中国西南地区GPS大气水汽转换系数模型精化研究

利用中国西南地区19个探空站2011～2014年数据,通过积分法计算大气水汽转换系数K。采用2011～2013年的K值对Emardson模型进行精化,分别构建西南地区不顾及和顾及高程因子的K值模型Emardson-I和Emardson-H。利用2014年积分计算的K值检验这两种模型的预报精度,结果表明:1)相对于Emardson-I模型,Emardson-H模型表现出更高的K值预报精度和更好的适应性;2)在高海拔地区,Emardson-H模型预报精度明显优于Emardson-I模型,表明高程因子是影响高海拔地区K值计算的重要因素。将两种新模型用于拉萨站GPS大气水汽反演,Emardson-H模型表现出更优的反演精度,两种模型的反演精度均优于2 mm。     

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。     

中国区域ERA5和MERRA-2再分析资料计算Tm的精度分析

以中国区域89个探空站2017年资料为参考值,对ERA5和MERRA-2再分析资料积分计算的Tm的精度进行评估,并分析2种资料计算的Tm的bias和RMSE的时空变化特性。结果表明：1）以探空站资料为参考值,ERA5和MERRA-2再分析资料计算的Tm的年均bias分别为0.41 K和0.10 K,年均RMSE分别为1.26 K和1.34 K。2）2种资料计算的Tm的bias和RMSE具有相似的时空变化特性,时间上总体表现为夏季精度高、冬季精度稍低,但ERA5再分析资料计算的Tm的bias在全年均表现为正值,而MERRA-2再分析资料计算的Tm的bias在夏季表现为负值,其余时间表现为正值;在空间上,2种资料计算的Tm的bias和RMSE在高程上无明显变化特性,但在纬度上RMSE均表现出随纬度增加而逐渐变大的趋势,总体保持在2.5 K以内。     

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。     

长三角地区GNSS大气水汽转换系数模型精化研究

根据长三角地区7个探空站基于积分法计算的2016年大气水汽转换系数（K值）,利用多元线性拟合分别构建不顾及高程的Emardson-I精化模型和顾及高程的Emardson-H精化模型,并用2017年的K值验证两种模型的精度。实验结果表明,Emardson-H预报模型的MAE和RMS分别为0.001 297和0.001 616,略优于Emardson-I预报模型的0.001 303和0.001 620;基于两种新模型的GNSS-PWV反演精度相当,其MAE和RMS均优于0.6 mm。因此,Emardson-I模型以其无需实测气象参数和无需顾及高程在长三角地区的地基GNSS气象学实时应用中具有更好的效率优势。     

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。     

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。     

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。     

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。     

基于ECMWF再分析地表资料计算中国区域ZTD的精度分析

利用ECMWF再分析地表资料,结合GPT2w模型提供的水汽递减率和温度递减率计算中国区域对流层延迟值的精度。首先,以中国地区75个探空站2015年地表实测气象参数为参考值,利用ECMWF地表资料得到的气象参数（P,T,e）的精度分别为1.76 hPa、1.96 K、1.98 hPa。然后,以相同测站2010~2015年探空站分层数据算得的ZTD为参考值,对ECMWF地表资料计算的ZTD的精度进行分析,并与利用探空仪地面观测数据为输入参数计算的ZTD的精度进行对比。结果显示,利用ECMWF地表资料计算的ZTD的平均bias为0.07 cm,平均RMS为3.72 cm,在低纬度地区优于利用探空仪地面观测数据为输入参数计算的ZTD的结果。以陆态网237个GNSS测站2015年的ZTD作为参考值,比对利用ECMWF地表资料计算的ZTD的精度,结果为3.41 cm。由此可知,ECMWF地面资料计算的ZTD的精度能满足普通用户对流层延迟的计算需求,可用于缺少气象参数的测站进行对流层延迟值的计算及其他相关应用。     

新疆地区GGOS Atmosphere加权平均温度的精化

绝大多数地基GPS站观测时未进行测站上空气象观测,导致无法获得精确的大气加权平均温度(GTm),限制了地基GPS遥感水汽的应用。基于此,本文分析了利用GGOS Atmosphere Tm格网数据获取新疆地区加权平均温度（Tm）的方法。利用无线电探空资料评估由GGOS Atmosphere加权平均温度格网数据计算得到的GTm的精度,通过考虑季节和地理变化的精化模型对GTm进行改正。结果表明,利用平均值插值方法得到的GTm经过精化模型改正后,可以满足新疆地区地基GPS精密遥感水汽的要求。     

长三角地区多种大气可降水量获取方法研究

利用长三角地区多个探空站气象资料、GNSS观测数据和GPT3模型,以探空资料的大气可降水量(PWV)为参考值,评估GPT3模型、两种地面气象资料法和GNSS等4种方法计算的PWV精度、可靠性和时效性.结果表明,GPT3模型可实时获取PWV,但精度较低;GNSS-PWV精度最高,但需要实测气象参数,会限制其应用范围;两种...     

不同BDS星历反演大气可降水量精度分析

基于陕西地区3个GNSS观测站2018年1～6月数据,利用北斗卫星导航系统进行水汽反演。首先利用不同星历产品计算水汽结果,分别与利用IGF解算的水汽结果、探空数据探测结果进行比较;再将不同星历得到的水汽结果进行相互对比。结果表明,利用3种星历都能获得精度和可靠性较高的水汽结果,其中精密星历和快速星历反演水汽的精度相当,各测站偏差均优于1 mm,标准差和均方根误差均优于3.5 mm;利用超快速星历（预报部分）反演水汽在各测站的偏差约为1 mm,标准差和均方根误差均优于5 mm。综合3种产品反演水汽的对应精度可知,利用3种星历产品均可反演大气可降水量,且超快速星历（预报部分）计算的水汽值可为气象预报提供参考依据。     

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。