氣象參數對地基GNSS反演水汽的影響探討

王開通

(中國鐵路設計集團有限公司，天津 300142)

1 概述

自地基GNSS氣象學提出以來[1]，利用GNSS遙感大氣水汽含量，一般是將天頂對流層延遲作為待估參數，與待測站點的大地坐標、整周模糊度、衛星和接收機鐘差同時解算。大氣參數的先驗值通常由地面氣象數據得到，或者由水汽輻射計測量得到，再將天頂對流層延遲的殘差作為附加參數在平差中估計。宋淑麗等使用上海綜合GPS應用網對GPS數據處理中影響天頂延遲參數的因素進行深入分析，并對實時處理過程中出現的端部效應等問題進行研究[2]；張雙成等對軌道誤差、大洋負荷、天線相位中心偏差及映射函數的選取對大氣可降水量估計的影響進行分析[3]；在GPS反演近實時水汽方面，SHOJI將精密單點定位理論和方法運用到近實時水汽驗證，結果表明，利用精密星歷的IGU預報星歷和衛星鐘差不能滿足實時反演PWV的精度要求[4]；張小紅等采用快速精密星歷和快速精密鐘差將反演后的GPSPWV值與NOAA提供的實時PWV序列進行比較，兩者的平均偏差小于0.5 mm，均方根誤差優于1.3 mm[5]；李黎等利用估計衛星軌道和鐘差反演ZTD，其結果對于暴雨短時預報有一定指示作用[6]。以上研究均為GPS數據處理范疇內的研究，主要是在控制衛星高度截止角度、海洋潮汐、天線相位中心偏差、衛星軌道等外部誤差源的基礎上討論GPSPWV結果的精度。另外，于勝杰等利用2003～2006年無線電探空數據，對高程的相關性進行改進[7]；王曉英等利用香港2003以后6年的探空數據，并將地面溫度、氣壓、水汽壓等因素充分考慮在內，運用統計回歸分析的方法，得到Tm與地面氣象參數之間的線性關系[8]；姚宜斌等利用我國78個地面無線電探空站數據推算出Tm與Ts之間存在非線性函數關系，并給出適用于我國利用Ts計算Tm的非線性公式[9]。以上研究主要是精確求定GNSS遙感水汽轉換系數(Π)中的Tm。目前，通常采用分段線性法來獲得測站的天頂總延遲(ZTD)，再從中減去天頂靜力學延遲(ZHD)，得到天頂濕分量延遲(ZWD)。為求取氣象學中可降水量(PWV)，再將天頂濕分量延遲乘以轉換系數(Π)。不難看出，以上4個參數的求得都與氣象參數緊密相關，為進一步分析氣象參數對地基GNSS遙感大氣水汽含量的影響，通過氣壓等氣象參數對GNSS遙感PWV和ZWD的結果進行分析，并通過與GNSS并址的水汽輻射計進行比較，以期得到一些有益的結論。

2 地基GNSS遙感水汽過程

通常條件下，GNSS信號穿過大氣層到達地面接收機并不是沿天頂方向，為獲得天頂方向延遲量，需將斜路徑延遲量投影到天頂方向，有

z(e)=ZHDmh(e)+ZWDmw(e)

(1)

式中，z(e)為斜路徑上的對流層延遲；mh(e)和mw(e)分別為靜力學映射函數和濕映射函數。天頂靜力學延遲(ZHD)占大氣總延遲的90%，可以用模型進行模擬，常用的模型有Saastamoinen、Hopfield和Black模型。Saastamoinen模型計算ZHD的公式為

(2)

f(θ，H)=1-0.002 66cos2θ-0.000 28

(3)

式中，Ps為測站表面的大氣壓；θ為測站緯度；H為測站大地高。

在地基GNSS反演大氣水汽含量時，國際上高精度定位軟件(GAMTI、BERNESE和GIPSY)通常采用一定步長的離散隨機過程表示對流層隨時間的變化，即利用分段線性法精確的求得ZTD。基于以上ZTD、ZHD的獲得方法，有

由ZWD乘以轉換系數Π，便可求得測站天頂方向上大氣中的水汽全部凝結成水所產生的降雨量(PWV)，在不考慮精度的條件下，轉換系數取0.15，其計算式為

PWV=Π×ZWD

(5)

(6)

(7)

3 氣壓對PWV影響

國內外相關學者將氣壓對天頂對流層延遲以及PWV的影響從理論上做過大量分析，一般情況下，100 Pa的氣壓誤差能引起2.3 mm的ZHD誤差，進而引起0.4 mm的PWV誤差。部分學者通過地面實測氣壓參數，通過內插的方法得到GNSS測站的氣壓參數，40 Pa的氣壓誤差可以將由氣壓造成的PWV誤差訂正到亞毫米級。

為從實驗結果統計角度直接分析氣壓對PWV的影響，選取IGS監測網中位于中國武漢的WUHN和北京的BJFS兩個測站并進行實驗，處理2013年和2014年的高精度PWV及氣壓數據(見圖1)。

圖1 WUHN和BJFS站點可降水量與氣壓的時間序列

由圖1可知，通過以上2個站點2年的時間序列，氣壓P和PWV隨時間周期變化，當P達到峰值時，PWV亦對應著峰值，且呈現相反的關系。在圖1(a)中的BJFS測站，P值在980～1 030 Pa區間且抖動較小，這是由測站的地理位置所決定的，對應的PWV值在0～65 mm區間變化。分析發現，平均大氣壓強每下降100 Pa，對應的PWV下降1.055 mm，這對高精度近實時的水汽反演具有重要影響。在武漢測站，P值在990～1 030 Pa區間且抖動大，對應的PWV值在10～85 mm區間變化。這個與兩個站點實際降雨情況完全吻合。

為進一步得到P與PWV的關系，由圖2中HTV5站點的2年觀測數據顯示，2014年，年積日為229天當地的氣壓有一次明顯的跳變，最低值達到了902.5 Pa，而PWV相應的與也有一次跳變，最高值達到了86.8 mm。通過以上的分析，氣象參數對PWV不僅隨時間呈周期性變化，同時也對應著PWV的劇烈變化。由此可見，氣象參數在GNSS遙感大氣水汽含量具有至關重要的作用。

圖2 HTV5站點可降水量與氣壓的時間序列

4 氣象參數對ZWD的影響

氣象參數的微小變化對GNSS遙感大氣有著顯著的影響，故由于氣象參數所帶來的影響需要進一步分析。GPT(Global Pressure and Temperature)模型是基于九次九階球諧函數而建立的經驗模型，將測站的坐標和年積日為輸入參數，可大幅降低氣壓參數的估計偏差；歐洲中尺度預報中心(ECMWF)的數值天氣再分析資料通過同化地面觀測、高空觀測、衛星反演等資料得到的全球格網點氣象資料，以及該資料構建的動態映射函數VMF1和GMF，成為現階段研究領域的重要資源；另外當地氣象觀測文件(RNX)也是重要的氣象參數來源。

為詳細分析參數對PWV的影響，選取與GNSS并址的水汽輻射計站點SA10年積日(145 d、146 d)的觀測數據，以獲得天頂對流層的絕對延遲量，同時選取均勻分布在SA10周圍5個距離長于500 km的IGS測站(AHID、ALBH、BLYN、DRAO、HOLB)進行組網解算，采用高精度GNSS處理軟件GAMIT，并與當地并址的水汽輻射計數據進行檢核，軟件參數設置見表1。

表1 GAMIT參數設置

在映射函數選取方面，由于GMF是在VMF1模型基礎上構建的映射函數，兩者精度相當，為避免由于映射函數對解算結果的影響，只使用GMF與VMF1映射函數[10-11]。基于以上的分析，選用表2中的4種方案來獲得ZWD。

表2 解算方案

對b、d方案進行比較，以檢驗模型GMF和VMF1誤差對ZWD的影響，b、d方案同為使用RNX地面氣象觀測資料得到ZWD。結果發現，兩者之間差值最大為0.2 mm，平均偏差為0.03 mm，均方差偏差為0.075 mm(見圖3)。由此可見，由于映射函數所能帶來的模型誤差可以忽略不計。同時，兩者均為由氣象參數計算得到的結果，說明在GNSS反演的過程中，其主要受到輸入氣象參數的影響，與使用的模型關系不大[12-15]。

圖3 b與d方案解算ZWD之差

為檢驗GNSS反演得到ZWD數據的可靠性，計算兩者的相關系數，同時將其與WVR的觀測得到的結果作差值，得到均方根誤差，見表3。

表3 4種方案的相關系數和均方根誤差

由表3可知，方案b、d與WVR觀測的擬合效果最好，尤其是在20～25 h過程中，ZWD達到一次峰值，只有方案b、d能反映此次變化，且方案d的相關系數最高，方案c次之，且均優于方案a，說明了氣象參數的擬合效果最好，而使用GPT全球溫壓模型的相關系數最小，擬合效果最差。這是由于GPT為經驗模型，對于氣象參數的變化不敏感，不能很好地反映近實時的水汽變化情況[16-19]。方案c的VMF1模型利用ECMWF的6 h分辨率等數據，對于氣象變化的敏感性要強于GPT模型。GPT模型的均方根誤差最小，也證明GPT模型不敏感。

圖4中，b、d方案的均方根誤差大、抖動量小，且存在10 mm的系統偏差，這是由于測站地面氣象數據不能代表高空的氣象數據，由此導致GNSS遙感大氣水汽與實測的WVR之間存在一個系統偏差。這一點可以從圖5看出，a、c方案不能實時反映天頂對流層的變化，由此說明地面氣象參數的輸入對GNSS實時反演大氣水汽具有不可替代的作用，在沒有地面氣象參數的條件下，可以選擇ECMWF資料代替。同時根據式(5)，在不考慮精度的條件下，取轉換系數Π為0.15，由不同氣象參數而計算得到的PWV值可以保持在1.38～1.84 mm范圍內，可以滿足GNSS遙感大氣水汽的精度要求。

圖4 4種方案與WVR得到ZWD時間序列

圖5 4種方案與WVR之差的時間序列

5 結語

從GNSS探測大氣水汽的原理出發，重點討論氣象參數對GNSS手段遙感大氣水汽的精度影響，并利用實測的數據進行對比分析，得到的結論如下。

(1)大氣壓強參數作為地基GNSS探測大氣水汽的重要誤差來源，即使變化很小也能引起PWV的很大偏差，尤其是在天氣劇烈變化過程中，其影響不能忽略，在實時的GNSS反演水汽過程中，應對地面的氣象參數進行精密監測。

(2)使用地面氣象觀測文件作為輸入參數，計算得到的ZWD與實際ZWD之間存在一個系統偏差，這是因為由地面觀測得到的是測站高程上的氣象資料，而需要估計的天頂延遲與PWV均為測站到高空整個空間的變化。

(3)對于不同的氣象參數，測站氣象資料能與當地天頂濕分量延遲較好擬合，但需附加一定的系統偏差改正，GPT模型作為一個經驗模型，不能有效探測天頂對流層延遲參數發生較大變化，而ECMWF資料介于兩者之間。

(4)GNSS是測繪領域重要的測量方法和手段，影響其精度的因素主要有對流層和電離層延遲、高度截止角度、海洋潮汐、天線相位中心偏差、衛星軌道、整周模糊度，衛星和接收機鐘差等。在顧及以上影響因素的前提下，可以獲取更為準確的GNSS定位及大氣反演結果。