海口地区GPS反演大气可降水量中加权平均温度模型构建及其应用

doi:10.11755/j.issn.1006-7639（2022）-06-1081

摘要/Abstract

摘要：

地基GPS反演大气可降水量（precipitable water， PW）中，加权平均温度（T_m）是一个非常重要的参数。为提高海南岛PW反演的精度和可靠性，基于海口站2008—2010年探空数据计算的T_m，分析T_m时间变化特征及其与地面气象要素的关系，在此基础上利用2008—2012年数据建立T_m单因子、多因子回归模型和加入年积日的回归模型，并利用2013—2014年数据对模型进行检验。进一步基于2012年5—10月数据对基于T_m单因子和多因子模型的GPS反演PW进行检验。结果表明：本地化单因子、两因子T_m模型均方根误差分别为2.000和1.978 K，与Bevis公式、常数法相比，本地模型误差较小，与探空资料计算的T_m有良好的一致性。与Bevis模型相比，基于本地单因子和多因子T_m模型的GPS反演PW与探空资料计算的PW相关性更高，偏差更小；与多因子线性模型相比，基于加入年积日的T_m模型的GPS反演PW精度明显提高。本地化T_m模型能更好满足海口地区地基GPS反演PW。

关键词: 大气可降水量, 加权平均温度, 地基GPS, 多元回归, 海口

Abstract:

Weighted mean temperature (T_m) is a key parameter in the retrieval of atmospheric precipitable water (PW) from ground-based Global Positioning System (GPS). In order to improve the accuracy and reliability of the retrieval of PW in Hainan Island, temporal variation characteristics of T_m calculated based on Haikou radiosonde data during 2008-2010 and the relation with meteorological factors at Haikou station are analyzed. On this basis, based on radiosonde and surface observation data during 2008-2012, single-factor and multi-factor T_m regression equations and T_m regression models with day of year factor are established at Haikou, and the models are validated by using radiosonde and surface observation data during 2013-2014. Based on the local T_m regression models, the ground-based GPS PW retrieval of Haikou is performed from May to October 2012, and the retrieval accuracy is verified. The results show that: by comparison of the true T_m, the RMSE of single-factor and two-factor local T_m models are 2.000 and 1.978 K, superior to Bevis and constant model. The local model of T_m has good consistency with T_m calculated by radiosonde data. The GPS PW from single-factor T_m model exhibits much stronger correlations with radiosonde PW than GPS PW based on Bevis model, and the RMSE of GPS PW by single-factor T_m model is lower than that based on Bevis model. Compared with the multi-factor linear T_m model, GPS PW based on the T_m model with day of year factor has significantly improved accuracy. The local models could meet the accuracy requirements of the PW from ground-based GPS data of Haikou.

Key words: precipitable water, weighted average temperature, ground-based GPS, multiple regression, Haikou

中图分类号:

P426

李光伟, 黄光瑞, 邢峰华, 敖杰. 海口地区GPS反演大气可降水量中加权平均温度模型构建及其应用[J]. 干旱气象, 2022, 40(6): 1081-1091.

LI Guangwei, HUANG Guangrui, XING Fenghua, AO Jie. Construction of weighted mean temperature model in retrieval of atmospheric precipitable water from GPS in Haikou and its application[J]. Journal of Arid Meteorology, 2022, 40(6): 1081-1091.

图/表 11

参考文献 37

[1]	杨景梅, 邱金桓. 用地面湿度参量计算我国整层大气可降水量及有效水汽含量方法的研究[J]. 大气科学, 2002, 26(1): 9-22.
[2]	BEVIS M, BUSINGER S, HERRING T, et al. GPS meteorology: remote sensing of atmospheric water vapor using the global positioning system[J]. Journal of Geophysical Research, 1992, 97(D14): 15787-15801. DOI URL
[3]	LI Z H, MULLER J P, CROSS P. Comparison of precipitable water vapor derived from radiosonde, GPS, and Moderate-Resolution Imaging Spectroradiometer measurements[J]. Journal of Geophysical Research, 2003,108, 4651. DOI:10.1029/2003JD003372. DOI
[4]	BOCK O, BOUIN M N, WALPERSDORF A, et al. Comparison of ground-based GPS precipitable water vapour to independent observations and NWP model reanalyses over Africa[J]. Quarterly Journal of the Royal Meteorological Society, 2007, 133(629): 2011-2027. DOI URL
[5]	DAI A, 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, 2002, 107(D10), 4090. DOI:10.1029/2001JD000642. DOI
[6]	梁宏, 刘晶淼, 陈跃. 地基GPS遥感的祁连山区夏季可降水量日变化特征及成因分析[J]. 高原气象, 2010, 29 (3): 726-736.
[7]	BEVIS M, BUSINGERS, CHISWELL S S, et al. GPS meteorology: mapping zenith wet delays onto precipitable water[J]. Journal of Applied Meteorology, 1994, 33 (3): 379-386. DOI URL
[8]	GENDT G, DICK G, REIGBER C, et al. Near real time GPS water vapor monitoring for numerical weather prediction in Germany[J]. Journal of the Meteorological Society of Japan. Ser. II, 2004, 82(1B): 361-370. DOI URL
[9]	DEBLONDE G, MACPHERSON S, MIREAULT Y, et al. Evaluation of GPS precipitable water over Canada and the IGS network[J]. Journal of Applied Meteorology, 2005, 44: 153-166. DOI URL
[10]	毛节泰. GPS的气象应用[J]. 气象科技, 1993, 4: 45-49.
[11]	李成才, 毛节泰, 李建国, 等. 全球定位系统遥感水汽总量[J]. 科学通报, 1999, 44 (3): 333-336.
[12]	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, D21101.DOI:1029/2005JD006215. DOI
[13]	DAVIS J, HERRING T, SHAPIRO I, et al. Geodesy by radio interferometry: effects of atmospheric modeling errors on estimates of baseline length[J]. Radio Science, 1985, 20: 1593-1607. DOI URL
[14]	何平, 徐宝祥, 周秀骥, 等. 地基GPS反演大气水汽总量的初步试验[J]. 应用气象学报, 2002, 13(2): 179-183.
[15]	马思琪, 周顺武, 王烁, 等. 基于GPS资料分析西藏中东部夏季可降水量日变化特征[J]. 高原气象, 2016, 35(2): 318-328. DOI
[16]	韩辉邦, 张小军, 张博越, 等. 柴达木盆地GPS大气可降水量精度检验及其变化特征[J]. 干旱气象, 2020, 38(1): 50-57.
[17]	李建国, 毛节泰, 李成才, 等. 使用全球定位系统遥感水汽分布原理和中国东部地区加权“平均温度”的回归分析[J]. 气象学报, 1999, 57(3): 283-292.
[18]	刘焱雄, 陈永, 刘经南. 利用地面气象观测资料确定对流层加权平均温度[J]. 武汉测绘科技大学学报, 2000, 25(5): 400-404.
[19]	谷晓平, 王长耀, 吴登秀. GPS水汽遥感中的大气加权平均温度的变化特征及局地算式研究[J]. 气象科学, 2005, 25 (1): 79-83.
[20]	王勇, 柳林涛, 郝晓光, 等. 武汉地区GPS气象网应用研究[J] 测绘学报, 2007, 36(2): 141-145.
[21]	李国翠, 李国平, 杜成华, 等. 华北地区地基GPS水汽反演中加权平均温度模型研究[J]. 南京气象学院学报, 2009, 32 (1): 80-86.
[22]	王晓英, 戴仔强, 曹云昌, 等. 中国地区地基GPS加权平均温度T_m统计分析[J]. 武汉大学学报(信息科学版), 2011, 36(4): 412-416.
[23]	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.
[24]	孙菲浩, 郑南山, 杜飞. 香港市域大气加权平均温度模型构建及其应用[J]. 气象科技, 2019, 47(3): 508-512.
[25]	王郁茗, 邵利民, 张尚悦. 利用ERA-Interim数据构建海区大气加权平均温度模型[J]. 气象科学, 2020, 40(3): 408-413.
[26]	李光伟, 李春鸾, 敖杰, 等. 海南岛大气可降水量的时空分布特征研究[J]. 自然灾害学报, 2015, 24(5):129-138.
[27]	邢彩盈, 胡德强, 吴胜安, 等. 海南岛后汛期旱涝急转及其海气异常特征分析[J]. 干旱气象, 2018, 36(4): 568-577. DOI
[28]	李光伟, 敖杰, 邢峰华, 等. 基于NVAP-M数据和ERA-I资料的海南岛大气可降水量时空分布特征分析[J]. 暴雨灾害, 2018, 37(3): 281-287.
[29]	DURRE I, VOSE R S, WUERTZ D B. Overview of the integrated global radiosonde archive[J]. Journal of Climate, 2006, 19(1): 53-68. DOI URL
[30]	VÖMEL H, SELKIRK H, MILOSHEVICH L, et al. Radiation dry bias of the Vaisala RS92 humidity sensor[J]. Journal of Atmospheric and Oceanic Technology, 2007, 24(6): 953-963. DOI URL
[31]	MILOSHEVICH L M, VÖMEL H, WHITEMAN D N, et al. Accuracy assessment and correction of Vaisala RS92 radiosonde water vapor measurements[J]. Journal of Geophysical Research: Atmospheres, 2009, 114, D11305. DOI:10.1029/2008JD011565. DOI
[32]	郝民, 龚建东, 王瑞文, 等. 中国L波段探空湿度观测资料的质量评估及偏差订正[J]. 气象学报, 2015, 73(1): 187-199.
[33]	郝民, 龚建东, 田伟红, 等. L波段探空仪湿度资料偏差订正及同化试验[J]. 应用气象学报, 2018, 29(5): 559-570.
[34]	GUO S L, KACHROO R K, MNGODO R J. Nonparametric kernel estimation of low flow quantiles[J]. Journal of Hydrology, 1996, 185(1): 335-348. DOI URL
[35]	李文娟, 赵放, 赵璐, 等. 基于单站探空资料的不同强度短时强降水预报指标研究[J]. 暴雨灾害, 2017, 36(2): 132-138.
[36]	YAO Y, ZHANG B, XU C, et al. Improved one/multi-parameter models that consider seasonal and geographic variations for estimating weighted mean temperature in ground-based GPS meteorology[J]. Journal of Geodesy, 2014, 88(3): 273-282. DOI URL
[37]	臧建飞, 彭秀英, 胡卓, 等. 顾及周期性误差修正的加权平均温度模型构建[J]. 测绘科学, 2019, 44(8): 149-153.

站名	样本量/个	T_m平均值/K				RMSE/K
站名	样本量/个	探空积分法	Bevis公式	常数法1	常数法2	Bevis公式	常数法1	常数法2
海口	2017	288.30	283.55	281.00	269.70	5.30	8.15	18.95
武汉	2110	280.98	278.64	281.00	269.70	3.97	8.01	13.83
北京	1982	274.28	274.85	281.00	269.70	4.81	13.05	12.09

站名	样本量/个	T_m平均值/K				RMSE/K
站名	样本量/个	探空积分法	Bevis公式	常数法1	常数法2	Bevis公式	常数法1	常数法2
海口	2017	288.30	283.55	281.00	269.70	5.30	8.15	18.95
武汉	2110	280.98	278.64	281.00	269.70	3.97	8.01	13.83
北京	1982	274.28	274.85	281.00	269.70	4.81	13.05	12.09

季节	模型公式	样本量/个	RMSE/K	决定系数
春季	T_m=83.02+0.69T_s	852	2.28	0.5750
夏季	T_m=73.92+0.72T_s	816	1.81	0.3338
秋季	T_m=114.59+0.58T_s	839	2.14	0.3676
冬季	T_m=44.70+0.83T_s	892	2.26	0.6444
夏半年	T_m=88.78+0.67T_s	1638	1.95	0.3201
冬半年	T_m=72.83+0.73T_s	1761	2.31	0.6412
全部样本	T_m=107.64+0.61T_s	3399	2.21	0.6281

季节	模型公式	样本量/个	RMSE/K	决定系数
春季	T_m=83.02+0.69T_s	852	2.28	0.5750
夏季	T_m=73.92+0.72T_s	816	1.81	0.3338
秋季	T_m=114.59+0.58T_s	839	2.14	0.3676
冬季	T_m=44.70+0.83T_s	892	2.26	0.6444
夏半年	T_m=88.78+0.67T_s	1638	1.95	0.3201
冬半年	T_m=72.83+0.73T_s	1761	2.31	0.6412
全部样本	T_m=107.64+0.61T_s	3399	2.21	0.6281

模型名称	模型公式	样本量/个	RMSE/K	决定系数
Bevis	T_m=70.2+0.72T_s	3399	5.087	0.5549
F1^*	T_m=107.64+0.61T_s	3399	2.212	0.6281
F9^*	T_m=103.59+0.61T_s+0.03RH	3399	2.195	0.6339
F11	T_m=97.91+0.62T_s+0.004P_s+0.03RH	3399	2.195	0.6339
F15^*	T_m=-72.32+1.21T_s+0.14RH-0.45P_es	3399	2.154	0.6474
F17	T_m=74.80+2.005T_s-1.41T_d+0.006P_s+0.310P_es	3399	2.185	0.6370
F19^*	T_m=-35.59+1.23T_s-0.04P_s+0.15RH-0.50P_es	3399	2.150	0.6486
F20^*	T_m=-36.65+1.66T_s-0.47T_d-0.037P_s+0.23RH-0.47P_es	3399	2.149	0.6489