基于CORS網(wǎng)數(shù)據(jù)的河南“7·20”特大暴雨期間大氣水汽分布特征分析

李慧, 張亞豪, 朱丹彤, 高旭昂

(華北水利水電大學(xué),河南 鄭州 450046)

隨著空間大地測(cè)量技術(shù)的發(fā)展,基于地基全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System,GNSS)的空間探測(cè)技術(shù)自1992年起受到廣泛關(guān)注[1]。GNSS信號(hào)在傳播過(guò)程中受對(duì)流層影響出現(xiàn)路徑彎曲和速度衰減,使GNSS觀測(cè)值受到對(duì)流層延遲(Zenith Tropospheric Delay,ZTD)的影響。對(duì)GNSS觀測(cè)值進(jìn)行高精度解算得到ZTD估計(jì)值,結(jié)合多種氣象數(shù)據(jù)可反演出測(cè)站上空的大氣可降水含量(Precipitable Water Vapor,PWV)。傳統(tǒng)的PWV觀測(cè)方法有無(wú)線電探空儀、地基微波輻射計(jì)等。無(wú)線電探空儀由于其時(shí)空分辨率低,難以滿足高時(shí)空分辨率的PWV監(jiān)測(cè)需求。地基微波輻射計(jì)由于其空間分辨率低且價(jià)格昂貴無(wú)法被普及。相比于其他手段,地基GNSS水汽探測(cè)具備全天候、高精度、高時(shí)間分辨率和均一性好等優(yōu)勢(shì),近些年已成為大氣水汽觀測(cè)的一種重要手段[2],并成功應(yīng)用到降雨預(yù)報(bào)[3]、水汽三維分布[4]、厄爾尼諾[5]、長(zhǎng)期氣候變化[6]等研究中。如:單路路等[7]以PWV變化率、每月PWV閾值和PWV變化量3個(gè)因素作為參考要素,提出了一種利用GNSS-PWV進(jìn)行短期臨時(shí)降雨預(yù)測(cè)的方法;ZHAO Q Z等[8]基于月平均PWV、季節(jié)性PWV/ZTD的變化和它們的一階導(dǎo)數(shù)等5個(gè)預(yù)測(cè)因子,提出了一種改進(jìn)的降雨預(yù)報(bào)模型;ZHENG Y X等[9]結(jié)合機(jī)器學(xué)習(xí)構(gòu)建了一種新型的GNSS可降水量實(shí)時(shí)遙感預(yù)測(cè)模型。

河南省位于我國(guó)中原地區(qū),北、西、南三面環(huán)山,地勢(shì)西高東低。夏季,海洋上的水汽在夏季風(fēng)和副熱帶高壓的驅(qū)動(dòng)下源源不斷向內(nèi)陸傳送,受地形阻攔,水汽在河南上空積累,并與河南當(dāng)?shù)氐膮^(qū)域性對(duì)流系統(tǒng)疊加,極易發(fā)生暴雨事件。2021年7月17—23日河南省遭遇歷史罕見(jiàn)特大暴雨,據(jù)國(guó)家自然災(zāi)害災(zāi)情管理系統(tǒng)統(tǒng)計(jì),本次暴雨共造成河南省150個(gè)縣(市、區(qū))、1 616個(gè)鄉(xiāng)鎮(zhèn)、1 391.28萬(wàn)人受災(zāi),同時(shí)引發(fā)了嚴(yán)重的城市內(nèi)澇、農(nóng)田積澇,造成了嚴(yán)重?fù)p失。大氣水汽是大氣中最為活躍的成分,是降雨發(fā)生的主要驅(qū)動(dòng)因子之一。因此,分析大氣水汽在暴雨期間的時(shí)空演變特征對(duì)于進(jìn)一步理解暴雨發(fā)生機(jī)制、推動(dòng)降雨預(yù)報(bào)現(xiàn)代化服務(wù)體系發(fā)展,具有十分重要的科學(xué)意義。鑒于以往有關(guān)鄭州“7·20”特大暴雨事件的研究都集中于降雨機(jī)制的分析,本文從大氣水汽的角度出發(fā),基于國(guó)際GNSS服務(wù)組織(International GNSS Service,IGS)分析中心的事后星歷、鐘差產(chǎn)品等,采用精密單點(diǎn)定位(Precise Point Positoning,PPP)解算GNSS觀測(cè)值,結(jié)合ERA-5氣象觀測(cè)資料得到時(shí)間分辨率為5 min的大氣可降水含量,對(duì)河南“7·20”特大暴雨期間大氣水汽與降雨量進(jìn)行對(duì)比分析,得到大氣水汽與降雨量之間的協(xié)同變化特征。

1 數(shù)據(jù)與方法

1.1 GNSS大氣水汽

1.1.1 GNSS大氣水汽反演基本流程

1)利用非差非組合PPP,結(jié)合IGS事后觀測(cè)星歷處理CORS網(wǎng)觀測(cè)數(shù)據(jù)。對(duì)于電離層延遲,將其作為白噪聲進(jìn)行參數(shù)估計(jì),并把對(duì)流層延遲ZTD、整周模糊度、接收機(jī)和衛(wèi)星鐘差等視為未知參數(shù),通過(guò)多參數(shù)估計(jì)法建立的誤差方程和法方程進(jìn)行觀測(cè)值解算,求得對(duì)流層延遲ZTD。

2)結(jié)合ERA-5氣象觀測(cè)資料以及天頂靜力延遲計(jì)算模型得到天頂靜力學(xué)延遲(Zenith Hydrostatic Delay,ZHD),進(jìn)而得到天頂濕延遲(Zenith Wet Delay,ZWD)。

3)基于ERA-5氣象觀測(cè)資料計(jì)算大氣加權(quán)平均溫度,確定水汽轉(zhuǎn)換系數(shù),將天頂濕延遲ZWD轉(zhuǎn)換為可降水汽含量PWV[10]。

1.1.2 非差非組合模型

地基GNSS觀測(cè)值解算方法有雙差網(wǎng)解法和精密單點(diǎn)定位法兩種。對(duì)于雙差網(wǎng)解法,當(dāng)不同測(cè)站之間的接收機(jī)距離較近時(shí),接收機(jī)上空的對(duì)流層延遲存在較強(qiáng)的相關(guān)性,僅能夠獲得接收機(jī)和對(duì)流層延遲之間的相對(duì)值,此時(shí)必須引入長(zhǎng)距離測(cè)站消除這種強(qiáng)相關(guān)性才能獲得各個(gè)測(cè)站的對(duì)流層延遲;而精密單點(diǎn)定位方法則無(wú)需顧及GNSS測(cè)站之間的相關(guān)性,可以直接求得各接收機(jī)的對(duì)流層延遲,且相較于雙差網(wǎng)解法的計(jì)算效率更高。非差非組合模型作為PPP的一種解算方案,在處理多頻GNSS數(shù)據(jù)時(shí)更加靈活,可以避免無(wú)電離層組合對(duì)噪聲的放大效應(yīng)。因此,采取非差非組合PPP進(jìn)行GNSS測(cè)站觀測(cè)數(shù)據(jù)解算。非差非組合觀測(cè)模型采用原始偽距和載波相位觀測(cè)方程,將各衛(wèi)星斜路徑上的電離層延遲作為參數(shù)進(jìn)行估計(jì)。原始偽距和載波相位觀測(cè)量的計(jì)算式分別為:

Pi=ρ+c(Δtr-Δts)+Tr+aiI+mi+εpi;

(1)

Li=ρ+c(Δtr-Δts)+Tr-aiI+Bi+Mi+εLi。

(2)

其中,

式中:Pi、Li分別為偽距和載波相位觀測(cè)量;i為信號(hào)頻率,i=1、2;ρ為衛(wèi)星到接收機(jī)相位中心的幾何距離;c為光在真空中的傳播速度;Δtr、Δts分別為修正后的接收機(jī)鐘差和衛(wèi)星鐘差;Tr為對(duì)流層延遲;I為修正的f1頻率信號(hào)電離層延遲;mi和Mi分別為偽距和載波相位觀測(cè)量的多路徑誤差;Bi為修正的模糊度參數(shù);εpi和εLi分別為偽距和相位觀測(cè)噪聲;DCBr、DCBs分別為接收機(jī)端硬件碼延遲、衛(wèi)星端硬件碼延遲;γi、ai為頻率系數(shù)。

1.1.3 GNSS對(duì)流層延遲

GNSS衛(wèi)星信號(hào)傳播到地面接收機(jī)的過(guò)程中,由于穿過(guò)對(duì)流層發(fā)生折射導(dǎo)致信號(hào)路徑發(fā)生彎曲、信號(hào)傳播速度發(fā)生變化,進(jìn)而產(chǎn)生對(duì)流層延遲[11]。信號(hào)延遲量ΔL可由式(3)計(jì)算出。

(3)

(4)

式中:L為信號(hào)傳播距離;N為信號(hào)傳播路徑上的大氣折射率;T為氣溫,℃;Pd和Pv分別為干空氣壓強(qiáng)和水汽壓強(qiáng),hPa;Zd和Zv分別為干、濕壓縮因子;k1、k2、k3為氣體常數(shù),其值分別取77.604、64.290、3.776×105K2·hPa-1。

令N=Nh+Nw,Nh和Nw分別表示大氣折射的靜力學(xué)部分和非靜力學(xué)部分的折射率,將N代入公式(3)可得:

(5)

式中ΔLh、ΔLw分別為對(duì)流層的干、濕延遲量。信號(hào)傳播路徑與其對(duì)流層延遲量一一對(duì)應(yīng),然而在實(shí)際的GNSS數(shù)據(jù)處理中,將所有的GNSS信號(hào)路徑上的延遲量(ΔL)都作為未知數(shù)進(jìn)行解算會(huì)導(dǎo)致法方程的秩虧問(wèn)題。因此,在實(shí)際解算中采用映射函數(shù)將信號(hào)傳播路徑上的對(duì)流層延遲量轉(zhuǎn)化為對(duì)流層天頂總延遲量(Zenith Tropospheric Delay,ZTD),并將其作為未知值進(jìn)行平差計(jì)算。ZTD的表達(dá)式[12]為:

ZTD=ZHD+ZWD。

(6)

式中:ZTD為由非偶極分量引起的天頂總延遲量;ZHD為由非偶極分量引起的天頂干延遲量;ZWD為由偶極分量引起的天頂濕延遲量。

ZHD的解算精度可達(dá)到亞毫米級(jí),而天頂濕延遲量ZWD的最高精度僅達(dá)到厘米級(jí),這顯然無(wú)法滿足氣象實(shí)際應(yīng)用的要求[12]。對(duì)于GNSS-PWV來(lái)說(shuō),通常是由GNSS高精度數(shù)據(jù)處理得到毫米級(jí)精度的天頂總延遲量ZTD,再利用Saastamoinen模型結(jié)合測(cè)站位置的氣象信息計(jì)算得到ZHD值,最后得到ZWD估計(jì)值。基于Saastamoinen模型的ZHD計(jì)算公式如下:

(7)

f(Lat,SH)=1-0.002 6cos(2Lat)-0.000 28SH。

(8)

式中:Ps為GNSS測(cè)站處的地面大氣壓,hPa;f(Lat,SH)是測(cè)站緯度Lat(單位為rad)和大地高SH(單位為km)的函數(shù)。

1.1.4 轉(zhuǎn)換系數(shù)的確定

ZWD和PWV之間的轉(zhuǎn)換關(guān)系[13]為:

PWV=Π·ZWD;

(9)

(10)

式中:Π為和對(duì)流層溫度有關(guān)的轉(zhuǎn)換系數(shù);ρw為液態(tài)水的密度,ρw=1 000 kg·m-3;Tm為加權(quán)平均溫度,K;Rv為水汽氣體常數(shù),Rv=461.51 J/(K·kg);k′2為氣體常數(shù),k′2=17±10 K/hPa。

加權(quán)平均溫度Tm是轉(zhuǎn)換系數(shù)計(jì)算中最重要的參數(shù)之一,本文采用張洛愷等[15]提出的適用于鄭州區(qū)域的Tm模型進(jìn)行計(jì)算。該模型是基于測(cè)站的地表溫度Ts、大氣壓強(qiáng)P和地面水汽壓Pv的多因子模型。Tm的計(jì)算式為:

Tm=0.467Ts-0.239P+0.018Pv+380.88。

(11)

本文采用的數(shù)據(jù)為河南地區(qū)CORS網(wǎng)中8個(gè)GNSS測(cè)站“7·20”暴雨發(fā)生前后2021年7月17—23日(由于CHSM測(cè)站缺少17日數(shù)據(jù),因此采用18—23日)共7 d 的觀測(cè)數(shù)據(jù)以及河南鄭州氣象站50783號(hào)19—23日的逐時(shí)降雨量數(shù)據(jù)進(jìn)行精度分析。其中GNSS觀測(cè)值的時(shí)間分辨率為5 min,GNSS-PWV反演過(guò)程中所涉及的氣象參數(shù)采用ERA-5再分析數(shù)據(jù)(小時(shí)分辨率)。為消除兩者之間的時(shí)間偏差,采用線性插值的方法獲取5 min分辨率的氣象數(shù)據(jù)。所選GNSS測(cè)站的空間分布、測(cè)站信息和氣象站站點(diǎn)信息分別如圖1所示并見(jiàn)表1。

表1 河南地區(qū)GNSS測(cè)站和氣象站信息

圖1 河南省GNSS測(cè)站分布

1.2 ERA-5大氣水汽

1.2.1 ERA-5大氣水汽反演原理

ERA-5是由歐洲中期天氣預(yù)報(bào)中心發(fā)布的第五代全球氣象再分析資料,可以提供從1979年到現(xiàn)在的氣象再分析數(shù)據(jù)。ERA-5分層及地表數(shù)據(jù)的時(shí)間分辨率為1 h,水平方向的空間分辨率為31 km(0.25 °),高程方向?qū)⒌孛嬷?0 km高空的空間分成37個(gè)氣壓層(從1 000 hPa至1 hPa),分層數(shù)據(jù)包含溫度、氣壓、比濕、風(fēng)速、位勢(shì)等數(shù)據(jù),地表數(shù)據(jù)有氣壓、2 m露點(diǎn)溫度、位勢(shì)及比濕[16]。

基于ERA-5再分析數(shù)據(jù),通過(guò)對(duì)地面上空每個(gè)氣壓層中的氣象參數(shù)進(jìn)行數(shù)值積分可獲取目標(biāo)點(diǎn)上空的PWV,具體計(jì)算公式為:

(12)

其中:K為大氣廊線上的水壓層的個(gè)數(shù);g為重力加速度,m/s2;q為比濕,kg/kg;P為壓強(qiáng),hPa。

由于無(wú)法獲得大氣廓線的連續(xù)數(shù)據(jù),故采用各個(gè)等壓面上氣象參數(shù)的差分值代替積分進(jìn)行PWV計(jì)算[16],即:

(13)

ΔPi=Pi+1-Pi。

式中:ΔPi為相鄰兩個(gè)等壓面的差值;qi為相鄰等壓面的平均比濕;Pi+1、Pi分別為第i+1、i個(gè)等壓面的壓強(qiáng)。對(duì)于比濕q,先采用各個(gè)等壓面的溫度數(shù)據(jù)計(jì)算等壓面上的飽和水汽壓,再利用飽和水汽壓與比濕的關(guān)系計(jì)算比濕數(shù)據(jù)。計(jì)算公式分別為:

(14)

(15)

(16)

式中:Psa為飽和水汽壓;T為開(kāi)氏溫度;RH為相對(duì)濕度。

1.2.2 高程改化

采用再分析資料中大氣廓線上的相對(duì)濕度、溫度和壓強(qiáng)依次計(jì)算各個(gè)等壓面位置處的比濕,采用式(13)求得任意等壓面上空的PWV數(shù)據(jù),但是由于GNSS測(cè)站的高程與等壓面上的值并不相同,并且各個(gè)高程系統(tǒng)并不統(tǒng)一。因此,為了計(jì)算GNSS測(cè)站上空的PWV數(shù)據(jù),需要先將不同高程基準(zhǔn)下的參數(shù)統(tǒng)一到同一高程基準(zhǔn)下,然后將等壓面上的氣象參數(shù)進(jìn)行高度改化,將其歸算到指定高度處。

GNSS采用的是大地高系統(tǒng),再分析數(shù)據(jù)采用的是位勢(shì)系統(tǒng),本文以正高系統(tǒng)為基準(zhǔn)。對(duì)于再分析數(shù)據(jù),首先,利用位勢(shì)計(jì)算各個(gè)等壓面的位勢(shì)高。其計(jì)算公式為:

(17)

式中:GPH為位勢(shì)高;GP為位勢(shì);gLat為等壓面的重力加速度。為了便于計(jì)算,本文忽略重力加速度的垂直變化,直接采用下式計(jì)算gLat。

gLat=9.806 2[1-2.644 2×10-3cos(2Lat)+
5.8×10-6cos2(2Lat)]。

(18)

然后,將再分析數(shù)據(jù)的位勢(shì)高轉(zhuǎn)化為正高。其計(jì)算公式為:

(19)

(20)

式中:H為正高;RLat為地球有效半徑。

在氣象參數(shù)統(tǒng)一轉(zhuǎn)化到正高系統(tǒng)下后,為了獲取指定高度處的氣象參數(shù),需要進(jìn)行高程改正以消除高程非一致性導(dǎo)致的偏差。若目標(biāo)點(diǎn)高于大氣廓線的最底層,則基于上下兩層等壓面的氣象參數(shù),通過(guò)線性插值進(jìn)行高程改化;若目標(biāo)點(diǎn)的高程低于大氣廓線的最底層,則采用外推法進(jìn)行高程改化。

2 結(jié)果與分析

2.1 GNSS-PWV精度分析

本文利用ERA-5再分析資料反演得到的PWV(簡(jiǎn)稱為ERA-PWV)對(duì)GNSS-PWV進(jìn)行精度評(píng)估。必須指出的是,由于ERA-5的時(shí)空分辨率與GNSS的不同,為此采用以下措施進(jìn)行處理:在空間域上,首先求得GNSS站點(diǎn)周?chē)?個(gè)ERA-5格網(wǎng)點(diǎn)位置上的PWV值,然后采用反距離加權(quán)法求得GNSS站點(diǎn)上空的PWV值;在時(shí)間域上,采用窗口長(zhǎng)度為1 h的時(shí)間窗口法求取ERA-5歷元前后半小時(shí)的GNSS-PWV平均值,并以此平均值作為該歷元的GNSS-PWV并與ERA-PWV進(jìn)行比較。

精度比較采用的統(tǒng)計(jì)指標(biāo)分別為偏差(Bias)、均方根誤差(Root Mean Square,RMS)和相關(guān)系數(shù)(ρ)。偏差指的是期望輸出與真實(shí)數(shù)據(jù)的差別,用來(lái)描述模型對(duì)本訓(xùn)練集的擬合程度;均方根誤差衡量的是觀測(cè)量與真值的偏差;相關(guān)系數(shù)是衡量向量相似度的值,無(wú)量綱。偏差、均方根誤差、相關(guān)系數(shù)的計(jì)算公式分別為:

(21)

(22)

(23)

表2 河南各測(cè)站ERA-PWV和GNSS-PWV的偏差、均方根誤差和相關(guān)系數(shù)

圖3 河南地區(qū)各測(cè)站GNSS-PWV精度分布圖

由圖2可以看出:①8個(gè)測(cè)站的PWV值自7月18日起逐漸增大,并在7月20日達(dá)到峰值,此時(shí)GNSS-PWV與ERA-PWV的結(jié)果更加接近,二者的差值在±5 mm內(nèi)。②兩種PWV數(shù)據(jù)在55～60 mm范圍內(nèi)的偏差較大,其原因可能為18日暴雨發(fā)生前或者23日暴雨結(jié)束后PWV數(shù)據(jù)受到空氣流動(dòng)、溫度、濕度等因素的影響;兩種PWV數(shù)據(jù)在60～70 mm范圍內(nèi)的離散程度較小,分布比較集中,說(shuō)明兩者差值較小,此情況主要發(fā)生在20日降雨集中時(shí),PWV數(shù)據(jù)受其他因素的影響較小。

圖3(a)反映了GNSS-PWV與ERA-PWV的均方根誤差的空間分布,可以明顯的看出,隨著緯度的增加其均方根誤差也明顯增加;圖3(b)反映了偏差、均方根誤差、相關(guān)系數(shù)的緯度分布,由此可以看出,偏差、均方根誤差、相關(guān)系數(shù)與經(jīng)度的增大并沒(méi)有明顯的關(guān)系。

由表2可知:偏差的最小值為-9.095 mm,最大值為6.483 mm,平均值為-0.731 4 mm,考慮到當(dāng)時(shí)暴雨天氣對(duì)偶然誤差的影響,總體偏差較小;均方根誤差最大值、最小值、平均值分別為2.689、1.795、2.290 mm。這表明GNSS-PWV整體具有較好的可信度。

圖4為河南地區(qū)8個(gè)測(cè)站一周內(nèi)GNSS-PWV與ERA-PWV的散點(diǎn)圖。

圖4 GNSS-PWV與ERA-PWV的散點(diǎn)圖

圖4表明GNSS-PWV與ERA-PWV具有很好的相關(guān)性,GNSS-PWV的時(shí)間分辨率較高,獲得的數(shù)據(jù)相對(duì)較多,具有較高的可靠性。

2.2 水汽分布特征分析

為了形象直觀地展現(xiàn)暴雨期間河南各測(cè)站上空PWV的變化過(guò)程,采用面積圖表示每個(gè)測(cè)站的GNSS-PWV與ERA-PWV,結(jié)果分別如圖5和圖6所示。由圖5和圖6可知:①7月17—18日PWV逐漸增加,直至7月20日和7月21日,PWV逐漸達(dá)到最大值,同時(shí)在7月21日之后PWV明顯下降。②7月21日之后雖然ZZXZ上空的PWV開(kāi)始減小,但是XXYY、XXCY、JZJZ的還有不同程度的增加,但相比于7月20日的增幅較小,仍居于60 mm之上,說(shuō)明7月20日之后的降雨態(tài)勢(shì)沒(méi)有減小,反而出現(xiàn)了持續(xù)的小高峰。③7月23日之后,PWV持續(xù)減少,說(shuō)明降雨態(tài)勢(shì)逐漸減小且趨于穩(wěn)定。④整個(gè)一周的時(shí)間中,水汽一直處于很高的狀態(tài),這是因?yàn)槭艿脚_(tái)風(fēng)“煙花”和“查帕卡”的影響,水汽不斷在測(cè)站上空聚集[20]。

圖5 河南各測(cè)站GNSS-PWV變化過(guò)程

圖6 河南各測(cè)站ERA-PWV變化過(guò)程

為進(jìn)一步分析降雨過(guò)程中測(cè)站所在地區(qū)降雨量與PWV變化的關(guān)系,采用折線圖表示GNSS-PWV(圖7)。圖7中的柱狀圖表示鄭州市氣象站實(shí)際降雨量信息。

圖7 河南各測(cè)站可降水含量(GNSS-PWV)變化過(guò)程

由圖7可知:①GNSS-PWV的變化趨勢(shì)與鄭州市氣象站上空逐小時(shí)降雨量均呈現(xiàn)先增加后降低的趨勢(shì),并且水汽的峰值提前于降雨量的峰值,并在暴雨前3 h左右達(dá)到最大值,這與之前的研究結(jié)論相符合[26]。②從空間維度上看,河南省內(nèi)的GNSS-PWV由中部向四周逐漸降低,鄭州市GNSS-PWV的峰值最高,達(dá)到了70 mm/5 min,并且當(dāng)時(shí)鄭州中心及周邊區(qū)域出現(xiàn)了特大暴雨,降雨量全省最高,達(dá)到了200 mm/h。③從時(shí)間維度上看,河南8個(gè)測(cè)站的GNSS-PWV變化均呈現(xiàn)從低到高的狀態(tài),可以很好地解釋暴雨的變化過(guò)程。綜合以上分析可知,GNSS-PWV不但具有較高的時(shí)間分辨率,而且與實(shí)際降雨量有較高的符合程度,可以為極端暴雨短時(shí)間預(yù)報(bào)提供數(shù)據(jù)支撐。

3 結(jié)論

水汽作為大氣中重要的氣體成分之一,對(duì)大氣變化起著重要的影響。目前常規(guī)探測(cè)大氣水汽的方法有無(wú)線電探空技術(shù)、氣象觀測(cè)衛(wèi)星、氣象飛機(jī)探測(cè)等技術(shù),但常規(guī)技術(shù)存在成本高、精度低、探測(cè)范圍小等不足。相比于常規(guī)方法,GNSS數(shù)據(jù)具有高精度、高時(shí)間分辨率等特點(diǎn),利用GNSS數(shù)據(jù)進(jìn)行水汽研究對(duì)于提供災(zāi)害性天氣的預(yù)報(bào)工作具有重要意義。本文基于河南省8個(gè)GNSS測(cè)站的觀測(cè)值研究了河南“7·20”特大暴雨期間的水汽分布特征。主要結(jié)論如下:

1)以河南省CORS網(wǎng)中8個(gè)GNSS測(cè)站在特大暴雨期間(7月17—23日)的觀測(cè)數(shù)據(jù)為例,解算得到GNSS-PWV數(shù)據(jù),并基于ERA-PWV評(píng)估了GNSS-PWV的精度。通過(guò)對(duì)比分析得到河南省大氣可降水含量在空間分布上隨著緯度的增加偏差逐漸增大。此外,根據(jù)降雨量統(tǒng)計(jì)數(shù)據(jù)發(fā)現(xiàn)GNSS-PWV的變化趨勢(shì)與實(shí)際降雨過(guò)程基本符合。

2)將GNSS-PWV與ERA-PWV進(jìn)行對(duì)比分析,發(fā)現(xiàn)其偏差主要分布在5 mm范圍之內(nèi),利用GNSS-PWV與ERA-PWV繪制散點(diǎn)圖,得到均方根誤差為2.28 mm,相關(guān)系數(shù)為0.910 3。這說(shuō)明二者的擬合程度相對(duì)較好,證實(shí)了GNSS-PWV的準(zhǔn)確性和可靠性。

3)利用GNSS-PWV繪制大氣水汽含量變化圖,其結(jié)果的可信度表明,河南地區(qū)GNSS測(cè)站觀測(cè)數(shù)據(jù)可用于實(shí)時(shí)全天候的氣象預(yù)警工作中,以避免因出現(xiàn)此類特大暴雨造成的災(zāi)害和損失,同時(shí)也檢驗(yàn)了GNSS測(cè)站在高時(shí)空分辨率特征下的良好性能。

4)暴雨發(fā)生期間一周內(nèi)的大氣可降水含量變化呈先增加后降低的趨勢(shì),并且一直處于較高的狀態(tài)。結(jié)合氣象資料發(fā)現(xiàn),這主要受“煙花”和“查帕卡”臺(tái)風(fēng)攜大量海洋水汽、空氣不規(guī)則流動(dòng)、河南地勢(shì)地形的影響。隨著GNSS氣象學(xué)的發(fā)展,GNSS-PWV可用于提高天氣預(yù)報(bào)的準(zhǔn)確度,也將有助于氣候變化研究和數(shù)值模型改進(jìn)。