中国区域T_(m)与纬度、海拔的线性分析及模型研究

针对传统的贝维斯(Bevis)模型在中国区域存在系统误差及精度不高的问题,本文提出添加站点纬度和海拔参数的T_(m)多因子回归模型。根据中国区域70个探空测站点的观测数据,首先研究了T_(m)与纬度φ、海拔h的相关系数时间变化规律,同时分别研究了T_(m)与纬度φ、海拔h的线性拟合系数k、b的时间变化规律;然后在T_(m)-Ts单因子回归模型基础上,添加纬度与海拔参数,并用年积日(DOY)表达其拟合系数,得到中国区域的T_(m)多因子回归模型;最后利用2018年的探空数据进行了验证。结果表明该模型极大地缩小了系统误差,精度提高了19.8%,在中国区域具有较高的实用性。

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。

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。

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.