GPT3模型反演GNSS大氣可降水量精度評(píng)定

蔡 猛 劉立龍,2 黃良珂 莫智翔 黃東桂 李浩杰

1 桂林理工大學(xué)測(cè)繪地理信息學(xué)院，桂林市雁山街319號(hào)，541006 2 廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室，桂林市雁山街319號(hào)，541006

大氣水汽是對(duì)流層的重要組成之一，其變化與降水直接相關(guān)。大氣可降水量PWV是單位面積空氣柱里含有的水汽總數(shù)量，通常用來(lái)反映對(duì)流層中大氣水汽的分布和變化。傳統(tǒng)的大氣水汽探測(cè)方法主要包括無(wú)線電探空站、微波輻射計(jì)、雷達(dá)觀測(cè)和衛(wèi)星遙感等，但由于費(fèi)用昂貴，且時(shí)空分辨率低，這些方法離監(jiān)測(cè)和預(yù)報(bào)中小尺度災(zāi)害性天氣的要求還有很大差距。地基GNSS能較好地彌補(bǔ)傳統(tǒng)大氣水汽探測(cè)在時(shí)空分辨率上的不足，并提供精細(xì)化氣象預(yù)報(bào)所需要的高精度、近實(shí)時(shí)的大氣水汽資料，已逐漸成為獲取大氣水汽的主要方法[1-6]。然而，使用地基GNSS反演大氣水汽時(shí)需要獲取地面氣壓和氣溫等氣象數(shù)據(jù)，但大部分GNSS觀測(cè)站未配備氣象傳感器。因此，本文探討利用GPT系列模型的最新模型GPT3[7]提供的氣象參數(shù)來(lái)反演PWV，并選用探空站資料驗(yàn)證該模型的有效性。

1 數(shù)據(jù)來(lái)源及計(jì)算方法

1.1 數(shù)據(jù)來(lái)源

探空站資料可提供每天00:00和12:00的實(shí)測(cè)地表及分層氣象數(shù)據(jù)，數(shù)據(jù)可從美國(guó)懷俄明州立大學(xué)網(wǎng)站(http:∥weather.uwyo.edu/upperair/sounding.html)下載。中國(guó)大陸構(gòu)造環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)(CMONOC)提供的GNSS觀測(cè)數(shù)據(jù)可通過(guò)中國(guó)地震局GNSS數(shù)據(jù)產(chǎn)品服務(wù)平臺(tái)(http:∥www.cgps.ac.cn)獲取。本文選用2017～2018年49個(gè)GNSS站和與其并址的探空站數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，站點(diǎn)位置見(jiàn)圖1。

圖1 GNSS站與探空站分布Fig.1 Distribution of GNSS stations and radiosonde stations

1.2 GNSS PWV反演計(jì)算

GPT3模型的表達(dá)式為：

式中，r(t)為模型估計(jì)的大地水準(zhǔn)面處的氣象參數(shù)函數(shù)；doy為年積日；A0為年平均振幅；A1、B1和A2、B2分別為年周期和半年周期參數(shù)。GPT3模型僅需輸入測(cè)站位置和年積日即可輸出氣壓、氣溫、Tm等氣象參數(shù)。本文利用GPT3模型計(jì)算出49個(gè)探空站和49個(gè)GNSS站處的氣壓、氣溫和Tm。因探空站采用海拔高，GNSS站采用大地高，故使用EGM2008模型統(tǒng)一高程[8]。

首先利用GNSS觀測(cè)數(shù)據(jù)解算對(duì)流層天頂總延遲量(ZTD)，再根據(jù)Saastamoinen模型[9]計(jì)算天頂靜力延遲量(ZHD)，將其從天頂總延遲中減去，從而得到天頂濕延遲(ZWD)。最后利用ZWD與PWV轉(zhuǎn)換系數(shù)K計(jì)算得到PWV：

PWV=K·ZWD

(2)

(3)

式中，ρw=1×103kg/m3為液態(tài)水的密度；Rv=461.495 J/(kg·K)為水汽氣體常數(shù)；k′2、k3為大氣物理參數(shù)，經(jīng)驗(yàn)值通常為22.13±2.20 K/hPa、(3.739±0.012)×105K/hPa。采用Bevis經(jīng)驗(yàn)公式Tm=70.2+0.72Ts計(jì)算Tm，其中，Ts為地表溫度。

2 精度評(píng)估

采用偏差(bias)與均方根誤差(RMSE)為評(píng)估指標(biāo)，以12 h時(shí)間分辨率的探空站資料中的氣壓、氣溫和Tm數(shù)據(jù)為參考值，評(píng)估GPT3模型的氣壓、氣溫和Tm的精度：

(4)

(5)

2.1 GPT3模型計(jì)算氣溫、氣壓的精度評(píng)估

用GPT3-1和GPT3-5分別表示1°和5°分辨率的GPT3模型，每個(gè)站上氣壓和氣溫的bias和RMSE見(jiàn)圖2，bias和RMSE統(tǒng)計(jì)結(jié)果見(jiàn)表1、2。

圖2 利用探空站檢驗(yàn)GPT3模型氣壓和氣溫的bias和RMSE分布Fig.2 Distribution of bias and RMSE values of air pressure and temperature obtained from GPT3 tested by radiosonde stations

表1 氣壓精度統(tǒng)計(jì)Tab.1 Accuracy statistics of air pressure

由圖2可知，GPT3-1和GPT3-5模型氣壓在中國(guó)西部出現(xiàn)較大bias的情況比其他地區(qū)多，并且在中國(guó)東北地區(qū)和西北地區(qū)均表現(xiàn)出較大的年均RMSE；GPT3-1和GPT3-5模型氣溫在中國(guó)西部地區(qū)不僅表現(xiàn)出較大bias，而且也表現(xiàn)出較大的年均RMSE，其原因可能是西部地區(qū)地形起伏較大。

由表1可知，GPT3-1模型的氣壓bias均值為0.73 hPa，最大值與最小值之差為4.72 hPa，氣壓RMSE均值為4.21 hPa，最大值與最小值之差為4.1 hPa；而GPT3-5模型的氣壓bias和RMSE均值比GPT3-1模型分別高0.35 hPa和0.14 hPa，說(shuō)明GPT3-1模型的氣壓精度比GPT3-5模型更優(yōu)。

由表2可知，GPT3-1模型的氣溫bias均值為1.34 K，最大值與最小值之差為5.32 K，氣溫RMSE均值為3.75 K，最大值與最小值之差為4.41 K；GPT3-5模型的氣溫bias和RMSE均值與GPT3-1模型接近。

表2 氣溫精度統(tǒng)計(jì)Tab.2 Accuracy statistics of temperature

表1、2說(shuō)明，GPT3-1模型的氣溫和氣壓精度優(yōu)于GPT3-5模型。

2.2 GPT3模型計(jì)算Tm的精度評(píng)估

同樣采用中國(guó)地區(qū)2017～2018年49個(gè)與GNSS站并址的探空站提供的Tm作為參考值來(lái)評(píng)價(jià)GPT3模型Tm的精度，并統(tǒng)計(jì)GPT3模型Tm的bias和RMSE，結(jié)果見(jiàn)圖3和表3。

圖3 利用探空站檢驗(yàn)GPT3模型Tm的bias和RMSE分布Fig.3 Distribution of bias and RMSE values of Tm obtained from GPT3 model tested by radiosonde stations

表3 Tm精度統(tǒng)計(jì)Tab.3 Accuracy statistics of Tm

由圖3可以看出，GPT3-1和GPT3-5模型高bias主要出現(xiàn)在中國(guó)西部地區(qū)，其他地區(qū)bias較小。2種模型在中國(guó)北部及西南地區(qū)的RMSE高于南部低緯度地區(qū)，其主要原因是西部地區(qū)地形起伏大、北部地區(qū)存在顯著的Tm日均周期，而在南部低緯度地區(qū)和東南部地區(qū)，Tm的變化振幅低于中緯度地區(qū)，有利于對(duì)Tm進(jìn)行精確模型化[10-11]。

由圖3和表3可知，GPT3模型在中國(guó)區(qū)域表現(xiàn)出顯著的負(fù)偏差，且主要集中于西部地區(qū)。說(shuō)明GPT3模型估算的Tm值在多數(shù)西部地區(qū)測(cè)站上要低于探空站計(jì)算的Tm值。這是由于GPT3模型在計(jì)算Tm時(shí)沒(méi)有考慮高程改正[3]，導(dǎo)致在地形起伏相對(duì)較大的西部地區(qū)產(chǎn)生顯著的負(fù)偏差。GPT3-5和GPT3-1模型的bias均值分別為-1.91 K和-1.67 K，最大值分別為1.99 K和0.70 K，說(shuō)明GPT3-1模型比GPT3-5模型更穩(wěn)定；GPT3-5和GPT3-1模型的RMSE均值分別為4.39 K和4.15 K，也表明GPT3-1模型的性能要優(yōu)于GPT3-5模型。

為了進(jìn)一步分析2種模型Tm的精度，對(duì)49個(gè)站的bias和RMSE進(jìn)行統(tǒng)計(jì)，結(jié)果見(jiàn)圖4。

圖4 Tm的bias和RMSE分布直方圖Fig.4 Histogram of bias and RMSE of Tm

由圖4可知，GPT3模型的2種分辨率均呈現(xiàn)出明顯的負(fù)bias，其中GPT3-5模型的bias變化更為顯著，說(shuō)明GPT3-1模型比GPT3-5模型更穩(wěn)定。同時(shí)，GPT3-1模型的RMSE分布要比GPT3-5模型集中，表明GPT3-1模型的性能要比GPT3-5模型好。

2.3 基于GPT3模型的GNSS反演PWV的精度分析

由上述分析可知，GPT3-1模型的精度和性能優(yōu)于GPT3-5模型，因此下文選用GPT3-1模型來(lái)反演PWV并進(jìn)行精度分析。

為分析不同區(qū)域基于GPT3-1模型2種方案(GPT3-1模型提供的氣溫結(jié)合Bevis經(jīng)驗(yàn)公式計(jì)算得到Tm(Bevis-PWV)和GPT3-1模型提供的Tm(GPT3-PWV))反演的PWV與探空站利用實(shí)測(cè)地表溫度反演的PWV(TKZ-PWV)的偏差，選取SXTY、HBES、SCGZ、XJKC等4個(gè)GNSS站(分別代表北方、南方、青藏、西北地區(qū))2018年數(shù)據(jù)進(jìn)行分析，結(jié)果見(jiàn)圖5。圖6為GPT3-1模型2種方案反演的PWV與探空站反演的PWV的差值時(shí)間序列(GPT3-TKZ表示利用GPT3模型Tm反演的PWV與探空站反演的PWV差值，GPT3B-TKZ表示采用GPT3模型提供的氣溫結(jié)合Bevis經(jīng)驗(yàn)公式得到的Tm反演的PWV與探空站反演的PWV差值)。

圖5 SXTY、HBES、SCGZ和XJKC站PWV時(shí)間序列Fig.5 PWV time series at SXTY, HBES, SCGZ and XJKC stations

圖6 SXTY、HBES、SCGZ和XJKC站GPT3模型反演的PWV與探空站反演的PWV的偏差Fig.6 Bias of PWV derived from radiosondes with respect to GPT3 model-derived PWV at SXTY, HBES, SCGZ and XJKC stations

由圖5可知，Bevis-PWV、GPT3-PWV與TKZ-PWV的整體變化趨勢(shì)基本吻合，具有很好的一致性，利用GPT3模型2種方法反演的PWV精度相當(dāng)。由于我國(guó)夏季氣候溫暖濕潤(rùn)，PWV表現(xiàn)出明顯的季節(jié)性變化，其峰值一般出現(xiàn)在6～9月。其中，HBES站位于我國(guó)南方，水汽含量大，因而其PWV明顯高于其他3個(gè)站。由圖6可知，除HBES站外，2種方法反演的PWV與探空站反演的PWV之間的差值主要集中在5 mm以內(nèi)。同時(shí)，這些差值的時(shí)間序列也表現(xiàn)出與PWV相似的季節(jié)性變化，其峰值出現(xiàn)在6～9月，表明該時(shí)期水汽變化劇烈。另外，由于GNSS站和探空站的位置存在距離，差值之間會(huì)出現(xiàn)一些異常值。

圖7為2018年與探空站并址的49個(gè)GNSS站利用2種方法反演出的PWV與探空站推導(dǎo)的PWV之間的RMSE。為便于比較，將中國(guó)區(qū)域分為4大地區(qū)(北方、南方、青藏、西北)，同一地區(qū)測(cè)站放在一起。由圖7可知，在大多數(shù)站點(diǎn)，GPT3-PWV、Bevis-PWV與TKZ-PWV之間的RMSE接近且部分幾乎相等，說(shuō)明2種方法反演的PWV的精度相當(dāng)。由于中國(guó)南方地區(qū)氣候溫暖濕潤(rùn)，位于南方地區(qū)的多數(shù)站點(diǎn)的RMSE大于3 mm；少數(shù)位于北方地區(qū)的測(cè)站存在RMSE大于3 mm的情況，主要是由于這些站靠近海邊，水汽含量和變化較大。相比之下，青藏地區(qū)和西北地區(qū)由于海拔高、氣候干燥，其RMSE低于3 mm。由表4可知，基于GPT3模型反演的PWV精度在青藏和西北地區(qū)優(yōu)于南方和北方地區(qū)，但北方和南方地區(qū)多數(shù)站點(diǎn)也能滿足氣象學(xué)應(yīng)用要求[12]。

圖7 基于GPT3模型反演出的PWV與探空站推導(dǎo)的PWV之間的RMSEFig.7 RMSE of GPT3 model-derived PWV with respect to radiosonde station-derived PWV

表4 中國(guó)不同地區(qū)PWV的RMSE統(tǒng)計(jì)Tab.4 RMSE statistics of PWV in different areas in China

3 結(jié) 語(yǔ)

本文利用中國(guó)地區(qū)2017～2018年49個(gè)與GNSS站并址的探空站數(shù)據(jù)對(duì)GPT3模型的氣壓、氣溫和Tm進(jìn)行精度分析，并將GPT3模型提供的氣象參數(shù)應(yīng)用于GNSS水汽反演，結(jié)果表明：

1)與49個(gè)探空站實(shí)測(cè)的氣壓、氣溫相比，GPT3-1模型的氣壓和氣溫bias均值分別為0.73 hPa和1.34 K，RMSE均值分別為4.21 hPa和3.75 K；GPT3-5模型的氣壓和氣溫bias均值分別為1.08 hPa和1.31 K，RMSE均值分別為4.35 hPa和3.81 K。總體而言，GPT3-1和GPT3-5模型氣溫和氣壓在南方地區(qū)的精度優(yōu)于北方地區(qū)和西部地區(qū)，并且GPT3-1模型優(yōu)于GPT3-5模型。

2)GPT3-1模型Tm的精度和穩(wěn)定性優(yōu)于GPT3-5模型。相對(duì)于南方地區(qū)，GPT3模型估算的Tm在北方地區(qū)和西部地區(qū)表現(xiàn)出較大的誤差，可能是受地形起伏大和顯著的Tm日周期變化影響。

3)利用GPT3-1模型提供的氣溫結(jié)合Bevis經(jīng)驗(yàn)公式得到的Tm反演的PWV和GPT3-1模型提供的Tm反演的PWV與探空站推導(dǎo)的PWV呈現(xiàn)出較好的一致性，且2種方法反演精度相當(dāng)。總體而言，南方和北方地區(qū)站點(diǎn)反演的PWV的RMSE要大于青藏和西北地區(qū)，因而GPT3模型在青藏和西北地區(qū)反演大氣水汽的精度更高，但北方和南方地區(qū)多數(shù)站點(diǎn)精度也能滿足氣象學(xué)應(yīng)用要求。