两种gpt系列对流层经验模型精度分析

１ ＧＰＴ 系列的对流层模型
１.１ ＧＰＴ２ 模型
ＧＰＴ 系列模型最早由 ２００７ 年 Ｂｏｅｈｍ 等建立的[３] ꎬ该
模型是基于 ３ 年(１９９９—２００２) 的 ＥＲＡ－ ４０ 再分析资料利
用 ９ 阶球谐函数建立的ꎮ 该模型在建立时考虑了温度和
气压的年周期和半年周期变化特性ꎬ但它在空间和时间
第 ４３ 卷 第 ３ 期 ２０２０ 年 ３ 月
测绘与空间地理信息
ＧＥＯＭＡＴＩＣＳ ＆ ＳＰＡＴＩＡＬ ＩＮＦＯＲＭＡＴＩＯＮ ＴＥＣＨＮＯＬＯＧＹ
Ｖｏｌ.４３ꎬＮｏ.３ Ｍａｒ.ꎬ ２０２０
两种 ＧＰＴ 系列对流层经验模型精度分析
武可强ꎬ 王建强
( 东华理工大学 测绘工程学院ꎬ江西 南昌 ３３００１３)
摘 要:针对很多测站不能提供实测气象数据的情况ꎬ本文对两种高精度的 ＧＰＴ 系列经验模型进行验证ꎮ 通过 对两种模型获得的经验气象数据及对计算可降水汽非常重要的 ＺＨＤ 的精度进行分析ꎬ得出如下结论:ＧＰＴ２ｗ 模 型的精度要高于 ＧＰＴ２ 模型ꎬ且在无实测气象数据的情况下可以使用 ＧＰＴ２ｗ 模型来进行 ＧＮＳＳ 水汽反演ꎮ 关键词:经验模型ꎻ可降水汽ꎻＧＰＴ２ｗ 模型ꎻ气象数据 中图分类号:Ｐ２２８ 文献标识码:Ａ 文章编号:１６７２－５８６７(２０２０)０３－００７６－０３
０ 引 言
水汽是大气中的活跃成分ꎬ大气水汽的时空变化对 于理解天气过程、天气预报和天气系统演变等研究具有 重要意义ꎮ 要想获得高精度的水汽产品ꎬ必须同步获取 测站处的气象元素( 温度 Ｔ、气压 Ｐ 等)ꎮ 在许多测站没 有安装气象传感器无法获得实测的气象元素时ꎬ需要采 用经验模型来获得测站的气象元素ꎮ 目前ꎬＧＮＳＳ 气象学 中常用的无需实测气象元素的对流层模型是全球气温气 压经 验 模 型 ( ＧＰＴ ) 系 列 模 型ꎬ 它 包 括 ＧＰＴ、 ＧＰＴ２ 和 ＧＰＴ２ｗ ３ 种模型ꎮ
个格网点与测站的高程之差ꎬ将各个格网点的气压和温
度改正到测站高程处ꎬ其中ꎬ格网点的温度垂直衰减率用
式( １) 计算ꎬ而气压改正则是根据格网点的虚温以 指数 形
天顶静力延迟( ＺＨＤ) 是对流层延迟建模的一个重要 组成部分ꎬ由于 ＺＨＤ 变化较为规律ꎬ因此ꎬ通常用模型来 表达ꎮ 根据 Ｂｅｖｉｓ 等[１] 和 Ａｓｋｎｅ 等[２] 提出的大气可降水 汽的理论ꎬ精确的 ＺＨＤ 对 ＺＷＤ 估算具有重要的意义ꎬ不 精确的 ＺＨＤꎬ可以影响到 ＺＷＤ 估算的准确性ꎬ进而会影 响大气 可 降 水 量 的 计 算ꎬ 因 此ꎬ 求 取 精 确 的 ＺＨＤ 对 于 ＧＮＳＳ 水汽反演具有重要意义ꎮ 本文对 ＧＰＴ 系列的两种 最新 ＧＰＴ２ 和 ＧＰＴ２ｗ 进行检验ꎬ使用获得的气象元素及 以气象元素计算的 ＺＨＤ 进行精度分析ꎬ进而验证了两种 模型的精度ꎮ
Ａｂｓｔｒａｃｔ:Ｉｎ ｖｉｅｗ ｏｆ ｔｈｅ ｆａｃｔ ｔｈａｔ ｍａｎｙ ｓｔａｔｉｏｎｓ ｃａｎｎｏｔ ｐｒｏｖｉｄｅ ｍｅａｓｕｒｅｄ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａꎬ ｔｈｉｓ ｐａｐｅｒ ｖｅｒｉｆｉｅｓ ｔｗｏ ｈｉｇｈ－ｐｒｅｃｉｓｉｏｎ ＧＰＴ ｓｅｒｉｅｓ ｅｍｐｉｒｉｃａｌ ｍｏｄｅｌｓ. Ｔｈｅ ｅｍｐｉｒｉｃａｌ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｔｈｅ ｔｗｏ ｍｏｄｅｌｓ ａｎｄ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ＺＨＤꎬ ｗｈｉｃｈ ｉｓ ｉｍｐｏｒｔａｎｔ ｆｏｒ ｃａｌｃｕｌａｔｉｎｇ ｔｈｅ ｗａｔｅｒ ｖａｐｏｒꎬ ａｒｅ ａｎａｌｙｚｅｄ. Ｉｔ ｉｓ ｃｏｎｃｌｕｄｅｄ ｔｈａｔ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ＧＰＴ２ｗ ｍｏｄｅｌ ｉｓ ｈｉｇｈｅｒ ｔｈａｎ ｔｈａｔ ｏｆ ｔｈｅ ＧＰＴ２ ｍｏｄｅｌꎬ ａｎｄ ｔｈｅ ＧＰＴ２ｗ ｍｏｄｅｌ ｃａｎ ｂｅ ｕｓｅｄ ｆｏｒ ＧＮＳＳ ｗａｔｅｒ ｖａｐｏｒ ｉｎｖｅｒｓｉｏｎ ｗｉｔｈｏｕｔ ｔｈｅ ｍｅａｓｕｒｅｄ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａ. Ｋｅｙ ｗｏｒｄｓ:ｅｍｐｉｒｉｃａｌ ｍｏｄｅｌꎻ ｗａｔｅｒ ｖａｐｏｒꎻ ＧＰＴ２ｗ ｍｏｄｅｌꎻ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａ
Ａｃｃｕｒａｃｙ Ａｎａｌｙｓｉｓ ｏｆ Ｔｗｏ ＧＰＴ Ｓｅｒｉｅｓ Ｔｒｏｐｏｓｐｈｅｒｉｃ Ｅｍｐｉｒｉｃａｌ Ｍｏｄｅｌｓ
ＷＵ Ｋｅｑｉａｎｇꎬ ＷＡＮＧ Ｊｉａｎｑｉａｎｇ ( Ｆａｃｕｌｔｙ ｏｆ Ｇｅｏｍａｔｉｃｓꎬ Ｅａｓｔ Ｃｈｉｎａ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙꎬ Ｎａｎｃｈａｎｇ ３３００１３ꎬ Ｃｈｉｎａ)
收稿日期:２０１８ － ０９ － １０ 作者简介:武可强(１９９２－ ) ꎬ男ꎬ河南洛阳人ꎬ测绘科学与技术专业硕士研究生ꎬ主要研究方向为 ＧＮＳＳ 气象学ꎮ
第３期
武可强等:两种 ＧＰＴ 系列对流层经验模型精度分析
７７
输入测站的经纬度、高程和年积日ꎬ利用式( １) 计算测站
周围距离最近的 ４ 个格网点的气压和温度ꎻ然后ꎬ根据各
还对变化周期的相位变化进行了估计ꎮ 具体公式为:
ｒ(ｔ)
＝
Ａ０
＋
Ａ１
ｃｏｓ
æ
ç
è
３６ｄ５ｏ.ｙ２５２π
ቤተ መጻሕፍቲ ባይዱ
ö
÷
ø
＋
Ｂ１
ｓｉｎ
æ
ç
è
３６ｄ５ｏ.ｙ２５２π
ö
÷
ø
(１)
＋
Ａ２
ｃｏｓ
æ
ç
è
ｄｏｙ ２π ３６５.２５
ö
÷
ø
＋
Ｂ
２(
ｄｏｙ ２π) ３６５.２５
式中ꎬｒ(ｔ)是格网点的气压、温度等参数值ꎻ Ａ０ 为对 应格网点参数的平均值ꎻ Ａ１、Ｂ１ 为对应格网点参数的年变 化振幅ꎻ Ａ２ 、Ｂ２ 为对应参数的半年变化振幅ꎻｄｏｙ 为年积 日ꎮ 使用 ＧＰＴ２ 模型计算测站气压、温度的方法是:首先ꎬ
的变化性上有一定的局限ꎮ ２０１３ 年ꎬＬａｇｌｅｒ 等改进了 ＧＰＴ
模型ꎬ 得 到 了 ＧＰＴ２ 模 型ꎬ 该 模 型 基 于 １０ 年 的 ＥＲＡ －
Ｉｎｔｅｒｉｍ 再分析资料气压层产品数据ꎬ用 １° 分辨率和简化
的 ５°分辨率的格网点产品代替了球谐函数形式ꎮ ＧＰＴ 模
型不仅考虑了气象元素年周期和半年周期的变化特性ꎬ