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

附加高水平分辨率PWV约束的GNSS水汽层析算法

张文渊 郑南山 张书毕 丁楠 戚铭心 王昊

张文渊, 郑南山, 张书毕, 丁楠, 戚铭心, 王昊. 附加高水平分辨率PWV约束的GNSS水汽层析算法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1627-1635. doi: 10.13203/j.whugis20210055
引用本文: 张文渊, 郑南山, 张书毕, 丁楠, 戚铭心, 王昊. 附加高水平分辨率PWV约束的GNSS水汽层析算法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1627-1635. doi: 10.13203/j.whugis20210055
ZHANG Wenyuan, ZHENG Nanshan, ZHANG Shubi, DING Nan, QI Mingxin, WANG Hao. GNSS Water Vapor Tomography Algorithm Constrained with High Horizontal Resolution PWV Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1627-1635. doi: 10.13203/j.whugis20210055
Citation: ZHANG Wenyuan, ZHENG Nanshan, ZHANG Shubi, DING Nan, QI Mingxin, WANG Hao. GNSS Water Vapor Tomography Algorithm Constrained with High Horizontal Resolution PWV Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1627-1635. doi: 10.13203/j.whugis20210055

附加高水平分辨率PWV约束的GNSS水汽层析算法

doi: 10.13203/j.whugis20210055
基金项目: 

国家自然科学基金 41974039

国家自然科学基金 41774026

国家自然科学基金 41904013

自然资源部国土环境与灾害监测重点实验室开放基金 LEDM2021B13

详细信息
    作者简介:

    张文渊,博士生,主要从事GNSS水汽层析技术研究。zhangwy@cumt.edu.cn

    通讯作者: 郑南山,博士,教授。znshcumt@163.com
  • 中图分类号: P228

GNSS Water Vapor Tomography Algorithm Constrained with High Horizontal Resolution PWV Data

Funds: 

The National Natural Science Foundation of China 41974039

The National Natural Science Foundation of China 41774026

The National Natural Science Foundation of China 41904013

the Open Research Fund of Key Laboratory of Land Environment and Disaster Monitoring, Ministry of Natural Resources, China University of Mining and Technology LEDM2021B13

More Information
    Author Bio:

    ZHANG Wenyuan, PhD candidate, specializes in GNSS tomography technology. E-mail: zhangwy@cumt.edu.cn

    Corresponding author: ZHENG Nanshan, PhD, professor. E-mail: znshcumt@163.com
  • 摘要: 全球导航卫星系统(global navigation satellite system, GNSS)水汽层析技术凭借高精度、低成本、全天候等优点成为获取高时空分辨率水汽三维分布的重要手段之一。引入遥感卫星提供的高分辨率水汽信息,首次提出附加高水平分辨率大气可降水量(precipitable water vapor, PWV)约束的GNSS水汽层析算法,对现有水汽层析算法的约束条件进行补充和改进。首先对高分辨率PWV观测值进行校正,然后基于二次加密划分的层析体素块构造PWV约束方程,通过将PWV约束方程融合到GNSS层析模型来改善模型的约束条件,进而优化层析结果质量。利用徐州地区2017-08的GNSS观测数据和风云三号A星(Fengyun-3A, FY-3A)遥感水汽数据对该算法的可行性及精度进行验证,分别以高精度的探空水汽廓线和ERA5三维水汽密度场为参考值对层析结果进行评估。实验结果表明,所提算法反演的水汽廓线和三维水汽分布均优于传统层析算法,各类精度指标都有了显著改善,其中平均均方根误差由2.73 g/m3减小为1.78 g/m3,反演精度提高了34.80%,进一步表明所提算法可有效改善层析结果质量,有助于获取高精度和高可靠性的三维大气水汽分布。
  • 图  1  体素块划分及二次加密划分

    Figure  1.  Voxels Division and Secondary Densified Division

    图  2  徐州地区GNSS测站分布

    Figure  2.  Distribution of GNSS Stations in Xuzhou

    图  3  24幅FY PWV影像的获取时间分布

    Figure  3.  Acquisition Time Distribution of 24 FY PWV Images

    图  4  两种算法在不同天气条件下的层析水汽廓线对比

    Figure  4.  Comparison of Tomographic Water Vapor Profiles Derived from Two Algorithms Under Different Weather Conditions

    图  5  两种算法反演结果的RMSE对比

    Figure  5.  Comparison of the RMSE of the Tomographic Results Derived from Two Algorithms

    图  6  两种层析算法反演的三维水汽分布的平均误差对比

    Figure  6.  Comparison of Mean Errors of 3D Water Vapor Distribution Derived from Two Algorithms

    图  7  两种算法的层析结果与探空数据和ERA5数据的散点分布图

    Figure  7.  Scatter Plots of the Tomography Results with Radiosonde Data and ERA5 Data Derived from Two Algorithms

    图  8  两种算法的层析结果在不同高度上的反演精度对比

    Figure  8.  Comparison of Retrieval Accuracy of the Tomography Results Derived from Two Algorithms at Different Altitudes

  • [1] Zhang K, Manning T, Wu S, et al. Capturing the Signature of Severe Weather Events in Australia Using GPS Measurements[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(4): 1 839-1 847 doi:  10.1109/JSTARS.2015.2406313
    [2] Wang X, Zhang K, Wu S, et al. The Correlation Between GNSS-derived Precipitable Water Vapor and Sea Surface Temperature and Its Responses to El Niño-Southern Oscillation[J]. Remote Sensing of Environment, 2018, 216: 1-12 doi:  10.1016/j.rse.2018.06.029
    [3] 姚宜斌, 张顺, 孔建. GNSS空间环境学研究进展和展望[J]. 测绘学报, 2017, 46(10): 1 408-1 420 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710025.htm

    Yao Yibin, Zhang Shun, Kong Jian. Research Progress and Prospect of GNSS Space Environment Science[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1 408-1 420 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710025.htm
    [4] Bevis M, Steven B, Thomasa H. GPS Meteorology Remote Sensing of Atmospheric Water Vapor Using Global Positioning System[J]. Journal of Geophysical Research Atmospheres, 1992, 97 (D14): 15 787-15 801 doi:  10.1029/92JD01517
    [5] Flores A, Ruffini G, Rius A. 4D Tropospheric Tomography Using GPS Slant Wet Delays[J]. Annales Geophysicae, 2000, 18(2): 223-234 doi:  10.1007/s00585-000-0223-7
    [6] Rohm W. The Ground GNSS Tomography-Unconstrained Approach[J]. Advances in Space Research, 2013, 51: 501-513 doi:  10.1016/j.asr.2012.09.021
    [7] Song S, Zhu W, Ding J, et al. 3D Water-Vapor Tomography with Shanghai GPS Network to Im prove Forecasted Moisture Field[J]. Chinese Science Bulletin, 2006, 51(5): 607-614 doi:  10.1007/s11434-006-0607-5
    [8] 何林, 柳林涛, 苏晓庆, 等. 水汽层析代数重构算法[J]. 测绘学报, 2015, 44(1): 32-38 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201501007.htm

    He Lin, Liu Lintao, Su Xiaoqing, et al. Algebraic Reconstruction Algorithm of Vapor Tomography [J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(1): 32-38 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201501007.htm
    [9] 赵庆志, 姚宜斌, 罗亦泳. 附加辅助层析区域提高射线利用率的水汽反演方法[J]. 武汉大学学报·信息科学版, 2017, 42(9): 1 203- 1 208, 1 222 doi:  10.13203/j.whugis20150592

    Zhao Qingzhi, Yao Yibin, Luo Yiyong. A Method to Improve the Utilization of Observation for Water Vapor Tomography by Adding Assisted Tomographic Area[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9): 1 203- 1 208, 1 222 doi:  10.13203/j.whugis20150592
    [10] 胡鹏, 黄观文, 张勤, 等. 顾及边界入射信号的多模水汽层析方法[J]. 测绘学报, 2020, 49 (5): 557-568 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202005003.htm

    Hu Peng, Huang Guanwen, Zhang Qin, et al. A Multi-GNSS Water Vapor Tomography Method Considering Boundary Incident Signals[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(5): 557-568 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202005003.htm
    [11] 张文渊, 张书毕, 左都美, 等. GNSS水汽层析的自适应代数重构算法[J]. 武汉大学学报·信息科学版, 2021, 46(9): 1 318-1 327 doi:  10.13203/j.whugis20190387

    Zhang Wenyuan, Zhang Shubi, Zuo Doumei, et al. Adaptive Algebraic Reconstruction Algorithms for GNSS Water Vapor Tomography[J]. Geomatics and Information Science of Wuhan University, 2021, 46(9): 1 318-1 327 doi:  10.13203/j.whugis20190387
    [12] 赵庆志, 姚宜斌, 辛林洋. 融合ECMWF格网数据的水汽层析精化方法[J]. 武汉大学学报'信息科学版, 2021, 46(8): 1 131-1 138 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202108002.htm

    Zhao Qingzhi, Yao Yibin, Xin Linyang. A Method to Sophisticate the Water Vapor Tomography Model by Combining the ECMWF Grid Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(8): 1 131-1 138 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202108002.htm
    [13] Haji-Aghajany S, Amerian Y, Verhagen S, et al. An Optimal Troposphere Tomography Technique Using the WRF Model Outputs and Topography of the Area[J]. Remote Sensing, 2020, 12: 1 442 doi:  10.3390/rs12091442
    [14] Benevides P, Catalao J, Nico G, et al. 4D Wet Refractivity Estimation in the Atmosphere Using GNSS Tomography Initialized by Radiosonde and AIRS Measurements: Results from a 1-week Intensive Campaign[J]. GPS Solutions, 2018, 22 (4): 91 doi:  10.1007/s10291-018-0755-5
    [15] Zhao Q, Yao W, Yao Y, et al. An Improved GNSS Tropospheric Tomography Method with the GPT2w Model[J]. GPS Solutions, 2020, 24(60): 974 doi:  10.1007/s10291-020-0974-4
    [16] Yang F, Guo J, Shi J, et al. A GPS Water Vapor Tomography Method Based on a Genetic Algorithm [J]. Atmospheric Measurement Techniques, 2020, 13: 355-371 doi:  10.5194/amt-13-355-2020
    [17] Haji-Aghajany S, Amerian Y, Verhagen S. Bspline Function-based Approach for GPS Tropospheric Tomography[J]. GPS Solutions, 2020, 24 (88): 1 005 doi:  10.1007/s10291-020-01005-x/
    [18] Sá A, Rohm W, Fernandes R M, et al. Approach to Leveraging Real-time GNSS Tomography Usage [J]. Journal of Geodesy, 2021, 95(8): 1 464 doi:  10.1007/s00190-020-01464-7
    [19] Benevides P, Nico G, Catalao J, et al. Bridging InSAR and GPS Tomography: A New Differential Geometrical Constraint[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(2): 697-702 doi:  10.1109/TGRS.2015.2463263
    [20] Heublein M, Alshawaf F, Erdnüß B, et al. Compressive Sensing Reconstruction of 3D Wet Refractivity Based on GNSS and InSAR Observations [J]. Journal of Geodesy, 2019, 93(2): 197-217 doi:  10.1007/s00190-018-1152-0
    [21] He J, Liu Z Z. Comparison of Satellite-Derived Precipitable Water Vapor Through Near-Infrared Remote Sensing Channels[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(12): 10 252-10 262 doi:  10.1109/TGRS.2019.2932847
    [22] 王稀, 李万彪. 应用FY-3A/MWHS资料反演太平洋海域晴空大气湿度廓线[J]. 热带气象学报, 2013(1): 47-54 https://www.cnki.com.cn/Article/CJFDTOTAL-RDQX201301006.htm

    Wang Xi, Li Wanbiao. Retrieval of Clear Sky Moisture Profiles in the Pacific Using Measurements of MWHS from FY-3A Satellite[J]. Journal of Tropical Meteorology, 2013(1): 47-54 https://www.cnki.com.cn/Article/CJFDTOTAL-RDQX201301006.htm
    [23] 刘备, 王勇, 娄泽生, 等. CMONOC观测约束下的中国大陆地区MODISPWV校正[J]. 测绘学报, 2019, 48 (10): 1 207-1 215 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201910002.htm

    Liu Bei, Wang Yong, Lou Zesheng, et al. The MODIS PWV Correction Based on CMONOC in Chinese Mainland[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(10): 1 207-1 215 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201910002.htm
    [24] Saastamoinen J. Contributions to the Theory of Atmospheric Refraction[J]. Journal of Geodesy, 1972, 105: 279-298
    [25] Landskron D, Böhm J. Refined Discrete and Empirical Horizontal Gradients in VLBI Analysis[J]. Journal of Geodesy, 2018, 92(12): 1 387-1 399 doi:  10.1007/s00190-018-1127-1
    [26] Chang L, Gao G, Jin S, et al. Calibration and Evaluation of Precipitable Water Vapor from MO DIS Infrared Observations at Night[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53: 2 612-2 620 doi:  10.1109/TGRS.2014.2363089
  • [1] 王耀兴, 张秋昭, 沈震.  COSMIC掩星反演湿温廓线质量的时空分析 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 887-894. doi: 10.13203/j.whugis20190051
    [2] 张文渊, 张书毕, 左都美, 丁楠, 刘鑫.  GNSS水汽层析的自适应代数重构算法 . 武汉大学学报 ● 信息科学版, 2021, 46(9): 1318-1327. doi: 10.13203/j.whugis20190387
    [3] 赵庆志, 姚宜斌, 辛林洋.  融合ECMWF格网数据的水汽层析精化方法 . 武汉大学学报 ● 信息科学版, 2021, 46(8): 1131-1138. doi: 10.13203/j.whugis20190323
    [4] 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 . 武汉大学学报 ● 信息科学版, 2020, 45(3): 384-393. doi: 10.13203/j.whugis20180490
    [5] 郭春喜, 聂建亮, 田婕, 王斌, 靳鑫洋, 赵大江.  GNSS水准高程变化自适应融合的垂直形变分析 . 武汉大学学报 ● 信息科学版, 2020, 45(1): 7-12. doi: 10.13203/j.whugis20180408
    [6] 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
    [7] 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
    [8] 张双成, 戴凯阳, 南阳, 张勤, 瞿伟, 李振宇, 赵迎辉.  GNSS-MR技术用于雪深探测的初步研究 . 武汉大学学报 ● 信息科学版, 2018, 43(2): 234-240. doi: 10.13203/j.whugis20150236
    [9] 姚宜斌, 赵庆志, 罗亦泳.  附加虚拟信号精化水汽层析模型的方法 . 武汉大学学报 ● 信息科学版, 2017, 42(11): 1658-1664. doi: 10.13203/j.whugis20150444
    [10] 姚宜斌, 郭健健, 张豹, 胡羽丰.  湿延迟与可降水量转换系数的全球经验模型 . 武汉大学学报 ● 信息科学版, 2016, 41(1): 45-51. doi: 10.13203/j.whugis20140585
    [11] 杨建雷, 金天, 黄智刚, 秦红磊, 崔吉慧.  GNSS信号多径误差非包络评估方法 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 262-268. doi: 10.13203/j.whugis20140073
    [12] 夏朋飞, 蔡昌盛, 戴吾蛟, 陈必焰.  地基GPS联合COSMIC掩星数据的水汽三维层析研究 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 892-896.
    [13] 姚铮, 刘琳琳, 张晓明, 陆明泉.  面向多接收模式的GNSS互操作信号调制 . 武汉大学学报 ● 信息科学版, 2012, 37(5): 621-625.
    [14] 于胜杰, 柳林涛.  利用选权拟合法进行GPS水汽层析解算 . 武汉大学学报 ● 信息科学版, 2012, 37(2): 183-186.
    [15] 金力, 崔晓伟, 陆明泉, 冯振明.  带相位和频率反馈环路的GNSS弱信号跟踪技术研究 . 武汉大学学报 ● 信息科学版, 2011, 36(4): 417-421.
    [16] 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.
    [17] 张双成, 叶世榕, 万蓉, 陈波.  基于Kalman滤波的断层扫描初步层析水汽湿折射率分布 . 武汉大学学报 ● 信息科学版, 2008, 33(8): 796-799.
    [18] 曹新运, 沈飞, 李建成, 张守建.  BDS-3/GNSS非组合精密单点定位 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210198
    [19] 刘希康, 丁志峰, 李媛, 刘志广.  EMD在GNSS时间序列周期项处理中的应用 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210029
    [20] 周茂, 金涛勇, 姜卫平.  利用最优插值法改正宽刈幅高度计对流层湿延迟 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210008
  • 加载中
图(8)
计量
  • 文章访问数:  70
  • HTML全文浏览量:  34
  • PDF下载量:  22
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-29
  • 刊出日期:  2021-11-05

附加高水平分辨率PWV约束的GNSS水汽层析算法

doi: 10.13203/j.whugis20210055
    基金项目:

    国家自然科学基金 41974039

    国家自然科学基金 41774026

    国家自然科学基金 41904013

    自然资源部国土环境与灾害监测重点实验室开放基金 LEDM2021B13

    作者简介:

    张文渊,博士生,主要从事GNSS水汽层析技术研究。zhangwy@cumt.edu.cn

    通讯作者: 郑南山,博士,教授。znshcumt@163.com
  • 中图分类号: P228

摘要: 全球导航卫星系统(global navigation satellite system, GNSS)水汽层析技术凭借高精度、低成本、全天候等优点成为获取高时空分辨率水汽三维分布的重要手段之一。引入遥感卫星提供的高分辨率水汽信息,首次提出附加高水平分辨率大气可降水量(precipitable water vapor, PWV)约束的GNSS水汽层析算法,对现有水汽层析算法的约束条件进行补充和改进。首先对高分辨率PWV观测值进行校正,然后基于二次加密划分的层析体素块构造PWV约束方程,通过将PWV约束方程融合到GNSS层析模型来改善模型的约束条件,进而优化层析结果质量。利用徐州地区2017-08的GNSS观测数据和风云三号A星(Fengyun-3A, FY-3A)遥感水汽数据对该算法的可行性及精度进行验证,分别以高精度的探空水汽廓线和ERA5三维水汽密度场为参考值对层析结果进行评估。实验结果表明,所提算法反演的水汽廓线和三维水汽分布均优于传统层析算法,各类精度指标都有了显著改善,其中平均均方根误差由2.73 g/m3减小为1.78 g/m3,反演精度提高了34.80%,进一步表明所提算法可有效改善层析结果质量,有助于获取高精度和高可靠性的三维大气水汽分布。

English Abstract

张文渊, 郑南山, 张书毕, 丁楠, 戚铭心, 王昊. 附加高水平分辨率PWV约束的GNSS水汽层析算法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1627-1635. doi: 10.13203/j.whugis20210055
引用本文: 张文渊, 郑南山, 张书毕, 丁楠, 戚铭心, 王昊. 附加高水平分辨率PWV约束的GNSS水汽层析算法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1627-1635. doi: 10.13203/j.whugis20210055
ZHANG Wenyuan, ZHENG Nanshan, ZHANG Shubi, DING Nan, QI Mingxin, WANG Hao. GNSS Water Vapor Tomography Algorithm Constrained with High Horizontal Resolution PWV Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1627-1635. doi: 10.13203/j.whugis20210055
Citation: ZHANG Wenyuan, ZHENG Nanshan, ZHANG Shubi, DING Nan, QI Mingxin, WANG Hao. GNSS Water Vapor Tomography Algorithm Constrained with High Horizontal Resolution PWV Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1627-1635. doi: 10.13203/j.whugis20210055
  • 大气水汽是重要的温室气体之一,具有复杂的时空变化特性,其对天气变化、气候演变以及生态环境都有着重要的影响[1-2]。传统探测手段受观测成本、观测间隔、测站分布等因素影响,难以实现对大气水汽的高精度、高分辨率监测[3]。文献[4]提出GPS气象学概念,并利用GPS观测网成功反演大气可降水量(precipitable water vapor,PWV),此外,还指出了密集的GPS斜路径水汽观测值具有层析三维水汽场的潜力。基于此,文献[5]率先发展了GPS水汽层析技术,利用层析成像技术重构了夏威夷地区的大气水汽三维分布信息,验证了GPS层析技术反演三维大气水汽的可行性。目前,凭借全天候监测、高时空分辨率、不受天气影响以及监测成本低等优势,地基全球导航卫星系统(global navigation satellite system,GNSS)水汽层析技术已成为大气水汽监测领域的研究热点 [3]

    在GNSS水汽层析模型中,受GNSS卫星星座和地面观测站分布的影响,“盒形”层析区域与“倒锥形”GNSS信号会产生空间几何形态的不匹配性,导致三维层析模型中大量的体素块无法被GNSS信号线穿刺,进而引起层析观测方程的秩亏性,造成GNSS层析技术的不适定问题[6]。近年来,国内外众多学者通过添加约束条件、优化网格划分、联合多系统观测值、融合多源数据、改进解算算法等改善这一问题[5-17]。构造约束条件是常用的方法之一,文献[5]在层析模型中引入平行约束和垂直约束条件,用于估计空白体素块的水汽参数。文献[7]利用高斯加权平均函数确定水平约束中周围体素块的权重,使层析结果趋于真实的大气水汽分布;文献[8]在水平方向采用均值滤波器进行平滑处理,利用二阶Laplacian算子确定周围不同体素块的权重信息;先验约束条件也是常用的约束信息之一,文献[5]利用探空数据高精度和高垂直分辨率的优势,将其作为先验信息加入对流层层析系统中。随后,欧洲中尺度天气预报中心(European Center for Medium-Range Weather Forecasting,ECMWF)格网数据、数值预报模式、大气红外探测仪(atmospheric infrared sounder,AIRS)数据等逐渐被作为先验观测信息约束GNSS层析模型[12-14]。文献[15-16]提出了基于全球气温气压(global pressure and temperature 2w,GPT2w)模型和遗传算法的优化GNSS层析算法;文献[17]建立了基于B样条函数的对流层层析模型;文献[18]开发了实时GNSS层析系统,用于近实时的天气预测和分析。

    目前,高水平分辨率的PWV水汽信息逐步融合到GNSS层析模型中,文献[19-20]利用干涉合成孔径雷达(interferometric synthetic aperture radar,InSAR)影像反演出的高分辨率PWV差分观测信息构造出新型层析模型约束条件,改善了层析结果质量。但是,该方法通常需要借助全球水汽背景场将PWV差分信息转换为完整PWV观测值后才能构造约束信息[20],这影响了高分辨率InSAR水汽信息的精度。目前,美国中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)、欧洲中分辨率成像光谱仪(medium resolution imaging spectrometer,MERIS)、中国中分辨率成像光谱仪(medium resolution spectral imager,MERSI)等遥感传感器同样可以提供高分辨率的完整PWV观测信息,并且这类遥感传感器的时间分辨率要明显高于大多数的InSAR传感器[21]

    本文引入风云三号A星(Fengyun-3A,FY-3A)上的MERSI传感器提供的高分辨率PWV观测数据,记为FY PWV,充分利用其空间分布特点,提出附加高水平分辨率PWV约束的GNSS水汽层析算法。该算法首先利用高分辨率PWV观测值构造出PWV约束方程,然后将PWV约束方程与GNSS信号观测方程相融合,进而提高层析结果的可靠性和精度。本文利用中国江苏徐州地区的GNSS观测网数据和FY PWV数据进行实验分析,并以该地区的无线电探空数据和ERA5再分析资料对本文所提的优化算法进行了验证分析。

    • GNSS观测信号在穿过对流层时,受大气水汽影响导致观测信号产生大气延迟,称为斜路径湿延迟(slant wet delay,SWD),其可表示为湿折射率沿着信号方向从接收机到对流层顶的积分[5]

      SWD=Nwds ]]>

      式中,s表示GNSS信号的传输路径;Nw为湿折射率。为了反演研究区域的三维水汽密度分布,可以将SWD转换为斜路径水汽含量(slant water vapor,SWV)[4],计算如下:

      SWV=SWD·Π ]]>

      式中,Π表示转换因子,可根据大气加权平均温度确定[4]。在对流层层析中,通过对三维层析区域进行离散化获得许多均匀分布的体素块,利用体素块中心点处的水汽密度值来代表该体素块的水汽密度值,并且假设体素块的水汽密度值在一个层析历元内为常数[6]。则卫星信号从测站到对流层层顶穿过众多体素块,可构成如下层析观测方程[5]

      SWV=ijklijk·xijk ]]>

      式中,SWV表示卫星信号路径上的水汽含量值; lijkxijk分别表示卫星信号在位于第k层、第i行、第j列体素块的截距长度以及该体素块的水汽密度。

      此外,由于层析区域内大量的体素块未被GNSS观测信号穿过,导致了层析观测方程的不适定性,通常采用附加水平约束和垂直约束的算法来进行解算,本文采用常见的基于高斯加权函数的水平约束和基于指数函数的垂直约束对GNSS层析模型进行约束[57]

    • FY-3A气象卫星是中国第二代极轨气象卫星,其设计要求是解决三维大气探测,大幅度提高全球资料获取能力,提高云区和地表特征遥感能力[22]。该卫星于2008-05-07成功发射,其搭载有微波温度计、微波湿度计和MERSI等遥感仪器。其中MERSI共设有20个光谱通道,5个通道可用于近红外水汽探测,通过通道比方法可以反演出大气可降水含量[22]。MERSI传感器提供的PWV产品代表的是遥感影像中每个像素点的PWV值,可以从风云卫星遥感数据服务网官网下载(http://satellite.nsmc.org.cn)。

      受云层、地表反射光谱不确定等因素影响,遥感传感器观测的FY PWV水汽产品存在一定的观测误差,将其用于构造约束条件前,需要先对其进行校正[23]。目前常用的方法是利用GNSS数据反演的PWV信息对FY PWV进行校正。国内外众多学者比较了GNSS PWV的反演精度,发现其与探空数据比较的均方根误差(root mean square error,RMSE)为1~2 mm,可以认为GNSS PWV的精度满足PWV校正的要求[23]。基于GNSS全天候运行的优势,可以通过处理GNSS数据获取与FY PWV影像同一时刻的GNSS PWV值。此外,通常情况下PWV影像像素点与GNSS测站的位置并非完全重合,因此在FY PWV的校正过程中,根据PWV像素点到GNSS测站的距离来确定最接近的遥感像元,选取距离GNSS测站最近的像素点作为最接近遥感像元,并将其作为待校正的FY PWV[23],计算如下:

      FYPWV=a×FYPWV+b ]]>

      式中,FYPWVFYPWV分别表示校正前后的PWV观测值;ab为模型系数。基于该校正模型,可以对其余的FY PWV观测值进行校正,进而获得高精度的FY PWV水汽分布信息。

    • GNSS PWV观测值通常表示GNSS测站垂直方向上大气水汽的水汽密度积分值,同理,FY PWV可以看作FY像素点位置处垂直方向上的水汽密度积分值,计算如下:

      FYPWV=stopρ(h)dh ]]>

      式中,ρ(h)表示垂直方向上的水汽密度值; h为垂直方向高度;top表示对流层顶部;s表示地表。基于GNSS层析模型中均匀分布的体素块,式(5)可离散化为:

      FYPWV=k=1txk·hk ]]>

      式中,xkhk分别表示第k层体素块的水汽密度和高度。

      在GNSS水汽层析模型中,通常假设同一体素块内的水汽密度处处相等,如图 1(a)所示,用体素块中心位置处(黑点)的水汽密度值代表该体素块的水汽密度值。因此,一列体素块的水汽密度含量在垂直方向上的积分仅对应于一个PWV观测值。但是,FY PWV数据的空间分辨率为1 km×1 km,明显高于三维层析模型的水平分辨率,这导致数十个FY PWV观测值集中分布在一列层析体素块中,无法有效利用这些高分辨率PWV信息。为了充分利用FY PWV观测值,构造尽可能多的FY PWV约束方程,本文对GNSS层析网格进行再划分,如图 1(b)所示,即对初始的层析区域进行二次加密划分,基于高分辨率的网格划分构造PWV约束。

      图  1  体素块划分及二次加密划分

      Figure 1.  Voxels Division and Secondary Densified Division

      具体步骤如下:

      1)将初始的层析体素块均匀划分为4个小体素块(图 1(b)中的红色体素块),每个小体素块中心位置处(红点)的水汽密度值代表这一小体素块的水汽密度值。

      2)根据FY PWV像素点的空间分布位置,将同一列小体素块内的所有FY PWV的均值作为该列小体素块的约束PWV观测值。

      3)结合约束PWV观测值和小体素块的分布位置构造初始PWV约束方程为:

      PWVFY=AFY·Y ]]>

      式中,PWVFY表示每列小体素块的约束PWV观测值组成的列向量;AFY表示对应的PWV约束的系数矩阵;Y表示每个小体素块的水汽密度未知参数组成的列向量。

      4)由于式(7)的未知向量Y是小体素块的水汽密度值,而GNSS层析模型中观测方程的未知数是大体素块的水汽密度值,若将每个小体素块的水汽密度值作为水汽层析模型的待求参数,则未知参数的数量将增加3倍,加剧了GNSS层析模型的病态性。因此,本文取4个小体素块的水汽密度的均值作为大体素块的水汽密度值,构造转换公式如下:

      x1x2xn=1/41/4001/41/4000001/41/4001/41/40000000001/41/4001/41/4·y1y2ym ]]>

      将式(8)记为X=M·YX表示GNSS层析模型的未知参数向量,M表示转换矩阵。

      5)结合式(8)将初始PWV约束方程转换为GNSS层析模型的PWV约束方程:

      PWVFY=AFY·M-1·X ]]>
    • 基于常用的约束方程,结合构造的PWV约束方程,附加高水平分辨率PWV约束的GNSS水汽层析方程为:

      SWVGNSSPWVFY00=AGNSSAFYM-1AHAV·X ]]>

      式中,SWVGNSS表示GNSS SWV的观测向量;AGNSS表示由GNSS卫星信号在三维层析模型中的截距信息组成的观测矩阵;AHAV分别表示水平约束和垂直约束对应的观测矩阵。针对不同类型的约束条件,本文按照等权的策略进行处理[19-20]。基于代数重构算法避免求逆、收敛快等优点[11],利用该算法对上述层析方程组进行解算,计算如下:

      xjk+1=xjk+λai,jj=1nai,j2(SWVi-j=1nai,jxjk) ]]>

      式中,xjk表示第k次迭代过程中第j个体素块的水汽密度值;λ表示松弛因子,在迭代过程中起到调节收敛的作用[11]ai,j表示层析矩阵A的第i行、第j列的元素;SWVi表示观测列向量SWVi行的元素;j=1nai,jxjk表示层析重建值。

    • 本文利用2017-08中国江苏徐州卫星参考站网中6个均匀分布的GNSS测站的观测数据进行实验分析,研究区域为116.50°E~117.94°E,33.90°N~34.46°N。图 2展示了GNSS测站的地理位置分布,其中蓝色点表示徐州地区探空站的位置,6个GNSS测站的高程范围为31 ~46 m左右,因此高程变化对三维层析模型的影响忽略不计。参考现有研究中有关层析格网划分的设定[5-18],考虑到徐州地区稀疏型GNSS站网的分布特点,层析模型水平分辨率设置为0.18°×0.14°,垂直分辨率采用非均匀分层方式进行划分[11]。此外,根据徐州地区10年的历史探空资料确定最优的层析顶层高度为11 km[11]

      图  2  徐州地区GNSS测站分布

      Figure 2.  Distribution of GNSS Stations in Xuzhou

      在GNSS数据处理方面,利用GAMIT 10.6软件处理GNSS观测数据,并引入3个国际卫星导航服务(International GNSS Service,IGS)站(GUMA站、POL2站、YAKT站)的观测数据进行处理,以获取高精度的天顶对流层延迟(zenith tropospheric delay,ZTD)观测值[11]。同时,采用Saastamoinen模型估计天顶静力学延迟(zenith drostatic delay,ZHD) [24],选用VMF1湿映射函数计算GNSS SWV值[25]。利用GNSS数据估计ZTD和梯度信息的时间分辨率为5 min。在风云水汽遥感影像的选取中,选用24幅置信度大于95%的风云遥感水汽影像参与到层析实验中[23]。本文采用传统层析算法和附加高水平分辨率PWV约束的水汽层析算法进行三维大气水汽反演的对比实验。

    • 本文以徐州地区探空站的水汽廓线数据为参考值,对两种层析算法反演的层析结果进行精度评定。探空站只在世界协调时间(coordinated universal time,UTC)00:00和UTC 12:00两个时刻提供高精度垂直水汽廓线信息,而本文的层析时段则根据FY PWV的获取时间而确定,两者存在一定的时间差异性。通过分析发现,部分FY PWV影像的观测时间在UTC 00:00左右,因此,根据GNSS层析模型中同历元内水汽参数为常量这一假设条件,利用探空数据对观测时间在UTC11:30—00:00和UTC 00:00—00:30两个时段的FY PWV影像对应的层析结果进行精度评定,以保证层析结果验证的有效性。图 3列出了24幅高分辨率PWV影像的获取时间,其中有12幅影像符合要求,分别对应12个层析时段。因此,本文利用探空原始观测数据对这12个层析历元的层析结果的反演精度进行评估。

      图  3  24幅FY PWV影像的获取时间分布

      Figure 3.  Acquisition Time Distribution of 24 FY PWV Images

      图 4展示了不同气象条件下两种算法得到的层析水汽廓线信息和原始探空水汽廓线。由图 4可以看出,两种层析算法得到的水汽廓线均与探空水汽廓线相一致,并且本文算法的一致性优于传统算法。在4 km以下的层析区域通常含有丰富的水汽信息,精确的水汽廓线对分析降雨、台风等极端天气具有重要作用[11],该高度范围内本文算法反演的水汽廓线与探空数据更为契合。

      图  4  两种算法在不同天气条件下的层析水汽廓线对比

      Figure 4.  Comparison of Tomographic Water Vapor Profiles Derived from Two Algorithms Under Different Weather Conditions

      图 5展示了层析时段内两种算法结果的RMSE对比。由图 5可知,在绝大多数层析历元内,本文算法的反演精度明显高于传统算法,对应的平均RMSE从2.79 g/m3降到1.74 g/m3,层析结果的精度提高了37.63%。综上,相较于传统GNSS层析算法,附加高分辨率PWV约束的优化层析算法能够获得更高质量的水汽廓线信息。

      图  5  两种算法反演结果的RMSE对比

      Figure 5.  Comparison of the RMSE of the Tomographic Results Derived from Two Algorithms

    • 尽管探空数据提供的高精度水汽廓线可以准确地评定层析廓线质量,但无法全面评估层析三维水汽场的反演精度。为了进一步分析优化算法在反演高精度三维水汽场方面的表现,本文以ERA5数据提供的高时空分辨率三维水汽密度信息作为参考值,分别对两种算法的层析结果进行精度评定。为了保证ERA5参考数据与层析结果的时间和空间一致性,采用时间域的三次样条插值算法和空间域的反距离加权插值算法对逐小时分辨率的ERA5数据进行插值[26],获得24个层析时段内每个体素块的参考水汽密度值(water vapor density,WVD)。图 6展示了所有层析历元内ERA5数据与两种层析结果的平均误差的三维分布图,每个体素块的误差由ERA5数据减去层析结果数据获得。

      图  6  两种层析算法反演的三维水汽分布的平均误差对比

      Figure 6.  Comparison of Mean Errors of 3D Water Vapor Distribution Derived from Two Algorithms

      图 6可以看出,本文算法反演的水汽三维分布误差明显小于传统算法,尤其在0~2 km的近地层范围内,通过引入FY PWV约束条件,层析水汽场的质量得到显著提升。

      图 7展示了两种层析结果与探空数据以及ERA5数据的散点分布图,黑线代表斜率为1的直线,散点拟合直线越靠近黑线,说明层析结果与参考数据的一致性越好。

      图  7  两种算法的层析结果与探空数据和ERA5数据的散点分布图

      Figure 7.  Scatter Plots of the Tomography Results with Radiosonde Data and ERA5 Data Derived from Two Algorithms

      图 7可以发现,以探空数据为参考值,散点拟合直线的斜率由传统算法的0.815 5提升到本文算法的0.955 9;与ERA5数据相比,两种层析算法的斜率分别为0.750 8和0.886 5,表明本文算法的层析结果的整体质量要优于传统算法,进一步论证了附加高分辨率PWV约束的层析算法在反演大气三维水汽场方面的优势。

    • 考虑到大气水汽垂直分布极不均匀,低层水汽含量相比于高层水汽有量级上的差异,本节进一步比较两种层析算法在不同高度上的反演精度。图 8展示了分别以探空数据和ERA5数据为参考值,两种层析结果在不同高度上的RMSE、标准偏差(standard deviation,STD)以及相对误差。

      图  8  两种算法的层析结果在不同高度上的反演精度对比

      Figure 8.  Comparison of Retrieval Accuracy of the Tomography Results Derived from Two Algorithms at Different Altitudes

      图 8可以看出,本文算法的反演精度在绝大多数高度上均优于传统算法。基于两类参考数据,层析结果的平均RMSE由2.73 g/m3降低到1.78 g/m3,平均STD由2.48 g/m3降低到1.71 g/m3,两个精度指标分别降低了34.80%和31.05%。此外,在0~2 km的近地范围内,本文算法的RMSE和STD值分别为2.28 g/m3和2.42 g/m3,明显优于传统算法的3.90 g/m3和3.71 g/m3。此外,该范围的平均相对误差由25.93%降低为13.86%。表明了高分辨率遥感水汽信息对于改善三维水汽层析场的反演精度有重要作用。

    • 本文基于高分辨率风云遥感水汽数据,首次提出附加高水平分辨率PWV约束的GNSS水汽层析算法。根据高分辨率FY PWV的空间分布位置建立了附加PWV约束方程,将其融入到传统GNSS层析模型。

      利用2017-08中国江苏徐州地区24幅风云水汽遥感影像和同步的GNSS实测数据,系统地比较分析了本文算法与传统算法的层析结果的质量及精度。实验结果表明:(1)以原始探空水汽廓线为参考值评估层析结果的质量,与传统算法相比,附加PWV约束的层析算法的平均RMSE由2.79 g/m3降低为1.74 g/m3,反演精度提高了37.63%。(2)利用ERA5数据提供的三维水汽分布信息对层析结果进行精度评定,本文算法的三维层析结果的平均RMSE为1.83 g/m3,优于传统算法的2.67 g/m3。(3)综合考虑两类参考数据,层析结果的RMSE由2.73 g/m3减小为1.78 g/m3,反演精度提高了34.80%。在0~2 km的近地层范围内,本文算法反演的水汽廓线和三维水汽分布均优于传统算法,该范围内整体反演精度提高了38.16%,展示出高水平分辨率遥感水汽数据在改善GNSS层析结果方面的巨大潜力。

参考文献 (26)

目录

    /

    返回文章
    返回