水汽是地球大气中一种重要成分，影响着辐射平衡、能量输送、云的形成和降水。天气和气候变化主要是由地球大气圈中的水汽运动和变化引起的^[1]。水汽在大气中含量很少，但是空间分布复杂，且变化剧烈，在降雨、恶劣天气、全球气候变化等各种大气过程中扮演着重要角色。因此，研究大气可降水量对于气象天气等领域有着重要的意义。而地基GNSS气象学(ground-based GNSS meteorology)技术发展为探测大气可降水量(preipitable water vapor, PWV)提供了一种全新的手段，可以提供高时空分辨率的大气可降水量。

GNSS气象学研究源于20世纪80年代的美国^[2]，随着GNSS观测精度的不断提高，许多专家学者试图扩展GNSS气象学在各领域的应用范围。Bevis等利用GPS数据计算得到了接收机天顶方向的PWV，并首次提出“GNSS气象学”的概念^[3]。Rocken等进行了大范围的GNSS/STROM试验，来检验地基GNSS计算大气水汽的精度^[4]。Seco等利用NE Spain一个站连续9 a的数据，通过GNSS PWV数据和表面气压，实现了短期降雨预测^[5]。Shoji利用日本某地区一个月的数据，验证了当PWV到达一定阈值后，发生降雨的概率也快速增加^[6]。Benevides等用GNSS PWV对降雨进行了短期预测，降雨预测正确率为75%左右、误报率为60%~70%，这为强对流等短临灾害性天气的降雨预测提供了新的思路^[7]。在国内，毛节泰等开始进行地基GNSS气象学研究，并反演得到了PWV^[8]。上海天文台对我国地基GNSS计算PWV的可行性和可靠性进行了试验^[9]。刘焱雄等利用地基GNSS反演了香港地区的PWV，提出分段多项式计算方法^[10]。李国平等利用成都GNSS观测网反演得到了PWV，其结果与气象数据有很好的一致性^[11]。赵庆志等提出利用GPS ZTD进行局部降雨预测，得到了较好的预测效果^[12]。张佳华等通过PWV等气象要素，基于决策树对降水进行预测，准确度达到80%左右^[13]。目前，香港、上海、武汉等地的地基GNSS气象网已投入使用，获取的实时PWV精度可达1~2 mm。

在诸多研究的基础上，本文提出一种新的利用GNSS PWV进行短临降雨预测方法，以期提高降雨预测精度。首先对PWV与降雨的关系进行了分析，提出了一种短临降雨预测方法；利用浙江4个测站每小时一次的PWV及其相邻雨量站对应的降雨信息进行实验，发现该方法能够得到较高的正确预测率，并能有效控制误报率；最后将该方法应用于武汉全年降雨事件分析，结果显示，该方法具有较强的适用性。

1 数据和分析

地基GNSS反演大气可降水量主要分为以下两个步骤：

1) 由天顶方向对流层总延迟(zenith total delay，ZTD)和天顶静力学延迟(zenith hydrostatic delay，ZHD)计算得到天顶湿延迟(zenith wet delay，ZWD)；

2) 利用加权平均温度(T_m)计算转换系数(Π)，将湿延迟转换为天顶方向大气可降水量^[14-23]。

选取浙江CORS网中4个附近有雨量站的地基GNSS观测站：LJSL、ZHOS、ZJXC、ZJYH，其相邻雨量站分别为大目湾、红卫、新昌、玉溪，对其2014-09-01~2015-08-31的GNSS观测数据进行分析，并对雨量站每小时的降雨信息进行统计。利用精密单点定位(precise point positioning, PPP)数据处理软件对观测数据进行处理，得到全年共365 d的每小时一次的PWV序列。

1.1 PWV与降雨关系初步分析

为了直观地分析PWV与降雨关系，选取LJSL站一个月内几次明显降雨期间PWV的时变特征进行分析(图 1)。可以看出，降雨过程中，PWV通常有一个先上升后又缓慢下降的过程，且降雨主要发生PWV峰值附近。以9月13日降雨为例，可以看到，在发生降雨前，PWV除了有小范围波动外，基本稳定在均值附近；9月12日，PWV值开始增加，水汽开始聚集，一直到9月13日左右PWV达到峰值，在PWV峰值附近有降雨发生；然后，随着降雨的减弱，水汽供应减少，PWV开始缓慢下降，直到稳定状态，此时降雨也已停止。

有降雨发生时PWV一定会出现较大程度的变化，因为水汽是发生降雨的必要条件之一；然而，并不是所有的PWV变化都会引起降雨发生，其原因如下：

1) 水汽含量增加只是降雨发生的一个必要条件，当水汽充足，而其他降雨条件(如温度等)不满足时，并不会发生降雨；

2) 地基GNSS测站附近的雨量站检测到的范围有限，有可能发生降雨未被检测到。

1.2 几次降雨前PWV变化统计及分析

选取LJSL和ZHOS站2015-08-04~2015-08-25期间PWV和对应每小时的降雨信息进行分析，图 2给出了这两个站在所选时间内PWV与降雨关系图。由图 2可以发现，降雨发生前，PWV有一个逐渐增加的过程，随着PWV的缓慢下降，降雨也开始缓慢减小直至停止。

为了方便研究PWV的时变与降雨之间的关系，定义了PWV变化量和变化率：

PWV变化量=降雨前最接近降雨的极大PWV-该极大值前相邻极小PWV

间隔历元=极大值对应时刻-极小值对应时刻

PWV变化率=PWV变化量/间隔历元

分别对这两个站几次降雨前(图 2中圆圈所示)的PWV相邻极大极小值、PWV变化量、PWV变化率进行统计分析，统计结果如表 1。

表 1中，站点后的(1)、(2)、(3)、(4)分别为图 2标注的两个测站对应的降雨事件。

由表 1的统计可以看出，在降雨发生前，PWV极大值较未下雨时的均值已达很大的状态，均在50 mm以上，有的达到70 mm。PWV的变化量也较大，在降雨前6 h内可以达到17.6 mm，其变化率多数超过了1 mm/h。说明在降雨发生几个小时前，PWV会快速增加和聚集。

1.3 PWV变化率与降雨关系统计分析

降雨发生会伴随PWV变化，对于降雨而言，PWV变化率较PWV变化量和PWV有更为敏感的响应，且PWV变化率去掉了时间上的约束，能更好地表达PWV与降雨之间的关系。用PWV变化率对上述4站进行短临降雨预测，并对其结果进行统计，如表 2所示。

由表 2可以看出，当PWV变化率取0.6 mm/h时，除ZJYH站，其余3站正确率均在75%以上。当PWV变化率取值增大时，正确率表现为下降的趋势。而PWV变化率取值越小，正确率越高。

2 短临降雨预测方法 2.1 方法建立

本文将上述分析的3个因素作为预测降雨事件发生的参考要素对短临降雨进行预测，提出一种短临降雨预测方法。该方法以PWV变化率为主要因素，以每月PWV阈值和PWV变化量为辅助因素，使方法能够更加全面地对降雨事件进行描述和表达，改善预测精度。

方法具体设计步骤如下：

1) 对PWV和降水数据进行处理，采用滑动窗口的方法，对数据滑动拟合；

2) 分别对每一段进行多项式拟合(本文拟合阶数选择7)，且采用“平移”的方法，将每段数据均平移到0处开始，避免误差累积。得到每一段拟合函数的极大极小值，然后求出对应时间段内PWV变化量及变化率；

3) 根据不同站的实际情况选取不同的阈值，筛选出符合条件的历元。然后将这些历元统一向后取一预测窗口(本文取6 h)，统计该时间段内的降水事件，并与实际降水进行比较，求得正确率、误报率、大雨正确率(将每小时降水量大于5 mm看作大降雨)，得到预测结果。

2.2 阈值选取

由表 2可以看出, 阈值选取越大，预测出的降雨次数在减少，故阈值选取为方法关键部分。由于预测结果不仅仅由正确率来表征，还应考虑误报率，即在尽可能多的预测出降雨发生的情况下，使误报的事件数量降到最低。因此，阈值选取的最终结果，就是在保证正确率的前提下，尽量降低误报率。

本文阈值选取原则为：对于PWV，由于其具有季节性，每月取一个值，且所选取的值要保证该月预测正确率远高于误报率。对于PWV变化率，与测站位置有关, 应根据预测结果结合当地实际降雨情况确定。而对于PWV变化量, 作为一个辅助因素, 应在确定PWV变化率阈值的基础上进行选取, 使预测结果更好。

由表 2还可以看出, PWV变化率的选取不是唯一的, 而是一个范围。以LJSL站为例，当其PWV变化率阈值取0.6~0.8 mm/h时，正确率较高，同时误报率较低，满足选取原则，故可在此之间选取合适的阈值。

2.3 方法应用

通过对4个测站全年的PWV、PWV变化量、PWV变化率阈值的选取分析得到较为合适的阈值，对降雨事件进行预测。

图 3为LJSL站全年3个因素变化对预测降雨事件的影响，星星折线表示正确率，菱形折线表示大雨(小时降雨量大于5 mm)正确率，方框折线表示误报率，圆圈折线表示平均降雨量(预测到的降雨总量/预测到的降雨次数)。可以看出，随着阈值选取的增加，正确率与误报率均有所下降。当PWV变化率阈值取为0.6 mm/h时，正确率为82%左右，误报率为65%左右，达到了较好的预测结果。

表 3为浙江4个测站PWV变化率和变化量阈值选取及预测结果统计表。当根据阈值选取原则选定合适阈值后，预测正确率在80%左右，误报率在66%左右，与国际现有预测方法^[7]相比，该方法在预测正确率上好于其预测结果(75%左右)，提高了约7%，误报率与其相当(60%~70%)。说明该方法具有可行性、适用性及较高的精度。

3 降雨预测方法验证

为了对方法进行进一步的检验，选取了武汉市2010年全年降雨进行短临降雨预测。

所选测站为武汉的IGS站(WUHN站)，对应相邻雨量站为洪山街道口站。选取时间为2010年全年，共365 d；数据类型为全年每小时一次的PWV数据与降雨数据。

图 4为WUHN站全年3个因素变化对预测降雨事件的影响。由图 4可以看出，当所选阈值增加时，正确率有所下降，误报率也下降。当选定合适的阈值后，如本文PWV变化率阈值选为0.04 mm/h，PWV变化量阈值选为0.2 mm时，预测正确率达80.3%，误报率为68.1%，大雨正确率为85.9%。该站与浙江4个站的结果具有一致性，说明本文预测方法具有适用性。

4 结束语

基于GNSS PWV与实际降雨的关系，建立了基于PWV进行短临降雨预测方法，该方法具备提前1~6 h预测降雨的能力，能够预测出约80%的降雨。将该方法应用于不同区域，能得到较好的预测结果。通过分析，得出以下结论：

1) 我国大部分地区处于季风气候区，PWV具有季节变化的特点和波动性；PWV数据与降雨数据存在正相关关系，降雨一般发生在PWV峰值附近；

2) 本文建立的利用PWV变化率、PWV变化量以及每月PWV三因素融合进行单站短临降雨预测方法，正确率达到了80%左右，误报率在65%左右，尤其对暴雨事件有较高的灵敏性；

3) 相对于现有短期降雨预测方法，该方法加入每月PWV及PWV变化量作为辅助因素，减少了采用单一因素预测而出现遗漏事件，从而提高正确率，降低误报率；

4) 新方法对于不同地区和不同类型的降雨事件都有很好的预测能力，适用性较强。