基于北斗PWV 的暴雨时空变化特征分析

2022-11-06郭秋英赵耀黄守凯张海平李国伟孙英君

全球定位系统 2022年5期

郭秋英，赵耀，黄守凯，张海平，李国伟，孙英君

(1.山东建筑大学测绘地理信息学院,济南 250101；2.山东省国土测绘院,济南250102)

0 引言

水汽是地球大气中的重要组成成分，大气水汽的变化与降水的产生关系密切，极端的降水天气会对社会的生产生活造成很大影响，如暴雪暴雨等.大气可降水量(PWV)定义为地面以上大气柱中的水汽全部凝结并降至地面的降水量[1].现阶段PWV 通常都是利用探空气球和气象卫星等传统气象学手段等来获取.而采用全球卫星导航系统(GNSS)进行大气水汽反演相比于传统的方法主要有全天候、高精度、高时空分辨率等优点[2].

在近几年的研究中，ZHAO 等[3]对香港地区强降水过程中的大气水汽的变化进行了研究，发现大气水汽在降水产生前伴随着强烈的垂直对流运动.KHANIANI 等[4]依据伊朗德黑兰地区2007—2010 年的GPS 和气象数据，使用神经网络的方法对降雨事件进行预测，取得了较好的效果.连续运行参考站(CORS)能提供长时间连续的卫星观测数据，被大量用于GNSS 气象学的研究，HUANG 等[5]使用CORS观测数据，对暴雨过程中PWV 的时空变化特征进行了研究，发现PWV 的变化对恶劣天气的产生有重要的指示意义.施闯等[6]使用中国-中南半岛地区近10 a的PWV 产品，研究了该地区的气候特征，发现这些特征主要受到测站纬度、高程以及季风的影响.为了探究PWV 与降水的联系，杨军建等[7]使用武汉地区CORS 观测数据证明GPS 反演的PWV 可以作为降雨预报的指标，尤其对暴雨有更重要的指示作用.单路路等[8]通过研究PWV 时变特征与降雨之间的正相关关系，采用浙江省1 a 的CORS 数据反演出的PWV，提出并建立了一种基于GNSS-PWV 的短临降雨预测方法.杜爱军等[9]使用BDS CORS 数据对重庆地区降水进行了分析，结果表明，在降雨过程中PWV 的分布与实际降水量具有很好的相关性.除此之外有许多学者的研究表明PWV 的变化与降水的产生有较强的相关性[10-15].

我国北斗卫星导航系统(BDS)建设相比GPS 较晚，在GNSS 气象学上的研究不如GPS 成熟，且在山东省地区的研究较少.本文将利用山东省CORS 网提供的BDS 观测数据进行水汽反演，对山东省地区的PWV 在暴雨中的时空变化特征进行分析.

1 基于BDS 的PWV 反演及其精度评估

1.1 BDS 反演PWV 基本原理

对流层延迟是影响GNSS 定位精度的主要误差之一，并且难以消除.水汽在对流层延迟中扮演着重要的角色，通过对对流层延迟进行反演，使用VMF1 映射函数(Vienna Mapping Function)[16]可以获取对流层天顶总延迟(ZTD).ZTD 由天顶干延迟(ZHD)和天顶湿延迟(ZWD)组成，其中ZWD 与水汽有关.先获得对流层ZWD 的值，再通过转换系数可以计算出PWV 的数值[17].

对于ZHD 的计算，采用Saastamoinen[18]模型进行计算

式中：ZHD 为静力学延迟，单位为mm；φ为测站纬度，单位为 rad；H为测站大地高，单位为km.

最后由ZWD 通过转换系数 Π 可得到PWV 的值

式中：ρw为液态水密度，单位为kg/m3；Tm为加权平均温度，单位为K；Rv为水汽气体常数，值为461.495 J/(kg·K)；k2、k3为大气折射率实验常数，值分别为22.13±2.20 K/hPa、(3.739±0.012)×105K2/hPa.

1.2 研究区域及数据来源

实验使用的BDS 观测数据来源于山东省连续运行参考站(SDCORS)综合服务系统，选取了具有并址地面气象站的49 个CORS 站，如图1 所示.对观测数据使用高精度GNSS 处理软件GAMIT10.72进行处理，得到各测站2020 全年的逐小时PWV 值序列.地面气象站实际降水观测数据由国家气象信息中心下载(网站：http://data.cma.cn/).探空站观测数据来自美国怀俄明大学(网站：http://weather.uwyo.edu/upperair/).此外，为了统一各个数据的时间系统，研究所采用的时间系统为协调时间时(UTC).

图1 研究区域内CORS 站、气象站及探空站分布图

1.3 BDS PWV 精度评估

目前大气水汽探测的手段多种多样，如探空气球、微波辐射计、GNSS 反演等，其中公认精度最高的是探空气象站利用探空气球所获得的水汽值.利用山东省章丘市探空站的数据作为参考值，选取距离章丘探空站较近的ZQRS 站2020 全年的PWV 反演结果进行精度分析.由于探空站数据并不直接提供PWV，而是提供分气压层的大气数据，所以需由下式进行计算：

式中：P WV为由探空站探测的PWV；ρw为液态水密度，单位为kg/m3；q为该气压层的比湿，单位为g/kg；g为重力加速度，单位为m/s2；P为对应层的气压，单位为hPa.

图2 给出了章丘市探空站PWV 与ZQRS 站PWV的对比情况，由图2 可知，两组数据的差值总体维持在-4～4 mm 之间，并且呈现出两端较小，中间偏大的现象，即差值在夏季更大.最大差值约在14 mm，出现在年积日第180 天，推测与夏季的水汽变化更为剧烈有关.

图2 章丘市探空站与ZQRS 站2020 全年PWV 差值图

为从总体上评估CORS 站反演PWV 的精度，选取了以下统计评估指标：均方根误差(RMSE)，平均偏差(bias)和皮尔逊相关系数R，计算方法如下：

式中：n为样本数；x和y分别为探空站提供的PWV 和BDS CORS 数据反演的PWV；和分别为x和y的平均值.

由表1 可知，1) RMSE 为3.4 mm，bias 为2.4 mm，CORS 站解算出的PWV 与探空站计算得到的PWV十分接近；2)相关系数的值越接近1，表明两个变量之间的相关性越高；相关系数达到0.98，证明两组数据呈高度相关；3)基于BDS CORS 数据反演的PWV精度较高，能够满足气象研究需求.

表1 BDS PWV 精度评估表

2 典型暴雨过程PWV 时空变化特征分析

2.1 单站暴雨过程PWV 时空变化特征分析

暴雨在气象学上的规定是24 h 内降水量超过50 mm 的降水，相比于普通降水，具有水汽变化更剧烈的特点，使得PWV 的变化更为明显.图3 选取降水较多的BOSH、JYRS、SDTA 3 个CORS 站及相邻气象站2020 年8 月1 日至21 日的数据进行对比分析.

图3 3 个CORS 站2020 年8 月1 日至21 日实际降水与PWV 对比图

由图3 可知，在3 个CORS 站发生的降水过程中，PWV 的变化都有一些普遍的特征：每次降水产生前，由于大气中水汽的积聚，PWV 的值都会有一个迅速上升的过程，至降水产生的时刻，PWV 的值普遍达到了60 mm 以上.之后，随着降水的结束，大气中积聚的水汽得到了释放，PWV 的值也随之迅速下降.

以SDTA 站的8 月1 日和8 月19 日的两次暴雨为例(红框标出)，对PWV 的详细变化情况进行分析.

SDTA 站8 月1 日的暴雨开始于12:00 时，一直持续到1 日23:00 时，降水量达到195 mm.从12:00时降水开始至15:00 时之间三个时段降水量分别为：0.2 mm、0.1 mm、1.3 mm，降水量较少，之后降水量大幅增加，15:00 时和16:00 时的降水量都达到了60 mm以上.16:00—18:00 时降水量明显减少，但19:00 时之后降水量又有所变化直至降水结束.在降水产生前PWV 有明显的变化：从8 月1 日4:00—12:00 时，PWV 一直处于上升期，由最低的46.8 mm 逐渐递增至62.6 mm.降水产生后，PWV 仍然保持上升，代表水汽还处于积聚阶段，没有得到释放，这点从12:00—14:00 时的降水量较少可以看出.PWV 的值在16:00 时达到峰值67.6 mm之后开始下降，但PWV 保持两个时段下降趋势之后不再下降，维持在约65 mm的高位，预示着降水还将持续，直至23:00 时 PWV 开始迅速下降不再保持高位，至8 月2 日11:00 时下降至47.1 mm，代表大气中的水汽已经完全释放.本次降水持续时间较长，PWV 在降水产生前8 h 开始上升，至降水产生时增量达到15.8 mm，平均变化率达到2.0 mm/h，其中PWV 在降水产生前2 h 变化率最大，达到3.4 mm/h.

SDTA 站8 月19 日的暴雨从18:00 时持续至8 月20 日02:00 时，雨势总体上呈逐渐减小的趋势，总降水量达到50 mm.在本次降水产生前10 h，PWV 开始保持上升，与8 月1 日的降水不同的是，PWV 在产生降水后一直保持下降趋势，没有继续维持在高位，证明水汽释放的较为完全.本次降水过程中，PWV 由08:00 时的54.4 mm 上升至降水时刻18:00 时的62.1 mm，变化量达到7.7 mm，平均变化率达到0.8 mm/h，其中降水产生前2 h 的变化率达到1.7 mm/h.

2.2 山东省范围暴雨过程PWV 时空变化特征分析

CORS 站的观测数据反演出的PWV 是在山东省区域内分布的点状数据，为了能够更加直观的分析全省范围水汽的变化特征，采用克里金插值的方法对PWV 进行了处理，将空间上不连续的点状数据转换为了空间上连续的面状数据.2020 年8 月5 日—8 月7 日，山东全省范围内产生了一场大范围的降水，以这3 天的数据为例，对水汽变化情况进行分析，如图3 所示.

图4 表示的是8 月5—8 月7 日各个时段的PWV分布情况，并且将对应时段之后3 h 内有降水产生的CORS 站进行了标注.在8 月5 日12:00 时，全省的PWV 大部分处于55～60 mm，且处于上升期，其中北部地区的PWV 相对较高，个别区域达到65 mm 以上，只有LINQ 和LZWT 两个站在12:00 时产生了1 mm的小型降水.至8 月6 日00:00 时，沿海地区水汽逐渐下降，内陆地区的PWV 大幅升高，西北地区的PWV 达到了70 mm 以上的高值，并且在之后有大范围的降水产生，位于该地区的DEZH、SDLY 两个站在3 h 内的降水达到了50 mm 以上.在此次大范围降水中，水汽呈现由西北向东南逐渐发展的趋势，至8 月6 日10:00 时，西南地区的PWV 值处于全省最高位，维持在70 mm 以上，西北地区的PWV 相比00:00 时有所降低.在8 月6 日10:00—13:00 时，49 个CORS 站中有36 个CORS 站均有降水产生，其中QUFU 站的降水达到了140 mm.随着时间推移，在8 月7 日PWV 的高值转移至东南地区，此时全省范围内的降水相比与8 月6 日有了大幅的减少.至8 月7 日08:00时，北部地区的PWV 已经下降至约55 mm，并且还在逐渐下降.一直到8 月8 日00:00 时，全省大部分地区的PWV 都降至50 mm 以下，只有南部地区有零星降水产生，本轮大范围降水迎来结束.

图4 2020 年8 月5日至8 月7日山东省PWV 分布图

从总体来看，采用克里金插值的方法，可以直观的显示出水汽输送的方向.PWV 值较高的区域与有降水产生的CORS 站位置高度重合，PWV 的变化与降水的产生高度相关.

3 全年暴雨过程PWV 特征总体统计分析

3.1 总体变化特征统计

结合实际降水资料发现49 个CORS 站2020 年发生的达到暴雨级别的降水共有133 次，对这些降水过程的PWV 变化情况进行了统计，统计的信息包括：1)暴雨发生前2 h 内的PWV 最大值(PWVmax)；2)暴雨发生前PWV 保持上升的持续时间(ΔT)；3) PWV 持续上升时间内PWV 的总增加量(ΔPWV)；4) PWV 持续上升时间内PWV 的变化率，即每小时变化量(PWVr).

图5 显示了所有降水事件中的PWV 变化特征，为了更直观的分析，对这些特征出现的频次进行了统计，如表2 所示.

图5 133 次暴雨降水事件PWV 变化特征图

表2 PWV 变化情况统计表

由图5 和表2 可知，在所有统计样本中，PWVmax最大可达到81 mm，最低只有38 mm.其中，共有108 次暴雨发生前PWVmax达到了60 mm 以上，占比达到81.2%，只有3 次PWVmax小于50 mm.ΔPWV 最大可达到41 mm，大多处于5～25 mm.ΔT最大值达到16 h，在67.7%的样本中，ΔT处于5～12 h，表明暴雨的产生需要一定时间的水汽积累.PWVr能更加明显的反映PWV 变化的幅度，在所有样本中，PWVr最大值达到了4.2 mm/h，只有一个样本中PWVr低于0.5 mm/h，85.7%的样本保持在1～3 mm/h 的区间内，表明暴雨前水汽的变化比较剧烈.

3.2 临近降水PWV 变化特征分析

在前文的分析中，注意到临近降水产生时PWV的变化更加剧烈，为了探究临近暴雨产生时PWV 的变化情况，图6 对133 次暴雨样本中PWV 整个上升过程中的PWVr和降水发生前2 h 的PWVr(记为2 h PWVr)进行了对比.可以明显看出，2 h PWVr有更多的高值，最大的一次达到了6 mm/h，而PWVr最大只有4.2 mm/h.在单次降水事件中，2 h PWVr最多能达到PWVr的2.6 倍.在所有统计的降水事件中2 h PWVr相对于PWVr平均增大了12%.这个结果证实越临近降水产生，PWV 的变化越剧烈.