地基GNSS反演PWV在極端天氣中的應用

何安宏 吳學群

摘? 要： 利用GAMIT/GLOBK軟件解算了香港5個CORS站2018年一年的數據，反演得到了HKOH、HKST、HKNP、HKWS、T430，五個站的可降水汽含量數據，與香港探空站45004數據進行分析驗證，并做了相關性分析，得到兩者的相關性高達0.95，證明了地基GNSS反演可降水汽的可行性;并結合2018年9月16號臺風“山竹”在香港地區過境前后降雨量的變化進行了分析，得出了地基GNSS在極端天氣中應用的可行性，并且在時間分辨率上效果比探空數據要好;利用BP神經網絡模型對降雨進行了預測，在已知PWV數據的前提下，能快速的得到降水發生的時間段。

關鍵詞： GAMIT/GLOBK;PWV;BP神經網絡;極端天氣

中圖分類號： TP319? ? 文獻標識碼： A? ? DOI：10.3969/j.issn.1003-6970.2020.10.057

本文著錄格式：何安宏，吳學群. 地基GNSS反演PWV在極端天氣中的應用[J]. 軟件，2020，41（10）：219224

【Abstract】： Using GAMIT/GLOBK software， the data of five CORS stations in Hong Kong in 2018 are calculated， and the data of precipitable vapor content of five stations， namely， HKOH， HKST， HKNP， HKWS， T430， are retrieved. The data are analyzed and verified with the data of Hong Kong sounding station 45004， and the correlation analysis is made. The correlation between the two is as high as 0.95， which proves the feasibility of ground-based GNSS inversion of precipitable vapor. In combination with September 2018 Based on the analysis of rainfall changes before and after Typhoon “Shanzhu” passed through Hong Kong， the feasibility of application of GNSS in extreme weather is obtained， and the effect is better than that of sounding data in time resolution; the rainfall is predicted by BP neural network model， and the time period of rainfall occurrence can be quickly obtained on the premise of known PWV data.

【Key words】： GAMIT/GLOBK; PWV; BP Neural Network; Extreme weather

0? 引言

大氣中的水汽含量雖然較少，但是它卻是大氣中的重要組成部分，大氣中的水汽不僅與降水有關還作為反映溫室效應的一個主要指標，許多極端天氣如：暴雨、厄爾尼諾現象等的出現與大氣中的水汽有直接的關系它是很多天氣突變和自然災害形成主要因素。探測水汽的方法有很多比如無線電探空、衛星探測、微波輻射計、激光雷達探測、飛機探測、激光探測、地面濕度計、太陽光譜分析儀、地基GNSS探測。其中由于全球衛星定位導航系統具有全天候、高精度、高時空分辨率、實時高效、不受天氣因素影響、成本低廉等優點，使得地基GNSS反演PWV成為計算PWV的一種快速精確的方法，并且可以對極端天氣做出預報和預警[1]。20世紀80年代，Askne和Bevis等人首次提出了利用GPS來探測大氣水汽的理論并通過實驗實現了GPS反演PWV的過程，計算了大氣加權平均溫度模型[2]，隨后陸續有國內外學者進行對GPS/GNSS反演PWV的精度驗證，來自于中國測繪科學研究院、北京大學、武漢大學、中科院、氣象局等機構的學者對各地區的測站分別進行過研究，得到并驗證了GPS反演PWV的可行性，GPS氣象學也隨之發展而來，并且應用越來越廣泛[3-12]。2018年全球極端天氣頻發，暴雨、臺風的現象時常出現給社會生產帶來了很大的損失，本文利用GAMIT/GLOBK數據解算軟件對香港5個CORS站2018年的原始觀測數據進行處理，結合2018年臺風“山竹”過境香港時帶來的強降水，分析驗證了地基GNSS反演PWV的精度和可靠性以及反演結果在降水預測方面的應用。

1? 地基GNSS反演大氣水汽的原理和方法

1.1? 地基GNSS反演大氣水汽的原理

GNSS電磁波信號穿過大氣層時由于電離層和對流層的影響，造成了電磁波信號的延遲，總體延遲表現為傳播路徑的彎曲和傳播速度的減慢。學者已經證實由于電離層延遲與信號頻率平方成反比，可以使用雙頻觀測值進行削弱達到毫米級的精度;對流層延遲即天頂總延遲，由濕延遲和靜力延遲兩部分組成。常用與計算天頂靜力延遲的模型有Saastamoinen（SAAS）模型、Hopfield模型、Black模型[3-12]。其中SAAS模型為：

其中，P為測站氣壓，為測站緯度，H為測站高程天頂濕延遲變化較為復雜，使用模型也難以保證其精度一般通過下式計算：

可降水量的推算可由以下公式推算：濕延遲和大氣可降水量的（PWV）的轉化公式為：

綜上所述：GNSS反演大氣可降水量的流程如圖1。

1.2? GAMIT參數設置

GAMIT/GLOBK是一款由麻省理工學院（MIT）研制的運行在UNIX/LINUX操作系統上的一款GNSS高精度數據處理分析軟件[13];利用GAMIT軟件可以得到高精度的基線解算結果，其解算的結果相對精度能夠達到10-9左右，解算短基線的精度能優于1 mm。文章采用GAMIT進行數據處理軟件參數設置多數為默認值改動的參數如表1所示，解算模式我們選擇RELAX松弛解，選擇輸出天氣文件met，這里GAMIT里的默認是關閉需要自己將其設置為Y，映射函數選擇VMF1，將海潮模型和無潮汐大氣負載參數格網模型打開，這兩個模型需要自行下載。

2? GNSS—PWV解算數據分析

使用GAMIT/GLOBK解算香港2018年一整年4個地基GNSS站的觀測數據，求得得到時間分辨率為一小時的PWV降水數據，根據香港地區的氣候條件發現每年的6月份以后為香港地區降水的高峰期選擇6月份數據進行數據分析對比。通過GAMIT解算得到的6月份數據年積日152到159天驗后NRMS值如表2所示，一般NRMS在0.25左右為正常，超過0.5則解算數據有問題需要重新解算，表2中所列為一周的NRMS值，全年的解算的NRMS都在0.2以下，滿足解算要求。

使用GAMIT自帶的求解可降水量的模塊求得香港5個CORS站2018年全年PWV數據，同理抽取6月份數據進行數據對比分析，按照距離探空站最近的測站HKOH 6月降水數據如表3所示，從表中我們可以發現GNSS所求的PWV數據與探空站所求得PWV數據基本相差在2-3個mm左右，從圖2中我們可以看到兩條折線的變化趨勢峰值和低谷基本一致，這也說明了使用GNSS反演PWV數據的可行性。

為了查看兩組數據的相關性，使用Pearson相關系數法對兩組數據進行相關性分析，即兩個連續變量的相關性系數等于它們之間的協方差cov（X，Y）除以它

們各自標準差的乘積。系數的取值總是在–1.0到1.0之間，接近0的變量被成為無相關性，接近1或者–1被稱為具有強相關性，其中公式為：

相關系數r的值介于–1與+1之間，即–1

當r>0時，表示兩變量（當X的值增大（減?。?，Y值增大（減小））正相關，r<0時，兩變量為負相關（當X的值增大（減?。?，Y值減小（增大））;當|r|=1時，表示兩變量為完全線性相關，即為函數關系;當r=0時，表示兩變量間無線性相關關系;當0<|r|<1時，表示兩變量存在一定程度的線性相關。且|r|越接近1，兩變量間線性關系越密切;|r|越接近于0，表示兩變量的線性相關越弱。一般可按三級劃分：|r|<0.4為低度線性相關;0.4≤|r|<0.7為顯著性相關;0.7≤|r|<1為高度線性相關。

用Pearson相關系數法得到GNSS得到的PWV與Radiosonde的PWV兩者的相關系數為0.95，然后對兩組數據做線性回歸分析得到R2為0.9035，繪制如圖3。

通過以上分析可見，使用地基GNSS計算出來的PWV與探空站計算出來的PWV具有很強的相關性，兩者的相關性達到了0.95，并且通過計算兩者相對誤差，除了個別相差較大以外其余的基本只相差2-3 mm。這就充分的說明可以使用GNSS求解PWV，這樣可以使得GNSS全天候，實時高效成本低等的優勢在降水預測中得到充分發揮。

3? 地基GNSS/PWV與實際降水的關系

3.1? 臺風過境時帶來的影響和強降水分析

2018年9月16日17時，臺風“山竹”登陸廣東省，登陸時中心附近最大風力14級，中心最低氣壓955百帕，9月18日17時，臺風“山竹”已造成廣東、廣西、海南、湖南、貴州5省（區）近300萬人受災，5人死亡，1人失蹤，160.1萬人緊急避險轉移和安置。據應急管理部有關負責人介紹，臺風“山竹”還造成5省（區）的1200余間房屋倒塌，800余間嚴重損壞，近3500間一般損壞;農作物受災面積174.4千公頃，其中絕收3.3千公頃;直接經濟損失52億元。

結合2018年香港發生的降雨事件和對臺風過境時降水量的變化與GNSS/PWV對比分析分別畫出了2018年全年香港CORS站HKOH的GNSS降水量和探空站45004還有實際降水量的對比分析圖，分別從1月到12月做出了GNSS和探空站的PWV數據折線圖，從圖上我們可以更加清楚的看到兩條折線的變化趨勢和峰值等基本吻合。并且在峰值下降過程中產生了實際降水。

通過上述的降水趨勢圖與實際降水量對比分析，證明香港地區CORS 基準站反演得到的大氣可降水量、無線電探空數據與實際降水量趨勢吻合，能夠反映出香港地區水汽變化的過程。通過上述香港地區一年可降水量的趨勢圖，結合此次臺風“山竹”過境引發的暴雨的生消過程進行分析，從降水量上看：臺風過境期間香港實際降水量達到了167.5 mm，而探空數據和GNSS所得到的降水量為均為60 mm左右與實際降水量有較大的差異，從變化趨勢上看：1月15到1月16日期間探空降水數據和GNSS降水數據從44 mm左右飆升到71 mm有一個較大的變化趨勢，這與臺風過境時吻合。

針對實際降水量與GNSS所得的降水量數據有較大的差異我們在多加入幾個CORS站，排除是因為測站導致降水量差異，再次分析三者的關系如圖5。

從其他站PWV數據的走勢和變化來看基本與原來測站吻合，也說明并非因為測站導致PWV數據與實際有較大差異，所有測站在15日到16日期間有一個PWV量的劇增和劇減，這充分印證了強降水的到來期間水汽的聚集于釋放，也從側面印證了當臺風過境時，可能會帶來比實際更多的強降水。無線電探空數據每天0時和12時放一次探空氣球對降水量進行一次觀測，而GNSS可以得到逐小時的可降水量，圖6中我們選擇了臺風過境前后一天共三天的數據做出折線圖，圖中可以看到15號12點到24點時間段水汽持續下降這是降水的發生的時間段，在16號0時到12時PWV數值一直在上升這是水汽聚集，直到17號PWV數值才持續下降，這就與臺風的過境時和過境后帶來的強降水相對應，從而證實了GNSS對強降水極端天氣的預測的可行性，并且在時間分辨率上有相對于探空數據有很大的優勢，使得GNSS在降水預報方面更優于探空站。

4? BP神經網絡模型降水預測

BP神經網絡是信號是前向傳播，誤差反向傳播一種多層的前饋神經網絡，是目前應用最廣泛的神經網絡模型之一[14]-[19]。上文我們證實了地基GNSS在降水預報上的可行性，我們也發現在PWV數值在30 mm以上時每當有水汽的急劇上升和下降大都會發生降水事件，這時我們可以利用神經網絡模型結合GNSS所求的PWV數據進行降水的預測。從以上分析中可以看到降水的發生和消亡伴隨著可降水量PWV的上升聚集和下降傾瀉，利用這種規律，將每天的PWV數據和PWV數據的突變作還有年積日作為輸入的變量，發生降水作為輸出量，做一個神經網絡降水發生的預測，我們將前半年150天的數據作為訓練樣本，然后預測后半年發生降水的時間。

第一，時間分辨率按天來預測，該模型包含3個輸入，5個隱含層，一個輸出層一個輸出;從圖10中我們看到本次訓練一共迭代了15次，最終達到設定的誤差10-4也就是紅線的變化，結合圖8、圖9可以看到本次模型訓練的結果和效果都是比較圓滿的，通過數據分析得到如表4的數據，我們選取其中一段數據查看結果原本的數據輸出只有–1、0、1這三個數值我們開始就講-1為水汽上升、0為沒有降水發生，1為發生降水從而得到表4所示數據。

從表4中可以看到預測的結果與實際發生降水的時間是基本對應的，在實際降水的統計中一般在0.05左右是統計不到的，所有即使發生了降水，統計部門也不一定能得到，這應該就是數據中本應該發生降水而實際降水中沒有數據的原因。上面的數據按照天數來計算的如果按照小時來計算是否會更加準確和清晰？接下來我們將從解算得到時間分辨率為小時的PWV數據進行預測分析，我們提取年積日為259天前12小時的預測數據

從上面的表格看出我們預測值與實際值是一致的，從16日0時開始PWV值一直上升，而且全天都在60 mm可能一整天都在發生降水事件。上表的數據時間分辨率更高，獲得的降水數據越精確，從而使得GNSS在降水的預測和預報中發揮更好的作用。

5? 總結

（1）通過解算香港2018年一整年的GNSS數據獲得了時間分辨率為一小時的PWV數據，通過與香港探空站數據進行分析對比，GNSS獲得的PWV值與探空站獲得的PWV值兩者在時間序列上有高度的一致性，兩者的變化趨勢基本相同，均方根誤差較小，通過person相關系數法對兩者進行分析得到兩者的相關系數超過0.9，對兩者的相對誤差做了回歸分析得到他們的R方為0.9035，說明兩者誤差線性回歸效果顯著，從而證實了GNSS數據解算PWV的可靠性。

（2）分析了2018年臺風“山竹”在臺灣過境時帶來的強降水，通過單站分析和多個測站聯合分析得到了GNSS對強降水的到來有一定的預測性，通過后期數據處理GNSS可以在臺風預警強降水等極端天氣中發揮巨大作用，從而減少社會經濟損失，減少極端天氣給人們帶來的生命和財產的威脅。

（3）文末我們探討了在獲得PWV數據的前提下利用神經網絡模型對發生降水的時間進行了一個預測，得到的預測結果與實際降水基本符合，這也就說明我們在利用GNSS實時獲得PWV數據后可以利用神經網絡模型對即將發生降水的區域做出預報和預警，使得GNSS在天氣預警方面的效率越來越高。

6? 存在的問題

（1）在對數據計算過程中第一天的24時和第二天0時獲得的PWV數值不一樣的問題，是否能取兩者的平均值作為重合時段的PWV值;

（2）在臺風過境時當天的實際降水量達到了167 mm，而GNSS和探空站得到的PWV只有60多毫米，如何獲得臺風期間更精確的PWV數據還需要繼續分析;

（3）利用神經網絡模型對降水進行預測和預報還需升級，是否可以根據氣壓氣溫的變化還有測站位置對降水時間和可降水量進行直接預測這種更加的節約預測預報的時間。在進行降水預測師是否能夠根據PWV數值的大小，結合其他因素得到實際降雨量的大小，使得降水預報更加準確和有效果。

參考文獻

[1]劉立龍， 黎峻宇， 黃良珂， 等. 地基GNSS反演大氣水汽的理論與方法[M]. 測繪出版社， 2018： 2-4.

[2]Bevis M， S Businger， TA Herring， et al. GPS Meteorology：?Remote sensing of atmospheric water vapor using the Global Positioning System. J. Geophys. Res. 1992， 97： 15787-15801.

[3]陳明東. GPS/PWV在臺風“瑪莉亞”襲閩期間的變化特征研究[J]. 測繪通報， 2019（01）： 93-96+137.

[4]高志鈺. 區域大氣可降水量反演及應用研究[D]. 蘭州交通大學， 2019.

[5]江鵬. 地基GNSS探測2D/3D大氣水汽分布技術研究[D]. 武漢大學， 2014.

[6]金鑫， 施昆， 陳云波， 等. GPS可降水汽含量在強降雨過程中的特征分析[J]. 全球定位系統， 2018， 43（2）： 65-71.

[7]羅楨. 地基GPS反演大氣可降水量及其在臺風分析中的應用研究[D]. 東華理工大學， 2017.

[8]蘇貝. GAMIT/GLOBK軟件應用實例與數據分析[J]. 城市勘測， 2015（04）： 82-85.

[9]蘇永檸. GPS可降水量短臨預報方法研究[D]. 桂林理工大學， 2018.

[10]楊斯淏. 地基GPS反演大氣可降水量在香港地區的應用研究[D]. 東華理工大學， 2017.

[11]趙慶志. 地基GNSS水汽反演關鍵技術研究及其應用[J]. 測繪學報， 2018， 47（3）： 424.

[12]朱恩慧， 楊力， 賈鵬志， 等. 暴雨天氣中地基GNSS可降水量時序變化分析[J]. 導航定位學報， 2018， 6（1）： 21-26.

[13]張明， 徐杰. 利用GAMIT/GLOBK軟件進行高精度GPS數據處理[J]. 西部探礦工程， 2010， 22（2）： 161-164.

[14]吳麟， 馮利華. 基于BP神經網絡的義烏市降水量預測[J]. 浙江水利科技， 2014， 42（2）： 52-54.

[15]石黎， 孫志梅. 教學質量評價的BP 神經網絡模型[J]. 軟件， 2015， 36（3）： 19-21.

[16]陶穎新， 李春青， 蘇華. 基于改進的PSO和模糊RBF神經網絡的MBR膜污染預測[J]. 軟件， 2018， 39（8）： 52-56.

[17]常強， 趙偉， 趙仰杰. 基于神經網絡的數據分類預測與實現[J]. 軟件， 2018， 39（12）： 207-209.

[18]王宏濤， 孫劍偉. 基于BP神經網絡和SVM的分類方法研究[J]. 軟件， 2015， 36（11）： 96-99.

[19]安晶晶， 劉高平， 朱佳寧. Farneback光流法在短臨預報中的應用[J]. 軟件， 2018， 39（10）： 18-25.