2. 海岛(礁)测绘技术国家测绘地理信息局重点实验室, 青岛市前湾港路579号,266590
水汽在大气中仅占0.11%~3%,但其空间分布极不均匀,时空变化很大,是大气中最为活跃的成分,研究水汽对于理解天气过程、天气预报和天气系统演变等具有重要意义[1-2]。随着连续运行参考站(continuously operating reference system,CORS)的迅猛发展和日臻成熟,利用CORS反演水汽在气象学研究和应用中取得重大突破,测站处的气象参数(温度T、气压P)在高精度水汽产品的获取中至关重要,而CORS站绝大部分未配备气象传感器,无实测气象参数,因此需要借助其他手段获取。
早期测站气象参数通过标准气象模型获取,即通过平均海平面的一组标准气象参数值及测站高程修正获取,精度低。基于欧洲中期天气预报中心(European center for medium-range weather forecasts,ECMWF)的气象资料,Boehm等[3]建立了顾及气压气温年周期变化的GPT模型,但水平和时间分辨率较低;Lagler等[4]改进GPT模型,引入半年变化参数和随时空变化的大气垂直梯度,提高了时空分辨率。国内外学者对气象模型应用于GPS气象学进行相关研究。Kouba[5]在PPP解算模式下对GPT模型估算的气压误差影响进行分析;Steigenberger等[6]分析得出,忽略大气负荷改正,应用GPT模型估算的高程时间序列重复率相比欧洲中尺度数值预报模型要高;王洪栋等[7]利用GPT2模型处理连续观测站数据发现,气压偏差可导致测站垂向位置出现偏差,而气温偏差可忽略;于胜杰等[8]分析GPT模型估算气压对解算GPS大气可降水量的影响;姚宜斌等[9]对GPT2模型在全球区域进行精度检验与分析;王军刚等[10-11]对GPT模型在中国区域的对流层延迟和映射函数的精度进行评估分析;陈猛等[12]评估GPT2模型的对流层改正精度及其在精密单点定位中的应用。研究表明,GPT2模型具有时空差异性,目前对GPT2模型的应用研究较少,因此研究GPT2模型的区域精度,对利用无气象参数的区域CORS反演大气可降水量(precipitable water vapor,PWV)具有一定的现实意义。
山东省作为农业大省,旱涝灾害、暴雨等天气灾害对农作物的生产收获影响很大,给工业生产及人们的日常生活等也带来诸多不便。SDCORS于2011年投入使用,全省均匀分布150多个CORS站点,仅少数CORS站配备气象传感器,因此评估GPT2模型在山东区域的适用性和可靠性,实现利用SDCORS反演大气可降水汽,提高全省范围中尺度灾害性天气监测预报和服务水平十分有意义。本文利用山东区域2012年探空站数据和SDCORS站点数据,评估GPT2模型估算气象参数在SDCORS反演水汽中的精度,以验证GPT2模型在山东区域CORS反演水汽的适用性和可靠性,实现利用SDCORS站点资料反演水汽,以达到监测预报水汽的目的。
1 GPT2模型精度检验及分析 1.1 GPT2模型ECMWF提供高精度的ERA-Interim产品,服务于全球用户。GPT采用ECMWF提供的1999~2002年空间分辨率为15°×15°的全球气温和气压的月平均格网数据ERA40,基于9阶9次球谐函数模拟全球任意位置的温度和气压值[3]。GPT模型估算温度和气压的步骤如下:
1) 以9阶9次球谐函数求得平均海平面温度与气压的年平均值a0、年周期振幅a1和高程异常N:
$ \begin{align} &\ \ \left[\begin{matrix} {{a}_{0}} \\ {{a}_{1}} \\ N \\ \end{matrix} \right]=\sum\limits_{n=0}^{9}{\sum\limits_{m=0}^{n}{{{P}_{mn}}(\text{sin}\varphi )\cdot }} \\ &\left[{{A}_{nm}}\text{cos}\left( m\lambda \right)+{{B}_{nm}}\text{sin}\left( m\lambda \right) \right] \\ \end{align} $ | (1) |
式中,Pmn为勒让德多项式,φ为测站大地纬度,Anm和Bnm为球谐系数。
2) 利用年平均值a0及年周期振幅a1求得指定年积日的温度和气压值:
$ \left[ {\begin{array}{*{20}{c}} {{P_0}}\\ {{T_0}} \end{array}} \right] = {a_0} + {a_1}{\rm{cos}}(2{\rm{\pi }}\frac{{{\rm{doy}} - 28}}{{365.25}}) $ | (2) |
式中,a0为平均海平面温度或气压的年平均值,a1为平均海平面温度或气压的年周期振幅,doy为年积日,P0为指定年积日的气压值,T0为指定年积日的气温值。
3) 根据测站高程进行梯度改正:
$ \left\{ \begin{align} &P={{P}_{0}}\left[1-0.000\ 226\left( {{H}_{大地}}-N \right) \right]{{~}^{5.225}}~ \\ &T={{T}_{0}}-0.006\ 5\left( {{H}_{大地}}-N \right) \\ \end{align} \right. $ | (3) |
式中,P为指定年积日改正后的气压值,T为指定年积日改正后的气温值,H大地为测站大地高,N为高程异常。
GPT模型使用方便,且适用于全球任意位置,但建模理论不够完善,水平分辨率和时间分辨率较低。针对GPT模型的不足,Lagler等[4]采用ECMWF提供的2001~2010年的高质量的ERA37数据,考虑年变化振幅、半年变化振幅及随时空变化的大气垂直梯度,构建了改进模型GPT2。该模型将全球地表均匀划分为5°×5°的空间格网,提供格网点的气压、温度、水汽压、温度垂直衰减率等气象参数,公式为[4]:
$ \begin{align} &X={{a}_{0}}+{{a}_{1}}\text{cos}(2\text{ }\!\!\pi\!\!\text{ }\frac{\text{doy}-{{c}_{1}}}{365.25})+ \\ &\ \ \ \ \ \ \ \ \ \ {{a}_{2}}\text{cos}(4\text{ }\!\!\pi\!\!\text{ }\frac{\text{doy}-{{c}_{2}}}{365.25}) \\ \end{align} $ | (4) |
式中,X为格网点的气压、温度等气象参数值,a0为对应参数的平均值,a1为年周期振幅,a2为半年周期振幅,c1为年周期初相,c2为半年周期初相。GPT模型和GPT2模型对比如表 1所示。
![]() |
表 1 GPT模型和GPT2模型对比 Tab. 1 Comparison between GPT model and GPT2 model |
由于山东省探空站数量少,为了较全面地评估GPT2模型在山东区域的精度,选取省内2个探空站(青岛站和章丘站)及邻近站(徐州站和郑州站),从美国怀俄明州立大学下载探空站观测数据,以地表气象参数为真值,评估GPT2模型的精度和准确度。
1.2.1 气温估算利用GPT2模型估计4个探空站2012年全年的地表温度,以探空站一天两次(00:00和12:00)探测的地表温度的均值为真值,GPT2模型估计值与真值的差值见图 1,统计分析结果见表 2。
![]() |
图 1 气温差值时间序列 Fig. 1 Temperature difference sequence |
![]() |
表 2 气温对比分析参数 Tab. 2 Comparisive parameters of temperature |
由图 1和表 2可以看出,GPT模型估算的气温精度在-13 ℃~10 ℃范围内波动,而GPT2模型由于考虑了半年周期,估算的气温精度波动范围较小,为-10 ℃~7 ℃;GPT2模型的估算精度存在季节性差异,夏季基本在0 ℃附近波动,且振幅较小,精度较高,春季和冬季波动幅度较大,精度较低;GPT2模型的估算精度具有海陆差异性,青岛站濒临黄海,精度较高,章丘站、郑州站和徐州站位居大陆内部,昼夜温差比沿海城市大,气温日波动较为明显,GPT2模型估计精度较低;GPT2模型估算气温的标准差均值为2.84 ℃,较GPT模型的3.54 ℃小,说明GPT2模型的内符合度较高;GPT2模型估算气温的均方根误差均值为3.27 ℃,较GPT模型的4.52 ℃小,说明GPT2模型的外符合度较高。相对而言,GPT2模型估算气温模型具有更高的精度、稳定性和可靠性。
1.2.2 气压估算利用GPT2模型估计4个探空站2012年全年的地表气压,以探空站一天两次(00:00和12:00)探测的地表气压的均值作为真值,GPT2模型估计值与真值的差值见图 2,统计结果见表 3。
![]() |
图 2 气压差值时间序列 Fig. 2 Pressure difference sequence |
![]() |
表 3 气压对比分析参数 Tab. 3 Comparisive parameters of pressure |
由图 2和表 3可以看出,GPT模型估算的气压精度在-16~24 Pa范围内波动,偏差均值为2.49 Pa,而GPT2模型的波动范围为-15~20 Pa,偏差均值为0.53 Pa,整体具有较高精度;与估算的气温精度相似,GPT2模型存在季节性差异,夏季精度高,春季和冬季波动较大、精度较低;GPT2模型估算气压的标准差均值为4.42 Pa,均方根误差均值为4.49 Pa,明显小于GPT模型的6.27 Pa和6.76 Pa,可见GPT2模型具有较高的内外符合度,可靠性和稳定性较高。
2 基于GPT2的SDCORS反演可降水汽的应用与分析为了获得较高精度的对流层延迟量,选取2012-05-01~10-31(年积日122~305)山东省内均匀分布的10个SDCORS站点进行实验。由于缺失部分SDCORS站点数据及实验前数据预处理中剔除了不合格数据,导致SDCORS数据有间断,并不是完全连续,但这对于实验几乎无影响。为保证网中有长于500 km的长基线以减少对流层延迟相关性[13-14],选用3个IGS站(BJFS、DAEJ和WUHN)与预处理后的SDCORS站点联合解算,并将最终解算的PWV(CORS/PWV)与由同期青岛和章丘探空站探测数据计算的PWV(Radio/PWV)进行对比分析。
采用高精度数据处理软件GAMIT解算SDCORS站点观测数据以获取对流层总延迟,干延迟模型采用Saastamoinen模型[15],加权平均温度模型选用李建国等[16]建立的适用于中国东部地区的模型,由GPT2模型估计的气温和气压值计算干延迟量和转换系数Π,从而求解出PWV。解算过程如图 3所示。
![]() |
图 3 SDCORS反演可降水汽过程 Fig. 3 Inversion process of precipitable water vapor using SDCORS data |
为评估GPT2模型在SDCORS反演可降水汽中的适用性和可靠性,选取与探空站距离较近的ZHCU站和SZRS站,其中,ZHCU站与章丘探空站相距27 km,SZRS站与青岛探空站相距19 km。由于距离都不超过30 km,对流层延迟相关性强,水汽变化相对较小,可视探空站观测数据计算的Radio/PWV为真值。对比分析利用GPT2模型估算气象参数的SDCORS/PWV的精度,PWV时间序列见图 4,对比分析参数见表 4。
![]() |
图 4 PWV时间序列 Fig. 4 PWV time sequence |
![]() |
表 4 PWV对比分析参数 Tab. 4 Comparisive parameters of PWV |
由图 4和表 4可以看出,应用GPT模型和GPT2模型估算的气象参数计算的CORS/PWV的变化趋势与由探空资料计算的Radio/PWV的变化趋势基本相同。由于探空站和SDCORS站并非同址,且存在高差,CORS/PWV与Radio/PWV存在一定的差值。应用GPT模型估算的气象参数,SDCORS/PWV的偏差均值为2.37 mm,标准差均值为3.89 mm,均方根误差均值为4.72 mm;而应用GPT2模型的偏差均值为1.22 mm,标准差均值为3.05 mm,均方根误差均值为3.46 mm,说明GPT2模型内外符合精度较GPT高,稳定性强,利用其估算气象参数用于CORS反演可降水汽更可靠。
综上所述,GPT2模型估算的气象参数可用于无气象数据的CORS反演可降水汽。而由于GPT2模型在GPT模型的基础上考虑了半年周期及大气垂直梯度,相比于GPT模型,GPT2模型估算的气象参数用于CORS反演大气可降水汽具有更高的精度、稳定性和可靠性,有利于利用无气象数据的CORS进行水汽的探测和预报。
3 结语1) 与探空资料相比,GPT2模型估算气温的偏差均值为-1.16 ℃,标准差均值为2.84 ℃,均方根误差均值为3.27 ℃;估算气压的偏差均值为0.53 Pa,标准差均值为4.42 Pa,均方根误差均值为4.49 Pa,其内外符合精度均优于GPT模型。
2) 将GPT2模型估算的气象参数应用到CORS/PWV中,与Radio/PWV相比,偏差均值为1.22 mm,标准差均值为3.05 mm,均方根误差均值为3.46 mm,二者在数值和变化趋势上一致,说明GPT2模型可用于CORS反演水汽,与GPT模型相比具有更高的精度、适用性和可靠性。
[1] |
Baker H C, Dodson A H, Penna N T, et al. Ground-Based GPS Water Vapor Estimation: Potential for Meteorological Forecasting[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2001, 63(12): 1 305-1 314 DOI:10.1016/S1364-6826(00)00249-2
( ![]() |
[2] |
李国平. 地基GPS遥感大气可降水量及其在气象中的应用研究[D]. 成都: 西南交通大学, 2007 (Li Guoping. On the Remote Sensing of Precipitable Water Vapor Using Ground-Based GPS Technique and Applications in Meteorology[D]. Chengdu: Southwest Jiaotong University, 2007) http://cdmd.cnki.com.cn/article/cdmd-10613-2008042015.htm
( ![]() |
[3] |
Boehm J, Heinkelmann R, Schuh H. Short Note: A Global Model of Pressure and Temperature for Geodetic Applications[J]. Journal of Geodesy, 2007, 81(10): 679-683 DOI:10.1007/s00190-007-0135-3
( ![]() |
[4] |
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 DOI:10.1002/grl.50288
( ![]() |
[5] |
Kouba J. Testing of Global Pressure/Temperature (GPT) Model and Global Mapping Function (GMF) in GPS Analyses[J]. Journal of Geodesy, 2009, 83(3): 199-208
( ![]() |
[6] |
Steigenberger P, Boehm J, Tesmer V. Comparison of GMF/GPT with VMF1/ECMWF and Implications for Atmospheric Loading[J]. Journal of Geodesy, 2009, 83(10): 943-951 DOI:10.1007/s00190-009-0311-8
( ![]() |
[7] |
王洪栋, 王敏. 测站气温与气压对GPS定位结果的影响[J]. 大地测量与地球动力学, 2016, 36(4): 323-326 (Wang Hongdong, Wang Min. Impact of Surface Temperature and Pressure of GPS Site on Position Estimates[J]. Journal of Geodesy and Geodynamics, 2016, 36(4): 323-326)
( ![]() |
[8] |
于胜杰, 万蓉, 付志康. 气压对GPS大气可降水量解算的影响分析[J]. 大地测量与地球动力学, 2013, 33(2): 87-90 (Yu Shengjie, Wan Rong, Fu Zhikang. Impact Analysis of Pressure Parameter on Inversion of GPS Precipitable Water Vapor[J]. Journal of Geodesy and Geodynamics, 2013, 33(2): 87-90)
( ![]() |
[9] |
姚宜斌, 曹娜, 许超钤, 等. GPT2模型的精度检验与分析[J]. 测绘学报, 2015, 44(7): 726-733 (Yao Yibin, Cao Na, Xu Chaoqian, et al. Accuracy Assessment and Analysis for GPT2[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(7): 726-733 DOI:10.11947/j.AGCS.2015.20140356)
( ![]() |
[10] |
王君刚, 陈俊平, 王解先. GNSS对流层延迟映射模型分析[J]. 天文学进展, 2014, 32(3): 383-394 (Wang Jungang, Chen Junping, Wang Jiexian. Analysis of Tropospheric Propagation Delay Mapping Function Models in GNSS[J]. Progress in Astronomy, 2014, 32(3): 383-394)
( ![]() |
[11] |
王君刚, 陈俊平, 王解先, 等. 对流层经验改正模型在中国区域的精度评估[J]. 武汉大学学报:信息科学版, 2016, 41(12): 1 656-1 663 (Wang Jungang, Chen Junping, Wang Jiexian, et al. Assessment of Tropospheric Delay Correction Models over China[J]. Geomatics and Information Science of Wuhan University, 2016, 41(12): 1 656-1 663)
( ![]() |
[12] |
陈猛, 陈俊平, 胡丛玮. 对流层模型评估及其在GNSS精密单点定位中的应用[J]. 大地测量与地球动力学, 2016, 36(3): 229-234 (Chen Meng, Chen Junping, Hu Congwei. Performance Evaluation of Troposphere Models and Application in GNSS Precise Point Positioning[J]. Journal of Geodesy and Geodynamics, 2016, 36(3): 229-234)
( ![]() |
[13] |
李征航, 徐晓华, 罗佳, 等. 利用GPS观测反演三峡地区对流层湿延迟的分布及变化[J]. 武汉大学学报:信息科学版, 2003, 28(4): 393-396 (Li Zhenghang, Xu Xiaohua, Luo Jia, et al. Inversion of the Distribution and Variation of ZWD over the Three Gorge Area with GPS Observation[J]. Geomatics and Information Science of Wuhan University, 2003, 28(4): 393-396)
( ![]() |
[14] |
宋淑丽, 朱文耀, 程宗颐, 等. GPS信号斜路径方向水汽含量的计算方法[J]. 天文学报, 2004, 45(3): 338-346 (Song Shuli, Zhu Wenyao, Cheng Zongyi, et al. Estimation of Slant Water Vapor along GPS Ray Paths[J]. Acta Astronomica Sinica, 2004, 45(3): 338-346)
( ![]() |
[15] |
Saastamoinen J. Atmospheric Correction for Troposphere and Stratosphere in Radio Ranging of Satellites[J]. Use of Artificial Satellites for Geodesy, 1972, 15(6): 247-251
( ![]() |
[16] |
李建国, 毛节泰, 李成才, 等. 使用全球定位系统遥感水汽分布原理和中国东部地区加权"平均温度"的回归分析[J]. 气象学报, 1999, 57(3): 283-292 (Li Jianguo, Mao Jietai, Li Chengcai, et al. The Approach to Remote Sensing of Water Vapor Based on GPS and Linear Regression Tm in Eastern Region of China[J]. Acta Meteorologica Sinica, 1999, 57(3): 283-292 DOI:10.11676/qxxb1999.027)
( ![]() |
2. Key Laboratory of Surveying and Mapping Technology on Island and Reef, NASMG, 579 Qianwangang Road, Qingdao 266590, China