云贵地区顾及高度改正的大气加权平均温度模型

针对云贵地区地形起伏特点,分析T_(m)与高程、Ts的关系,利用2016—2018年的ERA5数据,建立两种顾及高度改正的T_(m)模型——YGTrop-T_(m)和YGMete-T_(m)。以2019年ERA5和探空数据为参考值,结合Bevis公式、GPT2w和CTrop模型,对新模型精度进行评估。结果表明,以ERA5数据为参考值,YGTrop-T_(m)和YGMete-T_(m)模型的年均RMS分别为2.72和2.16 K,相较于Bevis公式、GPT2w-5和GPT2w-1模型,YGTrop-T_(m)模型RMS减少了20%、28%、9%,与CTrop模型相当,而YGMete-T_(m)模型RMS相较于Bevis公式、GPT2w-5、GPT2w-1和CTrop模型减少了36%、43%、28%和20%;以探空数据为参考值,YGTrop-T_(m)模型年均RMS与Bevis公式和CTrop模型相当,分别为2.88、2.93和2.80 K,而YGMete-T_(m)模型的年均RMS最小,为2.45 K,相较于Bevis公式、GPT2w-5、GPT2w-1和CTrop模型,减少了16%、21%、20%和12%。此外,将YGTrop-T_(m)和YGMete-T_(m)模型用于GNSS水汽计算,对应的水汽理论RMS误差分别为0.25和0.21 mm,相对误差分别为1.01%和0.86%。

顾及日变化和非线性垂直改正的区域大气加权平均温度模型

大气加权平均温度(Tm)是全球导航卫星系统(GNSS)技术反演大气水汽的关键因素,针对已有区域Tm模型未能同时顾及Tm在垂直方向的非线性变化和精细的日变化以及在构建模型时仅使用单一格网点数据等问题,本文以中国地区为研究区域,提出了一种基于滑动窗口的区域Tm建模方法,利用2012—2017年欧洲中期天气预报中心(ECMWF)的ERA5资料建立顾及日变化和非线性垂直改正的区域Tm格网模型(CNTm模型).联合未参与建模的2018年ERA5资料和无线电探空数据,验证CNTm模型的精度和适用性,并与当前广泛使用的GPT3模型和顾及了线性垂直改正的IGPT2w模型进行精度对比.结果表明:以2018年ERA5资料和无线电探空数据为参考值,CNTm模型的均方根误差(RMS)分别为3.31 K和3.21 K,其精度相较于GPT3模型分别提高了约16%和23%,相较于IGPT2w模型分别提高了约7%和11%;顾及了非线性垂直改正的CNTm模型的估计值更接近于Tm在垂直方向上的变化趋势,且CNTm模型能够捕获Tm的日变化.由于CNTm模型在研究区域表现出优异的性能,因此,其在研究区域实时高精度、高分辨率GNSS水汽监测中具有重要的应用.

青海地区大气加权平均温度模型精度优化

针对当前大气加权平均温度(T_(m))模型在青海省各地区的适用性较差,气象要素顾及较少等问题,提出一种青海地区大气加权平均温度模型精度优化方法:利用青海省4个探空站2014—2018年5 a的数据,通过线性回归的方法构建适用于青海省西宁、都兰、郭勒木得及玉树4个地区的本地化单因子T_(m)模型和多个气象因子参与的本地化多因子T_(m)模型;并通过反演的大气可降水量(PWV)与贝维斯(Bevis)模型和龚绍琦全国模型反演的PWV结果进行对比分析。结果表明,所构建的模型精度均优于现有模型,在反演PWV精度方面也要优于现有模型,可为提高青海地区全球卫星导航系统(GNSS)水汽反演精度提供参考。

顾及周期性变化的大气加权平均温度模型构建

针对大气加权平均温度(T_(m))是地基全球卫星导航系统(GNSS)水汽反演过程中的一个中间变量,其精度会影响地基GNSS水汽反演精度,同时T_(m)表现出较强的地域性差异的现状,研究建立地区的T_(m)模型:利用兰州市榆中探空站气象数据和欧洲中期天气预报中心第五代大气再分析数据集(ERA5)分别建立单因子、顾及年周期变化、顾及年和半年周期变化的T_(m)模型;并对2种气象数据所建的3类模型进行显著性检验和精度验证。结果表明:模型均能通过显著性水平为0.05的显著性检验,同时顾及周期性变化模型的预测值的均方根误差和平均绝对误差均小于贝维斯(Bevis)模型和单因子模型;利用顾及周期变化的模型预测的T_(m)偏差中大于5 K和大于10 K的值占比明显减小且预测残差的周期趋势明显减弱,具有零均值的正态分布特性,仅表现出误差的随机性。总体而言,ERA5气象数据所建模型预测精度高于探空站气象数据所建模型;用ERA5气象数据建立的顾及周期性变化的T_(m)模型可用于兰州市GNSS大气水汽反演。

Bevis公式在不同高度面的适用性以及基于近地大气温度的全球加权平均温度模型

加权平均温度(T_m)是全球卫星导航系统(GNSS)反演可降水量(PWV)过程中的关键参量。利用Bevis公式和地表温度可以方便地得到地表附近的高精度T_m估计值。然而,不少研究指出,Bevis公式在高海拔地区存在较大误差。本文对Bevis公式在不同高度面的适用性进行研究后发现,Bevis公式在海拔较低时精度较高,随着海拔升高,精度逐渐降低。为了解决Bevis公式在高海拔地区适用性较低的问题,本文对近地空间范围内(本文指0～10 km的高程范围)的T_m与大气温度的关系展开了研究,发现两者在全球范围内都拥有很高的相关性,由此本文构建了基于近地大气温度的全球加权平均温度模型。对模型的检验结果表明,该模型在近地空间范围内的任意高度面上都可以提供高精度的T_m估计值。

青岛地区大气加权平均温度模型优化

大气加权平均温度是GNSS气象学中大气可降水量反演的一个关键变量,其精度对水汽反演结果具有重要影响。利用IGRA提供的青岛站2013-2017年的探空资料,采用单站建模方法,考虑单因子、双因子以及周期性误差改正等因素,构建和优化了青岛地区的大气加权平均温度模型;分别以青岛站2018-2019年的探空数据和ECMWF模式数据为参考,对本地化优化模型进行了精度分析。结果表明,青岛地区本地化优化模型基本消除了周期性误差影响,精度优于现有模型。

中国分区大气加权平均温度模型的建立与应用研究

基于中国气象数据网提供的30年平均地表气温与90个探空站点2015年间数据,采用含障碍的扩散插值法进行插值,按3.4 K温度间隔将插值后结果分成8级13区。通过实验分析发现探空数据层数和层顶高度对大气加权平均温度计算精度间存在近似指数函数关系,仅考虑单一因素时,层顶大于9 km或观测层数大于13层后,大气加权平均温度计算值与真值RMS约为1 K;其次,考虑实际样本层顶和层数分布情况,采用层高大于9 km、层数大于8的无错探空数据,分别建立了全国统一的以及分区域的大气加权平均温度回归模型,有效地削弱全国模型在不同地区适用性不一致的影响,拟合残差RMS平均降低了17.8%;最后,应用该分区模型反演了某区域的可降雨量序列,与同期的探空数据计算得到的可降雨量数据进行了比较与分析。

中国区域性大气加权平均温度线性模型精度评估

以欧洲中期天气预报中心的再分析资料ERA5为参考数据,评估由探空数据建立的中国区域88个单站大气加权平均温度(T_(m))与地表气温(T_(s))线性关系模型的精度.各站T_(m)-T_(s)线性模型计算的T_(m)(计算值)与ERA5气压层数据积分所得的T_(m)(参考值)间偏差均方根值(RMSE)为1.8~5.5 K.不同站模型计算值与参考值间存在-1.22~4.54 K的系统性偏差,且绝大多数测站(82个站)系统性偏差为正值,即模型计算值总体上大于参考值.补偿各站系统性偏差后,模型计算值与参考值间RMSE降为1.5~3.5 K.与使用中国区域统一模型相比,使用单站模型平均能提高0.6 K的T_(m)计算精度,尤其在中国西部、西北和内蒙区域,精度提高可达1~3.9 K.对所有测站模型计算值和参考值间偏差时序进行分析,发现超过半数测站的偏差存在明显季节性变化.

GNSS大气加权平均温度经验模型精化方法的建立和分析

加权平均温度T_(m)作为对流层湿延迟转换为大气可降水量的关键参数,在GNSS气象学研究中发挥着重要作用。T_(m)经验模型的构建,可以通过将测站位置和时间信息作为输入参数快速获取T_(m)估值,但其精度往往受限,尤其在某些局部区域。本文提出了一种T_(m)经验模型精化方法,引入了地表气温数据,通过最小二乘快速获取精化系数,达到T_(m)的误差补偿作用。基于我国及邻近区域180个探空测站2011—2015年的数据,本文构建了基于GPT3的精化模型,并对其进行分析。数值结果表明,与Bevis模型、区域线性模型和GPT3模型相比,本文提出的精化模型估计T_(m)的精度分别提高了16.2%、13.5%和21.1%。另外,基于GPT3的精化模型估计T_(m)表现出最优的时空分布结果,显著提高了高纬度地区T_(m)估计精度,有效解决了GPT3模型只能表现T_(m)季节性变化的缺陷。本文方法计算公式简便,可以快速推广至任意T_(m)经验模型,具有较高的使用价值。

青海典型地区大气加权平均温度模型

大气加权平均温度是GNSS信号传播过程中利用湿延迟项反演大气可降水量的关键参数。为了在后续计算青海省大气可降水量时拥有精确的转换参数,本文利用青海达日、西宁两地探空站2010—2016年观测资料,运用数值积分和最小二乘方法建立了两个不同气候背景下的大气加权平均温度本地模型,相关系数分别达到0.863和0.882,平均偏差分别为0.043 K和0.032 K。本地化模型不但精度高,而且在高海拔的黄河源区本地化模型优于Bevis模型和姚宜斌模型;西宁地区本地化模型要优于Bevis模型,与姚宜斌模型精度相当。

顾及多因子影响的中国西部地区大气加权平均温度模型精化研究

针对中国西部地区地形起伏较大等情况,分析大气加权平均温度(T m)与测站高程、地面温度的关系,利用2014~2016年探空数据,在Bevis模型基础上建立一种与地面温度、高程和季节变化有关的新T m模型。以2017年探空数据为参考值,对新模型进行精度分析,并与广泛使用的Bevis模型和GPT2w模型进行精度比较。结果表明,以探空数据为参考值,新模型的年均偏差和均方根误差(RMS)分别为-0.08 K和3.89 K,相比Bevis模型、GPT2w-5模型和GPT2w-1模型,其精度(RMS值)分别提高14.3%、20.6%和9.3%。此外,将新T m模型用于GNSS水汽计算,其水汽计算理论RMS误差和相对误差分别为0.22 mm和1.43%,新模型在中国西部地区的GNSS水汽探测中具有重要的应用价值。

中国南部地区大气加权平均温度模型精化研究

针对中国南部地区地势西高东低、沿海与内陆存在差异等情况,分析中国南部地区T_(m)与地面温度、测站高度、季节变化以及纬度的关系,利用中国南部地区19个探空站2015~2017年的探空数据,在Bevis公式的基础上建立只考虑地面温度的线性模型(T_(m)-SC1模型)和与地面温度、高程、季节变化以及纬度有关的新T_(m)模型(T_(m)-SC2模型)。以2018年的探空数据为参考值,对T_(m)-SC1模型和T_(m)-SC2模型进行精度验证,并与广泛使用的Bevis公式和GPT3模型进行精度比较。结果表明,T_(m)-SC1模型的年均偏差和均方根误差(RMS)分别为0.76 K和2.57 K,相比Bevis模型和GPT3模型,其精度(RMS值)分别提高13.8%和2.2%;T_(m)-SC2模型的年均偏差和均方根误差(RMS)分别为-0.10 K和1.64 K,相比Bevis模型和GPT3模型其精度(RMS值)分别提高44.9%和37.6%。T_(m)-SC2模型用于GNSS水汽计算导致的理论RMS误差和相对误差分别为0.16 mm和0.43%。因此,T_(m)-SC2模型更适用于中国南部地区的GNSS水汽探测以及气象研究。

区域大气加权平均温度模型的构建及其精度分析

大气加权平均温度(Tm)可通过模型计算得到,针对一些常用的Tm模型在中国区域研究中存在精度较低的问题,提出一种顾及地表温度(Ts)和Tm年周期、半年周期、日周期的Tm模型——BGTm模型。利用2017—2019年欧洲中期天气预报中心(ECMWF)提供的ERA5再分析数据建立适用于中国区域的区域Tm模型,使用2020年ERA5数据和探空数据对模型精度进行评估。实验结果表明,与GPT3、UNB3和Bevis模型相比,BGTm模型在研究区域内具有更好的适用性。BGTm模型可为中国区域提供精确的Tm值,为该区域水汽反演提供水汽信息的参考。

广西地区大气加权平均温度模型的构建研究

加权平均温度(Tm)在地基GPS反演大气水汽中尤为重要,对广西地区大气加权平均温度的时空变化特性进行了分析,创建了广西地区的Tm模型,对不同模型加权平均温度进行对比,结果表明:广西模型的精度良好,结算结果有所提高。

中国区域大气加权平均温度的多因子精化模型

大气加权平均温度(T_(m))是全球导航卫星系统(global navigation satellite system,GNSS)反演大气可降水量(precipitable water vapor,PWV)的重要参数。文章通过中国区域的2015—2017年探空站资料,构建了顾及温度、水汽压、经纬度、高度和周期等多因子影响的T_(m)模型(T_(m)-C模型),并通过2018年的探空站资料加以检验。结果表明,T_(m)-C模型比Bevis模型、中国区域精化后的Bevis模型(T_(m)-B模型)和GPT3模型年均RMS值分别减小了30.4%、17.9%和25.4%。为进一步提高T_(m)-C模型的精度,基于中国地理分区的差异,分别建立了北方地区、南方地区、西北地区和青藏地区的区域T_(m)模型,4个地区年均RMS值对比T_(m)-C模型平均精度提升了19.9%。将T_(m)-C模型应用于GNSS水汽计算,其理论RMS值误差和相对误差分别为0.18 mm和0.95%,分区域的模型较T_(m)-C模型平均精度分别提升了22.9%和14.9%。

基于支持向量机回归的大气加权平均温度

提出一种基于支持向量机回归方法建立的以当地气象数据为输入参数、数值积分法计算的Tm为输出参数进行训练得到的大气加权平均温度模型。选取广西地区4个探空站提供的2013-2014年的气象数据和Tm数据为训练样本,2015年的两类数据为测试样本,取得最优的模型参数,并以此建立最优的Tm模型,然后计算2015年的Tm,将其结果与采用线性回归法建立的广西地区的单因素、多因素Tm模型的计算结果进行对比分析。结果表明,在选取最优模型参数的条件下,SVR建立的Tm模型比本地化的单因素和多因素Tm模型的精度更高,验证了支持向量机回归在T_m建模方面的可行性。

新疆地区GPT2w模型计算加权平均温度适用性分析

利用GPT2w模型计算加权平均温度Tm值,以新疆地区9个探空站2013-2015年实测气象数据积分计算的Tm值为参考,通过时空序列分析1°×1°和5°×5°两种格网分辨率下G1-Tm和G5-Tm的精度分布情况,进而检验利用GPT2w模型在新疆地区进行地基GNSS大气水汽反演的适用性。结果表明:①G1-Tm和G5-Tm均存在-3^-4 K的年均偏差;②G5-Tm存在精度异常突出区域,影响整个新疆地区Tm值的计算精度,而G1-Tm具有较好的稳定性;③G1-Tm模型的年均Bias、MAE和RMS分别为-3.17 K、4.12 K和5.17 K,总体上优于G5-Tm模型,因此运用G1-Tm进行地基GNSS大气水汽反演具有较好的精度保障。

基于GPT2w模型计算中国地区对流层加权平均温度的精度分析

以2015年GGOS Atmosphere格网产品和探空站资料为参考值,评价GPT2w模型在中国地区计算对流层加权平均温度T_m的精度和适用性。结果表明:1)在中国地区,1°分辨率的GPT2w模型精度和稳定性优于5°分辨率,且GPT2w模型表现出显著的系统性误差;2)T_m的bias和RMS误差均具有明显的时空变化特性,季节变化表现为春冬季较大、夏季较小,空间变化上RMS误差表现为随纬度增加而变大;3)受地形起伏和T_m日周期变化影响,T_m在中国西部和东北地区误差较大。

兰州地区区域加权平均温度模型构建方法研究

针对贝维斯(Bevis)模型在兰州地区适用性差的问题,提出了利用2014—2018年全球气候监测数据集(ERA5)的再分析数据,结合榆中站探空数据,采用线性回归的方法构建适用于兰州地区的单因子模型和双因子模型,并与Bevis模型和龚邵琦模型进行反演大气可降水量对比分析。实验结果表明:新构建的单因子模型和双因子模型精度整体优于Bevis模型,将其用于反演大气可降水量时,对比Bevis模型和龚邵琦模型,新构建的单、双因子模型与实际降水量更接近,可以达到地基全球卫星导航系统(GNSS)反演大气可降水量的要求。

济南地区加权平均温度模型建立及精度分析

针对济南地区大气加权平均温度模型缺乏的问题,采用济南地区章丘探空站2015—2019年的观测数据,利用线性回归方法建立逐月份的大气加权平均温度与地面温度间的相关关系,构建应用于济南地区的加权平均温度模型,并与贝维斯(Bevis)模型、中国东部地区模型进行精度对比。实验结果表明,济南地区加权平均温度模型冬季和夏季各月份的均方根误差的平均值分别为2.941、1.810 K,相差1.131 K。济南加权平均温度模型与Bevis模型相比,均方根误差、平均绝对误差精度分别提高20%和25%;与中国东部地区模型相比,均方根误差、平均绝对误差精度则分别提高21%和23%。对中国东部地区模型在济南地区的适用性进行改进,经优化后的中国东部地区模型均方根误差精度提高17.8%,平均绝对误差精度提高25.5%,在济南地区的适用性得到提高。通过大气可降水量反演实验,济南加权平均温度模型七月份大气可降水量的偏差、均方根误差、平均绝对误差较Bevis模型精度分别提高0.34、0.10、0.15 mm。济南加权平均温度模型精度更高,与实际降水拟合度更好,表现出较好的适用性,可以应用于本地区的大气可降水量反演研究。