近日，中国科学院国家授时中心在eLoran信号传播时延预测研究方面取得进展。针对气象因素对eLoran信号传播时延的影响，研究团队提出了一种基于气象数据驱动的反向传播神经网络（BPNN）预测模型，提升了长距离场景下的信号传播时延预测精度。

eLoran系统的时间同步精度易受气象因素波动影响，中长距离传播场景下时延变化可达数百纳秒至微秒级。传统模型在短距离时延预测中表现良好，但在长距离场景下难以准确表征多因素的耦合效应。为此，研究团队深入分析了温度、湿度和大气压力对信号传播时延的影响机制，揭示了不同距离下气象因素对传播时延的累积效应，通过路径加权算法，有效解决了长距离场景下局部气象突变对整体分析的干扰。（见图1）。

图1. 2024年10月12日郑州差分基准站与路径上多气象站之间短期皮尔逊相关系数矩阵

研究团队基于多差分基准站和气象站的长期观测数据设计了一种BP神经网络架构，并引入传播距离的空间分析以提升模型精度。实验数据显示，基于温度的单因素BP神经网络模型预测优于传统线性模型（见图2）。此外，多气象因素模型的预测精度并未随输入维度增加而无限提升，表明特征筛选的必要性（见图3）。在长距离场景中，引入中间气象站数据可显著降低预测误差，例如PSLZ多站模型的RMSE和MAE分别优化至11.5441纳秒和8.8986纳秒（见图4）。

图2. 单因素BPNN预测模型与线性模型的比较

图3. 多因素BPNN预测模型的比较

图4. 使用不同数量气象站数据的BPNN预测模型的比较

相关研究成果以《A Meteorological Data-Driven eLoran Signal Propagation Delay Prediction Model: BP Neural Network Modeling for Long-Distance Scenarios》为题发表于国际期刊Remote Sensing。