• CN 62-1175/P
  • ISSN 1006-7639
  • 双月刊
  • 中国科技核心期刊
  • 中国学术期刊综合评价数据库统计源期刊
  • 中文科技期刊数据库收录期刊

干旱气象, 2022, 40(6): 1081-1091 DOI: 10.11755/j.issn.1006-7639(2022)-06-1081

技术报告

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

李光伟,1,2, 黄光瑞1, 邢峰华1, 敖杰1

1.海南省气象科学研究所,海南 海口 570203

2.海南省南海气象防灾减灾重点实验室,海南 海口 570203

Construction of weighted mean temperature model in retrieval of atmospheric precipitable water from GPS in Haikou and its application

LI Guangwei,1,2, HUANG Guangrui1, XING Fenghua1, AO Jie1

1. Hainan Institute of Meteorological Science, Haikou 570203, China

2. Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Haikou 570203, China

责任编辑: 刘晓云;校对:黄小燕

收稿日期: 2021-10-6   修回日期: 2022-07-21  

基金资助: 海南省自然科学基金项目(420RC754)
海南省重点研发计划项目(ZDYF2021SHFZ062)

Received: 2021-10-6   Revised: 2022-07-21  

作者简介 About authors

李光伟(1983—),男,高级工程师,主要从事卫星遥感及人工影响天气研究.E-mail:gwlee@foxmail.com

摘要

地基GPS反演大气可降水量(precipitable water, PW)中,加权平均温度(Tm)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Tm,分析Tm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Tm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Tm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Tm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Tm有良好的一致性。与Bevis模型相比,基于本地单因子和多因子Tm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Tm模型的GPS反演PW精度明显提高。本地化Tm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 (Tm) 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 Tm 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 Tm regression equations and Tm 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 Tm 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 Tm, the RMSE of single-factor and two-factor local Tm models are 2.000 and 1.978 K, superior to Bevis and constant model. The local model of Tm has good consistency with Tm calculated by radiosonde data. The GPS PW from single-factor Tm model exhibits much stronger correlations with radiosonde PW than GPS PW based on Bevis model, and the RMSE of GPS PW by single-factor Tm model is lower than that based on Bevis model. Compared with the multi-factor linear Tm model, GPS PW based on the Tm 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.

Keywords: precipitable water; weighted average temperature; ground-based GPS; multiple regression; Haikou

PDF (8594KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

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

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]. Arid Meteorology, 2022, 40(6): 1081-1091 DOI:10.11755/j.issn.1006-7639(2022)-06-1081

引言

强降水引起的洪涝灾害是威胁人类生存发展最严重的自然灾害之一。水汽则是大气中最活跃的成分,是强降水发生的基本条件,在辐射收支、水循环和天气气候等方面发挥关键作用,精确探测水汽具有重要意义。大气可降水量(precipitable water,PW)是指从地面直到大气顶界的单位面积大气柱中所含水汽总量,如果全部凝结并降落到地面可以产生的降水量,通常用相当的水量在单位面积容器中的深度表示,以毫米为单位,PW可以用来表征大气中的水汽含量。PW不能直接测量,只能通过间接方法获得。PW计算方法主要包括探空资料计算[1]、地基全球定位系统(Global Positioning System, GPS)资料反演[2]、卫星资料反演、再分析资料计算等。传统的探空方法比较精确,缺点是探空站点和探测次数都比较少。相对于其他方法,地基GPS反演PW技术具有高时间分辨率和全天候的特点。地基GPS水汽遥感资料已广泛应用于卫星和再分析水汽资料验证[3-4]、水汽日变化研究[5-6]等方面,其精度达到一定水平。BEVIS等[2]首先提出了地基GPS反演PW原理,国内外许多研究对地基GPS资料反演PW的方法进行了详细叙述[7-11]。GPS反演PW过程中一个关键参数是加权平均温度(Tm),GPS湿项延迟转换为PW的精度主要是取决于Tm的精度。WANG等[12]研究发现当Tm有5 K的不确定性,可以导致PW有1.6%~2.1%的不确定性。因此Tm模型的精度提升对PW反演结果有重要影响。

国内外不少学者开展了地基GPS反演PW应用及其精度检验以及Tm本地化模型研究[7-25]。在GPS反演PW应用及其精度检验方面,国外研究表明PW的均方根误差(root mean square error, RMSE)在北美[2,7]、欧洲[8]小于2 mm,在国际全球导航卫星系统(Global Navigation Satellite System, GNSS)服务(International GNSS Service, IGS)站点为2.6 mm[9];在国内,有学者将利用探空等资料计算的PW与GPS反演结果进行比较,以探空计算的PW作为参照,GPS反演PW的RMSE为5 mm左右[11,14-16]。另外,准确计算Tm值,需要探空观测大气温湿廓线资料,但探空数据时间和空间分辨率较低。在实际应用中,Tm主要通过两种途径来得到,一是利用地面大气温度(Ts)等参量和Tm的线性或非线性关系来估计,二是利用大气模式数据或再分析资料的温湿数据采用数值积分法来计算,但模式数据或再分析资料本身具有不确定性[12]。许多学者利用基于Ts等地面观测建立了Tm模型并就其精度进行了评估,目前最广泛使用的模型是Bevis模型(Tm=70.2+0.72Ts),该模型利用美国境内13个探空站资料8718个样本建立,回归Tm的RMSE为4.74 K[2]。在国内直接应用Bevis模型会导致一定的偏差,因此许多学者对该模型进行了本地化改进[17-24]。如刘焱雄等[18]在国内较早建立了适合香港的本地Tm最优回归方程;李国翠等[21]在对Tm与地面各气象要素的关系分析基础上,建立了华北地区Tm单因子和多因子回归模型;也有利用再分析等资料估算Tm,如李建国等[17]应用MM4中尺度模式,给出了适合中国东部地区不同季节的Tm模型。上述研究表明,Tm区域性时空特征明显,建立本地化Tm模型对提高GPS水汽反演精度有重要意义。

海南岛地处热带,干湿季分明,一年四季均有暴雨发生,水汽的精密监测是提高暴雨预报能力的关键因素。目前,关于海南岛水汽研究主要集中于利用探空、再分析等资料对海南岛PW时空分布特征进行分析[26-28]。海南岛已建成GPS观测网络,然而,关于海南岛GPS反演PW应用及其精度检验等相关研究仍比较缺乏。海南岛汛期为5—10月,为全国时间最长地区,更有必要对GPS反演PW精度进行分析。本文首先利用海口国家气象站2008—2010年探空数据计算Tm,并分析Tm的时间变化规律及其影响因素;然后利用2008—2012年数据建立海口地区Tm线性回归模型和加入年积日的Tm回归模型,并利用2013—2014年数据对所建模型进行统计检验;最后基于本地Tm模型对海口2012年5—10月GPS观测数据进行PW反演并对其精度进行检验验证。以期为本地区GPS水汽应用及天气预报预警提供参考。

1 资料和方法

1.1 资料

本文选取同时具有探空和地基GPS观测,且气候上具有区域代表性的海口站进行分析,同时选取北京和武汉站进行对比分析,所用探空、地面资料和GPS观测资料时段分别为2008年1月至2014年12月和2012年5—10月。计算Tm的探空数据是美国国家气候数据中心(National Climatic Data Center, NCDC)提供的全球站点无线电探空资料数据集(the Integrated Global Radiosonde Archive, IGRA)[29]。探空资料包括海口、北京和武汉3站每日00:00和12:00(世界时,下同)观测的大气垂直方向的气温、露点温度、位势高度、大气压强、风向和风速;海口地基GPS观测资料由海口市气象局提供,GPS资料时间分辨率为0.5 h;地面资料包括地面气压、水气压、相对湿度、露点温度、地面温度。

1.2 方法

1.2.1 探空资料计算PW

PW可通过利用探空获取的从地面到高空各等压面层的温度、露点温度、气压数据来计算各层饱和水汽压,进而计算各层水汽混合比,并通过水汽混合比叠加求和得到[1,12,26]。在计算PW时,只有当地面及以上规定层至500 hPa的压强、温度及温度露点差均有探测数据,且至少有5个标准气压层时,才进行PW值计算,否则记作缺测[12]

国外有学者研究指出,探空仪在探测近饱和大气时,湿度观测值会出现偏低现象[30-31]。国内郝民等[32]发现中国L波段探空观测湿度也同样存在偏低现象,特别是当背景场湿度大于60%时,偏低更加明显,并提出了适合中国L波段探空湿度观测资料偏差特点的分段函数订正方法,个例试验表明,偏差订正后,观测偏差明显减小,订正效果非常显著。郝民等[33]进一步研究表明,多种探空湿度偏差订正方案均使观测湿度偏低现象得到显著改进,特别是在500 hPa以上改进更加明显,其中订正方案5即分段线性函数与Vömel方案结合的偏差订正方案在个例和连续预报试验中更接近实况,且订正方案5在连续预报试验的检验评分中优于其他订正方案,该订正方案对实际应用改进效果更加突出。因此本文采用订正方案5对探空观测湿度进行订正:在400 hPa以下,利用分段线性函数订正方法,对探空观测相对湿度高于60%的值进行一定的加湿订正,在400 hPa及以上采用Vömel方案进行偏差订正[30,33]

1.2.2 GPS反演PW原理

GPS反演PW的原理主要是利用天顶湿项延迟与PW建立正比关系,通过一个转换系数求解出精确的PW[2,19]。转换系数Π是Tm的函数,公式如下:

Π=106(ρ Rv)-1(k2+k3/Tm)-1

式中:ρ为液态水密度,ρ=1000 kg·m-3Rv为水汽的气体常数,Rv=461.495 J·kg-1·K-1k2k3为大气物理参数,k2=22.13+2.20 K·hPa-1k3=3.739+0.012 K2·hPa-1

获取Tm的方法主要包括3种[12,19]:常数法,探空/模式输出产品、大气再分析资料积分算法,回归经验公式。其中,常数法会导致较大的Tm误差;探空积分算法精度最高,但一天只有两次探测,站点少,时空分辨率低,对于数值预报模式输出或大气再分析产品[25],因模式或再分析资料本身存在不确定性,限制了其应用;回归经验公式,即通过与地面气温等的关系来估算Tm,是目前最常用方法[12,19,23],如Bevis经验公式[7]

利用探空资料计算Tm的公式[12]如下:

Tmi=1NPviTiΔzii=1NPviTi2Δzi

式中:Pvi(hPa)、Ti(K)和zi(m)分别为第i层平均水汽压、绝对温度和高度。

在利用探空资料计算Tm时,水汽分压不能直接观测,只能利用饱和水汽压和露点温度经验关系间接获取(本文采用世界气象组织推荐的Goff-Gratch水汽压公式)。对于每日两个时次(00:00和12:00)探空观测数据,分别计算得到两个时次Tm值。

如何对Tm做回归分析、哪些因子与Tm的相关性更显著?本文采用核密度估计方法考察不同地面参数对Tm的可预报性。核密度估计是在概率论中常被用来估计未知密度函数,属于非参数检验方法[34]。简单地说,核密度估计法是一种仅从样本数据自身出发估计其概率密度函数进而准确刻画其分布特征的非参数统计方法[35]

2 Tm与地面气象要素关系

Tm变化主要受太阳辐射影响,白天地表吸收太阳辐射能而逐渐增热,通过辐射、分子运动、湍流及对流运动和潜热输送等方式将热量传递给大气,使大气温度随之升高;夜间地表因放射长波辐射而冷却,使大气温度随之降低。因而太阳辐射和地球大气热辐射的周期变化会引起Tm的周期变化[19]图1给出了利用探空数据计算的海口站2008—2010年Tm分别与地面气温Ts及地面气压Ps图1)的变化。可以看出,TmPsTs均具有明显的年周期变化,在一个年度内,Tm季节变化明显,2月为低值,7—8月为高值,且在4月存在一个次高峰,说明海口Tm年变化具有双峰结构,这与李国翠等[21]发现华北Tm具有单峰结构不同,表明华南与华北Tm年变化有明显差异。这应该与海口站地表吸收太阳辐射的季节变化有关。Tm普遍低于Ts,但两者峰值、谷值对应很好,且变化趋势和升降幅度比较一致,两者相关系数为0.776,且通过α=0.05显著性检验。Ps高值(低值)对应Tm的低值(高值),二者增加(减少)趋势基本相反,变化幅度有一定差异。

图1

图1   2008—2010年海口站TmTsPs时间演变

Fig.1   The temporal variation of Tm and surface temperature Ts and pressure Ps at Haikou station during 2008-2010


图2给出了利用探空数据计算的海口站2008—2010年Tm分别与相对湿度RH及地面水气压Pes的变化。可以看出,海口站Tm与RH变化趋势和升降幅度一致性均较差。PesTm变化趋势相同,Pes峰值(谷值)与Tm峰值(谷值)一一对应,但两者变化幅度略有差异。另外,Tm普遍高于地面露点温度Td,但两者峰值、谷值对应较好,变化趋势和升降幅度比较一致(图略)。

图2

图2   2008—2010年海口站Tm与RH和Pes时间演变

Fig.2   Temporal evolution of Tm and relative humidity RH and water vapor pressure Pes at Haikou station during 2008-2010


图3为海口站Tm与地面气象要素核密度估计及两者之间的散点图。可以看出,TmTsPes散点近似成线性分布,存在较好的线性对应关系,为正相关,且TmTs的概率密度曲线也比较相似,均为单峰结构;TmPs则为较好的线性负相关;而同样的Tm值可以对应多个RH值说明两者线性相关性较差。另外,Tm与地面露点温度Td呈正相关(图略)。为了理解Tm与地面温湿参量关系的南北差异,对北京站Tm与RH等地面温湿参量的关系(图略)进行分析。与海口站类似,北京站TmTs同样存在较好的线性正相关,与Ps为较好的线性负相关。但与海口站不同,北京站TmTs概率密度曲线则为双峰结构。北京站TmPes为非线性关系,散点呈指数分布,也与海口站不同。这说明华南和华北地区Tm与地面温湿参量的关系也存在明显不同。

图3

图3   海口站Tm 与地面气象要素核密度估计及两者之间的散点图

Fig.3   The kernel density estimation of Tm and surface meteorology element at Haikou station and scatter plots between them


3 Tm本地化模型建立

3.1 Tm常用计算方法对比

在分析Tm与各气象要素关系基础上,为对比几种常用计算Tm方法在本地的适用性,对探空积分法、Bevis经验公式和两种常数方法的计算结果进行对比(表1)分析。北京站Bevis经验公式计算的Tm高于探空积分法,而南部地区的海口和武汉站Bevis经验公式计算的Tm则低于探空积分法。常数法计算的3站点Tm平均值相同,与探空积分法相比,偏高或偏低。

表1   2008—2010年4种常用方法计算的Tm及其他3种方法相对于探空积分法计算的Tm的RMSE

Tab.1  Tm calculated by 4 common calculation methods and root-mean-square errors of Tm calculated by using other three methods compared with Tm calculated from radiosonde at Haikou during 2008-2010

站名样本量/个Tm平均值/KRMSE/K
探空积分法Bevis公式常数法1常数法2Bevis公式常数法1常数法2
海口2017288.30283.55281.00269.705.308.1518.95
武汉2110280.98278.64281.00269.703.978.0113.83
北京1982274.28274.85281.00269.704.8113.0512.09

新窗口打开| 下载CSV


以探空积分法计算Tm为真值,对Bevis公式、常数法1和常数法2计算结果进行分析。北京、海口和武汉3站Bevis公式法计算Tm的均方根误差(RMSE)均小于两种常数法。以海口站为例,Bevis公式计算的Tm的RMSE最小,为5.30 K,海口站常数法2计算的Tm的RMSE最大(18.95 K)。

图4为利用探空积分法和Bevis公式计算得到的海口站2008—2010年Tm的时间演变,可以看出,利用Bevis公式计算的Tm变化趋势与探空积分法计算结果比较一致,但Bevis公式计算结果在峰值区间明显较利用探空积分结果普遍偏低,说明Bevis公式计算结果能够反映海口站Tm的时间变化特征,但存在系统性偏差。

图4

图4   探空积分法和Bevis公式计算海口站Tm时间演变

Fig.4   Temporal evolution of Tm calculated by radiosonde integration method and Bevis method at Haikou station


3.2 基于地面参量的Tm单因子和多因子模型

TmTsPsPes均有较好的相关性,其中与Ts相关性最高。利用海口探空站2008—2012年逐日00:00和12:00资料,按照四季(春季、夏季、秋季和冬季)、夏半年(5—10月)和冬半年(11月至次年4月)及全部样本,分别建立海口站Tm单因子线性回归方程,结果如表2所示。可以看出,冬、春季决定系数明显大于夏、秋季,冬半年模型决定系数则好于夏半年。

表2   2008—2012年海口站Tm分季节单因子回归模型及统计检验结果

Tab.2  Tm single factor regression models considering seasonal at Haikou station during 2008-2012 and their statistical tests results

季节模型公式样本量/个RMSE/K决定系数
春季Tm=83.02+0.69Ts8522.280.5750
夏季Tm=73.92+0.72Ts8161.810.3338
秋季Tm=114.59+0.58Ts8392.140.3676
冬季Tm=44.70+0.83Ts8922.260.6444
夏半年Tm=88.78+0.67Ts16381.950.3201
冬半年Tm=72.83+0.73Ts17612.310.6412
全部样本Tm=107.64+0.61Ts33992.210.6281

新窗口打开| 下载CSV


Tm分别与TsTdPes呈正相关,与Ps呈负相关性。将基于TsPsPes、RH及Td等5个因子进行Tm多因子回归建模,可建立31个回归方程,考虑到TsTm的相关性最强,将不包含Ts因子的回归方程剔除后有20个回归方程。其中F1、F2、F3、F4、F5模型为单因子模型,F6、F7、F8、F9模型为两因子模型,F10、F11、F12、F13、F14、F15模型为三因子模型,F16、F17、F18、F19模型为四因子模型,F20为五因子模型。进一步采用逐步回归法选择最优自变量子集筛选确定两因子、三因子等最优回归方程,结果如表3所示。

表3   2008—2012年海口站Tm单因子和多因子回归模型及统计结果

Tab.3  Single-factor/multi-factor regression models of Tm at Haikou station during 2008-2012 and their statistical tests results

模型名称模型公式样本量/个RMSE/K决定系数
BevisTm=70.2+0.72Ts33995.0870.5549
F1*Tm=107.64+0.61Ts33992.2120.6281
F9*Tm=103.59+0.61Ts+0.03RH33992.1950.6339
F11Tm=97.91+0.62Ts+0.004Ps+0.03RH33992.1950.6339
F15*Tm=-72.32+1.21Ts+0.14RH-0.45Pes33992.1540.6474
F17Tm=74.80+2.005Ts-1.41Td+0.006Ps+0.310Pes33992.1850.6370
F19*Tm=-35.59+1.23Ts-0.04Ps+0.15RH-0.50Pes33992.1500.6486
F20*Tm=-36.65+1.66Ts-0.47Td-0.037Ps+0.23RH-0.47Pes33992.1490.6489

注: *表示相同自变量个数模型中最优模型。下同。

新窗口打开| 下载CSV


单因子、两因子、三因子和四因子最优回归模型分别为F1、F9、F15和F19,其决定系数分别为0.6281、0.6339、0.6474和0.6486,分别是单因子、两因子、三因子和四因子模型中决定系数最高的,RMSE也是同类模型中最小。所有模型中,除F5外,其他回归模型均通过α=0.05显著性检验。由单因子模型到两因子模型决定系数有一定提升,由两因子模型到多因子模型决定系数则缓慢增加。

从因子系数看,模型的因子系数大部分均较合理,但部分多因子模型系数不合理,前述分析表明TmPs为负相关,与Td呈正相关,但模型F11中Ps因子系数为正值,回归系数t统计量检验表明变量Ps对模型F11没有显著贡献。

3.3 顾及Tm周期性变化的模型优化

上述研究发现,多因子模型可以提升本地化模型的精度,但效果并不明显。根据前面的时间分析,Tm及地面气象因子均具有明显的年周期变化。因此需要针对地面气象因子模型进行周期性校正的研究。YAO等[36]指出Tm模型误差存在周期性变化现象,并进一步通过构建补偿模型来对原模型进行改进,但并未在原模型中直接考虑这种周期性影响。臧建飞等[37]Tm模型中对周期性残差进行考虑并进行一次建模。本文参考文献[37]做法,通过在模型中加入与年积日有关的季节校正项(a_doy)来降低Tm模型误差的周期变化,a_doy采用了顾及年周期和半年周期的年积日三角函数表达式,公式如下:

a_doy=a1cos(2πdoy/365.25)+a2sin(2πdoy/365.25)+a3cos(4πdoy/365.25)+a4sin(4πdoy/365.25)

式中:doy为年积日;a1a2a3a4为拟合系数。

表4列出2008—2012年海口站加入年积日的Tm多因子回归模型及统计检验结果。可以看出,与未加入年积日的模型相比,加入年积日的Tm回归模型决定系数普遍提高,RMSE明显减小。FD1(为F1模型中加入年积日的Tm回归模型,其他依此类推)决定系数为0.6755,相对F1提高7.5%,比传统Bevis模型决定系数平均提升21.7%。

表4   2008—2012年海口站加入年积日的Tm多因子回归模型及统计检验结果

Tab.4  Multi-factor regression models of Tm with day of year factor at Haikou station during 2008-2012 and their statistical tests results

模型名称模型公式a1a2a3a4RMSE/K决定系数
FD1*Tm=40.89+0.83Ts+a_doy1.522.100.121.822.0680.6755
FD9*Tm=31.67+0.85Ts+0.035RH+a_doy1.652.100.161.712.0430.6831
FD11*Tm=130.34+0.78Ts-0.078Ps+0.03RH+a_doy1.892.060.081.582.0320.6863
FD15Tm=-7.79+0.98Ts+0.06RH-0.11Pes+a_doy1.532.030.171.732.0410.6837
FD17*Tm=119.08+1.47Ts-0.71Td-0.08Ps+0.17RH+a_doy1.872.040.081.562.0300.6871
FD19Tm=88.63+0.93Ts-0.08Ps+0.06RH-0.13Pes+a_doy1.761.990.081.602.0300.6870
FD20*Tm=90.95+1.43Ts-0.55Td-0.08Ps+0.16RH-0.09Pes+a_doy1.781.990.081.582.0290.6874

新窗口打开| 下载CSV


另外,模型因子系数也存在一定改善,如模型F11中Ps因子系数为正,FD11模型中则变为负值。单因子和两因子模型加入年积日后,精度均提高,最优模型是FD1和FD9。三因子和四因子模型加入年积日后,最优模型分别是FD11和FD17,均是含有Ps因子的模型,模型FD11决定系数为0.6863,相对F11提高8.3%,模型FD17的决定系数为0.6871,相对F17提高7.9%,FD11和FD17模型计算Tm结果显示,RMSE相对未加入年积日模型也有一定程度减小。

3.4 本地化模型效果检验

利用2 a(2013—2014年)数据作为检验样本,分别对表24得到的单因子模型、多因子模型(F9、F15、F19和F20),及加入年积日的多因子非线性模型(FD1、FD9、FD11、F17和FD20)的预报效果进行检验,检验样本同时也应用于Bevis模型(表5)。

表5   2013—2014年海口站Tm回归模型统计检验结果

Tab.5  Statistical tests result of Tm regression model from 2013 to 2014 at Haikou station

模型名称模型公式样本量/个RMSE/K绝对误差/K复相关系数R
夏半年Tm=88.78+0.67Ts6721.8140.3760.6028
冬半年Tm=72.83+0.73Ts7082.0630.3600.8133
BevisTm=70.2+0.72Ts13804.650-4.1700.8085
F1Tm=107.64+0.61Ts13802.0000.3350.8085
F9Tm=103.59+0.61Ts+0.03RH13801.9780.2960.8120
F15Tm=-72.32+1.21Ts+0.14RH-0.45Pes13801.9710.3120.8143
F19Tm=-35.59+1.23Ts-0.04Ps+0.15RH-0.50Pes13801.9610.2890.8156
F20Tm=-36.65+1.66Ts-0.47Td-0.037Ps+0.23RH-0.47Pes13801.9660.2880.8148
FD1Tm=40.89+0.83Ts+a_doy13801.9240.4160.8283
FD9Tm=31.67+0.85Ts+0.035RH+a_doy13801.8950.3740.8324
FD11Tm=130.34+0.78Ts-0.078Ps+0.03RH+a_doy13801.8610.3270.8375
FD17Tm=119.08+1.47Ts-0.71Td-0.08Ps+0.17RH+a_doy13801.8630.3250.8370
FD20Tm=90.95+1.43Ts-0.55Td-0.08Ps+0.16RH-0.09Pes+a_doy13801.8650.3260.8367

新窗口打开| 下载CSV


以探空资料计算的Tm作为真值,单因子F1模型和Bevis模型Tm绝对误差(回归值-真值)分别为0.335和-4.170 K,RMSE分别为2.000和4.650 K,说明本地单因子模型预报效果明显优于Bevis模型。加入年积日因子的FD1模型Tm绝对误差和RMSE分别为0.416和1.924 K,预报效果也优于Bevis模型。所有本地单因子模型中,RMSE最小(1.814 K)的Tm模型是夏半年单因子模型,冬半年单因子模型RMSE最大(2.063 K)。

随着回归模型因子数增加,Tm 的RMSE缓慢减小,由2.000 K(F1)减小至1.865 K(FD20),模型F1、F9、F15、F19和F20绝对误差分别为0.335、0.296、0.312、0.289及0.288 K,说明回归模型预报精度随因子数增加略有一定提高。模型加入年积日后模型预报精度有明显提升,如:模型FD1和F1回归的Tm的RMSE分别为1.924和2.000 K,RMSE减小4%,复相关系数R(回归值与真值)分别为0.8283和0.8085。

上述分析表明,与Bevis经验模型相比,本地单因子模型和多因子模型计算出的Tm明显接近真值,回归Tm的RMSE和绝对误差相对稳定,相对来看,本地化多因子模型的改进效果相比单因子模型略好,加入年积日的非线性多因子模型明显优于线性多因子模型。

4 Tm模型在GPS反演PW中应用

确定Tm的目的是将其应用于地基GPS反演PW中。以2012年5—10月探空资料计算PW(PWIGRA)为参考值,与同时段GPS反演PW(PWGPS)进行对比,来评价不同Tm模型对PWGPS结果影响,表6列出基于所有分季节和F1单因子Tm模型,及预报效果较好的多因子Tm模型(FD1、F9、FD9、FD11)PWGPS与PWIGRA的结果对比。可以看出,PWGPS平均偏差绝对值在0.8 mm以内,标准差和RMSE小于5.0 mm,PWGPS与PWIGRA的相关系数均在0.9446左右,通过α=0.01显著性检验,均可较好满足实际应用需要。基于Bevis模型的PWGPS与PWIGRA的相关系数为0.9445,其标准差和RMSE分别为4.960、4.970 mm,而基于本地夏半年Tm模型的PWGPS与PWIGRA相关系数则为0.9447,其标准差、RMSE分别为4.900、4.913 mm。基于海口站本地夏半年等单因子和多因子Tm模型的PWGPS标准差和RMSE均小于Bevis模型结果,相关系数大于Bevis模型结果。从本地Tm模型对比看,基于多因子Tm模型的PWGPS平均偏差和RMSE均小于基于单因子Tm模型,前者相关系数大于后者,PWGPS有一定提高,其中,基于加入年积日的多因子Tm模型(FD9)反演的PWGPS综合表现更好。

表6   海口站基于不同Tm模型的PWGPS与 PWIGRA结果对比

Tab.6  Comparison of result of PWGPS based on different Tm models and PWIGRA at Haikou station

Tm模型
名称
样本量
/个
PWIGRA平均值/mmPWGPS平均
值/mm
PWGPS标准差/mmPWGPS平均偏差/mmPWGPSRMSE/mmPWGPS与PWIGRA线性回归
相关系数r斜率截距
Bevis33955.655.284.960-0.324.9700.94451.256-13.824
F133955.656.124.8850.534.9130.94471.238-13.883
夏半年33955.655.964.9000.364.9130.94471.241-13.852
冬半年33955.656.354.8660.754.9240.94461.232-13.826
春季33955.656.014.8960.414.9130.94461.24-13.842
夏季33955.655.994.8970.394.9130.94451.24-13.828
秋季33955.655.734.9190.144.9210.94471.247-13.895
冬季33955.656.704.8381.114.9620.94441.223-13.779
F933955.655.904.8760.314.8850.94531.241-13.753
FD133955.655.704.9120.104.9130.94411.24-13.474
FD933955.655.714.8760.114.8780.94501.238-13.346
FD1133955.655.564.883-0.044.8830.94491.239-13.252

新窗口打开| 下载CSV


根据以上分析结果,进一步对2012年5—10月逐日00:00和12:00基于本地Tm模型FD9的PWGPS及PWIGRA进行对比(图5)。可以看出,PWGPS与PWIGRA时间变化趋势比较一致,其中00:00两者的一致性略好于12:00,7—9月两者的一致性则略好于其他月份。

图5

图5   基于本地Tm模型FD9的PWGPS及PWIGRA2012年5—10月逐日00:00(a)和12:00(b)对比

Fig.5   The comparison of daily PWGPS based on local Tm model FD9 and PWIGRA at Haikou station at 00:00 UTC (a) and 12:00 UTC (b) from May to October 2012


5 结论

为了提高海南岛PW反演精度和可靠性,利用海口站3 a(2008—2010年)探空和地面数据,分析了Tm变化特征及其与地面气温Ts等气象要素的关系,建立了基于地面气象要素的海口Tm单因子和多因子线性回归方程,基于5 a(2008—2012年)地面气象要素资料通过顾及Tm周期性变化(加入年积日)对模型进行了优化,并以2013—2014年探空数据计算的Tm作为参照对Tm模型进行了检验。最后进一步基于本地Tm单因子和多因子模型反演海口2012年5—10月PWGPS,并验证了新建模型的水汽反演精度。得到的主要结论如下:

(1)海口站Tm与地面气温Ts、水汽压Pes成线性正相关,与地面气压Ps呈线性负相关,与相对湿度RH的相关性不明显。

(2)利用常数法和Bevis模型估算的海口站Tm值普遍低于探空积分法计算值,其中Bevis公式计算Tm的RMSE明显小于常数法。利用Bevis公式得到的Tm可随时间变化,且变化趋势与探空积分法计算结果一致,能够反映海口地区Tm的时间变化特征,而常数法则不能反映出这种变化。

(3)与利用探空积分法计算的Tm相比,本地化单因子模型F1、两因子模型F9及Bevis模型计算得到的海口地区Tm绝对误差分别为0.335、0.296及 -4.170 K,其RMSE分别为2.000、1.978和4.650 K,与Bevis模型相比,两种本地化模型反演的Tm明显接近真值。

(4)多因子模型F15、F19和F20预报Tm结果相对于利用探空积分法计算的Tm的绝对误差分别为0.312、0.289和0.288 K,本地化多因子线性模型随着因子增加,RMSE缓慢减小,精度相比单因子模型略提高。加入年积日的非线性模型精度则普遍优于线性模型。

(5)不同Tm模型解算PW与探空结果的平均偏差绝对值在0.80 mm以内,相关系数为0.94左右,均可较好满足实际应用需要。利用本地单因子和多因子Tm模型的GPS反演PW与探空值相关性更高,偏差更小,相对Bevis模型精度有一定提高,能更好反映海口地区气象条件。

参考文献

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.

[本文引用: 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     [本文引用: 5]

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      [本文引用: 1]

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     [本文引用: 1]

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      [本文引用: 1]

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.

[本文引用: 1]

基于祁连山区2007年7~8月地基GPS遥感的大气可降水量(Precipitable Water,PW)资料、 探空资料和自动气象站资料, 采用谐波分析等方法, 分析了祁连山区夏季PW的日变化特征, 并初步探讨其成因。结果表明: 祁连山区夏季PW具有明显的日变化特征。PW日变化特征在无降水日比有降水日更显著。日循环(24 h)与半日循环(12 h)是PW日变化的主要信号。在无降水日, PW日变化以日循环为主, 振幅为0.8~1.6 mm, 峰值出现的时间在18:00~21:00(北京时, 下同)。半日循环的振幅为0.6~0.7 mm, 峰值出现的时间在05:00~06:00和17:00~18:00。在有降水日, 不同站点PW日变化特征有所不同, 有的以日循环为主导, 有的以半日循环为主导。PW日变化与逐时累积降水频次日变化具有明显的先后关系, 两者日变化的位相差为2.5 h。PW日变化与气温和比湿等要素的日变化以及山谷风演变有关。

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     [本文引用: 4]

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     [本文引用: 3]

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     [本文引用: 3]

毛节泰.

GPS的气象应用

[J]. 气象科技, 1993, 4: 45-49.

[本文引用: 2]

李成才, 毛节泰, 李建国, .

全球定位系统遥感水汽总量

[J]. 科学通报, 1999, 44 (3): 333-336.

[本文引用: 3]

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      [本文引用: 8]

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     [本文引用: 1]

何平, 徐宝祥, 周秀骥, .

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.

[本文引用: 2]

马思琪, 周顺武, 王烁, .

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      [本文引用: 2]

利用中日JICA项目2010-2013年地基GPS探测的逐时大气可降水量PWV资料以及西藏自治区气象局信息中心提供的2011年自动气象站逐时降水资料,分析了西藏中东部地区4个测站(丁青、那曲、隆子和林芝)夏季PWV日变化特征及有、无降水日的差别,并初步讨论了其与累积降水的关系。结果表明:(1)西藏中东部各站PWV存在明显的日变化特征,通常于02:00(世界时,下同)左右达到最低值,此后迅速上升,高值普遍从08:00持续到19:00。各站PWV日变化幅度普遍随测站的海拔升高而减小;(2)各站PWV日平均值随海拔降低而增加,在有降水日PWV要比无降水日高出10.2%~31.3%,且有、无降水日PWV差值随海拔升高而增大;(3)谐波分析表明,各站PWV日变化主要以日循环为主,同时各站PWV日变化也表现出不同程度的半日循环,这种双峰型变化特征在海拔较高的测站较为明显。与有降水日相比,无降水日PWV半日循环信号普遍有所增强;(4)各站累积降水量和累积降水频次的日变化具有较明显的日循环特征,降水主要出现在当地傍晚以后;(5)各站PWV开始上升的时间普遍超前于降水,并在降水结束后出现明显回落,降水量通常在PWV还处于较高值时达到最大。

韩辉邦, 张小军, 张博越, .

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.

[本文引用: 2]

李建国, 毛节泰, 李成才, .

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.

[本文引用: 3]

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.

[本文引用: 3]

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.

[本文引用: 6]

王勇, 柳林涛, 郝晓光, .

武汉地区GPS气象网应用研究

[J] 测绘学报, 2007, 36(2): 141-145.

[本文引用: 2]

李国翠, 李国平, 杜成华, .

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.

[本文引用: 4]

王晓英, 戴仔强, 曹云昌, .

中国地区地基GPS加权平均温度Tm统计分析

[J]. 武汉大学学报(信息科学版), 2011, 36(4): 412-416.

[本文引用: 2]

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.

[本文引用: 3]

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.

[本文引用: 2]

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.

[本文引用: 2]

李光伟, 李春鸾, 敖杰, .

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.

[本文引用: 2]

邢彩盈, 胡德强, 吴胜安, .

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      [本文引用: 1]

利用1966—2017年海南岛18个气象站逐月降水量、NCEP/NCAR逐月再分析资料及NOAA海表温度资料,定义了后汛期旱涝急转指数(LDFAI),据此分析了海南岛后汛期旱涝急转的气候特征及其海气异常特征。结果表明:(1)近52 a海南岛后汛期旱涝急转现象年际变化大,并呈现一定的年代际特征,存在14 a的强显著周期。空间上,保亭、儋州和白沙发生频率高,东南部沿海次之,乐东最少;北部部分地区和中部强度最强、西南部最弱。(2)旱转涝年,旱期西太平洋副热带高压(副高)异常偏东、强度偏弱,海南处于反气旋流场中心区,且其上空为下沉运动区和整层水汽辐散区;涝期东亚大槽偏强,冷空气和副高南侧偏东气流在海南附近交汇,伴随低层辐合上升运动和整层水汽输送汇合,海南降水形势有利。涝转旱年情况相反。(3)后汛期LDFAI与前期和同期热带中太平洋海温存在显著的负相关性。

李光伟, 敖杰, 邢峰华, .

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.

[本文引用: 1]

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     [本文引用: 1]

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     [本文引用: 2]

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      [本文引用: 1]

郝民, 龚建东, 王瑞文, .

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.

[本文引用: 1]

郝民, 龚建东, 田伟红, .

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.

[本文引用: 2]

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     [本文引用: 1]

李文娟, 赵放, 赵璐, .

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.

[本文引用: 1]

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     [本文引用: 1]

臧建飞, 彭秀英, 胡卓, .

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.

[本文引用: 2]

/