廈門市臺風事件CORS站網數據水汽反演及分析

王洪 賴杰 亓信玖

DOI：10.16783/j.cnki.nwnuz.2024.01.013

收稿日期：20230902;修改稿收到日期：20231230

基金項目：福建省自然科學基金資助項目（2020J01356）；龍巖學院博士啟動項目（LB2018038）

作者簡介：王洪（1978—），男，黑龍江綏化人，副教授，博士研究生.主要研究方向為GNSS測量與數據處理、工程測量.

Email：wanghong313@lyun.edu.cn

*通信聯系人，女，四川瀘州人，本科.主要研究方向為GNSS測量與數據處理.

Email：2511302136@qq.com

摘要：針對廈門市3次臺風事件，利用廈門市連續運行參考站（CORS）的GNSS觀測數據，使用 PANDA軟件進行解算，反演出大氣可降水量（PWV），將獲取的ERA5再分析數據與反演出的PWV數據進行對比分析，在此基礎上分析廈門市受臺風影響期間GNSS-PWV變化特征與實際降雨量的關系.結果表明：PWV與ERA5數據具有較好的一致性；GNSS反演PWV具有較高的精度；GNSS-PWV能夠較好地反映臺風期間水汽的時空動態變化過程，其與降水量之間呈現出明顯的相關性.

關鍵詞：連續運行參考站（CORS）；GNSS氣象學；臺風；大氣可降水量

中圖分類號：P 228.4??? 文獻標志碼：A??? 文章編號：1001-988Ⅹ（2024）01-0084-07

Water vapor retrieval and analysis of CORS network data

of Xiamen typhoon event

WANG Hong1，2，LAI Jie1，QI Xin-jiu1

（1.School of Resource Engineering，Longyan University，Longyan 364012，Fujian，China;

2.School of Environment Science and Spatial Informatics，China University of Mining and Technology，

Xuzhou 221116，Jiangsu，China）

Abstract：In view of the three typhoons in Xiamen City，the GNSS observation data of Xiamen Continuous Operation Reference Station（CORS） was used for calculation with PANDA software.The obtained ERA5 reanalysis data was compared with the PWV data of the counter-performance.On this basis，the relationship between GNSS-PWV variation characteristics and actual rainfall during typhoon in Xiamen was analyzed.The results show that：PWV and ERA5 data have good consistency;GNSS inversion of PWV has high precision;GNSS-PWV can well reflect the spatio-temporal dynamic change process of water vapor during typhoons，and has a significant correlation with rainfall.

Key words：continuous operation reference stations（CORS）；GNSS meteorology；typhoon；PWV

0? 引言

全球導航衛星系統（Global Navigation Satellite System，GNSS）氣象學最早形成于20世紀80年代的美國，是一門新興的交叉學科［1］.在眾多學者的研究中，大氣水汽被認為是對天氣變化產生最為顯著影響的各種氣象要素之一［2］.大氣水汽又稱大氣可降水量（Precipitable Water Vapor，PWV），它表示在任何時候單位底部面積內的所有對流層大氣水蒸氣

凝結成液態水而產生的水柱的一定高度［3］.它是大氣中最為活躍多變的部分，雖然它在大氣成分中的占比極低，但卻是形成和演變各種災害天氣的主要驅動因素，它的變化直接與降水相關.因此，為了實現區域氣候變化的精準預測，對PWV進行有效的監測和充分的利用是關鍵所在.

本文以GNSS氣象學為基礎，基于廈門市連續運行參考站（Continuously Operating Reference System，CORS）的GNSS觀測數據，利用PANDA軟件進行解算，反演得到高精度的PWV值，并驗證其可靠性.以2017年、2020年以及2021年影響廈門地區的“納沙、海棠”雙臺風、“米克拉”、“盧碧”3次臺風事件為研究對象，分析臺風暴雨前后PWV值的時空分布特征，對比分析實際降雨量與PWV之間的關系，利用其關聯性為沿海地區提供及時準確的極端天氣狀況的預報，提高強降雨、臺風等強對流天氣引發的各類氣象災害的監測和預警能力.本研究對各種災害來臨前采取有效的應對措施，實現防災減災具有重大的意義.

1? GNSS反演PWV原理及可靠性分析

1.1? 數據來源

本文研究所使用的數據包括臺風影響期間的GNSS觀測數據、氣象臺站實測降雨數據和ERA5再分析資料.GNSS數據采用的是廈門市CORS站網的觀測數據，CORS站網站點分布如圖1所示.氣象站實測降雨數據從國家氣象數據中心（http：//data.cma.cn）下載；ERA5再分析資料從歐洲中尺度天氣預報中心（ECMWF）下載（https：//cds. climate.copernicus.eu）［4］.

1.2? 地基GNSS反演PWV的基本原理

地基GNSS反演PWV的具體步驟如下：

原始觀測數據經過PANDA、Bernese、GAMIT、GIPSY等GNSS高精度數據處理軟件進行處理，解算得出天頂總延遲量（Zenith Total Delay，ZTD）［5］；

ZHD與地面氣壓密切相關，利用地表氣壓參數和站點三維坐標值等數據，根據Saastamoinen模型［6］，精確計算出高精度的天頂靜力延遲量（Zenith Hydrostatic Delay，ZHD）［7］，其公式為

ZHD=0.0022768P1-0.00266cos（2φ）-0.00028H，（1）

其中，P表示地面氣壓（hPa），φ表示接收機的緯度（rad），H表示測站大地高（km）.

ZWD的變化與空氣中的水汽含量息息相關，其規律性難以通過經驗公式精確計算［8］，所以可通過ZTD減去計算得到的ZHD來獲得天頂濕延遲（Zenith Wet Delay，ZWD）［9］，其公式為

ZWD=ZTD-ZHD（2）

利用地面氣溫觀測數據，運用Bevis經驗公式［10］，推算出各站點的加權平均溫度（Tm），其公式為

Tm=70.2+0.72Ts，（3）

利用AN（Askne Nordius）模型［11］，構造出的大氣濕延遲與可降水量參數之間關系的計算公式，反演得到大氣可降水量（PWV），其公式為

PWV=Π×ZWD，（4）

式中Π稱為無量綱比例因子或可降水量與濕延遲的轉換關系，通常表示為

Π=106ρwRvk′2+k3Tm，（5）

k′2=k2-k1RdRv，（6）

其中，ρw為液態水的密度（一般取為1×103 kg·m-3;Rd和Rv分別代表干空氣和水汽的比氣體常數，即Rd=287J·kg-1·K-1，Rv=461.5J·kg-1·K-1；k1，k2，k3分別是水汽折射常數，本文采用k1=77.689K·hPa-1，k2=71.295K·hPa-1，k3=375463K2 hPa-1.但需要注意采用上述數值時，PWV與ZWD的單位應相同，Tm的單位應是K.Tm是大氣加權平均溫度，可用于計算轉換因子，計算公式為

Tm=∫∞hseTdh∫∞hseT2dh，（7）

其中，e是水汽壓（hpa），T是溫度（K），hs是測站高（m），h是高度（m）.此公式需要已知測站上空的溫度和水汽壓垂直廓線信息［12］.

1.3? GNSS-PWV可靠性分析

本文選取2017-07-18～2017-08-12反演的PWV與ERA5大氣再分析資料進行對比分析［13］.圖2給出了廈門市2017年3個CORS站的PWV與ERA5所提供的3個CORS站的PWV之間的對比情況.由圖2可知，每站的兩組數據差值總體均維持在-4 mm～4 mm之間，說明兩者具有較好的一致性.

鑒于單一指標的評估范圍有限，本文選取4個統計評估指標：平均偏差（BIAS）、標準差（STD）、均方根誤差（RMS）以及皮爾遜相關系數R來驗證CORS站反演PWV精度的評估［14］，評估指標計算如式下：

BIAS=1n∑ni=1xi，（8）

STD=∑ni=1（xi-yi）2n-1，（9）

RMS=1n∑ni=1（xi-yi）2，（10）

R=∑ni=1（xi-）（yi-）∑ni=1（xi-）2∑ni=1（yi-）2.（11）

以上各式中，n為樣本總數，x和y分別為ERA5提供的PWV與廈門CORS數據反演的PWV;和分別為x和y的平均值.

將2017-07-18～2017-08-12XMDM站反演的PWV與ERA5（XMDM）反演PWV進行線性回歸分析；將2017-07-18～2017-08-12廈門3個CORS站與ERA5的解算PWV進行精度相關性分析，線性擬合結果如圖4所示，以ERA5-PWV為基準值，GNSS-PWV精度評估結果如表1所示.

由圖3可知，GNSS-PWV與ERA5-PWV的

相關系數R為0.93，說明兩者具有強相關性.由

表1精度評估結果可知，每個測站的BIAS、STD與RMS數值都很小，說明CORS站解算出的PWV與ERA5計算出的PWV較為接近，具有較高的一致性，能反映出較為真實的水汽含量.綜上所述，基于地基GNSS觀測數據反演的GNSS-PWV具有較高的精度，滿足氣象學上對GNSS-PWV均方根誤差要求為2.0～2.5mm［15］，說明地基GNSS觀測數據反演GNSS-PWV是一種可行的方法.

2? 結果與分析

2.1? 臺風期間實際降雨與PWV的時序分析

根據2017年、2020年及2021年廈門地區3次臺風事件，選取XMDM站、XMJM站及XMJY站2017年7月29日0時至8月4日0時、2020年8月8日0時至8月14日0時及2021年8月3日0時至8月9日0時的PWV（利用地基GNSS解算得到）與廈門實際降水量數據（采樣的頻率為1 h）展開分析，結果如圖4～6所示.

由圖4可知，臺風發生期間3個CORS站的PWV值變化趨勢基本相同，總體上都是呈先上升后下降的趨勢.從2017年7月30日7：00至8月1日13：00廈門幾乎持續降雨，總降雨量達到145 mm.從7月30日7：00開始降雨至7月31日22：00時降雨量較少，平均雨量為1.2 mm，之后降雨量大幅增加，8月1日3：00～6：00平均降雨量

為17.2 mm，7：00～10：00降雨量明顯減少，在11：00之后降雨量逐漸減少直至降雨結束.在降雨開始前PWV有著明顯的化：3個測站從7月29日2：00至7月20日4：00，PWV一直處于上升趨勢，分別從最低的44.9，50.8，32.6 mm逐漸增加至66.9，73.0，53.0 mm，每站平均增幅為21.5 mm.降雨產生之后，PWV仍然保持上升狀態，代表著水汽還處于積聚階段，并沒有得到完全釋放，這一點可以從7月31日00：00～5：00的降雨量較少可以看出，在6：00時PWV值到達峰值之后開始逐漸下降，但PWV值保持8個時段下降趨勢后不再下降，一直維持在71 mm（以XMJM站為例）的高位，預示著降雨還將持續，直至8月1日2：00PWV開始下降，不再保持高位［16］.由于臺風吞并“納沙”臺風后，在8月2日11：00 PWV突然上升，隨之6小時后開始少量降雨，至19：00下降至53.2 mm（XMJM站），代表大氣中的水汽已完全釋放.由此可見，臺風“納沙”、“海棠”雙臺風發生期間，PWV先發生劇烈變化，隨后發生降雨，繼續影響PWV的變化.

由圖5可知，臺風發生期間3個CORS站的PWV值變化趨勢基本相同，都是總體呈先上升后下降的趨勢.2020年8月10日6：00～14：00 PWV的曲線震蕩性較為強烈，PWV值分別從最低的38.2，44.8，28.4 mm上升到60.8，68.4，49.0 mm，每站平均增幅為22.3 mm，隨后PWV值持續上升，在21：00達到峰值，5h后開始降雨，PWV值隨之下降.在8月11日11：00至8月12日2：00 PWV值出現小幅度上升，3 h后產生降雨，PWV值又開始下降，說明水汽得以完全釋放.本次3個測站的PWV在降雨產生前8 h都開始上升，平均增幅達到22.3 mm，每站平均變化率達到2.7 mm·h-1.由此可見，臺風“米克拉”發生期間，PWV先發生劇烈的變化，達到峰值后3～5 h出現降雨，進而影響PWV的變化.

由圖6可知，臺風發生期間3個CORS站的PWV值變化趨勢基本相同，

總體都是呈先上升后下降的趨勢.2020年8月3日12：00 PWV值變化相對穩定，在4日3：00 PWV小幅度上升，每站平均增幅為6.5 mm，隨后變化較為穩定，但仍然保持上升趨勢，說明水汽還處于積聚狀態，并未得到釋放，10 h后開始持續降雨，總降雨量達到168.6 mm.直至8月6日11：00 PWV開始逐步下降，水汽得到一定釋放.在8月7日7：00和8日9：00 PWV都出現一次小峰值，10 h后都出現了小量降雨情況.由此可知，臺風“盧碧”發生間，PWV值一定會先發生變化，水汽積聚，進而幾小時后產生降雨現象.

綜上所述，廈門市3次臺風發生期間，3個CORS站在發生降雨時PWV值的變化都有一些普遍特征：每次產生降雨前，由于大氣中的水汽積聚，PWV值都會有一個迅速上升的過程，直至降雨.之后，隨著降雨結束，大氣中積聚已久的水汽得到了釋放，PWV值也隨之下降，說明PWV與實際降雨之間具有一定的相關性.

2.2? 地基GNSS反演PWV空間動態分布特征分析

CORS站的觀測數據反演得到的PWV是在廈門市區域內分布的點狀數據，為了能夠更加直觀地分析臺風“米克拉”在廈門市范圍PWV的動態變化的過程，將PWV采用插值的方法進行處理，將空間上不連續的點狀數據轉換為空間上連續的面狀數據，最終PWV的空間動態可視化分布結果如圖7所示［16］.本文主要分析2020年8月9日至13日（DOY為第222～226天）臺風前后時間段的情況，時間分辨率為8 h，空間分辨率為0.1°×0.1°的PWV動態變化過程.

從圖7可以明顯看出，臺風“米克拉”在廈門境內PWV水汽傳輸過程的空間動態分布情況.在臺風進入廈門境內前，廈門市的PWV在空間分布上表現為XMDM、XMJM站的PWV值略高于XMJY站，這是由于XMDM與XMJM測站更靠近大海，水汽較為豐富.在年積日（DOY）第222天00：00至次日的00：00，廈門市PWV幾乎無明顯的變化特征，此時“米克拉”還未登陸廈門.從DOY第223天8：00至第224天00：00，PWV值急劇上升（此時“米克拉”正在奔赴廈門境內），XMJM站的PWV達到70 mm以上的高值，XMDM和XMJY站也分別在60 mm和50 mm以上；在第223天16：00到次日00：00的過程中，3個測站均到達最大值，并且在此之后有大范圍的降雨產生.降雨過后能明顯看出8月11日（DOY第224天）8：00的PWV有所下降，但在16：00與8月12日（DOY第225天）00：00時PWV呈現小幅度上升，幾小時后又產生降雨.在DOY第225天8：00至次日16：00，廈門境內的PWV值在逐步下降，直到恢復臺風前的正常水準（“米克拉”離開廈門），說明PWV值的變化趨勢與臺風“米克拉”的移動路線呈現出較好的對應關系［17］.在臺風“米克拉”登陸前后的水汽空間動態傳輸過程中，PWV的變化表現出與降雨之間高度相關的特征，這一結果生動地展示了臺風期間水汽的變化，表明了在臺風期間PWV與降雨之間具有極強的相關性［17］.

3? 結束語

本文主要利用GNSS反演得到廈門市的PWV數據，并通過與ERA5再分析數據進行對比，檢驗可靠性，基于地基GNSS氣象學相關理論與研究方法，依據實際降雨和常規氣象數據，分析臺風登陸期間廈門市水汽的變化特征，主要研究結論如下：

1）對比分析地基GNSS觀測基準站反演的PWV與ERA5計算出的PWV，結果表明：CORS站解算出來的PWV與ERA5計算得出的PWV較為接近；GNSS-PWV與ERA5-PWV兩組數據的相關系數達到0.93，說明兩組數據之間具有高度相關性；GNSS-PWV具有一定的穩定性和較高的精度，說明地基GNSS具備良好的水汽探測性能，能夠滿足氣象研究需求.

2）通過對廈門市3次臺風期間實際降雨與PWV進行時間序列分析，發現GNSS-PWV的變化與臺風過程高度相對應，且時間上的變化與臺風過程高度吻合，這表明PWV與實際降雨之間具有一定的關聯性，有助于人們更好地了解和掌握極端天氣事件的變化規律.

3）對廈門市2020年臺風“米克拉”進行空間動態分布特征分析，表明GNSS-PWV的變化與臺風過程具有高度對應關系，在空間上的變化梯度與臺風路徑基本一致，同時與降雨具有明顯的相關性，因此，GNSS-PWV能夠很好地反映出臺風期間水汽的空間動態變化過程.

參考文獻：

［1］? 安豪，嚴衛，杜曉勇，等.GNSS大氣海洋遙感技術研究進展［J］.全球定位系統，2021，46（6）：1.

［2］? 李浩博.基于GNSS大氣反演信息的短臨極端天氣預警預報研究［D］.徐州：中國礦業大學，2021.

［3］? WU M，JIN S，LI Z，et al.High-precision GNSS PWV and its variation characteristics in China based on individual station meteorological data［J］.Remote Sensing，2021，13（7）：1296.

［4］? 莫智翔，黃玲，郭希，等.利用ERA5資料進行桂林地區GNSS水汽反演精度分析［J］.南京信息工程大學學報（自然科學版），2021，13（2）：131.

［5］? 何琦敏.地基GNSS水汽反演及其在極端天氣中的應用研究［D］.徐州：中國礦業大學，2021.

［6］? DING M，HU W，JIN X，et al.A new ZTD model based on permanent ground-based GNSS-ZTD data［J］.Survey Review，2015，48（351）：385.

［7］? 徐桂榮，萬蓉，李武階，陳波，馮光柳.地基GPS反演大氣可降水量方法的改進［J］.暴雨災害，2009，28（3）：203.

［8］? 趙慶志.地基GNSS水汽反演關鍵技術研究及其應用［J］.測繪學報，2018，47（3）：424.

［9］? 聶檄晨.對流層天頂濕延遲模型及水汽反演應用研究［D］.南京：東南大學，2020.

［10］? 馮鵬.GNSS對流層誤差模型研究及其氣象學應用［D］.武漢：武漢大學，2021.

［11］? ASKNE J，NORDIUS H.Estimation of tropospheric delay for microwaves from surface weather data［J］.Radio Science，1987，22（3）：379.

［12］? 張豹.地基GNSS水汽反演技術及其在復雜天氣條件下的應用研究［D］.武漢：武漢大學，2016.

［13］? 王帥民.基于GNSS和再分析資料的ZTD/PWV精度評定與模型構建方法研究［D］.濟南：山東大學，2021.

［14］? 程國祥.臺風時期對流層水汽變化研究［D］.淮南：安徽理工大學，2020.

［15］? 孫鵬.GNSS實時水汽反演關鍵算法研究［D］.徐州：中國礦業大學，2022.

［16］? 郭秋英，趙耀，黃守凱，等.基于北斗PWV的暴雨時空變化特征分析［J］.全球定位系統，2022，47（5）：111.

［17］? 朱玉香，陳永貴，安春華.臺風“利奇馬”在山東期間的GPS-PWV動態特征［J］.導航定位學報，2020，8（6）：103.

（責任編輯? 武維寧）