廣西區域大氣水汽轉換系數的算法研究

關鍵詞： 轉換系數 大氣水汽 加權平均溫度 探空資料

中圖分類號： P426 文獻標識碼： A 文章編號： 1672-3791（2023）16-0226-04

水汽作為大氣中重要成分，具有活躍、多變等特點，且水汽分布相對比較復雜，其時空變化相對比較明顯，這就增加了氣象參數描述難度。水汽變化在某種程度上直接影響了降水量，且通過利用大氣能量傳輸水汽期間，會對全球氣候變化產生一定程度的影響[1]。廣西壯族自治區主要處于中國低緯度地區，具有降水量多、干濕分明、災害頻繁出現、旱澇嚴重等特點，因此，通過對廣西區域大氣水汽含量進行精確化預測，可以提高廣西旱澇災害預報結果的精確性和真實性。近年來，大量的學者逐漸加大了對廣西區域大氣水汽反演內容研究中，并取得了相應的研究成果[2]。地基遙感水汽技術的出現和應用，為大氣水汽探測工作的開展提供重要的技術支持，該技術具有實時連續性高，可以有效地避免天氣等外界因素的影響，最大限度地提高探測大氣水汽探測結果的精確性[3]。另外，通過運用地基遙感水汽，可以實現對GPS 衛星信號的有效獲取，并根據其與大氣密度之間的關聯度，獲取反演大氣中的水汽含量信息，而這與轉換系數K 值的精確度之間存在很大的聯系，水汽轉換系數作為大氣可降水量重要參數之一，為了確保大氣可降水量獲取結果的精確性和真實性，需要將轉換系數K 值設置為0.15，并完成對局部地區加權平均溫度模型的構建，并結合加權平均溫度與地面氣象要素兩者之間的關聯度，完成對所需模型的構建，此外，大氣水汽轉換系數K 值的計算和運用在獲取可降水量方面具有重要作用，通過加強對局部地區加權平均溫度模型的構建，不僅可以最大限度地提高內外符合精度，還能保證大氣可降水量反演精度[4]。

為了實現以上目標，技術人員以“廣西區域”為例，對大氣水汽轉換系數算法進行科學設計，從而保證大氣水汽轉換系數計算模型精度。

1 大氣水汽轉換系數K 值計算

利用測站緯度，對轉換系數K 值進行精確化計算，同時利用廣西高程模型、低緯度模型，對廣西K 值進行精確化計算，與廣西高程模型、低緯度模型相比，需要對測站高程進行實時化改正和優化[5]。

2 廣西區域大氣水汽轉換系數K值分析與新模型建立

2.1 廣西K 值分析

為了確保所獲取的廣西K 值具有較高的精確度，技術人員要利用廣西4 個探空站，完成對相關探空站數據的收集和整理，并采用數值積分法，結合所獲取的大氣加權平均溫度，對轉換系數進行精確化求解，同時，還要根據以上4 個探空站的資料計算各個站點2019—2021 年K 值變化。并采用函數的方式，表示出K 值隨時間變化規律，這為后期大氣水汽轉換系數K值精確度分析打下堅實的基礎[6]。

2.1.1 轉換系數K 值隨測站經緯度變化分析

為了實現對K 值隨測站經緯度變化關系的有效化分析，利用廣西4 個探空站數據，采用積分法，對K 值進行精確化計算，然后，統計分析測站K 值與經緯度兩者之間的關系，廣西位于中國低緯度地區，所以，K 值與測站緯度變化趨勢完全相反，這表明K 值與測站緯度兩者之間呈現出負相關關系。同時，當經度不斷變化時，K 值會不斷增加。所以，通過將K 值模型構建到廣西區域中，需要重點分析K 值在廣西區域緯度中的變化趨勢，K 值在經度方向變化因素不作為本文模型構建的因素[7]。

2.1.2 轉換系數K 值在高程方向上的影響分析

相關研究結果表明：當廣西區域屬于大范圍時，K值在高程方向上會出現明顯的線性變化趨勢。為了更好地分析和確定K 值與測站高程變化兩者之間的關系，需要對轉換系數K 值進行精確化計算，并統計各個探空站轉換系數K 值與高程兩者之間關系[8]。對于廣西區域而言，主要處于中國低緯度地區，當高程不斷增加時，轉換系數K 值會呈現出不斷降低的趨勢，這說明高程與轉換系數K 值兩者之間存在負相關關系，當高程達到100～1 000 m 時，轉換系數K 值降低趨勢比較明顯，所以，在廣西構建轉換系數K 值模型研究期間，要將高程設置為本文模型構建影響因素。

2.2 K 值新模型建立

對于廣西區域而言，其K 值通常表現出一定周期性特點，通過利用相關周期函數，完成對本文模型的構建，并使用α0變量表示年平均值；使用α1、α2兩個變量表示年周期系數；使用α3、α4兩個變量表示半年周期系數。在此基礎上，還要充分結合廣西區域高程相關參數的基礎上，完成對大氣水汽轉換系數計算模型的有效構建，并根據4 個探空站，擬合分析以上3 年K 值，從而獲得如表1 所示的廣西4 個探空站擬合系數。

從表1 中的數據可以看出，各個探空站K 值年平均值從大到小的排列順序為南寧站、梧州站、百色站、桂林站。4 個站點年周期和半年周期之間的差異相對比較小，這種差異主要集中體現在年平均值這一參數上。根據各個站點緯度分析結果，K 值年平均值與緯度存在很大的關聯度，K 值年平均值會隨著緯度的不斷增加而呈現出不斷減小的趨勢，這表明K 值年平均值與緯度之間存在負相關關系[9]。

3 模型精度分析

3.1 內符合精度分析

為了實現對本文模型精確度的有效驗證，技術人員參照探空站數值積分法所獲得的K 值，利用本文模型分析和對比廣西4 個探空站2019—2021 年K 值與參考值，并對比本文模型與以上兩種模型的精度。為了有效地驗證3 種模型的精度，結合平均絕對誤差和均方跟誤差兩種評價指標，對3 種模型的精確度進行有效評價。3 種模型的精度統計如表2 所示，從表2 中的數據可知以下內容。（1）百色站點。與廣西高程模型、低緯度模型相比，該站點本文模型的MAE 值、RMSE 值相對較小，這說明該站點本文模型表現出較高的精確度。（2）梧州站點。該站點本文模型所對應的MAE 值達到最小。2019 年、2021 年，該站點本文模型所對應的RMSE 值達到最小，2020 年這3 種模型所對應的RMSE 值完全相同，這表明該站點本文模型精確度最高。（3）桂林站點。與廣西高程模型、低緯度模型相比，該站點本文模型獲得較高的精確度。（4）南寧站點。該站點本文模型所獲得的精確度較高?？傊ㄟ^分析和對比以上3種模型在百色站點、梧州站點、桂林站點、南寧站點最近3 年的誤差結果，不難發現，本文模型內符合精度遠遠超過廣西高程模型、低緯度模型精度。

3.2 外符合精度分析

為了實現對本文模型外符合精確的有效化驗證，借助2021 年百色這一探空站數據積分計算所獲得的K值，并將其設置為相應的參考值，同時，還要結合本文模型，對百色站點2022 年K 值進行預測，并將本文模型與其他兩個模型進行分析和對比，3 種模型的預測誤差詳見圖1。

從圖1 中可以看出，以上3 種模型所對應的誤差幾乎完全相同，均處于-0.008～0.005 mm 之間。同時，3 種模型所對應的誤差出現較大的波動，通過采用統計分析的方式，對以上3 種模型的MAE、RMSE 值進行精確化分析，得到如表3 所示的3 種模型的預測精度統計。

從表3中的數據可以看出，本文模型所對應的MAE、RMSE 值相對較小，與其他兩種模型的MAE 值相差很小。但是，廣西高程模型所對應的RMSE 值遠遠超過低緯度模型，這說明本文模型預測值達到最高，由此可見，本文模型所對應的外符合精度相對較高。

4 模型應用

為了更好地驗證本文模型在大氣可降水量中的反演效果，通過利用桂林站所提供的大氣可降水量數據，并采用水汽反演實驗的方式，對桂林站2019 年的氣象數據進行實驗分析，并對該探空站的大氣可降水量進行計算，并將其設置為參考值，并結合3 種模型中的誤差，不斷地提高本文模型的精確度[10]。

5 結語

綜上所述，通過本次大氣水汽轉換系數算法設計，獲得以下幾個結論：（1）本文所構件的大氣水汽轉換系數計算模型精度遠遠超過低緯度模型和廣西高程模型；（2）在進行可降水量反演時，本文模型誤差最大值、中誤差分別為0.22 mm、0.126 mm，顯然獲得較高的精確度；（3）通過對比分析本文模型與廣西高程模型、中國低緯度模型，發現本文模型具有較高的內外符合精度。