Новий шлях до швидшого PPP-AR

Швидкість і точність позиціювання GNSS значною мірою залежать від того, наскільки реалістично ми моделюємо іоносферу — заряджений шар, що викривляє й затримує супутникові сигнали. Нова робота показує, що багатошарове представлення іоносфери може відчутно підсилити один з найвибагливіших підходів у галузі — Precise Point Positioning з фіксацією цілих неоднозначностей (PPP-AR). Замість тонкої одиночної оболонки іоносферу ділять на кілька шарів і завдяки цій структурі точніше перетворюють Vertical Total Electron Content (VTEC) у похилий STEC. Зовні виграш помірний, але на практиці він важливий: швидша збіжність фільтра, кращі початкові координати і помітні переваги в екваторіальних широтах, де градієнти іоносфери найскладніші.

Це актуально, бо класичний PPP часто «буксує» в часі. Точності вистачає, та збіжність затягується, зокрема через складність акуратно змоделювати іоносферні впливи. Стандартна Single Layer Model (SLM) досі поширена, але дає гірші результати там, де TEC швидко змінюється в просторі, насамперед на низьких широтах. У міру того як глобальні іоносферні карти стають кращими, саме функція відображення перетворюється на помітне джерело похибок. Тож потрібні глибші дослідження картографування іоносфери, що здатні прискорити й стабілізувати PPP-AR.

Дослідники з Університету Вармії та Мазур у Ольштині (UWM), Німецького аерокосмічного центру (DLR), DLR Gesellschaft für Raumfahrtanwendungen mbH (GfR) та Європейського космічного агентства (ESA) повідомили у журналі Satellite Navigation у 2026 році (DOI: 10.1186/s43020-026-00193-0), що валідували нову багатошарову іоносферну функцію відображення для PPP-AR. Вони перевірили, чи заміна припущення про «тонку одношарову оболонку» на шарову модель покращує конвертацію VTEC у похилі поправки STEC, безпосередньо корисні для позиціювання.

Методику оцінювали у двох площинах. По-перше, у домені позиціювання, використовуючи некомбіновану модель PPP-AR. По-друге, у домені спостережень GNSS, де перетворені значення STEC порівнювали з еталонними оцінками з геометрично-вільної (GF) лінійної комбінації. Набір даних охопив дев’ять постійних станцій GNSS на високих, середніх і низьких широтах, із літніми та зимовими періодами 2019 року. У більшості станцій і відрізків часу багатошарові функції відображення перевершили звичну SLM.

У середньому фільтр PPP-AR сходився на 4–10% швидше. Влітку 2019 року середній час збіжності по всіх станціях зменшився з 11,4 до 10,3 хв із багатошаровою «сліпою» (ML blind) моделлю проти SLM, узимку 2019 — з 14,3 до 13,8 хв. Найбільший ефект спостерігали поблизу екватора: на станції BOAV середній час збіжності скоротився з 21,7 до 19,2 хв, коли ML blind замінила традиційне відображення. Поліпшилась і початкова точність: середня просторово-3D RMS на другому епосі знизилася з 0,529 до 0,518 м улітку 2019 року, а взимку — з 0,569 до 0,558 м.

«Це той тип покращення, що має значення саме тому, що з’являється на старті, — йдеться у статті. — У високоточному GNSS перші хвилини часто вирішують, чи метод працює практично, чи дратує затримками. Ближчі до реальності іоносферні поправки допомагають PPP-AR швидше стабілізуватися і краще поводитись там, де іоносфера найскладніша, особливо над екватором».

Наслідки виходять за межі одного рівняння. Швидша збіжність робить PPP-AR привабливішим для навігації, геодезії та інших сценаріїв, де довгі ініціалізації неприйнятні. Дослідження також показує, де майбутні виграші будуть найбільшими — у низьких широтах, де традиційні припущення руйнуються швидше. Вартість обчислень лишилася помірною: підхід ML blind потребує приблизно на 10% більше процесорного часу, ніж SLM. Тобто це не теоретична дрібниця, а практичний приклад того, як точніша структура іоносфери переходить у кращу продуктивність позиціювання.

Джерело: Aerospace Information Research Institute, Chinese Academy of Sciences

Оригінал статті: https://doi.org/10.1186/s43020-026-00193-0