粤港澳大湾区多系统GNSS大气可降水量反演分析

朱晓武,段宏山,陈国恒,刘 垒

( 广东省国土资源测绘院,广东 广州 510500)

水汽是反映灾害性天气形成、演变的重要因子,研究掌握水汽变化的规律有助于台风、短临降雨、旱涝等天气监测和预报[1]。相较于使用无线电探空仪(Radiosonde)等传统的水汽探测手段,利用全球卫星导航系统(global navigation satellite system,GNSS)进行大气可降水量(precipitable water vopor,PWV)反演具有连续运行、低成本、高精度、高时空分辨率的特点[2]。目前,随着中国北斗卫星导航系统(BDS)的发展及全球组网的完成,联合美国全球定位系统(GPS)、俄罗斯格洛纳斯卫星导航系统(GLONASS)和欧盟伽利略卫星导航系统(Galileo)组成的多系统GNSS水汽探测已成为趋势。对此,为探索不同系统反演PWV的可行性和精度问题,不少学者得到一些结论,且以BDS的研究居多。文献[3]利用GPS、BDS和GPS/BDS进行PWV反演,结果表明GPS和GPS/BDS模式精度相当;文献[4—6]利用BDS、GPS进行PWV估计,验证了BDS能满足解算精度要求;文献[7—8]利用GPS/GLONASS评估PWV反演精度,结果表明GPS/GLONASS组合解算PWV的精度相当;文献[9—10]试验了GPS/BDS/GLONASS/Galileo多系统PWV反演分析,结果表明多系统数据解算能提升大气水汽探测方面的性能。上述结论为GPS、BDS、GLONASS、Galileo的PWV探测发展提供了应用方向。然而,利用GNSS多系统进行PWV反演的业务化应用实例依然偏少,其中文献[11]利用BDS等GNSS观测数据分析了2021年7月的河南极端暴雨过程,使BDS在暴雨发生短时临近预报上得到了应用;文献[12]利用黄渤海沿岸布设的GNSS业务化观测系统对BDS-2/3混合星座进行PWV反演评估,探索了沿海BDS水汽探测的业务化应用的可行性。

近年来,在自然资源部门提出陆海统筹的背景下,沿海地区对陆海GNSS观测提出了新要求,在广东省海洋观测网“十四五”规划实施建设岸基观测网过程中,条件适宜的观测站点将同步开展GNSS观测。基于此,本文将以粤港澳大湾区沿海城市为例,利用现有连续运行参考站(CORS)的数据进行多系统GNSS PWV反演分析研究,旨在推动以BDS为主的不同卫星系统在海洋观测预报与防灾减灾方面的应用。

1 原理与方法

1.1 PWV反演原理

通过GNSS观测数据解算,提取到的对流层总延迟(zenith total delay,ZTD)可分为天顶静力延迟(zenith hydrostatic delay,ZHD)和天顶湿延迟(zenith wet delay,ZWD),公式为

ZTD=ZHD+ZWD

(1)

式中,可以使用Hopfield、Saastamoinen、Black等几种标准的经验模型计算ZHD,本次研究选择常用的Saastamoinen模型。将ZHD扣除后即可获得ZWD,PWV与ZWD存在转换关系[11]为

(2)

式中,Π为PWV转换因子,无量纲;k′2、k3为大气折射率常数[11];Rv=461.51 J/(K·kg),为水汽气体常数;ρw=1000 kg·m-3,为液态水密度;Tm为加权平均温度(K)。

对于PWV反演结果的精度检验,可从平均偏差(BIAS)、均方差(RMS)、相关系数(R)等指标进行评定,公式分别为

(3)

(4)

(5)

1.2 数据处理方法

采用GAMIT软件计算,PWV作为GNSS数据处理结果的副产品,需在原有数据解算命令行中加入-metutil Z参数。为保证各系统的数据处理流程一致,GPS、BDS、GLONASS、Galileo的精密星历均采用武汉大学IGS数据中心发布的WUM混合精密星历,解算过程采用双频消电离层组合方式,加以地球自转修正、潮汐修正、相对论效应修正等误差修正项,引入全球大气映射函数模型文件map.grid,采用分段线性的方法估算对流层天顶延迟。主要参数设置见表1。

表1 解算主要参数设置

2 试验及结果分析

2.1 数据获取

以香港地区作为试验区域,选取香港卫星参考站网(SatRef)共17个CORS站进行PWV反演解算。在反演结果验证的真值方面,选择美国怀俄明大学在香港地区的京士柏站(Kings Park,No.450004)的PWV值作为比对参考数据。此外,还收集了49个香港天文台具备雨量监测设备的气象站点,用于PWV反演结果与实际降水量空间分布的分析,站点分布如图1所示。同时,由于试验区域面积较小,站点之间的对流层延迟具有空间强相关[13],为消除数据处理时所带来的影响,引入周边多模GNSS实验跟踪网 (multi-GNSS experiment,MGEX)的URUM、ULAB、SIN1、SEYG、PTGG、NCKU、JFNG、GMSD共8个站点作为起算约束。时间段选择 2020年8月1日—31日共31 d,该时段正值高温多雨和台风风暴潮频发,符合粤港澳大湾区沿海城市复杂多变的气候特点,更利于分析研究PWV的分布特征。

图1 试验地区站点分布

2.2 反演结果比对分析

通过计算获得GPS、BDS、GLONASS、Galileo 4种PWV反演结果,分别记为GPS-PWV、BDS-PWV、GLONASS-PWV、Galileo-PWV。探空数据作为高精度、可靠的PWV真值,能反映各系统的PWV反演精度,记为Radio-PWV。HKSC站距离京士柏探空站约3 km,位置接近,分别以平均偏差(BIAS)、均方差(RMS)及相关系数(R)等指标评定各系统的反演精度。由于探空站采用的是每12 h更新采集一次数据,因此将解算结果的PWV值提取至对应的时间段进行比较。如图2所示。

图2 各系统与探空数据相关性

由图2可看出,各系统的相关系数R值均大于0.9,证明与探空实测数据具有强相关性,其中GPS、GLONASS和Galileo的R值均大于0.97,略优于BDS的0.93;各系统的BIAS值均小于2 mm,RMS值均小于4 mm。其中BDS的BIAS值和RMS值稍逊于其余3个系统,由图2(b)可看出数据离散程度与其他系统相比稍大,但整体上各系统均具有较高的反演精度。

为了研究各系统与实际降雨的变化趋势,本文输出HKSC站各系统日均PWV值的时间序列走势,同时利用香港天文台距离HKSC站约1.6 km的深水埗气象站监测得到的实际日累积降水量,进一步分析各系统PWV值与降水量的关系。如图3所示。

图3 各系统PWV与实测降水量时间序列

由图3可看出,各系统之间的PWV值的时序变化基本吻合,但可见BDS个别PWV值与其余系统相比,其偏差会更大,这也符合该组数据在BDS上的反演精度情况。一方面是当前HKCORS尚未升级北斗三号的硬件设备,仅支持接收北斗二号的信号,另一方面是北斗二号系统的卫星轨道模型和钟差精度不高等原因[14],若引入北斗三号系统将进一步提升水汽探测性能。从日降水量监测情况来看,若以PWV值60 mm作为降雨预警阈值,则整个8月在第214—218(即8月1日—5日)、第224—226(即8月11日—13日)、第230—232(即8月17—19日)及第237—239(即8月24日—26日)年积日共出现4个PWV值增长峰值过程。其中第1个峰值过程期间的PWV值超过65 mm,受2003号台风风暴潮“森拉克”的影响导致雨量的增多,实测平均日降水量为38.6 mm,发生了大雨到暴雨的降水过程[15];第2个峰值过程期间,受2006号台风风暴潮“米克拉”的影响,实测平均日降水量为14.75 mm,降水强度等级为中雨;第3个峰值过程期间,2007号台风风暴潮“海高斯”登陆距离站点位置较近的珠海市,因此受影响较大,实测平均日降水量达87.75 mm,发生了暴雨到大暴雨的强降水过程;第4个峰值过程虽然PWV值较高,但实际只有第3天产生19 mm的降水量,证明PWV在前2天正处于一个积累的过程,尚未形成降雨。当然,是否形成降雨及降水量的多少,还受到多种因素的影响。综合来看,各系统之间的PWV值时间序列具有较高的一致性,弥补了探空数据在时空分辨率上的不足,也从实际降水量反映了PWV的变化特征。

2.3 大气可降水量空间分布比较

为充分利用GNSS水汽探测在时空分辨率上的优势,进一步分析各系统PWV的空间分布特征,本文通过空间插值获得试验区域各系统在8月的平均PWV空间分布,如图4所示。

图4 各系统PWV空间分布

由图4可看出,各系统的PWV平均值均集中在53～60 mm,说明试验区域8月PWV整体偏高,占试验区域面积的99.8%以上;GPS、GLONASS、Galileo主要的PWV值区间集中在58～60 mm,分别占72%、68%、76%,而BDS主要的PWV值区间集中在57～59 mm,比其余系统整体偏小1 mm,占69%。从各系统的空间分布特征上来看,PWV的分布一致性良好,PWV最大覆盖值(59～60 mm)分布在试验区东北区域(22°25′30″N—22°33′30″N,114°00′00″E—114°26′00″E)以及中南部区域(22°12′00″N—22°21′00″N,114°01′00″E—114°13′00″E),又因为BDS的PWV值整体偏小,导致PWV最大覆盖值分布区域相对其余系统会有所缩小;PWV最小覆盖值(53～54 mm)均分布在HKST站和HKNP站附近区域。

图5是利用49个气象站点计算获得的8月累计降水量空间分布图,需要说明的是,无论从气象站的样本量和分布上来看,均比HKCORS站更密集,因此获得的空间分布效果相对更好。由图5可看出,8月的累计降水量普遍达到300 mm以上,与各系统较高的PWV具有较强的对应关系。降水量最大的区域发生在HKTK站附近,达到600 mm以上,结合图4可反映出该站周边的PWV值同样处于最高位。值得注意的是,图4中HKST站和HKNP站周边PWV值处于最低位,但对应区域降水量减少并不明显。结合图1地形起伏分布可看出,这是由于这2个站点的海拔分别达到259 和351 m,较高的海拔一定程度上阻碍了水汽的输送,同时测站间较大的高差也会影响对流层延迟解算的精度。

3 结 语

本文利用粤港澳大湾区沿海城市现有CORS站点,选择台风、风暴潮及强降雨频发的8月,反演得到多系统GNSS的大气可降水量和空间分布特征。结果表明,各系统的PWV值与探空数据均具有强相关性;从附近气象站降水量监测情况来看,各系统PWV值的时序变化和空间分布基本吻合,反映了PWV的增多积累会产生实际降雨。试验结果证明,以BDS为主的粤港澳大湾区沿海多系统GNSS反演PWV是可行有效的。得益于多系统GNSS观测高时空分辨率的优势,可作为海洋观测预报和防灾减灾的有效补充手段。为此,展望大湾区海洋岸基观测网与CORS网络的布设,提出以下建议。

(1)完善岸基海洋观测站点布局,改造升级现有站点,安装CORS设备,并支持BDS-3等多系统的观测数据接收。

(2)根据沿岸海洋防灾防护区社会经济属性,选择重要岸段和岛屿,加密建设CORS基准站,联合海洋观测站点组建近岸BDS-3多模GNSS网,提升沿海水汽探测性能。