劉費(fèi)帆,張露露,黃玲,黃良珂,劉立龍

(1.桂林理工大學(xué) 測(cè)繪地理信息學(xué)院,廣西 桂林 541006;2.桂林理工大學(xué) 旅游與風(fēng)景園林學(xué)院,廣西 桂林 541006)

0 引言

近年來,在大氣科學(xué)與氣象學(xué)領(lǐng)域應(yīng)用全球?qū)Ш叫l(wèi)星系統(tǒng)(global navigation satellite system,GNSS)來進(jìn)行反演大氣可降水量(precipitable water vapor,PWV)得到了快速的發(fā)展,與傳統(tǒng)大氣探測(cè)相比,GNSS反演具有全天候、成本低、時(shí)空分辨率高和分布范圍廣等優(yōu)勢(shì),廣泛應(yīng)用于各種天氣和災(zāi)害的檢測(cè)與預(yù)報(bào)[1-3]。水汽是地球大氣層中最活躍的元素,與降水關(guān)系緊密,GNSS通過對(duì)流層天頂濕延遲(zenith wet delay,ZWD)乘以水汽轉(zhuǎn)換系數(shù)(∏)來反演PWV[4],其中大氣加權(quán)平均溫度(Tm)是水汽轉(zhuǎn)換的一個(gè)重要參量,其計(jì)算的精度直接決定PWV的精確程度[5]。因此構(gòu)建更精確的Tm模型成為了許多學(xué)者的研究熱門。

Tm計(jì)算模型主要分為兩類。第一類是基于實(shí)測(cè)的氣象參數(shù)采用回歸分析等方法建立的;第二類是用局部地區(qū)或全球數(shù)年的Tm數(shù)據(jù)直接擬合成不需要?dú)庀髤?shù)的經(jīng)驗(yàn)?zāi)Ｐ?。目前較為經(jīng)典和常用的是使用Bevis公式來計(jì)算Tm,Bevis等[6]利用北美地區(qū)(27°N～65°N)探空站的8 718個(gè)資料建立了Tm與地表溫度Ts之間的線性關(guān)系模型(Tm=0.72Ts+70.2)。該模型只有兩個(gè)參數(shù),使用簡(jiǎn)單且精度較好,但因系數(shù)具有季節(jié)和地理的限制,所以應(yīng)用在其他地區(qū)誤差會(huì)增大,需要重新擬合系數(shù),對(duì)此眾多學(xué)者展開了相關(guān)研究[7-8]。莫智翔等[9]利用回歸分析方法建立了中國西部地區(qū)的Tm模型,模型對(duì)西部地區(qū)有著更好的適用性和穩(wěn)定性。朱海等[10]根據(jù)陜西的氣候類型并顧及緯度和周期建立了分區(qū)域的Tm模型,解決了回歸模型在不同氣候區(qū)的適應(yīng)性問題,并與Bevis模型比較,精度提升了44.9%。王曉英等[11]對(duì)中國分氣候區(qū)研究發(fā)現(xiàn),地基GPS數(shù)據(jù)擬合的Tm-Ts模型系數(shù)與氣候關(guān)系明顯并具有集群性。

由于Bevis模型系數(shù)具有較強(qiáng)的地域性,在整個(gè)中國區(qū)域精度表現(xiàn)較差,無法滿足高精度GNSS PWV反演的迫切需求。本文先根據(jù)2015—2017年的探空數(shù)據(jù)擬合計(jì)算出了適合中國地區(qū)的Bevis系數(shù)。在Tm與Ts具有較強(qiáng)的相關(guān)性的基礎(chǔ)上,進(jìn)一步分析發(fā)現(xiàn)Tm與水汽壓具有較強(qiáng)的相關(guān)性且表現(xiàn)出隨季節(jié)變化的周期性,同時(shí)相關(guān)研究表明Tm具有明顯的地理分布特性,由于我國地域遼闊,地形復(fù)雜多樣,因此模型構(gòu)建時(shí)又顧及了經(jīng)緯度和高度的影響。為進(jìn)一步提高模型的適用性,按照地理分區(qū)將中國地區(qū)分為北方地區(qū)、南方地區(qū)、西北地區(qū)和青藏地區(qū),分別建立了4種不同地理分區(qū)的Tm模型,并用2018年的探空數(shù)據(jù)對(duì)區(qū)域模型的精度進(jìn)行分析驗(yàn)證。Landskron等[12]提出了一種全球?qū)α鲗友舆t格網(wǎng)經(jīng)驗(yàn)?zāi)Ｐ?GPT3模型),該模型不僅提供氣壓、水汽壓、Tm等氣象參數(shù),還提供東西和南北方向的對(duì)流層水平梯度信息,是目前全球最先進(jìn)的對(duì)流層延遲格網(wǎng)經(jīng)驗(yàn)?zāi)Ｐ汀Ｔ撃Ｐ褪褂煤?jiǎn)單,只需要用戶輸入相應(yīng)測(cè)站的坐標(biāo)和年積日,即可獲得該測(cè)站的各類氣象參數(shù),故可以用作參考模型來進(jìn)行對(duì)比分析。

1 數(shù)據(jù)來源及Tm計(jì)算方法

1.1 數(shù)據(jù)來源

本文采用的是美國懷俄明大學(xué)網(wǎng)站(http://weather.uwyo.edu/upperair/sounding.html)所提供的2015—2018年中國區(qū)域81個(gè)探空站的實(shí)測(cè)數(shù)據(jù),時(shí)間分辨率為12 h。使用2015—2017年的數(shù)據(jù)來建模,2018年的數(shù)據(jù)作為參考值來驗(yàn)證。中國區(qū)域81個(gè)探空站的分布情況如圖1所示,不同的地理分區(qū)如圖例所示。

圖1 中國地區(qū)81個(gè)探空站的位置分布

1.2 Tm計(jì)算方法

利用數(shù)值積分法對(duì)每個(gè)測(cè)站上空的水汽壓和氣溫進(jìn)行積分,表達(dá)如式(1)所示[13]。

(1)

式中:es為該測(cè)站上空的水汽壓,單位為hPa;T為絕對(duì)氣溫,單位為K;h為測(cè)站高度,單位為m;z為測(cè)站上空的垂直高度,單位為m。

該計(jì)算方法獲得的Tm值精度高且氣象誤差影響較小[14-15]。由于水汽壓不能通過實(shí)測(cè)手段獲得,可利用式(2)計(jì)算。

(2)

式中:q為比濕;P為氣壓,單位為hPa。

2 中國區(qū)域Tm多因子精化模型建立

2.1 影響因子的相關(guān)性分析

在GNSS反演PWV的研究中,許多學(xué)者已經(jīng)得出Tm與Ts、水汽壓es的自然對(duì)數(shù)、高度都具有較好的線性相關(guān)性。利用2015—2017年探空站數(shù)據(jù)分析的結(jié)果也表明,Tm與其都具有良好的線性相關(guān)關(guān)系,如圖2(a)、圖2(b)、圖2(c)所示。Tm與地理位置有一定的關(guān)系(由于太陽高度角θ的大小)[16],故本文又加入了經(jīng)度和緯度影響因素,使新模型更符合中國的實(shí)際情況,經(jīng)緯度的相關(guān)性如圖2(d)、圖2(e)所示。

圖2 Tm與Ts、es、高度、經(jīng)緯度的相關(guān)性分析

由圖2可知Tm與Ts、es的自然對(duì)數(shù)和經(jīng)度都呈現(xiàn)正相關(guān)關(guān)系,其中Ts和es的自然對(duì)數(shù)相關(guān)性較強(qiáng),相關(guān)系數(shù)都大于0.8,所以在建模時(shí)需要考慮這3個(gè)因子。由圖2可知,Tm與高度和緯度表現(xiàn)為負(fù)相關(guān)關(guān)系,因此,建模也需要考慮這兩個(gè)因子的影響。

2.2 Tm多因子精化模型的建立

Bevis公式的系數(shù)具有明顯的地域性,需要重新對(duì)系數(shù)進(jìn)行擬合。本文根據(jù)中國地區(qū)2015—2017年的探空站數(shù)據(jù),計(jì)算出中國區(qū)域精化后的Bevis模型(Tm-B模型),如式(3)所示,求取的α1、α2系數(shù)值分別為0.79和50.5。

Tm=α1×Ts+α2

(3)

由文獻(xiàn)[13]可知,Tm隨季節(jié)表現(xiàn)為周期性的變化。為了探討Tm隨季節(jié)的變化情況,以桂林探空站(57957)為例,繪制了2015—2018年的Tm變化曲線,如圖3所示。

圖3 桂林探空站Tm時(shí)間序列

由圖3可知,Tm存在明顯的季節(jié)周期性,而線性函數(shù)的擬合會(huì)平滑掉大部分周期,從而導(dǎo)致誤差。本文參考Yao等[17]的研究可知,Tm的殘差序列存有明顯的周期性,為研究其季節(jié)的變化情況,選取桂林探空站(57957),首先,建立Tm與Ts的一次關(guān)系式,然后,將其計(jì)算的Tm值與桂林探空站實(shí)測(cè)的Tm值相減獲得殘差值,結(jié)果如圖4所示。

圖4 桂林探空站Tm殘差時(shí)間序列

由圖4可知,Tm殘差也具有一定的周期性,所以需要對(duì)原模型進(jìn)行補(bǔ)償來改善計(jì)算結(jié)果的準(zhǔn)確性,本文采用具有年周期和半年周期的三角函數(shù)來建模,以此來提高模型的精確度。結(jié)合上述的影響因子,建立了一種新的Tm模型關(guān)系式,如式(4)所示。

Tm=β1cos(2π×doy/365.25)+β2sin(2π×doy/365.25)+β3cos(4π×doy/365.25)+β4sin(4π×doy/365.25)+β5Ts+β6×h+β7×φ+β8×λ+β9×loges+β10

(4)

式中:h為測(cè)站高度;φ、λ為經(jīng)緯度;doy為年積日;β1～β10為模型系數(shù)。

本文利用中國地區(qū)的81個(gè)探空站2015—2017共3年觀測(cè)數(shù)據(jù)中的大氣加權(quán)平均溫度、地面溫度、水汽壓、測(cè)站高度和經(jīng)緯度來確定新模型的各個(gè)系數(shù)。首先,利用數(shù)值積分的方法計(jì)算出中國地區(qū)每個(gè)探空站的Tm值,然后帶入相應(yīng)的Ts、es、高度和測(cè)站經(jīng)緯度數(shù)據(jù),利用最小二乘原理擬合計(jì)算出Tm-C模型的各個(gè)系數(shù)值,結(jié)果如表1所示。

表1 使用中國地區(qū)2015—2017年的探空數(shù)據(jù)計(jì)算的Tm-C模型的系數(shù)

為驗(yàn)證Tm-C模型對(duì)Tm殘差周期性的補(bǔ)償,將Tm-C模型與桂林探空站Tm-Ts模型計(jì)算的Tm值與其探空站的實(shí)測(cè)值做差進(jìn)行對(duì)比,如圖5所示?？梢钥闯?Tm-C模型的殘差值相對(duì)于Tm-Ts模型誤差較小且較為集中,對(duì)Tm的計(jì)算結(jié)果的準(zhǔn)確性具有一定的改善作用。

圖5 桂林探空站不同模型的Tm殘差序列對(duì)比

由于中國地域遼闊,地形復(fù)雜多樣,按照整個(gè)中國地區(qū)建模影響因子可能會(huì)被平滑掉,為進(jìn)一步提升Tm-C模型的精度,將中國區(qū)域按照?qǐng)D1地理分區(qū)分為4個(gè)部分,每個(gè)區(qū)域各自建模,依次得到Tm-N、Tm-S、Tm-W和Tm-Q模型,使用的是式(4)的模型。對(duì)處于不同區(qū)域的探空站進(jìn)行歸類,利用2015—2017年的探空資料得到不同地理分區(qū)的區(qū)域模型,模型系數(shù)如表2所示。

表2 使用中國地區(qū)2015—2017年的探空數(shù)據(jù)計(jì)算的4個(gè)地理分區(qū)模型的系數(shù)

3 Tm精化模型精度驗(yàn)證

使用2018年中國區(qū)域探空資料計(jì)算的Tm值作為參考值,來檢驗(yàn)?zāi)Ｐ途?采用偏差(bias)和均方根誤差(root mean squared error,RMS)來衡量新模型精度的標(biāo)準(zhǔn)。

3.1 多因子Tm模型精度驗(yàn)證

為評(píng)定Tm-C模型的精度,以2018年全國81個(gè)探空站資料計(jì)算得到的Tm值作為參考值,來檢驗(yàn)Tm-C模型的精度,并與Bevis模型、Tm-B模型和GPT3模型進(jìn)行對(duì)比。將不同模型計(jì)算出的Tm值與對(duì)應(yīng)的參考值進(jìn)行比較,統(tǒng)計(jì)出不同模型的年均bias和RMS值,結(jié)果分別如表3、圖6和圖7所示。

表3 利用2018年探空站資料檢驗(yàn)不同Tm模型的精度對(duì)比

圖6 利用2018年探空站資料驗(yàn)證不同模型的年均bias分布

圖7 利用2018年探空站資料驗(yàn)證不同模型的年均RMS分布

由表3可知,在中國區(qū)域內(nèi),Bevis模型的正偏差值最大,GPT3模型的負(fù)偏差最大,二者的變化范圍相差為9 K。對(duì)于年均偏差值,除了GPT3模型為負(fù)偏差值,其余3個(gè)模型均為正偏差值,其值依次為0.96 K、0.16 K、-1.9 K和0.04 K。其中,Tm-C模型的年均偏差值和變化范圍最小,且偏差的最大值和最小值的絕對(duì)值基本相等,說明顧及多因素的Tm-C模型的穩(wěn)定性最好。對(duì)于RMS值,Bevis模型的RMS值最大,為4.21 K,而Tm-C模型的RMS值最小,為2.9 K,說明Tm-C模型精度優(yōu)于其余3個(gè)模型。而由中國區(qū)域探空站數(shù)據(jù)擬合的Tm-B模型相對(duì)于原Bevis模型則有較大的提升,提升了0.64 K(15.2%),表明基于本地?cái)?shù)據(jù)建立的Bevis模型比北美地區(qū)的Bevis模型可靠性更高。GPT3模型RMS平均值為3.93 K,相對(duì)于Bevis模型精度較高,但比中國區(qū)域精化的Tm-B模型精度小。Tm-C模型精度最優(yōu),相對(duì)于Bevis、Tm-B和GPT3模型,精度分別提高了1.28 K(30.4%)、0.64 K(17.9%)和1 K(25.4%),說明Tm-C模型計(jì)算出的Tm值具有較好的精度。由圖6發(fā)現(xiàn),Bevis模型在西北地區(qū)和青藏地區(qū)具有較大的正偏差,而基于中國地區(qū)數(shù)據(jù)建立的Tm-B模型較Bevis模型則有一定程度地降低,二者在中國南部區(qū)域均顯示出較小的偏差,在-3～0 K之間,GPT3模型總體上表現(xiàn)為負(fù)偏差,而Tm-C模型在整個(gè)中國區(qū)域內(nèi)顯示出較小的偏差和穩(wěn)定性。根據(jù)圖7顯示,Bevis模型在青藏地區(qū)的RMS值為6 K左右,在北方和西北地區(qū)RMS值在3～6 K之間,而在南方地區(qū)的RMS值為3 K左右。Tm-B模型有一定程度的降低,但變化幅度仍然較大,其原因主要是因?yàn)橹袊貐^(qū)的緯度跨越大及高程起伏大和沒有考慮Tm殘差周期變化所導(dǎo)致的。GPT3模型RMS值整體在2～5 K之間變化,但在高海拔地區(qū)RMS值較大(6 K以上),原因在于GPT3是經(jīng)驗(yàn)?zāi)Ｐ秃臀纯紤]Tm高程歸算。Tm-C模型在北方和西北地區(qū)RMS值為3 K左右,在南方和青藏地區(qū)RMS值在3 K以下,部分地區(qū)則為1 K左右,Tm-C模型總體RMS誤差較小,說明對(duì)整個(gè)中國地區(qū)有較好的適應(yīng)性。

為進(jìn)一步提高Tm-C模型的精度,本文將整個(gè)中國區(qū)域按照地理分區(qū)分為4個(gè)部分,每個(gè)區(qū)域各自建模,依次得到Tm-N、Tm-S、Tm-W和Tm-Q模型,以2018年的探空資料計(jì)算值作為參考,與Bevis和Tm-C模型進(jìn)行對(duì)比分析,得到各模型的bias和RMS值,如表4和圖8所示。

表4 利用2018年探空站數(shù)據(jù)來驗(yàn)證4個(gè)地理分區(qū)模型的精度

圖8 使用2018 年探空站資料驗(yàn)證不同模型地理分區(qū)的bias和RMS分布

由表4可知,4個(gè)地區(qū)Bevis模型均表現(xiàn)出最大的偏差值,其最大偏差在青藏地區(qū),為6.45 K,且變化的范圍也較大。Tm-C和4個(gè)地理分區(qū)模型的偏差值較小,且偏差的正負(fù)值基本相等,表明模型計(jì)算的數(shù)值與參考值基本接近,精度較高。RMS值方面,Bevis模型依舊表現(xiàn)為最大的誤差,中國區(qū)域的Tm-C模型應(yīng)用到各個(gè)地理分區(qū)RMS值有一定范圍的上下浮動(dòng),其最大RMS值為3.63 K。而按照地理分區(qū)的Tm-N、Tm-S、Tm-W和Tm-Q模型則表現(xiàn)為更小的RMS值,相比于Tm-C模型分別提高了0.67 K(18.5%)、0.53 K(21.4%)、0.59 K(16.5%)和0.64 K(24.6%),表明地理分區(qū)的模型能進(jìn)一步提高中國地區(qū)的Tm精度。為進(jìn)一步分析分區(qū)域建模的優(yōu)越性能,因以上分析已證明Tm-B與Tm-C模型相較于Bevis與GPT3模型精度顯著提高,故將Tm-B與Tm-C模型與分區(qū)域建模進(jìn)行對(duì)比分析,如圖8所示。

由圖8(a)可以看出,Tm-B模型的bias精度最低,地理區(qū)域的模型只有南方和西北地區(qū)的部分點(diǎn)的偏差的絕對(duì)值在1～2 K左右,大部分中國地區(qū)的偏差的絕對(duì)值在0～1 K,表明分地理區(qū)域的模型相比于全國Tm-B和Tm-C模型具有更好的穩(wěn)定性。由圖8(b)可知,Tm-B模型在青藏和西北地區(qū)的RMS值為4～6 K,Tm-C模型較Tm-B模型精度有一定的改善,地理分區(qū)的模型則進(jìn)一步提升,在西北地區(qū)的RMS值為3.5 K左右,北方地區(qū)RMS值為3 K左右,南方和青藏地區(qū)的RMS值為2 K左右,與Tm-B和Tm-C模型相比每個(gè)地理分區(qū)的精度都有一定程度的提升,表明按地理分區(qū)的Tm模型較Tm-B和Tm-C模型適應(yīng)性和穩(wěn)定性更好。

3.2 Tm對(duì)GNSS-PWV計(jì)算的影響

因大多數(shù)GNSS基準(zhǔn)站與探空站不并置,且大部分GNSS基準(zhǔn)站并未安裝大氣氣象傳感器,導(dǎo)致PWV反演較為困難。故建立中國區(qū)域和地理分區(qū)的Tm模型可增加GNSS反演PWV的精度。本文使用文獻(xiàn)[13]提出的GNSS-PWV計(jì)算方法,表達(dá)如式(5)所示。

(5)

表5 2018年中國地區(qū)不同模型計(jì)算PWV的理論RMS和相對(duì)誤差的精度對(duì)比

4 結(jié)束語

1)本文利用2015—2017共3年81個(gè)探空站數(shù)據(jù),在分析Tm與各個(gè)影響因子的相關(guān)性基礎(chǔ)上,建立了顧及溫度、水汽模型,并與2018年的探空資料對(duì)比,具有較好的精度,Tm-C模型的bias和RMS值分別為0.04 K和2.93 K。

2)將Tm-C模型與Bevis模型、使用中國區(qū)域數(shù)據(jù)擬合的Tm-B模型以及GPT3模型對(duì)比,bias值和RMS值分別提升了95.8%、75%、97.9%和30.4%、17.9%、25.4%,表明在中國區(qū)域內(nèi)顧及多因子的Tm-C模型精度更高、穩(wěn)定性更強(qiáng)。為進(jìn)一步得到高精度的Tm信息,按照地理分區(qū)將中國地區(qū)劃分為北方、南方、西北和青藏4個(gè)地區(qū),與Tm-C模型相比,RMS值分別提升了18.5%、21.4%、16.5%和24.6%。