2. 武汉大学卫星导航定位技术研究中心, 湖北 武汉 430079;
3. 中国气象局气象探测中心, 北京 100081;
4. 泰国朱拉隆功大学测量工程学院, 泰国 曼谷 10330
2. GNSS Research Center, Wuhan University, Wuhan 430072, China;
3. Meteorological Observation Centre of CMA, Beijing 100081, China;
4. Department of Survey Engineering, Chulalongkon University, Bangkok 10330, Thailand
中国-中南半岛经济走廊地区(简称中国-中南半岛地区)属于典型的季风气候，干湿季节显著，中国-中南半岛是孟加拉湾水汽输送中国的通道，对于中国气候具有极其重要的影响[1-2]。泰国、缅甸和越南等国位列近20年(1997—2016)受极端降水天气引发的洪涝和滑坡灾害威胁最严重的国家[3-4]。在全球变暖背景下，全球各地极端天气的频数和强度有进一步增大的趋势[5]。中国-中南半岛地区是全球重要的粮食产区，频发的极端降水天气给该区域的经济和社会发展以及全球的粮食安全带来了严重的破坏，也对中国-中南半岛经济走廊基础设施建设的安全和效益形成了巨大的威胁。开展中国-中南半岛地区极端降水天气形成和变化机制研究及预警预报工作，对于深入理解全球变暖背景下区域天气系统的响应机制、保障地区经济建设和社会发展具有十分重要的科学价值和现实意义。
中国-中南半岛地区极端强降水量或暴雨强降水量在总降水量中的比重总体上有所增加，降水强度也有一定的增强，但是不同区域的变化呈现出空间上的不一致性[6-9]。极端天气气候事件的变化规律是全球气候变化背景下气象和气候科学研究的重点和热点[10-11]。
目前对极端降水天气的预警预报和未来规律预测仍然是世界性难题。导致极端降水的因子非常复杂，包括大气环流、大气稳定度、潜热释放、水汽辐合、抬升运动、云的范围和中尺度组织的强度、气溶胶作用和复杂地形作用等[12-13]。虽然降水预报水平从20世纪60年代至今取得很大进展，但目前国际上对大于1英寸(1英寸=25.4 mm)/24 h降水预报技术评分(threat score)不足0.4(1.0表示完美预报)[14]，对水汽输送机理认识不足是制约极端降水天气预报精度的重要原因[12]。
大气水汽在极端降水天气的形成和发展过程中扮演着十分关键的角色。一方面，大气水汽是极端降水天气形成的主要物质基础；另一方面，水汽在大气中通过相态转化和输送等过程能显著改变大气能量分布，深刻影响大气能量系统平衡，为极端降水天气的形成提供了重要的动力条件。观测和研究大气水汽在不同时间尺度上的变化特性，对于深入理解极端降水天气的形成机制和预警预报及未来变化规律预测十分关键。
大气水汽观测有多种技术手段，目前常用的主要有高空无线电探空仪、地基微波辐射计、星基辐射计、星基无线电掩星和地基GNSS反演等手段。相比于其他手段，地基GNSS具备全天候、高精度、低费用、高时间分辨率和均一性好等优势[15-16]，近些年已成为大气水汽观测的一种重要手段[17]。地基GNSS也被全球气候观测系统(GCOS)高空参考观测网络(GRUAN)列为水汽I类观测手段[18]。
本文采用统一的处理模型和处理策略对中国-中南半岛地区数十年的地基北斗/GNSS历史观测资料进行高精度重处理并反演获得该地区上空大气可降水含量(PWV)产品。基于PWV产品，开展中国-中南半岛地区大气水汽含量气候学特征分析。结合并址气象观测站的降水数据，通过时序分析，研究大气水汽含量同降水的变化关系。
1 数据及处理方法本文所使用到的各类数据，包括地基北斗/GNSS观测数据、大气气象再分析资料以及地面气象站降水数据。
1.1 北斗/GNSS数据及处理策略本文的研究区域为5°N—26°N、95°E—116°E(图 1)，主要覆盖了中南半岛和我国广东、广西、云南、海南以及南海的部分地区。研究区域内使用的北斗/GNSS测站包括中国大陆构造环境监测网络(CMONOC)(简称陆态网)中的42个测站，泰国公共工程和城乡规划部(DPT)网络中的11个测站[19]，共计53个测站。研究时段为2006-01-01—2016-12-31。需要说明的是陆态网中的二期测站从2011年起才提供观测。图 1中标注了研究时段内北斗/GNSS观测时段超过10年的测站名称(共16个)。黑框标注的是陆态网中包含我国北斗卫星导航系统观测的测站(共7个，从2014年起提供北斗观测数据)。文献[20—21]通过评估指出，采用北斗数据反演的可降水产品与GPS结果精度相当，且北斗+GPS联合处理结果精度优于单北斗或单GPS。因此，对于图 1中标注的7个含北斗数据的陆态网测站采用北斗+GPS数据联合处理方式，对于其他测站在处理中采用GPS观测数据。
|
| 图 1 北斗/GNSS测站地理分布 Fig. 1 Geographical distribution of BeiDou/GNSS stations |
为了保证北斗/GNSS处理结果在时域上的均一性，本文采用统一的处理模型和处理策略对研究范围内的北斗/GNSS历史观测资料进行了高精度重处理。处理策略见表 1，其中，卫星轨道和钟差产品采用了IGS第2次重处理(repro2)中ESA的重处理产品(ES2)，避免了IGS日常事后精密产品由于参考框架和处理策略的更新可能给北斗/GNSS数据处理结果带来的非均一性问题。由于ES2产品只提供到2014年4月19日，对于2014年4月19日之后使用ESA事后精密产品(不含北斗观测的测站处理)或WUM事后精密产品(含北斗观测的测站处理)，从ES2切换到ESA产品或WUM产品对GNSS数据处理结果的影响可忽略不计[22]。此外，在本文的北斗/GNSS数据处理中，采用了最新的投影函数VMF3(1°×1°分辨率格网产品)[23]。VMF3是基于气象再分析资料ERA-Interim构建的，相较于基于业务化气象资料构建的VMF1，在长时间尺度上具有更好的一致性，能够更好地保证处理结果的长期均一性。
| 观测值 | 观测值类型 | 北斗+GPS或GPS双频无电离层组合(具体各个测站卫星系统数据使用见图 1) |
| 观测时段 | 2006-01-01—2016-12-31 | |
| 采样间隔 | 300 s | |
| 加权策略 | p=1, e＞30°; p=sin2e, e≤30° | |
| 改正模型 | 相位缠绕 | 改正 |
| 潮汐负荷 | 地球潮汐、极潮、海潮改正 | |
| 相对论效应 | 改正 | |
| ZTD先验模型 | VMF3+Saastamoinen | |
| 投影函数 | VMF3(1°×1°) | |
| 参数估计策略 | 卫星轨道钟差产品 | 2006—2014: ES2产品2014—2016: ESA产品/WUM产品 |
| ZTD随机模型 | 分段常数(1 h)+段间随机游走(20 mm/ ) |
|
| 水平梯度随机模型 | 分段常数(6 h)+段间随机游走(5 mm/) |
|
| 测站坐标 | 天常数 | |
| 接收机钟差 | 白噪声 | |
| 模糊度参数 | 浮点解 |
1.2 气象再分析资料ERA-Interim
ERA-Interim是由欧洲中期天气预报中心(ECMWF)发布的一款气象再分析资料[24]。本文ERA-Interim主要有两个用处：提供北斗/GNSS水汽反演所需的测站处气压和加权平均温度(Tm)；计算基于ERA-Interim的北斗/GNSS测站处PWV，用于同北斗/GNSS PWV比较以剔除北斗/GNSS PWV序列中的异常值。
本文采用的ERA-Interim资料为6 h分辨率的气压层产品(共37层)，空间分辨率为0.75°×0.75°。每个气压层上使用的参数场包括温度(T)、气压(P)、位势高(GH)和比湿(q)。根据北斗/GNSS测站的位置，水平方向采用双线性内插方法，高程方向温度和气压分别采用线性和指数补偿气压层和测站高程差异，并通过积分和时间内插获得北斗/GNSS测站处逐小时分辨率气压和Tm。具体的计算方法和流程可参考文献[25—26]。
获得测站处的气压后，采用Saastamoinen模型估算测站处的天顶干延迟(ZHD)[27]。从北斗/GNSS数据处理估算获得的ZTD中扣除ZHD，得到天顶湿延迟(ZWD)，并采用式(1)反演获得测站处的大气可降水总含量(PWV)
(1)
式中，k′2(17±10 K/hPa)和k3(3.776±0.004×105 K2/hPa)为大气折射率常数；Rw为水汽气体常数(461.51 J/(K×kg))；ρw为液态水密度(1000 kg/m3)；Tm为加权平均温度(单位为K)。
而基于ERA-Interim气压层产品积分计算PWV的公式为
(2)
式中，g为地球重力加速度，需要考虑纬度和高度的变化。
对各个测站处的北斗/GNSS和ERA-Interim逐小时PWV产品做差，剔除超出4倍差值中误差的北斗/GNSS PWV异常点，最终获得研究区域内各个北斗/GNSS的PWV时间序列。
1.3 地面降水数据北斗/GNSS测站和地面气象测站通常不共址。本文采用平面距离在30 km以内且高程差异在100 m以内的原则对北斗/GNSS测站和地面气象测站进行匹配。若北斗/GNSS测站同时匹配到多个气象站，则选择距离最近的一个测站作为匹配测站。按此原则，最终有38个北斗/GNSS测站匹配到地面气象测站，包括27个CMONOC测站和11个DPT测站。中国地区使用的降水资料为逐小时累积降雨量观测，资料的时段为2006—2014年；泰国地区使用的降水资料为逐日累积降雨量观测，资料的时段为2007—2016年。
2 结果分析 2.1 PWV周期信号提取研究区域整体上为季风气候区域，因此本文主要顾及PWV时间序列中的周年和半周年周期信号。采用以下模型对PWV时间序列进行拟合[28]
(3)
式中，y(t)即为t时刻(以年为单位表示)的PWV值；A0、A1、A2和A3分别为常数项、趋势项、周年项和半周年项的系数；P1与P2分别为周年和半周年相位；QBO1和QBO2分别为30 hPa和50 hPa高度处的标准化准两年振荡(quasi-biennial oscillation)参数(http://www.cpc.ncep.noaa.gov/data/indices)，主要用于考虑QBO现象对水汽变化的周期影响；B1与B2为QBO相应的尺度系数；SF为太阳光照通量参数(http://www.esrl.noaa.gov/psd/data/correlation/solar.data)，用于考虑太阳光照变化对水汽的影响；B3为SF对应的尺度系数。在采用式(3)拟合时，为了保证拟合结果的可靠性，要求北斗/GNSS的PWV产品覆盖天数不少于2年，对不符合要求的测站不予拟合。图 2给出了8个北斗/GNSS代表测站PWV时间序列以及采用式(3)模型拟合的结果，其中PWV时间序列中缺失的部分是由于北斗/GNSS数据缺失或异常值剔除造成的。
|
| 图 2 8个北斗/GNSS测站处PWV时间序列(灰点)、PWV模型拟合值(黑点)和并址气象站月累积降水量(黑柱) Fig. 2 PWV time series (gray dots), PWV model values (black dots) and collocated monthly precipitation (balck bars) at eight BeiDou/GNSS stations |
2.2 大气水汽含量气候分布特征分析
基于拟合模型计算研究时段(即2006—2016年)的PWV模型值，求取研究时段PWV模型值的平均值作为各北斗/GNSS测站处的PWV年均值。年均值的地理分布如图 3(a)所示，在泰国的南部年均值可达50 mm左右，而在我国的云南地区年均值为20~30 mm。PWV年均值整体上呈现出较为典型的空间地理分布特征，即PWV年均值主要同测站的高程和纬度相关。图 4给出了各个北斗/GNSS测站PWV年均值同测站高程和测站纬度的变化关系。容易看出，随着测站高度的增大，PWV年均值呈现出近似于线性的下降趋势，两者变化的皮尔逊相关系数达-0.974。在纬度变化方面，PWV年均值同纬度变化的皮尔逊相关系数为-0.783，即PWV年均值在低纬度地区总体上要高于高纬度地区。这主要是由于低纬度地区的气温一般要高于高纬度地区，气温的升高可使大气蓄水能力增强，在水汽来源较为充足的情况下，大气水汽的含量更高。
|
| 图 3 PWV年均值与年振幅的地理分布 Fig. 3 Distribution of annual average PWV and PWV annual amplitude |
|
| 图 4 PWV年均值随北斗/GNSS测站高程与纬度的变化 Fig. 4 Variations of annual average PWV with station altitude and latitude |
中国-中南半岛地区总体上属于季风气候类型，受到了印度季风、东亚季风、西太平洋季风等季风子系统的综合作用。图 3(b)给出了各个北斗/GNSS测站处PWV年振幅的地理分布。结合图 2中的8个典型北斗/GNSS测站的PWV时间序列，不难看出在季风的影响下大部分测站大气水汽含量的周年变化信号较为显著，在夏季大气水汽含量明显高于冬季，在广西和广东部分地区PWV年振幅可超过20 mm。年振幅的地理分布整体上呈现出高纬度到低纬度下降的特征，在泰国的南部，例如图 2(g)和图 2(h)所示的SOKA和SRTN站，PWV常年保持在较高水平，年振幅在10 mm以内。这主要是因为泰国南部地区气温常年较为稳定，且地理位置临海，水汽来源充足，因此水汽含量年变化幅度并不明显。
类似于年振幅结果，图 5(a)给出了各个北斗/GNSS测站处的半年振幅地理分布情况。半年振幅的地理分布总体上表现出同年振幅地理分布相反的特征，即随着测站纬度的下降，半年振幅大体上呈增大的趋势。在云南南部PWV半年振幅不足2 mm，而在泰国南部可达4~5 mm。这种分布同泰国的气候特征息息相关，泰国大部分地区大气水汽含量较高的夏季(3—5月)和雨季(6—10月)的时长要明显长于水汽含量较低的凉季(11—次年2月)。对比图 2(a)的云南XIAG站和图 2(g)的泰国SRTN站可以看出，云南XIAG站PWV在一年中变化非常平顺，而SRTN站PWV高值持续的时间要明显长于低值持续时间。这种非对称特性是导致低纬度测站半年周期信号更为显著的主要原因。
|
| 图 5 PWV半年振幅以及月均值同降水量相关系数地理分布 Fig. 5 Distribution of PWV semi-annual amplitudes and PWV-monthly precipitation correlation coefficients |
2.3 大气水汽含量同降水变化关联分析
大气水汽含量及变化同降水过程息息相关。大气水汽是降水形成的主要物质基础之一，大气水汽的变化带来的大气潜热能的储存和释放为降水过程提供重要的动力因子。图 5(b)给出了北斗/GNSS测站PWV月均值同并址气象测站月累积降水量的相关系数地理分布情况。结合图 2中的8个典型北斗/GNSS测站并址气象站的月累积降水量的时间序列，可以看出PWV同降水的相关系数分布与图 3(b)中的PWV年振幅地理分布较为相似。随着测站纬度的下降总体呈减小的趋势，在云南地区相关系数在0.6以上，而在泰国南部相关系数小于0.2。这主要是因为在纬度相对较高的云南等地区，大气水汽同降水的季节变化具有较好的一致性。在夏季由于副热带高压的持续影响，暖冷锋在此区域交会，并保持较长时间停留，导致降水增多。同时夏季气温升高，大气蓄水能力增强，且季风系统将海洋的湿润空气源源不断地输送到该区域，大气水汽含量达到峰值。而在纬度较低的泰国南部，大气水汽常年保持较高含量，季节变化特征明显更弱，在该地区影响降水的主要因素为大气动力因子，而不再是大气水汽含量，因此在低纬度地区两者相关性明显下降。
水汽是大气中含量最为丰富的温室气体，加之大气气温和水汽含量的正相关性(理论上满足Clausius-Clapeyro方程)，大气水汽含量的变化对大气暖化具有很强的正反馈作用。已有的一些研究指出，在全球暖化背景下，水汽含量的变化同极端降水天气频率和强度的变化具有较强的关联性[5]，因此分析大气水汽含量异常同降水异常的关联对于气候分析和极端降水天气的长期规律研究具有重要意义。图 6(a)给出了北斗/GNSS观测跨度超过10年的16个北斗/GNSS测站处PWV月均值距平值同月累积降水量距平值的相关系数地理分布，图 6(b)和图 6(c)选取了两个代表测站(云南XIAG站和泰国CHAN站)的PWV和降水量距平值时间序列。研究区域内大部分测站的PWV和降水量距平值的相关系数为0.2~0.4，呈现出一定的相关性，即大气水汽含量偏高的月份在一定程度上对应着降水异常偏高。反之，水汽含量偏低的月份在一定程度上对应着降水异常偏低。从图 6(b)和(c)中的两个典型测站处的时间序列也可以观察出这种关联特性。
|
| 图 6 PWV月均值与月累积降水量距平值的相关特征 Fig. 6 Correlation between PWV and monthly precipitation anomaly |
3 结论
中国-中南半岛地区是世界重要的产粮区，也是“一带一路”倡议建设的重点地区，但在全球变暖背景下，近期该地区极端降水天气频发，严重威胁了该地区的经济建设和社会发展。本文围绕大气水汽分布和变化的气候特征及同降水的长尺度关联进行研究，采用统一的数据处理模型和策略对中国-中南半岛地区的地基北斗/GNSS测站数据进行高精度重处理和水汽反演，获得了该地区数十年的大气水汽含量(PWV)产品。基于该产品，系统分析了中国-中南半岛地区的PWV年均值、年振幅和半年振幅的空间分布特征。结合北斗/GNSS测站并址气象站的降水数据，讨论了PWV同降水的相关特性。主要结论如下：
(1) 该地区大气水汽含量主要同测站高程和纬度相关，相关系数分别为-0.974和-0.783。在泰国的南部年均值达到50 mm左右，而在我国的云南地区年均值为20~30 mm。
(2) 受季风影响，该地区大部分测站上空大气水汽表现出明显的年周期变化，年振幅呈现出高纬度到低纬度下降的特征。在广西和广东部分地区PWV年振幅可超过20 mm，而在泰国南部SOKA和SRTN站，年振幅在10 mm以内。
(3) PWV半年振幅的地理分布总体上表现出随着测站纬度的下降的特征。在云南南部PWV半年振幅不足2 mm，而在泰国南部可达4~5 mm，这与泰国南部大气水汽含量在一年中的非对称分布特征有关。
(4) 大气水汽含量同降水具有较为明显的相关性，且随着测站纬度的下降相关性减弱。在云南地区相关系数在0.6以上，而在泰国南部相关系数在0.2左右；PWV同降水量的距平值同样具有一定的相关性(相关系数0.2~0.4)，表明相比于历史同期，水汽含量偏多的月份在一定程度上对应着降水异常偏高。
| [1] |
徐祥德, 赵天良, LU Chungu, 等. 青藏高原大气水分循环特征[J]. 气象学报, 2014, 72(6): 1079-1095. XU Xiangde, ZHAO Tianliang, LU Chungu, et al. Characteristics of the water cycle in the atmosphere over the Tibetan Plateau[J]. Acta Meteorologica Sinica, 2014, 72(6): 1079-1095. |
| [2] |
苗长明, 丁一汇, 郭品文, 等. 水汽输送与江南南部初夏雨季及降水变化的联系[J]. 气象学报, 2015, 73(1): 72-83. MIAO Changming, DING Yihui, GUO Pinwen, et al. Linkage of the water vapor transport distribution with the rainy season and its precipitation in the southern regions south of the Yangtze River during the early summer[J]. Acta Meteorologica Sinica, 2015, 73(1): 72-83. |
| [3] |
LOO Y Y, BILLA L, SINGH A. Effect of climate change on seasonal monsoon in Asia and its impact on the variability of monsoon rainfall in Southeast Asia[J]. Geoscience Frontiers, 2015, 6(6): 817-823. DOI:10.1016/j.gsf.2014.02.009 |
| [4] |
ECKSTEIN D, KVNZEL V, SCHÄFER L. Global climate risk index 2018: who suffers most from extreme weather events? Weather-related loss events in 2016 and 1997 to 2016[R]. Berlin, Germany: German Watch, 2017.
|
| [5] |
IPCC. Summary for policymakers[M]//STOCKER T F, QIN D, PLATTNER G K, et al. Climate Change 2013: The Physical Science Basis. Cambridge: Cambridge University Press, 2013: 1-29.
|
| [6] |
黄荣辉, 陈际龙, 周连童, 等. 关于中国重大气候灾害与东亚气候系统之间关系的研究[J]. 大气科学, 2003, 27(4): 770-787. HUANG Ronghui, CHEN Jilong, ZHOU Liantong, et al. Studies on the relationship between the severe climatic disasters in China and the East Asia climate system[J]. Chinese Journal of Atmospheric Sciences, 2003, 27(4): 770-787. |
| [7] |
张婷, 魏凤英. 华南地区汛期极端降水的概率分布特征[J]. 气象学报, 2009, 67(3): 442-451. ZHANG Ting, WEI Fengying. Probability distribution of precipitation extremes during raining seasons in South China[J]. Acta Meteorologica Sinica, 2009, 67(3): 442-451. |
| [8] |
秦大河. 中国极端天气气候事件和灾害风险管理与适应国家评估报告[M]. 北京: 科学出版社, 2015. QIN Dahe. China national assessment report on risk management and adaption of climate extremes and disasters[M]. Beijing: Science Press, 2015. |
| [9] |
MASUD M B, SONI P, SHRESTHA S, et al. Changes in climate extremes over north Thailand, 1960-2099[J]. Journal of Climatology, 2016, 2016: 4289454. |
| [10] |
翟盘茂. 全球变暖背景下的气候服务[J]. 气象, 2011, 37(3): 257-262. ZHAI Panmao. Climate service under climate warming background[J]. Meteorological Monthly, 2011, 37(3): 257-262. |
| [11] |
史培军, 孔锋, 方佳毅. 中国年代际暴雨时空变化格局[J]. 地理科学, 2014, 34(11): 1281-1290. SHI Peijun, KONG Feng, FANG Jiayi. Spatio-temporal patterns of china decadal storm rainfall[J]. Scientia Geographica Sinica, 2014, 34(11): 1281-1290. |
| [12] |
C EC. CalWater 2:precipitation, aerosols, and pacific atmospheric rivers experiment[M]. [S.l.]: California Energy Commission, 2012: 22.
|
| [13] |
GUERREIRO S B, FOWLER H J, BARBERO R, et al. Detection of continental-scale intensification of hourly rainfall extremes[J]. Nature Climate Change, 2018, 8(9): 803-807. DOI:10.1038/s41558-018-0245-3 |
| [14] |
Benjamin S G, BROWN J M, BRUNET G, et al. 100 years of progress in forecasting and NWP applications[J]. Meteorological Monographs, 2018, 59: 13.1-13.67. DOI:10.1175/AMSMONOGRAPHS-D-18-0020.1 |
| [15] |
BEVIS M, BUSINGER S, CHISWELL S, et al. GPS meteorology:mapping zenith wet delays onto precipitable water[J]. Journal of Applied Meteorology, 1994, 33(3): 379-386. DOI:10.1175/1520-0450(1994)033<0379:GMMZWD>2.0.CO;2 |
| [16] |
赵庆志. 地基GNSS水汽反演关键技术研究及其应用[J]. 测绘学报, 2018, 47(3): 424. ZHAO Qingzhi. Studies on the key technologies in water vapor inversion using ground-based GNSS and its applications[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(3): 424. DOI:10.11947/j.AGCS.2018.20170427 |
| [17] |
YAO Yibin, SUN Zhangyu, XU Chaoqian. Applicability of Bevis formula at different height levels and global weighted mean temperature model based on near-earth atmospheric temperature[J]. Journal of Geodesy and Geoinformation Science, 2020, 3(1): 1-11. |
| [18] |
SEIDEL D J, BERGER F H, DIAMOND H J, et al. Reference upper-air observations for climate:rationale, progress, and plans[J]. Bulletin of the American Meteorological Society, 2009, 90(3): 361-369. DOI:10.1175/2008BAMS2540.1 |
| [19] |
TRAKOLKUL C, SATIRAPOD C. Variations of precipitable water vapor using GNSS CORS in Thailand[J]. Survey Review, 2020. DOI:10.1080/00396265.2020.1713611 |
| [20] |
LI Min, LI Wenwen, SHI Chuang, et al. Assessment of precipitable water vapor derived from ground-based BeiDou observations with Precise Point Positioning approach[J]. Advances in Space Research, 2015, 55(1): 150-162. DOI:10.1016/j.asr.2014.10.010 |
| [21] |
LU Cuixian, LI Xingxing, NILSSON T, et al. Real-time retrieval of precipitable water vapor from GPS and BeiDou observations[J]. Journal of Geodesy, 2015, 89(9): 843-856. DOI:10.1007/s00190-015-0818-0 |
| [22] |
GRIFFITHS J. Combined orbits and clocks from IGS second reprocessing[J]. Journal of Geodesy, 2019, 93(2): 177-195. |
| [23] |
LANDSKRON D, BÖHM J. VMF3/GPT3:refined discrete and empirical troposphere mapping functions[J]. Journal of Geodesy, 2019, 92(4): 349-360. |
| [24] |
DEE D P, UPPALA S M, SIMMONS A J, et al. The ERA-interim reanalysis:configuration and performance of the data assimilation system[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(656): 553-597. DOI:10.1002/qj.828 |
| [25] |
张卫星.中国区域融合地基GNSS等多种资料水汽反演、变化分析及应用[D].武汉: 武汉大学, 2016. ZHANG Weixing. Water vapor retrieval, variation analysis and applications over China using ground-based GNSS and multiple data[D]. Wuhan: Wuhan University, 2016. http://cdmd.cnki.com.cn/Article/CDMD-10486-1017009961.htm |
| [26] |
ZHANG Weixing, LOU Yidong, HAASE J S, et al. The use of ground-based GPS precipitable water measurements over china to assess radiosonde and ERA-interim moisture trends and errors from 1999 to 2015[J]. Journal of Climate, 2017, 30(19): 7643-7667. DOI:10.1175/JCLI-D-16-0591.1 |
| [27] |
SAASTAMOINEN J. Contributions to the theory of atmospheric refraction[J]. Bulletin Géodésique, 1972, 105(1): 279-298. DOI:10.1007/BF02521844 |
| [28] |
ZHANG Weixing, LOU Yidong, HUANG Jinfang, et al. Multiscale variations of precipitable water over China based on 1999-2015 ground-based GPS observations and evaluations of reanalysis products[J]. Journal of Climate, 2018, 31(3): 945-962. DOI:10.1175/JCLI-D-17-0419.1 |