随着全球导航卫星系统（global navigation satellite system，GNSS）的蓬勃发展，地基GNSS^{[1, 2]}水汽探测技术GNSS-MET^{[3, 4]}也应运而生。该技术为水汽探测提供了一种全新方法。GNSS设备满足全天时全天候的观测需要，其探测精度不受天气条件影响，获取的水汽产品具备极高的时空分辨率，且能在极端天气下探测^[5]。综上所述，地基GNSS-MET技术能有效弥补常规水汽探测方法的不足，是现有气象观测网络的重要补充，具有广阔发展前景。

近年来，全球的连续运行基准站（continuously operating reference station，CORS）^[6]系统广泛布设。在CORS系统中，每一台永久运行的GNSS接收机都可以作为独立的水汽传感器，实时监测其上空的水汽含量^[7]。来自Trimble、Leica的国外主流CORS系统主控软件均提供额外的对流层水汽监测模块，成功部署后，即可按照设定的采样率，输出对流层水汽产品。依托目前的高性能服务器和传输速度极快的5G网络，这些水汽产品可迅速播发至用户端，对短临天气进行初步预报，或者播发至气象部门，为水汽数据的实时同化提供方便。当前，GNSS大气可降水量（GNSS-precipitable water vapor，GNSSPWV）已被纳入水汽探测网络，增益其数值天气预报的运算精度，提升天气预报的准确度^{[7, 8]}。并且，借助高性能服务器和海量存储设备，大量水汽数据得以妥善保存，这些能够反映当地气候的宝贵数据已经引起了大地测量学、气象学、地球物理学等领域的共同关注。然而，目前大量CORS系统站点分布于经济较发达的平原地区，高原地区的站点分布相对稀疏^[9]，使得GNSS水汽反演技术在高原地区缺少针对性研究。

为研究高原地区GNSS水汽反演技术的降水预警反演能力，本文选取位于林芝至波密7座铁路GNSS基准站构成的CORS系统站点，采集了2020年年积日（day-of-year，DOY）243~247的GNSS观测数据，采用GAMIT软件^[10]结合自编译的PWV自动解算程序，得到了CORS系统中7个基准站采样率为0.5 h的PWV数据^[11]。结合来自与测站并置的气象传感器的降水数据，初步分析了GNSS-MET在高原、高海拔区域的适用性以及将反演得到的PWV数据用于降水预报的可行性。

在轨道上运行的卫星向全球播发导航信号，该信号依次穿过电离层、对流层等到达用户的接收机端。在信号穿过对流层时，对流层介质对信号的传播速度和路径均造成影响，这种影响被称为对流层延迟。在处理精密GNSS数据时，对流层延迟常被视为一种未知数，联合其他参数（测站的X、Y、Z坐标和接收机钟差等）一起求解，这样较高精度的对流层延迟信息就被分离出来。天顶总延迟(zenith total delay，ZTD)又可以分为天顶静力学延迟（zenith hydrostatic delay，ZHD）和天顶湿延迟(zenith wet delay, ZWD)。其中，ZHD可用经验模型模拟^[12]。因此，ZHD被准确估计后，将其从ZTD中剥离，剩下的就是ZWD。得到ZWD后，进一步借助转换参数，即可得到接收机上空的PWV。

本文采用GAMIT软件处理基准站观测数据，对ZTD进行估计，设定采样率为0.5 h。GAMIT中采用的基线处理策略如表 1所示。

表 1(Tab.1)

表 1 基线处理策略 Tab.1 Baseline Processing Strategy

表 1 基线处理策略 Tab.1 Baseline Processing Strategy 参数类型 策略 观测值类型 Baseline 天顶延迟采样率 0.5 h 截止高度角 10° 映射函数 VMF1 海洋负荷潮 Otl_FES2004.grid

ZTD的质量直接决定最终反演的PWV的精度。因此，为了保证各测站的ZTD被准确估计，需要引入长基线来避免各测站的ZTD高度相近而在双差处理时被大幅削弱。本文引入5个国际GNSS服务（International GNSS Service，IGS）站点与林芝市的7个测站共同组网，完成基线解算。选取的IGS站点为BJFS、CUSV、TWTF、LHAZ和HYDE。在各测站的ZTD被估计出来后，即可求取PWV，该过程在本实验中由自编译的程序完成。由于ZTD的精度优于2 mm，故本文程序获取的PWV产品的理论精度同样可达到2 mm。

本文选取的7个站点位于西藏自治区林芝市境内，站点高程在2 129~3 003 m间，其分布见图 1。

图 1(Fig.1)

图 1 CORS系统站点分布 Fig.1 Distribution of Stations in CORS System

为了探究GNSS-MET技术在高原地区的适用性，本文采集了2020年DOY243~DOY247间7个测站的原始观测数据，并且从武汉大学IGS数据中心下载了相应日期的广播星历（.20n）和精密星历（.sp3）。在GAMIT格网数据准备上，链接到预先准备好的VMF1映射函数模型（vmf1grd.2020）和无潮汐大气负载参数格网模型（atmdisp_cm.2020）。上述数据准备就绪后，采用GNSS观测数据处理策略，运用GAMIT软件每隔0.5 h在每个测站估计一个ZTD结果，然后根据GNSS-MET技术的基本原理，采用自编译的PWV计算程序进一步完成ZWD的分离和PWV的转化。

获取PWV数据集后，根据数据对应的历元整理数据，最终将各测站的PWV时间序列呈现为图 2形式。在图 2中，橙色虚线为由于通讯原因导致的GNSS数据缺失，本文不进行过多分析。除了各测站的时间序列折线外，红色虚线表示少量降水的开始时刻，其源数据来自测站并置的简易雨量传感器。由于该地区降水多短促而量少（小于2 mm），故图 2中不再展示具体的降水量和降水持续时间。在实验测试时段（DOY243~DOY247，2020），所在地区（林芝市）发生多次小范围阵雨，为本文研究PWV与降水的相关性提供了条件。

图 2(Fig.2)

图 2 各测站的PWV走势及降水开始时刻对照 Fig.2 PWV Trends and Precipitation Occurrence Time at Different Stations

如图 2所示，各测站的PWV呈现相近的变化趋势，其值在20~40 mm间震荡，可见所在区域水汽较为充沛，结合当地的长期降水情况来看，降水较为丰富，这佐证了PWV值较高的合理性。另外，由图 2中的4次降水事件可初步看出，PWV在降水来临前先呈现增长趋势，并在降水即将发生前开始减少。以XX07站发生于2020年DOY244的降水事件为例，PWV在降水发生前出现5 mm左右的上涨，达到峰值后，在降水发生前开始下降，并随着降水的发生持续降低。这表明水汽含量呈现持续上升态势，在达到峰值并开始下降后，即表明数小时内有发生降水的可能^[13]。

综上所述，高原地区可通过所建立的CORS系统，采用GNSS-MET技术获得其覆盖区域的PWV信息，基于这些数据，能够对即将来临的降水作出初步预警。因此，有必要在CORS解算系统中配置对流层水汽实时监控模块，辅助铁路管理部门把握未来的天气状况。

本文基于2020年DOY243~DOY247的位于林芝市的7座测站的GNSS观测数据，结合相应时段内的4次降水事件，验证了依托CORS观测网络的GNSS-MET技术在高原地区的适用性。并且，实验结果表明，把握PWV的动态走势可初步预警降水时间。因此，有必要基于CORS系统部署实时对流层水汽监测模块，以相关CORS管理部门提高对天气状况变化的掌握能力。