長三角地區GNSS可降水量直接轉換模型研究

范 頔 李 黎 劉 彥 韋 曄韋 云 周嘉陵 劉 宇

1 蘇州科技大學地理科學與測繪工程學院，江蘇省蘇州市學府路99號，215009 2 蘇州科技大學北斗導航與環境感知研究中心，江蘇省蘇州市學府路99號，215009 3 江蘇省氣象科學研究所,南京市昆侖路16號,210009

大氣可降水量(precipitable water vapor, PWV)是表征大氣中水汽含量的主要參數之一，在強降雨發生前后PWV值會出現快速聚集和釋放的現象，對實際降水預報有很好的指示意義，PWV序列資料可應用于暴雨短期臨近預報研究[1]。近年隨著CORS站數量的快速增加，GNSS-PWV逐步被運用于大氣遙感和氣象預報中[2-3]。

國內外許多學者已經對獲取GNSS-PWV及其氣象應用進行了大量研究[4-8]。本文采用2017年長三角地區7個CORS站的GNSS和氣象數據，利用線性回歸及最小二乘擬合法建立GNSS-PWV與GNSS-ZTD、地面氣溫(T)、地面氣壓(P)之間的函數模型，并將利用該模型計算得到的PWV值與GNSS-PWV(作為真值)進行比較，以驗證模型的精度，同時利用2018年長三角地區4個CORS站的GNSS-PWV數據對該PWV模型的預報精度進行評估。

1 數據來源及其相關性分析

1.1 數據來源

本文選取長三角地區7個測站2017年采樣率為1 h的GNSS數據及2018年采樣率為3 h的氣象數據作為實驗數據，主要包括PWV、ZTD、地面氣溫、相對濕度和氣壓等，表1為GNSS測站的空間位置。可以看出，用于研究的7個GNSS氣象觀測站位于26°～34°N、116°～122°E區域內，均勻覆蓋了長三角大部分區域。

表1 選用的GNSS測站空間位置

1.2 影響因子相關性驗證

在GNSS氣象學中，PWV與ZTD、P、T之間存在一定的相關性，圖1為其相關性分析，R為相關系數。由圖可知，PWV與ZTD、T之間具有良好的正相關性，與P之間具有一定的負相關性。各因子中與ZTD的相關系數最大，達到0.99，說明ZTD對PWV的影響最大，氣壓P與氣溫T對PWV也有較大影響。

圖1 PWV與ZTD、P、T之間的相關性分析Fig.1 Correlation analysis between PWV and ZTD, P,T

表2 不同參數間相關性分析統計

2 區域PWV直接轉換模型的建立及精度分析

2.1 全年PWV模型

2.1.1 PWV建模方法

1) 多因子PWV模型。基于GNSS-PWV(作為真值)和ZTD、T、P之間的線性相關，利用多元線性擬合法，假設線性方程為：

PWV=a0+a1ZTD+a2T+a3P

(1)

將7個測站的PWV、ZTD、T、P代入式(1)，利用最小二乘原理計算出系數a0、a1、a2、a3，得到的多因子方程為：

PWV=-24.984 6+0.161 9ZTD+

0.096 2T-0.346 1P

(2)

式中，PWV和ZTD的單位為mm，氣壓P的單位為hPa，氣溫T的單位為℃。

2) 雙因子(ZTD和T)PWV模型。對7個測站2017年的PWV和ZTD、T進行二元線性擬合，得到雙因子PWV模型為：

PWV=-421.021 3+0.179 9ZTD+

0.180 4T

(3)

3)雙因子(ZTD和P)PWV模型。對7個測站2017年的PWV和ZTD、P進行二元線性擬合，得到雙因子PWV模型為：

PWV=-7.942 6+0.164 9ZTD-

0.368 8P

(4)

4) 單因子PWV模型。對7個測站2017年的PWV和ZTD進行一元線性擬合，得到單因子PWV模型為：

PWV=-444.110 0+0.189 8ZTD

(5)

2.1.2 精度檢驗

為驗證PWV模型的精度，將計算的2017～2018年PWV模型值與GNSS-PWV(作為真值)進行對比，圖2為安慶、常州、射陽、溫州4個測站的PWV模型值與真值的偏差。可以看出，安慶、常州和射陽等3個測站的單因子模型和2種雙因子模型的PWV模型值在夏、秋季節比真值大，在冬、春季節比真值小；溫州站的單因子和雙因子模型的PWV值絕大部分大于真值；多因子模型的PWV值均勻分布在真值兩側。盡管溫州站的單因子和雙因子模型均表現出顯著負偏差，但多因子模型修正了這種偏差。從模型偏差來看，全年單因子PWV模型的偏差基本都在10 mm以內；不含P的雙因子PWV模型的偏差大部分在7 mm以內；不含T的雙因子PWV模型的偏差在5 mm以內；多因子PWV模型的偏差大部分在1 mm以內，精度最高。

圖2 2017～2018年4個測站的PWV偏差Fig.2 PWV deviation at 4 stations during 2017-2018

表3(單位mm)為PWV直接轉換模型的精度統計，從表中可知，僅含有ZTD的單因子模型的RMS為3.07 mm，精度較低，加入P的雙因子模型RMS降到2.35 mm，加入T的雙因子模型RMS降低到1.18 mm，精度有一定的提高；含有ZTD、T、P的多因子模型RMS降到0.47 mm，精度有大幅度提高。由此可見，長三角地區選用多因子PWV直接轉換模型最為合適。

表3 PWV模型全年精度統計

2.2 分季節多因子PWV模型的建立及精度分析

分析可知，PWV值呈周期性變化，夏秋季節較高、冬春季節較低，因此PWV值與季節存在一定的相關性。由于多因子模型具有最佳的預報精度，本文將進一步建立分季節多因子PWV模型，具體見表4。

表4 分季節多因子PWV模型

圖3 2017～2018年安慶站、常州站、射陽站、溫州站PWV模型值偏差Fig.3 Deviations of modelling PWV value at Anqing, Changzhou, Sheyang, and Wenzhou stations during 2017-2018

圖3為安慶、常州、射陽、溫州等4個GNSS測站利用分季節多因子模型及全年多因子模型得到的PWV模型值與GNSS-PWV真值之間的對比，可以看出，安慶站夏季和冬季的分季節多因子模型的精度比全年模型高；常州站分季節多因子模型偏差比全年模型小；射陽站在夏、冬兩季采用分季節多因子模型可以降低模型偏差，而春、秋兩季使用全年多因子模型具有更好的精度；溫州站兩種模型的偏差都非常小。

表5 (單位mm)為2017～2018年分季節多因子模型的精度統計，可以看出，分季節多因子模型較全年多因子模型具有更高的精度：春季的RMS從0.41 mm降低到0.24 mm，夏季的RMS從0.47 mm降低到0.32 mm，秋季的RMS從0.50 mm降低到0.37 mm，冬季的RMS從0.48 mm大幅降低到0.19 mm。雖然采用分季節多因子模型能夠降低PWV模型值與真值之間的偏差，但分季節多因子模型與全年多因子模型的精度均在1 mm以內，均能滿足GNSS-PWV業務應用的精度需要。

表5 分季節PWV區域模型精度統計

3 結 語

本文利用長三角地區2017～2018年7個測站的GNSS和氣象數據，通過對PWV、ZTD、地面氣溫T、地面氣壓P等參數進行相關性分析，構建了長三角地區的PWV直接轉換預報模型，得出以下結論：

1)PWV與ZTD之間具有良好的相關性，相關系數為0.99； PWV與P、T之間具有較好的相關性，相關系數分別為-0.74和0.73。

2)基于ZTD的單因子PWV模型平均偏差為2.48 mm、RMS為3.07 mm；基于ZTD和P的雙因子PWV模型平均偏差為1.90 mm、RMS為 2.35 mm，基于ZTD和T的雙因子PWV模型平均偏差為0.82 mm、RMS為1.18 mm；基于ZTD、T和P的多因子PWV模型平均偏差為0.37 mm、RMS為0.47 mm。

3)基于ZTD、T和P的分季節多因子PWV模型的平均RMS為0.28 mm，比全年多因子PWV模型的精度略有提高，長三角地區采用這兩類多因子PWV模型均能獲得預測精度優于1 mm的PWV預報值。