留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

黄土高原地区PWV影响因素分析及精度评定

杨鹏飞 赵庆志 苏静 姚宜斌

杨鹏飞, 赵庆志, 苏静, 姚宜斌. 黄土高原地区PWV影响因素分析及精度评定[J]. 武汉大学学报 ● 信息科学版, 2022, 47(9): 1470-1478. doi: 10.13203/j.whugis20200390
引用本文: 杨鹏飞, 赵庆志, 苏静, 姚宜斌. 黄土高原地区PWV影响因素分析及精度评定[J]. 武汉大学学报 ● 信息科学版, 2022, 47(9): 1470-1478. doi: 10.13203/j.whugis20200390
YANG Pengfei, ZHAO Qingzhi, SU Jing, YAO Yibin. Analysis of Influencing Factors and Accuracy Evaluation of PWV in the Loess Plateau[J]. Geomatics and Information Science of Wuhan University, 2022, 47(9): 1470-1478. doi: 10.13203/j.whugis20200390
Citation: YANG Pengfei, ZHAO Qingzhi, SU Jing, YAO Yibin. Analysis of Influencing Factors and Accuracy Evaluation of PWV in the Loess Plateau[J]. Geomatics and Information Science of Wuhan University, 2022, 47(9): 1470-1478. doi: 10.13203/j.whugis20200390

黄土高原地区PWV影响因素分析及精度评定

doi: 10.13203/j.whugis20200390
基金项目: 

国家自然科学基金 41904036

中国电建集团西北勘测设计研究院有限公司科技项目 XBY-2016-10

中国电建集团西北勘测设计研究院有限公司科技项目 XBY-KJ-2019-06

中国电建集团西北勘测设计研究院有限公司科技项目 XBY-KJ-2021-14

详细信息
    作者简介:

    杨鹏飞,硕士,主要从事GNSS空间环境与气候变化相关研究。ypf0323@163.com

    通讯作者: 赵庆志,博士,副教授。zhaoqingzhia@163.com
  • 中图分类号: P228

Analysis of Influencing Factors and Accuracy Evaluation of PWV in the Loess Plateau

Funds: 

The National Natural Science Foundation of China 41904036

the Science and Technology Projects of Northwest Engineering Corporation Limited XBY-2016-10

the Science and Technology Projects of Northwest Engineering Corporation Limited XBY-KJ-2019-06

the Science and Technology Projects of Northwest Engineering Corporation Limited XBY-KJ-2021-14

More Information
    Author Bio:

    YANG Pengfei, master, specializes in GNSS space environment change. E-mail: ypf0323@163.com

    Corresponding author: ZHAO Qingzhi, PhD, associate professor. E-mail: zhaoqingzhia@163.com
  • 摘要: 大气水汽是对流层的重要组成部分之一,研究影响水汽的因素及精度具有重要意义。主要研究黄土高原地区大气可降水量(precipitable water vapor, PWV)的影响因素,并对其实际精度进行评估。首先,对ERA5(the fifth-generation atmospheric reanalysis data of ECMWF)的气压、气温数据和全球导航卫星系统(global navigation satellite system, GNSS)获取的天顶对流层延迟(zenith troposphere delay, ZTD)进行评定;然后,依据ERA5的气压、气温数据和GNSS的ZTD数据计算1 h分辨率的PWV,并利用误差传播理论推导PWV的理论误差; 最后, 与PWV实际计算误差进行对比,分析黄土高原地区PWV的精度。结果表明,基于GAMIT/GLOBK软件获得的GNSS ZTD与PANDA软件解算的GNSS ZTD差值的均方根(root mean square, RMS)和Bias分别为4.05 mm和-0.46 mm;ERA5气压和气温的平均RMS和Bias分别为3.36 hPa/1.97 K和-0.01 ‍hPa/0.04 K;黄土高原地区PWV的理论误差为1.51 mm,实际误差为1.94 mm。计算得到的PWV精度较高,对水汽分布以及气候监测的研究具有重要意义。
  • 图  1  黄土高原地区GNSS和RS站点分布图

    Figure  1.  Distribution of GNSS and RS Stations in Loess Plateau

    图  2  2014-2017年两类软件解算的GNSS ZTD差值的RMS和Bias分布

    Figure  2.  RMS and Bias Distribution of GNSS ZTD Difference Calculated by Two Types of Softwares from 2014 to 2017

    图  3  ERA5与ERA-Interim格网间气压与气温的STD与Bias分布图

    Figure  3.  STD and Bias Distribution of Pressure and Temperature Between ERA5 and ERA-Interim

    图  4  ERA5与RS站点间气压与气温的RMS和Bias分布图

    Figure  4.  RMS and Bias Distribution of Pressure and Temperature Between ERA5 and RS Stations

    图  5  2014—2017年GNSS PWV与RS PWV的RMS与Bias分布图

    Figure  5.  RMS and Bias Distribution of GNSS PWV and RS PWV from 2014 to 2017

    图  6  2014—2017年期间测站GSPL与SNYA位置处的RS PWV与GNSS PWV长时序图

    Figure  6.  RS PWV and GNSS PWV Long Time Series of Stations GSPL and SNYA from 2014 to 2017

    图  7  2016年GNSS PWV与ERA5 PWV对比分布图

    Figure  7.  Comparative Distribution of GNSS PWV and ERA5 PWV in 2016

    表  1  站点经纬度与高程信息

    Table  1.   Station Longitude and Latitude and Elevation Information

    站点名 纬度/(°) 经度/(°) 高程/m
    CH66 36.716 7 101.750 0 2 296.00
    CH63 40.850 0 111.566 7 1 153.50
    CH13 40.733 3 107.366 7 1 041.00
    CH43 39.833 3 109.983 3 1 459.00
    CH14 38.466 7 106.200 0 1 112.00
    CH72 37.620 6 112.576 7 776.00
    CH45 36.566 7 109.450 0 958.90
    CH15 35.550 0 106.666 7 1 348.00
    下载: 导出CSV

    表  2  2016年GNSS PWV与ERA5 PWV及二者差值分别在4个季节的均值/mm

    Table  2.   Mean Values of GNSS PWV and ERA5 PWV and Their Difference, Respectively in Four Seasons/mm

    季节 ERA5 GNSS 差值
    春季 12.78 12.44 -0.31
    夏季 18.05 15.87 -2.19
    秋季 14.62 15.14 0.53
    冬季 6.13 5.28 -0.85
    下载: 导出CSV
  • [1] Jin S G, Li Z, Cho J. Integrated Water Vapor Field and Multiscale Variations over China from GPS Measurements[J]. Journal of Applied Meteorology and Climatology, 2008, 47(11): 3008-3015 doi:  10.1175/2008JAMC1920.1
    [2] Bałdysz Z, Nykiel G, Figurski M, et al. Investigation of the 16-Year and 18-Year ZTD Time Series Derived from GPS Data Processing[J]. Acta Geophysica, 2015, 63(4): 1103-1125 doi:  10.1515/acgeo-2015-0033
    [3] Wong M S, Jin X M, Liu Z Z, et al. Multi-sensors Study of Precipitable Water Vapour over Mainland China[J]. International Journal of Climatology, 2015, 35(10): 3146-3159 doi:  10.1002/joc.4199
    [4] 宋淑丽. 地基GPS网对水汽三维分布的监测及其在气象学中的应用[D]. 上海: 中国科学院研究生院, 2004

    Song Shuli. Sensing Three Dimensional Water Vapor Structure with Ground-Based GPS Network and the Application in Meteorology[D]. Shanghai: Chinese Academy of Sciences, 2004
    [5] Bevis M, Businger S, Chiswell S, et al. GPS Meteorology: Mapping Zenith Wet Delays Onto Precipitable Water[J]. Journal of Applied Meteorology, 1994, 33(3): 379-386 doi:  10.1175/1520-0450(1994)033<0379:GMMZWD>2.0.CO;2
    [6] Bevis M, Businger S, Herring T A, et al. GPS Meteorology: Remote Sensing of Atmospheric Water Vapor Using the Global Positioning System[J]. Journal of Geophysical Research, 1992, 97(D14): 15787-15801 doi:  10.1029/92JD01517
    [7] Rocken C, Hove T V, Ware R. Near Real-Time GPS Sensing of Atmospheric Water Vapor[J]. Geophysical Research Letters, 1997, 24(24): 3221-3224 doi:  10.1029/97GL03312
    [8] Tregoning P, Boers R, O'Brien D, et al. Accuracy of Absolute Precipitable Water Vapor Estimates from GPS Observations[J]. Journal of Geophysical Research: Atmospheres, 1998, 103(D22): 28701-28710 doi:  10.1029/98JD02516
    [9] Basili P, Bonafoni S, Mattioli V, et al. Mapping the Atmospheric Water Vapor by Integrating Microwave Radiometer and GPS Measurements[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(8): 1657-1665 doi:  10.1109/TGRS.2004.830943
    [10] Zhao Q Z, Yao Y B, Yao W Q, et al. Near-Global GPS-Derived PWV and Its Analysis in the El Niño Event of 2014-2016[J]. Journal of Atmospheric and SolarTerrestrial Physics, 2018, 179: 69-80 doi:  10.1016/j.jastp.2018.06.016
    [11] Zhang W X, Lou Y D, Huang J F, et al. Multiscale Variations of Precipitable Water over China Based on 1999-2015 Ground-Based GPS Observations and Evaluations of Reanalysis Products[J]. Journal of Climate, 2018, 31(3): 945-962 doi:  10.1175/JCLI-D-17-0419.1
    [12] 李成才, 毛节泰, 李建国, 等. 全球定位系统遥感水汽总量[J]. 科学通报, 1999, 44(3): 333-336 doi:  10.3321/j.issn:0023-074X.1999.03.024

    Li Chengcai, Mao Jietai, Li Jianguo, et al. Global Positioning System Remote Sensing Total Water Vapor[J]. Chinese Science Bulletin, 1999, 44(3): 333-336 doi:  10.3321/j.issn:0023-074X.1999.03.024
    [13] 陈俊平, 王解先, 陆彩萍. GPS监测水汽与水汽辐射计数据的对比研究[J]. 大地测量与地球动力学, 2005, 25(3): 125-128 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB200503024.htm

    Chen Junping, Wang Jiexian, Lu Caiping. Study on Comparison Between Water Vapor Value Calculated by GPS and Observed by WVR[J]. Crustal Deformation and Earthquake, 2005, 25(3): 125-128 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB200503024.htm
    [14] Ning T, Wang J, Elgered G, et al. The Uncertainty of the Atmospheric Integrated Water Vapour Estimated from GNSS Observations[J]. Atmospheric Measurement Techniques, 2016, 9(1): 79-92 doi:  10.5194/amt-9-79-2016
    [15] Zhao Q Z, Yang P F, Yao W Q, et al. Hourly PWV Dataset Derived from GNSS Observations in China[J]. Sensors, 2019, 20(1), DOI:  10.3390/s20010231
    [16] Herring T, King R, McClusky S. Documentation of the GAMIT GPS Analysis Software Release10.4[M]. Cambridge, USA: Department of Earth and Planetary Sciences, Massachusetts Institute of Technology, 2010
    [17] Altamimi Z, Collilieux X, Métivier L. ITRF2008: An Improved Solution of the International Terrestrial Reference Frame[J]. Journal of Geodesy, 2011, 85(8): 457-473 doi:  10.1007/s00190-011-0444-4
    [18] 赵静旸, 宋淑丽, 朱文耀. ERA-Interim应用于中国地区地基GPS/PWV计算的精度评估[J]. 武汉大学学报·信息科学版, 2014, 39(8): 935-939 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201408010.htm

    Zhao Jingyang, Song Shuli, Zhu Wenyao. Accuracy Assessment of Applying ERA-Interim Reanalysis Data to Calculate Ground-Based GPS/PWV over China[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8): 935-939 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201408010.htm
    [19] Wang X M, Zhang K F, Wu S Q, et al. Water Vapor-Weighted Mean Temperature and Its Impact on the Determination of Precipitable Water Vapor and Its Linear Trend[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(2): 833-852 doi:  10.1002/2015JD024181
    [20] Zhao Q Z, Yao Y B, Yao W Q. Troposphere Water Vapour Tomography: A Horizontal Parameterised Approach[J]. Remote Sensing, 2018, 10(8): 1241 doi:  10.3390/rs10081241
    [21] Böehm J, Heinkelmann R, Schuh H. Short Note: A Global Model of Pressure and Temperature for Geodetic Applications[J]. Journal of Geodesy, 2007, 81(10): 679-683 doi:  10.1007/s00190-007-0135-3
    [22] Saastamoinen J. Atmospheric Correction for the Troposphere and Stratosphere in Radio Ranging Satellites[M]//The Use of Artificial Satellites for Geodesy. Washington, USA: American Geophysical Union, 2013
    [23] Huang L K, Liu L L, Chen H, et al. An Improved Atmospheric Weighted Mean Temperature Model and Its Impact on GNSS Precipitable Water Vapor Estimates for China[J]. GPS Solutions, 2019, 23(2), DOI:  10.1007/s10291-019-0843-1
    [24] Shi C, Zhao Q L, Geng J H, et al. Recent Development of PANDA Software in GNSS Data Processing[C]//International Conference on Earth Observation Data Processing and Analysis, Wuhan, China, 2008
    [25] Zhang H X, Yuan Y B, Li W, et al. GPS PPP-Derived Precipitable Water Vapor Retrieval Based on Tm/Ps from Multiple Sources of Meteorological Data Sets in China[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(8): 4165-4183 doi:  10.1002/2016JD026000
    [26] Liu J N, Ge M R. PANDA Software and Its Preliminary Result of Positioning and Orbit Determination[J]. Wuhan University Journal of Natural Sciences, 2003, 8(2): 603-609 doi:  10.1007/BF02899825
    [27] Zhang W X, Lou Y D, Haase J S, et al. The Use of Ground‐Based GPS Precipitable Water Measurements over China to Assess Radiosonde and ERA-Interim Moisture Trends and Errors from 1999 to 2015[J]. Journal of Climate, 2017, 30(19): 7643-7667 doi:  10.1175/JCLI-D-16-0591.1
    [28] Tregoning P, Herring T A. Impact of a Priori Zenith Hydrostatic Delay Errors on GPS Estimates of Station Heights and Zenith Total Delays[J]. Geophysical Research Letters, 2006, 33(23): L23303 doi:  10.1029/2006GL027706
    [29] Wolf H. Determination of Water Density: Limitations at the Uncertainty Level of 1×10-6[J]. Accreditation and Quality Assurance, 2008, 13(10): 587-591 doi:  10.1007/s00769-008-0442-2
  • [1] 刘路, 郭金运, 周茂盛, 鄢建国, 纪兵, 赵春梅.  GNSS广播星历轨道和钟差精度分析 . 武汉大学学报 ● 信息科学版, 2022, 47(7): 1122-1132. doi: 10.13203/j.whugis20200166
    [2] 王乐洋, 邹传义.  乘性误差模型参数估计及精度评定的Sterling插值方法 . 武汉大学学报 ● 信息科学版, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
    [3] 王乐洋, 邹传义.  PEIV模型参数估计理论及其应用研究进展 . 武汉大学学报 ● 信息科学版, 2021, 46(9): 1273-1283, 1297. doi: 10.13203/j.whugis20200312
    [4] 郭磊, 王甫红, 桑吉章, 张万威.  一种新的利用历元间位置变化量约束的GNSS导航算法 . 武汉大学学报 ● 信息科学版, 2020, 45(1): 21-27. doi: 10.13203/j.whugis20190062
    [5] 赵昂, 杨元喜, 许扬胤, 景一帆, 杨宇飞, 马越原, 徐君毅.  GNSS单系统及多系统组合完好性分析 . 武汉大学学报 ● 信息科学版, 2020, 45(1): 72-80. doi: 10.13203/j.whugis20180425
    [6] 王乐洋, 赵英文.  非线性平差精度评定的自适应蒙特卡罗法 . 武汉大学学报 ● 信息科学版, 2019, 44(2): 206-213, 220. doi: 10.13203/j.whugis20170064
    [7] 谢建, 龙四春, 李黎, 李博超.  不等式约束加权整体最小二乘的凝聚函数法 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1526-1530. doi: 10.13203/j.whugis20160507
    [8] 王君刚, 陈俊平, 王解先, 章洁君, 宋雷.  对流层经验改正模型在中国区域的精度评估 . 武汉大学学报 ● 信息科学版, 2016, 41(12): 1656-1663. doi: 10.13203/j.whugis20140696
    [9] 施闯, 王海深, 曹云昌, 张恩红, 梁宏, 付志康.  基于北斗卫星的水汽探测性能分析 . 武汉大学学报 ● 信息科学版, 2016, 41(3): 285-289. doi: 10.13203/j.whugis20140944
    [10] 姚宜斌, 刘强, 江国焰, 张良.  华北地区应变率及其精度评定 . 武汉大学学报 ● 信息科学版, 2015, 40(10): 1317-1323. doi: 10.13203/j.whugis20140001
    [11] 姚宜斌, 孔建.  顾及设计矩阵随机误差的最小二乘组合新解法 . 武汉大学学报 ● 信息科学版, 2014, 39(9): 1028-1032. doi: 10.13203/j.whugis20130030
    [12] 范士杰, 刘焱雄, 王振杰.  日本3·11特大地震的GPS震时和震后响应 . 武汉大学学报 ● 信息科学版, 2012, 37(2): 191-194.
    [13] 许超钤, 史俊波, 郭际明, 徐晓华.  联合地基GPS和空基COSMIC掩星的可降水量研究 . 武汉大学学报 ● 信息科学版, 2011, 36(4): 467-470.
    [14] 张小红, 何锡扬, 郭博峰, 徐运.  基于GPS非差观测值估计大气可降水量 . 武汉大学学报 ● 信息科学版, 2010, 35(7): 806-810.
    [15] 李博峰, 沈云中, 冯延明.  利用三频GNSS进行长距离实时精密导航 . 武汉大学学报 ● 信息科学版, 2009, 34(7): 782-786.
    [16] 赵强, 杨世植, 乔延利, 麻金继.  利用MODIS红外资料反演大气参数以及表层温度的研究 . 武汉大学学报 ● 信息科学版, 2009, 34(4): 400-403.
    [17] 孙建国, 艾廷华, 王沛, 赵传燕.  基于NDVI-气候变量特征空间的植被退化评价 . 武汉大学学报 ● 信息科学版, 2008, 33(6): 573-576.
    [18] 王贵文, 王泽民, 杨剑.  地基GPS准实时反演三峡地区大气可降水量的研究 . 武汉大学学报 ● 信息科学版, 2007, 32(9): 761-763.
    [19] 於宗俦, 于正林.  分组平差与精度评定 . 武汉大学学报 ● 信息科学版, 1988, 13(3): 32-46.
    [20] 赵庆志, 杨鹏飞, 李祖锋, 姚顽强, 姚宜斌.  COVID-19期间中国区域AOD与气象因子时空特征分析 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210209
  • 加载中
图(7) / 表(2)
计量
  • 文章访问数:  138
  • HTML全文浏览量:  53
  • PDF下载量:  27
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-07-29
  • 刊出日期:  2022-09-05

黄土高原地区PWV影响因素分析及精度评定

doi: 10.13203/j.whugis20200390
    基金项目:

    国家自然科学基金 41904036

    中国电建集团西北勘测设计研究院有限公司科技项目 XBY-2016-10

    中国电建集团西北勘测设计研究院有限公司科技项目 XBY-KJ-2019-06

    中国电建集团西北勘测设计研究院有限公司科技项目 XBY-KJ-2021-14

    作者简介:

    杨鹏飞,硕士,主要从事GNSS空间环境与气候变化相关研究。ypf0323@163.com

    通讯作者: 赵庆志,博士,副教授。zhaoqingzhia@163.com
  • 中图分类号: P228

摘要: 大气水汽是对流层的重要组成部分之一,研究影响水汽的因素及精度具有重要意义。主要研究黄土高原地区大气可降水量(precipitable water vapor, PWV)的影响因素,并对其实际精度进行评估。首先,对ERA5(the fifth-generation atmospheric reanalysis data of ECMWF)的气压、气温数据和全球导航卫星系统(global navigation satellite system, GNSS)获取的天顶对流层延迟(zenith troposphere delay, ZTD)进行评定;然后,依据ERA5的气压、气温数据和GNSS的ZTD数据计算1 h分辨率的PWV,并利用误差传播理论推导PWV的理论误差; 最后, 与PWV实际计算误差进行对比,分析黄土高原地区PWV的精度。结果表明,基于GAMIT/GLOBK软件获得的GNSS ZTD与PANDA软件解算的GNSS ZTD差值的均方根(root mean square, RMS)和Bias分别为4.05 mm和-0.46 mm;ERA5气压和气温的平均RMS和Bias分别为3.36 hPa/1.97 K和-0.01 ‍hPa/0.04 K;黄土高原地区PWV的理论误差为1.51 mm,实际误差为1.94 mm。计算得到的PWV精度较高,对水汽分布以及气候监测的研究具有重要意义。

English Abstract

杨鹏飞, 赵庆志, 苏静, 姚宜斌. 黄土高原地区PWV影响因素分析及精度评定[J]. 武汉大学学报 ● 信息科学版, 2022, 47(9): 1470-1478. doi: 10.13203/j.whugis20200390
引用本文: 杨鹏飞, 赵庆志, 苏静, 姚宜斌. 黄土高原地区PWV影响因素分析及精度评定[J]. 武汉大学学报 ● 信息科学版, 2022, 47(9): 1470-1478. doi: 10.13203/j.whugis20200390
YANG Pengfei, ZHAO Qingzhi, SU Jing, YAO Yibin. Analysis of Influencing Factors and Accuracy Evaluation of PWV in the Loess Plateau[J]. Geomatics and Information Science of Wuhan University, 2022, 47(9): 1470-1478. doi: 10.13203/j.whugis20200390
Citation: YANG Pengfei, ZHAO Qingzhi, SU Jing, YAO Yibin. Analysis of Influencing Factors and Accuracy Evaluation of PWV in the Loess Plateau[J]. Geomatics and Information Science of Wuhan University, 2022, 47(9): 1470-1478. doi: 10.13203/j.whugis20200390
  • 大气水汽是对流层的重要组成部分,它影响着全球的能量、水循环以及气候变化等相关活动[1-2]。及时准确地了解大气水汽在全球范围的高时空分布已经逐渐成为全球导航卫星系统(global navigation satellite system,GNSS)气象学领域的研究热点之一,大气可降水量(precipitable water vapor,PWV)是研究大气水汽含量的一项重要指标。PWV是指从地表至对流层顶部单位截面积空气柱中包含的总水汽含量,通常用来反映大气水汽在对流层中的分布和变化,快速了解大气可降水量的变化对于分析水汽分布具有重要意义[3]。由于传统水汽监测技术的不足,因此往往难以获得高时空分辨率的PWV来实现水汽分布监测[4]。自20世纪90年代Bevis等[5-6]、Rocken等[7]和Tregoning等[8]提出了GNSS气象学以来,基于全球导航卫星系统反演PWV逐渐成为获取大气水汽的主要手段。由于GNSS具有全天候、高精度、高时空分辨率和低成本的优点,因此被广泛用于PWV的计算[9]。如Zhao等[10]、Zhang等[11]分别计算了全球与中国范围内的GNSS PWV。

    为了更好应用GNSS PWV,对其精度评定及其影响因素进行分析变得极其重要。李成才等[12]计算了上海和武汉地区在暴雨期间的GPS PWV,并将获取的数据与无线电探空获取的数据进行对比,计算得到的均方根(root mean square,RMS)值为5 mm。陈俊平等[13]比较了水汽辐射计观测数据和GPS观测数据得到的PWV,发现两者差值平均值为0.03 mm,均方差为0.02 mm。Ning等[14]分析了GNSS PWV中的所有相关误差源。提出统计分析和理论分析两种方法去评估PWV的不确定度,结果表明,天顶对流层延迟(zenith troposphere delay,ZTD)对PWV的影响占PWV总不确定度的75%以上。Zhao等[10]依据国际GNSS服务组织(International Global Navigation Satellite System Service,IGS)的ZTD数据计算获得了全球范围内精度为1.30 mm的PWV时间序列,其中,ZTD、气压和大气加权平均温度误差引起的PWV误差约为1~1.50 mm,表明PWV精度主要受到ZTD、气压和大气平均温度的影响。Zhao等[15]依据ERA5中的气象数据和中国大陆构造环境监测网络(crustal movement observation network of China,CMONOC)的ZTD数据计算了中国区域的PWV时间序列,通过对其评估发现中国四大地理区域PWV的平均RMS值小于3 mm。尽管许多学者评估了PWV的精度,但是对影响PWV的各项因子的不确定研究相对较少。

    为了探究各项因子对PWV精度的影响程度,本文以黄土高原地区为例,研究该地区PWV影响因素及其精度。首先,对ERA5的气象因子进行精度评定,依据ERA5气象因子与GNSS ZTD数据计算1 h分辨率的PWV;然后,依据误差传播定理公式计算PWV理论误差,并分析影响PWV精度的各项因子的不确定度;最后,分析PWV在黄土高原区域的实际精度。该研究可为黄土高原地区水资源可持续利用、短期天气预报和灾害预警与防治提供高精度的数据参考。

    • GNSS观测资料来自CMONOC并使用GAMIT/GLOBK(10.4版本)软件进行处理[16]。中国地壳运动观测网络建于1997—2000年,为GNSS气象学等领域提供高精度的观测资料。在此基础上CMONOC也于2011年投入观测,包含大量卫星激光测距(satellite laser ranging,SLR)、甚长基线干涉测量(very long baseline interferometry,VLBI)、重力及GNSS测站,其中GNSS测站中包含260个基准站以及约2 000个非连续观测站[17]。本文中使用的ZTD数据为1 h分辨率,由于时间序列的残缺,最终选择黄土高原地区33个GNSS站点处的2014—2017年数据进行使用。

      ERA-Interim与ERA5数据分别为ECMWF中的第4代与第5代数据集,包含1979年至今2~3个月的数据集,原始数据可通过https://www.ecmwf.int/免费下载,ECMWF的这两类产品均提供了不同时空分辨率的气压、气温与PWV等格网气象数据,其中,ERA-Interim数据集时间分辨率为6 h[18],ERA5数据集时间分辨率为1 h。

      本文选择无线电探空数据来验证ERA5中的PT与GNSS PWV的精度。无线电探空仪数据来自集成的全球无线电探空仪存档版本2(IGRA2)数据集。IGRA2是由美国国家气候数据中心于2016年生成,它比之前的数据集(IGRA1)包含更多的无线电探空站。该数据集包括气压、气温、相对湿度和其他参数,时间分辨率为每天2次或4次(ftp://ftp.ncdc.noaa.gov/pub/data/igra)。本实验选取黄土高原地区的8个探空站点,黄土高原地区GNSS站与无线电探空(radio sonde,RS)站分布如图 1所示。

      图  1  黄土高原地区GNSS和RS站点分布图

      Figure 1.  Distribution of GNSS and RS Stations in Loess Plateau

    • ERA5的地形高度为位势,首先,参照Wang等[19]和Zhao等[20]的方法将ERA5的位势转换为位势高;其次,将位势高转换为正高;然后,对ERA5格网的气压与气温数据利用双线性插值获取GNSS站点的气压、气温数据,并对其进行高程改正[21]

      P=P0(1-0.000 022 6(h-h0))5.225dT/dh=-0.006 5 °C/m

      式中,P为站点的气压数据;P0为格网点的气压数据;h为站点高;h0为格网高;dT为站点温度与格网温度的差值;dh为站点高与格网高的差值。

      利用高程改正后的GNSS站点处的气压,依据Saastamoinen模型计算出GNSS站点的天顶静力延迟(zenith hydrostatic delay,ZHD)[22],利用ZTD与ZHD可获得天顶湿延迟(zenith wet delay,ZWD)。在获得ZWD后,进行PWV的计算:

      ZHD=0.002 277P1-0.002 66cos(2φ)-0.000 28HZWD=ZTD-ZHDPWV=106K2'+K3/TmRvρZWD

      式中,P为地表气压;φ为纬度;H为大地高;ρ为水汽的密度;K3=(3.776±0.014)×105 K2/hPaK2'=16.48 K/hPaRv=461 J/(kgK)Tm是大气加权平均温度,本文依据Huang等[23]改进的中国Tm模型IGPT2w(improved global pressure and temperature 2 wet)获得。

    • 为了验证基于GAMIT/GLOBK(version 10.4)软件得到的GNSS ZTD与其他软件处理的一致性,本文还与基于PANDA软件采用精密单点定位技术计算得到的ZTD[24-25]进行了对比。PANDA软件自2001年起由武汉大学卫星导航定位技术研究中心自主开发,并被国际多家著名研究机构采用,其目标是实现对GNSS/SLR/DORIS/VLBI等各类观测数据的后处理和实时处理分析[26]。本文中基于PANDA软件得到的ZTD数据采用Zhang等[27]依据PANDA软件计算得到的中国区域内的ZTD产品,其通过与IGS的ZTD对比发现,RMS为3.90 mm,最小值和最大值分别为2.70 mm和6.40 mm。本文选择黄土高原地区33个GNSS站点处的两种软件获得的ZTD进行对比,将ZTD时间序列中大于3倍中误差的数据进行剔除。图 2给出了使用GAMIT/GLOBK和PANDA软件计算的2014—2017年GNSS的ZTD差值的RMS和Bias分布。从图 2可以看出,两种软件所获得的GNSS的ZTD相差较小,据统计33个站点处的平均RMS和Bias分别为4.05 mm和-0.46 mm。

      图  2  2014-2017年两类软件解算的GNSS ZTD差值的RMS和Bias分布

      Figure 2.  RMS and Bias Distribution of GNSS ZTD Difference Calculated by Two Types of Softwares from 2014 to 2017

    • 为分析ERA5数据集中气压与气温的精度,本文对比了ERA5与ERA-Interim格网间的气压与气温,由于两种数据集均属于再分析数据资料,因此本节主要讨论二者之间的差异。图 3给出了ERA5与ERA-Interim格网间气压与气温的标准差(standard deviation,STD)与Bias。从图 3可以看出,两种数据集的气压与气温的STD相对较小,气压的Bias较大,说明两种数据集中的气压相差较大,出现这一现象的可能原因是由于该地区高程差异及两类数据集的格网高不同所导致。据统计,两种数据集的气压差值的STD为0.51 hPa,气温差值的STD为1.29 K;气压差值的Bias为-2.12 hPa,气温差值的Bias为0.08 K。由于ERA5的时间分辨率高于ERA-Interim,因此后续使用ERA5进行研究。

      图  3  ERA5与ERA-Interim格网间气压与气温的STD与Bias分布图

      Figure 3.  STD and Bias Distribution of Pressure and Temperature Between ERA5 and ERA-Interim

    • 依据3倍中误差法对数据进行粗差剔除并保证站点的数据利用率大于85%,选择黄土高原地区8个RS站点处的气压与气温数据对基于ERA5获得的气压、气温数据进行精度评定。

      8个站点所对应的站点经纬度及高程信息见表 1图 4给出了黄土高原地区8个站点处气压与气温的RMS和Bias分布图。从图 4可以看出,气压与气温的对比结果整体较好,气压的结果差于气温,导致这一现象的主要原因是高程变化对气压的影响高于气温。在部分站点处气压与气温的RMS值和Bias值均较大,出现这一现象的主要原因是这些站点对应的原始格网数据质量相对较差。经统计,8个站点处的气压的平均RMS为3.36 hPa,气温的平均RMS为1.97 K;气压的平均Bias为-0.01 hPa,气温的平均Bias为0.04 K。由此可知,基于ERA5的气压、气温数据的精度相对较好,可应用于1 ‍h分辨率PWV的计算。

      表 1  站点经纬度与高程信息

      Table 1.  Station Longitude and Latitude and Elevation Information

      站点名 纬度/(°) 经度/(°) 高程/m
      CH66 36.716 7 101.750 0 2 296.00
      CH63 40.850 0 111.566 7 1 153.50
      CH13 40.733 3 107.366 7 1 041.00
      CH43 39.833 3 109.983 3 1 459.00
      CH14 38.466 7 106.200 0 1 112.00
      CH72 37.620 6 112.576 7 776.00
      CH45 36.566 7 109.450 0 958.90
      CH15 35.550 0 106.666 7 1 348.00

      图  4  ERA5与RS站点间气压与气温的RMS和Bias分布图

      Figure 4.  RMS and Bias Distribution of Pressure and Temperature Between ERA5 and RS Stations

    • 由PWV的计算公式可知PWV精度受到多个因子的影响,通过误差传播定律,依据各项影响因子的精度值,可推算出PWV的理论精度值[14]。下面分别给出ZHD、转换系数Q、PWV的不确定度的计算方式。

      1)ZHD数据的不确定度。ZHD的精度主要受气压和常数c的不确定性影响,1 hPa的地表气压约对ZHD产生0.20 mm的误差影响[28],ZHD的不确定度计算如下[14]

      σZHD = 2.276 7σP0f(λ,H)2+ P0σcf(λ,H)2f(λ,H) = (1-2.66×10-3cos(2φ) -2.8×10-7H)

      式中,P0为站点处的气压值(单位:hPa);σP0为气压的误差;σc=0.002 4,常数c的不确定度参照Zhao等[15]研究中所使用的数值;λH分别是站点纬度和大地高。

      2)转换系数Q的不确定度。转换系数QQ的不确定度的计算公式如下:

      Q=1×10-6ρwRwk2'+k3TmσQ=1×10-6ρwRwσk3Tm2+σk2'2+k3σTmTm22

      式中,ρw为液态水的密度;k2'=16.48 K/hPak3=(3.776±0.014)×105 K²/hPaRw=461 J/(kgK)Tm是大气加权平均温度;σQσk3σk2'σTm分别为转化系数Q、常数k3k2'和大气加权平均温度Tm的误差。其中,液态水的密度ρw的不确定度[29]为0.002 kg/m3Rw的不确定度为0.008 J/(kgK)http://physics.nist.gov/cuu/Constants/index.html),由于来自这两个参数的影响较小(小于Q总不确定度的0.1%),因此Q的不确定度取决于Tmk3k2'的不确定度[14]

      3)PWV的不确定度。根据误差传播定律,PWV的不确定度[1428]计算如下:

      σv=σZTDQ2+2.276 7σP0f(λ,H)Q2+P0σcf(λ,H)Q2+VσQQ2

      式中,σvσZTDσP0σQ分别代表PWV、ZTD、气压、转换系数Q的误差;V代表PWV;σc=0.002 4

      依据上述各项因子的不确定度计算式可获得各项因子对PWV所引起的误差影响。通过计算可知,转换因子Q的误差约为2.26,P的误差约为3.36 hPa,ZHD的误差约为2.79 mm,ZTD的误差约为4.05 mm。其中,ZTD的误差由Zhang等[27]利用PANDA软件获得的ZTD进行对比得到,ZHD与Q的误差分别由式(3)和式(4)计算获得。

      由上述计算结果可知,ZTD对PWV的理论误差影响最大,其次是ZHD。而造成ZHD出现误差的主要原因是气压的误差相对较大,造成Q出现误差的主要原因是大气加权平均温度存在误差。将上述各因子的误差值代入式(5)可得,黄土高原地区PWV的理论精度值为1.51 mm。

    • 为确定黄土高原地区GNSS PWV数据集的精度,依据RS站的PWV数据对其进行精度评定。对基于ERA5气象参数与CMONOC ZTD获得的2014—2017年的GNSS PWV与RS PWV利用3倍中误差对数据进行粗差剔除,并保证每个站点的数据利用率均在85%以上。通过对数据进行粗差处理后,选择黄土高原地区的5个GNSS与RS并址站进行对比。图 5给出了2014—2017年GNSS PWV与RS PWV的RMS和Bias分布图。从图 5可以看出,除XNIN站以外,其余站点处的RMS值均小于3 mm,出现这一现象的主要原因是该站点位于青藏地区,高程差异较大,气压与气温的数据质量较差,因此导致该站点的PWV精度相对较低。据统计,图 5中5个站点处的GNSS PWV与RS PWV的平均RMS和Bias分别为1.94 mm和0.72 mm,由此可知,PWV的实际精度低于理论精度,主要原因是由于ERA5为再分析资料与实际值有一定差距,并且RS PWV本身也存在着一定误差,因此最终导致PWV的实际精度值低于理论精度值。为了清晰地描述GNSS PWV与RS PWV的长时序变化,图 6给出了GSPL站与SNYA站2014—2017年GNSS PWV与RS PWV的长时序变化。

      图  5  2014—2017年GNSS PWV与RS PWV的RMS与Bias分布图

      Figure 5.  RMS and Bias Distribution of GNSS PWV and RS PWV from 2014 to 2017

      图  6  2014—2017年期间测站GSPL与SNYA位置处的RS PWV与GNSS PWV长时序图

      Figure 6.  RS PWV and GNSS PWV Long Time Series of Stations GSPL and SNYA from 2014 to 2017

      图 6可知,GNSS PWV和RS PWV的变化趋势一致,故基于ERA5气象参数与CMONOC ZTD所获得的GNSS PWV具有较高精度。

    • 为进一步确定GNSS PWV的精度,利用狄洛尼三角网法将2016年GNSS站点的PWV数据插值为整个黄土高原地区的面状PWV,与ERA5的格网PWV数据进行对比。图 7给出了2016年GNSS PWV与ERA5 PWV及二者差值的分布图。分别按照春、夏、秋、冬4个季节进行分析,图 7(a)为4个季节的ERA5 PWV分布,图 7(b)为4个季节的GNSS PWV分布,图 7(c)为4个季节ERA5 PWV与GNSS PWV的差值分布。

      图  7  2016年GNSS PWV与ERA5 PWV对比分布图

      Figure 7.  Comparative Distribution of GNSS PWV and ERA5 PWV in 2016

      图 7可以看出,PWV的分布在春季到冬季之间也有很大差异。比较GNSS PWV和ERA5 PWV可以看出,其分布总体上是一致的,在每个季节ERA5和GNSS的PWV数据都有一定的差值,但是在各个季节大多数地区的差值均在5 ‍mm以下,因此基于ERA5气象参数和CMONOC ZTD获得的黄土高原地区的GNSS PWV数据具有较好的精度。此外,在个别区域可以发现ERA5 PWV与GNSS PWV的差值较大,这可能是由于GNSS站不均匀所导致。

      表 2给出了GNSS PWV与ERA5 PWV及二者差值分别在4个季节的均值,同样可知二者相差较小,进而说明GNSS PWV的精度相对较高。

      表 2  2016年GNSS PWV与ERA5 PWV及二者差值分别在4个季节的均值/mm

      Table 2.  Mean Values of GNSS PWV and ERA5 PWV and Their Difference, Respectively in Four Seasons/mm

      季节 ERA5 GNSS 差值
      春季 12.78 12.44 -0.31
      夏季 18.05 15.87 -2.19
      秋季 14.62 15.14 0.53
      冬季 6.13 5.28 -0.85
    • 大气水汽的快速变化对区域水汽循环和气候变化具有重要意义,因此,对于PWV的影响因素的分析及精度评估变得尤为重要。本文重点研究黄土高原地区GNSS PWV的理论精度与实际精度,分析了影响PWV精度的各因子的不确定度。理论误差的计算主要依据误差传播定理进行研究,实际误差的计算是以RS数据资料为标准来验证GNSS PWV的精度。

      通过本文的研究最终得到如下结论:(1)ERA5和ERA-Interim两类数据集的气压在个别区域相差较大,气温整体相差较小。通过利用RS数据集中的气压与气温对ERA5气压与气温的评定发现,气压的平均RMS为3.36 hPa,气温的平均RMS为1.97 K;气压的平均Bias为-0.01 hPa,气温的Bias为0.04 K。(2)影响PWV理论精度的最大影响因素为ZTD,其次为ZHD与转换系数Q,通过PWV的不确定度公式计算得到黄土高原地区PWV的理论精度为1.51 mm,低于PWV的实际精度1.94 mm,出现该现象的主要原因是ERA5为再分析资料,与真实值存在一定差距,RS数据资料本身也存在一定误差。(3)分析2016年期间4个季节的GNSS PWV和ERA5 PWV发现,二者整体相差较小,在个别区域相差较大,主要原因可能是由于GNSS站点不均匀所导致。

      基于ERA5气象参数和CMONOC ZTD获得的GNSS PWV精度较好,且具有较高的时间分辨率,这对于研究黄土高原区域水汽变化与分布具有重要意义。

参考文献 (29)

目录

    /

    返回文章
    返回