顧及多因子的江蘇省大氣加權平均溫度精化模型

毛吉偉

關鍵詞： 加權平均溫度 探空站數據 單因子模型 多因子模型 精度評估

中圖分類號： P228.4;P412 文獻標識碼： A 文章編號： 1672-3791（2024）01-0162-04

水汽是大氣活動中最活躍的一種氣象成分，在大氣演變中扮演著重要的角色。隨著地基GPS （Global?Positioning System）氣象學的不斷發展，運用地基GPS來反演大氣可降水量成為了大氣水汽探測的一種新手段。它的時空分辨率和精度較高，造價便宜，且操作簡單，實時連續，不受天氣狀況的影響，可以全天候大范圍地作業，是探測大氣水汽傳統方法的有力補充［1-3］。因此，大量的國內外學者圍繞地基GPS 氣象學開展了一系列的研究工作。地面GPS 接收機接收到的衛星信號需要通過對流層區域，在對流層區域，GPS 信號由于對流層折射的影響進而產生對流層延遲，而對流層延遲可以通過某種轉換將對流層濕延遲轉變成大氣可降水量（Precipitable Water Vapor，PWV）。一般對流層模型中，對流層天頂總延遲（Zenith Total Delay，ZTD）包含對流層靜力學延遲（Zenith Hydrostatic Delay，ZHD）和對流層濕延遲（Zenith Wet Delay，ZWD）這兩部分。其中，ZTD 和ZHD 可在GPS 定位時精確獲得，兩者作差可得到ZWD。將ZWD 轉換成PWV 需獲取轉換系數Π，它們的轉換關系為PWV =Π× ZWD，而加權平均溫度T_m就是獲取轉換系數Π的重要參數，大氣加權平均溫度T_m的精度直接影響著PWV 反演的精度，因此如何提高T_m的精度就顯得尤為重要［4-22］。

目前，國內外已有許多學者針對不同地區的大氣加權平均溫度及相關參數進行了研究，建立了不同的T_m模型。例如：Bevis 等人［12］根據美國中緯度區域的探空資料建立的T_m～T_s線性回歸模型，即Bevis 模型；龔紹琦［10］按照全國不同氣候和不同季節分區的方法，對探空數據進行線性回歸，建立了T_m的單因子和多因子模型，該模型利用的方法是最小二乘原理，廣泛適用于中國地基GPS 水汽反演過程中T_m的計算；何士偉等人［1］通過分別研究分析安徽省和香港地區T_m與其他氣象因子之間的線性相關性，建立了基于不同變量的單因子模型和多因子模型，并分別與Bevis 模型和李建國模型進行精度比較，驗證了其可靠性；謝劭峰等人［6］用線性回歸分析了廣西地區T_m的時空變化特征，以及T_m與地面溫度之間的關系，建立了適用于廣西的T_m單因子模型；李國翠等人［9］基于T_m與地面各變量之間的關系，利用最小二乘法建立了華北地區的單變量經驗模型和多變量經驗模型；王曉英等人［3］將全國分為5個氣候區，建立了中國不同氣候區的T_m回歸模型，并驗證了模型的精度。這些模型都充分考慮了T_m值受各種要素影響的變化，同時也證明了區域多變量經驗模型的預報精度高于全球經驗模型和單變量經驗模型。因此，需要根據本地區的實際情況構建適合本地區的加權平均溫度模型很重要。

江蘇省地處我國東部沿海、長江中下游地區，常年頻繁降雨，高精度的預報可降雨量可以有效地進行氣象預報、洪澇災害預警等工作，對于江蘇省的天氣變化、降水量預測等具有重要意義。本文基于江蘇省3個探空站2000—2017 年的實測數據進行建模以及2018—2019 年的實測數據進行模型精度評估。

1 實驗數據與計算方法

1.1 實驗數據

本文利用江蘇省徐州、射陽、南京這3 個探空站2000 年1 月1 日至2019 年12 月31 日的數據進行分析建模和精度評估，其中包括2000—2017 年的擬合數據、2018—2019 年的預測數據（探空站每日收集兩次數據，分別在0 點和12 點，采樣間隔為12 個小時）。江蘇省探空站詳細信息如表1 所示。

1.2 大氣加權平均溫度的計算方法

常見的T_m的計算方法主要有：固定值法、Bevis 模型以及數值積分法。在GPS 氣象學中，數值積分法是當前公認精度最高的加權平均溫度解算方法［11］。利用數值積分法可以計算得出T_m值，并根據其與T_s之間的線性關系建立回歸方程，這也是獲得區域加權平均溫度模型的重要方法。

天頂濕延遲（ZWD）可以由天頂總延遲（ZTD）和天頂靜力學延遲（ZHD）二者作差得出。將ZWD 轉換為PWV 的基本公式為

PWV =Π×ZWD （1）

在式（1）中：Π為水汽轉換系數，是與T_m有關的函數，表達式為

3.2 江蘇省加權平均溫度模型評估

為了驗證本文提出的模型有效性，利用江蘇省探空站2018—2019 年實測數據對模型精度進行全面評估，結果如表3 所示。

經過表3 對比發現，江蘇省3 種本地化模型的預報精度均優于Bevis 模型。這3 種本地化模型中，2018—2019 年多因子模型T_m3RMSE 為3.01 K，比多因子模型T_m2 提高0.23 K，比單因子模型T_m1提高0.38 K。因此，T_m3經驗模型的預報效果均優于其他兩種本地化經驗加權平均溫度模型。此外，與Bevis 模型相比，本地化經驗加權平均溫度模型并無明顯的系統偏差，且Tm3 經驗模型穩定性最佳。

4 結語

本文利用江蘇省3 個探空站18 年的探空數據，依據T_m與各變量之間較強的相關性，擬合出江蘇地區的單因子回歸模型T_m1和多因子回歸模型T_m2、T_m3。其中兩個多因子模型均考慮三個氣象因素的綜合加權平均溫度模型，且均考慮地面溫度和地面氣壓；不同的是，T_m2經驗模型的另一個變量是水汽壓，而T_m3經驗模型的另一個變量是水汽壓的自然對數。經分析得到如下結論。

（1）單因子模型T_m1 的預報精度高于Bevis 模型，2018—2019 年預測RMSE 為3.39K，較Bevis 模型提高了6.4%。

（2）對比兩種多因子加權平均溫度模型發現，T_m與T_s、P、ln e 構建的T_m3經驗模型精度最高，2018—2019 年預測RMSE為3.01K，較Bevis模型提高了16.8%。

（3）與Bevis 模型相比，本文建立的3 種江蘇省本地化模型計算出的T_m值更接近探空站T_m值，計算精度得到了提高。這說明建立適宜的本地化大氣加權平均溫度模型可以在一定程度上提高T_m的精度，為當地的GPS 反演大氣可降水量提供依據。