盧厚賢 王榕煒 齊俊杰 李 黎,2 許思怡 董州楠,2

1 蘇州科技大學(xué)地理科學(xué)與測繪工程學(xué)院,江蘇省蘇州市學(xué)府路99號(hào),215009 2 蘇州科技大學(xué)北斗導(dǎo)航與環(huán)境感知研究中心,江蘇省蘇州市學(xué)府路99號(hào),215009

全球氣壓溫度(global pressure and temperature,GPT)模型是目前國內(nèi)外廣泛使用的經(jīng)驗(yàn)?zāi)Ｐ椭籟1-4]。該模型考慮了氣壓和溫度的年周期變化,僅輸入時(shí)間及坐標(biāo)即可得到地表任意處的氣壓、溫度、水汽壓和Tm等氣象參數(shù),有效解決了大量GNSS站點(diǎn)缺乏氣象參數(shù)的問題。GPT系列模型已成為獲取地表氣象參數(shù)的主要方式之一,也是目前最為普及的先驗(yàn)對流層延遲模型之一[1,3,5],全球許多學(xué)者使用并分析了其在不同時(shí)空條件下的模型精度和可用性。研究表明,受時(shí)空變化影響,GPT系列模型經(jīng)過一定的函數(shù)改進(jìn)后可在一定區(qū)域內(nèi)減弱周期性偏差,而附帶高程的Emardson-H模型則具有更好的模型精度和適用性[4,6-11]。

本文基于美國懷俄明州立大學(xué)提供的探空資料,首先分別分析GPT3模型的氣壓、溫度、水汽壓及加權(quán)平均溫度(Tm)等氣象參數(shù)偏差的變化規(guī)律,再構(gòu)建一種基于Emardson-H的GPT3改進(jìn)模型,并將其與原模型進(jìn)行對比,驗(yàn)證GPT3改進(jìn)模型的精度及其在長三角地區(qū)的適用性。

1 數(shù)據(jù)來源及處理方法

1.1 數(shù)據(jù)來源

本文使用的2015～2019年長三角地區(qū)氣象參數(shù)均是懷俄明大學(xué)提供的探空產(chǎn)品(http:∥weather.uwyo.edu/upperair/),其中2015～2016年GPT3模型與探空資料的偏差用于建立基于Emardson-H的GPT3改進(jìn)模型,2017～2019年的探空資料用于驗(yàn)證該模型的精度。

1.2 Tm計(jì)算方法

基于數(shù)值積分法和探空資料計(jì)算Tm,實(shí)現(xiàn)步驟簡單且計(jì)算精度較高,可作為真值評估GPT3模型及其改進(jìn)模型的精度。具體計(jì)算方法參考文獻(xiàn)[11-14]。

1.3 GPT3模型

基于ECMWF建立的GPT3模型[3]是目前國內(nèi)外廣泛使用的先驗(yàn)對流層延遲模型之一,該模型只需提供臺(tái)站的近似坐標(biāo)大地經(jīng)度、大地緯度、大地高(B,L,H)和年積日(doy)即可獲取必需的氣象參數(shù)(http:∥ggosatm.hg.tuwien.ac.at/DELAY/)。計(jì)算方法參考文獻(xiàn)[3]。

1.4 Emardson-H建模方法

Emardson等[4]借助K值的時(shí)空變化特性,再結(jié)合歐洲提供的數(shù)10個(gè)探空站數(shù)據(jù),構(gòu)建了一種新的K值模型,該模型只與緯度和年積日有關(guān)。由于Emardson模型與氣象參數(shù)無關(guān),直接利用測站緯度和年積日計(jì)算,且精度較好,因此可以很好地運(yùn)用在實(shí)時(shí)GNSS水汽反演中,提高實(shí)時(shí)監(jiān)測中短期天氣的精度。忽略高程因素影響的Emardson模型公式為:

(1)

式中,K值是指對流層天頂濕延遲與PWV之間的水汽轉(zhuǎn)換因子。

有研究表明,K值與高程有一定的相關(guān)性[7-8]。因此﹐顧及高程因素影響的Emardson-H模型公式為:

(2)

式中,φ為大地緯度,doy為年積日,H為海拔(單位m),a0、a1、a2、a3、a4為模型系數(shù)。

2 GPT3模型的精度分析

圖1和2為安慶站與阜陽站2015～2019年使用GPT3模型演算出的氣壓偏差與溫度偏差。由圖可知,GPT3模型的氣壓偏差大多不超過15 hPa,日變化量級處于0～0.1 hPa;氣壓在不同季節(jié)偏差不大,但在相同季節(jié)可能出現(xiàn)偏差過大的情況。而溫度偏差大部分在±10 K以內(nèi),日變化量級處于0～0.1 K,且存在較明顯的季節(jié)性周期變化,以春夏為起始,溫度偏差呈類余弦曲線分布。

圖1 2015～2019年安慶站氣壓偏差和溫度偏差

圖2 2015～2019年阜陽站氣壓偏差和溫度偏差

圖3為2015～2019年長三角地區(qū)杭州站和南京站的水汽壓偏差時(shí)序分布?？梢钥闯?各站水汽壓偏差大部分在±15 hPa以內(nèi),日變化量級處于0～0.15 hPa,也呈現(xiàn)出較明顯的季節(jié)性周期變化。在夏秋交際與冬春交際時(shí),惡劣天氣發(fā)生概率較大,導(dǎo)致部分水汽壓偏差較大。由曲線圖走勢可看出:冬春偏正,夏秋偏負(fù)。

圖3 2015～2019年杭州站和南京站的水汽壓偏差

圖4為2015～2019年長三角地區(qū)杭州站和南京站Tm偏差時(shí)序分布?？梢钥闯?各站Tm偏差大部分也在±15 K以內(nèi),日變化量級處于0～0.1 hPa,呈現(xiàn)出的季節(jié)性周期變化與溫度類似,以春夏為起始,偏差呈類余弦曲線分布。

圖4 2015～2019年杭州站和南京站的Tm偏差

表1統(tǒng)計(jì)了2017～2019年長三角地區(qū)各站點(diǎn)氣壓、溫度、水汽壓和Tm的精度?？梢钥闯?其中氣壓的bias均值為-1.15 hPa,RMS均值為5.09 hPa;溫度的bias均值為-0.73 K,RMS均值為3.90 K;水汽壓的bias均值為0.76 hPa,RMS均值為4.01 hPa;Tm的bias均值為-1.17 K,RMS均值為4.54 K。由表可知,水汽壓的數(shù)值大部分為正向偏差,而氣壓、溫度和Tm的數(shù)值大部分為負(fù)向偏差。

表1 2017～2019年GPT3模型氣壓、溫度、水汽壓和Tm精度統(tǒng)計(jì)

3 基于Emardson-H的GPT3改進(jìn)模型構(gòu)建

3.1 建立模型

通過對比,本文決定使用收斂結(jié)果與最終精度都比較優(yōu)秀的Emardson-H模型建立GPT3改進(jìn)模型:

(3)

式中,a0、a1、a2、a3、a4為系數(shù),x為年積日,φ為大地緯度,H為海拔,f(x)為氣象參數(shù)偏差。

將2015～2016年長三角地區(qū)7個(gè)站點(diǎn)GPT3模型的氣壓、溫度、水汽壓和Tm等參數(shù)偏差分別代入式(3),即可得到關(guān)于氣壓、溫度、水汽壓和Tm等偏差的Emardson-H模型系數(shù)(表2)?？v向?qū)Ρ葦M合系數(shù)可知,4個(gè)系數(shù)差別明顯,說明4類氣象參數(shù)的偏差分布各有特征。

表2 2015～2016年氣壓、溫度、水汽壓和Tm等參數(shù)偏差的Emardson-H模型系數(shù)

3.2 精度分析

利用基于Emardson-H模型建立GPT3改進(jìn)模型,同時(shí)參考探空資料分析改進(jìn)模型(Improved-GPT3)的精度,并預(yù)測2017～2019年各站的氣象參數(shù)值,評估改進(jìn)模型季節(jié)性周期偏差的改進(jìn)效果。限于篇幅,圖5和6僅列出安慶站和阜陽站的氣壓、溫度、水汽壓和Tm偏差分析結(jié)果,由圖可知,GPT3改進(jìn)模型已基本不受季節(jié)性周期影響,隨季節(jié)的波動(dòng)變化有所減弱,大部分都維持在±10 hPa和±10 K以內(nèi)。整體來看,GPT3改進(jìn)模型的精度明顯提升。

圖6 2017～2019年阜陽站的氣壓、溫度、水汽壓和Tm偏差時(shí)序?qū)Ρ?/p>

表3為2017～2019年長三角地區(qū)各模型的參數(shù)精度統(tǒng)計(jì)。由表可知,GPT3改進(jìn)模型的氣壓bias和RMS均值分別為-0.16 hPa和4.64 hPa,比GPT3模型降低了0.99 hPa和0.45 hPa;溫度bias和RMS均值分別為0.23 K和3.53 K,比GPT3模型降低了0.50 K和0.37 K;水汽壓為0.04 hPa和3.73 hPa,比GPT3模型降低了0.72 hPa和0.28 hPa;Tm為-0.48 K和3.27 K,比GPT3模型降低了0.69 K和1.27 K。改進(jìn)模型各參數(shù)精度均有所提升,且Tm精度的改進(jìn)稍優(yōu)于其他3類參數(shù)。其中,除上海站氣壓RMS的改進(jìn)不明顯,其他6個(gè)站的參數(shù)精度均有所提升,可能是由于2017～2019年上海站的探空資料空缺較多,樣本數(shù)量較其他站有所減少,導(dǎo)致精度有所欠缺。整體上,基于Emardson-H的GPT3改進(jìn)模型在平均bias和RMS方面比GPT3模型有更高的精度和可靠性。

表3 2017～2019年長三角地區(qū)各模型參數(shù)精度統(tǒng)計(jì)

表4為2014年長三角地區(qū)各模型精度統(tǒng)計(jì),可以看出,GPT3改進(jìn)模型的氣壓bias和RMS均值分別為-0.19 hPa和4.33 hPa,比GPT3模型降低了1.01 hPa和0.45 hPa;溫度bias和RMS均值分別為-0.29 K和3.67 K,比GPT3模型降低了0.93 K和0.52 K;水汽壓為-0.57 hPa和3.29 hPa,比GPT3模型分別提升0.40 hPa和降低0.16 hPa;Tm為-0.58 K和3.30 K,比GPT3模型降低了0.64 K和0.44 K。改進(jìn)模型各參數(shù)精度均有所提升,且溫度的改進(jìn)稍優(yōu)于其他3類參數(shù),其中杭州站、上海站和射陽站氣壓RMS改進(jìn)不明顯,阜陽站水汽壓RMS改進(jìn)不明顯。可以看出,基于2015～2016年長三角地區(qū)7個(gè)探空站數(shù)據(jù)建立的GPT3改進(jìn)模型在預(yù)測其他年份數(shù)據(jù)時(shí)仍可保持一定的精度。

表4 2014年長三角地區(qū)各模型精度統(tǒng)計(jì)

4 結(jié) 語

由于長三角地區(qū)GPT3模型和探空站資料的氣象參數(shù)精度存在季節(jié)性周期變化,導(dǎo)致氣壓、溫度和水汽壓等參數(shù)存在偏差,提出一種基于Emardson-H的GPT3改進(jìn)模型。結(jié)果表明:

1)GPT3模型的各參數(shù)偏差呈較明顯的季節(jié)性周期變化,以春夏為起始,氣壓偏差呈類正弦曲線分布,溫度、水汽壓和Tm偏差呈類余弦曲線分布,氣壓、溫度、水汽壓和Tm的RMS均值分別為5.09 hPa、3.90 K、4.01 hPa和4.54 K。

2)基于Emardson-H的GPT3改進(jìn)模型的氣壓、溫度、水汽壓和Tm平均偏差較GPT3模型分別提升0.99 hPa、0.50 K、0.72 hPa和0.69 K,RMS均值分別提升0.45 hPa、0.37 K、0.28 hPa和1.27 K,說明GPT3改進(jìn)模型精度更優(yōu)。