2023, Vol. 43
2. 湖北科技学院资源环境科学与工程学院，湖北省咸宁市咸宁大道88号，437100;
3. 南宁师范大学自然资源与测绘学院，南宁市明秀东路175号，530001
大气水汽作为大气中最活跃的成分，在全球能源与水循环、全球变暖和气候变化等大气变化过程中起到至关重要的作用[1-2]。地表温度和气压是GNSS反演大气可降水量PWV的2个关键参数，大气再分析资料是一种在全球范围内提供包括温度和气压在内的多种气象参数的数据集，其时空覆盖范围广，能有效弥补台站气象观测资料时空分布不均的缺陷，被广泛应用于各种气象研究中。
目前已有部分学者对大气再分析资料中温压产品的精度进行研究，并将其作为补充数据源来获取GNSS反演PWV的气象参数[3-4]。Zhao等[5]利用中国区域探空资料初步评估ERA5温压产品的精度，并将其用于反演时间分辨率为1 h的GNSS PWV；Zhang等[6]以中国区域气象站和探空站实测气象数据为参考，研究ERA5及其前一代ERA-Interim数据集的温压产品精度，并分析二者提供的气象参数所造成的GNSS PWV计算误差；杨鹏飞等[7]利用探空站资料评估黄土高原地区ERA5地表温压产品及其对GNSS PWV反演的影响；莫智翔等[8]利用地面气象站实测温度和气压数据评估桂林地区ERA5地表温压产品精度，并分析其在GNSS水汽反演中的适用性，结果表明ERA5地表温压产品反演的GNSS PWV在水汽变化剧烈的夏季仍具有较高的精度。
本文采用2017年中国区域609个地面气象站实测数据，对MERRA-2地表温度和气压进行精度评估，进而探索利用其温压产品反演GNSS PWV精度的可能性，为后续MERRA-2再分析资料在中国区域的使用及其GNSS水汽反演应用提供参考。
1 数据来源及计算方法 1.1 数据来源MERRA-2是NASA推出的最新一代高时空分辨率全球大气再分析资料，其水平分辨率为0.500°×0.625°。地表资料的时间分辨率为1 h，实测地表温度和气压数据可从中国气象数据网获取，时间分辨率为1 h。实测PWV来自探空站观测数据，该数据可从美国怀俄明大学网站获取。中国陆态网的高精度GNSS对流层天顶延迟ZTD产品以及与探空站并址的48个GNSS站点数据可从中国地震局GNSS数据产品服务平台免费下载(图 1)。
|
图 1 中国区域地面气象站、探空站和GNSS站分布及4大地理区域划分 Fig. 1 Distribution of ground meteorological stations, radiosonde stations, GNSS stations and the four geographical regions in Chinese mainland |
由于地面站一般不与再分析资料的格网点重合，且二者高程基准不同，因此需要先统一高程基准再进行格网点插值。再分析资料、地面气象站和GNSS站分别采用位势高、海拔高和大地高，海拔高与位势高之间的差异较小，可忽略不计，但大地高与位势高之间的差异对气象参数高程改正的影响较大，因此本文采用EGM2008模型统一二者的高程基准[9-10]。由于地面站点与其附近4个格网点的高程不同，本文通过已有的温度气压垂直递减率模型对温度和气压数据进行垂直方向上的插值改正，插值公式见文献[10]。结合GNSS ZTD反演PWV，并利用48个与GNSS站并址的气象站实测温压数据反演的GNSS PWV及探空站实测PWV作为参考值进行对比分析。
利用中国区域GNSS观测数据得到ZTD，通过Saastamoinen模型计算GNSS站点处对流层天顶静力学延迟(zenith hydrostatic delay，ZHD)[11]，并根据式(2)和式(3)计算GNSS PWV：
| $ \begin{gathered} \mathrm{ZHD}= \\ \frac{0.00277 \times P_s}{1-0.00266 \times \cos (2 \varphi)-0.00028 \times H} \end{gathered} $ | (1) |
| $ \mathrm{ZWD}=\mathrm{ZTD}-\mathrm{ZHD} $ | (2) |
| $ \mathrm{PWV}=\frac{10^6}{\rho R_v\left[\left(k_3 / T_m+k_2^{\prime}\right)\right]} \cdot \mathrm{ZWD} $ | (3) |
式中，φ为测站纬度；H为大地高；Ps为地面气压；ρ为水密度；k′2、k3和Rv取值分别为22.13 K/hPa、3.739×105 K/hPa、461.495 J/(kg ·K)；Tm为大气加权平均温度，本文依据文献[12]提出的中国区域加权平均温度单因子回归模型将中国分为4大区域，分别通过GNSS站点处温度Ts计算出Tm，使用的Tm模型如表 1所示。
|
表 1 中国4大地理区域中使用的Tm模型 Tab. 1 Tm models for the four geographical ragions in Chinese mainland |
由于探空站与GNSS站并址，因此计算出GNSS站点处PWV后，二者对比时只需将探空站观测得到的PWV垂直插值到与GNSS PWV同一高度上即可。PWV垂直插值公式采用文献[2]建立的顾及时变因子的中国区域PWV垂直改正模型：
| $ \mathrm{PWV}_{h_1}=\mathrm{PWV}_{h_2} \cdot \exp \left(\beta\left(h_1-h_2\right)\right) $ | (4) |
式中，PWVh1和PWVh2分别为在高度h1和h2上对应的PWV值；β为PWV递减因子，递减因子的年均值、年周期和半年周期模型系数详见文献[2]。
2 精度评估 2.1 MERRA-2再分析资料地表温压产品精度分析本文利用2017年中国区域地面气象站的地表温度和气压数据分析MERRA-2再分析资料温压产品在不同区域的精度，采用偏差bias和均方根误差RMSE作为精度指标[2]。为了更好地分析MERRA-2再分析资料温压产品在中国不同区域的精度差异性，将中国区域划分为北方地区、南方地区、青藏高原地区和西北地区，MERRA-2再分析资料温压产品在中国不同地区的年均bias和RMSE如图 2所示，各地区误差统计见表 2。
|
图 2 中国区域MERRA-2再分析资料温压数据年均bias和RMSE分布 Fig. 2 Distribution of mean biases and RMSE of temperature and pressure of MERRA-2 reanalysis data in Chinese mainland |
|
|
表 2 中国不同区域MERRA-2再分析资料温压数据年均bias和RMSE Tab. 2 Mean biases and RMSE of temperature and pressure of MERRA-2 reanalysis data in different regions of Chinese mainland |
由图 2可知，MERRA-2温度和气压产品在南方、北方、青藏高原地区呈现明显负偏差，但在西北地区尤其是新疆地区表现为正偏差。在大部分地区，MERRA-2再分析资料温度和气压产品的bias分别为-2~2 K和-1~1 hPa，MERRA-2在西北地区的bias和RMSE较大，可能是因为新疆地区地形起伏较大且气候复杂。从总体上看，MERRA-2再分析资料温压产品在全国大部分地区均稍低于实测的温压数据。
由表 2可知，MERRA-2再分析资料提供的温度产品在中国区域具有较好的精度，地表温度年均bias为0.38 K，RMSE为1.37~9.44 K，年均值为2.66 K。MERRA-2大气再分析资料气压产品的年均bias为-6.98~7.70 hPa，平均值为-0.01 hPa，虽然MERRA-2再分析资料的年均bias变化较大，但在中国区域内平均bias仍较小；MERRA-2再分析资料平均RMSE为1.08 hPa。上述分析表明，MERRA-2大气再分析资料提供的温度和气压产品在中国区域具有较高的精度和可靠性，MERRA-2温度产品地区精度从高到低依次为南方地区、北方地区、西北地区和青藏高原地区，气压产品地区精度从高到低依次为北方地区、南方地区、西北地区、青藏高原地区。从总体上看，MERRA-2再分析资料温压产品在全国各地区精度均较高，即使是精度最差的青藏高原地区，温度产品RMSE在4.04 K以内，气压产品RMSE在1.45 hPa以内，可以满足基本的气象研究及水汽反演需求。
2.2 MERRA-2温压产品在GNSS PWV反演中的精度分析为分析中国区域MERRA-2再分析资料温压产品对GNSS PWV反演精度的影响，将利用48个与GNSS站并址的气象站实测温压数据反演的GNSS PWV(简称为MET PWV)作为参考值，与采用MERRA-2再分析资料温压产品计算的GNSS PWV(简称为M2 PWV)进行对比分析，结果如图 3和图 4所示。
|
图 3 利用MET PWV检验中国不同区域GNSS站点处的MERRA-2 PWV年均bias Fig. 3 Annual mean biases of PWV derived from MERRA-2 data at GNSS stations tested by MET PWV in different regions of Chinese mainland |
|
图 4 利用MET PWV检验中国不同区域GNSS站点处的MERRA-2 PWV年均RMSE Fig. 4 Annual mean RMSE of PWV derived from MERRA-2 data at GNSS stations tested by MET PWV in different regions of Chinese mainland |
由图 3和图 4可知，相较于利用气象站实测温压数据反演的MET PWV，利用MERRA-2再分析资料温压产品反演的M2 PWV具有较高的精度，M2 PWV年均bias为0.48 mm，年均RMSE为1.2 mm，大部分站点上M2 PWV与MET PWV吻合度较高。为评估M2 PWV日变化的可靠性，本文均匀选取4个测站，在这4个GNSS站点上分析2017年M2 PWV日异常时间序列(图 5)。
|
图 5 中国区域M2 PWV和MET PWV日变化 Fig. 5 Daily variation of M2 PWV and MET PWV in Chinese mainland |
由图 5可知，M2 PWV和MET PWV四个站点的平均日变化呈现出较好的一致性，2种方式获取的PWV日变化值均保持在2 mm左右，因此利用MERRA-2再分析资料温压产品反演的GNSS PWV能较好地反映PWV日变化过程。为进一步分析MERRA-2地表温压产品反演GNSS PWV的精度，以2017年与GNSS站并址的探空站实测PWV资料为参考值，对MERRA-2温压产品反演的GNSS PWV进行评估，结果如图 6和表 3(单位mm)所示。
|
图 6 利用探空资料检验中国区域GNSS站点处的MERRA-2 PWV年均bias和RMSE Fig. 6 Mean biases and RMSE of PWV derived from MERRA-2 data at GNSS stations tested by radiosonde data in Chinese mainland |
|
|
表 3 中国不同区域MERRA-2 PWV相对于探空站PWV的平均bias和RMSE Tab. 3 Mean biases and RMSE of PWV derived from MERRA-2 reanalysis data compared to radiosonde data in different regions of Chinese mainland |
由图 6可知，相较于探空站PWV，MERRA-2再分析资料温压产品反演的GNSS PWV在全国大部分地区均呈现负偏差，M2 PWV在中国大部分地区的RMSE在2 mm以内，但在南方地区个别站点的RMSE在4 mm左右。从总体上看，M2 PWV在中国区域精度较高，但在南方地区的精度明显低于其他地区，可能是由于南方地区降雨较多，水汽变化相较于其他地区更为剧烈，导致该地区反演的GNSS PWV与探空站差异较大。由表 3可知，相较于探空站实测PWV值，M2 PWV年均bias为-2.67~1.02 mm，M2 PWV平均bias为-0.57 mm，表现出明显的负偏差；中国区域M2 PWV年均RMSE为0.51~3.82 mm，平均RMSE为2.16 mm。因此，将MERRA-2地表温压产品用于GNSS PWV反演能获得较高的精度。
3 结语1) 与609个地面气象站实测的温压数据相比，MERRA-2再分析资料获取的温度和气压年均bias分别为0.38 K和-0.01 hPa，年均RMSE分别为2.66 K和1.08 hPa，MERRA-2再分析资料温压产品在全国大部分地区呈负偏差，且表现出一定的空间特性，MERRA-2再分析资料温压产品在中国区域具有较高的精度和适用性。
2) 相较于探空站实测PWV值，利用中国区域MERRA-2地表温压资料反演的GNSS PWV年均RMSE为2.16 mm，相较于利用气象站实测温压数据反演的PWV，M2 PWV能较好地反映出PWV日变化，且在大部分地区年均RMSE均在2 mm以内，与探空站实测PWV结果具有较好的一致性。
综上所述，MERRA-2再分析资料地表温压产品及其反演的GNSS PWV均具有良好的精度和稳定性，可作为中国区域气象研究及GNSS水汽反演的有力补充数据源，对中国区域的气候研究及GNSS水汽监测具有重要意义。
| [1] |
姚宜斌, 张顺, 孔建. GNSS空间环境学研究进展和展望[J]. 测绘学报, 2017, 46(10): 1 408-1 420 (Yao Yibin, Zhang Shun, Kong Jian. Research Progress and Prospect of GNSS Space Environment Science[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1 408-1 420)
(  0) |
| [2] |
黄良珂, 莫智翔, 刘立龙, 等. 顾及时变递减因子的中国大陆地区大气可降水量垂直改正模型[J]. 测绘学报, 2021, 50(10): 1 320-1 330 (Huang Liangke, Mo Zhixiang, Liu Lilong, et al. An Empirical Model for the Vertical Correction of Precipitable Water Vapor Considering the Time-Varying Lapse Rate for Chinese Mainland[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(10): 1 320-1 330)
( 0) |
| [3] |
Li J Y, Zhang B, Yao Y B, et al. A Refined Regional Model for Estimating Pressure, Temperature, and Water Vapor Pressure for Geodetic Applications in China[J]. Remote Sensing, 2020, 12(11)
( 0) |
| [4] |
Wang S M, Xu T H, Nie W F, et al. Evaluation of Precipitable Water Vapor from Five Reanalysis Products with Ground-Based GNSS Observations[J]. Remote Sensing, 2020, 12(11)
( 0) |
| [5] |
Zhao Q Z, Yang P F, Yao W Q, et al. Hourly PWV Dataset Derived from GNSS Observations in China[J]. Sensors, 2019, 20(1)
( 0) |
| [6] |
Zhang W X, Zhang H, Liang H, et al. On the Suitability of ERA5 in Hourly GPS Precipitable Water Vapor Retrieval over China[J]. Journal of Geodesy, 2019, 93(10): 1 897-1 909
( 0) |
| [7] |
杨鹏飞, 赵庆志, 苏静, 等. 黄土高原地区PWV影响因素分析及精度评定[J]. 武汉大学学报: 信息科学版, 2022, 47(9): 1 470-1 478 (Yang Pengfei, Zhao Qingzhi, Su Jing, et al. Analysis of Influencing Factors and Accuracy Evaluation of PWV in the Loess Plateau[J]. Geomatics and Information Science of Wuhan University, 2022, 47(9): 1 470-1 478)
( 0) |
| [8] |
莫智翔, 黄玲, 郭希, 等. 利用ERA5资料进行桂林地区GNSS水汽反演精度分析[J]. 南京信息工程大学学报: 自然科学版, 2021, 13(2): 131-137 (Mo Zhixiang, Huang Ling, Guo Xi, et al. Accuracy of ERA5 Reanalysis Data in Retrieving GNSS Precipitable Water Vapor over Guilin[J]. Journal of Nanjing University of Information Science and Technology (Natural Science Edition), 2021, 13(2): 131-137)
( 0) |
| [9] |
章传银, 郭春喜, 陈俊勇, 等. EGM 2008地球重力场模型在中国大陆适用性分析[J]. 测绘学报, 2009, 38(4): 283-289 (Zhang Chuanyin, Guo Chunxi, Chen Junyong, et al. EGM 2008 and Its Application Analysis in Chinese Mainland[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(4): 283-289)
( 0) |
| [10] |
Wang X M, Zhang K F, Wu S Q, et al. Water Vapor-Weighted Mean Temperature and Its Impact on the Determination of Precipitable Water Vapor and Its Linear Trend[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(2): 833-852
( 0) |
| [11] |
Saastamoinen J. Contributions to the Theory of Atmospheric Refraction[J]. Bulletin Géodésique, 1972, 105(1): 279-298
( 0) |
| [12] |
龚绍琦. 中国区域大气加权平均温度的时空变化及模型[J]. 应用气象学报, 2013, 24(3): 332-341 (Gong Shaoqi. The Spatial and Temporal Variations of Weighted Mean Atmospheric Temperature and Its Models in China[J]. Journal of Applied Meteorological Science, 2013, 24(3): 332-341)
( 0) |
2. School of Resources and Environmental Science and Engineering, Hubei University of Science and Technology, 88 Xianning Road, Xianning 437100, China;
3. School of Natural Resources and Surveying, Nanning Normal University, 175 East-Mingxiu Road, Nanning 530001, China