GNSS约束的MERSI/FY-3A PWV校准方法EI北大核心CSCD

精确的水汽信息对于短临天气预警和长期气候监测具有重要意义。本文针对搭载在我国第2代极轨卫星风云三号A星(FY-3A)上中分辨率光谱成像仪(medium-resolution spectral imager,MERSI)获取水汽精度较低的现状,提出一种GNSS约束的MERSI/FY-3A PWV校准方法。首先,对MERSI/FY-3A的PWV段产品进行处理得到水汽日产品,并利用GNSS和无线电探空(radiosonde,RS)数据对其进行评估;然后,根据PWV的季节分布特性,构建GNSS约束的MERSI/FY-3A PWV季节自适应校准模型;最后,分别利用GNSS、RS和再分析资料对校准后的MERSI/FY-3A水汽进行对比,验证提出方法的有效性。研究表明:本文提出的PWV校准方法,能够有效改善MERSI/FY-3A水汽日产品和旬产品的精度,改善率分别为58.63%和68.72%。该方法可为遥感水汽快速校准研究提供重要的理论依据。     

GNSS辅助风云三号卫星MERSI近红外通道的大气可降水量反演方法

大气水汽是对流层中的重要参数之一,已被广泛应用于短临天气预警和长期气候监测等领域。我国风云三号(FY-3)系列卫星搭载的中分辨率光谱成像仪可用于大气水汽监测,但反演大气可降水量(PWV)时存在大气透过率参数低估、水汽与大气透过率回归系数经验选取的缺陷,无法满足在短临降雨监测、数值同化等高精度PWV应用方面的需求。针对该问题,本文提出一种GNSS辅助FY-3卫星的高精度PWV反演方法。本文方法引入高精度实测GNSS PWV作为大气透过率计算模型的回归拟合参数,辅助FY-3 L1级数据精确估计PWV和大气透过率的模型回归系数;同时,该方法顾及季节和高程因素对FY-3-L1 PWV反演的影响,分季节反演PWV并引入数字高程模型修正由于部分大气透过率参数低估导致的FY-3 L1 PWV相对不准确的现象。选取中国区域2013—2014年FY-3A卫星的L1数据和中国地壳运动观测网络的260个GNSS测站数据进行试验。结果表明,本文提出的GNSS辅助FY-3系列卫星PWV反演方法优于传统方法(FY-3A-L2 PWV),其整体精度改善率为74.5%,可得到更加可靠、稳健性更强的PWV格网产品,对于...     

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。     

时空加权与再分析资料相结合的GNSS PWV时序填补方法

PWV是对流层中的重要参数之一,长时序连续的PWV对长期气候变化研究具有重要影响。但受外界因素影响,目前GNSS获取的PWV长时序数据缺失严重或分辨率较差,无法满足长时序分析的应用需求。针对该问题,本文提出了一种顾及时空加权的PWV长时序填补方法(STW)。该方法引入再分析资料,同时顾及GNSS站点上空水汽在空间和时间上的变化特征,并根据测站位置给予PWV时空变化不同的权值,选取中国地壳运动观测网络的实测数据和欧洲中尺度天气预报中心第五代全球大气再分析数据集进行试验。结果表明,本文提出的STW方法在不同时间分辨率的数据缺失和PWV长时序重采样方面均优于经典的线性插值和模型替换方法,可以得到更加可靠、精确和完整的PWV长时序集。