长三角地区分季节多因子本地化T_m模型研究

针对GNSS气象学中大气加权平均温度(Tm)受时空影响的问题,利用长三角地区7个探空站2015~2017年数据,分析Tm与地面温度(Ts)、水汽压(es)和气压(Ps)的线性关系,并基于最小二乘法进行多元线性拟合,建立长三角地区本地化Tm模型。实验结果表明:1)本地化单因子模型效果优于Bevis模型,且双因子和多因子模型与单因子模型效果相当;2)分季节多因子模型优于全局模型,对秋冬季改善效果最为显著;3)分季节多因子Tm模型计算GNSS大气可降水量(PWV)的效果优于Bevis模型。分季节多因子本地化Tm模型更适用于长三角地区,可获得更准确的Tm和PWV。     

基于PSO-BP神经网络的中国区域大气加权平均温度模型北大核心CSCD

结合粒子群优化算法和BP神经网络,利用中国区域88个探空站2015-2017年的数据,以地表温度、地表水汽压、纬度、高程、年积日作为模型输入因子,以积分法获得的Tm值为学习目标,建立适用于中国区域的Tm模型PSOTM。以2018年探空数据为参考值评定PSOTM模型精度,并与Bevis、GPT3、传统BP神经网络(BPTM)、GRNN神经网络(GRNNTM)模型的计算结果进行对比。结果表明,PSOTM模型年均RMSE为3.08 K,相对于Bevis、GPT3、BPTM和GRNNTM模型分别降低26.84%、35.97%、15.38%和4.94%;PSOTM模型年均bias为0.32 K,相对于Bevis、GPT3和BPTM模型分别降低68.93%、82.42%和72.41%,较GRNNTM模型升高37.50%。PSOTM模型在中国区域不同纬度和高程的精度与稳定性优于Bevis、GPT3和BPTM模型,具有良好的适用性。     

基于探空资料的湖南地区加权平均温度

利用湖南地区长沙、怀化、郴州3个探空站数据,将数值积分法计算的Tm作为参考值,并基于最小二乘法建立湖南地区Tm本地化模型。研究结果表明,Bevis模型计算的Tm值在湖南地区存在2.51 K的系统偏差;湖南本地化模型Tm值与地面温度Ts之间的相关系数达到0.942 5,模型平均偏差1.60 K,内符合精度1.41 K;基于本地化Tm模型计算的GPS PWV与利用探空数据计算的PWV相比,平均偏差为0.52 mm,标准差为2.21 mm,RMS为2.45 mm。总体而言,本地化Tm模型的精度优于Bevis模型,更适用于湖南地区的GPS气象研究及业务应用。     

中国南部地区大气加权平均温度模型精化研究

针对中国南部地区地势西高东低、沿海与内陆存在差异等情况,分析中国南部地区T_m与地面温度、测站高度、季节变化以及纬度的关系,利用中国南部地区19个探空站2015~2017年的探空数据,在Bevis公式的基础上建立只考虑地面温度的线性模型（T_m-SC1模型）和与地面温度、高程、季节变化以及纬度有关的新T_m模型（T_m-SC2模型）。以2018年的探空数据为参考值,对T_m-SC1模型和T_m-SC2模型进行精度验证,并与广泛使用的Bevis公式和GPT3模型进行精度比较。结果表明,T_m-SC1模型的年均偏差和均方根误差（RMS）分别为0.76 K和2.57 K,相比Bevis模型和GPT3模型,其精度（RMS值）分别提高13.8%和2.2%;T_m-SC2模型的年均偏差和均方根误差（RMS）分别为-0.10 K和1.64 K,相比Bevis模型和GPT3模型其精度（RMS值）分别提高44.9%和37.6%。T_m-SC2模型用于GNSS水汽计算导致的理论RMS误差和相对误差分别为0.16 mm和0.43%。因此,T_m-SC2模型更适用于中国南部地区的GNSS水汽探测以及气象研究。     

顾及多因子影响的中国西部地区大气加权平均温度模型精化研究

针对中国西部地区地形起伏较大等情况,分析大气加权平均温度（T_m）与测站高程、地面温度的关系,利用2014～2016年探空数据,在Bevis模型基础上建立一种与地面温度、高程和季节变化有关的新T_m模型。以2017年探空数据为参考值,对新模型进行精度分析,并与广泛使用的Bevis模型和GPT2w模型进行精度比较。结果表明,以探空数据为参考值,新模型的年均偏差和均方根误差（RMS）分别为-0.08 K和3.89 K,相比Bevis模型、GPT2w-5模型和GPT2w-1模型,其精度（RMS值）分别提高14.3%、20.6%和9.3%。此外,将新T_m模型用于GNSS水汽计算,其水汽计算理论RMS误差和相对误差分别为0.22 mm和1.43%,新模型在中国西部地区的GNSS水汽探测中具有重要的应用价值。     

顾及季节性变化的日本区域加权平均温度建模

利用2014~2018年的ERA-Interim数据建立适用于日本区域的加权平均温度模型,分析其误差并进行季节性改正。结果表明：1）建立的线性加权平均温度模型精度比Bevis模型提高约16%;2）线性模型的残差时间序列存在季节性变化,因此对模型进行季节性改正,改正后的模型精度比Bevis模型和线性模型提高约37%和25%;3）将3种模型与探空站积分Tm进行比较,进一步说明季节性改正后模型的优越性。     

香港地区顾及高度改正的加权平均温度模型

选用2012~2017年Kings Park 站探空资料,基于迭代最小二乘方法构建2种香港地区顾及高度改正的加权平均温度模型--T_m_hk1和T_m_hk2,并利用2018年探空资料对模型在香港地区的精度和适用性进行评估。结果表明,在香港地区,依赖测站温度的T_m_hk1模型具有较高的精度,年均偏差优于0.3 K,均方根误差优于1.8 K,与Bevis公式和GPT2w模型相比,T_m_hk1模型的精度分别提升35.4%和29.7%;而不依赖气象参数的T_m_hk2模型与GPT2w模型的精度相当,年均方根误差均优于2.5 K,Bevis公式的精度最差(RMS为2.7 K),且具有较大负偏差(bias为－1.8 K)。从季节性分析可知,Bevis公式、T_m_hk2 和GPT2w模型精度具有明显的季节性变化,总体为夏季精度较高(RMSE为1.3~2.2 K),冬季精度较低(RMSE为3.0~4.4 K);T_m_hk1模型在各季节均具有最高精度（RMSE为1.4~2.4 K）和适用性。     

GPT3模型反演GNSS大气可降水量精度评定

采用中国区域2017~2018年与GNSS站并址的49个探空站资料对GPT3模型估算的气象参数的精度进行评估,再利用49个GNSS站结合GPT3模型估算的气象参数反演日均大气可降水量PWV,并采用与GNSS站并址的探空站数据对其精度进行评定。实验得出：1）在中国地区,1°分辨率的GPT3模型的精度和稳定性优于5°分辨率,其气压、气温和大气加权平均温度T_m的偏差均值分别为0.73 hPa、1.34 K和－1.67 K,均方根误差均值分别为4.21 hPa、3.75 K和4.15 K;2）利用GPT3模型提供的气温结合Bevis经验公式反演的PWV与GPT3模型提供的Tm反演的PWV精度相当,且2种方法反演的PWV和探空资料实测地表温度反演的PWV呈现很好的一致性,在我国青藏高原和西北地区反演PWV的精度优于我国南方和北方地区。     

湖南地区加权平均温度的影响因素分析及建模

利用湖南地区长沙、怀化、郴州3个探空站连续3 a（2012～2014年）的观测数据，以数值积分法计算的大气加权平均温度（Tm）作为参考值，分析Tm与地面气温Ts、水汽压es及大气压Ps之间的相关性，并基于最小二乘原理建立湖南地区多因子Tm模型。研究结果表明，Tm与地面温度Ts和水汽压es呈正相关性，与大气压Ps呈负相关；Bevis模型的Tm偏差主要分布在0～4 K之间，存在一定的系统偏差，而基于Ts单因子的Tm模型偏差主要分布在-2~3 K之间；双因子与三因子精度相当，但均优于单因子模型。总体而言，基于地面气温Ts和水汽压es的双因子Tm模型的精度优于基于Ts的单因子模型，更优于Bevis模型，适用于湖南地区的GPS气象研究及业务应用。     

几种全球加权平均温度模型的精度验证与分析

利用IGRA提供的全球593个无线电探空站2014年的探空资料,对Bevis 经验公式、GTm-Ⅱ和GTm-Ⅲ模型进行精度验证,对各模型随纬度、季节的变化规律进行分析研究。结果表明,在全球范围内,GTm-Ⅲ模型的总体精度（MAE=3.26 K, RMS=4.10 K）要优于另外两个模型;3种模型的精度在中低纬度地区较高,高纬度地区较低;Bevis公式和GTm-Ⅱ模型的精度在南北半球具有不对称性;各模型精度的季节性变化规律基本一致,模型的RMS在不同季节相差2~3 K。     

顾及多因子影响的中国区域Tm模型精化研究

利用中国区域2015~2017年探空数据,建立一种顾及地表温度、地表水汽压、高程和纬度的中国区域大气加权平均温度T_m模型（BET模型）。以2018年探空站T_m数据为参考值,分析BET模型精度,并与Bevis模型和GPT3模型进行对比。结果表明,BET模型年均RMSE与bias分别为3.15 K和0.04 K,相比于Bevis模型、1°×1°分辨率的GPT3模型和5°×5°分辨率的GPT3模型,年均RMSE分别降低29.2%、32.8%和39.1%,年均bias分别降低96.4%、96.7%和97.4%,且该模型在中国区域不同高程和纬度上的精度与稳定性优于Bevis模型和GPT3模型。     

基于MLP神经网络的大气加权平均温度模型

以中国西南地区2015~2017年探空数据为实验数据,使用多层感知器（MLP）神经网络回归方法建立西南地区的加权平均温度(T_m)模型。将气象参数（地表温度、水汽压）和非气象参数（高程、纬度和年积日）作为模型输入因子,由数值积分法计算得到的T_m作为学习目标,通过神经网络模型进行迭代训练从而得到中国西南地区的T_m。以2018年探空站T_m数据为参考值,对MLP模型精度进行验证,并与Bevis模型和GPT3模型进行对比分析。结果表明,MLP模型的年均RMSE和年均bias分别为1.99 K和0.15 K,比Bevis模型、GPT3模型年均RMSE分别降低1.36 K(40.6%)和1.51 K(43.1%),年均bias分别下降0.70 K（82.4%）和1.04 K（87.4%）,且该模型在中国西南区域不同高程、纬度和季节的精度与稳定性优于Bevis模型和GPT3模型。     

广西非气象参数Tm模型研究

通过分析广西4个探空站资料，结合GGOS Atmosphere格网Tm数据，建立随高程增大的温度递减率模型。根据温度递减率模型分别采用反距离加权法、双线性插值法、新反距离加权法和新双线性插值法计算探空站Tm，通过分析插值误差建立广西非气象参数Tm模型，并与Bevis模型、中国东部模型、广西模型进行比较。结果表明，温度递减率模型的Tm插值精度相对其他3种模型有比较明显的提升，4种方法的平均绝对误差（MAE）和均方根误差（RMSE）在1~2 K之间；广西非气象参数Tm模型的插值精度得到进一步提高，百色站的MAE约为2 K，其余站点的MAE和RMSE均在1 K左右，能满足可降水量反演的精度要求。     

顾及区域相对高程的中国区域加权平均温度模型

针对区域相对高程对T_m模型影响研究领域的空缺,基于已有的对流层顶经验模型,讨论区域相对高程对T_m模型的影响,并在此基础上构建中国区域的h₀T_m回归模型,同时建立青藏高原地区的区域模型h₀T_m-Qz。模型检验结果表明：1）以ERA5格网数据为参考值,h₀T_m模型的RMS为2.43 K,相比于Bevis公式和GPT2w-1模型,精度分别提高了1.15 K(32%)和0.63 K(21%);2）以探空数据为参考值,h₀T_m模型的RMS为2.48 K,相比于Bevis公式和GPT2w-1模型精度分别提高了1.19 K(32%)和2.06 K(45%),h₀T_m模型在中国区域表现出较低的误差和良好的稳定性,尤其是在中国西部地区表现出更为显著的优势;3）顾及区域相对高程的青藏高原区域模型h₀T_m-Qz相较于该地区的单因子（T_s）区域模型T_sT_m-Qz和Bevis公式,精度分别提高了0.54 K(19%)和2.50 K(51%)。