2022, Vol. 42
2. 中国科学院精密测量科学与技术创新研究院大地测量与地球动力学国家重点实验室, 武汉市徐东大街340 号, 430077;
3. 中国地震局第一监测中心, 天津市耐火路7 号, 300180
水汽(precipitable water vapor, PWV)作为地球大气的重要组成成分，是引发暴雨洪涝灾害的要素之一[1]。地基GNSS反演水汽具有全覆盖、高精度、全天候等特点[2], 被广泛应用于降雨、中尺度恶劣天气和全球气候变化预测[3-4]。来自西太平洋地区的水汽输送是厄尔尼诺事件影响中国气象因素的重要纽带[5]。研究表明，中国大陆GNSS水汽变化对厄尔尼诺事件的响应存在区域性规律，与气候类型、地理区划有关，且GNSS水汽可作为监测指标，指示厄尔尼诺事件的发生及演变[6-7]。2014-10~2016-04发生的超强东部型厄尔尼诺事件导致我国长江以南大部分地区降水偏多，部分地区甚至出现“冬汛”，反映出超强厄尔尼诺事件对中国大陆气候的重要影响[8-9]。本文将基于CMONOC数据分析GNSS ZTD代替水汽的可行性，并利用FFT和WT分析中国大陆GNSS ZTD空间、时域、频域变化对超强东部型厄尔尼诺事件的响应规律。
1 研究数据与方法 1.1 研究数据 1.1.1 GNSS水汽CMONOC连续观测站分布如图 1所示。GNSS水汽数据由GNSS ZTD结合气压、温度数据反演而来[1]。由于获取的CMONOC气象资料有限，为保证GNSS水汽时间序列的连续性，以及可分析站点的覆盖率，需避免由于同期CMONOC气象数据缺失导致GNSS水汽数据不完整的问题。因此，本文将首先分析利用GNSS ZTD代替GNSS水汽的可行性。由于设站时间不同导致各站点积累的观测资料的长度不一，本文分析站点的最长观测时间序列为2008-01-01~2021-07-24，最短观测时间序列为2012-01-01~2021-07-24。
|
图 1 CMONOC站点分布 Fig. 1 Distribution of CMONOC stations |
中国气象局国家气候中心将Niño3.4区连续3个月海温距平指数(sea surface temperature anomaly, SSTA)的滑动平均值作为判别厄尔尼诺事件发生的标准，并用东部型指数(IEP)和中部型指数(ICP)判定事件的分布类型(https://cmdp.ncc-cma.net/pred/cn_enso.php?product=cn_enso_nino_indices)。2014-10~2016-04发生的超强东部型厄尔尼诺事件在2015-12达到强度峰值，为2.8 ℃，海温距平累积值为30.2 ℃，是1951年以来发生的持续时间最长、累积强度和峰值强度最大的一次超强厄尔尼诺事件。
1.2 研究方法FFT可从频域上提取信号在时域上无法体现的周期特征。本文将利用加汉宁窗的FFT分析GNSS ZTD和IEP的频率/周期的变化规律，从时域和频域上探究二者的关系。
FFT可提取信号的显著变化周期，而WT可提取显著周期的对应层数，获取周期的具体变化情况。本文选择紧支撑标准正交小波db6小波基函数对GNSS ZTD进行分析。小波变换分层原理是采用2，4，8，16，…，2J作为尺度，将信号f(t)(频段0~F)分解为J+1个信号频段，其中0~F/2J频段为低频项(AJ)，F/2n~F/2n-1(n=1，2，3，…，J)为高频项(D1, D2, …, DJ)。分层合格的标准为低频信号AJ曲线呈单一递增或递减趋势。经试算，将GNSS ZTD时间序列划分为17层可满足分层合格标准，其中D1~D17层为高频项，A17层为低频项。
2 GNSS ZTD代替GNSS水汽可行性分析本文获取的CMONOC气象资料时间跨度为2013-01~2020-12，结合该时段的GNSS ZTD数据反演出各站点的GNSS水汽序列，并开展GNSS ZTD与GNSS水汽序列的相关性分析。利用FFT对GNSS ZTD与GNSS水汽时间序列进行频域分析，并探究二者的频域相关性。图 2为BJFS、WUHN站分析结果，图中* *表示相关性在0.01层上显著。
|
图 2 GNSS ZTD与GNSS水汽时频相关性 Fig. 2 Time-frequency correlation of GNSS ZTD and GNSS PWV |
由图 2(a)、2(c)可知，GNSS ZTD与GNSS水汽原始序列吻合度较高，相关系数在0.9以上。从图 2(b)、2(d)可以看出，GNSS ZTD与GNSS水汽频域分析结果较为吻合，均存在极显著的12个月变化周期(对应频率约为0.085)以及较显著的9~10个月、5~6个月周期，且在频率区间(0.3, 1.25)内也存在较显著的变化周期。综上可知，GNSS ZTD与GNSS水汽序列在时域和频域上均存在极强相关性，吻合度较高，利用GNSS ZTD代替GNSS水汽开展研究具有可行性。
3 GNSS ZTD时空变化对超强东部型厄尔尼诺事件的响应分析本节对此次超强厄尔尼诺事件期间GNSS ZTD与IEP的相关性进行分析。GNSS ZTD原始时间序列存在显著的年周期、季节性变化周期以及短期的随机波动与噪声。而利用FFT分析IEP的显著变化周期发现，其存在显著的80个月(约7 a)、40个月(约3.5 a)、18个月(1.5 a)、14个月(约1 a)周期，这与GNSS ZTD的显著变化周期存在较大差异。故对二者进行相关性分析前，需要先排除GNSS ZTD随机波动与噪声的干扰。利用WT方法对GNSS ZTD时间序列进行分层处理。IEP显著变化周期分别对应小波分层的D15(4~8 a)、D14(2~4 a)、D13(1~2 a)层，故将GNSS ZTD进行WT后的D13、D14、D15层进行重构。分析GNSS ZTD重构高频项与IEP的相关性，并将其与二者原始序列之间的相关性进行对比，结果如图 3所示，图中sig值代表Pearson相关性双尾检验的显著性系数，sig < 0.01表示相关性在0.01层上显著，sig < 0.05表示相关性在0.05层上显著。
|
图 3 GNSS ZTD与IEP相关性分析 Fig. 3 Correlation analysis between GNSS ZTD and IEP |
由图 3(a)可知，中国大陆各区域GNSS ZTD与IEP存在正相关性，且均可通过0.01层显著性检验，基本呈弱或中度正相关。图 3(b)显示，GNSS ZTD重构高频项与IEP的相关性相比于原始序列有显著提高，其中1个站点可通过0.05层显著性检验，其余站点均通过0.01层显著性检验。大部分区域相关系数在0.4~0.6范围内，呈中度正相关；热带、亚热带、川滇地区以及黑龙江部分站点的相关系数在0.6~0.8范围内，呈强正相关；个别站点相关系数大于0.8，呈现出极强正相关。因此，超强东部型厄尔尼诺事件会导致中国大陆GNSS ZTD(水汽)增多，且对热带季风和亚热带季风区域以及川滇地区影响较为显著。可能是因为超强东部型厄尔尼诺事件导致西太平洋副热带高压偏强偏西，促使大量低纬度的水汽向我国输送，使得中国大陆区域GNSS ZTD(水汽)整体增多；又因受西北太平洋对流层低层菲律宾反气旋性异常环流的影响，中国东部出现偏南风异常，从而导致南方地区水汽含量剧烈增加[9]。同时，中国大陆热带和亚热带季风气候区域以及川滇地区所处纬度较低，GNSS ZTD(水汽)比其他地区含量高[10]，变化较为活跃。
4 GNSS ZTD显著变化的周期对超强东部型厄尔尼诺事件的响应分析GNSS ZTD存在显著的年、9~10个月、半年周期以及(0.3, 1.25) 频率区间内的较显著周期。本节将开展超强东部型厄尔尼诺事件对GNSS ZTD显著变化周期的影响分析。为确保结果的准确性和可靠性，选择多个正常气候时段的数据与之进行对比。此次厄尔尼诺事件持续时间长达19个月，而本文涉及时间序列中只包含一段与之对应的正常气候时段。因此，以该事件峰值时间为基准向前后共截取12个月的时间长度(2015-05~2016-04)开展分析，并选取2012-05~2013-04、2013-05~2014-04、2016-05~2017-04三个正常气候时段与之进行对比。利用FFT分析4个时间段内GNSS ZTD的显著变化周期，探究其在超强东部型厄尔尼诺事件期间与正常气候时段的差异及规律。由于截选时长为12个月，故只能对除年周期外的其他显著周期进行分析。本文截取各站点GNSS ZTD FFT结果中存在显著周期的时段进行对比，由于篇幅限制，仅展示温带季风气候地区2个站点的分析结果(图 4)。
|
图 4 温带季风气候地区GNSS ZTD显著变化周期对比 Fig. 4 Comparison of significant change periods of GNSS ZTD in temperate monsoon climate region |
由图 4可知，超强东部型厄尔尼诺事件发生期间，温带季风气候区域GNSS ZTD约9个月的显著变化周期振幅明显低于3个正常气候时段；在(0.2, 1.4)频率区间内，超强东部型厄尔尼诺事件期间的GNSS ZTD显著变化周期振幅较正常时段有不同程度的增长。
综合各区域站点的分析结果发现，在超强东部型厄尔尼诺事件的影响下，中国大陆区域GNSS ZTD约9个月的显著变化周期振幅均存在不同程度的降低，而0.8个月、1个月、1.5个月、2~3个月的较小显著变化周期振幅均有不同程度的增长。表明超强东部型厄尔尼诺期间，GNSS ZTD较长的显著变化周期减弱，较短的显著变化周期增强，GNSS ZTD变化更为活跃。
以3个正常气候时段GNSS ZTD 9个月显著变化周期对应振幅(amplitude, A)的平均值为基准，计算超强东部型厄尔尼诺期间GNSS ZTD 9个月显著变化周期振幅的变化量(ΔA)；并以相同方法分别计算各站点0.8~3个月内的显著变化周期对应振幅的增量，然后求其平均值，结果如图 5所示。
|
图 5 GNSS ZTD显著变化周期对超强东部型厄尔尼诺事件的响应分析 Fig. 5 Response analysis of GNSS ZTD significant periods to super eastern Pacific El Niño event |
由图 5(a)可知，在超强东部型厄尔尼诺事件的影响下，中国大陆绝大部分站点GNSS ZTD 9个月显著变化周期振幅均有不同程度的降低，热带地区和温带大陆西部地区振幅变化量最为显著，个别显示无变化规律的站点主要集中在中国大陆西北部地区。从图 5(b)可以看出，中国大陆绝大部分站点GNSS ZTD 0.8~3个月显著变化周期振幅均有不同程度的增加，热带地区和亚热带地区振幅增量最为显著，个别显示无变化规律的站点主要集中在温带大陆地区北部。由此可知，在中国大陆西北部高原山地气候区域的个别站点9个月显著周期和中国大陆北部温带大陆气候区域的个别站点0.8~3个月显著周期对超强东部型厄尔尼诺事件响应较差。可能是因为这些站点位于中国大陆纬度较高的地区，GNSS ZTD(水汽)含量较低，变化不活跃[10]，而且在此次超强东部型厄尔尼诺事件期间，北方地区偏北风气流受到抑制[9]，影响部分区域水汽的正常流通。
5 结语本文首先基于CMONOC提供的GNSS连续观测数据分析GNSS ZTD代替GNSS水汽的可行性，然后开展中国大陆GNSS ZTD对2014-10~2016-04超强东部型厄尔尼诺事件的响应分析，得到以下结论：
1) 中国大陆各区域GNSS ZTD与IEP呈正相关，即超强东部型厄尔尼诺事件会导致中国大陆GNSS ZTD增大，且对热带季风和亚热带季风区域以及川滇地区影响较为显著。
2) 在超强东部型厄尔尼诺事件的影响下，中国大陆区域GNSS ZTD约9个月的显著变化周期振幅均存在不同程度的降低；而0.8~3个月内的较小显著变化周期振幅均有不同程度的增长。其中，热带地区与温带大陆西部地区GNSS ZTD 9个月显著变化周期、热带与亚热带地区GNSS ZTD 0.8~3个月显著变化周期对此次厄尔尼诺事件的响应最为显著，表明超强东部型厄尔尼诺事件期间GNSS ZTD变化更为活跃。
| [1] |
王勇, 刘严萍. 地基GPS气象学原理与应用研究[M]. 北京: 测绘出版社, 2012 (Wang Yong, Liu Yanping. Theory and Application of Ground-Based GPS Meteorology[M]. Beijing: Surveying and Mapping Press, 2012)
(  0) |
| [2] |
王勇, 刘备, 刘严萍, 等. 基于小波变换的GPS水汽与气象要素相关性分析[J]. 大地测量与地球动力学, 2017, 37(7): 721-725 (Wang Yong, Liu Bei, Liu Yanping, et al. Correlation Analysis of GPS PWV and Meteorological Elements Based on Wavelet Transform[J]. Journal of Geodesy and Geodynamics, 2017, 37(7): 721-725)
( 0) |
| [3] |
姚宜斌, 赵庆志, 李祖锋, 等. 基于全球导航卫星系统资料的短时降水预报[J]. 水科学进展, 2016, 27(3): 357-365 (Yao Yibin, Zhao Qingzhi, Li Zufeng, et al. Short-Term Precipitation Forecasting Based on the Data from GNSS Observation[J]. Advances in Water Science, 2016, 27(3): 357-365)
( 0) |
| [4] |
王笑蕾, 牛紫瑾, 何秀凤. 基于GPS水汽反演和GPS-IR技术的降水分析及降水判定研究[J]. 大地测量与地球动力学, 2021, 41(9): 929-933 (Wang Xiaolei, Niu Zijin, He Xiufeng. Precipitation Analysis and Judgment Based on GPS Water Vapor Retrieval and GPS-IR[J]. Journal of Geodesy and Geodynamics, 2021, 41(9): 929-933)
( 0) |
| [5] |
陈文, 丁硕毅, 冯娟, 等. 不同类型ENSO对东亚季风的影响和机理研究进展[J]. 大气科学, 2018, 42(3): 640-655 (Chen Wen, Ding Shuoyi, Feng Juan, et al. Progress in the Study of Impacts of Different Types of ENSO on the East Asian Monsoon and Their Mechanisms[J]. Chinese Journal of Atmospheric Sciences, 2018, 42(3): 640-655)
( 0) |
| [6] |
Wang X M, Zhang K F, Wu S Q, et al. The Correlation between GNSS-Derived Precipitable Water Vapor and Sea Surface Temperature and Its Responses to El Niño-Southern Oscillation[J]. Remote Sensing of Environment, 2018, 216: 1-12 DOI:10.1016/j.rse.2018.06.029
( 0) |
| [7] |
Zhao Q Z, Liu Y, Yao W Q, et al. A Novel ENSO Monitoring Method Using Precipitable Water Vapor and Temperature in Southeast China[J]. Remote Sensing, 2020, 12(4)
( 0) |
| [8] |
袁媛, 高辉, 贾小龙, 等. 2014~2016年超强厄尔尼诺事件的气候影响[J]. 气象, 2016, 42(5): 532-539 (Yuan Yuan, Gao Hui, Jia Xiaolong, et al. Influences of the 2014-2016 Super El Niño Event on Climate[J]. Meteorological Monthly, 2016, 42(5): 532-539)
( 0) |
| [9] |
翟盘茂, 余荣, 郭艳君, 等. 2015/2016年强厄尔尼诺过程及其对全球和中国气候的主要影响[J]. 气象学报, 2016, 74(3): 309-321 (Zhai Panmao, Yu Rong, Guo Yanjun, et al. The Strong El Niño in 2015/2016 and Its Dominant Impacts on Global and China's Climate[J]. Acta Meteorologica Sinica, 2016, 74(3): 309-321)
( 0) |
| [10] |
刘中流. 中国地区GNSS对流层延迟建模与研究[D]. 桂林: 桂林理工大学, 2018 (Liu Zhongliu. The Modeling and Research of China GNSS Tropospheric Delay[D]. Guilin: Guilin University of Technology, 2018)
( 0) |
2. State Key Laboratory of Geodesy and Earth's Dynamics, Innovation Academy for Precision Measurement Science and Technology, CAS, 340 Xudong Street, Wuhan 430077, China;
3. The First Monitoring and Application Center, CEA, 7 Naihuo Road, Tianjin 300180, China