-
近年来,全球导航卫星系统(global navigation satellite system,GNSS)无线电掩星探测技术取得了突飞猛进的发展,GNSS掩星算法和资料的多样性为全球大气探测和数值天气预报提供了重要的支持[1-5]。掩星信号在传播过程中,经过大气折射到达掩星接收机。掩星事件开始或结束的时刻,信号穿透大气并在地球表面发生反射,反射信号和折射信号一同被掩星接收机接收。在掩星数据处理中心,计算的弯曲角廓线仅针对掩星信号在大气中的折射,未考虑信号在地球表面的反射[6-9]。低对流层大气的复杂效应使信号的获取更为困难,大气折射率的剧烈变化能产生大气折射的异常变化[10]。由于反射信号的功率远远低于折射信号的功率,且具有更低的信噪比,因此更加难以被接收设备探测并识别。
识别并利用掩星廓线中包含的反射信号成为近年来国内外学者研究的热点。在掩星信号传播过程中,部分信号受大气层干扰、地形起伏和入射角度的影响往往不能探测到大气层底部空间,从而影响了底部大气参数的反演。在对流层底部,掩星信号的信噪比降至噪声水平,包含反射信号的掩星廓线可能提供关于低层大气的有用信息[11]。文献[12-13]利用无线电全息法提取了CHAMP(challenging minisatellite payload)卫星观测数据中的反射信号,并对观测数据进行频谱分析后发现,约有20%的数据信号在地球表面发生反射。文献[14]利用功率谱分析方法MUSIC(multiple signal classification)验证了该算法用于分离GNSS掩星信号中反射成分的有效性。文献[15]利用气象卫星GPS/MET(global positioning system/meteorology)数据也得到了相似的结论。文献[16]利用机器学习方法,通过大量的掩星折射率全息图样本,分类提取了全球范围内COSMIC(constellation observing system for meteorology,ionosphere and climate)掩星廓线包含的反射信号,通过统计10年的掩星廓线数据,发现掩星信号的反射主要分布在非热带的海洋及南北极冰层地区。文献[17]分析了低对流层掩星反射信号的大气物理特性,该物理特性可以用于掩星大气反演的补充资料。
由于海洋表面的镜面效应和海洋上空变化多样的气候特征,全球海洋表面的掩星反射信号分布较广,部分学者关注全球范围内特殊地形的反射信号特征,如南北极的冰层[18]。文献[19]分析了全球海洋表面的温度、风速、海平面高度等条件与掩星反射信号分布的关系。文献[20]利用改进的正则变换反演方法在掩星折射信号中检索出反射信号,利用傅里叶积分算子将观测波场的碰撞参数分离,从而分离出反射条件下碰撞参数对应的折射率,并给出了南极洲冰面的反射信号算例。中国地域辽阔,经纬度跨度广,有大面积的陆地和海洋,多变的地形和气候条件为研究掩星反射信号提供了很好的条件。本文利用COSMIC掩星廓线数据和欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的再分析资料,分析近几年中国区域内掩星反射信号的分布特征及成因,给出了较为全面的统计结果,并分析掩星反射信号与某些大气参数的关系,从而探讨其对中国区域天气变化的影响和在数值天气预报中的作用。
-
本文使用的数据包括:(1)COSMIC数据中心提供的2011-2015年COSMIC掩星数据level2的atmPrf廓线数据;(2)ECMWF提供的中国区域2011-2015年2°×2°格网的大气水汽含量(total column water vapour,TCWV)再分析数据和大气温度(2 metre temperature,T2M)再分析数据;(3)欧洲气象卫星应用组织(European Organisation for the Exploitation of Meteorological Satellites,EUMETSAT)提供的COSMIC掩星反射reflection_flag实验数据。
-
根据reflection_flag实验数据中对掩星反射事件的分类标准,统计发生反射的掩星信号分布区域以及随时间变化的分布特征。
ECMWF再分析网格化产品覆盖了对流层和平流层的高空大气参数,大气再分析的模式、数据和同化方法都有较高的质量[21]。利用2011-2015年ECMWF提供的分辨率为2°×2°的再分析格网数据(包括TCWV和T2M),按照5°×5°分辨率重新取月平均值。将中国所在矩形区域(72°E~137°E,4°N~54°N)划分为5°×5°格网,统计每个格网内2011-2015年发生反射的atmPrf廓线的月平均数序列。计算5°×5°格网内atmPrf反射廓线的百分比月平均序列,分别与格网内TCWV和T2M月平均序列进行相关性分析。
-
reflection_flag数据通过支持向量机(support vector machine,SVM)方法判定分析了COSMIC任务2006-2015年约500万条掩星廓线数据[17]。SVM是基于最优化理论的机器学习方法,基于假设空间下样本的最优线性化模型,利用核函数将原本不能线性分离的样本进行样本特征分离[22]。将掩星观测信号经傅里叶变换后得到的全息谱图作为样本,通过划分超平面分离掩星信号中的折射信号和反射信号的像素点,数据中的flag值为折射信号与反射信号距离该划分超平面的最大值,以此来判定该掩星廓线是否包含反射信号。
选取reflection_flag数据中2011-2015年中国区域内的约15万条atmPrf掩星廓线。以廓线数据的经纬度信息判断该信号是否落入陆地或海洋,flag值作为判定掩星廓线中是否包含反射信号的标准(flag > 0.25的廓线可能包含反射信号,flag > 0.5的廓线一定包含反射信号)。
2011-2015年每年掩星廓线数量都在3万条左右(见表 1),说明COSMIC信号对中国区域覆盖较好,能够实现对大气的全时空探测。进一步提取连续5年flag > 0.5的掩星廓线,其中发生反射的掩星廓线约占全年掩星廓线的10%左右,陆地和海洋表面发生反射的廓线比例约为40%和60%(见表 1)。
表 1 2011—2015年中国区域掩星反射信息
Table 1. Relevant Information of Radio Occultation with Reflection from 2011 to 2015 over China
年份/年 掩星廓线数量 陆地反射 海洋反射 反射信号百分比/% 2011 31 791 1 008 2 492 11.0 2012 26 423 915 2 207 11.8 2013 30 322 985 2 389 11.1 2014 31 721 892 2 233 9.8 2015 30 509 907 2 257 10.3 图 1为2015年flag > 0.5的COSMIC掩星廓线在中国区域内的分布情况。如图 1所示,陆地上反射事件分布比较稀疏且不均匀,海洋上反射事件分布比较密集。东北及新疆地区的反射信号分布比中部地区较集中,说明在东北及新疆地区的冬季,由于降雪对地面的覆盖,陆地上形成了较好的反射条件,与文献[18-19]研究得到的南北极冰层反射信号分布较广的结论相吻合。青藏高原地区冰川广布,其表面存在一定数量的掩星反射事件。中部地区由于常年绿色植被的覆盖及不规则的地形起伏,掩星信号可能无法在不规则地形发生反射。中东部地区的湖泊河流分布较多,通过廓线数据中提取到经纬度信息可知,部分信号的反射点为湖泊或河流,可能是东部地区反射信号分布较为密集的主要原因。
图 1 2015年中国区域掩星反射事件分布图
Figure 1. Distribution of Radio Occultation with Reflect Signal in 2015 over China
图 2为2011-2015年提取的陆地和海洋表面的包含反射信号的掩星廓线月平均数时间序列。由图 2可以看出,陆地和海洋的反射信号均有明显的季节性分布,呈夏季少、冬季多的规律。由于中国降水的主要来源是夏季风,每年7月-9月降水量最大,11月-次年2月降水量呈减小趋势,掩星信号可能受到低对流层水汽的影响,在10 km以下低对流层由于大气干扰,信号会有不同程度的丢失,从而无法在陆地及海洋表面发生反射。
-
利用ECMWF再分析水汽数据TCWV的月平均序列与反射的掩星廓线百分比序列进行相关性分析。提取2011-2015年中国区域发生反射的掩星廓线数据,计算每个5°×5°格网中掩星反射廓线的百分比。将下载的2°×2° TCWV月平均水汽数据在5°×5°格网中重新取平均,与掩星反射剖面百分比序列进行格网对应。分别计算每个格网时空序列下反射信号百分比与TCWV的相关性,并进行显著性p值检验[23]。
图 3为2015年中国区域TCWV的月平均值分布。由图 3可知,TCWV月平均值呈现明显的季节变化,每年5月—6月中国近海和中东部内陆地区的水汽含量最高。青藏高原全年的TCWV值较低,基本维持在10 kg/m2以下。
由图 1可以看出,青藏高原全年的反射信号分布数量极少,由于高原上空的大气活动较为复杂,从而可以推断在青藏高原地区水汽的分布不是掩星信号反射低密度的主要因素,其他大气活动及高原地势的起伏可能是造成反射信号稀少的成因。中部和北部陆地范围内的TCWV值基本维持在10~20 kg/m2,并且符合夏季增多、冬季减少的规律,由此推断这些地区的季节性反射信号分布可能与水汽的变化有关;在中国近海地区,TCWV值基本维持在20~58 kg/m2之间,并且呈现更加明显的季节性分布特点,由于近海地区反射信号数量较多,本节将重点分析近海地区的掩星反射信号百分比与TCWV月平均序列的相关性。
根据近海海区的纬度和大气条件,将近海分为4个海区:渤海(BS)、黄海(YS)、东海(ES)、南海(SS)。其中由于渤海和黄海区域较小,本文将渤海和黄海合并为一个区域(BYS)进行分析。表 2给出了近海海域的经纬度区域划分。
表 2 近海海域反射信号提取区域
Table 2. Regions of Extracted Reflection Signal over Offshore Sea
海域 经度范围 纬度范围 渤海 117°E~122°E 34°N~39°N 黄海 122°E~127°E 34°N~39°N 东海 122°E~132°E 24°N~34°N 南海 107°E~122°E 4°N~19°N 图 4为2011-2015年中国近海地区5°×5°格网中掩星反射事件百分比与TCWV月平均水汽值的相关性结果。图 4(a)为渤海和黄海海域的分析结果,相关系数约为-0.42;图 4(b)为东海海域的分析结果,相关系数约为-0.40;图 4(c)为南海海域的分析结果,相关系数约为0.10,表明二者无明显相关性。
图 4 各海域掩星反射廓线百分比与TCWV相关性
Figure 4. Correlation Between Percentage of Reflection Signal and TCWV over Sea Areas
从图 3可以看出,南海海域的水汽值常年维持在40~50 kg/m2,相比于中纬度地区的海域,南海属于热带海洋,该海域某些格网中的月平均水汽值序列与掩星反射百分比之间没有明显的相关性。在南海海域4°N~9°N的格网中,含反射信号掩星廓线序列与月平均水汽值序列的相关系数分别为0.32和0.34。针对南海表面包含反射信号的掩星廓线统计中发现,某些格网中掩星反射事件的分布呈冬季减少、夏季增多的规律,同时在此区域的格网中,水汽的分布也呈冬季减少、夏季增多的规律,符合本文得到的正相关性的结果。
针对全球不同海域的掩星反射信号研究中,掩星信号发生反射的百分比与海面上空水汽含量呈强相关性,均值约为-0.78[19]。同时,随着纬度的递增,掩星信号发生反射的频率也随之提高。中国近海纬向跨度较大,东部海域降水主要受东亚季风作用。雨季时多变的水汽分布总体上会影响低对流层中掩星信号的传播,从而导致信号无法在海面发生反射。
南海季风是东亚季风的重要组成部分。南海夏季风由于其特殊的地理位置,不仅联系南半球季风和东亚副热带季风、中高纬天气,而且联系西太平洋和印度的季风,对中国的天气和气候会产生较大影响。此外,南海易同时受到冬季风和夏季风影响。由统计结果可知,热带海洋表面掩星信号相较于中高纬度海洋表面掩星信号,发生反射的频率更低[19]。南海冬季风和夏季风爆发的时期,会引起大尺度环流变化[24],尤其是夏季风的突然爆发会引起降水和风场的急剧变化,这些变化可能是导致掩星廓线反射事件冬季减少、夏季增多的原因,因此会呈现一定的正相关。
-
按照§2.2的方法,利用ECMWF再分析温度数据T2M的月平均序列与发生反射的掩星廓线百分比序列进行相关性分析。图 5给出了2015年中国区域大气温度数据的月平均值分布,大气温度同样具有明显的季节分布特征。青藏高原地区的温度基本维持在260 K以下,稳定的大气温度和大气水汽含量进一步解释了青藏高原地区大气活动不是掩星反射信号分布稀少的主要因素。在中部及南部陆地范围内,大气温度呈季节性变化特征,温度范围在270~300 K之间。陆地表面包含反射信号的掩星廓线样本数较少,因此与再分析温度数据T2M之间的相关性较弱。在近海海域,温度的分布呈季节性和纬度的分布特征。本节对近海格网内的T2M月平均序列和掩星反射信号百分比序列进行相关性分析。
图 6为2011-2015年中国近海地区5°×5°格网中掩星反射事件百分比与T2M月平均序列的相关性结果。图 6(a)为渤海和黄海海域的分析结果,相关系数约为-0.39;图 6(b)为东海海域的分析结果,相关系数约为-0.43;图 6(c)为南海海域的分析结果,相关系数约为-0.007 5,表明二者无明显相关性。
图 6 各海域掩星反射廓线百分比与T2M相关性
Figure 6. Correlation Between the Percentage of Reflection Signal and T2M over Sea Areas
由图 5可以看出,南海的表面温度常年维持在295~305 K之间,没有明显的季节性变化特征,而较高的大气温度可能会引起海面上空大气的变化,从而约束掩星信号的传播,进而导致掩星信号无法到达海洋表面并发生反射,所以二者无明显的相关性。
在中国中纬度和高纬度的海域,大气温度和水汽含量呈现冬季降低、夏季增高的规律。结合图 2海域中含反射信号的掩星廓线时间序列,验证了反射事件的发生和大气条件呈负相关的结论。
掩星信号能够穿透约200 km的大气层,在此路径上的大气也表现出强烈的折射率变化,从而影响信号的传播。近海的大气条件能够反映未来短期的天气变化,通过掩星事件中的反射信号和大气参数之间的关系,可能对短期数值天气预报的精度提高有所帮助。
-
本文使用EUMETSAT提供的reflection_ flag实验数据,利用其分类指标提取了中国区域2011-2015年的COSMIC掩星廓线的时间和位置信息,并分析了COSMIC掩星反射信号的分布特征;利用ECMWF提供的全球再分析资料计算了中国地区掩星反射事件百分比与再分析资料之间的相关性。得出以下结论:
1)在中国区域内,COSMIC掩星反射信号呈陆地少、海洋多的特征,东北和西北地区的冬季,冰雪的覆盖为反射信号提供了良好的反射条件。中部地区由于植被的覆盖和地形的不平整,因而很难探测到掩星的反射。青藏高原总体地势平坦,山系和冰川较多,平坦地区河流和冰川表面能够为掩星信号的反射提供有利条件。
2)水汽是影响中国近海海域掩星廓线反射信号发生的重要因素,COSMIC掩星反射信号呈纬度分布特征,从低纬度到高纬度海域,反射信号百分比与水汽的相关性逐渐增强,在东部海域呈一定程度的负相关,在南海海域呈一定程度的正相关。
3)大气温度与COSMIC掩星反射信号百分比也存在相关性,在东部海域呈一定程度的负相关,南海海域由于常年温度稳定,与反射信号百分比之间没有明显的相关性。
提取掩星廓线的反射信号和大气条件一起作为先验信息用于数值天气预报成为一种可能。随着COSMIC-2卫星的发射成功,全球每日可观测到的掩星事件将比现在更加丰富,尤其在低纬度赤道地区掩星事件数量将达10倍左右。COSMIC-2卫星能够提供更高的信噪比,从而为掩星反射信号的探测提供更好的支持。
Analysis of Reflected Signals During GPS Radio Occultation Observations of COSMIC Products in China
-
摘要: 掩星信号在传播过程中能够在地球表面发生反射,其反射信号中的低层大气信息在改进天气预报精准度和气候监测等方面存在很大的应用价值。基于COSMIC(constellation observing system for meteorology, ionosphere and climate)掩星廓线资料,提取了2011-2015年中国区域的包含反射信号的掩星廓线,揭示了廓线分布具有内陆少、海洋多的规律,且具有夏季少、冬季多的季节性变化特征,内陆地区冰雪覆盖和海洋表面更有利于掩星信号反射。将中国近海海域按照5°×5°格网划分,进一步分析了格网内含反射信号的掩星廓线百分比时间序列与欧洲中期天气预报中心提供的再分析水汽和温度数据之间的相关性。结果表明,在10°N以北海域,掩星廓线反射信号百分比与再分析水汽数据和再分析温度数据均呈现负相关(相关系数约为-0.28~-0.58);而在10°N以南海域,受南海季风影响,掩星廓线反射信号百分比与再分析水汽数据有一定程度的正相关(相关系数约为0.32~0.34),与再分析温度数据没有显著相关性。
-
关键词:
- 掩星计划COSMIC /
- 反射信号 /
- 再分析资料 /
- 相关性分析
Abstract:Objectives The global navigation satellite system (GNSS)radio occultation (RO) signals can be reflected on the earth surface during the propagation process. It is of great value to explore atmospheric information contained in the reflected occultation signal for improving the accuracy of weather forecast and climate monitoring. Methods Using the constellation observing system for meteorology, ionosphere and climate (COSMIC) occultation data collected from January 2011 to December 2015 in China, this paper extracted the occultation profile containing the reflected signals, which were strong at oceans and weak at inland and also showed seasonal changes. It was found that the inland snowy areas and the ocean surface were easier to reflect the occultation signals. Further, the offshore areas of China were set into 5°×5° grids and the correlation between the percentage of occultation reflected signals and the reanalysis data from European Centre for Medium⁃Range Weather Forecasts in each grid was analyzed. Results Around the offshore areas to the north of 10°N, the water vapor and temperature are negatively correlated with the percentage of occultation profile reflected signal, with a correlation coefficient from -0.28 to -0.58. However, around the offshore areas to the south of 10°N, affected by the monsoon at the South China Sea, the percentage of occultation profile reflection signal is positively correlated with the reanalyzed water vapor data, with a correlation coefficient from 0.32 to 0.34, but not significantly correlated with the reanalyzed temperature data. Conclusions The RO reflected signals associate with atmospheric conditions, and it can be applied to the direct signals as supplementary data. -
表 1 2011—2015年中国区域掩星反射信息
Table 1. Relevant Information of Radio Occultation with Reflection from 2011 to 2015 over China
年份/年 掩星廓线数量 陆地反射 海洋反射 反射信号百分比/% 2011 31 791 1 008 2 492 11.0 2012 26 423 915 2 207 11.8 2013 30 322 985 2 389 11.1 2014 31 721 892 2 233 9.8 2015 30 509 907 2 257 10.3 表 2 近海海域反射信号提取区域
Table 2. Regions of Extracted Reflection Signal over Offshore Sea
海域 经度范围 纬度范围 渤海 117°E~122°E 34°N~39°N 黄海 122°E~127°E 34°N~39°N 东海 122°E~132°E 24°N~34°N 南海 107°E~122°E 4°N~19°N -
[1] Melbourne W G, Davis E S, Duncan C B, et al. The Application of Spaceborne GPS to Atmospheric Limb Sounding and Global Change Monitoring[J]. JPL Publication, 1994, 147: 94-118 [2] Kursinski E R, Hajj G A, Schofield J T, et al. Observing Earth's Atmosphere with Radio Occultation Measurements Using the Global Positioning System[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D19): 23429-23465 doi: 10.1029/97JD01569 [3] Bonavita M. On some Aspects of the Impact of GPSRO Observations in Global Numerical Weather Prediction[J]. Quarterly Journal of the Royal Meteorological Society, 2014, 140(685): 2546-2562 doi: 10.1002/qj.2320 [4] Zeng Z, Sokolovskiy S, Schreiner W, et al. Ionospheric Correction of GPS Radio Occultation Data in the Troposphere[J]. Atmospheric Measurement Techniques, 2016, 9(2): 335-346 doi: 10.5194/amt-9-335-2016 [5] 徐晓华, 朱洲宗, 罗佳. 利用IGRA2探空数据和COSMIC掩星资料对FY-3C掩星中性大气产品进行质量分析[J]. 武汉大学学报·信息科学版, 2020, 45(3): 384-393 doi: 10.13203/j.whugis20180490 Xu Xiaohua, Zhu Zhouzong, Luo Jia. Quality Analysis of the Neutral Atmospheric Products from FY-3C Radio Occultation Based on IGRA2 Radiosonde Data and COSMIC Radio Occulation Products[J]. Geomatics and Information Science of Wuhan University, 2020, 45(3): 384-393 doi: 10.13203/j.whugis20180490 [6] Aparicio J M, Laroche S. Estimation of the Added Value of the Absolute Calibration of GPS Radio Occultation Data for Numerical Weather Prediction[J]. Monthly Weather Review, 2015, 143(4): 1259-1274 doi: 10.1175/MWR-D-14-00153.1 [7] Guo P, Wu M J, Xu T L, et al. An Abel Inversion Method Assisted by Background Model for GPS Ionospheric Radio Occultation Data[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2015, 123: 71-81 doi: 10.1016/j.jastp.2014.12.008 [8] Cardinali C, Healy S. Impact of GPS Radio Occultation Measurements in the ECMWF System Using Adjoint-Based Diagnostics[J]. Quarterly Journal of the Royal Meteorological Society, 2014, 140(684): 2315-2320 doi: 10.1002/qj.2300 [9] Kuo Y H, Wee T K, Sokolovskiy S, et al. Inversion and Error Estimation of GPS Radio Occultation Data[J]. Journal of the Meteorological Society of Japan Ser Ⅱ, 2004, 82(1B): 507-531 doi: 10.2151/jmsj.2004.507 [10] Kursinski E R, Hajj G A, Leroy S S, et al. The GPS Radio Occultation Technique[J]. Terrestrial, Atmospheric and Oceanic Sciences, 2000, 11(1): 53 doi: 10.3319/TAO.2000.11.1.53(COSMIC) [11] Healy S B. The Use of the GPS Radio Occultation Reflection Flag for NWP Applications[R]. Paris: ROM SAF Visiting Scientist Report, EUMETSAT, 2015 [12] Beyerle G, Hocke K. Observation and Simulation of Direct and Reflected GPS Signals in Radio Occultation Experiments[J]. Geophysical Research Letters, 2001, 28(9): 1895-1898 doi: 10.1029/2000GL012530 [13] Beyerle G, Hocke K, Wickert J, et al. GPS Radio Occultations with CHAMP: A Radio Holographic Analysis of GPS Signal Propagation in the Troposphere and Surface Reflections[J]. Journal of Geophysical Research: Atmospheres, 2002, 107(D24): ACL27-1 [14] Hocke K, Pavelyev A G, Yakovlev O I, et al. Radio Occultation Data Analysis by the Radioholographic Method[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 1999, 61(15): 1169-1177 doi: 10.1016/S1364-6826(99)00080-2 [15] Gorbunov M E. Radioholographic Analysis of Radio Occultation Data in Multipath Zones[J]. Radio Science, 2002, 37(1): 14 [16] Cardellach E, Oliveras S, Rius A. Applications of the Reflected Signals Found in GNSS Radio Occultation Events[C]// The International Beacon Satellite Symposi, Barcelona, 2010 [17] Boniface K, Aparicio J M, Cardellach E. Meteorological Information in GPS-RO Reflected Signals[J]. Atmospheric Measurement Techniques, 2011, 4(7): 1397-1407 doi: 10.5194/amt-4-1397-2011 [18] Cardellach E, Ao C O, de la Torre Juárez M, et al. Carrier Phase Delay Altimetry with GPS-Reflection/Occultation Interferometry from Low Earth Orbiters[J]. Geophysical Research Letters, 2004, 31(10): L10402 [19] Aparicio J M, Cardellach E, Rodríguez H. Information Content in Reflected Signals During GPS Radio Occultation Observations[J]. Atmospheric Measurement Techniques, 2018, 11(4): 1883-1900 doi: 10.5194/amt-11-1883-2018 [20] Gorbunov M E, Cardellach E, Lauritsen K B. Reflected Ray Retrieval from Radio Occultation Data Using Radio Holographic Filtering of Wave Fields in Ray Space[J]. Atmospheric Measurement Techniques, 2018, 11(2): 1181-1191 doi: 10.5194/amt-11-1181-2018 [21] Dee D P, Uppala S M, Simmons A J, et al. The ERA-Interim Reanalysis: Configuration and Performance of the Data Assimilation System[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(656): 553-597 doi: 10.1002/qj.828 [22] Joachims T. Support Vector Machines[M]//Learning to Classify Text Using Support Vector Machines. Boston, MA: Springer US, 2002: 35-44 [23] 徐晓华, 郭金城, 罗佳. 利用COSMIC RO数据分析青藏高原平流层重力波活动特征[J]. 地球物理学报, 2016, 59(4): 1199-1210 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201604003.htm Xu Xiaohua, Guo Jincheng, Luo Jia. Analysis of the Active Characteristics of Stratosphere Gravity Waves over the Qinghai-Tibetan Plateau Using COSMIC Radio Occultation Data[J]. Chinese Journal of Geophysics, 2016, 59(4): 1199-1210 https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201604003.htm [24] 丁一汇, 李崇银, 何金海, 等. 南海季风试验与东亚夏季风[J]. 气象学报, 2004, 62(5): 561-586 https://www.cnki.com.cn/Article/CJFDTOTAL-QXXB200405005.htm Ding Yihui, Li Chongyin, He Jinhai, et al. South China Sea Monsoon Experiment(Scsmex) and the East-Asian Monsoon[J]. Acta Meteorologica Sinica, 2004, 62(5): 561-586 https://www.cnki.com.cn/Article/CJFDTOTAL-QXXB200405005.htm -