GPT3模型的综合性能评价与优化方法

为了剖析GPT3(generative pre-trained transformer 3)模型垂直改正精度不足的原因，探究GPT3模型的优化方法。本文利用探空资料、NCEP(National Centers for Environmental Prediction)再分析资料以及GNSS ZTD(global navigation satellite system)数据对GPT3模型进行多参数、立体式的评价，并与Saastamoninen和UNB3m模型进行比较。结果表明：在地表层，GPT3预测气压、温度、水汽压以及ZHD(zenith hydrostatic delay)、ZWD(zenith wet delay)和ZTD(zenith total delay)的RMSE(root mean square error)值均优于UNB3m,分别为6.4 hPa、3.9 K、2.8 hPa、18.6 mm、33.0 mm、36.5 mm;而在垂直方向上，发现GPT3的RMSE值随高度的上升明显增大，在离地10 km处，其预测气压、温度、ZHD和ZTD的RMSE值分别为38.3 hPa、...