwendo等利用2009年及2012年肯尼亚单站的全球导航卫星系统(global navigation satellite system, GNSS) TEC数据对NeQuick 2模型进行数据吸收重构, 验证了数据吸收技术在低纬区域的适用性[11].对于电子密度参量的重构而言, F2层峰值电子密度NmF2(或临界频率foF2)和峰值高度hmF2是决定电子密度剖面精度最为重要的两个关键特征值, 但目前绝大部分数据吸收方法主要集中在如何利用地基GNSS TEC数据吸收方法来提高电离层NmF2的精度上, 由于缺乏对hmF2探测数据的吸收, 这些方法给出的hmF2的精度相比数据吸收前并无明显提高.为改善单站hmF2的重构精度, Bidaine等引入了多修正因子的概念, 通过引入单站垂测数据以提升模型的修正精度, 并以此提高卫星导航定位精度[12], 但该方法无法应用到无垂测数据的海洋、沙漠等区域.

随着电离层探测数据资源的日益丰富, 很多学者开始提出多源数据吸收的电离层电子密度重构方法. Brunini等提出了一种能够同时吸收GPS TEC数据与气象电离层及气候星座探测系统(constellation observing system for meteorology, ionosphere and climate, COSMIC)卫星掩星电子密度数据的电离层三维电子密度重构方法, 该方法利用Kalman滤波方法对国际电信联盟R组(ITU-R)国际无线电咨询委员会(CCIR)的1 448组系数进行更新, 有效提升了NeQuick 2模型的倾斜TEC及电子密度的重构精度[13]. Stankov等针对局域实时化电离层电子密度的重构需求, 基于Chapman函数为背景模型, 吸收利用地基GNSS、数字测高仪及地磁台的测量数据对背景模型的参量进行驱动, 建立了LIEDR系统并实现了电离层TEC和foF2的高精度预报[14]. Galkin等基于全球电离层垂测网GIRO的实时电离层垂测数据, 建立了IRI-RTAM模型, 该模型利用实时同化映射技术对IRI模型的CCIR或URSI-88模型共计988组系数进行更新, 大大提升了IRI模型的全球电子密度重构精度[15]; Alizadeh等基于Chapman函数与球谐函数, 吸收GNSS的倾斜TEC、卫星雷达高度计垂直垂直TEC及COSMIC卫星倾斜TEC数据, 利用非线性最小二乘技术实现了全球三维电子密度的重构[16].相比单纯吸收TEC数据的方法, 这些方法可提高hmF2的重构精度, 但缺点在于需要估算大量的未知系数, 这需要大量的观测数据作为支撑, 难以满足观测数据较为稀疏的区域的电离层重构需求; 同时, 这些方法还需要观测数据有良好的空间覆盖性, 否则容易导致电子密度重构结果不稳定.

在前人研究成果的基础上, 针对原有数据吸收方法的不足, 发展了一种基于数据吸收技术的电离层三维电子密度重构新方法.该方法以国际参考电离层模型IRI-2016为背景模型, 选择IG指数与Rz指数作为驱动量, 从而避免了大规模未知系数求解的问题; 采用Brent算法将地基GNSS数据和COSMIC掩星电子密度分步吸收到IRI模型中, 实现了IRI模型最优化IG指数与Rz指数的提取, 重构得到的电离层NmF2hmF2精度均有明显提高.基于欧洲区域8个垂直台站的实测数据对比结果验证了方法的精度和有效性.

1 基于数据吸收技术的三维电子密度重构

选择最新的IRI-2016模型作为数据吸收的背景模型[17].决定电子密度剖面的两个非常重要的参量为峰值密度NmF2及峰值高度hmF2.其中, IRI模型计算NmF2的一个重要的控制参数为IG指数(12月滑动平均全球电离层指数), 而计算hmF2的控制参量为Rz指数(12月滑动平均太阳黑子数).

图 1(a)所示为不同IG指数输入条件下电离层TEC的变化关系, 左上角显示为纬度20°N点处电离层TEC与IG指数间的变化关系, TEC的积分高度为1 000 km; 图 1(b)所示为不同Rz指数输入条件下电离层hmF2的变化关系, 左上角显示为纬度20°N点处电离层hmF2与Rz指数间的变化关系.从图 1可以看出:IG指数与电离层间呈线性单独递增的关系, 随着输入的IG指数的变化, 电离层TEC也逐渐增大; Rz指数与电离层hmF2的变化关系与IG指数一致.由此可以看出, 通过调整模型的IG指数和Rz指数输入, 可使得IRI模型的输出与观测值误差最小, 从而得到最优的输入指数.

图 1 电离层TEC/hmF2随IG/Rz指数的变化 Fig. 1 The variation of the ionospheric TEC/hmF2 with the IG/Rz index

为实现三维电子密度的高精度重构, 分别选择“吸收”COSMIC掩星数据及GNSS垂直TEC(GNSS-VTEC)数据对模型的Rz指数和IG指数进行组合驱动更新, 以提高IRI-2016模型电子密度的重构精度, 具体步骤如下:

第1步  选择COMSIC掩星电子密度剖面对IRI-2016模型进行驱动更新.利用线性最优化搜索算法获取最佳的Rz指数, 使得模型输出的hmF2与掩星观测数据hmF2间的均方差最小, 表示为

$ {\rm{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\frown$}} \over R} z}} = \arg \min {\mathop{\rm var}} \left( {{h_{\rm{m}}}{{\rm{F}}_{2\;{\rm{mod}}}}({\rm{Rz}}) - {h_{\rm{m}}}{{\rm{F}}_{2\;{\rm{mes}}}}} \right). $ (1)

式中:hmF2mod为IRI模型计算得出的hmF2; hmF2mes为掩星测量的hmF2; $ {\rm{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\frown$}} \over R} z}} $为线性最优化后得到的Rz指数.在实际处理过程中, 鉴于某特定区域特定时间窗口, COSMIC掩星数据较为稀疏, 因此我们将多个掩星测量的hmF2数据进行数据吸收以获取一个最优的$ {\rm{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\frown$}} \over R} z}} $值.

第2步  获取了最优化的$ {\rm{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\frown$}} \over R} z}} $指数后, 将其输入到IRI-2016模型中, 再利用GNSS TEC数据对IRI-2016模型进行驱动更新.对每个垂直TEC对应的网格点, 均需要利用线性最优化搜索算法获取其对应位置的最佳IG指数, 搜索原则为模型输出的TEC值与GNSS实测的TEC值间的均方差最小, 具体表示为

$ \widehat {\rm{I}}{\rm{G}}(\theta , \varphi ) = \arg \min \left( {{{{\mathop{\rm TEC}\nolimits} }_{{\rm{mod}}}}(\mathord{\rm{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\frown$}} \over R}} {\rm{z}}, {\rm{IG}}, \theta , \varphi ) - {\rm{TE}}{{\rm{C}}_{{\rm{mes}}}}(\theta , \varphi )} \right) $ (2)

式中:(θ, φ)分别表示地理纬度和经度; TECmod为IRI模型计算的TEC值; TECmes为GNSS测量的TEC值.本文采用数据吸收中的Brent法求解Rz和$ \widehat {\rm{I}}{\rm{G}}$(θ, φ)值, Brent法结合了黄金分割搜索法和抛物线线性插值法的优点, 是求解有约束单变量极值问题的一种高效可靠的方法(Brent, 1973; Press et al, 1996).其中$ {\rm{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\frown$}} \over R} z}} $的搜索区间设定为10~200, 而$ \widehat {\rm{I}}{\rm{G}}$(θ, φ)搜索范围为5~300.

第3步  将最优化得到的$ {\rm{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\frown$}} \over R} z}} $$ \widehat {\rm{I}}{\rm{G}}$(θ, φ)替换IRI模型默认调用的Rz和IG指数作为输入参数, 从而重构得到数据吸收后的电离层三维电子密度.

$ \begin{array}{l} {N_{{\rm{e}}, {\rm{Recon}}}} = {N_{{\rm{e}}, {\rm{IRI}}}}({\rm{Year}}, {\rm{doy}}, {\rm{UT}}, \theta , \varphi , h, \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;{\rm{\mathord{\buildrel{\lower3pt\hbox{$\scriptscriptstyle\frown$}} \over R} z}}, \widehat {\rm{I}}{\rm{G}}(\theta , \varphi )) \end{array} $ (3)

式中:Ne, Recon表示数据吸收后重构得到的电子密度值; Year代表年; doy表示年积日; UT表示世界时; θ, φ, h, 分别表示地理纬度、经度和高度.

2 电离层三维电子密度重构 2.1 数据来源

选择利用GNSS数据及COSMIC掩星数据实现基于数据吸收技术的电离层三维电子密度重构.其中, GNSS数据来自于比利时皇家天文台(royal observatory of belgium, ROB)发布的高分辨率垂直TEC数据, 该数据的空间分辨率为0.5°×0.5°, 时间分辨率为15 min, 研究结果表明:ROB发布的VTEC数据比IGS发布的全球GIM数据具有更高的精度[18], 非常有利于电子密度的重构.掩星数据来源于COSMIC数据分析和档案中心(COSMIC data analysis and archive center, CDAAC)发布的电子密度剖面数据产品(IonPrf), 数据吸收时, 我们首先需要提取每个电子密度剖面的hmF2观测值, 再利用hmF2数据对IRI模型Rz指数的实现驱动更新.

为验证本文方法三维电子密度的重构精度, 选择利用空间物理交互式数据资源网(space physics interactive data resource, SPIDR)在欧洲区域的8个垂测站的foF2hmF2数据对模型精度进行比较分析.垂测台站的地理位置分布如图 2所示.

图 2 SPIDR在欧洲区域的8个垂测站地理位置分布 Fig. 2 Distribution of 8 SPIDR ionosondes in Europe
2.2 电离层三维电子密度重构结果

选择2014年8月24日—30日的实测数据进行三维电子密度重构.在吸收COSMIC数据得到Rz指数时, 我们采用了相应的数据质量控制策略——剔除了hmF2低于200 km或高于450 km以上的数据, 以保证求解得到的Rz指数不会超过IRI模型可接受的区间范围.

图 3所示为2014年08月24日夜间UT00:00时刻的电离层电子密度重构的结果, 其中图(a)为VTEC地图, (b)为电子密度在经度5°E时电子密度切片; (c)为电子密度在经度15°E时电子密度切片.从图 3(a)可以看出:夜间该区域电离层VTEC变化范围为5~20 TECU, 其中纬度较低的区域VTEC值普遍要高于纬度较高的区域; 在经度-10°E所处的区域, 电离层变化的梯度较小; 而经度为15°E的区域, 电离层的变化梯度更大一些; 其中在纬度50°N~55°N位置可以看见电离层VTEC偏小的区域出现, 特别是在0°E~20°E位置尤为明显, 由此可以推断在该区域会出现电离层电子密度“耗空”的现象.从图 3(b)给出的经度5°E的电子密度随纬度和高度变化的电子密度剖面可以清晰呈现出电离层电子密度随纬度的升高而逐渐减小的趋势, 其中可以看到在纬度50°N附近出现了电子密度明显下降的情况, 这与图 3(a)的推断是完全吻合的.从图 3(c)也可明显看出在纬度55°N附近电子密度的“耗空”, 该区域电子密度相比50°N纬度的NmF2值下降了约50%.图 3的电子密度重构结果验证了本文数据吸收方法重构的电子密度值具有良好的空间分辨率, 能很好地反映电离层的空间变化规律.

图 3 2014年08月24日夜间UT 00:00时刻的电子密度重构的结果 Fig. 3 Ionospheric electron density reconstruction result at UT 00:00 on August 24, 2014
3 重构精度评估与分析 3.1 电离层NmF2重构精度比较

为进一步对本文方法的精度进行分析, 将8个台站2014年8月24日至30日垂测仪测量的NmF2hmF2数据与数据吸收前后的IRI模型进行比较, 结果如图 4所示, 从图中可以看出数据吸收后IRI模型输出的NmF2与垂测仪的实测数据更为接近.

图 4 八个台站数据吸收前后及垂测站的电离层NmF2比较 Fig. 4 Comparison of NmF2 before and after data ingestion of eight ionosonde stations

图 5给出重构的电离层NmF2的精度统计结果, 可以看出, 相比垂测NmF2数据, IRI模型经过数据吸收后其NmF2重构结果比数据吸收前具有更好的相关性, 其相关系数由0.82上升为0.95.其中, 数据吸收前IRI模型的NmF2平均绝对误差及标准差分别为1.2×105 el·cm-3和1.4×105 el·cm-3; 而数据吸收后IRI模型误差则分别下降为0.8×105 el·cm-3和1.0×105 el·cm-3, 相对误差分别下降了约33%和29%.而从NmF2误差分布直方图分布也可以看出, 数据吸收后NmF2重构误差有较大的降低.

图 5 重构的电离层NmF2精度统计结果 Fig. 5 Statistical accuracy of reconstructed ionospheric NmF2
3.2 电离层hmF2重构精度比较

同样地, 利用垂测数据对电离层电子密度的hmF2精度进行分析.图 6所示为8个台站垂测仪测量的hmF2数据与数据吸收前后的IRI模型的比较结果, 从图中可以看出数据吸收后IRI模型输出的hmF2相比吸收前, hmF2的重构精度有了非常大的提高.特别是对于8月27日~30日而言, 其重构结果与垂测实测结果非常一致, 验证了本文方法对提升hmF2重构精度的有效性和可靠性.

图 6 八个台站数据吸收前后及垂测站的电离层hmF2比较 Fig. 6 Comparison of hmF2 before and after data ingestion of eight ionosonde stations

图 7给出重构的电离层hmF2的精度统计结果, 从图中可以看出, IRI模型经过数据吸收后其hmF2值更为接近垂测仪的实际测量值, 而数据吸收前, IRI模型输出的hmF2相比实测值则明显偏低.其中, 计算得到数据吸收前IRI模型的hmF2平均绝对误差及标准差分别为31 km和23 km; 而数据吸收后IRI模型误差则分别下降为14 km和16 km, 相对误差分别下降了约55%和30%, hmF2重构精度相比吸收前有较为明显的提高.从hmF2误差分布直方图也可以看出, 数据吸收后hmF2重构误差基本符合均值为零的正态分布, 相比数据吸收前hmF2的精度有明显提高.

图 7 重构的电离层hmF2精度统计结果 Fig. 7 Statistical accuracy of reconstructed ionospheric hmF2

本文用于数据吸收的高分辨率TEC数据由比利时皇家天文台(ROB)发布, 该数据覆盖的区域范围为(-15°E~25°E, 35°N~62°N), 只覆盖了中纬区域.数据吸收后只能得到该区域范围内每个网格点的最优化IG指数, 因此无法用于提升其他纬度的NmF2精度; 但在Rz指数驱动上, 我们利用多笔掩星数据驱动得到一个最优的Rz指数, 该Rz指数并非对应于某个特定地理位置, 而同样适用于低纬和高纬地区.因此我们可进一步分析数据吸收方法能否对低纬(20°S~20°N)和高纬区域(纬度60°N或60°S)的hmF2重构精度有所提升.

图 8(a)(b)分别给出了数据吸收前后, 低纬和高纬区域电离层hmF2重构误差的比较结果.从图中可以看出, 除了能提升中纬区域hmF2精度, 数据吸收方法同时也能够提升低纬和高纬区域的电离层hmF2重构精度.

图 8 低纬/高纬电离层hmF2重构误差直方图比较 Fig. 8 Histograms of reconstructed ionospheric hmF2 error at low and high latitude area
4 结论

电子密度分布是表征电离层状态变化的关键特征参量之一, 获取高精度电离层三维电子密度分布具有重要的理论意义和应用价值.针对高精度电离层重构的需求, 本文提出了一种基于地基GNSS和COSMIC掩星数据吸收技术的三维电离层电子密度重构新方法.以IRI-2016为背景模型, 利用高分辨率GNSS-VTEC及COSMIC掩星实测数据, 采用数据吸收技术对IRI模型IG指数和Rz指数进行组合驱动更新, 有效提升了IRI模型NmF2hmF2的重构精度, 实现了区域电离层三维电子密度高精度重构.

然而, 由于可用于数据吸收的hmF2数据较少, 因此本文通过Rz指数最优化只能使得背景模型输出的hmF2数据在整体的变化趋势上与观测结果更为接近, 无法实现局地范围内hmF2与观测数据完全符合; 由于本文采用的驱动参数为IG和Rz两类参数, 这对于重构得到foF2hmF2等参量提升精度较为明显, 但对E层、F1层、电离层板厚等参数无法进行更为细致的驱动更新, 因此重构的电离层电子密度剖面相对较为平滑, 无法反映出中小尺度的电离层结构特征; 此外, 本文数据吸收技术缺乏电离层参数的预测预报能力, 这些局限性均需要在未来的工作中进一步解决.此外, 本文使用的比利时皇家天文台高分辨率垂直TEC数据只能覆盖欧洲区域, 如何将全球电离层TEC数据(如JPL发布的GIM数据)吸收到IRI模型中, 以提高全球电离层参量峰值密度NmF2和峰值高度hmF2的精度, 也将是本文下一步的研究方向.

致谢: 本文GNSS数据由比利时皇家天文台(ROB)提供, 掩星数据来源于COSMIC数据分析和档案中心(CDAAC), 垂测数据由空间物理交互式数据资源网(SPIDR)下载, 在此一并表示感谢.

参考文献
[1]
BILITZA D. International reference ionosphere 2000[J]. Radio science, 2001, 36(2): 261-275. DOI:10.1029/2000RS002432
[2]
NAVA B, COISSON 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. DOI:10.1016/j.jastp.2008.01.015
[3]
CANDER L R. Towards forecasting and mapping ionospheric space weather under cost actions[J]. Advances in space research, 2003, 31(4): 957-964. DOI:10.1016/S0273-1177(02)00793-7
[4]
欧明, 甄卫民, 张时生, 等. 一种融合天地基多源数据的电离层反演方法[J]. 电波科学学报, 2016, 31(4): 713-719.
OU M, ZHEN W M, ZHANG S S, et al. A combined ionosphere inversion method by data fusion of space and ground-based multisource observations[J]. Chinese journal of radio science, 2016, 31(4): 713-719. (in Chinese)
[5]
BURESOVA D, NAVA B, GALKIN I, et al. Data ingestion and assimilation in ionospheric models[J]. Annals of geophysics, 2009, 52(3-4): 235-253.
[6]
KOMJATHY A, LANGLER R B, BILITZA D. Ingesting GPS-derived TEC data into the international reference ionosphere for single frequency radar altimeter ionospheric delay corrections[J]. Advance space research, 1998, 22: 793-801. DOI:10.1016/S0273-1177(98)00100-8
[7]
NAVA B, COISSON P, AMARANTE G M, et al. A model assisted ionospheric electron density reconstruction method based on vertical TEC data ingestion[J]. Annals of geophysics, 2005, 48(2): 313-320.
[8]
NAVA B, RADICELLA S M, LEITINGER R, et al. A near-real-time model-assisted ionosphere electron density retrieval method[J]. Radio science, 2006, 41(6): 1-8.
[9]
NAVA B, RADICELLA S M, AZPILICUETA F. Data ingestion into NeQuick 2[J]. Radio science, 2011, 46(6): 1-8.
[10]
MIGOYA-ORUÉ Y, NAVA B, RADICELLA S, et al. GNSS derived TEC data ingestion into IRI 2012[J]. Advances in space research, 2015, 55(8): 1994-2002. DOI:10.1016/j.asr.2014.12.033
[11]
OLWENDO O J, CESARONI C. Validation of NeQuick 2 model over the Kenyan region through data ingestion and the model application in ionospheric studies[J]. Journal of atmospheric and solar-terrestrial physics, 2016, 145: 143-153. DOI:10.1016/j.jastp.2016.04.011
[12]
BIDAINE B. Ionosphere modelling for Galileo single frequency users[D]. Belgium: University of Liege, 2012.
[13]
BRUNINI C, AZPILICUETA F, GENDE M, et al. Ground-and space-based GPS data ingestion into the NeQuick model[J]. Journal of geodesy, 2011, 85(12): 931-939. DOI:10.1007/s00190-011-0452-4
[14]
STANKOV S M, STEGEN K, MUHTAROV P, et al. Local ionospheric electron density profile reconstruction in real time from simultaneous ground-based GNSS and ionosonde measurements[J]. Advances in space research, 2011, 47(7): 1172-1180. DOI:10.1016/j.asr.2010.11.039
[15]
GALKIN I A, REINISCH B W, HUANG X, et al. Assimilation of GIRO data into a real-time IRI[J]. Radio science, 2012, 47(4): 1-10.
[16]
ALIZADEH M M. Multi-dimensional modeling of the ionospheric parameters using space geodetic techniques[D]. Vienna: Vienna University of Technology, 2013.
[17]
BILITZA D, ALTADILL D, REINISCH B, et al. The international reference ionosphere: model update 2016[C]//EGU General Assembly 201, 2016, 18: EGU2016-9671.
[18]
BERGEOT N, CHEVALIER J M, BRUYNINX C, et al. Near real-time ionospheric monitoring over Europe at the Royal Observatory of Belgium using GNSS data[J]. Journal of space weather space climate, 2014, 4(87): 239-257.