澳大利亚区域大气加权平均温度建模

大气加权平均温度T_m是计算水汽转换因子和大气可降水量的重要参数。利用2007—2017年全球大地观测系统(global geodetic observing system, GGOS) Atmosphere T_m格网数据和欧洲中尺度天气预报中心(European centre for medium-range weather forecasts, ECMWF) 2 m温度数据,建立一种适合澳大利亚区域、顾及T_m残差季节性和日周期变化的T_m模型——qTm。此外,采用2018年的GGOS Atmosphere T_m格网数据和探空资料对该模型进行评估。结果表明,qTm模型在澳大利亚区域具有较高的精度和适用性,与GGOS Atmosphere T_m相比,qTm模型的年均偏差(Bias)和均方根误差(root mean square error, RMSE)分别为－0.31 K和1.97 K,相对于GPT2w-1和GPT2w-5模型,RMSE分别提高21.8%和25.9%;qTm模型值与探空积分值更符合,模型的年均Bias和RMSE分别为－0.44 K和2.45 K,相比GPT2w-1和GPT2w-5模型分别提高10.2% 和11.8%。qTm模型可为澳大利亚区域提供精确的T_m值,为该区域大气水汽分析和厄尔尼诺现象研究提供基础。     

日本区域加权平均温度建模

由于日本区域易受自然灾害频发、水汽特征变化复杂、探空站点分布稀疏的问题,进而制约了高精度水汽的获取,因此缺少此区域的高精度加权平均温度(T_m)模型. 鉴于此,采用2009—2016年全球大地测量观测系统(GGOS) Atmosphere T_m和ERA-Interim 2 m T_s格网数据新建立一种考虑T_m残差季节性变化和周日变化的适合日本区域的T_m模型 (JQTm模型). 同时,利用2017年日本区域13个探空站和110个GGOS Atmosphere T_m格网数据,对新建立的JQTm模型在日本区域的精度进行评估. 研究发现:与GGOS Atmosphere T_m格网数据对比,JQTm模型的偏差(bias)和均方根误差(RMSE)分别为0.15 K和1.92 K,RMSE分别比GPT2w-1模型、GPT2w-5模型提升41.16% (1.33 K)、44.41% (1.53 K);与探空资料对比,JQTm模型的bias和RMSE分别为–0.66 K和2.14 K,RMSE分别比GPT2w-1模型、GPT2w-5模型提升28.43% (0.85 K)、29.61% (0.90 K). JQTm模型能够为日本区域提供高精度的T_m值,为研究此区域大气水汽和极端天气提供重要依据.      

顾及垂直递减率函数的中国区域大气加权平均温度模型

大气加权平均温度(Tm)是全球导航卫星系统(GNSS)水汽监测的关键参数。针对中国区域地形起伏较大的特点,本文构建了顾及精细季节变化的Tm垂直递减率函数模型,在此基础上,利用2007—2014年的Global Geodetic Observing System(GGOS)atmosphere格网数据建立了中国区域的Tm格网新模型(简称为CTm模型)。以2015年GGOS格网数据和无线电探空资料为参考值,对CTm模型进行精度检验,并与常用的Bevis公式和GPT2w模型进行比较分析。结果表明:①以GGOS格网数据为参考值,CTm模型的年均偏差和均方根误差(RMS)分别为-0.52 K和3.28 K,相比于GPT2w-5和GPT2w-1模型,精度(RMS值)分别提高了27%和13%;②以探空数据为参考值,CTm模型的年均偏差和RMS误差分别为0.26 K和3.75 K,相对于GPT2w-5和GPT2w-1模型,精度分别提高了21%和16%,尤其在中国西部地区,CTm模型表现出更为显著的优势。此外,将CTm模型用于GNSS水汽计算,其引起的水汽计算RMS误差和相对误差分别为0.29 mm和1.36%。CTm模型不需要实测气象参数,因此,在中国区域的GNSS实时高精度水汽探测中具有重要的应用。     

区域大气加权平均温度模型确定及其应用

大气加权平均温度T_m是决定GPS水汽反演精度的关键参数,不同地区的T_m具有区域性差异。本文基于河南省Nanyang探空站2015-2018年的气象数据,建立了适用于河南亚热带季风气候地区的单因子和多因子的大气加权平均温度T_m模型,同时按照四季划分构建了季节模型,并对比经验模型分析其精度。结果表明,新建立的加权平均温度模型精度整体上优于Bevis模型。将其用于CORS站GPS可降水量反演中,相比经验模型,新建T_m模型与实际降水量的吻合性更好,可以满足地基GPS反演可降水量的要求。     

全球ZWD垂直剖面滑动窗口的格网模型

对流层延迟是GNSS导航定位的主要误差源之一.针对已有对流层天顶湿延迟(ZWD)垂直剖面模型存在建模仅采用单一格网点数据以及使用月均剖面数据等不足,本文提出了一种基于滑动窗口的ZWD垂直剖面格网模型构建方法,建立了一种顾及精细季节变化的高精度全球ZWD垂直剖面模型(GZWD-H模型).同时,联合2017年全球321个探空站资料,对GZWD-H模型的垂直插值及其在全球大地观测系统(GGOS)大气格网ZWD空间插值中的应用进行了精度检验,并与全球性能优异的GPT2w模型进行对比.结果表明:① 以全球探空站数据积分计算的ZWD分层剖面信息为参考值,GZWD-H模型在全球ZWD的垂直插值中均表现出了最优的精度和稳定性,相对于GPT2w-1和GPT2w-5模型分别提升了4％ 和7％;②以全球探空站数据计算的地表ZWD信息为参考值,GZWD-H模型在GGOS大气格网ZWD产品空间插值中的精度相对于GPT2w-1和GPT2w-5模型分别提升了17％ 和35％;③相对于GPT2w-1模型,GZWD-H模型进一步减少和优化了模型参数.因此,GZWD-H模型在全球GNSS大气探测和GNSS精密定位中具有重要的应用.     

湿延迟与可降水量转换系数的全球经验模型

利用2005~2011年的全球大地测量观测系统(global geodetic observing system,GGOS)Atmosphere提供的2.5°×2°(经度×纬度)的天顶湿延迟(zenith wet delay,ZWD)格网数据和欧洲中尺度天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)提供的2.5°×2°可降水量(precipitable water vapor,PWV)格网数据,在全球范围内计算得到各格网点的地基GPS水汽反演关键参数Π-1的时间序列,分析了其时空分布特征,建立了一种转换系数Π的全球经验模型。该模型无需站点气象数据,仅与站点经纬度、年积日和海拔相关。利用未参与建模的2012年的GGOS Atmosphere和ECMWF格网数据、2012年661个无线电探空站的探空资料对模型进行精度检验。结果显示,采用格网数据检验,其偏差的平均值(Bias)为-0.179mm,均方根误差(root mean square error,RMS)的平均值为1.806mm;采用无线电探空资料进行检验,其Bias为0.465mm,RMS为0.789mm。结果都表现出了较小的系统性偏差与较高的精度,说明所建立的湿延迟与可降水量转换系数模型在全球范围内具有较高的精度与稳定性。     

PSO-BP神经网络大气加权平均温度模型构建

针对现有T_m模型建模方法多为基于最小二乘线性回归方法以致于模型精度有待提高的问题，该文以中国西北地区2015—2017年的24个探空站的探空数据作为实验数据，在中国西北地区使用粒子群优化BP神经网络(PSO-BP)回归方法建立大气加权平均温度(T_m)模型：将地表温度、水气压、纬度、高程和时间变化等影响因素作为模型输入因子，将数值积分法所计算得到的T_m作为学习目标，利用神经网络模型进行迭代训练得到中国西北地区的T_m。以2018年探空站T_m数据为参考值，对PSO-BP模型精度进行验证，并与Bevis模型、GPT3模型和中国西部地区T_m模型进行比较。结果表明，PSO-BP模型的年均RMSE和年均bias分别为2.71 K和0.35 K,相比Bevis模型、GPT3模型和中国西部地区T_m模型年均RMSE分别降低了1.36 K(33.4%)、1.81 K(39.5%)和1.78 K(39.1%),年均bias分别下降了0.70 K(87.7%)...     

小波去噪的广西加权平均温度插值研究

针对广西地区探空站稀少,难以获得精确的T_m问题,GGOS atmosphere提供了利用ECMWF的相关资料计算而得到的时间分辨率为6h(UTC 00:00:00,06:00:00,12:00:00,18:00:00)、空间分辨率为2.5°×2°的全球T_m格网数据可以在没有气象数据的情况下获得较高时空分辨率的T_m,该文利用GGOS atmosphere T_m格网数据对广西地区4个探空站插值T_m,并用无线电探空数据计算的T_m检验其精度;对误差进行分析后,选取最优小波基与尺度对其残差去噪,利用去噪后得到的曲线建立T_m的改正模型。实验结果表明,插值T_m经基于小波去噪的模型改正后,其RMSE为1.29K;Bevis模型的RMSE为10.71K;GPT2_1W模型的RMSE为3.56K;改正模型精度优于传统模型,可以达到地基GPS反演GNSS-PWV的精度要求。     

GGOS Atmosphere大气加权平均温度数据的精度检验与分析

GGOS Atmosphere提供了时间分辨率为6 h、空间分辨率为2.5°×2°的全球大气加权平均温度格网数据,该数据是利用ECMWF的相关资料计算得到的。利用全球的无线电探空资料和COSMIC掩星资料对该格网数据进行了验证和分析。检验结果表明,在全球范围内,该格网数据具有很高的精度,与无线电探空资料比较,年均RMS为1.96 K,与COSMIC掩星资料比较,年均RMS为1.91 K,与中国区域的无线电探空资料比较,年均RMS为2.24 K。此外,该格网数据在不同季节的精度有差异,但较小,不同纬度区域的精度也存在着一定的差异。     

GPT2/GPT2w+Saastamoinen模型ZTD估计的亚洲地区精度分析

针对Global Pressure and Temperature2/Global Pressure and Temperature 2w(GPT2/2w)模型在亚洲区域对流层延迟估计中的适用性问题,该文基于GPT2/2w模型,结合Saastamoinen模型(分别用GPT2S、GPT2w-1S、GPT2w-5S表示)估计亚洲地区2007—2017年10年的天顶对流层延迟(ZTD)并分析其精度与时空分布。使用欧洲定轨中心(CODE)的ZTD产品来验证模型在亚洲地区的精度。分析结果表明GPT2w-1S模型精度最高,偏差(Bias)为0.88 cm,均方根误差(RMSE)为4.63 cm,GPT2w-5S模型精度次之,GPT2S模型最差。受水汽分布影响,时间上,3种模型精度表现出季节特性,冬季精度最好,夏季精度最差;空间上,3种模型在高海拔地区精度较好,模型精度对纬度的依赖性不明显且纬度对3种模型的影响程度差别不大。     

不同全球天顶对流层延迟模型时空特征分析

对流层延迟误差与信号频率无关,且具有较强的随机性,是GNSS导航定位中的主要误差源之一。以GGOS Atmosphere发布的格网数据作为真值,从纬度、高程及时间特性3个方面分析了两种全球天顶对流层延迟ZTD(Zenith Total Delay)模型(UNB模型和EGNOS模型)的时空特征,为GNSS导航定位中模型选择的正确性与合理性提供参考依据。分析得出:在纬度方向,ZTD值的RMSE和Bias从南到北呈现递减趋势且逐渐趋于稳定,建议计算ZTD时在南半球通过格网插值,北半球采用UNB模型;在高程方向,ZTD值与高程值呈现出反比关系,EGNOS的残差值较UNB残差值分布更加均匀且规律性较强,可利用高程值进行建模修正;在时间特征方面,ZTD单天内变化较小,两模型互差在mm级且表现出一定的季节性特征。     

顾及垂直递减率的中国区域Tm格点产品空间插值

大气加权平均温度（T_m）是全球导航卫星系统（global navigation satellite system, GNSS）反演大气水汽（precipitation water vapor, PWV）的关键参数。当前已有T_m模型提供的T_m信息难以捕获其日周期变化,因此限制了其在高时间分辨率GNSS PWV估计中的精度。大气再分析资料可提供高时空分辨率的T_m格点产品,但是在使用时需要对其进行空间插值,且T_m在高程上的变化远大于其在水平方向上变化。同时,针对中国区域地形起伏大等特点,提出顾及垂直递减率的中国区域T_m格点产品空间插值方法,以分布于中国区域的2015年89个探空站资料为参考值,验证了提出的方法在全球大地测量观测系统大气中心T_m格点产品和美国国家航空和太空管理局提供的MERRA?2的T_m格点产品中的空间插值精度。结果表明:（1）在顾及垂直递减率的T_m格点产品空间插值中,反距离加权法的插值效果优于双线性插值法,其在中国区域全球大地测量观测系统大气中心和MERRA?2的T_m格点产品空间插值中的偏差分别为0.72 K和0.23 K,均方根误差分别为1.94 K和1.87 K。（2）顾及垂直递减率的空间插值效果明显优于未顾及垂直递减率的插值效果,尤其在地形起伏较大的中国西部地区。因此,顾及垂直递减率的空间插值法在中国区域的高精度、高分辨率GNSS水汽探测中具有重要的应用。     

GPT2w模型在中国区域的精度检验与分析

全球温度气压湿度（global pressure and temperature 2 wet，GPT2w）模型常被用于计算某一位置的气温、加权平均温度、气压以及水汽压等各种气象参数，是目前公开的标称精度最高的对流层延迟经验模型。利用中国区域参与全球气象交换的86个测站2013-2015年的气象探空数据，对GPT2w得到的各种气象参数进行精度检验及分析。实验结果表明，气温平均偏差为1.31℃，均方根误差为3.62℃；加权平均温度的平均偏差为-1.58 K，均方根误差为4.07 K；气压和水汽压平均偏差的绝对值在1 hPa以内，其均方根误差分别为6.98 hPa与3.04 hPa。利用2006-2015年的数据分析了不同纬度模型精度的周期性特征，结果表明，气温、加权平均温度、气压和水汽压的均方根误差均具有一定的年周期特性，且在不同的纬度区域其周期特性不同。总体而言，GPT2w模型在中国地区范围内具有较高的精度和稳定性。     

利用多源数据构建PWV混合模型

高精度和高时空分辨率的大气可降水量(precipitable water vapor, PWV)信息对于极端天气研究具有重要作用。传统的单一水汽探测技术获取的PWV因其系统设计的局限性存在精度差、时空分辨率低等缺陷。针对该问题,提出了一种基于多源数据的混合模型——全球温度气压湿度(global pressure and temperature 2 wet, GPT2w) +球谐函数（spherical harmonic function,SHF）+多项式拟合（polynomial fitting,PF),简称GSP模型。该模型通过GPT2w计算PWV的初始值,利用SHF拟合PWV的偏差序列,利用PF对模型偏差进行校正,并引入Bartlett检验确定GSP模型中多源数据的最优权值。选取2014年中国云南省26个全球导航卫星系统(global navigation satellite system, GNSS)测站和37个欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasting, ECMWF)气候再分析数据集(ECMWF reanalysis-interim, ERA-Interim)格网点(1°×1°)的数据为例,建立GSP模型并进行验证,发现GSP模型较传统PF模型的精度提升率为15%~18%。以ECMWF第5代气候再分析数据集(ECMWF reanalysis v5, ERA5)提供的PWV格网数据(0.25°×0.25°)为参考,GSP模型的平均均方根误差和偏差分别为1.64 mm、－0.25 mm。上述结果表明GSP模型具有较高的精度,对于极端天气预警具有重要作用。     

一种可用于估计全球水汽标高的经验模型

水汽标高是一个反映水汽垂直分布特征的参数,也是全球导航卫星系统(global navigation satellite system,GNSS)对流层天顶湿延迟改正和GNSS水汽层析中的一个辅助参数。本文对2006—2012年水汽标高的时间序列进行频谱分析,发现水汽标高在时间上呈现出年周期和半年周期变化,因此利用包含年周期和半年周期的三角函数来表达水汽的时变规律,然后利用欧洲中尺度天气预报中心(European Centre for Medium-range Weather Forecasting,ECMWF)的数据在全球1°×1°的格网点上分别拟合了三角函数的系数。通过上述方法首次构建了一个全球适用的水汽标高模型GSH,该模型既体现了水汽标高的时变特性又考虑了其地理差异。以无线电探空数据为参考,GSH具有-0.19km的偏差(bias)和1.81km的均方根误差(root mean square error,RMSE);以ECMWF数据为参考,GSH具有0.04km的bias和1.52km的RMSE。GSH整体上表现出了比较稳定的精度,可服务于GNSS气象学研究,也可为其他相关气象研究提供水汽标高参考。     

GGOS对流层延迟产品精度分析及在PPP中的应用

对流层延迟是卫星导航定位的主要误差源,GNSS广域增强需要高精度的对流层延迟产品进行误差修正。对流层延迟可通过GNSS进行实时估计,也可通过融合多源数据的数值气象预报模型获取。IGS发布的全球对流层天顶延迟产品由GNSS解算,其精度可达4mm,时间分辨率为5min,但其分布不均匀,在广袤的海洋区域无数据覆盖。GGOS Atmosphere基于ECMWF 40年再分析资料,可提供1979年以来时间分辨率为6h、空间分辨率为2.5°×2°的全球天顶对流层总延迟格网数据。本文通过2015年全球IGS测站的ZTD资料对GGOS的ZTD产品进行了评估,研究了GGOS Atmosphere对流层延迟产品与IGS发布ZTD资料之间的系统差,通过线性拟合估计出每个测站GGOS-ZTD与IGSZTD系统差系数(包括比例误差a和固定误差b),然后对比例误差a、固定误差b进行球谐展开,建立了两种ZTD数据源之间的系统差模型。选取IGS测站和陆态网测站,对附加系统偏差改正后的GGOSZTD产品对PPP的收敛速度的影响进行研究。本文研究结果表明:GGOS-ZTD与IGS-ZTD间存在系统偏差,其bias平均为-0.54cm;两者之间较差的RMS平均为1.31cm,说明GGOS-ZTD产品足以满足广大GNSS导航定位用户对对流层延迟改正的需要。将改正了系统差后的GGOS-ZTD产品用于ALBH、DEAR、ISPA测站、PALM测站、ADIS测站、YNMH测站、WUHN测站进行PPP试验,发现可明显提高定位收敛速度,尤其是在U方向上,收敛速度分别提高10.58%、31.68%、15.96%、43.89%、51.46%、14.69%、18.40%。