2022, Vol. 47引用本文 |
| 地基BDS/GNSS水汽精细处理及应用研究综述 |  [PDF全文] |
水汽是地球大气层中最活跃、最重要的组成成分之一，一方面影响云雨雷电等天气事件的形成和演变过程；另一方面影响空间大地测量信号传播的路径和速度，产生大气延迟误差。因此精确探测大气水汽含量对气候研究、天气预报及空间大地测量等均有重要意义。然而大气水汽时空变化十分复杂，对其高精度探测极具困难，目前探测手段主要有无线电探空、地基微波辐射计、星基微波辐射计、星基近红外辐射计、地基全球导航卫星系统（global navigation satellite system，GNSS）等。相比其他手段，地基GNSS具有高精度、高时间分辨率、低成本、全天候等综合优势[1]，被世界气象组织（World Meteorological Organization，WMO）全球气候观测系统高空大气参考网（Global Climate Observing System Reference Upper-Air Network，GRUAN）列为Ⅰ类大气水汽观测手段[2]。
随着卫星导航系统及地面连续跟踪站网的迅猛发展，地基GNSS水汽探测更受关注和重视，国际上主要的卫星导航和气象科研组织相继成立工作组开展相关研究。国际GNSS服务（International GNSS Service，IGS）组织在1998年成立了对流层工作组，开展GNSS对流层处理方法和应用研究。WMO GRUAN及奥地利全球大地测量观测系统将GNSS水汽观测列为主要观测任务之一。国际大地测量协会于2019年成立大地测量气候变化研究交叉委员会（Inter-Commission Committee on“Geodesy for Climate Research”，ICCC），开展基于GNSS等大地测量手段的气候研究。美国和欧盟则先后启动了COSMIC和E-GVAP计划等，开展GNSS水汽反演、大气监测、气候分析和天气预报研究及应用。在国内，中国气象局先后启动了“GPS/MET的应用预研“”基于北斗导航卫星的大气海洋和空间监测预警应用示范工程”“北斗地基增强系统-气象行业数据处理中心”等项目，通过20多年的技术攻关、业务推广，逐步形成了GNSS气象观测的规范、标准和流程。
目前，北斗卫星导航系统（BeiDou navigation satellite system，BDS）/GNSS水汽精（高精度）细（高分辨率）处理及应用已经得到诸多国内外学者的关注和重点研究，是空间大地测量、卫星导航和气象学交叉研究的热点。本文将从BDS/GNSS水汽产品高精度处理、高分辨率处理、产品应用3个方面对地基BDS/GNSS水汽精细处理及应用的研究现状进行梳理，并分析其发展趋势。
1 BDS/GNSS水汽产品高精度处理BDS/GNSS卫星信号从卫星端传输至接收机端，穿过地球中性大气层，受到路径弯曲和速度变慢的综合影响，产生对流层延迟。利用对流层延迟可以反演对流层大气水汽信息，由此，Bevis等[1]提出了地基GNSS气象学的概念，其研究结果表明，利用双频GPS观测值解算的对流层天顶总延迟（zenith total delay，ZTD）精度约为10 mm，反演可降水量（precipitable water vapor，PWV）精度约为2 mm。之后，围绕高精度GNSS水汽产品处理，国内外学者从对流层模型、数据处理方法、大气可降水含量反演等方面开展了大量研究。
1.1 对流层模型BDS/GNSS对流层产品处理受到卫星轨道钟差、高阶电离层、天线相位中心模型及对流层模型等的影响。其中，卫星轨道钟差、高阶电离层和天线相位中心模型等的影响属于BDS/GNSS数据处理中的共性影响，目前已有不少研究对其进行了详细讨论和总结[3-10]，这里不再赘述。本文仅讨论与BDS/GNSS水汽产品处理直接相关的对流层模型。
BDS/GNSS卫星信号在传播路径上的对流层延迟为与高度角和方位角相关的斜路径总延迟（slant total delay，STD），为便于GNSS对流层延迟误差改正与参数估计，需通过投影函数将STD表示为天顶延迟量和水平梯度参数的关系式：
| $ \begin{aligned} \operatorname{STD}(e, \alpha) &=\underbrace{\mathrm{ZHD} \times \mathrm{MF}_h(e)+\mathrm{ZWD} \times \mathrm{MF}_w(e)}_{\text {各向同性 }} \\ &+\underbrace{\mathrm{MF}_g(e)\left(G_n \cos \alpha+G_e \sin \alpha\right)}_{\text {各向异性 }} \end{aligned} $ | (1) |
式中，ZHD是天顶静力学延迟（zenith hydrostatic delay）；ZWD是天顶湿延迟(zenith wet delay，ZWD）；e、α分别为观测高度角和方位角；MFh、MFw分别为静力学和湿映射函数；MFg为梯度映射函数；Gn和Ge为水平梯度参数。在GNSS数据处理中，通常采用天顶延迟和投影函数模型对对流层延迟的各向同性部分进行先验改正，在此基础上再通过对流层参数估计来提高数据处理精度。下面对天顶延迟和投影函数模型的发展现状进行阐述。
1）天顶延迟模型。天顶延迟模型精度影响对流层延迟先验改正效果，进而影响GNSS定位收敛速度和精度[11, 12]。天顶延迟模型主要分为依赖气象参数的天顶延迟计算模型和不依赖气象参数的天顶延迟改正模型。在有地面气象观测的情况下，采用Hopfield[13]、Saastamoinen[14]和Black[15]等天顶延迟计算模型可以实现天顶延迟高精度计算，而在无地面气象观测的情况下，则可通过UNB3模型[16]、GPT系列模型[17-20]、ESA模型[21]等气象参数模型来计算地面气象参数，进而用天顶延迟模型计算天顶延迟。除天顶延迟计算模型外，直接对天顶延迟进行建模、不依赖气象参数的天顶延迟改正模型也得到了关注，如SHAO系列模型[22-24]、IGGtrop系统模型[25-27]、Trop-Grid系列模型[28, 29]、GZTD系列模型[30, 31]、VMF系列格网模型[20, 32, 33]等。2018年6月，欧洲中尺度天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）发布了第五代再分析产品ERA5[34]。围绕ERA5的高时空分辨率（1 h和0. 25°×0. 25°）优势，已有学者开展了天顶延迟模型精化研究，建立了一系列高时空分辨率模型，如HGPT系列模型[35, 36]、CPTw模型[37]、IGPT模型[38]。
2）投影函数模型。投影函数是实现对流层STD与天顶延迟之间关联的关键，目前大多采用如下三阶连分式：
| $ \operatorname{MF}(e)=\frac{1+\frac{a}{1+\frac{b}{1+c}}}{\sin e+\frac{a}{\sin e+\frac{b}{\sin e+c}}} $ | (2) |
式中，a、b、c为投影函数系数。投影函数模型主要分为投影函数经验模型和投影函数逐历元产品两类。较为知名的投影函数经验模型有NMF[39]、GMF[40]和GPT2[18]。较为常用的投影函数逐历元产品为VMF1（时空分辨率分别为6 h、2. 5°×2. 0°）[33]，包含事后产品ERA-Interim（EI）、快速产品Operational（OP）和实时产品Forecast（FC）3种。其中，快速产品时延在1 d左右，实时产品则可以实时获取（https://vmf.geo.tuwien.ac.at/）。Landskron等[20]在VMF1和GPT2的基础上进一步利用ECMWF的EI再分析资料建立了时间分辨率为6 h，空间分辨率为1°×1°的投影函数逐历元产品VMF3以及顾及投影函数系数年和半年变化的投影函数经验模型GPT3。VMF3与VMF1类似，也包含EI、OP、FC，不同的是VMF3采用了更严密的建模方法，空间分辨率更高，因此较VMF1更精确。然而，GPT3未考虑投影函数系数的日变化，VMF3时空分辨率仅为6 h和1°×1°，在极端天气场景以及地形起伏较大地区的适用性有所不足，需进一步采用高时空分辨率数据（例如ERA5）构建高分辨率投影函数，提高投影函数在低高度角观测的精度。
投影函数反映天顶延迟与STD间的转换关系，其精度差异会直接影响高程坐标分量及ZTD参数的估计。Vey等[41]对比NMF和IMF投影函数对GPS网解处理的影响，发现采用两种投影函数估计的ZTD参数间最大差异达到5 mm。Douša等[42]发现采用VMF1投影函数模型比GMF模型解算得到的高程坐标分量重复性提升10%。Yuan等[43]指出在实时精密单点定位（precise point positioning，PPP）水汽反演中，采用VMF1-FC投影函数相比于GPT2或GPT2w解算的ZTD误差RMS减小约1 mm。周要宗等[44]进一步对采用GPT3和VMF3-FC投影函数的BDS3 PPP性能进行评估，结果表明，采用VMF3-FC的高程坐标分量重复性较GPT3最大提升约4 mm。综上所述，建议在事后高精度GNSS定位中采用VMF3-EI或VMF3-OP投影函数，在实时GNSS定位中使用VMF3-FC投影函数，而在无需下载外部产品时使用GPT3投影函数。
1.2 数据处理方法采用对流层模型先验地改正各向同性延迟之后，要进一步采用如下公式对各向同性延迟残余项及各向异性延迟进行参数估计：
| $ \begin{gathered} T(e, \alpha)=\mathrm{MF}_h(e) \times \mathrm{ZHD}+\mathrm{MF}_w(e) \times \\ (\mathrm{ZWD}+\Delta \mathrm{ZTD})+\mathrm{MF}_g(e) \times\left(G_n \cos \alpha+G_e \sin \alpha\right) \end{gathered} $ | (3) |
式中，T为信号传播方向的对流层延迟；ΔZTD为天顶延迟改正数。
对流层参数处理方法主要有双差网解和PPP两种。早期GNSS数据处理以双差网解为主，该方法将卫星轨道参数与测站坐标、对流层参数等一同估计，但随着GNSS测站数的急剧增加，双差网解数据处理效率问题日益凸显。针对该问题，Zumberge等[45]提出了PPP方法，将精密的卫星轨道和钟差固定，仅利用单站非差双频观测数据实现测站坐标和对流层参数的高精度估计。
采用双差网解方法解算对流层参数，当测站之间基线较短时，站间对流层延迟存在强空间相关性，不能直接计算绝对对流层延迟。Rocken等[46]以一条50 km长的基线为例，利用水汽辐射计（water vapor radiometer，WVR）辅助完成绝对ZWD恢复，取得了较好效果。Duan等[47]则指出当基线足够长时（大于500 km），网解可以直接解算得到绝对ZWD。楼益栋等[48]发现站间距会对卫星钟差和对流层参数估计产生影响，当站间距小于200 km时，对流层参数与卫星钟差参数间相关性强，而当站间距在500 km以上时，卫星钟差与对流层参数可被区分出来。
相比之下，PPP方法可以直接解算得到单站绝对ZWD和水平梯度参数，且具有作业灵活、测站间独立、成本低以及便于分布式处理等优点[49]，在GNSS气象研究中被广泛关注和应用。Deng等[50]研究表明，单双频混合处理模式下，单双频精密单点定位解算的ZTD差异均方根误差约为3 mm；Li等[51]仿真分析多系统PPP解算和实时PWV反演结果表明，多系统比单系统精度提升25%~52%。Lu等[52]和Douša等[53]指出多系统组合处理ZTD，精度提升10%~22%。Hadas等[54]的评估表明，多系统相比单系统，ZTD内符合精度可提升37%。此外，相对浮点解，模糊度固定解的ZTD精度有毫米级提升[55-57]。
1.3 PWV反演对于GNSS气象学研究，解算得到ZTD产品后，可以进一步反演PWV，具体方法如下：①利用GNSS台站处气压，基于Saastamoinen模型计算出ZHD；②将ZHD从ZTD中分离，得到ZWD；③将ZWD转换成大气水汽PWV。计算公式如下：
| $ \left\{\begin{array}{l} \mathrm{PWV}=\mathit{\Pi } \times \mathrm{ZWD} \\ \mathit{\Pi }=\frac{10^6}{\rho_w R_v\left[\left(k_3 / T_m\right)+k_2^{\prime}\right]} \end{array}\right. $ | (4) |
式中，Π为水汽转换因子；ρw为液态水密度；Rv为水汽气体常数；k3和k2' 为折射率常数；Tm为水汽加权平均温度。由以上ZTD至PWV的转换过程可知，GNSS台站处的气压和加权平均温度参数是PWV反演的关键参数。然而，目前相当一部分GNSS测站未配备气象观测设备，通常要采用先验气压温度模型或数值天气模型产品等来计算测站处的气压和Tm。
目前，使用最广泛的先验气压温度模型为GPT系列模型[17-20]。此外，也有一些学者利用不同气象资料建立了类似的气温气压模型，例如，Yao等[58]综合利用10年EI再分析资料建立的ITG模型。对于水汽加权平均温度，Bevis等[1]基于美国的无线电探空数据首次导出了由地表温度Ts计算Tm的线性模型，随后一些学者对Ts与Tm转换模型进行了优化[59-62]。Wang等[63]基于ERA-40再分析资料对Bevis提出的转换模型进行了系统评估，结果显示，采用Bevis模型计算的Tm偏差可达6 K，而基于ERA-40资料计算的Tm精度优于3 K。Zhang等[64]采用最新ERA5再分析资料计算的气压和Tm参数来进行GNSS PWV反演，其研究结果表明所引入的误差小于1 mm。综上所述，在有地面气象观测时，将气象观测及Ts与Tm的转换模型用于PWV反演，而在无地面气象观测时，建议使用再分析资料（例如ERA5）或数值天气模型预报产品来反演PWV。
2 BDS/GNSS水汽产品高分辨率处理近年来，全球地基GNSS台站数量爆发式增长，为高空间分辨率水汽产品的构建提供重要契机。在国内，面向各行业应用已建立起数万个GNSS台站，例如陆态网、BDS地基增强网、各省市连续运行基准站（continuously operating reference station，CORS）网等。利用海量GNSS台站观测数据的高密度分布优势，进行高分辨率水汽产品处理，充分发挥海量地基GNSS台站水汽反演的应用价值，对于气象、卫星导航及空间大地测量等具有重要意义。
2.1 高分辨率格网产品处理内华达大地测量实验室（Nevada Geodetic Laboratory，NGL）处理并发布了1994年至今的全球超过17 000个测站的对流层参数产品[65]。产品的水平分辨率在欧美国家优于50 km，在日本地区约为10~20 km。然而，受限于GNSS站点分布，处理得到的对流层产品空间分布并不均匀，需采用空间插值来获取分辨率一致的产品。有学者基于IGGTrop、GPT2w和EI模型产品建立了ZTD高程归算模型，再结合BDS/GNSS测站对流层参数，建立了中国地区分辨率分别为2°×2. 5°、1°×1°、0. 75°×0. 75°的实时ZTD格网产品，精度在1.2~1.8 cm之间[66-68]。
2.2 三维层析产品处理通过对BDS/GNSS ZTD或PWV产品的三维层析处理可以获得大气湿度的垂直廓线信息[1]，对于数值气象预报具有重要意义。Flores等[69]首次实现了基于地基GPS测站网的三维层析技术，获得了可靠的三维湿折射率场。此后，国内外学者围绕地基GNSS三维层析，从层析模型构建[70]、方程不适定问题[71-73]、层析算法[74, 75]等方面开展了大量研究。近年利用多系统观测数据的三维层析也得到关注，普遍共识是多系统观测更多、层析结果更优，例如，有研究表明，多系统相较单GPS系统层析精度可提高10% 以上[76]。目前水汽三维层析的垂向分辨率通常为数百米至1 km或者为底层密、高层疏的非均匀分层[77-81]。
2.3 高时间分辨率产品处理地基GNSS水汽探测的高时间分辨率优势使其成为反演大气水汽日及半日周期变化的重要手段[82, 83]。IGS最早发布时间分辨率为2 h的对流层产品，在2007年后将时间分辨率提升到5 min[84]。NGL以5 min的时间分辨率处理全球17 000多个测站的对流层产品[65]，而在准实时业务化对流层产品处理中时间分辨率通常为5 min至1 h，如欧洲的E-GVAP计划[85]和中国气象局北斗气象数据中心的业务处理服务。实时对流层产品处理的时间分辨率要求则更高，通常为分钟级[86]，例如30 s[51]和1 min[54]。
3 BDS/GNSS精细水汽产品应用 3.1 气象应用1）气候变化分析。大气水汽与多种气象因素存在复杂的耦合关系，在不同尺度上受到不同驱动因素作用而呈现出不同的变化特征，BDS/GNSS高分辨率水汽产品可为细致分析水汽在年代际、年际、季节、日尺度上的变化特征及驱动因素提供科学数据支持。
在年代际尺度上，主要围绕大气水汽长期变化趋势及同其他气象因子的相关性开展研究。Gradinarsky等[87]首次采用GPS水汽产品时序对瑞典地区数十年的PWV变化趋势进行研究；Vey等[88]和Ning等[89]基于数百个IGS测站的水汽产品对全球不同地区的PWV变化趋势进行估算；Zhang等[90]利用陆态网近16年的水汽产品对中国地区的水汽变化趋势进行了分析；Ross等[91]首次发现GPS测站PWV与温度间的正相关关系；Parracho等[92]采用GPS观测值和再分析资料分析了PWV变化趋势及其同地表温度变化趋势的相关性。
在年际尺度上，主要围绕大气水汽年际变化特征及同大尺度大气环流（如ENSO、NAO等）的相关性开展研究。Vey等[88]使用IGS测站10年的水汽产品研究了PWV年际变化同ENSO的相关性；Suparta等[93]利用东南亚地区的GPS水汽产品分析了水汽变化同厄尔尼诺指数的相关性；Wang等[94]对全球56个临海GPS站的PWV产品时序进行信号分解和相关性分析，发现PWV的非线性趋势能够较好地反映ENSO期间的洪涝和干旱现象。
在季节尺度上，主要围绕大气水汽季节变化特征及其同季风气候的相关性开展研究。Bock等[95]和Poan等[96]基于西非地基GNSS水汽讨论了水汽年变化与西非季风演变的相关性；Singh等[97]和Puviarasan等[98]分别基于SSM/I和地基GNSS水汽论证了水汽年变化特征对印度季风进退和演变的指示作用；Means[99]利用美国西部500多个地基GNSS测站的水汽产品对季风区范围、进退时间及运动过程进行了分析；Jin等[100]和Zhang等[101]利用地基GNSS水汽产品对中国地区的水汽年变化特征进行了分析，指出中国地区水汽年变化主要受季风影响，总体上呈现夏季高冬季低的变化特征。
在日变化尺度上，主要围绕大气水汽日变化特征及其同地理位置和太阳照射强度的相关性开展研究。水汽日变化影响地表和大气的长波辐射以及大气的太阳辐射吸收，与对流、降水、地表风辐合及地表蒸散等大气过程息息相关。Dai等[82]利用54个地基GNSS测站1996—2000年的水汽产品分析了美国中部地区大气水汽的日变化特征及主导因素；Wang等[102]、Jakobson等[103]、Ortiz de Galisteo等[104]和Radhakrishna等[105]利用地基GNSS对不同地区的水汽日变化特征进行了较为系统的分析；Jin等[100]采用中国地区28个GNSS站的水汽产品，发现了站处水汽日变化特征同测站地理位置和地形的相关性；Chen等[106]基于成都市的高分辨率GPS水汽产品，分析出了大气水汽日变化与太阳照射强度间的相关性。
目前的研究侧重水汽的变化特征和驱动因素分析，对水汽变化影响极端降水长期演变过程和机理的科学认知不够，需进一步开展大气水汽多尺度变化特征对极端降水长期演变机制的影响研究。
2）气象预报。BDS/GNSS水汽产品包含了大气湿度信息，对于气象预报具有重要价值。目前利用BDS/GNSS水汽产品开展气象预报的方法主要包括非数值短临预报和数值同化预报两种。
在非数值短临预报方面的研究表明，降雨事件与PWV序列之间存在显著相关性[107-109]。为了提升预报效果，有学者提出以PWV及其衍生量（如PWV变化量、PWV一阶分量等）为预测指标的阈值模型[110-114]。然而，降水本身具有高度非线性、随机性和复杂性特征，基于PWV阈值模型的预报方法受地形地势、季节和温度带等多因素的影响，预报结果稳
定性差，误报率普遍偏高，预报时间模糊。针对该问题，有学者将机器学习方法引入短临预报领域，研发出基于人工神经网络和PWV等多因子的非线性系统建模方法，降水预报准确率提升，误报率有所改善[115-118]。然而，目前大多研究仅基于PWV产品开展短临预报研究，对融合BDS/GNSS水汽观测和其他类型气象观测的短临预报研究尚不够深入。在数值同化预报方面，高精度初始湿度场是改进强降水预报的关键[119]。Vedel等[120]、Poli等[121]分别利用三维变分同化（3D-Var）和四维变分同化（4D-Var）将GPS-ZTD产品同化至数值预报模式，使得降水预报效果得到改善；Lindskog等[122]采用3D-Var以2.5 km水平分辨率将GPS-ZTD数据同化到数值预报模式中，将有效预报，特别是湿度预报时间提高到1.5 d。Mahfouf等[123]则指出相比于数值同化中的其他观测数据，地基GNSS占比较小，但地基GNSS数据的同化可以有效改善湿度初始场精度，提高降水预报水平。根据英国Met Office的评估，地基GNSS在所有的观测手段中，对数值气象预报的平均贡献排名第2[85]。然而，目前数值同化预报研究通常进行时空稀疏降相关处理，且对BDS/GNSS水汽产品的精度信息关注不够，无法充分发挥BDS/GNSS水汽的高精度和高分辨率优势，需进一步对现有的同化算子和方法进行优化。
3.2 空间大地测量应用BDS/GNSS精细水汽产品处理对精密改正空间大地测量大气延迟误差也非常重要，受到国内外学者的重点关注和研究。对于BDS/GNSS大气延迟改正，主要利用BDS/GNSS基准站数据构建实时对流层格网产品，以改正BDS/GNSS用户定位受到的对流层延迟影响，提升定位收敛速度。Zhang等[66]利用陆态网GPS数据和IGGtrop模型构建了中国区域的实时ZTD格网产品，在实时GPS PPP中对格网产品的性能进行了验证，结果表明，采用ZTD格网的PPP收敛性能在水平和高程方向上分别提升了36. 5% 和56. 7%。Zheng等[67]基于陆态网数据和GPT2w模型建立了中国地区高空间分辨率的实时ZTD格网产品，应用于BDS实时PPP，结果表明，采用ZTD格网的BDS PPP收敛性能在水平和高程方向分别提升了2%~7% 和20%~50%。Zhang等[124]利用GFS预报产品采用机器学习方法对Zhang等[66]建立的ZTD格网产品进行升级，产品精度进一步提升16%（冬季）和23%（夏季）。
除高精度卫星导航定位之外，大气延迟同样是影响合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）数据处理的主要误差源，利用BDS/GNSS水汽产品也可改正InSAR大气延迟影响。Li等[125]采用地形依赖扰动模型和线性高程归化函数，使用GPS水汽产品将InSAR干涉图的水汽影响由10 mm左右减小到5 mm左右；Reuveni等[126]使用指数函数和GNSS ZTD改正InSAR大气影响，使InSAR干涉图精度提高约17%；Yu等[127]采用迭代分解方法实现了融合数值天气模型和地基GPS ZTD产品的InSAR大气改正，将InSAR干涉图噪声减小45%~78%；Zhang等[128]实现基于WRFDA（weather research and forecasting data assimilation）和GPS ZTD产品的InSAR大气改正，显著减小了InSAR干涉图的标准偏差（超过20%）。
4 结束语BDS/GNSS是探测高精度大气水汽的主要技术手段之一。近年来随着卫星导航系统的发展和地基GNSS基准站的迅猛增加，BDS/GNSS水汽产品的精细处理及应用已得到了国内外学者的广泛关注和研究，在BDS/GNSS水汽产品高精度处理、高分辨率处理以及气象和空间大地测量应用等方面取得了重要进展和成果。然而，现有BDS/GNSS水汽产品处理中多类模型的时空分辨率和精度依然有限，在地形复杂地区以及极端天气场景下，对水汽产品的处理性能有所不足，高精度、高分辨率处理尚未成熟业务化。水汽产品气象应用则多关注单一BDS/GNSS水汽产品的变化特性分析及气象预报研究，缺乏对水汽变化物理机制的深入分析以及融合多源数据及多气象参数的极端降水预报研究。未来应对投影函数模型、水汽反演模型等多类模型进行优化，进一步提升产品时空分辨率和精度，以适用于水汽产品高精度、高分辨率、业务化处理；也应加强对BDS/GNSS水汽变化物理机制的认知，开展融合BDS/GNSS水汽等多源数据及多气象参数的气象预报研究。
| [1] |
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): 15787. DOI:10.1029/92JD01517 |
| [2] |
Seidel D J, Berger F H, Diamond H J, et al. Reference Upper-Air Observations for Climate: Rationale, Progress, and Plans[J]. Bulletin of the American Meteorological Society, 2009, 90(3): 361-369. DOI:10.1175/2008BAMS2540.1 |
| [3] |
Guo F, Li X X, Zhang X H, et al. The Contribution of Multi-GNSS Experiment(MGEX)to Precise Point Positioning[J]. Advances in Space Research, 2017, 59(11): 2714-2725. DOI:10.1016/j.asr.2016.05.018 |
| [4] |
Zhou F, Cao X Y, Ge Y L, et al. Assessment of the Positioning Performance and Tropospheric Delay Retrieval with Precise Point Positioning Using Products from Different Analysis Centers[J]. GPS Solutions, 2020, 24(1): 12. DOI:10.1007/s10291-019-0925-0 |
| [5] |
Fritsche M, Dietrich R, Knöfel C, et al. Impact of Higher-Order Ionospheric Terms on GPS Estimates[J]. Geophysical Research Letters, 2005, 32(23): L23311. DOI:10.1029/2005GL024342 |
| [6] |
Zhang S C, Fang L, Wang G X, et al. The Impact of Second-Order Ionospheric Delays on the ZWD Estimation with GPS and BDS Measurements[J]. GPS Solutions, 2020, 24(2): 41. DOI:10.1007/s10291-020-0954-8 |
| [7] |
Bruyninx C. Comparing GPS-only with GPS + GLONASS Positioning in a Regional Permanent GNSS Network[J]. GPS Solutions, 2007, 11(2): 97-106. DOI:10.1007/s10291-006-0041-9 |
| [8] |
Douša J. Precise Near Real-Time GNSS Analyses at Geodetic Observatory Pecný-Precise Orbit Determination and Water Vapour Monitoring[J]. Acta Geodynamica et Geomaterialia, 2010, 7(1): 7-17. |
| [9] |
Dach R, Schmid R, Schmitz M, et al. Improved Antenna Phase Center Models for GLONASS[J]. GPS Solutions, 2011, 15(1): 49-65. DOI:10.1007/s10291-010-0169-5 |
| [10] |
Ejigu Y G, Hunegnaw A, Abraha K E, et al. Impact of GPS Antenna Phase Center Models on Zenith Wet Delay and Tropospheric Gradients[J]. GPS Solutions, 2019, 23(1): 5. DOI:10.1007/s10291-018-0796-9 |
| [11] |
Tregoning P, Herring T A. Impact of a Priori Zenith Hydrostatic Delay Errors on GPS Estimates of Station Heights and Zenith Total Delays[J]. Geophysical Research Letters, 2006, 33(23): L23303. DOI:10.1029/2006GL027706 |
| [12] |
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. |
| [13] |
Hopfield H S. Tropospheric Effect on Electromagnetically Measured Range: Prediction from Surface Weather Data[J]. Radio Science, 1971, 6(3): 357-367. DOI:10.1029/RS006i003p00357 |
| [14] |
Saastamoinen J. Atmospheric Correction for the Troposphere and Stratosphere in Radio Ranging Satellites[M]//Henriksen S W, Mancini A, Chovitz B H. The Use of Artificial Satellites for Geodesy. Washington D C: American Geophysical Union, 1972
|
| [15] |
Black H D. An Easily Implemented Algorithm for the Tropospheric Range Correction[J]. Journal of Geophysical Research: Solid Earth, 1978, 83(B4): 1825-1828. DOI:10.1029/JB083iB04p01825 |
| [16] |
Collins J P. Assessment and Development of a Tropospheric Delay Model for Aircraft Users of the Global Positioning System[R]. New Brunswick: Department of Geodesy and Geomatics Engineering Technical Report No. 203, University of New Brunswick, Fredericton, Canada, 1999
|
| [17] |
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 |
| [18] |
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): 1069-1073. DOI:10.1002/grl.50288 |
| [19] |
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 |
| [20] |
Landskron D, Böhm J. VMF3/GPT3:Refined Discrete and Empirical Troposphere Mapping Functions[J]. Journal of Geodesy, 2018, 92(4): 349-360. DOI:10.1007/s00190-017-1066-2 |
| [21] |
ESA-Galileo, Galileo Reference Troposphere Model for the User Receiver[Z], ESA Document, ESA-APPNGREF/00621-AM, 2012
|
| [22] |
Song S L, Zhu W Y, Chen Q M, et al. Establishment of a New Tropospheric Delay Correction Model over China Area[J]. Science China Physics, Mechanics and Astronomy, 2011, 54(12): 2271-2283. DOI:10.1007/s11433-011-4530-7 |
| [23] |
赵静旸, 宋淑丽, 陈钦明, 等. 基于垂直剖面函数式的全球对流层天顶延迟模型的建立[J]. 地球物理学报, 2014, 57(10): 3140-3153. |
| [24] |
Chen J P, Wang J G, Wang A H, et al. SHAtropE—A Regional Gridded ZTD Model for China and the Surrounding Areas[J]. Remote Sensing, 2020, 12(1): 165. DOI:10.3390/rs12010165 |
| [25] |
李薇, 袁运斌, 欧吉坤, 等. 全球对流层天顶延迟模型IGGtrop的建立与分析[J]. 科学通报, 2012, 57(15): 1317-1325. |
| [26] |
Li W, Yuan Y B, Ou J K, et al. New Versions of the BDS/GNSS Zenith Tropospheric Delay Model IGG - trop[J]. Journal of Geodesy, 2015, 89(1): 73-80. DOI:10.1007/s00190-014-0761-5 |
| [27] |
Li W, Yuan Y B, Ou J K, et al. IGGtrop_SH and IGGtrop_rH: Two Improved Empirical Tropospheric Delay Models Based on Vertical Reduction Functions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(9): 5276-5288. DOI:10.1109/TGRS.2018.2812850 |
| [28] |
Schüler T, Hein G W, Eissfeller B. On the Use of Numerical Weather Fields for Troposphere Delay Estimation in Wide Area Augmentation Systems[C]. Proceedings of GNSS 2000, Royal Institute of Navigation, Edinburgh, Scotland, 2000
|
| [29] |
Schüler T. The TropGrid2 Standard Tropospheric Correction Model[J]. GPS Solutions, 2014, 18(1): 123-131. DOI:10.1007/s10291-013-0316-x |
| [30] |
姚宜斌, 何畅勇, 张豹, 等. 一种新的全球对流层天顶延迟模型GZTD[J]. 地球物理学报, 2013, 56(7): 2218-2227. |
| [31] |
姚宜斌, 张豹, 严凤, 等. 两种精化的对流层延迟改正模型[J]. 地球物理学报, 2015, 58(5): 1492-1501. |
| [32] |
Boehm J. Vienna Mapping Functions in VLBI Analyses[J]. Geophysical Research Letters, 2004, 31: L01603. |
| [33] |
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): B02406. |
| [34] |
Hersbach H, Bell B, Berrisford P, et al. The ERA5 Global Reanalysis[J]. Quarterly Journal of the Royal Meteorological Society, 2020, 146(730): 1999-2049. DOI:10.1002/qj.3803 |
| [35] |
Mateus P, Catalão J, Mendes V B, et al. An ERA5-Based Hourly Global Pressure and Temperature(HGPT)Model[J]. Remote Sensing, 2020, 12(7): 1098. DOI:10.3390/rs12071098 |
| [36] |
Mateus P, Mendes V B, Plecha S M. HGPT2:An ERA5-Based Global Model to Estimate Relative Humidity[J]. Remote Sensing, 2021, 13(11): 2179. DOI:10.3390/rs13112179 |
| [37] |
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): 1713. DOI:10.3390/rs12111713 |
| [38] |
Li T, Wang L, Chen R Z, et al. Refining the Empirical Global Pressure and Temperature Model with the ERA5 Reanalysis and Radiosonde Data[J]. Journal of Geodesy, 2021, 95(3): 31. DOI:10.1007/s00190-021-01478-9 |
| [39] |
Niell A E. Global Mapping Functions for the Atmosphere Delay at Radio Wavelengths[J]. Journal of Geophysical Research: Solid Earth, 1996, 101(B2): 3227-3246. DOI:10.1029/95JB03048 |
| [40] |
Boehm J, Niell A, Tregoning P, et al. Global Mapping Function (GMF): A New Empirical Mapping Function Based on Numerical Weather Model Data[J]. Geophysical Research Letters, 2006, 33(7): L07304. |
| [41] |
Vey S, Dietrich R, Fritsche M, et al. Influence of Mapping Function Parameters on Global GPS Network Analyses: Comparisons Between NMF and IMF[J]. Geophysical Research Letters, 2006, 33(1): 1-4. |
| [42] |
Douša J, Václavovic P, Elias M. Tropospheric Products of the Second GOP European GNSS Reprocessing (1996—2014)[J]. Atmospheric Measurement Techniques, 2017, 10(9): 3589-3607. DOI:10.5194/amt-10-3589-2017 |
| [43] |
Yuan Y B, Holden L, Kealy A, et al. Assessment of Forecast Vienna Mapping Function 1 for Real-Time Tropospheric Delay Modeling in GNSS[J]. Journal of Geodesy, 2019, 93(9): 1501-1514. DOI:10.1007/s00190-019-01263-9 |
| [44] |
周要宗, 楼益栋, 张卫星, 等. 新一代实时对流层映射函数精度及PPP性能评估[J]. 武汉大学学报·信息科学版, 2021, 46(12): 1881-1888. DOI:10.13203/j.whugis20210238 |
| [45] |
Zumberge J F, Heflin M B, Jefferson D C, et al. Precise Point Positioning for the Efficient and Robust Analysis of GPS Data from Large Networks[J]. Journal of Geophysical Research: Solid Earth, 1997, 102(B3): 5005-5017. DOI:10.1029/96JB03860 |
| [46] |
Rocken C, Ware R, van Hove T, et al. Sensing Atmospheric Water Vapor with the Global Positioning System[J]. Geophysical Research Letters, 1993, 20(23): 2631-2634. DOI:10.1029/93GL02935 |
| [47] |
Duan J P, Bevis M, Fang P, et al. GPS Meteorology: Direct Estimation of the Absolute Value of Precipitable Water[J]. Journal of Applied Meteorology, 1996, 35(6): 830-838. DOI:10.1175/1520-0450(1996)035<0830:GMDEOT>2.0.CO;2 |
| [48] |
楼益栋, 戴小蕾, 宋伟伟. 站间距对GPS卫星高精度钟差估计的影响分析[J]. 武汉大学学报·信息科学版, 2011, 36(4): 397-400. DOI:10.13203/j.whugis2011.04.010 |
| [49] |
张小红, 李星星, 李盼. GNSS精密单点定位技术及应用进展[J]. 测绘学报, 2017, 46(10): 1399-1407. DOI:10.11947/j.AGCS.2017.20170327 |
| [50] |
Deng Z, Bender M, Dick G, et al. Retrieving Tropo spheric Delays from GPS Networks Densified with Single Frequency Receivers[J]. Geophysical Research Letters, 2009, 36(19): 308. |
| [51] |
Li X X, Zus F, Lu C X, et al. Retrieving of Atmospheric Parameters from Multi-GNSS in Real Time: Validation with Water Vapor Radiometer and Numerical Weather Model[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(14): 7189-7204. DOI:10.1002/2015JD023454 |
| [52] |
Lu C X, Chen X H, Liu G, et al. Real-Time Tropospheric Delays Retrieved from Multi-GNSS Observations and IGS Real-Time Product Streams[J]. Remote Sensing, 2017, 9(12): 1317. DOI:10.3390/rs9121317 |
| [53] |
Douša J, Václavovic P, Zhao L W, et al. New Adaptable All-in-one Strategy for Estimating Advanced Tropospheric Parameters and Using Real-Time Orbits and Clocks[J]. Remote Sensing, 2018, 10(2): 232. DOI:10.3390/rs10020232 |
| [54] |
Hadas T, Hobiger T, Hordyniec P. Considering Different Recent Advancements in GNSS on Real-Time Zenith Troposphere Estimates[J]. GPS Solutions, 2020, 24(4): 99. DOI:10.1007/s10291-020-01014-w |
| [55] |
Ahmed F, Václavovic P, Teferle F N, et al. Comparative Analysis of Real-Time Precise Point Positioning Zenith Total Delay Estimates[J]. GPS Solutions, 2016, 20(2): 187-199. DOI:10.1007/s10291-014-0427-z |
| [56] |
Ding W W, Teferle F N, Kazmierski K, et al. An Evaluation of Real-Time Troposphere Estimation Based on GNSS Precise Point Positioning[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(5): 2779-2790. DOI:10.1002/2016JD025727 |
| [57] |
Lu C X, Li X, Cheng J L, et al. Real-Time Tropospheric Delay Retrieval from Multi-GNSS PPP Ambiguity Resolution: Validation with Final Troposphere Products and a Numerical Weather Model[J]. Remote Sensing, 2018, 10(3): 481. DOI:10.3390/rs10030481 |
| [58] |
Yao Y B, Xu C Q, Shi J B, et al. ITG: A New Global GNSS Tropospheric Correction Model[J]. Scientific Reports, 2015, 5: 10273. DOI:10.1038/srep10273 |
| [59] |
Ross R J, Rosenfeld S. Estimating Mean Weighted Temperature of the Atmosphere for Global Positioning System Applications[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D18): 21719-21730. DOI:10.1029/97JD01808 |
| [60] |
李国平, 黄丁发, 刘碧全. 成都地区地基GPS观测网遥感大气可降水量的初步试验[J]. 武汉大学学报·信息科学版, 2006, 31(12): 1086-1089. DOI:10.13203/j.whugis2006.12.013 |
| [61] |
吕弋培, 殷海涛, 黄丁发, 等. 成都地区大气平均温度建模及其在GPS/PWV计算中的应用研究[J]. 测绘科学, 2008, 33(4): 103-105. DOI:10.3771/j.issn.1009-2307.2008.04.035 |
| [62] |
Zhang W X, Lou Y D, Huang J F, et al. A Refined Regional Empirical Pressure and Temperature Model over China[J]. Advances in Space Research, 2018, 62(5): 1065-1074. DOI:10.1016/j.asr.2018.06.021 |
| [63] |
Wang J H, Zhang L Y, Dai A G. Global Estimates of Water-Vapor-Weighted Mean Temperature of the Atmosphere for GPS Applications[J]. Journal of Geophysical Research, 2005, 110(D21): D21101. DOI:10.1029/2005JD006215 |
| [64] |
Zhang W, 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): 1897-1909. DOI:10.1007/s00190-019-01290-6 |
| [65] |
Blewitt G, Hammond W, Kreemer C. Harnessing the GPS Data Explosion for Interdisciplinary Science[J]. EOS, 2018, 99. DOI:10.1029/2018EO104623 |
| [66] |
Zhang H X, Yuan Y B, Li W, et al. A Grid-Based Tropospheric Product for China Using a GNSS Network[J]. Journal of Geodesy, 2018, 92(7): 765-777. DOI:10.1007/s00190-017-1093-z |
| [67] |
Zheng F, Lou Y D, Gu S F, et al. Modeling Tropospheric Wet Delays with National GNSS Reference Network in China for BeiDou Precise Point Positioning[J]. Journal of Geodesy, 2018, 92(5): 545-560. DOI:10.1007/s00190-017-1080-4 |
| [68] |
Lou Y D, Huang J F, Zhang W X, et al. A New Zenith Tropospheric Delay Grid Product for Real-Time PPP Applications over China[J]. Sensors, 2017, 18(1): 65. |
| [69] |
Flores A, Ruffini G, Rius A. 4D Tropospheric Tomography Using GPS Slant Wet Delays[J]. Annales Geophysicae, 2000, 18(2): 223-234. DOI:10.1007/s00585-000-0223-7 |
| [70] |
Perler D, Geiger A, Hurter F. 4D GPS Water Vapor Tomography: New Parameterized Approaches[J]. Journal of Geodesy, 2011, 85(8): 539-550. DOI:10.1007/s00190-011-0454-2 |
| [71] |
于胜杰, 柳林涛, 梁星辉. 约束条件对GPS水汽层析解算的影响分析[J]. 测绘学报, 2010, 39(5): 491-496. |
| [72] |
Rohm W. The Ground GNSS Tomography-Unconstrained Approach[J]. Advances in Space Research, 2013, 51(3): 501-513. DOI:10.1016/j.asr.2012.09.021 |
| [73] |
Zhao Q Z, Yao Y B. An Improved Troposphere Tomographic Approach Considering the Signals Coming from the Side Face of the Tomographic Area[J]. Annales Geophysicae, 2017, 35(1): 87-95. DOI:10.5194/angeo-35-87-2017 |
| [74] |
Cao Y C, Chen Y Q, Pingwha L. Wet Refractivity Tomography with an Improved Kalman-Filter Method[J]. Advances in Atmospheric Sciences, 2006, 23(5): 693-699. DOI:10.1007/s00376-006-0693-y |
| [75] |
Rohm W, Zhang K, Bosy J. Limited Constraint, Robust Kalman Filtering for GNSS Troposphere Tomography[J]. Atmospheric Measurement Techniques, 2014, 7(5): 1475-1486. DOI:10.5194/amt-7-1475-2014 |
| [76] |
夏朋飞, 叶世榕, 江鹏. GPS/GLONASS组合精密单点定位技术在三维水汽层析中的应用[J]. 大地测量与地球动力学, 2015, 35(1): 72-76. DOI:10.14075/j.jgg.2015.01.016 |
| [77] |
宋淑丽. 地基GPS网对水汽三维分布的监测及其在气象学中的应用[D]. 上海: 中国科学院研究生院(上海天文台), 2004
|
| [78] |
Benevides P, Nico G, Catalão J, et al. Analysis of Galileo and GPS Integration for GNSS Tomography[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(4): 1936-1943. DOI:10.1109/TGRS.2016.2631449 |
| [79] |
Zhang W X, Lou Y D, Liu W X, et al. Rapid Troposphere Tomography Using Adaptive Simultaneous Iterative Reconstruction Technique[J]. Journal of Geodesy, 2020, 94(8): 76. DOI:10.1007/s00190-020-01386-4 |
| [80] |
胡鹏, 黄观文, 张勤, 等. 顾及边界入射信号的多模水汽层析方法[J]. 测绘学报, 2020, 49(5): 557-568. |
| [81] |
姚宜斌, 赵庆志. GNSS对流层水汽监测研究进展与展望[J]. 测绘学报, 2022, 51(6): 935-952. |
| [82] |
Dai A G, Wang J H, Ware R H, et al. Diurnal Variation in Water Vapor over North America and Its Implications for Sampling Errors in Radiosonde Humidity[J]. Journal of Geophysical Research: Atmospheres, 2002, 107(D10): ACL11-1. |
| [83] |
Wang J, Dai A, Mears C A. Global Water Vapor Trend from 1988 to 2011 and Its Diurnal Asymmetry Based on GPS, Radiosonde, and Microwave Satellite Measurements[J]. Journal of Climate, 2016, 29(14): 5205-5222. DOI:10.1175/JCLI-D-15-0485.1 |
| [84] |
Byun S H, Bar-Sever Y E. A New Type of Troposphere Zenith Path Delay Product of the International GNSS Service[J]. Journal of Geodesy, 2009, 83(3): 1-7. |
| [85] |
Jones J, Guerova G, Douša J, et al. Advanced GNSS Tropospheric Products for Monitoring Severe Weather Events and CLIMAte[C]. EUREF Symposium, Paris, France, 2012
|
| [86] |
Douša J, Václavovic P. Real-Time Zenith Tropospheric Delays in Support of Numerical Weather Prediction Applications[J]. Advances in Space Research, 2014, 53(9): 1347-1358. DOI:10.1016/j.asr.2014.02.021 |
| [87] |
Gradinarsky L P, Johansson J M, Bouma H R, et al. Climate Monitoring Using GPS[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2002, 27(4/5): 335-340. |
| [88] |
Vey S, Dietrich R, Fritsche M, et al. On the Homogeneity and Interpretation of Precipitable Water Time Series Derived from Global GPS Observations[J]. Journal of Geophysical Research, 2009, 114(D10): D10101. DOI:10.1029/2008JD010415 |
| [89] |
Ning T, Wickert J, Deng Z, et al. Homogenized Time Series of the Atmospheric Water Vapor Content Obtained from the GNSS Reprocessed Data[J]. Journal of Climate, 2016, 29(7): 2443-2456. DOI:10.1175/JCLI-D-15-0158.1 |
| [90] |
Zhang W X, Lou Y D, Haase J S, et al. The Use of Ground-Based GPS Precipitable Water Measurements over China to Assess Radiosonde and ERA-Interim Moisture Trends and Errors from 1999 to 2015[J]. Journal of Climate, 2017, 30(19): 7643-7667. DOI:10.1175/JCLI-D-16-0591.1 |
| [91] |
Ross R J, Elliott W P. Radiosonde-Based Northern Hemisphere Tropospheric Water Vapor Trends[J]. Journal of Climate, 2001, 14(7): 1602-1612. DOI:10.1175/1520-0442(2001)014<1602:RBNHTW>2.0.CO;2 |
| [92] |
Parracho A C, Bock O, Bastin S. Global IWV Trends and Variability in Atmospheric Reanalyses and GPS Observations[J]. Atmospheric Chemistry and Physics, 2018, 18(22): 16213-16237. DOI:10.5194/acp-18-16213-2018 |
| [93] |
Suparta W, Iskandar A, Singh M S J, et al. Analysis of GPS Water Vapor Variability during the 2011 La Niña Event over the Western Pacific Ocean[J]. Annals of Geophysics, 2013, 56(3): R0330. |
| [94] |
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 |
| [95] |
Bock O, Bouin M N, Doerflinger E, et al. West African Monsoon Observed with Ground-Based GPS Receivers during African Monsoon Multidisciplinary Analysis(AMMA)[J]. Journal of Geophysical Research, 2008, 113(D21): D21105. DOI:10.1029/2008JD010327 |
| [96] |
Poan D E, Roehrig R, Couvreux F, et al. West Afri can Monsoon Intraseasonal Variability: A Precipitable Water Perspective[J]. Journal of the Atmospheric Sciences, 2013, 70(4): 1035-1052. DOI:10.1175/JAS-D-12-087.1 |
| [97] |
Singh R P, Dey S, Sahoo A K, et al. Retrieval of Water Vapor Using SSM/I and Its Relation with the Onset of Monsoon[J]. Annales Geophysicae, 2004, 22(8): 3079-3083. DOI:10.5194/angeo-22-3079-2004 |
| [98] |
Puviarasan N, Sharma A K, Ranalkar M, et al. Onset, Advance and Withdrawal of Southwest Monsoon over Indian Subcontinent: A Study from Precipitable Water Measurement Using Ground Based GPS Receivers[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2015, 122: 45-57. DOI:10.1016/j.jastp.2014.10.010 |
| [99] |
Means J D. GPS Precipitable Water as a Diagnostic of the North American Monsoon in California and Nevada[J]. Journal of Climate, 2013, 26(4): 1432-1444. DOI:10.1175/JCLI-D-12-00185.1 |
| [100] |
Jin S G, Li Z, Cho J. Integrated Water Vapor Field and Multiscale Variations over China from GPS Measurements[J]. Journal of Applied Meteorology and Climatology, 2008, 47(11): 3008-3015. DOI:10.1175/2008JAMC1920.1 |
| [101] |
Zhang W X, Lou Y D, Huang J F, et al. Multiscale Variations of Precipitable Water over China Based on 1999—2015 Ground-Based GPS Observations and Evaluations of Reanalysis Products[J]. Journal of Climate, 2018, 31(3): 945-962. DOI:10.1175/JCLI-D-17-0419.1 |
| [102] |
Wang J H, Zhang L Y, Dai A G, et al. A Near-Global, 2-Hourly Data Set of Atmospheric Precipitable Water from Ground-Based GPS Measurements[J]. Journal of Geophysical Research, 2007, 112(D11): D11107. DOI:10.1029/2006JD007529 |
| [103] |
Jakobson E, Ohvril H, Elgered G. Diurnal Variability of Precipitable Water in the Baltic Region, Impact on transmittance of the Direct Solar Radiation[J]. Boreal Environment Research, 2009, 14: 45-55. |
| [104] |
Ortiz de Galisteo J P, Cachorro V, Toledano C, et al. Diurnal Cycle of Precipitable Water Vapor over Spain[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(657): 948-958. DOI:10.1002/qj.811 |
| [105] |
Radhakrishna B, Fabry F, Braun J J, et al. Precipitable Water from GPS over the Continental United States: Diurnal Cycle, Intercomparisons with NARR, and Link with Convective Initiation[J]. Journal of Climate, 2015, 28(7): 2584-2599. DOI:10.1175/JCLI-D-14-00366.1 |
| [106] |
Chen J N, Li G P. Diurnal Variations of Ground-Based GPS-PWV Under Different Solar Radiation Intensity in the Chengdu Plain[J]. Journal of Geodynamics, 2013, 72: 81-85. DOI:10.1016/j.jog.2013.08.002 |
| [107] |
Singh R P, Mishra N C, Verma A, et al. Total Precipitable Water over the Arabian Ocean and the Bay of Bengal Using SSM/I Data[J]. International Journal of Remote Sensing, 2000, 21(12): 2497-2503. DOI:10.1080/01431160050030583 |
| [108] |
Champollion C. GPS Monitoring of the Tropospheric Water Vapor Distribution and Variation During the 9 September 2002 Torrential Precipitation Episode in the Cévennes(Southern France)[J]. Journal of Geophysical Research, 2004, 109(D24): D24102. DOI:10.1029/2004JD004897 |
| [109] |
Zhang K F, Manning T, Wu S Q, et al. Capturing the Signature of Severe Weather Events in Australia Using GPS Measurements[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(4): 1839-1847. DOI:10.1109/JSTARS.2015.2406313 |
| [110] |
Benevides P, Catalao J, Miranda P M A. On the Inclusion of GPS Precipitable Water Vapour in the Nowcasting of Rainfall[J]. Natural Hazards and Earth System Sciences, 2015, 15(12): 2605-2616. DOI:10.5194/nhess-15-2605-2015 |
| [111] |
Yao Y B, Shan L L, Zhao Q Z. Establishing a Method of Short-Term Rainfall Forecasting Based on GNSS-Derived PWV and Its Application[J]. Scientific Reports, 2017, 7: 12465. DOI:10.1038/s41598-017-12593-z |
| [112] |
Sapucci L F, Machado L A T, de Souza E M, et al. Global Positioning System Precipitable Water Vapour (GPS-PWV) Jumps before Intense Rain Events: A Potential Application to Nowcasting[J]. Meteorological Applications, 2019, 26(1): 49-63. DOI:10.1002/met.1735 |
| [113] |
Manandhar S, Dev S, Lee Y H, et al. A Data-Driven Approach for Accurate Rainfall Prediction[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(11): 9323-9331. DOI:10.1109/TGRS.2019.2926110 |
| [114] |
Zhao Q Z, Liu Y, Ma X W, et al. An Improved Rainfall Forecasting Model Based on GNSS Observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(7): 4891-4900. DOI:10.1109/TGRS.2020.2968124 |
| [115] |
Benevides P, Catalao J, Nico G. Neural Network Approach to Forecast Hourly Intense Rainfall Using GNSS Precipitable Water Vapor and Meteorological Sensors[J]. Remote Sensing, 2019, 11(8): 966. DOI:10.3390/rs11080966 |
| [116] |
Manandhar S, Lee Y H, Meng Yusong. GPS-PWV Based Improved Long-Term Rainfall Prediction Algorithm for Tropical Regions[J]. Remote Sensing, 2019, 11(22): 2643. DOI:10.3390/rs11222643 |
| [117] |
Liu Y, Zhao Q Z, Yao W Q, et al. Short-Term Rainfall Forecast Model Based on the Improved BP-NN Algorithm[J]. Scientific Reports, 2019, 9: 19751. DOI:10.1038/s41598-019-56452-5 |
| [118] |
Li H B, Wang X M, Zhang K F, et al. A Neural Network-Based Approach for the Detection of Heavy Precipitation Using GNSS Observations and Surface Meteorological Data[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2021, 225: 105763. DOI:10.1016/j.jastp.2021.105763 |
| [119] |
Ducrocq V, Ricard D, Lafore J P, et al. Storm-Scale Numerical Rainfall Prediction for Five Precipitating Events over France: On the Importance of the Initial Humidity Field[J]. Weather and Forecasting, 2002, 17(6): 1236-1256. DOI:10.1175/1520-0434(2002)017<1236:SSNRPF>2.0.CO;2 |
| [120] |
Vedel H, Huang X Y. Impact of Ground Based GPS Data on Numerical Weather Prediction[J]. Journal of the Meteorological Society of Japan Ser Ⅱ, 2004, 82(1B): 459-472. DOI:10.2151/jmsj.2004.459 |
| [121] |
Poli P, Moll P, Rabier F, et al. Forecast Impact Studies of Zenith Total Delay Data from European near Real-Time GPS Stations in Météo France 4DVAR[J]. Journal of Geophysical Research, 2007, 112(D6): D06114. |
| [122] |
Lindskog M, Ridal M, Thorsteinsson S, et al. Data Assimilation of GNSS Zenith Total Delays from a Nordic Processing Centre[J]. Atmospheric Chemistry and Physics, 2017, 17(22): 13983-13998. DOI:10.5194/acp-17-13983-2017 |
| [123] |
Mahfouf J F, Ahmed F, Moll P, et al. Assimilation of Zenith Total Delays in the AROME France Convective Scale Model: A Recent Assessment[J]. Tellus A: Dynamic Meteorology and Oceanography, 2015, 67(1): 26106. DOI:10.3402/tellusa.v67.26106 |
| [124] |
Zhang H X, Yuan Y B, Li W. Real-Time Wide-Area Precise Tropospheric Corrections (WAPTCs) Jointly Using GNSS and NWP Forecasts for China[J]. Journal of Geodesy, 2022, 96(6): 44. DOI:10.1007/s00190-022-01630-z |
| [125] |
Li Z H, Fielding E J, Cross P, et al. Interferometric Synthetic Aperture Radar Atmospheric Correction: GPS Topography-Dependent Turbulence Model[J]. Journal of Geophysical Research: Solid Earth, 2006, 111(B2): B02404. |
| [126] |
Reuveni Y, Bock Y, Tong X P, et al. Calibrating Interferometric Synthetic Aperture Radar (InSAR) Images with Regional GPS Network Atmosphere Models[J]. Geophysical Journal International, 2015, 202(3): 2106-2119. DOI:10.1093/gji/ggv253 |
| [127] |
Yu C, Li Z H, Penna N T. Interferometric Synthetic Aperture Radar Atmospheric Correction Using a GPS-Based Iterative Tropospheric Decomposition Model[J]. Remote Sensing of Environment, 2018, 204: 109-121. DOI:10.1016/j.rse.2017.10.038 |
| [128] |
Zhang Z Y, Lou Y D, Zhang W X, et al. On the Assessment GPS-Based WRFDA for InSAR Atmospheric Correction: A Case Study in Pearl River Delta Region of China[J]. Remote Sensing, 2021, 13(16): 3280. DOI:10.3390/rs13163280 |