利用ECMWF水汽格网精化区域GNSS水汽模型.pdf

70测绘第46 卷第2 期2 0 2 3年4月利用ECMWF水汽格网精化区域GNSS水汽模型高涵科周乐韬（西南交通大学地球科学与环境工程学院，四川成都6 117 56）摘要】利用全球导航卫星系统（global navigation satellite system，G NSS）观测数据反演得到的高精度水汽信息是目前分析水汽分布的重要数据来源，但靠单一的数据来源进行区域水汽分布研究取得的效果欠佳。本文结合欧洲中尺度天气预报中心（EuropeanCenterforMedium-RangeWeatherForecasting，ECM W F）提供的水汽格网数据，联立GNSS水汽数据进行多项式拟合插值得到区域水汽分布，本文以中国香港卫星定位参考站网（satellitepositioning reference stationnetwork，Sa t R e f）实测GNSS数据进行实验，并以实验区域内的探空数据作为基准进行精度分析。实验结果表明，加入ECMWF数据能够有效提高区域水汽拟合的精度，相比仅采用GNSS数据进行多项式拟合精度提升在2 0%一30%；以经度、纬度和高程作为参数，对比了三参一次模型和两种三参二次模型的拟合效果，结果表明三参一次模型的拟合效果最好，精度提升在33%左右。【关键词全球卫星导航系统；欧洲中期天气预报中心；水汽；多项式拟合中图分类号 P22Refinement of Regional GNSS Water Vapor Model Using ECMWF文献标识码 AWater Vapor GridGAO Han-keZHOU Le-tao文章编号】16 7 4-50 19（2 0 2 3）0 2-0 0 7 0-0 61引言水汽作为大气的主要成分，是一个十分多变的气象参数，精确测定大气水汽含量对天气监测预报、区域气候变化、卫星信号处理、航空航天等领域都有着十分重要的意义。传统的水汽测量技术在不同程度上受限于价格昂贵、时空分辨率低、精度有限等不足，无法满足中小尺度天气变化监测的需求。1992 年，Bevis等人首次提出了“GPS气象学”的概念，并详细阐述了利用GPS 观测数据反演大气可降水量的理论和方法。此后，国内外众多学者在该方面进行了许多研究?2-，得益于全球卫星导航系统的深入发展，具有高时空分辨率、高精度与低运营成本等优点的GNSS 水汽反演技术近年来受到越来越多的应用 7 。利用地面GNSS接收机获得的观测数据可以反演得到站点位置的水汽数据，为分析区域水汽的动态分布和变化趋势以用于降水预报，需要联合多个地面站点数据，通过插值构建水汽场。但是，现有的GNSS网络中测站分布稀疏且不均匀，且站点分布受限于选址条件，如海面上难以布站，通过常规的插值手段较难获取可靠的水汽场。目前，利用GNSS观测数据获得可靠水汽场主要是通过创新完善插值方法，如刘晨基于DEM点云数据选取有代表性且分布均匀的采样点赋予PWV信息以进行空间插值8，闫香蓉等人提出了顾及GNSS水汽特性和站间距离的优化IDW插值方法；或联立MODIS、ECM W F等多源数据进行数据融合以实现模拟预测，如赵庆志等人联立GNSS和ERA-Interim数据建立了云南区域的GSP模型 10 ,张文渊等人联合GNSS/RS多源数据进行高精度三维大气水汽分布反演，刘严萍等人以GNSS水汽为标准分区域进行MODIS水汽校正和图像叠加得到校正后的中国西南地区MODIS水汽分布 2 。插值优化能够得到局部中小范围的可靠水汽场，数据融合能够得到高精度的水汽预测模型或是分布场，但两者的数据处理过程都较为复杂，实现过程费时费力。本文提出一种联立GNSS水汽数据与ECMWF水汽格网数据的多项式拟合插值方法，能够在丰富可靠数据源的同时较为简易地进行数据处理以获得范围水汽数据。2区域水汽连续模型构建方法多项式拟合与趋势面法类似，是整体插值法的一种，通过建立一个光滑的数学曲面来描述空间数据的分布特征及变化趋势，其实现方法是基于指定研究区域内获得的站点水汽数据并结合站点的地理信息（如经纬度），通过回归分析的方式拟合多项式系数。不同地区的气候差异很大，但在相近地区气候特征较为接近，天气变化相近，其水汽含量PWV测绘第46 卷第2 期2 0 2 3年4月（Pr e c i p i t a b l e W a t e r Va p o r，大气可降水量）的变化特征也较为类似，因此，PWV的分布与地面位置具有很大的关系，通过经纬度能很好地描述地球上任一点的平面位置。同时，许多研究表明，PWV的分布与高程也有很高的相关性 13-15，对中小范围（6 0 km60km）和较大范围（50 0 kmX500km），含一个高程因子的多项式拟合模型都有较好的拟合效果16 。因此，本文采用经度、纬度和高程三个参数描述区域内任一点位的三维位置，并以此构建多项式来拟合区域71(PWVECMWFx-PWVTK：(PWVeCMWTix-PWV,TKQ=Qk+1：LQk+m(2)(PWVsiti)SiPWV数据。考虑到不同形式的多项式拟合得到的结果精度有所差异，本文采用以下三种形式的多项式进行参数拟合的对比研究（见表1）。表1多项式拟合模型模型多项式公式序号模型1模型2PwVrit=ao+aix+azy+agh+axx?+asy?模型3PWVrit=ao+aix+azy+agh+agx?+asy?+agh?+arxy+agxh+agh各多项式拟合模型公式中，aoa,a2a,为拟合系数，x为站点纬度，为站点经度，h为站点高程，各多项式均为单时段、单点位置的PWV拟合。表1中，模型1为三参一次拟合模型，仅考虑PWV在三维空间上的线性变化；模型2 与模型3均为三参二次拟合模型，前者仅考虑PWV在三维空间上的非线性变化，后者既考虑PWV在三维空间上的非线性变化又考虑PWV在经度和纬度方向具有不同梯度的影响。本文引入ECMWF提供的ERA5数据集中的水汽格网数据，联立GNSS数据解算得到的水汽数据进行多项式拟合。由于两者的数据精度不同，联立ECMWF-PWV与GNSS-PWV进行多项式拟合需要两者的精度数据，前者通过将格网点数据双线性内插到探空站位置与探空数据作差得到数据误差，后者为站点每个时段的不确定度数据，联立进行单时段多项式拟合的准则为VTPV=min，其中：TPWVECMWF-PWV.VPWVECMWF.-PWVmVkVk+1k+nP=Q-1上式中，k为PWV格网数据格网点总数，n为GNSS站点数；PWVecMwr为ECMWF提供的对应格网点位置的水汽数据（PWVecMwF为ECMWF格网点数据双线性内插到探空站位置得到的结果），PWVenss为GNSS数据解算得到的水汽数据，PWVm为多项式拟合得到的水汽数据（式1中PWVm为各个ECMWFPWVrit=ao+aix+azy+agh格网点位置的拟合结果，PWVit+k为各个GNSS观+agh2测站点位置的拟合结果），PWVrk为探空站PWV数据，PWVsig为GNSS数据解算得到的水汽数据的不确定度；Q为数据的方差阵，P为权阵。使用不同数据源进行不同拟合模型的插值拟合后，可通过输入探空站位置的经纬度及高程数据获得该位置的拟合结果，与实际探空数据进行比对即可分析拟合结果的精度。3数据处理3.1数据介绍本文选取香港卫星定位参考站网（SatRefCORS）中9 个GPS站点提供的观测数据进行GNSS数据处理；选取ECMWF提供的第五代再分析资料数据集ERA5中的水汽格网数据，数据覆盖范围为2 2 N22.75N、113.7 5E114.5E，时间跨度为2 0 2 0年全年，时间分辨率为1h，空间分辨率为0.2 50.25；选取香港地区唯一的无线电探空站KingsPark(22.32N,114.17E)2020年全年测得的PWV数据为精度评价标准，数据来自怀俄明大学天气数据网站（https：/w e a t h e r.u w y o.e d u）。G PS站点位置、ECMWF格网点位置、探空站位置如图1所示。选取的GPS观测数据使用10.7 版本的GAMIT软件进行数据处理，观测数据的采样率为30 s。为提高数据解算的精度，加强区域网与全球网的联系，并PWVeNs-PWV mu(1)LPWVCvss,-PWVmta.(3)有效降低测站间的对流层延迟相关性 17-19，本文引入BJFS、SH A O、NT U S、H YD E、LH A Z、PI M O 6 个IGS站点。72224522302215220011345图1站点分布（五角星表示探空站）3.2数据处理策略本文采用10.7 版本的GAMIT软件进行数据的批处理，数据处理流程如图2 所示。解算策略配置如表2 所示。3.3解算精度分析标准化均方根误差（normalized rootmean square，测绘第46 卷第2 期2 0 2 3年4月NRMS）是衡量GAMIT基线解算质量的重要指标，11345114001140011415ACORS.ECMWFT K1141511430存放观测文件和星历文件114302245223022152200创建项目文件夹它反映了单时段基线解算值与其加权平均值的偏离程度，具体计算公式为：NRMS=VN台8？上式中，N为测站个数，Y为基线解算值，Y为加权平均值，为单位权中误差。通常认为NRMS值越小，基线解算结果越好，精度越高。若NRMS大于0.5，说明基线解算结果不合格，需重新解算；一般要求NRMS小于0.3，且值在0.2 左右时解算质量最佳 2 0-2 。在完成数据解算后，本文提取了所有解算记录文件q文件中的后验标准化均方根误差（Postfitnrms），得到图3。由图3可知，2 0 2 0 年的单天解标准化均方根误差主要在值0.15一0.2 之间波动，均满足要求，且值大多靠近0.2，解算质量较好。4精度分析拟合完成后，在多项式拟合模型中，输入探空站的经度、纬度和高程能够得到各多项式在探空站位置的拟合结果，与探空PWV比对即可实现精度分析。(4)链接表文件配置解算策略生成站点信息表数据筛查N生成测站近似坐标文件数据解算得到解算记录文件检查nrms是否合格得到对流层延迟图2 GAMIT解算流程MAE=.-,(5)ni=1测绘第46 卷第2 期2 0 2 3年4月控制项基线解算类型基线解算模式卫星截止高度角数据采样间隔对流层延迟参数对流层延迟改正模型映射函数模型输出m文件固体潮模型地心参考框架空间惯性参考系海潮模型IGS站坐标约束测站坐标约束73反应非常敏感，能够很好地反映出数据的精度；MAE表2 解算策略为拟合结果与真值之间的平均绝对误差，用于描述拟选择模型及参数合值的误差范围。两者的计算公式如下：BASELINELC_AUTCLN1030s1SaastamoinenGMFYIERS10ITRF 2008J2000FES 20040.5m/0.5m/0.5m100m/100m/100mRMSE=Vni=I上式中，f为时段i时在探空站位置的拟合结果，t,为时段i时的探空数据。采用9 个地面观测站点反演得到的GNSS-PWV与选取的16 个格网点的ECMWF-PWV，分别进行仅基于GNSS-PWV（方案一，图表中标记为GP）与结合GNSS-PWV和ECMWF-PWV（方案二，图表中标记为GP&EP）的三种模型的拟合。在完成拟合后，获取探空站位置的拟合PWV，与探空PWV进行2 0 2 0年全年数据的比对，比对情况如图4所示，数据变化趋势及峰值、谷值出现时间趋于一致，其中模型1的一致性最好；计算获得各模型与探空数据相比的RMSE和MAE，如表3所示。(6)图32 0 2 0 年单天解均方根误差时间分布本文采取的精度分析指标为均方根误差（RootMeanSquared Error，R M SE）和平均绝对误差（MeanAbsolute Error，M A E)。R M SE为拟合结果与真值之间的差值的平方和的平均值的平方根，其对异常值的模型序号GP模型15.9117模