顾及多因子影响的中国区域T_(m)模型精化研究

利用中国区域2015~2017年探空数据,建立一种顾及地表温度、地表水汽压、高程和纬度的中国区域大气加权平均温度T_(m)模型(BET模型)。以2018年探空站T_(m)数据为参考值,分析BET模型精度,并与Bevis模型和GPT3模型进行对比。结果表明,BET模型年均RMSE与bias分别为3.15 K和0.04 K,相比于Bevis模型、1°×1°分辨率的GPT3模型和5°×5°分辨率的GPT3模型,年均RMSE分别降低29.2%、32.8%和39.1%,年均bias分别降低96.4%、96.7%和97.4%,且该模型在中国区域不同高程和纬度上的精度与稳定性优于Bevis模型和GPT3模型。

一种基于随机森林的区域T_(m)模型预测方法

受季风气候等影响,传统T_(m)模型在中国沿海地区的精度难以满足导航定位等领域的发展需求,亟须建立一种高精度的区域性T_(m)模型。通过利用随机森林(Random Forest,RF)的方法,对基于该地区探空数据所构建的非线性T_(m)模型(F-T_(m))进一步精化,选取4个特征值(气压P、地表温度T_(s)、水汽压e_(s)、比湿s)作为输入因子,对F-T_(m)模型的偏差进行预测改正,构建了RFF-T_(m)模型。通过时空特性分析表明,该模型在沿海地区具有较好的适用性。

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。

一种新的青藏高原地区加权平均温度模型

大气加权平均温度(T_(m))是进行全球导航卫星系统(GNSS)水汽反演的关键参数之一,也是进行大气气象研究的重要数据,针对中国青藏高原地区地面起伏较大、探空站分布不均匀、在建模时未能同时顾及T_(m)在垂直方向上的非线性变化和季节变化等问题,建立高精度的T_(m)模型成为中国青藏高原地区的迫切需求。在分析T_(m)的时空特性的基础上,分别利用2015—2017年的ERA5再分析资料和无线电探空数据构建中国青藏高原地区实时高精度格网T_(m)模型(ERATm_H模型)和需要气象参数的本地化区域T_(m)模型(TKZTm_H模型),并利用未参与建模的2018年的无线电探空数据和ERA5再分析资料进行精度验证,并与广泛使用的Bevis模型和目前较优的GPT3模型进行精度对比。结果表明,以ERA5再分析资料为参考值,ERATm_H模型在中国青藏高原地区表现出最优的精度,年均均方根误差(Root Mean Squared Error,RMSE)值相较于Bevis模型、GPT3模型以及TKZTm_H模型分别提高了46.1%、21.1%和14.5%;以无线电探空数据为参考值,ERATm_H模型在中国青藏高原地区依旧表现出最优的精度,年均RMS值相较于Bevis模型、GPT3模型以及TKZTm_H模型分别提高了36.6%、26.7%和6.1%。因此,建立的高精度实时ERATm_H模型在中国青藏高原地区表现出最优的性能,可为中国青藏高原地区进行实时高时空分辨率的GNSS水汽反演和气象学研究提供重要应用。

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。

日本区域加权平均温度建模

由于日本区域易受自然灾害频发、水汽特征变化复杂、探空站点分布稀疏的问题,进而制约了高精度水汽的获取,因此缺少此区域的高精度加权平均温度(T_(m))模型.鉴于此,采用2009—2016年全球大地测量观测系统(GGOS) Atmosphere T_(m)和ERA-Interim 2 m T_(s)格网数据新建立一种考虑T_(m)残差季节性变化和周日变化的适合日本区域的T_(m)模型(JQTm模型).同时,利用2017年日本区域13个探空站和110个GGOS Atmosphere T_(m)格网数据,对新建立的JQTm模型在日本区域的精度进行评估.研究发现:与GGOS Atmosphere T_(m)格网数据对比,JQTm模型的偏差(bias)和均方根误差(RMSE)分别为0.15 K和1.92 K,RMSE分别比GPT2w-1模型、GPT2w-5模型提升41.16%(1.33 K)、44.41%(1.53 K);与探空资料对比,JQTm模型的bias和RMSE分别为–0.66 K和2.14 K,RMSE分别比GPT2w-1模型、GPT2w-5模型提升28.43%(0.85 K)、29.61%(0.90 K).JQTm模型能够为日本区域提供高精度的T_(m)值,为研究此区域大气水汽和极端天气提供重要依据.

大气加权平均温度对GNSS PWV精度的影响分析

大气加权平均温度T_(m)是GNSS探测大气可降水量PWV(Precipitable Water Vapor)的关键参数.目前,加权平均温度模型主要包括线性模型和非线性模型.本文基于2011—2015年期间的编号54511北京探空测站的有效探测资料,建立T_(m)与T_(s)的线性和非线性(一阶傅里叶函数、一元二次函数)关系;利用2016年探空站实测资料对所建模型及常用模型进行对比分析,从RMSE、Bias及波动范围评价参数发现T_(m_G)模型精度高于常用模型,而再分析资料ERA-Interim建立的加权平温度T_(m)_ERA模型和新非线性T_(m)模型精度相差甚小,且误差概率分布趋近于正态分布;因此,新建模型能有效避免了通用Bevis全球模型在特定区域导致的区域性精度偏差问题,尤其在探空站缺乏的区域,可以采用ERA-Interim产品建立T_(m)模型.通过对不同T_(m)模型获取IGS站BJFS的PWV结果与相应时间54511探空站的实测PWV数据进行检验,结果表明不同T_(m)模型引起的PWV的偏差Bias范围在[-5,5]mm,均方根误差RMSE的差异甚小,Bias概率趋于正态分布,稳定性较强,尤其T_(m)_ERA、非线性加权平均温度T_(m_F)、T_(m_P)模型引起的PWV的Bias正态分布更强.