顧及氣候類型的區域加權平均溫度模型

劉金濤，呂偉才，肖星星，盧福康

顧及氣候類型的區域加權平均溫度模型

劉金濤，呂偉才，肖星星，盧?？?/p>

（安徽理工大學 空間信息與測繪工程學院/礦區環境與災害協同監測煤炭行業工程研究中心/礦山采動災害空天地協同監測與預警安徽普通高校重點實驗室，安徽 淮南 232001）

針對由于中國土地面積廣闊，氣候類型復雜，大氣加權平均溫度（m）易受氣候類型、緯度和海拔影響的問題，提出一種顧及氣候類型的區域加權平均溫度模型：根據中國區域內分布廣泛的5種氣候類型，利用中國境內73個探空站2007—2015年的探空數據，分區域建立顧及氣候類型及地面氣溫（s）、飽和水汽壓（s）的大氣加權平均溫度模型ET-TM模型；并用2016年的探空數據結合貝維斯（Bevis）模型和GPT-3模型共同驗證ET-TM模型的精度。結果表明：ET-TM模型整體精度高于Bevis模型和GPT-3模型；分區域建立大氣加權平均溫度模型有利于減少緯度和高程對大氣加權平均溫度的影響；對比Bevis模型和GPT-3模型，ET-TM模型更適用于中國區域內的大氣可降水量反演。

大氣可降水量（PWV）；大氣加權平均溫度（m）；氣候類型；水汽反演；殘差擬合

0 引言

全球衛星導航系統（global navigation satellite system，GNSS）是20世紀對人類影響最大的空間信息技術。近年來，利用GNSS導航衛星進行水汽反演有了巨大的進步[1]。大氣加權平均溫度（atmosphericweighted mean temperature，m）是濕延遲向大氣可降水量（precipitable water vapor，PWV）轉換的重要參數，其m精度的高低將直接影響到GNSS水汽反演的精度[2-3]。目前常用的m計算方法主要有2種[4]：一種是利用探空站的水汽壓和氣溫數據積分得到，該方法精度較高[5]；另一種是利用經驗模型計算，如全球壓力和溫度模型（global pressure and temperature model，GPT）GPT-2模型[6]、GPT-3模型[7]等。

文獻[8]首次提出了m的概念，并認為北美地區的m和地面氣溫（s）具有很強的相關性。該模型是基于美國探空站建立的適合中緯度地區的模型；但由于對流層的區域不確定性，該模型應用于其他地區勢必會產生較大的偏差。此后，諸多學者開始分析研究局地m變化規律。文獻[9]利用2015—2018年的探空數據建立了顧及s、飽和水汽壓（s）、海拔、緯度及殘差的BET模型，其精度優于貝維斯（Bevis）模型、GPT3w-1模型和GPT3w-5模型。該模型的偏差（ias）和均方根誤差（ms）抗高程和緯度的能力優于上述3種模型。文獻[10]利用2007—2014年的全球大地測量觀測系統（global geodetic observing system，GGOS）數據建立了一種顧及季節變化以及垂直遞減率的CTm格網模型，且該模型無需氣象因子的輸入。相較于GPT2w模型，該模型在我國地區表現出良好的精度和穩定性。文獻[11]利用2014—2016年的探空數據，在Bevis模型的基礎上加入了高程和季節變化，建立了中國西部地區的新m模型，其在中國西部地區表現出了良好的適用性，受到高程和四季變化的影響較小。文獻[12]利用2015—2017年的中國南部地區的探空數據分別建立了顧及s的m-SC1模型以及顧及s、高程、季節變化和緯度的m-SC2模型，在中國南部地區未表現出明顯的季節性變化，在空間域上有更好的適用性，有效提高了中國南部地區的GNSS水汽反演精度。因此利用長時間序列的氣象資料建立了局地m模型，在提升局地GNSS-PWV反演方面有著重要意義。

中國土地面積廣闊，氣候類型復雜，地勢整體表現為西高東低，依據氣候類型進行m建模不僅僅可以降低氣候對m的影響，還可相應地降低緯度和海拔對m的影響。因此本文顧及氣候類型對m的影響，構建多因子m模型，并對其進行精度評定。

1 數據來源及原理

選擇中國境內的73個探空站（如圖1所示），從2007—2016共10 a的探空數據，采樣時間分別為協調世界時（universal time coordinated，UTC）的0點和12點，探空數據來自美國懷俄明大學。為證明探空數據的完整性，從73個探空站點中隨機選取8個站點計算其數據完整性，結果如表1所示。

圖1 中國部分探空站點分布

表1 部分站點每年的數據完整率 %

2 大氣加權溫度（Tm）模型的建立

2.1 相關性分析

中國陸地面積廣袤，地形氣候復雜，影響m的因素較多。研究表明，大氣加權平均溫度與地面氣溫[14]和水汽壓[15-16]均具有一定的相關性。選取全國73個探空站利用積分法計算出相應的m。以北京探空站為例，探究m與s、s之間的相關性（如圖2所示）。

圖2 Tm與Ts、Es相關性分析

從圖2中可以看出：m與s之間具有線性關系，且隨著s的增加，m也隨之增加，二者呈正相關關系，相關系數為0.838，相關性較高；m與s存在冪關系，相關系數為0.855。因此在m建模的過程中，在Bevis模型的基礎上考慮了s因素。

2.2 Tm模型的建立

熱帶季風氣候、亞熱帶季風氣候、溫帶季風氣候、溫帶大陸性氣候和高山高原氣候是我國主要的5種氣候類型。按照各探空站所屬的氣候類型，將73個探空站進行分類[17]，分類結果如表2所示。利用2007—2015年共9 a的探空數據進行建模，并用2016年的探空數據驗證所建立模型的精度。

表2 各氣候區域內探空站數量

利用73個探空站9 a的數據，采用多元非線性擬合的方法，建立s、s-m多因子的大氣加權溫度模型。

設m函數方程為

式中、、、為待擬合參數。

擬合出的m模型如表3所示。

表3 各氣候區域內的多因子Tm模型

（續）

由表3可知，5種氣候區域的m模型中，m-s、s模型計算的m與探空站積分計算的m相關系數均在0.8以上，擬合效果較好，其中溫帶季風氣候區域內m模型相關系數達到了0.92。

2.3 殘差分析

研究表明，實測獲取的m與m模型之間的殘差具有一定周期性[18]，因此提升m模型的精度不能只考慮氣象因素，還應當考慮到s、s-m模型隨時間的變化關系[19]。如圖3所示，利用快速傅里葉變換（fast Fourier transform，FFT）分析m的周期特性，其能量級數的峰值出現在181和362 d附近。

本文使用具有年周期、半年周期的三角函數來擬合s、s-m模型產生的殘差，將三角函數的值視為季節性修正，避免了計算不同季節的模型參數，并將最終的模型命名為ET-TM模型。

圖3 探空站點時間序列殘差與FFT下的周期特性

設m殘差模型為

式中：oy為年積日；(1)為殘差年均值；(2)、(3)為年周期系數；(4)、(5)為半年周期系數。

具體結果如表4所示。

表4 各氣候類型下的Tm殘差模型系數

最終m模型為

式中m0為s、s-m模型。在利用該模型計算m時，只須輸入s、s和oy，即可得到相應的大氣加權平均溫度。

3 實驗與結果分析

為驗證該模型計算m的精度，將2016年的探空數據積分得到的m作為真實值，驗證該模型的精度。利用平均偏差ias和均方根誤差ms作為精度評價指標，有：

3.1 基于探空數據的模型精度分析

利用73個探空站2016年的探空數據來驗證ET-TM模型的精度，并結合Bevis模型和GPT-3模型進行對比，綜合分析ET-TM模型計算m的性能，并計算各個模型的ias和ms。具體結果如表5所示。

由表5可知：除熱帶季風氣候區和亞熱帶季風氣候區外，Bevis模型年均ias均表現為負偏差，其年均ias分別為1.28、－1.26、－2.32、－5.64、1.22 K；GPT-3模型在5種氣候區域內均表現為正偏差，年平均偏差分別為0.90、0.38、1.54、3.65、0.20 K。因此，Bevis模型和GPT-3模型計算的m在中國區域內存在一定的系統誤差，同時Bevis模型和GPT-3模型在高海拔地區的高山高原氣候區偏差最大。ET-TM模型在中國5種氣候區域的偏差最小為－2.16 K，最大為2.19 K，年平均偏差分別為－0.04、0.03、0.11、0.13、0.35 K，波動較小。Bevis模型的ms在5種氣候區域內分別為3.12、4.32、4.81、6.80、2.98 K；GPT-3模型在5種氣候區域內的ms分別為3.82、4.77、4.99、5.07、2.70 K；ET-TM模型的ms分別為2.67、3.33、3.44、2.68、2.26 K，相對于Bevis模型分別提高了0.45 K(14.4%)、0.99 K(22.9%)、1.37 K(28.5%)、4.12 K(60.6%)、0.72 K（24.16%），相對于GPT-3分別提高了1.15 K (30.1%)、1.44 K(30.2%)、1.55 K(30.1%)、2.39 K (47.1%)、0.44 K（16.30%）。由此可以說明，ET-TM模型在中國5種氣候區域內的精度均優于Bevis模型和GPT-3模型，且涵蓋因素更多、偏差更小。如圖4所示為Bevis模型、GPT-3模型、ET-TM模型的年均ias、ms分布情況，圖中黑點的面積代表其數值大小。

表5 4種氣候區域內3種模型精度對比 K

由圖4可知：在熱帶季風區域，雖然探空站點較少，但仍能看出ET-TM模型要優于Bevis模型和GPT-3模型；Bevis模型在亞熱帶季風區域和溫帶季風區域的南部適用性較好，年均ias在5種氣候區域內較小，在海拔較高的高山高原氣候區域內系統誤差最大，同時在溫帶季風氣候區的北部年均ias較大，由此可見Bevis模型易受到海拔和緯度的影響；GPT-3模型在亞熱帶季風、溫帶季風氣候區域內年均ias較小，在高山高原氣候區域內偏差較大，同樣受到緯度和海拔的影響，且海拔造成的影響明顯大于緯度因素；ET-TM模型考慮到氣候類型對m的影響，按照氣候類型對中國區域進行m建模，這既減小了氣候的影響，又減小了緯度和海拔2種因素的影響，其年均ias在3種模型中最小。從年均ms來看，Bevis模型為單因子模型，僅使用s進行了建模，在中國亞熱帶季風區域內年均ms較小，但在高海拔地區青藏高原區域，年均ms較大，最大為7.62 K，在溫帶季風區域北端，其年均偏差ms部分超過5 K；GPT-3模型在建模時考慮了殘差的季節性變化，其年均ms整體小于Bevis模型，年均ms較大值也出現在高海拔和高緯度地區；ET-TM模型年均ms在3種模型中最小，與Bevis模型相比，最大優勢在于青藏高原地區，ET-TM模型年均ms在青藏高原地區最大值為2.68 K，與GPT-3模型相比，ET-TM模型年均ms相對穩定，波動較小?？傮w來說，ET-TM模型要優于Bevis模型、GPT-3模型。

為了更好地檢驗ET-TM模型的精度及適用性，繪制熱帶季風氣候、亞熱帶季風氣候、溫帶季風氣候、溫帶大陸氣候和高山高原氣候區域內的不同模型的日均ias和日均ms散點圖并進行統計分析，結果如圖5、圖6所示。

由圖5可以看出：ET-TM模型ias在5種氣候類型區域內變化較為平緩，相對穩定，ias總體較小；Bevis模型和GPT-3模型在我國亞熱帶季風區域內適應性較高，但其在建模過程當中未顧及高程因素，造成在青藏高原等高海拔地區產生了較大的偏差。Bevis模型在溫帶季風、溫帶大陸和高山高原氣候區內日均ias表現為春夏季節偏差小，秋冬季節偏差大的特點，存在一定的季節性變化，在3個氣候區域內整體表現為負偏差，而在熱帶季風氣候區域內，其偏差在春冬季節偏差較大，其他時間偏差相對較??；GPT-3和ET-TM模型均考慮了殘差的季節性變化，因此GPT-3模型和ET-TM模型受季節的影響較小，二者日均ias變化趨勢基本相同，但GPT-3模型計算得出的m整體上高于積分法計算的m，在5種氣候區域內均表現為正偏差。

由圖6可知：從ms角度來說，在亞熱帶季風區域內3種模型均未表現出明顯的季節性變化，但在溫帶季風區域內，3種模型的日均ms在夏季偏小，其余時間段較大；在熱帶季風氣候、溫帶大陸性氣候和高山高原氣候區域內，Bevis模型表現出一定的季節性差異，在熱帶季風氣候區域和高山高原氣候區域內較為明顯，全年表現為夏季ms較小，春秋季節ms較大；GPT-3模型的日均ms在熱帶季風區域和溫帶季風區域顯示出一定的季節性變化，在其他3個區域均未出現明顯的季節性變化，但GPT-3模型的日均ms波動較大且不穩定；ET-TM模型日均ms均小于Bevis模型和GPT-3模型，波動范圍小，相對穩定。綜合圖5和圖6可知：從亞熱帶季風氣候到溫帶季風區域，隨著緯度的增加，Bevis模型和GPT-3模型的ias和ms逐漸增大；同時，由亞熱帶季風到高山高原氣候區，隨著海拔的增加，Bevis模型和GPT-3模型的ias和ms也逐漸變大。由此可見，緯度和高程對m模型有著極大的影響，但海拔因素的影響要遠大于緯度因素的影響。ET-TM模型雖未考慮高程和緯度因素的影響，但按照氣候類型劃分區域建模的方法總體上減小了高程和緯度的變化。因此ET-TM模型在全年當中受到季節性影響較小，全年相對平穩，同時受緯度和高程的影響也相對較小。

3.2 Tm對GNSS-PWV反演的精度分析

m模型構建的目的在于應用于GNSS-PWV反演，但在多數情況下，GNSS觀測站與探空站并不共址，因此很難全面可靠地研究m模型對GNSS-PWV反演的影響。目前已有文獻從理論上研究了m對GNSS-PWV反演的影響[20]，本文利用該方法評估ET-TM模型對GNSS-PWV反演的影響，即

式中：p為大氣可降水量PWV的ms；為該區域的大氣可降水量PWV；π為水汽轉換系數的ms；Tm為大氣加權平均溫度的年均ms。利用p/作為表征m對GNSS-PWV反演的影響。

如表6所示為3種模型計算PWV的理論ms和相對誤差。

表6 ET-TM模型、Bevis模型和GPT-3模型計算PWV的理論Rms和相對誤差 mm

（續）

依據表6可知，ET-TM模型的PWV在5種氣候區域內的最大值、最小值分別為0.423、0.086 mm，小于Bevis模型和GPT-3模型，整體上優于Bevis模型和GPT-3模型；從PWV/的結果來看，ET-TM模型在5個區域內的平均值分別為0.009、0.012、0.013、0.01、0.008 mm，相比于Bevis模型和GPT3模型波動更小，展現了ET-TM模型的穩定性。因此該模型可以為中國區域的GNSS-PWV反演提供高精度的m值。

4 結束語

1）本文利用2007—2015年共9 a的探空數據，采用回歸分析方法，建立了適用于中國熱帶季風氣候、亞熱帶季風氣候、溫帶季風氣候、溫帶大陸性氣候和高山高原氣候5種氣候區域下的ET-TM模型；并使用2016年的數據對建立的模型進行了精度分析，得到5種氣候類型下的年均ias和年均ms。

2）ET-TM模型考慮到氣候因素，同時利用與m相關性較高的s和s2個因子對m進行建模，并對殘差序列進行分析。利用該方法進行建模，不僅減小了氣候條件和季節的影響，還在一定程度上減少了緯度和海拔2種因素的影響。

3）通過對PWV、PWV/的分析，ET-TM模型的PWV在5種氣候區域內最大為0.325 mm，最小為0.086 mm，PWV/在5種氣候區域內最大為0.013，最小為0.008，均優于Bevis模型和GPT-3模型。

總體來看，ET-TM模型計算的m精度更高且更可靠，可以更好地滿足中國區域內的GNSS-PWV反演需要，更好地服務于中國GNSS氣象學的研究工作。

[1] 姚歡歡, 黨亞民, 許長輝, 等. 不同氣候類型北斗反演大氣可降水量性能分析[J]. 測繪科學, 2022, 47(10): 21-28.

[2] 黃良珂, 吳丕團, 王浩宇, 等. 中國西南地區GPS大氣水汽轉換系數模型精化研究[J]. 大地測量與地球動力學, 2019, 39(3): 256-261.

[3] 侯曉玲, 熊永良. 川渝地區大氣加權平均溫度模型優化[J]. 導航定位學報, 2023, 11(4): 63-69.

[4] 謝劭峰, 張繼洪, 王義杰, 等. 大氣加權平均溫度垂直遞減率時空特性分析[J]. 大地測量與地球動力學, 2023, 43(6): 593-599.

[5] 鄭磊. 顧及季節變化的西南地區大氣加權平均溫度模型[J]. 導航定位學報, 2021, 9(4): 98-103.

[6] LAGLER K, SCHINDELEGGER M, B?HM J, et al. Gpt2: Empirical slant delay model for radio space geodetic techniques[J]. Geophysical Research Letters, 2013, 40(6): 1069-1073.

[7] Landskron Daniel, Bohm Johannes. Vmf3/gpt3: Refined discrete and empirical troposphere mapping functions[J]. Journal of Geodesy, 2018, 92(4): 349-360.

[8] BEVIS M, BUSINGER S, HERRING T A, et al. GPS meteorology: Mapping zenith wet delays onto precipitable water[J]. Journal of Applied Meteorology, 1994, 33(3): 379-386.

[9] 李浩杰, 劉立龍, 黃良珂, 等. 顧及多因子影響的中國區域T_m模型精化研究[J]. 大地測量與地球動力學, 2022, 42(4): 393-397.

[10] 黃良珂, 彭華, 劉立龍, 等. 顧及垂直遞減率函數的中國區域大氣加權平均溫度模型[J]. 測繪學報, 2020, 49(4): 432-442.

[11] 莫智翔, 黎杏, 黃良珂, 等. 顧及多因子影響的中國西部地區大氣加權平均溫度模型精化研究[J]. 大地測量與地球動力學, 2021, 41(2): 145-151.

[12] 廖發圣, 黃良珂, 劉立龍, 等. 中國南部地區大氣加權平均溫度模型精化研究[J]. 大地測量與地球動力學, 2022, 42(1): 41-47.

[13] 羅宇, 羅林艷, 呂冠儒. 加權平均溫度模型對GPS水汽反演的影響[J]. 測繪科學, 2018, 43(9): 6-9, 15.

[14] Ding M. A neural network model for predicting weighted mean temperature[J]. Journal of Geodesy, 2018, 92(10): 1187-1198.

[15] 王皓, 趙興旺. 香港地區大氣加權平均溫度建模與研究[J]. 全球定位系統, 2019, 44(1): 119-124.

[16] 王瀚弘, 魏冠軍, 張幸, 等. 蘭州地區區域加權平均溫度模型構建方法研究[J]. 導航定位學報, 2022, 10(1): 90-96, 129.

[17] 中華人民共和國氣候圖集編委會. 中華人民共和國氣候圖集[M]. 第1版. 北京: 氣象出版社, 2002.

[18] Yao Y, Zhang B, Xu C, et al. Improved one/multi-parameter models that consider seasonal and geographic variations for estimating weighted mean temperature in ground-based gps meteorology[J]. Journal of Geodesy, 2014, 88(3): 273-282.

[19] 張迪, 袁林果, 黃良珂, 等. 澳大利亞區域大氣加權平均溫度建模[J]. 武漢大學學報（信息科學版）, 2022, 47(7): 1146-1153.

[20] Huang Liangke, Jiang Weiping, Liu Lilong, et al. A new global grid model for the determination of atmospheric weighted mean temperature in gps precipitable water vapor[J]. Journal of Geodesy, 2019, 93(2): 159-176.

Regional weighted average temperature model considering climate types

LIU Jintao, LYU Weicai, XIAO Xingxing, LU Fukang

（School of Geomatics/Coal Industry Engineering Research Center of Mining Area Environmental and Disaster Cooperative Monitoring/Key Laboratory of Aviation-Aerospace-Ground Cooperative Monitoring and Early Warning of Coal Mining-Induced Disasters of Anhui Higher Education Institutes, Anhui University of Science and Technology, Huainan, AnHui 232001, China）

Aiming at the problem that the atmospheric weighted mean temperature (m) is susceptible to the influence of climate type, latitude and altitude due to the vast land area and complex climate types in China, the paper proposed a regional weighted average temperature model considering climate types: according to the five climate types widely distributed in China, based on the sounding data of 73 sounding stations in China from the year of 2007 to 2015, an atmospheric weighted average temperature model ET-TM model considering climate types, surface air temperature (s) and saturation water vapor pressure (s) was established in different regions; and the accuracy of the ET-TM model was verified by the sounding data of 2016 combined with Bevis model and GPT-3 model. Results showed that the overall accuracy of ET-TM model would be higher than that of Bevis model and GPT-3 model; and the establishment of atmospheric weighted average temperature model by region would be helpful to reduce the influence of latitude and elevation on atmospheric weighted average temperature; furthermore, compared with Bevis model and GPT-3 model, the ET-TM model could be more suitable for the retrieval of atmospheric precipitable water in China.

precipitable water vapor (PWV); atmospheric weighted mean temperature (m); climate type; water vapor retrieval; residual fitting

劉金濤，呂偉才，肖星星，等. 顧及氣候類型的區域加權平均溫度模型[J]. 導航定位學報, 2023, 11(6): 119-128.（LIU Jintao, LYU Weicai, XIAO Xingxing, et al. Regional weighted average temperature model considering climate types[J]. Journal of Navigation and Positioning, 2023, 11(6): 119-128.）DOI:10.16547/j.cnki.10-1096.20230615.

P228

A

2095-4999(2023)06-0119-10

2023-03-02

2021年度安徽省重大科技專項（202103a05020026）；2021年度安徽省重點研究與開發計劃項目（202104a 07020014）；安徽省自然科學基金項目（2008085MD114）。

劉金濤（1998—），男，山東青島人，碩士研究生，研究方向為GNSS數據處理。

呂偉才（1965—），女，山東青島人，博士，教授，研究方向為現代測量數據處理、GNSS測量與數據處理。