贵州局地大气加权平均温度模型的建立与精度分析

基于贵阳、威宁两个无线电探空站2014~2016年的气象数据,采用一元线性回归方法构建贵州整体、局地及季节大气加权平均温度Tm模型,并分析模型的精度。结果表明,贵州整体Tm模型精度高于Bevis模型、全国模型和亚热带季风气候模型;建立贵州局地、季节模型有助于进一步改善Tm的精度;相较于Bevis模型,局地Tm模型反演的PWV精度更高,与实际降水吻合更好。     

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。     

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。     

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(Tm)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Tm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,...     

大气加权平均温度垂直递减率时空特性分析

考虑到已有全球T_m模型无法实时获取全球区域高精度T_m,利用ECMWF提供的2014～2017年ERA5再分析资料,分析全球区域T_m垂直递减率的时空变化特性。结果表明,T_m垂直递减率具有明显的年周期和半年周期,日变化相对较弱,且存在明显的海陆差异和地形差异,不同地区周期变化差异明显。T_m垂直递减率与经度的相关性极小,但与纬度具有较强的相关性,其绝对值由赤道向两极逐渐减小。     

基于GPT2w模型计算中国地区对流层加权平均温度的精度分析

以2015年GGOS Atmosphere格网产品和探空站资料为参考值,评价GPT2w模型在中国地区计算对流层加权平均温度Tm的精度和适用性。结果表明：1）在中国地区,1°分辨率的GPT2w模型精度和稳定性优于5°分辨率,且GPT2w模型表现出显著的系统性误差;2）Tm的bias和RMS误差均具有明显的时空变化特性,季节变化表现为春冬季较大、夏季较小,空间变化上RMS误差表现为随纬度增加而变大;3）受地形起伏和Tm日周期变化影响,Tm在中国西部和东北地区误差较大。
     

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。     

温度递减率对加权平均温度的影响

引入温度递减率,和地表温度一起作为独立参数对加权平均温度进行拟合,并根据所建立的温度递减率模型,分析其对加权平均温度的影响。研究表明,高精度的温度递减率有利于改善加权平均温度模型拟合值的分布,使其不再与地表温度呈现简单的线性关系,即使不同探空站的地表温度相同,它们计算的加权平均温度也不相同,从而提高GPS气象学中PWV的转换精度。     

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。     

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。     

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。     

基于GPT2w模型化加权平均温度反演可降水量

提出一种基于GPT2w模型化加权平均温度反演大气可降水量的方法,并分析附加系统偏差改正的模型化加权平均温度对可降水量的影响。结果表明,基于GPT2w模型化加权平均温度反演的大气可降水量的精度与基于Bevis公式计算的加权平均温度反演的大气可降水量的精度相当;对GPT2w模型化加权平均温度进行系统偏差改正后,大气可降水量的精度有一定改善,但改善率不到1%。     

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%)。