一種基于Emardson-H的GPT3改進模型構建方法

盧厚賢 王榕煒 齊俊杰 李 黎,2 許思怡 董州楠,2

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

全球氣壓溫度(global pressure and temperature,GPT)模型是目前國內外廣泛使用的經驗模型之一[1-4]。該模型考慮了氣壓和溫度的年周期變化,僅輸入時間及坐標即可得到地表任意處的氣壓、溫度、水汽壓和Tm等氣象參數,有效解決了大量GNSS站點缺乏氣象參數的問題。GPT系列模型已成為獲取地表氣象參數的主要方式之一,也是目前最為普及的先驗對流層延遲模型之一[1,3,5],全球許多學者使用并分析了其在不同時空條件下的模型精度和可用性。研究表明,受時空變化影響,GPT系列模型經過一定的函數改進后可在一定區域內減弱周期性偏差,而附帶高程的Emardson-H模型則具有更好的模型精度和適用性[4,6-11]。

本文基于美國懷俄明州立大學提供的探空資料,首先分別分析GPT3模型的氣壓、溫度、水汽壓及加權平均溫度(Tm)等氣象參數偏差的變化規律,再構建一種基于Emardson-H的GPT3改進模型,并將其與原模型進行對比,驗證GPT3改進模型的精度及其在長三角地區的適用性。

1 數據來源及處理方法

1.1 數據來源

本文使用的2015～2019年長三角地區氣象參數均是懷俄明大學提供的探空產品(http:∥weather.uwyo.edu/upperair/),其中2015～2016年GPT3模型與探空資料的偏差用于建立基于Emardson-H的GPT3改進模型,2017～2019年的探空資料用于驗證該模型的精度。

1.2 Tm計算方法

基于數值積分法和探空資料計算Tm,實現步驟簡單且計算精度較高,可作為真值評估GPT3模型及其改進模型的精度。具體計算方法參考文獻[11-14]。

1.3 GPT3模型

基于ECMWF建立的GPT3模型[3]是目前國內外廣泛使用的先驗對流層延遲模型之一,該模型只需提供臺站的近似坐標大地經度、大地緯度、大地高(B,L,H)和年積日(doy)即可獲取必需的氣象參數(http:∥ggosatm.hg.tuwien.ac.at/DELAY/)。計算方法參考文獻[3]。

1.4 Emardson-H建模方法

Emardson等[4]借助K值的時空變化特性,再結合歐洲提供的數10個探空站數據,構建了一種新的K值模型,該模型只與緯度和年積日有關。由于Emardson模型與氣象參數無關,直接利用測站緯度和年積日計算,且精度較好,因此可以很好地運用在實時GNSS水汽反演中,提高實時監測中短期天氣的精度。忽略高程因素影響的Emardson模型公式為:

(1)

式中,K值是指對流層天頂濕延遲與PWV之間的水汽轉換因子。

有研究表明,K值與高程有一定的相關性[7-8]。因此﹐顧及高程因素影響的Emardson-H模型公式為:

(2)

式中,φ為大地緯度,doy為年積日,H為海拔(單位m),a0、a1、a2、a3、a4為模型系數。

2 GPT3模型的精度分析

圖1和2為安慶站與阜陽站2015～2019年使用GPT3模型演算出的氣壓偏差與溫度偏差。由圖可知,GPT3模型的氣壓偏差大多不超過15 hPa,日變化量級處于0～0.1 hPa;氣壓在不同季節偏差不大,但在相同季節可能出現偏差過大的情況。而溫度偏差大部分在±10 K以內,日變化量級處于0～0.1 K,且存在較明顯的季節性周期變化,以春夏為起始,溫度偏差呈類余弦曲線分布。

圖1 2015～2019年安慶站氣壓偏差和溫度偏差

圖2 2015～2019年阜陽站氣壓偏差和溫度偏差

圖3為2015～2019年長三角地區杭州站和南京站的水汽壓偏差時序分布。可以看出,各站水汽壓偏差大部分在±15 hPa以內,日變化量級處于0～0.15 hPa,也呈現出較明顯的季節性周期變化。在夏秋交際與冬春交際時,惡劣天氣發生概率較大,導致部分水汽壓偏差較大。由曲線圖走勢可看出:冬春偏正,夏秋偏負。

圖3 2015～2019年杭州站和南京站的水汽壓偏差

圖4為2015～2019年長三角地區杭州站和南京站Tm偏差時序分布。可以看出,各站Tm偏差大部分也在±15 K以內,日變化量級處于0～0.1 hPa,呈現出的季節性周期變化與溫度類似,以春夏為起始,偏差呈類余弦曲線分布。

圖4 2015～2019年杭州站和南京站的Tm偏差

表1統計了2017～2019年長三角地區各站點氣壓、溫度、水汽壓和Tm的精度。可以看出,其中氣壓的bias均值為-1.15 hPa,RMS均值為5.09 hPa;溫度的bias均值為-0.73 K,RMS均值為3.90 K;水汽壓的bias均值為0.76 hPa,RMS均值為4.01 hPa;Tm的bias均值為-1.17 K,RMS均值為4.54 K。由表可知,水汽壓的數值大部分為正向偏差,而氣壓、溫度和Tm的數值大部分為負向偏差。

表1 2017～2019年GPT3模型氣壓、溫度、水汽壓和Tm精度統計

3 基于Emardson-H的GPT3改進模型構建

3.1 建立模型

通過對比,本文決定使用收斂結果與最終精度都比較優秀的Emardson-H模型建立GPT3改進模型:

(3)

式中,a0、a1、a2、a3、a4為系數,x為年積日,φ為大地緯度,H為海拔,f(x)為氣象參數偏差。

將2015～2016年長三角地區7個站點GPT3模型的氣壓、溫度、水汽壓和Tm等參數偏差分別代入式(3),即可得到關于氣壓、溫度、水汽壓和Tm等偏差的Emardson-H模型系數(表2)。縱向對比擬合系數可知,4個系數差別明顯,說明4類氣象參數的偏差分布各有特征。

表2 2015～2016年氣壓、溫度、水汽壓和Tm等參數偏差的Emardson-H模型系數

3.2 精度分析

利用基于Emardson-H模型建立GPT3改進模型,同時參考探空資料分析改進模型(Improved-GPT3)的精度,并預測2017～2019年各站的氣象參數值,評估改進模型季節性周期偏差的改進效果。限于篇幅,圖5和6僅列出安慶站和阜陽站的氣壓、溫度、水汽壓和Tm偏差分析結果,由圖可知,GPT3改進模型已基本不受季節性周期影響,隨季節的波動變化有所減弱,大部分都維持在±10 hPa和±10 K以內。整體來看,GPT3改進模型的精度明顯提升。

圖6 2017～2019年阜陽站的氣壓、溫度、水汽壓和Tm偏差時序對比

表3為2017～2019年長三角地區各模型的參數精度統計。由表可知,GPT3改進模型的氣壓bias和RMS均值分別為-0.16 hPa和4.64 hPa,比GPT3模型降低了0.99 hPa和0.45 hPa;溫度bias和RMS均值分別為0.23 K和3.53 K,比GPT3模型降低了0.50 K和0.37 K;水汽壓為0.04 hPa和3.73 hPa,比GPT3模型降低了0.72 hPa和0.28 hPa;Tm為-0.48 K和3.27 K,比GPT3模型降低了0.69 K和1.27 K。改進模型各參數精度均有所提升,且Tm精度的改進稍優于其他3類參數。其中,除上海站氣壓RMS的改進不明顯,其他6個站的參數精度均有所提升,可能是由于2017～2019年上海站的探空資料空缺較多,樣本數量較其他站有所減少,導致精度有所欠缺。整體上,基于Emardson-H的GPT3改進模型在平均bias和RMS方面比GPT3模型有更高的精度和可靠性。

表3 2017～2019年長三角地區各模型參數精度統計

表4為2014年長三角地區各模型精度統計,可以看出,GPT3改進模型的氣壓bias和RMS均值分別為-0.19 hPa和4.33 hPa,比GPT3模型降低了1.01 hPa和0.45 hPa;溫度bias和RMS均值分別為-0.29 K和3.67 K,比GPT3模型降低了0.93 K和0.52 K;水汽壓為-0.57 hPa和3.29 hPa,比GPT3模型分別提升0.40 hPa和降低0.16 hPa;Tm為-0.58 K和3.30 K,比GPT3模型降低了0.64 K和0.44 K。改進模型各參數精度均有所提升,且溫度的改進稍優于其他3類參數,其中杭州站、上海站和射陽站氣壓RMS改進不明顯,阜陽站水汽壓RMS改進不明顯。可以看出,基于2015～2016年長三角地區7個探空站數據建立的GPT3改進模型在預測其他年份數據時仍可保持一定的精度。

表4 2014年長三角地區各模型精度統計

4 結 語

由于長三角地區GPT3模型和探空站資料的氣象參數精度存在季節性周期變化,導致氣壓、溫度和水汽壓等參數存在偏差,提出一種基于Emardson-H的GPT3改進模型。結果表明:

1)GPT3模型的各參數偏差呈較明顯的季節性周期變化,以春夏為起始,氣壓偏差呈類正弦曲線分布,溫度、水汽壓和Tm偏差呈類余弦曲線分布,氣壓、溫度、水汽壓和Tm的RMS均值分別為5.09 hPa、3.90 K、4.01 hPa和4.54 K。

2)基于Emardson-H的GPT3改進模型的氣壓、溫度、水汽壓和Tm平均偏差較GPT3模型分別提升0.99 hPa、0.50 K、0.72 hPa和0.69 K,RMS均值分別提升0.45 hPa、0.37 K、0.28 hPa和1.27 K,說明GPT3改進模型精度更優。