文章快速检索     高级检索
  大地测量与地球动力学  2017, Vol. 37 Issue (5): 472-477  DOI: 10.14075/j.jgg.2017.05.007

引用本文  

谢劭峰, 黎峻宇, 刘立龙, 等. 新疆地区GGOS Atmosphere加权平均温度的精化[J]. 大地测量与地球动力学, 2017, 37(5): 472-477.
XIE Shaofeng, LI Junyu, LIU Lilong, et al. Refinement of GGOS Atmosphere Weighted Mean Temperature in Xinjiang[J]. Journal of Geodesy and Geodynamics, 2017, 37(5): 472-477.

项目来源

国家自然科学基金(41664002, 41541032, 41064001);广西自然科学基金(2015GXNSFAA139230);广西空间信息与测绘重点实验室基金(14-045-24-10, 15-140-07-11)。

Foundation support

National Natural Science Foundation of China, No.41664002, 41541032, 41064001;Guangxi Natural Science Foundation, No.2015GXNSFAA139230;Guangxi Key Laboratory of Spatial Information and Geomatics Foundation, No.14-045-24-10, 15-140-07-11.

通讯作者

黎峻宇, 助教, 主要研究方向为GNSS技术与应用, E-mail:lijunyu36@163.com

Corresponding author

LI Junyu, teaching assistant, majors in GNSS technology and application, E-mail:lijunyu36@163.com.

第一作者简介

谢劭峰, 副教授, 主要研究方向为GNSS数据处理与应用, E-mail:xieshaofeng111@126.com

About the first author

XIE Shaofeng, associate professor, majors in GNSS data processing and application, E-mail:xieshaofeng111@126.com.

文章历史

收稿日期:2016-05-09
新疆地区GGOS Atmosphere加权平均温度的精化
谢劭峰1,2     黎峻宇1,2     刘立龙1,2     黄良珂1,2     
1. 桂林理工大学测绘地理信息学院, 桂林市雁山街319号, 541006;
2. 广西空间信息与测绘重点实验室, 桂林市雁山街319号, 541006
摘要:绝大多数地基GPS站观测时未进行测站上空气象观测, 导致无法获得精确的大气加权平均温度(GTm), 限制了地基GPS遥感水汽的应用。基于此, 本文分析了利用GGOS Atmosphere Tm格网数据获取新疆地区加权平均温度(Tm)的方法。利用无线电探空资料评估由GGOS Atmosphere加权平均温度格网数据计算得到的GTm的精度, 通过考虑季节和地理变化的精化模型对GTm进行改正。结果表明, 利用平均值插值方法得到的GTm经过精化模型改正后, 可以满足新疆地区地基GPS精密遥感水汽的要求。
关键词GGOS Atmosphere加权平均温度新疆地区GTm精化模型平均值插值

使用地基GPS遥感水汽时, 加权平均温度(Tm)是一个至关重要的参数[1]。国际上常用的是Bevis利用无线电探空数据推出的适合中纬度地区(27°~65°N)的线性回归公式Tm=70.2+0.72Ts。但该公式在各地区的精度相差较大, 如在中国中部地区偏差达到-4~-6 K[2]。为此, 文献[2]和文献[3-4]分别建立了中国地区和全球的Tm回归公式, 文献[5-8]分别建立了区域的Tm回归公式, 但这些公式的使用都需要当地的实测气象数据, 在缺乏气象观测的地区使用受到限制。文献[9]提出了使用测站位置和年积日来获取全球加权平均温度的方法, 但该方法时间分辨率较低, 无法反映Tm在1 d中的变化情况, 难以满足全球地基GPS气象学实时性和高时间分辨率的要求[10]。GGOS Atmosphere通过对ECMWF的资料进行处理, 在全球提供了时间分辨率为6 h、空间分辨率为2.5°×2°的Tm格网数据, 该格网数据具有较高的时空分辨率, 为缺乏高空气象观测资料的地区获得精确Tm提供了方便[11]。文献[12]对GGOS Atmosphere Tm格网数据在全球和中国地区的整体精度进行了验证与分析, 但由于其采用的是大范围且相对稀疏的无线电探空资料、COSMIC掩星资料, GGOS Atmosphere Tm格网数据在特定区域范围内的精度还有待验证。新疆地区地域辽阔, 大气水汽含量在空间上分布极不均匀, 昼夜温差大, 气候环境恶劣。对新疆地区开展GGOS Atmosphere Tm格网数据适用性分析与研究, 对地区GPS气象学的发展以及GGOS Atmosphere Tm格网数据对恶劣气候环境的适应性都具有较强的现实意义。

1 加权平均温度对GPS遥感水汽的影响

地基GPS遥感水汽是利用GPS信号穿越大气层时的对流层延迟中的湿延迟(ZWD), 通过PWV=Π×ZWD来计算水汽含量(PWV)。其中, Π是ZWD与PWV之间的转换系数, 可由式(1)计算:

(1)

式中, ρw为水的密度, Rv为水汽气体常数, k2k3为大气折射常数。Tm可由式(2)精确计算[10]:

(2)

式中, Pvi为第i层大气的平均水汽压(hPa), Ti为第i层大气的平均温度(K), Δhi为第i层大气的厚度(m)。PviTi、Δhi可通过测站上空气象资料求取, 但由于大部分GPS站没有装载探空设备, 故难以获得精确的Tm

由此可见, Π的误差是利用ZWD计算PWV的重要误差来源, 而Tm又是计算Π的关键因子, 因此精确求取Tm对精密遥感水汽含量至关重要; 此外, ZWD的误差也会影响遥感水汽精度。PWV与ZWD、Tm的误差关系可表示为[3]:

(3)
(4)

在缺少气象参数的地区常采用Π=0.15进行气象学研究。假设Π=0.15, 取Tm平均值281 K, 则有:

(5)

由文献[3]可知, 通过IGS站提供的ZTD产品和使用气压模型估算的ZHD相减得到的ZWD精度优于1 cm, 而1 cm的ZWD误差引起的PWV误差为1.5 mm。根据气象学的要求, 对PWV的估算精度应达到2.5 ~3.5 mm[13], 因此在不考虑ZWD的估算误差的情况下, 由Tm引起的误差应小于等于1 mm, 才能满足精密遥感水汽含量的需要。

2 新疆地区GGOS Atmosphere加权平均温度的精度分析

本文利用探空站所在的GGOS Atmosphere加权平均温度格网, 分别使用平均值法、最近点法、反距离加权法以及双线性插值法, 插值计算探空站位置的Tm

选取新疆地区的9个无线电探空站2013、2014年的数据(地面至3 000 km左右高空17~ 19个等压面分层气象数据, 各层气压约为:地面气压、925 hPa、850 hPa、700 hPa、500 hPa、400 hPa、300 hPa、250 hPa、225 hPa、200 hPa、150 hPa、100 hPa、90 hPa、80 hPa、70 hPa、50 hPa、30 hPa、20 hPa、10 hPa、无。用式(2)计算其每天0时、12时的Tm, 并以此为真值, 对基于GGOS Atmosphere加权平均温度格网数据利用前述4种插值方法计算得到的Tm进行精度检验与分析。为方便描述, 将基于GGOS Atmosphere加权平均温度格网数据利用各种插值方法得到的Tm简称为GTm。新疆地区的9个探空站在GGOS格网中的位置如图 1所示, 9个探空站2013、2014年的GTm精度统计结果(MAE、RMSD)分别见表 1表 2(单位K)。

图 1 新疆地区探空站分布 Fig. 1 Distribution of sounding stations in Xinjiang

表 1 2013年GTm年均检验结果 Tab. 1 The annual average precision of GTm in 2013

表 2 2014年GTm年均检验结果 Tab. 2 The annual average precision of GTm in 2014

结合图 1表 1表 2可知, 2 a之间4种方法各自在9个探空站的GTm无论是单站或整体精度都相当, 同一种方法在同一个站的插值精度随年份的变化不大, 说明同一种方法具有相对稳定性。平均值法的GTm在各站2 a之间的MAE、RMSD分布都比较均匀, MAE、RMSD均小于11 K, 且总体的MAE、RMSD均小于最近点法和双线性插值法, 与反距离加权法相比, 其MAE相同, 但RMSD略大; 反距离加权法的MAE、RMSD均小于其他3种方法, 整体精度最高, 但在喀什站出现了12 K左右的MAE和大于12 K的RMSD, 稳定性弱于平均值法; 双线性插值法整体精度最低, MAE、RMSD与平均值法、反距离加权法均相差0.1 K左右。综上可得, 探空站的GTm与格网角点具有相关性, 应用反距离加权法整体上可以获得最高精度的GTm; 平均值法与反距离加权法精度相当(RMSD略大0.04 K, 即使在ZWD达到最大的400 mm时, 引起的PWV误差也不足0.01 mm), 且在各站的精度较反距离加权法分布更均匀、稳定, 没有出现较大的误差。考虑到在一些地区难以获得当地高程来实施反距离加权法, 因此如果要获得较好的GTm, 可优先考虑使用平均值法, 这样既可以保证GTm的精度, 同时计算也更方便快捷。由文献[2]可知, 高精度Tm的RMSD应小于5 K, 因此4种方法都不能保证直接在9个站均获得高精度的GTm; 按文献[12]的方法, 在新疆地区计算Tm的精度也达不到这一要求, 证明在新疆地区研究GTm的精度是必要的, 且GTm可能存在年周期性和区域特性, 有必要对GTm精度的年际变化和空间迁移进行进一步的分析, 以求在新疆地区获得更高精度的GTm

为了获得更高精度的GTm, 本文使用平均值法插值2010~2014年的平均BIAS, 然后进行GTm精度空间迁移的特征分析。GTm随纬度变化的情况见图 2

图 2 年平均BIAS与测站纬度的关系 Fig. 2 Relationship of annual average BIAS and latitude of station

图 2可知, 各站的平均BIAS都小于0, 即GTm整体小于真值Tm; 随着纬度的变化, 年平均BIAS被分成了两个部分, 第一部分平均BIAS在[-1.5, -3.5], 第二部分平均BIAS在[-8.0, -10.5]。由此可得, 进行GTm精度变化研究时, 可以将新疆地区分成两个部分, 第一部分为34°~39.46°N以及43.78°~43.95°N, 第二部分为39.46°~43.78°N和43.95°~48.10°N。

为进一步了解GTm精度的年际变化, 本文分析了2010~2014年平均值法的误差在9个探空站随时间的变化情况。研究发现, 各站GTm的BIAS随着时间的变化表现出一定的年周期和半年周期特性。限于篇幅, 这里只列出2013、2014年乌鲁木齐站、民丰站的BIAS的变化情况(图 3图 4)。

图 3 乌鲁木齐站GTm的BIAS年际变化 Fig. 3 The BIAS annual variation of GTm in Urumqi station

图 4 民丰站GTm的BIAS年际变化 Fig. 4 The BIAS annual variation of GTm in Minfeng station

通过以上分析可知, 在新疆地区为了获得高精度的GTm, 除了要考虑采用合适的插值计算方法, 还应该考虑GTm的地理位置、年积日。

3 新疆地区GTm的精化 3.1 GTm的精化模型

由上节分析结果可知, 按GTm年平均BIAS分布可以将新疆地区分为两个区域, 同时GTm误差呈年周期性和半年周期性。Boehm等[14]使用以1 a为周期的三角函数来拟合全球气温与气压模型(GPT)的气温、气压的季节变化; Lagler等[15]通过估算GPT模型气温、气压的振幅以及年度和半年振幅的相位, 提出了全球气温和气压第二代模型(GPT2);Yao等[3]基于一个带有半年周期和年周期的三角函数, 精化了由其建立的单因素或多因素的全球加权平均温度模型。参考以上方法, 本文拟建立一个考虑地区GTm平均振幅和GTm半年周期、年周期变化的三角函数模型对GTm在新疆地区进行精化改正。

分两个部分求取模型系数, 第一部分为34°~39.46°N以及43.78°~43.95°N, 第二部分为39.46°~43.78°N和43.95°~48.10°N, 精化模型具体形式如下:

(6)

式中, GTmave为平均值法获取的GTm, GTms为经过精化改正后的GTmave, ΔGTmGTmave与真值Tm的偏差, ΔGTm的表达式为:

(7)

式中, Ai(i=1, 2, 3, 4, 5)为待定系数, doy为对应的年积日。使用2010~2013年9个站的ΔGTm按最小二乘原理解算两个部分的精化模型系数。经解算, 两个部分的ΔGTm具体形式如式(8)、式(9)所示。

第一部分的精化模型:

(8)

第二部分的精化模型:

(9)
3.2 精化模型的精度分析

用精化模型对2010~2013年平均值法计算的9个探空站的GTm进行改正并与探空站真值Tm作差, 以验证模型的内符合精度, 分析模型的可靠性[16]。为方便比较分析, 将2013年各站、整年以及2010~2013年整体统计结果列于表 3(单位K)。

表 3 精化模型的内符合精度 Tab. 3 The precision of inner coincidence of the refined model

表 3可以看出, 经过改正后GTm与真值Tm符合较好, 2013年各站的MAE、RMSD都明显减小, GTm的精度显著提高; 所有站的RMSD都在3.04 K以内, MAE小于2.5 K, 2013年整体RMSD减少4 K, 整体MAE下降4.08 K; 和田、喀什、伊宁站的GTm精度提高尤为明显, RMSD从原来的10 K以上下降到不足3 K, MAE从10 K以上减少至2 K左右; 各站的误差最大值绝对值与误差最小值绝对值偏差基本在3 K左右, 误差整体分布比较稳定; 模型整体RMSD、MAE均小于3 K。综上可知, 该精化模型能很好地提高平均值法计算的GTm在新疆地区的精度, 误差分布均匀, 内符合精度较高, 具有很好的可靠性和稳定性。

应用2010~2013年的数据验证精化模型的精度只能分析精化模型的可靠性, 模型在其他年份的适用性及泛化能力还有待验证。为此, 使用精化模型对2014年平均值法计算的9个探空站的GTm进行改正并与探空站真值Tm作差, 进而分析精化模型的外符合精度, 统计结果见表 4(单位K)。

表 4 精化模型的外符合精度 Tab. 4 The precision of outer coincidence of the refined model

表 4可以看出, 精化后的GTm与真值Tm具有很好的一致性, 整体的RMSD为2.35 K, 相比精化之前减小4.73 K, MAE为1.83 K, 降低了4.86 K; 各站的RMSD、MAE都有明显的减少, 除库车、乌鲁木齐站外, 其他站的RMSD、MAE都减少了1.5 K以上, 和田、喀什、伊宁站下降更为明显; 各站的外符合精度与内符合精度相当, RMSD小于3 K, MAE在2.5 K以内, RMSD、MAE在各站分布均匀, 没有出现大的精度损失; 整体的误差最大值绝对值与误差最小值绝对值偏差基本在3 K左右, 误差绝对值最大值大部分在10 K以内, 最大为10.89 K, 与内符合精度表现一致。由此可知, 精化模型在内符合精度较高的同时也保证了较高的外符合精度, 精化模型具有较好的适应性, 具备较强的泛化能力。

研究大气加权平均温度的最终目的是获得高精度的PWV。下面对经过精化后的GTm误差引起的PWV误差进行分析。据统计, 新疆地区2010~2014年9个探空站的Tm分布在[242, 300], 选择11 K作为递增梯度, 转换系数Π随加权平均温度Tm的变化如表 5所示。

表 5 转换系数Π随加权平均温度的变化 Tab. 5 The change of Π with Tm

表 5显示, Tm增加或减小11 K, 引起Π的变化为0.006 2。假设天顶湿延迟没有误差, 则PWV的误差与转换系数Π误差之间的关系为:

(10)

据计算, 新疆地区2010~2014年9个探空站的ZWD均小于100 mm, 即精化后的GTm取误差绝对值最大值10.89 K时, 所引起的误差约为0.62 mm, 可以满足精密遥感水汽含量的要求。因此, 根据精化模型的内外符合精度结果, 在各测站RMSD小于3 K、MAE小于2.5 K、误差绝对值最大值为10.89 K的情况下, 平均值法计算的GTm经精化模型改正后, 可以达到精密遥感水汽含量的要求。

4 结语

利用GGOS Atmosphere提供的加权平均温度格网数据, 通过平均值法、最近点法、反距离加权法以及双线性插值法计算和分析新疆地区2010~2014年9个探空站的GTm, 通过建立精化模型对GTm进行改正。结果表明:1)反距离加权法计算GTm的整体精度最高, 平均值法与反距离加权法精度相当, 仅RMSD略大, 但精度分布更均匀、稳定; 2)平均值法得到的GTm整体小于由探空数据计算的Tm, 并存在半年周期和年周期特性; 3)利用考虑地理位置和年积日的GTm精化模型, 能有效提高平均值法计算GTm的精度, 得到的GTm可以满足精密遥感水汽含量的要求。

致谢: 衷心感谢美国怀俄明州立大学大气科学工程系和全球大地观测系统Atmosphere提供的数据资料!

参考文献
[1]
Yao Y B, Zhu S, Yue S Q. A Globally Applicable, Season-Specific Model for Estimating the Weighted Mean Temperature of the Atmosphere[J]. J Geod, 2012, 86(12): 1 125-1 135 DOI:10.1007/s00190-012-0568-1 (0)
[2]
于胜杰, 柳林涛. 水汽加权平均温度回归公式的验证与分析[J]. 武汉大学学报:信息科学版, 2009, 34(6): 741-744 (Yu Shengjie, Liu Lintao. Validation and Analysis of the Water-Vapor-Weighted Mean Temperature from Tm-Ts Relationship[J]. Geomatics and Information Science of Wuhan University, 2009, 34(6): 741-744) (0)
[3]
Yao Y B, Zhang B, Xu C Q, et al. Improved One/Multi-Parameter Models That Consider Seasonal and Geographic Variations for Estimating Weighted Mean Temperature in Ground-Based GPS Meteorology[J]. J Geod, 2014, 88(3): 273-282 DOI:10.1007/s00190-013-0684-6 (0)
[4]
陈鹏, 陈家军. 利用NCEP再分析资料建立全球大气加权平均温度模型[J]. 大地测量与地球动力学, 2014, 34(3): 133-136 (Chen Peng, Chen Jiajun. Establishment of Global Atmospheric Weighted Average Temperature Model Using NCEP Reanalysis Data[J]. Journal of Geodesy and Geodynamics, 2014, 34(3): 133-136) (0)
[5]
Liu L L, Yao C L, Wen H Y. Empirical Tm Model in the Region of Guangxi[J]. Geodesy and Geodynamics, 2012, 3(4): 47-52 DOI:10.3724/SP.J.1246.2012.00047.1 (0)
[6]
李国翠, 李国平, 杜成华, 等. 华北地区地基GPS水汽反演中加权平均温度模型研究[J]. 南京气象学院学报, 2009, 32(1): 80-86 (Li Guocui, Li Guoping, Du Chenghua, et al. Weighted Mean Temperature Models for Mapping Zenith Wet Delays onto Precipitable Water in North China[J]. Journal of Nanjing Institute of Meteorology, 2009, 32(1): 80-86 DOI:10.3969/j.issn.1674-7097.2009.01.010) (0)
[7]
王勇, 柳林涛, 郝晓光, 等. 武汉地区GPS气象网应用研究[J]. 测绘学报, 2007, 36(2): 141-145 (Wang Yong, Liu Lintao, Hao Xiaoguang, et al. The Application Study of the GPS Meteorology Network in Wuhan Region[J]. Acta Geodaetica et Cartographica Sinica, 2007, 36(2): 141-145 DOI:10.3321/j.issn:1001-1595.2007.02.005) (0)
[8]
王晓英, 宋连春, 戴仔强. 香港地区加权平均温度特征分析[J]. 南京信息工程大学学报:自然科学版, 2011, 3(1): 47-52 (Wang Xiaoying, Song Lianchun, Dai Ziqiang. Feature Analysis of Weighted Mean Temperature Tm in Hong Kong[J]. Journal of Nanjing University of Information Science and Technology:Natural Science Edition, 2011, 3(1): 47-52) (0)
[9]
Yao Y B, Zhang B, Yue S Q. Global Empirical Model for Mapping Zenith Wet Delays onto Precipitable Water[J]. J Geod, 2013, 87(5): 439-448 DOI:10.1007/s00190-013-0617-4 (0)
[10]
姚宜斌, 张豹, 许超钤, 等. Tm-Ts的相关性分析及全球纬度相关的线性关系模型构建[J]. 科学通报, 2014, 59(9): 816-824 (Yao Yibing, Zhang Bao, Xu Chaoqian, et al. Analysis of the Global Tm-Ts Correlation and Establishment of the Latitude-Related Linear Model[J]. Chin Sci Bull, 2014, 59(9): 816-824) (0)
[11]
Boehm J, Werl B, Schuh H. Troposphere Mapping Functions for GPS and Very Long Baseline Interferometry from European Centre for Medium-Range Weather Forecasts Operational Analysis Data[J]. Journal of Geophysical Research:Solid Earth, 2006, 111(B2) (0)
[12]
许超钤, 姚宜斌, 张豹, 等. GGOS Atmosphere大气加权平均温度数据的精度检验与分析[J]. 测绘地理信息, 2014, 39(4): 13-16 (Xu Chaoqian, Yao Yibin, Zhang Bao, et al. Accuracy Analysis and Test on the Weighted Mean Temperature of the Atmosphere Grid Data Offered by GGOS Atmosphere[J]. Journal of Geomatics, 2014, 39(4): 13-16) (0)
[13]
Gutman S I, Benjamin S G. The Role of Ground-Based GPS Meteorological Observations in Numerical Weather Prediction[J]. GPS Solutions, 2001, 4(4): 16-24 DOI:10.1007/PL00012860 (0)
[14]
Boehm J, Heinkelmann R, Schuh H. Short Note:A Global Model of Pressure and Temperature for Geodetic Applications[J]. J Geod, 2007, 81(10): 679-683 DOI:10.1007/s00190-007-0135-3 (0)
[15]
Lagler K, Schindelegger M, Böhm J, et al. GPT2:Empirical Slant Delay Model for Radio Space Geodetic Techniques[J]. Geophysical Research Letters, 2013, 40(6): 1 069-1 073 DOI:10.1002/grl.50288 (0)
[16]
张昊, 王琪洁, 朱建军, 等. 样本数据预处理对基于BP神经网络的高程转换的影响[J]. 大地测量与地球动力学, 2011, 31(2): 125-128 (Zhang Hao, Wang Qijie, Zhu Jianjun, et al. Influence of Sample Data Preprocessing on BP Neural Network-Based GPS Elevation Fitting[J]. Journal of Geodesy and Geodynamics, 2011, 31(2): 125-128) (0)
Refinement of GGOS Atmosphere Weighted Mean Temperature in Xinjiang
XIE Shaofeng1,2     LI Junyu1,2     LIU Lilong1,2     HUANG Liangke1,2     
1. College of Geomatics and Geoinformation, Guilin University of Technology, 319 Yanshan Street, Guilin 541006, China;
2. Guangxi Key Laboratory of Spatial Information and Geomatics, 319 Yanshan Street, Guilin 541006, China
Abstract: The application of ground-based GPS PWV inversion has been limited due to the inaccurately calculated the weighted mean temperature because most ground-based GPS fails to detect upper-air meteorological data.This paper analyzes the methods of obtaining the weighted mean temperature by deriving the data from GGOS atmosphere weighted mean temperature grid data in Xinjiang.By using the radiosonde data, this paper evaluates the accuracy of the weighted mean temperature (GTm) derived from GGOS atmosphere weighted mean temperature grid data considering seasonal and geographic variations.We then establish a refined model to correct (GTm).Results show that the (GTm) derived from mean value interpolation after correction using the refined model can meet the requirements of ground-based GPS precision PWV inversion in Xinjiang.
Key words: GGOS atmosphere; weighted mean temperature; Xinjiang; refined model of GTm; mean value interpolation