利用北斗/GNSS观测数据分析“21·7”河南极端暴雨过程

施闯,周凌昊,范磊,张卫星,曹云昌,王成,肖锋,吕国卿,梁宏

1 北京航空航天大学电子信息工程学院,北京 100191 2 卫星导航与移动通信融合技术工业与信息化部重点实验室,北京 100191 3 北京航空航天大学前沿科学技术创新研究院,北京 100191 4 武汉大学卫星导航定位技术研究中心,武汉 430079 5 中国气象局气象探测中心,北京 100081 6 河南省测绘工程院,郑州 450003

0 引言

2021年7月，河南省发生罕见的极端暴雨事件(以下简称“21·7”河南极端暴雨).以郑州市为例，北京时间7月20日8时至21日8时，郑州市内24小时累计降雨量达624.1 mm，超过2019年509.5 mm的全年降雨总量.本次极端暴雨导致了严重的洪涝灾害，据河南省政府统计，截至8月2日12时，全省受灾区域包括150个县(市、区)、1663个乡镇，受灾人数达1453.16万人.受暴雨和洪涝影响，累计有302人遇难，50人失踪，共有30616户房屋倒塌，农作物受灾面积1635.6万亩，造成的直接经济损失高达1142.69亿元.本次极端暴雨是在大气环流形势异常的背景下，受多尺度系统、地形等影响因素的共同作用形成的.暴雨的发生需要充足、持续输送的水汽，以及剧烈的大气垂直运动(Chen et al.,1998).大气可降水含量(Precipitable Water Vapor,PWV)作为空气中水汽含量的表现形式之一，显著影响着降雨的发生与规模(Duan et al.,1996).细致分析暴雨的发生过程与PWV之间的关系，对于极端暴雨的短时临近预报预警，减少人员和财产损失具有重要意义.

传统PWV探测多基于探空气球搭载的无线电探空仪，然而探空仪数据的时空分辨率难以满足高时空分辨率的PWV监测需求(Shoji,2013)，造成局部地区极端降雨灾害的快速准确预报预警非常困难.随着GNSS(Global Navigation Satellite System，包括GPS、北斗、GLONASS、Galileo等)技术的不断发展，基于地基GNSS的PWV探测技术自1992年起受到广泛关注(Bevis et al.,1992).利用GNSS观测数据可以获取测站天顶对流层延迟，进而精确反演大气中的PWV.与传统方法相比，基于GNSS的水汽探测具有空间分布广、时间分辨率高、数据连续性强等优势，且与无线电探空仪具有相当的精度水平(Emardson et al.,1998;Sharifi and Souri,2015).

国内外学者利用GNSS技术对PWV变化与暴雨发生的关系展开了深入研究.Wang等(2015a)分析发现2012年北京“7·21”暴雨前数小时内PWV发生了上升，且上升的时刻较好地对应了暴雨发生时刻，认为PWV在3～5 h内的变化有助于实现暴雨预警.Cao等(2016)发现在鄱阳湖地区的暴雨事件前1 h内，不同GPS测站的PWV均表现出较为明显的上升现象，然而不同站点PWV的变化幅度不相同.Suparta和Zainudin(2015)对南极半岛三个区域的PWV在一次暴雨事件中的变化进行分析，发现不同区域PWV的上升变化数值不同，说明不同区域的水汽变化情况存在差异.以上研究均表明，暴雨事件的发生前多伴随着PWV的上升，许多研究者因此建立了基于PWV变化的暴雨预测区域模型.Benevides等(2015)以PWV为自变量，提出一种折线趋势(broken line tendency)最小二乘拟合的方法，通过不同的阈值对GPS测站附近区域的暴雨进行预测.该算法在研究时间范围内成功预测到75%的暴雨，但虚警率高于40%.Yao等(2017)利用浙江省五个GNSS站暴雨前PWV变化及其随时间的一阶导数，建立了考虑PWV变化率的极端降雨预测模型，结果表明该模型的预报成功率大于80%，但同样存在40%的虚警率.Zhao等(2018,2020)先后引入PWV和天顶对流层总延迟(Zenith Total Delay,ZTD)的增量与斜率进行模型优化，将预测成功率提高至95%以上，同时虚警率降低至29%.此外，研究表明将同化后的PWV引入天气预报模式WRF(Weather Research and Forecasting Model)，可显著提高WRF的暴雨预测精度(张晶等,2014;贝纯纯等,2016;Sharifi et al.,2016).然而，现有研究多针对暴雨与PWV在时间上的关联，对于两者间空间分布关系仍有待进一步研究.

北斗系统是我国自主建设、独立运行的全球卫星导航系统，是国家重要的基础设施，也是国际导航系统的重要组成部分(杨元喜,2010).本文针对“21·7”河南极端暴雨，利用河南省内220个连续运行的北斗/GNSS站观测数据，采用精密单点定位(Precise Point Positioning,PPP)技术和克里金插值方法获取了本次极端暴雨期间高时空分辨率的PWV空间格网数据，并评估了数据精度；同时，结合气象站记录的降雨量数据分析了本次极端暴雨过程中PWV与降雨量在时间和空间上的关系，为极端降雨灾害的短临预报提供一种高时空分辨率的监测手段和科学数据支撑，推动北斗系统在大气科学领域的应用.

1 数据

本文利用河南省220个北斗/GNSS站提供的GNSS观测数据，以及中国气象局116个气象站提供的气象数据进行研究，站点分布见图1.其中，图1a给出了北斗/GNSS站和气象站的空间分布情况，图1b给出的是河南省市级分界线及区域内高程信息.研究中使用的数据还有来自欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的气象再分析数据，用于PWV空间格网数据的比对分析.

图1 河南省北斗/GNSS站、气象站分布(a)与高程图(b)其中，圆点表示北斗/GNSS站，三角形表示气象站，其中红色三角形表示配备了无线电探空仪的气象站.Fig.1 The distribution of BeiDou/GNSS stations and meteorological stations (a),and the topography elevation (b)within Henan ProvinceThe dots represent the BeiDou/GNSS stations,while the triangle represents the meteorological stations.The red triangles mean that the meteorological stations are equipped with radiosondes.

1.1 气象站数据

本文使用的气象站数据包括雨量计监测的降雨量数据，以及无线电探空仪获取的水汽数据.其中，仅有两个气象站可提供无线电探空获取的水汽数据(图1a中红色三角形).这两个气象站分别位于郑州市(气象站编号57083)和南阳市(气象站编号57187)，探空仪获得12 h分辨率的PWV将用于检验本文北斗/GNSS反演PWV数据的精度.此外，所有气象站均提供1 h分辨率的降雨量数据，可用来研究PWV变化和降雨量之间的关系.

1.2 北斗/GNSS观测数据

利用PPP技术提取ZTD，结合气象数据可实现北斗/GNSS站上空PWV的反演(Bevis et al.,1992).本文选择的220个北斗/GNSS站在河南省内分布均匀且密集，综合各测站上空的PWV数值能够较好地反映河南省水汽的空间分布的情况.GNSS数据处理的时间范围为北京时间(Beijing Time,BJT)2021年7月17日0时至2021年7月25日23时.

本文利用研究团队自主研发的北斗/GNSS高精度数据处理系统，采取统一的PPP数据处理策略计算得到北斗/GNSS站上空的ZTD数据(表1).为了更加精细地反映投影函数的经验系数空间变化特征，在数据处理中选择最新投影函数VMF3(Vienna Mapping Function 3)(Landskron and Böhm,2018).

表1 PPP数据处理策略Table 1 PPP data processing strategies

1.3 气象再分析资料

ERA5是ECMWF发布的第五代全球气象再分析资料，提供自1979年至今的气象再分析数据.ERA5数据的时间分辨率为1 h，水平方向的空间分辨率为31 km(约0.25°)，高程方向则将地面至80 km高空的空间分成37个气压层(从1000 hPa至1 hPa)，每个气压层包含温度、气压、比湿、风速等数据(Hersbach et al.,2020).ERA5数据在本文研究中有两个用途.首先，提供PWV计算所需的加权平均温度Tm和气压.需要注意的是在计算Tm和气压时需根据北斗/GNSS站的位置对ERA5格网数据进行水平内插和高程补偿(Bai et al.,2021)，本文利用武汉大学GNSS研究中心开发的气象数据处理平台GMET(GNSS Meteorological Ensemble Tools)进行计算(Zhou et al.,2020).考虑到GNSS数据并未同化至ERA5产品，因此ERA5反演的PWV可作为有效的外部检核手段，对本文PWV空间格网数据进行精度验证(Zhang et al.,2019).

2 方法

2.1 利用GNSS观测数据的PWV反演方法

利用PPP技术提取的ZTD可分为两部分，分别是天顶静力学延迟ZHD(Zenith Hydrostatic Delay)与天顶湿延迟ZWD(Zenith Wet Delay)，如(1)式所示：

ZTD=ZHD+ZWD,

(1)

其中，ZHD可结合Saastamoinen模型和气象数据计算，其精度可达毫米级(Saastamoinen,1972).从ZTD中扣除ZHD后，对剩余的ZWD乘以相应的转换系数Π，可得到GNSS技术反演的北斗/GNSS站PWV，其计算过程如下：

(2)

PWVGNSS=Π×ZWD,

(3)

其中，k′2(=17±10 K/hPa)和k3(=3.776±0.004×105K2/hPa)分别为大气折射率常数；Rw(=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).

2.2 PWV空间格网数据计算方法

为分析本次极端暴雨过程中河南省上空PWV的时序变化和空间分布，将PPP提取的北斗/GNSS站PWV通过克里金插值得到河南省0.25°×0.25°的PWV空间格网数据.需要注意的是，利用克里金插值进行空间场反演时需要保证所有点位于同一高度.然而，河南省所有北斗/GNSS站的高程并不统一，不同测站间最大高程差异超过1000 m.因此，需对北斗/GNSS站PWV进行高程归算.综上，PWV空间格网数据可由以下两个步骤完成.

第一步，对北斗/GNSS站反演获取的PWV进行高程归算.PWV随高程的变化可分为ZWD变化与转换系数Π变化两部分.对于ZWD，研究表明其随高程大体上呈指数形式变化(Dousa and Elias,2014;Vaclavovic et al.,2017).而对于转换系数Π，分析结果表明，研究时间范围内不同北斗/GNSS站上空1000 m范围内Π随高程变化平均小于0.004(约为转换系数的2%)，可忽略不计.因此PWV随高程的变化可仅考虑ZWD部分产生的影响.综合考虑上述因素，PWV高程归算如(4)式：

(4)

其中，H0和PWV0分别表示北斗/GNSS站的高程及PWV数值，H1和PWV1分别表示归算目标高度及目标高度的PWV数值，qpwv为经验标尺高度，通常设置为2 km(Schüler,2014;Yao et al.,2015).为简化计算，H1设置为2 km，与经验标尺高度相同.

第二步，对各北斗/GNSS站在2 km高度的PWV进行克里金插值(Zheng et al.,2018)，获取河南省2 km高度上0.25°×0.25°的PWV格网分布.结合公式(4)，利用美国国家航空航天局NASA(National Aeronautics and Space Administration)发布的ASTER GDEM v2(Advanced Spaceborne Thermal Emission and Reflection Global Digital Elevation Model version 2)产品提供的高程信息将每个格网点的PWV数值归算至格网点相应的地表高度.最终得到研究时间范围内小时时间分辨率的PWV空间格网数据.

2.3 基于ERA5的PWV反演方法

为评估GNSS反演获得的PWV空间格网数据精度，本文分别利用无线电探空仪获取的PWV(即Radiosonde-PWV)以及ERA5反演北斗/GNSS站及格网点处的PWV(即ERA5-PWV)进行对比分析.其中，ERA5-PWV是对地面上空每个气压层中的可降水量进行数值积分获取，具体计算过程如下：

(5)

其中，q为位置上空某一气压层的比湿(kg·kg-1)，g为考虑纬度和高程变化的地球重力加速度 (m·s-2)，dP为分层气压(hPa).考虑到不同位置的地表高度不同，为与GNSS反演的PWV保持一致，ERA5-PWV的积分以地表高度的气压层起算.

3 结果与分析

首先，分别利用Radiosonde-PWV和ERA5-PWV评估了河南省PWV空间格网数据的精度.然后，以“21·7”河南极端暴雨为例，分析了受灾较为严重地区的北斗/GNSS站PWV与小时降雨量的时序关系.最后，将PWV空间格网数据与小时降雨量的空间分布进行了对比分析.

3.1 PWV空间格网数据精度评估

本文采用三种方法对PWV空间格网数据进行精度评估，分别为：1)利用ERA5反演得到的测站PWV，对参与PWV空间格网数据反演的GNSS站PWV进行评估；2)利用位于郑州市和南阳市的两个配备了无线电探空仪的气象站在2021年7月的探空PWV数据，对反演获取的GNSS-PWV空间格网数据进行评估；3)利用ERA5反演的格网点PWV，对反演获取的GNSS-PWV空间格网数据进行评估.

首先，利用ERA5格网数据反演的测站PWV对GNSS站反演的测站PWV进行比较分析.需要注意的是，ERA5反演的PWV为格网数据，而GNSS站大多不在格网中心，因此需要通过水平内插和高程补偿以获取测站位置的数值.两者互差的平均偏差(Mean Bias)与均方根(Root Mean Square,RMS)如图2所示.图2显示出所有测站互差的平均偏差变化范围为-5.19～5.09 mm，其均值为-1.7 mm；互差RMS变化范围为2.08～6.07 mm，其均值为3.2 mm，与先前研究的精度水平相当 (Zhang et al.,2019;Bai et al.,2021).该结果表明，利用GNSS技术反演的测站PWV精度良好，可用于反演河南省PWV空间格网数据.

图2 北斗/GNSS站ERA5-PWV与GNSS-PWV互差平均偏差(蓝色柱)与RMS(黑线)Fig.2 The Mean Bias (blue bar)and RMS (black line)of the differences between GNSS-PWV and ERA5-PWV at BeiDou/GNSS stations

探空仪获取的PWV可有效评估本文PWV空间格网数据精度(Chen and Liu,2016).本研究利用位于河南省的两个无线电探空站在2021年7月的探空结果对本文PWV空间格网数据精度进行评估.由于探空仪位置同样不在格网点中心，且高程不统一，需通过水平内插和高程补偿获取探空仪所在位置的GNSS-PWV数值进行对比.此外，无线电探空仪数据存在较多的观测数据空缺，空缺数据点时刻不参与评估.PWV空间格网数据和Radiosonde-PWV的时间序列如图3所示，两者间的相关系数(Correlation Coefficient)及差值的RMS也显示在图中.

图3 南阳及郑州气象站GNSS-PWV与Radiosonde-PWV时间序列图其中，蓝色表示GNSS-PWV，红色表示Radiosonde-PWV.Fig.3 Time series of GNSS-PWV and Radiosonde-PWV of meteorological stations in Nanyang and ZhengzhouThe blue lines represent the GNSS-PWV,while the red lines represent the Radiosonde-PWV.

结果表明，2021年7月1日8时至7月31日20时，南阳气象站的PWV空间格网数据与Radiosonde-PWV差异最大为19日8时的11.58 mm，差异最小为19日20时的0.26 mm；郑州气象站的PWV空间格网数据与Radiosonde-PWV差异最大为8日8时的9.6 mm，差异最小为13日20时的0.15 mm.两个气象站的PWV时间序列相关系数平均为0.89，差值的RMS平均为4.6 mm，与先前的研究结果相当(陈永奇等,2007;Wang et al.,2013;欧书圆和张卫星,2021).该结果表明，利用GNSS技术获取的PWV与Radiosonde-PWV精度处于相当水平.

最后，利用ERA5反演的格网点PWV对PWV空间格网数据精度进行评估，结果如图4所示.其中，图4a给出的是平均偏差，图4b给出的是偏差的RMS.结果表明，河南省内的大部分区域平均偏差的变化范围为-3～1 mm，少量区域接近-6 mm；省内大部分地区RMS的变化范围为2～5 mm，少量区域达到6 mm左右.部分区域反演精度相对较低的原因在于该区域北斗/GNSS站由于观测数据空缺或质量较差被剔除，导致参与该区域反演的测站数量较少，从而影响反演精度.此外，由于ERA5同化数据的空间分辨率存在差异需重采样，导致ERA5-PWV结果较为平滑，而GNSS数据能够更好地捕捉水汽在小空间尺度上的细节变化，因此PWV空间格网数据与ERA5-PWV之间存在一定差异(Zhang et al.,2017).整体上来说，区域内平均偏差的均值为-1.9 mm，区域内偏差的RMS均值为4.4 mm，不存在显著的系统性偏差.研究表明，GNSS技术反演的PWV与再分析资料反演结果互差的RMS在6 mm以内时，可认为满足气象应用需求(Wang et al.,2015b)，本文PWV空间格网数据精度达标.

图4 河南省PWV空间格网数据精度评估结果，以ERA5-PWV为基准(a)平均偏差;(b)偏差的RMS.Fig.4 The precision assessment of spatial gridded PWV within Henan Province,referred by ERA5-PWV(a)Mean Bias;(b)RMS of the differences.

3.2 极端暴雨中PWV与小时降雨量的时间变化

为探究本次极端暴雨中PWV变化与降雨发生之间的关联，本文选择了受灾较为严重区域的四组观测完整的北斗/GNSS站及对应的并址气象站，对其小时PWV变化与实测小时降雨量进行对比分析.站点分别位于开封市通许县(KFTX)、许昌市建安区(XCJA)、鹤壁市浚县(HBXX)和郑州市高村乡(ZZGC).并址站选取的原则为水平距离不大于30 km，高程差异不超过100 m (施闯等,2020).

分别对四组并址站点在7月17日0时至7月23日23时期间的PWV变化与小时降雨量进行分析，两者时间序列如图5所示.从图中可以看出，各站点的PWV随时间均呈现先增后减的整体趋势，即四个北斗/GNSS站的PWV均在暴雨时段前的7月17日至19日震荡上升，并在暴雨发生期间保持在高位波动，最终在暴雨发生后的22日至23日逐渐下降.这是由于在暴雨发生前，受台风“烟花”和“查帕卡”影响，洋面水汽通过东南暖湿气流向西北输送，并在测站上空聚集，导致区域内的PWV不断上升.随后，区域内的水汽在垂直方向辐合上升并发生相变，绝热膨胀冷却凝结成云，从而使水汽含量减少.但由于本次极端暴雨中，外部水汽持续供应，不断在河南省上空汇聚，使得暴雨发生期间PWV一直维持在高数值水平，从而导致本次极端暴雨的降雨持续时间较长.当外部水汽不再充足供应，PWV数值即表现为下降，强降雨也随之结束.

同时，从图中还可以看出大部分极端降雨发生时刻前的1～3 h内PWV会出现短时上升.例如，KFTX站在20日午夜发生超过30 mm·h-1的短时强降雨，而在其发生前2 h，PWV从65 mm上升至70 mm以上(图5a)；XCJA站在20日上午发生极端降雨，其强度最高达到29 mm·h-1，而在此之前测站上空的PWV从60 mm陡增至65 mm以上(图5b).以上现象表明暴雨发生前，区域内的水汽快速聚集，成云过程加速且规模扩大，从而导致极端降雨的发生，该现象可为极端降雨预警提供一定参考.

图5 本次极端暴雨中四个北斗/GNSS站与并址气象站GNSS-PWV与实测小时降雨量时间序列其中黑线表示PWV，蓝色柱表示实测小时降雨量，灰色区域表示暴雨集中发生时期.Fig.5 Time series of hourly PWV and measured hourly precipitation at four BeiDou/GNSS stations with their adjacent meteorologial station during this extreme rainstormThe black lines represent the PWV,while the blue bars represent the measured hourly precipitation.The gray area represents the time period when the extreme precipitaiton occurred.

3.3 极端暴雨中PWV与小时降雨量空间分布

为进一步分析暴雨过程中PWV与小时降雨量的空间分布，利用PWV空间格网数据对本次极端暴雨期间(7月19日至22日)不同时间段PWV与河南省内大范围、高强度降雨的空间分布进行分析.观测到强降雨事件气象站的实测小时降雨量及对应时段内PWV空间分布如图6所示.其中，图中第一列和第三列分别表示省内某一时段的PWV空间分布，第二列和第四列给出的是2 h后发生降雨的气象站小时降雨量监测结果(即小时降雨量大于0).值得说明的是，先前研究表明在强降雨发生前1～3 h内，PWV将达到较高水平(Wang et al.,2015a;Cao et al.,2016;Manandhar et al.,2018).因此本文以间隔2 h为例，分析某一时段PWV和2 h后小时降雨量空间分布的对应情况.为了区分不同的时段，将四天时间内PWV和对应2 h后全省小时降雨量分为8组，每天选择两组，分别用(a)至(h)表示.

图6 本次极端暴雨中河南省部分时段PWV和2 h后实测小时降雨量空间分布的对比图其中第一列和第三列为PWV空间分布，第二列和第四列为站点2 h后的小时降雨量空间分布.Fig.6 Comparison diagram of spatial distribution of PWV and measured hourly precipitation after two hours within Henan ProvinceThe first and the third column represent the spatial distribution of PWV,while the second and the fourth column represent the spatial distribution of hourly precipitation after two hours.

在空间维度上，从图中不同时段的结果可以看出本次极端暴雨强降雨主要集中于河南省中部与北部，相应区域的PWV在7月22日前基本保持在60 mm以上，处于较高水平.例如，图6中(c)组和(d)组分别显示的是7月20日两个不同时段的PWV的空间分布及其2 h后小时降雨量.在这两个时段内，郑州及其北部的新乡、焦作三市交界处PWV均达到70 mm的较高数值，水汽含量处于高水平；在这两个时段的2 h后，强降雨主要分布在河南省中部和北部的郑州、焦作、新乡和鹤壁等市，且20日17时郑州市城区发生了强度达到201.9 mm·h-1的短时强降雨，表明降雨发生位置与PWV高值分布区域一致.

然而，河南省西部区域的降雨强度则相对较低，并且该区域内的PWV数值低于50 mm，处于较低的水平.例如，图6中(e)组展示的是7月21日4时的PWV空间分布及其2 h后小时降雨量监测结果情况.可以看到，河南省西部区域的PWV数值保持在40 mm左右，远低于省内其他区域.2 h后，位于西部的三门峡和南阳市仅有小范围的降雨发生，且小时降雨量小于1 mm.以上结果均说明，本次极端暴雨中的强降雨发生区域与PWV数值大小的空间分布关联紧密，即当区域内PWV数值较大，水汽含量丰富，降雨强度普遍较高；当区域内PWV数值较小，水汽含量较低，降雨强度也相对较低.

进一步结合图1b所示的河南省高程分布，可以发现产生不同区域降雨强度差异的原因是水汽输送受河南省西部山地阻隔，使得西部地区水汽含量相对较低，从而导致降雨强度较弱.一方面，受台风“烟花”和“查帕卡”影响，东南暖湿气流向西北方向输送水汽，在河南省附近形成高强度的水汽辐合区.另一方面，河南省地势西高东低，西部的伏牛山和西北部的太行山起伏的地形对水汽输送产生抬升和阻挡作用，当水汽输送至河南省中部时汇聚堆积，造成PWV西部数值较低，中部和北部数值较高的现象，并且在大气水汽含量较高区域发生了强降雨事件.

在时间维度上，河南省内所有区域的PWV均呈现先增加后减少的趋势，这与图5所示的暴雨发生前后的PWV变化情况相吻合(图5).7月22日前，全省大部分区域的PWV数值较高，该时段内同样在全省大部分区域发生强降雨事件.至7月22日，全省中部、东部、南部地区PWV逐渐减小，恢复至50 mm以内，同时这些区域内并未发生强降雨.以上结果综合表明，结合北斗/GNSS的高时空分辨率PWV空间分布监测，可为极端降雨灾害的短临预报提供科学数据支撑.

4 结论

本文利用北斗/GNSS观测数据，采用PPP技术和克里金插值方法获取了“21·7”河南极端暴雨过程中全省PWV空间格网数据；结合气象站降雨量数据，从时间序列和空间分布两个方面分析了PWV变化与极端降雨发生之间的关系.结果表明：

(1)通过PPP获取的北斗/GNSS站PWV与国际权威的全球气象再分析资料ERA5反演PWV互差均方根(RMS)为3.2 mm；在研究区域内，通过克里金插值获取的PWV空间格网数据与Radiosonde-PWV互差的RMS为4.6 mm，与ERA5-PWV互差的RMS为4.4 mm，数据精度符合气象学研究要求.

(2)北斗/GNSS站和并址气象站的PWV与实测小时降雨量时间序列分析结果表明，本次极端暴雨发生前后测站上空PWV均呈现先增后减的整体趋势，且暴雨发生时段内PWV维持在较高水平，从而引发了持续性暴雨；同时，在极端降雨发生1～3 h前，PWV多表现为陡增，表明水汽快速聚集，导致短时强降雨的发生.

(3)PWV空间格网数据与实测小时降雨量空间分布分析结果表明，本次极端暴雨中的强降雨发生与区域内PWV大小具有较强对应关系：当区域内PWV数值较大，大气中水汽含量较多，降雨强度普遍较高；当区域内PWV数值较小，大气中水汽含量较少，降雨强度也相对较低.不同区域PWV数值差异的原因是河南省地形起伏导致水汽输送过程受阻，水汽在不同区域的聚集程度不同，进而导致不同区域降雨强度也产生了明显的差异.

(4)利用高时空分辨率的地基北斗/GNSS观测站数据，可实现快速、高精度、高分辨率的PWV监测，为极端降雨灾害的短临预报提供科学数据支撑.

致谢感谢河南省测绘工程院提供北斗/GNSS观测数据、武汉大学卫星导航定位技术研究中心提供WUM轨道钟差产品 (ftp:∥igs.gnsswhu.cn/pub/)及气象数据处理平台GMET(http:∥gmet.users.sgg.whu.edu.cn/)、中国气象局提供降雨及无线电探空数据 (http:∥data.cma.cn/)、ECMWF提供气象再分析资料数据(https:∥www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5)以及NASA提供ASTER GDEM数据(https:∥search.earthdata.nasa.gov/search?q=ASTER%20GDEM).