利用北斗/GNSS觀測數據分析“21·7”河南極端暴雨過程

施闖,周凌昊,范磊,張衛星,曹云昌,王成,肖鋒,呂國卿,梁宏

1 北京航空航天大學電子信息工程學院,北京 100191 2 衛星導航與移動通信融合技術工業與信息化部重點實驗室,北京 100191 3 北京航空航天大學前沿科學技術創新研究院,北京 100191 4 武漢大學衛星導航定位技術研究中心,武漢 430079 5 中國氣象局氣象探測中心,北京 100081 6 河南省測繪工程院,鄭州 450003

0 引言

2021年7月，河南省發生罕見的極端暴雨事件(以下簡稱“21·7”河南極端暴雨).以鄭州市為例，北京時間7月20日8時至21日8時，鄭州市內24小時累計降雨量達624.1 mm，超過2019年509.5 mm的全年降雨總量.本次極端暴雨導致了嚴重的洪澇災害，據河南省政府統計，截至8月2日12時，全省受災區域包括150個縣(市、區)、1663個鄉鎮，受災人數達1453.16萬人.受暴雨和洪澇影響，累計有302人遇難，50人失蹤，共有30616戶房屋倒塌，農作物受災面積1635.6萬畝，造成的直接經濟損失高達1142.69億元.本次極端暴雨是在大氣環流形勢異常的背景下，受多尺度系統、地形等影響因素的共同作用形成的.暴雨的發生需要充足、持續輸送的水汽，以及劇烈的大氣垂直運動(Chen et al.,1998).大氣可降水含量(Precipitable Water Vapor,PWV)作為空氣中水汽含量的表現形式之一，顯著影響著降雨的發生與規模(Duan et al.,1996).細致分析暴雨的發生過程與PWV之間的關系，對于極端暴雨的短時臨近預報預警，減少人員和財產損失具有重要意義.

傳統PWV探測多基于探空氣球搭載的無線電探空儀，然而探空儀數據的時空分辨率難以滿足高時空分辨率的PWV監測需求(Shoji,2013)，造成局部地區極端降雨災害的快速準確預報預警非常困難.隨著GNSS(Global Navigation Satellite System，包括GPS、北斗、GLONASS、Galileo等)技術的不斷發展，基于地基GNSS的PWV探測技術自1992年起受到廣泛關注(Bevis et al.,1992).利用GNSS觀測數據可以獲取測站天頂對流層延遲，進而精確反演大氣中的PWV.與傳統方法相比，基于GNSS的水汽探測具有空間分布廣、時間分辨率高、數據連續性強等優勢，且與無線電探空儀具有相當的精度水平(Emardson et al.,1998;Sharifi and Souri,2015).

國內外學者利用GNSS技術對PWV變化與暴雨發生的關系展開了深入研究.Wang等(2015a)分析發現2012年北京“7·21”暴雨前數小時內PWV發生了上升，且上升的時刻較好地對應了暴雨發生時刻，認為PWV在3～5 h內的變化有助于實現暴雨預警.Cao等(2016)發現在鄱陽湖地區的暴雨事件前1 h內，不同GPS測站的PWV均表現出較為明顯的上升現象，然而不同站點PWV的變化幅度不相同.Suparta和Zainudin(2015)對南極半島三個區域的PWV在一次暴雨事件中的變化進行分析，發現不同區域PWV的上升變化數值不同，說明不同區域的水汽變化情況存在差異.以上研究均表明，暴雨事件的發生前多伴隨著PWV的上升，許多研究者因此建立了基于PWV變化的暴雨預測區域模型.Benevides等(2015)以PWV為自變量，提出一種折線趨勢(broken line tendency)最小二乘擬合的方法，通過不同的閾值對GPS測站附近區域的暴雨進行預測.該算法在研究時間范圍內成功預測到75%的暴雨，但虛警率高于40%.Yao等(2017)利用浙江省五個GNSS站暴雨前PWV變化及其隨時間的一階導數，建立了考慮PWV變化率的極端降雨預測模型，結果表明該模型的預報成功率大于80%，但同樣存在40%的虛警率.Zhao等(2018,2020)先后引入PWV和天頂對流層總延遲(Zenith Total Delay,ZTD)的增量與斜率進行模型優化，將預測成功率提高至95%以上，同時虛警率降低至29%.此外，研究表明將同化后的PWV引入天氣預報模式WRF(Weather Research and Forecasting Model)，可顯著提高WRF的暴雨預測精度(張晶等,2014;貝純純等,2016;Sharifi et al.,2016).然而，現有研究多針對暴雨與PWV在時間上的關聯，對于兩者間空間分布關系仍有待進一步研究.

北斗系統是我國自主建設、獨立運行的全球衛星導航系統，是國家重要的基礎設施，也是國際導航系統的重要組成部分(楊元喜,2010).本文針對“21·7”河南極端暴雨，利用河南省內220個連續運行的北斗/GNSS站觀測數據，采用精密單點定位(Precise Point Positioning,PPP)技術和克里金插值方法獲取了本次極端暴雨期間高時空分辨率的PWV空間格網數據，并評估了數據精度；同時，結合氣象站記錄的降雨量數據分析了本次極端暴雨過程中PWV與降雨量在時間和空間上的關系，為極端降雨災害的短臨預報提供一種高時空分辨率的監測手段和科學數據支撐，推動北斗系統在大氣科學領域的應用.

1 數據

本文利用河南省220個北斗/GNSS站提供的GNSS觀測數據，以及中國氣象局116個氣象站提供的氣象數據進行研究，站點分布見圖1.其中，圖1a給出了北斗/GNSS站和氣象站的空間分布情況，圖1b給出的是河南省市級分界線及區域內高程信息.研究中使用的數據還有來自歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的氣象再分析數據，用于PWV空間格網數據的比對分析.

圖1 河南省北斗/GNSS站、氣象站分布(a)與高程圖(b)其中，圓點表示北斗/GNSS站，三角形表示氣象站，其中紅色三角形表示配備了無線電探空儀的氣象站.Fig.1 The distribution of BeiDou/GNSS stations and meteorological stations (a),and the topography elevation (b)within Henan ProvinceThe dots represent the BeiDou/GNSS stations,while the triangle represents the meteorological stations.The red triangles mean that the meteorological stations are equipped with radiosondes.

1.1 氣象站數據

本文使用的氣象站數據包括雨量計監測的降雨量數據，以及無線電探空儀獲取的水汽數據.其中，僅有兩個氣象站可提供無線電探空獲取的水汽數據(圖1a中紅色三角形).這兩個氣象站分別位于鄭州市(氣象站編號57083)和南陽市(氣象站編號57187)，探空儀獲得12 h分辨率的PWV將用于檢驗本文北斗/GNSS反演PWV數據的精度.此外，所有氣象站均提供1 h分辨率的降雨量數據，可用來研究PWV變化和降雨量之間的關系.

1.2 北斗/GNSS觀測數據

利用PPP技術提取ZTD，結合氣象數據可實現北斗/GNSS站上空PWV的反演(Bevis et al.,1992).本文選擇的220個北斗/GNSS站在河南省內分布均勻且密集，綜合各測站上空的PWV數值能夠較好地反映河南省水汽的空間分布的情況.GNSS數據處理的時間范圍為北京時間(Beijing Time,BJT)2021年7月17日0時至2021年7月25日23時.

本文利用研究團隊自主研發的北斗/GNSS高精度數據處理系統，采取統一的PPP數據處理策略計算得到北斗/GNSS站上空的ZTD數據(表1).為了更加精細地反映投影函數的經驗系數空間變化特征，在數據處理中選擇最新投影函數VMF3(Vienna Mapping Function 3)(Landskron and B?hm,2018).

表1 PPP數據處理策略Table 1 PPP data processing strategies

1.3 氣象再分析資料

ERA5是ECMWF發布的第五代全球氣象再分析資料，提供自1979年至今的氣象再分析數據.ERA5數據的時間分辨率為1 h，水平方向的空間分辨率為31 km(約0.25°)，高程方向則將地面至80 km高空的空間分成37個氣壓層(從1000 hPa至1 hPa)，每個氣壓層包含溫度、氣壓、比濕、風速等數據(Hersbach et al.,2020).ERA5數據在本文研究中有兩個用途.首先，提供PWV計算所需的加權平均溫度Tm和氣壓.需要注意的是在計算Tm和氣壓時需根據北斗/GNSS站的位置對ERA5格網數據進行水平內插和高程補償(Bai et al.,2021)，本文利用武漢大學GNSS研究中心開發的氣象數據處理平臺GMET(GNSS Meteorological Ensemble Tools)進行計算(Zhou et al.,2020).考慮到GNSS數據并未同化至ERA5產品，因此ERA5反演的PWV可作為有效的外部檢核手段，對本文PWV空間格網數據進行精度驗證(Zhang et al.,2019).

2 方法

2.1 利用GNSS觀測數據的PWV反演方法

利用PPP技術提取的ZTD可分為兩部分，分別是天頂靜力學延遲ZHD(Zenith Hydrostatic Delay)與天頂濕延遲ZWD(Zenith Wet Delay)，如(1)式所示：

ZTD=ZHD+ZWD,

(1)

其中，ZHD可結合Saastamoinen模型和氣象數據計算，其精度可達毫米級(Saastamoinen,1972).從ZTD中扣除ZHD后，對剩余的ZWD乘以相應的轉換系數Π，可得到GNSS技術反演的北斗/GNSS站PWV，其計算過程如下：

(2)

PWVGNSS=Π×ZWD,

(3)

其中，k′2(=17±10 K/hPa)和k3(=3.776±0.004×105K2/hPa)分別為大氣折射率常數；Rw(=461.51 J/(K·kg))為水汽氣體常數；ρw(=1000 kg·m-3)為液態水密度；Tm為加權平均溫度(K).

2.2 PWV空間格網數據計算方法

為分析本次極端暴雨過程中河南省上空PWV的時序變化和空間分布，將PPP提取的北斗/GNSS站PWV通過克里金插值得到河南省0.25°×0.25°的PWV空間格網數據.需要注意的是，利用克里金插值進行空間場反演時需要保證所有點位于同一高度.然而，河南省所有北斗/GNSS站的高程并不統一，不同測站間最大高程差異超過1000 m.因此，需對北斗/GNSS站PWV進行高程歸算.綜上，PWV空間格網數據可由以下兩個步驟完成.

第一步，對北斗/GNSS站反演獲取的PWV進行高程歸算.PWV隨高程的變化可分為ZWD變化與轉換系數Π變化兩部分.對于ZWD，研究表明其隨高程大體上呈指數形式變化(Dousa and Elias,2014;Vaclavovic et al.,2017).而對于轉換系數Π，分析結果表明，研究時間范圍內不同北斗/GNSS站上空1000 m范圍內Π隨高程變化平均小于0.004(約為轉換系數的2%)，可忽略不計.因此PWV隨高程的變化可僅考慮ZWD部分產生的影響.綜合考慮上述因素，PWV高程歸算如(4)式：

(4)

其中，H0和PWV0分別表示北斗/GNSS站的高程及PWV數值，H1和PWV1分別表示歸算目標高度及目標高度的PWV數值，qpwv為經驗標尺高度，通常設置為2 km(Schüler,2014;Yao et al.,2015).為簡化計算，H1設置為2 km，與經驗標尺高度相同.

第二步，對各北斗/GNSS站在2 km高度的PWV進行克里金插值(Zheng et al.,2018)，獲取河南省2 km高度上0.25°×0.25°的PWV格網分布.結合公式(4)，利用美國國家航空航天局NASA(National Aeronautics and Space Administration)發布的ASTER GDEM v2(Advanced Spaceborne Thermal Emission and Reflection Global Digital Elevation Model version 2)產品提供的高程信息將每個格網點的PWV數值歸算至格網點相應的地表高度.最終得到研究時間范圍內小時時間分辨率的PWV空間格網數據.

2.3 基于ERA5的PWV反演方法

為評估GNSS反演獲得的PWV空間格網數據精度，本文分別利用無線電探空儀獲取的PWV(即Radiosonde-PWV)以及ERA5反演北斗/GNSS站及格網點處的PWV(即ERA5-PWV)進行對比分析.其中，ERA5-PWV是對地面上空每個氣壓層中的可降水量進行數值積分獲取，具體計算過程如下：

(5)

其中，q為位置上空某一氣壓層的比濕(kg·kg-1)，g為考慮緯度和高程變化的地球重力加速度 (m·s-2)，dP為分層氣壓(hPa).考慮到不同位置的地表高度不同，為與GNSS反演的PWV保持一致，ERA5-PWV的積分以地表高度的氣壓層起算.

3 結果與分析

首先，分別利用Radiosonde-PWV和ERA5-PWV評估了河南省PWV空間格網數據的精度.然后，以“21·7”河南極端暴雨為例，分析了受災較為嚴重地區的北斗/GNSS站PWV與小時降雨量的時序關系.最后，將PWV空間格網數據與小時降雨量的空間分布進行了對比分析.

3.1 PWV空間格網數據精度評估

本文采用三種方法對PWV空間格網數據進行精度評估，分別為：1)利用ERA5反演得到的測站PWV，對參與PWV空間格網數據反演的GNSS站PWV進行評估；2)利用位于鄭州市和南陽市的兩個配備了無線電探空儀的氣象站在2021年7月的探空PWV數據，對反演獲取的GNSS-PWV空間格網數據進行評估；3)利用ERA5反演的格網點PWV，對反演獲取的GNSS-PWV空間格網數據進行評估.

首先，利用ERA5格網數據反演的測站PWV對GNSS站反演的測站PWV進行比較分析.需要注意的是，ERA5反演的PWV為格網數據，而GNSS站大多不在格網中心，因此需要通過水平內插和高程補償以獲取測站位置的數值.兩者互差的平均偏差(Mean Bias)與均方根(Root Mean Square,RMS)如圖2所示.圖2顯示出所有測站互差的平均偏差變化范圍為-5.19～5.09 mm，其均值為-1.7 mm；互差RMS變化范圍為2.08～6.07 mm，其均值為3.2 mm，與先前研究的精度水平相當 (Zhang et al.,2019;Bai et al.,2021).該結果表明，利用GNSS技術反演的測站PWV精度良好，可用于反演河南省PWV空間格網數據.

圖2 北斗/GNSS站ERA5-PWV與GNSS-PWV互差平均偏差(藍色柱)與RMS(黑線)Fig.2 The Mean Bias (blue bar)and RMS (black line)of the differences between GNSS-PWV and ERA5-PWV at BeiDou/GNSS stations

探空儀獲取的PWV可有效評估本文PWV空間格網數據精度(Chen and Liu,2016).本研究利用位于河南省的兩個無線電探空站在2021年7月的探空結果對本文PWV空間格網數據精度進行評估.由于探空儀位置同樣不在格網點中心，且高程不統一，需通過水平內插和高程補償獲取探空儀所在位置的GNSS-PWV數值進行對比.此外，無線電探空儀數據存在較多的觀測數據空缺，空缺數據點時刻不參與評估.PWV空間格網數據和Radiosonde-PWV的時間序列如圖3所示，兩者間的相關系數(Correlation Coefficient)及差值的RMS也顯示在圖中.

圖3 南陽及鄭州氣象站GNSS-PWV與Radiosonde-PWV時間序列圖其中，藍色表示GNSS-PWV，紅色表示Radiosonde-PWV.Fig.3 Time series of GNSS-PWV and Radiosonde-PWV of meteorological stations in Nanyang and ZhengzhouThe blue lines represent the GNSS-PWV,while the red lines represent the Radiosonde-PWV.

結果表明，2021年7月1日8時至7月31日20時，南陽氣象站的PWV空間格網數據與Radiosonde-PWV差異最大為19日8時的11.58 mm，差異最小為19日20時的0.26 mm；鄭州氣象站的PWV空間格網數據與Radiosonde-PWV差異最大為8日8時的9.6 mm，差異最小為13日20時的0.15 mm.兩個氣象站的PWV時間序列相關系數平均為0.89，差值的RMS平均為4.6 mm，與先前的研究結果相當(陳永奇等,2007;Wang et al.,2013;歐書圓和張衛星,2021).該結果表明，利用GNSS技術獲取的PWV與Radiosonde-PWV精度處于相當水平.

最后，利用ERA5反演的格網點PWV對PWV空間格網數據精度進行評估，結果如圖4所示.其中，圖4a給出的是平均偏差，圖4b給出的是偏差的RMS.結果表明，河南省內的大部分區域平均偏差的變化范圍為-3～1 mm，少量區域接近-6 mm；省內大部分地區RMS的變化范圍為2～5 mm，少量區域達到6 mm左右.部分區域反演精度相對較低的原因在于該區域北斗/GNSS站由于觀測數據空缺或質量較差被剔除，導致參與該區域反演的測站數量較少，從而影響反演精度.此外，由于ERA5同化數據的空間分辨率存在差異需重采樣，導致ERA5-PWV結果較為平滑，而GNSS數據能夠更好地捕捉水汽在小空間尺度上的細節變化，因此PWV空間格網數據與ERA5-PWV之間存在一定差異(Zhang et al.,2017).整體上來說，區域內平均偏差的均值為-1.9 mm，區域內偏差的RMS均值為4.4 mm，不存在顯著的系統性偏差.研究表明，GNSS技術反演的PWV與再分析資料反演結果互差的RMS在6 mm以內時，可認為滿足氣象應用需求(Wang et al.,2015b)，本文PWV空間格網數據精度達標.

圖4 河南省PWV空間格網數據精度評估結果，以ERA5-PWV為基準(a)平均偏差;(b)偏差的RMS.Fig.4 The precision assessment of spatial gridded PWV within Henan Province,referred by ERA5-PWV(a)Mean Bias;(b)RMS of the differences.

3.2 極端暴雨中PWV與小時降雨量的時間變化

為探究本次極端暴雨中PWV變化與降雨發生之間的關聯，本文選擇了受災較為嚴重區域的四組觀測完整的北斗/GNSS站及對應的并址氣象站，對其小時PWV變化與實測小時降雨量進行對比分析.站點分別位于開封市通許縣(KFTX)、許昌市建安區(XCJA)、鶴壁市浚縣(HBXX)和鄭州市高村鄉(ZZGC).并址站選取的原則為水平距離不大于30 km，高程差異不超過100 m (施闖等,2020).

分別對四組并址站點在7月17日0時至7月23日23時期間的PWV變化與小時降雨量進行分析，兩者時間序列如圖5所示.從圖中可以看出，各站點的PWV隨時間均呈現先增后減的整體趨勢，即四個北斗/GNSS站的PWV均在暴雨時段前的7月17日至19日震蕩上升，并在暴雨發生期間保持在高位波動，最終在暴雨發生后的22日至23日逐漸下降.這是由于在暴雨發生前，受臺風“煙花”和“查帕卡”影響，洋面水汽通過東南暖濕氣流向西北輸送，并在測站上空聚集，導致區域內的PWV不斷上升.隨后，區域內的水汽在垂直方向輻合上升并發生相變，絕熱膨脹冷卻凝結成云，從而使水汽含量減少.但由于本次極端暴雨中，外部水汽持續供應，不斷在河南省上空匯聚，使得暴雨發生期間PWV一直維持在高數值水平，從而導致本次極端暴雨的降雨持續時間較長.當外部水汽不再充足供應，PWV數值即表現為下降，強降雨也隨之結束.

同時，從圖中還可以看出大部分極端降雨發生時刻前的1～3 h內PWV會出現短時上升.例如，KFTX站在20日午夜發生超過30 mm·h-1的短時強降雨，而在其發生前2 h，PWV從65 mm上升至70 mm以上(圖5a)；XCJA站在20日上午發生極端降雨，其強度最高達到29 mm·h-1，而在此之前測站上空的PWV從60 mm陡增至65 mm以上(圖5b).以上現象表明暴雨發生前，區域內的水汽快速聚集，成云過程加速且規模擴大，從而導致極端降雨的發生，該現象可為極端降雨預警提供一定參考.

圖5 本次極端暴雨中四個北斗/GNSS站與并址氣象站GNSS-PWV與實測小時降雨量時間序列其中黑線表示PWV，藍色柱表示實測小時降雨量，灰色區域表示暴雨集中發生時期.Fig.5 Time series of hourly PWV and measured hourly precipitation at four BeiDou/GNSS stations with their adjacent meteorologial station during this extreme rainstormThe black lines represent the PWV,while the blue bars represent the measured hourly precipitation.The gray area represents the time period when the extreme precipitaiton occurred.

3.3 極端暴雨中PWV與小時降雨量空間分布

為進一步分析暴雨過程中PWV與小時降雨量的空間分布，利用PWV空間格網數據對本次極端暴雨期間(7月19日至22日)不同時間段PWV與河南省內大范圍、高強度降雨的空間分布進行分析.觀測到強降雨事件氣象站的實測小時降雨量及對應時段內PWV空間分布如圖6所示.其中，圖中第一列和第三列分別表示省內某一時段的PWV空間分布，第二列和第四列給出的是2 h后發生降雨的氣象站小時降雨量監測結果(即小時降雨量大于0).值得說明的是，先前研究表明在強降雨發生前1～3 h內，PWV將達到較高水平(Wang et al.,2015a;Cao et al.,2016;Manandhar et al.,2018).因此本文以間隔2 h為例，分析某一時段PWV和2 h后小時降雨量空間分布的對應情況.為了區分不同的時段，將四天時間內PWV和對應2 h后全省小時降雨量分為8組，每天選擇兩組，分別用(a)至(h)表示.

圖6 本次極端暴雨中河南省部分時段PWV和2 h后實測小時降雨量空間分布的對比圖其中第一列和第三列為PWV空間分布，第二列和第四列為站點2 h后的小時降雨量空間分布.Fig.6 Comparison diagram of spatial distribution of PWV and measured hourly precipitation after two hours within Henan ProvinceThe first and the third column represent the spatial distribution of PWV,while the second and the fourth column represent the spatial distribution of hourly precipitation after two hours.

在空間維度上，從圖中不同時段的結果可以看出本次極端暴雨強降雨主要集中于河南省中部與北部，相應區域的PWV在7月22日前基本保持在60 mm以上，處于較高水平.例如，圖6中(c)組和(d)組分別顯示的是7月20日兩個不同時段的PWV的空間分布及其2 h后小時降雨量.在這兩個時段內，鄭州及其北部的新鄉、焦作三市交界處PWV均達到70 mm的較高數值，水汽含量處于高水平；在這兩個時段的2 h后，強降雨主要分布在河南省中部和北部的鄭州、焦作、新鄉和鶴壁等市，且20日17時鄭州市城區發生了強度達到201.9 mm·h-1的短時強降雨，表明降雨發生位置與PWV高值分布區域一致.

然而，河南省西部區域的降雨強度則相對較低，并且該區域內的PWV數值低于50 mm，處于較低的水平.例如，圖6中(e)組展示的是7月21日4時的PWV空間分布及其2 h后小時降雨量監測結果情況.可以看到，河南省西部區域的PWV數值保持在40 mm左右，遠低于省內其他區域.2 h后，位于西部的三門峽和南陽市僅有小范圍的降雨發生，且小時降雨量小于1 mm.以上結果均說明，本次極端暴雨中的強降雨發生區域與PWV數值大小的空間分布關聯緊密，即當區域內PWV數值較大，水汽含量豐富，降雨強度普遍較高；當區域內PWV數值較小，水汽含量較低，降雨強度也相對較低.

進一步結合圖1b所示的河南省高程分布，可以發現產生不同區域降雨強度差異的原因是水汽輸送受河南省西部山地阻隔，使得西部地區水汽含量相對較低，從而導致降雨強度較弱.一方面，受臺風“煙花”和“查帕卡”影響，東南暖濕氣流向西北方向輸送水汽，在河南省附近形成高強度的水汽輻合區.另一方面，河南省地勢西高東低，西部的伏牛山和西北部的太行山起伏的地形對水汽輸送產生抬升和阻擋作用，當水汽輸送至河南省中部時匯聚堆積，造成PWV西部數值較低，中部和北部數值較高的現象，并且在大氣水汽含量較高區域發生了強降雨事件.

在時間維度上，河南省內所有區域的PWV均呈現先增加后減少的趨勢，這與圖5所示的暴雨發生前后的PWV變化情況相吻合(圖5).7月22日前，全省大部分區域的PWV數值較高，該時段內同樣在全省大部分區域發生強降雨事件.至7月22日，全省中部、東部、南部地區PWV逐漸減小，恢復至50 mm以內，同時這些區域內并未發生強降雨.以上結果綜合表明，結合北斗/GNSS的高時空分辨率PWV空間分布監測，可為極端降雨災害的短臨預報提供科學數據支撐.

4 結論

本文利用北斗/GNSS觀測數據，采用PPP技術和克里金插值方法獲取了“21·7”河南極端暴雨過程中全省PWV空間格網數據；結合氣象站降雨量數據，從時間序列和空間分布兩個方面分析了PWV變化與極端降雨發生之間的關系.結果表明：

(1)通過PPP獲取的北斗/GNSS站PWV與國際權威的全球氣象再分析資料ERA5反演PWV互差均方根(RMS)為3.2 mm；在研究區域內，通過克里金插值獲取的PWV空間格網數據與Radiosonde-PWV互差的RMS為4.6 mm，與ERA5-PWV互差的RMS為4.4 mm，數據精度符合氣象學研究要求.

(2)北斗/GNSS站和并址氣象站的PWV與實測小時降雨量時間序列分析結果表明，本次極端暴雨發生前后測站上空PWV均呈現先增后減的整體趨勢，且暴雨發生時段內PWV維持在較高水平，從而引發了持續性暴雨；同時，在極端降雨發生1～3 h前，PWV多表現為陡增，表明水汽快速聚集，導致短時強降雨的發生.

(3)PWV空間格網數據與實測小時降雨量空間分布分析結果表明，本次極端暴雨中的強降雨發生與區域內PWV大小具有較強對應關系：當區域內PWV數值較大，大氣中水汽含量較多，降雨強度普遍較高；當區域內PWV數值較小，大氣中水汽含量較少，降雨強度也相對較低.不同區域PWV數值差異的原因是河南省地形起伏導致水汽輸送過程受阻，水汽在不同區域的聚集程度不同，進而導致不同區域降雨強度也產生了明顯的差異.

(4)利用高時空分辨率的地基北斗/GNSS觀測站數據，可實現快速、高精度、高分辨率的PWV監測，為極端降雨災害的短臨預報提供科學數據支撐.

致謝感謝河南省測繪工程院提供北斗/GNSS觀測數據、武漢大學衛星導航定位技術研究中心提供WUM軌道鐘差產品 (ftp:∥igs.gnsswhu.cn/pub/)及氣象數據處理平臺GMET(http:∥gmet.users.sgg.whu.edu.cn/)、中國氣象局提供降雨及無線電探空數據 (http:∥data.cma.cn/)、ECMWF提供氣象再分析資料數據(https:∥www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5)以及NASA提供ASTER GDEM數據(https:∥search.earthdata.nasa.gov/search?q=ASTER%20GDEM).