文章快速检索     高级检索
  大地测量与地球动力学  2019, Vol. 39 Issue (7): 733-737  DOI: 10.14075/j.jgg.2019.07.013

引用本文  

翟树峰, 吕志平, 李林阳, 等. 基于GPT2w模型化加权平均温度反演可降水量[J]. 大地测量与地球动力学, 2019, 39(7): 733-737.
ZHAI Shufeng, LÜ Zhiping, LI Linyang, et al. Precipitable Water Vapor Retrieval Based on Weighted Mean Temperature from GPT2w[J]. Journal of Geodesy and Geodynamics, 2019, 39(7): 733-737.

项目来源

国家自然科学基金(41674019);国家重点研发计划(2016YFB0501701)。

Foundation support

National Natural Science Foundation of China, No.41674019; National Key Research and Development Program of China, No.2016YFB0501701.

第一作者简介

翟树峰,硕士生,主要从事测量数据处理理论与方法研究,E-mail:842858273@qq.com

About the first author

ZHAI Shufeng, postgraduate, majors in the theory and method of surveying data processing, E-mail: 842858273@qq.com.

文章历史

收稿日期:2018-07-23
基于GPT2w模型化加权平均温度反演可降水量
翟树峰1     吕志平1     李林阳1     吕浩1     邝英才1     王方超1     
1. 信息工程大学地理空间信息学院,郑州市科学大道62号,450001
摘要:提出一种基于GPT2w模型化加权平均温度反演大气可降水量的方法,并分析附加系统偏差改正的模型化加权平均温度对可降水量的影响。结果表明,基于GPT2w模型化加权平均温度反演的大气可降水量的精度与基于Bevis公式计算的加权平均温度反演的大气可降水量的精度相当;对GPT2w模型化加权平均温度进行系统偏差改正后,大气可降水量的精度有一定改善,但改善率不到1%。
关键词天顶对流层湿延迟GPT2w加权平均温度可降水量

地基GPS技术是反演大气可降水量的一种常用的、有效的技术手段,可全天候、近实时地提供高时空分辨率的水汽信息,且监测成本低。利用地基GPS技术获取的高精度可降水量(PWV)对预报天气具有重要意义。Braun等[1]利用GPS和水汽辐射计进行对比,验证了GPS探测PWV的可行性。张双成等[2]在深入分析影响地基GPS探测水汽精度的因素后,建立了一种实时地基GPS遥感水汽系统。范士杰等[3]基于非差精密单点定位技术,采用GPT2模型来反演大气可降水量,与测站实测的气象数据相比,GPT2模型数据仍可反演得到较为理想的PWV结果,其精度(RMS)优于±1.5 mm。由可降水量反演原理知,可降水量的精度不仅取决于天顶对流层湿延迟,还取决于加权平均温度。Bevis经验公式法是计算加权平均温度的常用方法,简单方便,但存在区域性差异且依赖于测站实测的地表温度。GPT2w模型是目前精度最高的气象模型,提供了全球加权平均温度的经验值[4]。鉴于Bevis经验公式的不足,本文基于GPT2w模型化加权平均温度反演大气可降水量,并分析模型化加权平均温度的系统偏差对大气可降水量的影响。

1 数据来源

目前,GPS在GNSS家族当中应用最广,定位精度最高。为得到良好的实验效果,本文选用数据完整性较好的GPS数据进行实验。选取位于中国境内的5个IGS站(CHAN、BJFS、SHAO、WUHN、KUNM)2013-01和2013-08的观测数据。由于获取的观测数据是多系统混合数据,使用前需对其进行预处理,即过滤掉非GPS观测数据。相应地,选择距离IGS站最近的探空站,以便于获取与IGS站相近的气象资料,并以探空站探测的PWV为参考值,对基于IGS站反演的PWV进行精度检验。无线电探空站具体信息见表 1。美国怀俄明州立大学官网提供了无线电探空资料,下载地址为http://weather.uwyo.edu/upperair/sounding.html。探空站向用户提供每天00:00和12:00(UTC)的探空资料,数据较为丰富。GGOS Atmosphere以2°×2.5°的分辨率提供全球IGS站每天00:00、06:00、12:00和18:00(UTC)的各气象元素的格网数据(http://ggosatm.hg.tuwien.ac.at/DELAY/SITE/),这些格网数据是基于ECMWF的ERA-40再分析资料计算得到的,数据可靠且具有完备性,其提供的温度格网数据可用于计算加权平均温度。

表 1 参与PWV精度检验的无线电探空站信息 Tab. 1 Information list of radiosonde stations for PWV test
2 实验方法 2.1 地基GPS反演可降水量

利用GPS技术探测水汽时,首先选用合适的GPS数据处理软件对GPS数据进行解算,获取对流层天顶总延迟;然后再利用对流层延迟模型(如Saastamoinen模型[5])计算出天顶静力学延迟(即干延迟),将其从天顶总延迟中减去,从而得到与水汽相关的天顶湿延迟;最后利用天顶湿延迟与大气可降水量之间的转换关系(式(1))计算得到大气可降水量:

$ \mathrm{PWV}=\mathit{\Pi} \cdot \mathrm{ZWD} $ (1)
$ \mathit{\Pi}=\frac{10^{6}}{\rho_{w} R_{v}\left[\left(k_{3} / T_{m}\right)+k_{2}^{\prime}\right]} $ (2)

式中,PWV为大气可降水量;ZWD为天顶湿延迟;Π为PWV转换系数,是一个无量纲比例因子;ρw为液态水密度;Rv=461.495 J/(kg ·K)为水汽特定的气体常数;k3=3.739×105 K2/hPa为大气折射常数;Tm为加权平均温度;k2=k2-(Mw/Md)k1,其中k1=77.689 0 K/hPa、k2=71.295 2 K/hPa均为大气折射常数,Mw=18.015 2 g/mol为湿大气的摩尔质量,Md=28.964 4 g/mol为干大气的摩尔质量。

2.2 加权平均温度的计算

通常采用基于统计方法构建的Bevis经验公式(Tm=70.2+0.72 Ts)计算加权平均温度。该经验公式是Bevis等[6]采用美国13个探空站2 a的探空数据建立的,实现了由探空气象资料到地面气象资料的转变,利用起来简单方便。然而Bevis经验公式是一个更适用于中纬度地区的公式,存在区域性差异,由此转换得到的PWV也必定存在区域性差异。

GPT2w模型是GPT系列中的最新模型,且精度最高,其模型表达式见式(3)。对于GPT2w模型,只需要提供测站大地坐标(B, L, H)和年积日(doy)即可输出加权平均温度:

$ \begin{array}{c}{a=a_{0}+A_{1} \cos \left(\frac{\operatorname{doy}}{365.25} 2 \pi\right)+B_{1} \cos \left(\frac{\operatorname{doy}}{365.25} 2 \pi\right)+} \\ {A_{2} \cos \left(\frac{\operatorname{doy}}{365.25} 4 \pi\right)+B_{2} \cos \left(\frac{\operatorname{doy}}{365.25} 4 \pi\right)}\end{array} $ (3)

式中,a为格网点的气压、温度等参数值,a0为均值,A1B1为年周期振幅,A2B2为半年周期振幅,这些参数需结合外部格网文件gpt2_1w.grd和测站大地坐标,采用双线性内插法得到。

3 实验分析 3.1 基于GPT2w模型化加权平均温度反演可降水量

利用GNSSer数据处理软件[7]分别对5个IGS站2013-01和2013-08的数据进行处理。与常用软件不同的是,GNSSer软件采用模型法计算ZHD,采用参数估计法对ZWD逐历元估计,ZWD的估计结果如图 1所示。在1月份,我国正值冬季,空气相对干燥,水汽活跃度不够高,故ZWD的值整体较小,基本上在100 mm以下;在8月份,我国正值夏季,降水量大,水汽活跃度较高,故ZWD值整体较大,均在100 mm以上,最大值接近500 mm。

图 1 各个IGS站的ZWD Fig. 1 ZWD at different IGS stations

利用GPT2w模型获取5个IGS站的模型化加权平均温度(记作GPT2w_Tm),结果如图 2所示。同时,利用Bevis公式计算5个IGS站的加权平均温度(记作Bevis_Tm),由于无法获取实测的地表温度,故采用GGOS Atmosphere提供的温度格网数据来替代,结果如图 3所示。由图 2可知,在1月份,各个IGS站的GPT2w_Tm变化很小,一个月内的值呈一条直线,而且随着IGS站纬度的递减,GPT2w_Tm的值依次递增。其中,位于同一纬度线附近的WUHN站和SHAO站的GPT2w_Tm值非常接近。在8月份,BJFS站和CHAN站的GPT2w_Tm值发生明显变化,即随着年积日的递增,GPT2w_Tm值递减。其他站的GPT2w_Tm值随着年积日的递增没有发生明显变化,而且与IGS站纬度的关系也不复存在。由图 3可知,各个站的Bevis_Tm在一个月内的变化非常显著,这是由于GGOS Atmosphere提供的温度格网数据接近测站实际温度,可以反映出测站温度较为真实的月变化情况,但整体上来看,Bevis_Tm在1月和8月均和GPT2w_Tm有着相似的特征和变化趋势。

图 2 GPT2w模型化加权平均温度 Fig. 2 Weighted mean temperature derived from GPT2w at different IGS stations

图 3 Bevis公式计算的加权平均温度 Fig. 3 Weighted mean temperature calculated by Bevis formula at different IGS stations

分别采用GPT2w_Tm和Bevis_Tm计算出相应的PWV转换系数,结合经参数估计得到的ZWD反演出PWV,同探空资料提供的PWV进行比对。以BJFS站和WUHN站为例,结果见图 4。图中,Radio/PWV表示由探空资料提供的PWV,GPT2w_Tm/PWV和Bevis_Tm/PWV分别表示基于GPT2w_Tm和Bevis_Tm计算的PWV。由图可见,基于GPT2w_Tm和Bevis_Tm计算的PWV与探空资料提供的PWV具有很高的吻合性,尤其是在1月空气水汽含量较少的情况下,PWV偏差不足1 mm。还可以看出,基于GPT2w_Tm和Bevis_Tm反演的PWV曲线几乎重叠,可见二者偏差极小。表 2(单位mm)和表 3(单位mm)分别给出1月和8月各站PWV的bias和RMS。从表中可以看出,不论是1月还是8月,基于GPT2w_Tm和Bevis_Tm计算的PWV bias和RMS均比较接近。在1月,两者的PWV bias绝对值均不超过1 mm,PWV RMS最大值出现在KUNM站,但不超过2 mm;在8月,两者的PWV bias绝对值较1月偏大,最大值超过5 mm。同样,PWV RMS也较1月偏大,最大值出现在WUHN站,超过6 mm。由此可见,冬季PWV的精度高于夏季,但基于GPT2w_Tm和Bevis_Tm计算的PWV的精度相似性受季节影响不大。

图 4 BJFS站和WUHN站可降水量 Fig. 4 PWV at BJFS and WUHN stations

表 2 1月各站PWV的bias和RMS Tab. 2 Bias and RMS of PWV in January

表 3 8月各站PWV的bias和RMS Tab. 3 Bias and RMS of PWV in August

综合上述分析发现,地基GPS与探空资料提供的PWV具有很高的吻合性。由于GPS站与探空站不是并址站,而且探空气球在释放后的偏移距离会随着高度升高而逐渐加大,因此,地基GPS反演的PWV与探空资料提供的PWV会存在一定的偏差。Bevis公式依赖于测站实测的地表温度,在附近没有配备气象观测设备的测站处其应用将受到限制,因此Bevis公式不具有普遍适用性。由表 2表 3可知,GPT2w_Tm/PWV与Bevis_Tm/PWV精度相当,这也间接表明GPT2w_Tm和Bevis_Tm精度相当。而对于GPT2w模型,只需提供测站大地坐标(B, L, H)和年积日(doy)即可获取加权平均温度。故在无法获取测站实测的地表温度时,可采用GPT2w_Tm替代Bevis_Tm

3.2 附加改正的模型化加权平均温度对可降水量的影响分析

滑中豪等[8]检验GPT2w模型化加权平均温度的精度发现,其存在-2.56 K的系统偏差,而这一系统偏差对反演PWV的影响尚不清楚。为此,下文对模型化的加权平均温度进行系统偏差改正,分析这一系统偏差对反演PWV的影响。

利用GPT2w_Tm计算PWV转换系数时,在GPT2w_Tm值上加上系统偏差改正值2.56 K。将新的PWV计算结果与探空资料提供的PWV进行比对,然后对不加改正和附加改正情况下的PWV偏差进行统计分析,结果如表 4(单位mm)和表 5(单位mm)所示。由表 4可见,对于BJFS站、CHAN站和WUHN站,附加改正后PWV的bias和RMS较不加改正的结果均有所改善,但改善效果并不显著,bias提高不到0.1 mm,RMS提高0.01 mm;对于KUNM站和SHAO站,RMS变化很小,bias反而较改正前偏大。由表 5可见,8月份附加改正后PWV的bias和RMS改善程度较1月份略好,其中WUHN站bias和RMS均得到最大改善,分别改善0.5 mm和0.35 mm。

表 4 1月各站PWV的bias和RMS Tab. 4 Bias and RMS of PWV in January

表 5 8月各站PWV的bias和RMS Tab. 5 Bias and RMS of PWV in August

为了进一步说明附加改正后加权平均温度的精度变化对PWV的影响,分别计算附加改正后1月和8月各站PWV的改善率,如表 6所示。由表可见,1月和8月各站PWV的改善率均不超过1%,而且各站在8月的改善率均低于1月,这可能与夏季空气中水汽含量和活跃度有关。

表 6 各站附加改正后PWV的改善率 Tab. 6 Improvement rate of PWV with systematic correction

综合上述分析得出,对加权平均温度进行系统偏差改正后,PWV的精度有一定的改善,在8月份的改善程度略好于1月份;就PWV改善率而言,8月份的改善率不如1月份。整体而言,加权平均温度的系统偏差对反演PWV的影响甚微,可以忽略不计。

4 结语

本文对PWV的反演原理和加权平均温度的计算方法作了简单介绍,提出一种基于GPT2w模型化加权平均温度反演PWV的方法,得出以下结论:

1) 在中国地区,基于GPT2w模型化加权平均温度反演的PWV精度与基于Bevis经验公式计算的加权平均温度反演的PWV精度相当,在无法获取测站实测地表温度的情况下,可以利用GPT2w模型化加权平均温度来反演PWV。

2) 对GPT2w模型化加权平均温度进行系统偏差改正后,反演的PWV精度有一定改善,但改善率不到1%,可以忽略。

参考文献
[1]
Braun J J, Rocken C. Water Vapor Tomography within the Planetary Boundary Layer Using GPS[C]. International Workshop on GPS Meteorology, Tsukyba, 2003 (0)
[2]
张双成, 刘经南, 叶世榕, 等. 顾及双差残差反演GPS信号方向的斜路径水汽含量[J]. 武汉大学学报:信息科学版, 2009, 34(1): 100-104 (Zhang Shuangcheng, Liu Jingnan, Ye Shirong, et al. Retrieval of Water Vapor along the GPS Slant Path Based on Double-Differenced Residuals[J]. Geomatics and Information Science of Wuhan University, 2009, 34(1): 100-104) (0)
[3]
范士杰, 臧建飞, 刘焱雄, 等. GPT/2模型用于GPS大气可降水量反演的精度分析[J]. 测绘工程, 2016, 25(3): 1-5 (Fan Shijie, Zang Jianfei, Liu Yanxiong, et al. Accuracy Analysis on GPS Precipitable Water Vapor Inversion Using GPT/2 Models[J]. Engineering of Surveying and Mapping, 2016, 25(3): 1-5 DOI:10.3969/j.issn.1006-7949.2016.03.001) (0)
[4]
Böhm J, Möller G, Schindelegger M, et al. Development of an Improved Empirical Model for Slant Delays in the Troposphere(GPT2w)[J]. GPS Solutions, 2015, 19(3): 433-441 DOI:10.1007/s10291-014-0403-7 (0)
[5]
Saastamoinen J. Contribution to the Theory of Atmospheric Refraction PartⅡ, Refraction Corrections in Satellite Geodesy[J]. Bulletin Geodesique, 1972, 107: 13-34 (0)
[6]
Bevis M, Businger S, Herring T A, et al. GPS Meteorology: Remote Sensing of Atmospheric Water Vapor Using the Global Positioning System[J]. Journal of Geophysical Research, 1992, 97(D14): 15 787-15 801 DOI:10.1029/92JD01517 (0)
[7]
陈正生.大规模GNSS测量数据分布式计算关键技术研究[D].郑州: 信息工程大学, 2014 (Chen Zhengsheng. Research on the Key Techniques of Distributed Processing on Large Scale GNSS Observation Data[D]. Zhengzhou: Information Engineering University, 2014) (0)
[8]
滑中豪, 柳林涛, 梁星辉. GPT2w模型检验以及对流层模型的参数互融[J]. 武汉大学学报:信息科学版, 2017, 42(10): 1 468-1 473 (Hua Zhonghao, Liu Lintao, Liang Xinghui. An Assessment of GPT2w Model and Fusion of a Troposphere Model with in Situ Data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(10): 1 468-1 473) (0)
Precipitable Water Vapor Retrieval Based on Weighted Mean Temperature from GPT2w
ZHAI Shufeng1     LÜ Zhiping1     LI Linyang1     LÜ Hao1     KUANG Yingcai1     WANG Fangchao1     
1. School of Surveying and Mapping, Information Engineering University, 62 Kexue Road, Zhengzhou 450001, China
Abstract: We propose a method based on weighted mean temperature derived from GPT2w to retrieve precipitable water vapor, and analyze the influence of the weighted mean temperature with systematic correction derived from GPT2w on precipitable water vapor. The results show that the precision of precipitable water vapor based on weighted mean temperature derived from GPT2w is comparable with that of precipitable water vapor based on weighted mean temperature by Bevis formula, and that weighted mean temperature with systematic correction has little influence on precipitable water vapor, the improvement rate is less than 1%.
Key words: zenith tropospheric wet delay; GPT2w; weighted mean temperature; precipitable water vapor