2. 武汉大学测绘学院, 湖北 武汉 430079
2. School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China
水汽是大气中最丰富的温室气体之一，对于短临天气预警和长期气候监测都具有重要意义[1]。尽管水汽在大气中只占0.1~3%[2]，但水汽在大尺度上的时空变化会影响大气的垂直稳定性，天气的演变以及全球气候系统的能量平衡[3-4]。因此，对大气水汽进行精准和稳定地估计，对于认识区域天气变化和理解全球气候变化具有重要意义。
大气可降水量(precipitable water vapor, PWV)表示地球表面到对流层顶部单位截面积空气柱中所有水汽转化为液态水的含量，可用于描述大气水汽含量的时空变化。目前，无线电探空仪(radiosonde, RS)[5]、全球导航卫星系统(global navigation satellite systems, GNSS)[6]、微波辐射计[7-8]、多光谱旋转遮蔽影带辐射计[8]、激光雷达[9]、太阳光度计[10]和卫星遥感[11-12]等多种技术均可探测PWV[13]。其中，RS和GNSS技术因其较高的水汽探测精度，经常用于评价其他技术获取PWV的精度标准[14-15]。但上述技术获取的水汽空间分辨率依赖于站点的分布和设站密度，无法进行大尺度高空间分辨率的水汽监测[16]。
卫星遥感技术能够探测高空间分辨率的水汽信息，是实现大尺度水汽监测的有效途径[17]。由于近红外测量的水汽能够反映大气垂直剖面中的水汽特性，且水汽吸收强于热红外通道，逐渐成为遥感水汽探测中的重要方法[11]。如搭载在Terra和Aqua卫星上的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer, MODIS)，美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)卫星的甚高分辨率扫描辐射计(advanced very high resolution radiometer, AVHRR)，以及风云气象卫星(FY)的中分辨率光谱成像仪(medium-resolution spectral imager, MERSI)等都是利用近红外传感器进行大气水汽探测。然而，目前多数研究均主要集中在对MODIS的精度评估和校准方面[18]，研究区域较小且时间较短[19-22]。对于我国第2代极轨气象卫星MERSI/FY-3水汽产品的研究较少，缺乏有关MERSI/FY-3水汽产品的准确性评估及校准方法的研究[23]。
联合GNSS PWV和MERSI/FY-3的各自优势，是获取高精度和高空间分辨率水汽信息的有效途径。因此，本文基于MERISI/FY-3A水汽旬产品，提出一种GNSS约束的PWV季节自适应校准方法，并将该方法应用到MERISI/FY-3A的水汽日产品校准中。首先，将中国区域MERSI/FY-3A的水汽产品准确匹配到GNSS站点对应的时空位置上；其次，通过与GNSS PWV进行季节自适应回归，得到每个站点上的校准系数；然后，基于多项式拟合，构建基于MERISI/FY-3A水汽旬产品的PWV校准模型；最后，将该模型应用到MERSI/FY-3A水汽日产品的校准中，实现对MERSI/FY-3A高时间分辨率水汽产品的快速校准。选取中国大陆构造环境监测网(Crustal Movement Observation Network of China, CMONOC)的GNSS数据对MERSI/FY-3A水汽产品进行试验，发现提出的校准方法在对风云旬产品和段产品的校准中均取得了较好的效果。
1 试验数据本文研究数据包括中国区域的MERSI/FY-3A PWV、GNSS PWV、RS PWV和ERA-Interim PWV，时间长度为2011-01-01—2017-12-31。通过数据筛选和质量检查，共选取中国区域的223个GNSS站点和72个RS站点，其地理分布如图 1所示。选取数据的具体信息见表 1。
|
| 图 1 试验选取的中国区域GNSS与RS站点的地理分布 Fig. 1 Geographical distribution of GNSS and RS stations selected in China |
| 数据 | 时间跨度 | 时间分辨率 | 空间分辨率 | 测站数/影像幅数 | |
| GNSS | 2011-01-01—2017-12-31 | 6 h | station | 223 | |
| RS | 2011-01-01—2017-12-31 | 12 h | station | 72 | |
| MERSI/FY-3A | 段产品旬产品 | 2011-01-01—2017-12-31 | 5 min | 0.01°×0.01° | 7549 |
| 10 d | 0.05°×0.05° | 251 | |||
| ERA-Interim | 2014-06-10—06-20 | 6 h | 0.125°×0.125° | 40 | |
1.1 GNSS PWV
GNSS数据是从CMONOC中获取，包含超过260个永久运行的GNSS监测站。但部分数据建站时间较晚或数值质量较差，本文最终选取223个GNSS站点数据进行研究。天顶对流层延迟(zenith tropospheric delay, ZTD)是利用GAMIT/GLOBK软件处理得到，具体的数据处理策略可参照文献[24]。天顶干延迟(zenith hydrostatic delay, ZHD)是根据测站附近气象站的实测地表气压数据计算得到[25]
(1)
式中，φ和H分别表示GNSS测站纬度(单位：rad)和高程(单位：km)；P表示气压(单位：hPa)。因此，在ZTD中减掉ZHD即可获取天顶湿延迟(zenith wet delay, ZWD)。ZWD可根据转换公式进一步得到PWV[6]
(2)
式中，ρw表示液态水密度(1000 kg/m3)；Rv表示水蒸气比气体常量(461.51 J/kg/K)；k′2和k3分别为(17±10) K·hPa－1和(3.776±0.04)×105 K2·hPa-1。通过与中国区域并址的48个RS站的PWV数据对比，发现上述方法获取GNSS PWV的RMS和Bias分别为2.38 mm和-0.63 mm。
1.2 Radiosonde PWV无线电探空仪数据由NOAA的国家气候数据中心(National Climatic Data Center, NCDC)发布的全球综合无线电探空仪资料(Integrated Global Radiosonde Archive, IGRA)提供，包括分布在全球1500多个观测站的气压、温度和相对湿度等精确的气象资料[26]。本文在中国区域筛选掉数据缺失严重的站点后，共收集了72个RS站的长时序数据。根据RS站提供的分层水汽压、温度等廓线数据，对数据从地面到探测剖面顶部进行积分，得到RS计算的PWV[27-28]。
1.3 MERSI/FY-3A PWV风云三号A星(FY-3A)是中国第2代极轨气象卫星的第1颗卫星，中国国家卫星气象中心利用搭载在MERSI上的5个近红外通道数据生成了MERSI/FY-3A陆上水汽段产品(5 min)、日产品、旬产品(10 d)以及月产品[29]。其中水汽段产品需要使用MERSI云检测产品的云和晴空判识标志去除云污染的水汽[30]，空间分辨率是1 km×1 km。本文只有确信的无云数据参与了试验。水汽日产品、旬产品和月产品需经过投影变换和图像拼接等预处理后生成[31]，空间分辨率是5 km×5 km。本文使用的MERSI/FY-3A水汽段产品和旬产品来自风云卫星遥感数据服务网(http://satellite.nsmc.org.cn/PortalSite/Default.aspx)，试验时段内共选取7549幅水汽段产品和251幅水汽旬产品影像。
1.4 ERA-Interim PWV欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)于2006年首次发布了第4代全球大气再分析产品ERA interim，是再分析数据集的典型代表[32]。它涵盖了1979年1月至2019年8月的地表单层PWV产品，空间分辨率为0.125°×0.125°，时间分辨率为6 h。ERA-Interim通过4D-Var同化方案融合了来自各种平台的气象观测数据，如地面气象站、船舶、海洋浮标、无线电探空站、飞机和遥感卫星[33]。本文选取中国区域2014年6月11—20日ERA-Interim 6 h时间尺度的PWV数据对校准后的风云水汽进行验证。
2 GNSS约束的MERSI/FY-3A水汽产品校准方法 2.1 数据预处理 2.1.1 GNSS与RS PWV质量控制利用GNSS和RS数据获取PWV具有成熟的理论基础和严格的处理流程，但在多种条件的长时间测量下，部分数据会产生不连续和异常值。因此，本文采用了1.5倍的四分位数差(interquartile range, IQR)的极限阈值来剔除GNSS和RS PWV序列的粗差[34]。异常值剔除首先根据PWV的趋势和重要周期信号(年周期和半年周期)建立周期模型；然后利用最小二乘法方法估计PWV的模型系数[35]；最后计算得到PWV的残差值并判断是否为粗差。本次试验中，223个GNSS和72个RS站点的平均数据剔除率分别为2.05%和5.86%。图 2给出了2011—2014年单个GNSS站点(39.4°N，114°E)和RS站点(47.717°N，128.833°E)的PWV长时序及其异常值探测情况。由图 2可以看出，剔除的异常数据较多集中在水汽波动较大的时刻。
|
| 图 2 GNSS与RS的PWV长时序及其异常值剔除 Fig. 2 PWV time series and outlier's detection of GNSS and Radiosonde station over the period of 2011—2017 |
2.1.2 MERSI/FY-3A水汽产品预处理
对MERSI/FY-3A的水汽段产品进行处理时，首先要进行云去除。风云卫星遥感数据服务网提供的MERSI/FY-3A水汽段产品包括PWV和按bit位存放的云掩码(cloud mask, CLM)数据。根据CLM的云和晴空判别标识，本文试验只选取确信的晴空水汽段产品数据进行试验。水汽段产品数据集的内部属性值包含PWV的有效范围(0~327.67 mm)，本文利用GNSS PWV数据确定MERSI水汽产品的异常值剔除阈值。以2011—2017年4个季节内GNSS PWV的最大值作为剔除阈值，4个季节分别是74.9、84.6、73.7和50.8 mm。风云数据在对应时间段内大于阈值的数值均判断为异常值。随后进行风云数据的拼接和几何校准，将水汽段产品处理为等经纬度(0.01°×0.01°)的日产品。
2.2 水汽校准的时间尺度分析为建立适用于风云水汽产品的校准方法，对MERSI/FY-3A水汽旬产品的月均值分布进行分析。MERSI/FY-3A水汽具有明显的时间渐变性和季节性变化，从1—12月展现渐变趋势，夏季值较高，冬季值较低(春：3—5月；夏：6—8月；秋：9—11月；冬：12—2月)。此外，水汽的分布受地形显著的影响，海拔高的位置水汽值较低，而海拔低的位置水汽值最大。
2.3 MERSI/FY-3A水汽日产品与旬产品比较为了便于MERSI/FY-3A水汽段产品数据在中国区域整体性的评估，本文将经过数据拼接和几何校准后的水汽段产品处理为等经纬度(0.01°×0.01°)的日产品，即卫星经过该天的PWV估值近似于卫星在该天的日均值[36]。对MERSI/FY-3A水汽日产品和旬产品进行比较，中国东南区域在夏秋季节的产品差异相对明显。4个季节差异大于2 mm的数据占比分别是0.72%、2.07%、1.10%、0.65%。此外，表 2给出了2011—2017年两种产品在不同季节的差异情况。由表 2可以看出，2015年后的风云水汽段产品数据量的严重缺失造成2015—2017年平均差异略高于2011—2014年。2011—2017年两种水汽产品的平均差异为0.06 mm，各个季节均未超过0.15 mm。因此，MERSI/FY-3A水汽旬产品和处理后的日产品之间具有很好的一致性。
| 时间 | spring | summer | autumn | winter | mean |
| 2011 | 0.08 | 0.35 | 0.07 | 0.08 | 0.15 |
| 2012 | 0.05 | 0.32 | 0.02 | 0.07 | 0.15 |
| 2013 | -0.01 | 0.15 | 0.03 | 0.09 | 0.07 |
| 2014 | 0.12 | 0.18 | -0.06 | 0.09 | 0.14 |
| 2015 | 0.02 | -0.02 | -0.19 | -0.10 | -0.02 |
| 2016 | -0.22 | -0.23 | -0.25 | -0.49 | -0.27 |
| 2017 | -0.31 | -0.50 | 0.23 | -0.39 | -0.42 |
| 2011—2017 | 0.01 | 0.14 | 0.01 | 0.08 | 0.06 |
2.4 MERSI/FY-3A PWV校准模型构建
通过上述分析，发现MERSI/FY-3A PWV在中国区域具有明显的时间渐变性和季节周期特性。因此，本文提出一种GNSS约束的MERSI/FY-3A PWV季节自适应校准方法。其数学表达为
(3)
式中，上标t表示旬产品；下标ori和cor分别表示校准前和校准后；a、b和c是校准系数，使用最小二乘求解时将对应站点的MERSI/FY-3A旬产品PWV和GNSS PWV分别输入下标为ori和cor的PWV方程参数即可。其中，MERSI/FY-3A段产品和旬产品在GNSS/RS站点处的PWV分别由对应站点坐标的中心位置周围的10×10和3×3邻域像素的均值得到[23]；i取值1~12表示校准时刻对应的月份；j取值1~4表示校准时刻对应的季节。其中
(4)
为将站点校准模型应用到整个区域，采用多项式拟合的方式建立位置和校准系数的经验表达式[37]，以校准系数a为例
(5)
式中，φ、λ和h分别表示GNSS站点的纬度、经度和高程；m0~m9为拟合系数，可由最小二乘方法计算得到。
此外，通过上述对比发现MERSI/FY-3A水汽日产品和旬产品有很好的一致性。因此，进一步将旬产品建立的校准模型应用于同源的水汽段产品中，需要加入一项偏差改正，其数学表达式为
(6)
式中，上标d表示段产品；a、b和c是与旬产品相同的校准系数；dPWV表示以GNSS为参考时，MERSI/FY-3A水汽段产品和旬产品因时间不匹配导致的PWV偏差值。旬产品的建模数据选择首先保证了PWV空间分布的完整性，与日产品相比极大地减少了计算工作。而且不同尺度的校准模型都可以通过添加后续发布的产品数据特征实现自我更新，从而快速适应最新PWV时空动态变化特性。
3 MERSI/FY-3A PWV校准模型验证 3.1 MERSI/FY-3A水汽旬产品校准及模型评估为了评估提出校准模型的精度，选取2011—2016年的MERSI/FY-3A水汽旬产品构建PWV季节自适应校准模型，并利用2017年的水汽旬产品数据进行外符合验证。以GNSS PWV为参考，得到不同季节PWV校准模型的内外符合精度，如图 3和图 4所示。
|
| ori和cor分别表示校准前后的水汽旬产品 图 3 2011—2016年MERSI/FY-3A水汽旬产品校准前后GNSS站点上的RMS和bias分布 Fig. 3 RMS and bias distributions of 10-day PWV product derived from MERSI/FY-3A over the period of 2011—2016 |
|
| ori和cor分别表示校准前后MERSI/FY-3A水汽旬产品 图 4 2017年MERSI/FY-3A水汽旬产品校准前后GNSS站点上的RMS和bias分布 Fig. 4 RMS and bias distributions of 10-day PWV product derived from MERSI/FY-3A in 2017 |
由图 3和图 4可以看出，MERSI/FY-3A水汽旬产品在未校准前精度较差，且在夏季最为明显，春秋季节次之，冬季最小。利用提出的PWV校准方法校准后，2011—2017年MERSI/FY-3A水汽旬产品的精度得到了很大的提升，且在中国东南区域改善效果最明显，其bias在0附近波动。此外，由于MERSI/FY-3A水汽产品在2017年数据缺失严重(冬季)，校准后的影像受到待校准数据和上个月产品均值缺失的双重影响，导致图 4(b)和(d)中外符合验证匹配的GNSS站点减少。分别以GNSS和RS为参考，对提出方法在不同季节的内外符合精度进行统计，见表 3。发现校准后的MERSI/FY-3A水汽旬产品的RMS与Bias由原来的10.85/-9.17 mm和11.98/-10.51 mm分别降低到3.42/0.20 mm和3.72/-0.03 mm。上述结果表明，本文提出的校准方法具有较好的内外符合精度。
| 类别 | 2011—2016年 | 2017年 | ||||||||||
| spring | summer | autumn | winter | mean | spring | summer | autumn | winter | mean | |||
| GNSS | RMS | 7.99 | 16.53 | 9.38 | 3.35 | 11.03 | 7.02 | 14.46 | 9.40 | 3.83 | 10.68 | |
| RMS* | 3.25 | 3.49 | 3.32 | 1.90 | 3.16 | 3.46 | 3.61 | 3.97 | 2.43 | 3.68 | ||
| bias | -7.16 | -16.15 | -8.27 | -2.51 | -9.10 | -6.37 | -14.01 | -8.61 | -3.07 | -9.24 | ||
| bias* | 0.17 | -0.97 | 0.19 | -0.41 | -0.36 | 0.65 | -0.26 | -1.82 | -1.05 | 0.71 | ||
| RS | RMS | 9.06 | 16.73 | 10.35 | 3.97 | 11.59 | 8.43 | 14.89 | 13.83 | 4.86 | 12.37 | |
| RMS* | 3.30 | 3.74 | 3.42 | 2.35 | 3.35 | 3.56 | 4.30 | 4.27 | 2.63 | 4.08 | ||
| bias | -8.22 | -16.28 | -9.33 | -3.36 | -9.85 | -7.88 | -14.37 | -13.40 | -4.48 | -11.16 | ||
| bias* | -0.07 | -0.27 | 0.13 | -1.13 | -0.27 | 0.38 | 0.39 | -0.33 | -1.18 | 0.21 | ||
| 注：带*符号表示校准后的精度指标。 | ||||||||||||
3.2 MERSI/FY-3A PWV校准模型的适用性分析
为了验证提出的PWV季节自适应校准模型对MERSI/FY-3A水汽日产品的适用性，本文利用旬产品构建的校准模型对2011—2017年的日产品进行校准。首先，给出一个GNSS和RS并址站(45.933°N，126.567°E)上MERSI/FY-3A水汽日产品校准前后的长时序对比图(图 5)。由图 5可以看出，校准前MERSI/FY-3A产品明显低估水汽值。经过本文提出方法进行校准后，其水汽精度得到很好的改善，与GNSS和RS的PWV时序均具有很好的一致性。统计发现，以RS为参考时，校准前后MERSI/FY-3A水汽日产品的RMS和bias分别为8.87/-5.88 mm和4.22/0.78 mm。
|
| 图 5 2011—2017年GNSS与RS并址站点的PWV长时序对比 Fig. 5 Comparison of PWV derived from RS, GNSS and MERSI/FY-3A over the period of 2011—2017 |
为了进一步分析提出的校准模型对中国区域MERSI/FY-3A水汽日产品在4个季节上改善精度，选取数据较完整的2014年的MERSI/FY-3A水汽日产品与GNSS进行对比，如图 6所示。由图 6可以看出，校准前MERSI/FY-3A水汽日产品在估计水汽时存在明显的低估，利用本文提出的校准方法后，MERSI/FY-3A水汽日产品精度得到了较好的改善，且在夏季校准效果最佳，冬季较差。此外，校准后的MERSI/FY-3A水汽产品与GNSS PWV在4个季节均具有较好的一致性。表 4给出了2011—2017年利用校准模型校准前后MERSI/FY-3A水汽日产品与GNSS和RS的对比情况。由表 4可以看出，校准后MERSI/FY-3A水汽日产品的精度得到很大的改善，其RMS的平均改善率分别为59.82%和57.43%。
|
| 图 6 2014年GNSS与校准前后MERSI/FY-3A水汽日产品不同季节的散点分布 Fig. 6 Scatter plot of PWV between GNSS and daily PWV product derived from MERSI/FY-3A at four seasons in 2014 |
| 类别 | index | spring | summer | autumn | winter | mean |
| GNSS | RMS | 7.51 | 16.05 | 8.43 | 3.10 | 11.00 |
| RMS* | 4.44 | 4.63 | 4.37 | 2.73 | 4.42 | |
| bias | -5.81 | -14.86 | -6.75 | -1.58 | -8.44 | |
| bias* | -0.06 | -0.13 | -0.03 | -0.06 | -0.04 | |
| RS | RMS | 7.66 | 13.84 | 8.50 | 3.44 | 10.76 |
| RMS* | 4.36 | 5.38 | 4.28 | 2.89 | 4.58 | |
| bias | -6.13 | -12.93 | -6.94 | -2.24 | -7.77 | |
| bias* | 0.71 | 0.99 | 0.49 | 0.06 | 0.64 | |
| 注：带*符号表示校准后的精度指标。 | ||||||
3.3 MERSI/FY-3A水汽产品面状对比
为了验证提出的校准模型对MERSI/FY-3A水汽日产品在整个中国区域的改善效果，选取水汽值波动较大月份(2014年6月11—20日)的数据进行验证。同时，选取对应时刻的ERA-Interim数据作为参考，分析模型校准前后MERSI/FY-3A水汽日产品和旬产品在中国区域的精度。MERSI/FY-3A日产品和旬产品对中国区域水汽估计明显偏低。经本文方法校准后，两种产品的水汽空间分布与GNSS和ERA-Interim均具有很好的一致性。此外，相对于ERA-Interim的PWV空间分布，MERSI/FY-3A水汽产品具有更高的空间分辨率(1 km×1 km和5 km×5 km)，能够更为精细地反映水汽的空间变化。以223个GNSS站点PWV数据为参考，统计了MERSI/FY-3A水汽产品在校准前后的精度，见表 5。由表 5可以得出，本文提出的校准方法能够有效改善MERSI/FY-3A水汽日产品和旬产品的精度，其RMS分别由校准前的18 mm左右减小到4 mm内，Bias由原来的16 mm左右减小到1 mm内。此外，两种水汽产品的相关系数也得到一定的改善。上述结果表明本文提出的PWV季节自适应校准方法具有较高的精度，且在MERSI/FY-3A水汽日产品校准上具有很好的适用性。
| RMS | Bias | R2 | ||
| MERSI/FY-3A vs GNSS | 旬 | 18.19 | -15.92 | 0.91 |
| 日 | 18.04 | -15.70 | 0.91 | |
| MERSI/FY-3A (cor) vs GNSS | 旬 | 3.57 | 0.14 | 0.97 |
| 日 | 3.34 | 0.50 | 0.97 | |
| ERA-Interim vs GNSS | 2.34 | 0.78 | 0.98 | |
4 结论
本文针对MERSI/FY-3A水汽评估和校准研究较少的现状，提出一种GNSS约束的MERSI/FY-3A PWV季节自适应校准方法。以MERSI/FY-3A的水汽段产品为基础，经过初步的数据拼接和几何校准，生成中国区域2011—2017年的PWV日产品，并将生成的MERSI/FY-3A水汽日产品和旬产品与GNSS、RS和ERA interim数据进行了比较和分析。发现MERSI/FY-3A水汽具有明显的时间渐变性和季节特性，且水汽日产品与旬产品有很好的一致性。因此，构建了基于MERSI/FY-3A水汽旬产品的PWV季节自适应校准模型，并较好地应用到水汽日产品的快速校准中。分别以GNSS和RS获取的PWV数据为参考，对校准模型的内外符合精度进行验证，发现校准后，两种水汽产品的精度均得到了很大的改善，各个季节的产品校后RMS值相近。由于校前产品在夏季最差的RMS表现，使其相比于其他季节有着明显的改善效果。此外，校准后的MERSI/FY-3A水汽日产品和旬产品均能够较好地反映水汽的精细空间变化。因此，本文提出的GNSS约束的MERSI/FY-3A PWV校准方法适用于更高时间尺度的卫星水汽产品的快速校准及更新，对于提升MERSI/FY-3系列卫星水汽产品质量具有重要的实际意义和参考价值。
致谢: 感谢风云卫星遥感数据服务网提供的MERSI/FY-3A水汽产品，感谢中国大陆构造环境监测网提供的GNSS观测数据，感谢ECMWF提供的PWV产品。
| [1] |
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. DOI:10.11947/j.JGGS.2020.0101 |
| [2] |
柳典, 刘晓阳. 地基GPS遥感观测北京地区水汽变化特征[J]. 应用气象学报, 2009, 20(3): 346-353. LIU Dian, LIU Xiaoyang. Variation features of atmospheric precipitable water vapor derived from ground-based GPS in Beijing[J]. Journal of Applied Meteorological Science, 2009, 20(3): 346-353. DOI:10.3969/j.issn.1001-7313.2009.03.011 |
| [3] |
CHAHINE M T. The hydrological cycle and its influence on climate[J]. Nature, 1992, 359(6394): 373-380. DOI:10.1038/359373a0 |
| [4] |
黄良珂, 彭华, 刘立龙, 等. 顾及垂直递减率函数的中国区域大气加权平均温度模型[J]. 测绘学报, 2020, 49(4): 432-442. HUANG Liangke, PENG Hua, LIU Lilong, et al. An empirical atmospheric weighted mean temperature model considering the lapse rate function for China[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(4): 432-442. DOI:10.11947/j.AGCS.2020.20190168 |
| [5] |
DURRE I, VOSE R S, WUERTZ D B. Overview of the integrated global radiosonde archive[J]. Journal of Climate, 2006, 19(1): 53-68. DOI:10.1175/JCLI3594.1 |
| [6] |
BEVIS M, BUSINGER S, HERRING T A, et al. GPS meteorology: remote sensing of atmospheric water vapor using the global positioning system[J]. Journal of Geophysical Research: Atmospheres, 1992, 97(D14): 15787-15801. DOI:10.1029/92JD01517 |
| [7] |
SÁNCHEZ J L, POSADA R, GARCÍA-ORTEGA E, et al. A method to improve the accuracy of continuous measuring of vertical profiles of temperature and water vapor density by means of a ground-based microwave radiometer[J]. Atmospheric Research, 2013, 122: 43-54. DOI:10.1016/j.atmosres.2012.10.024 |
| [8] |
LI Xia, ZHANG Lei, CAO Xianjie, et al. Retrieval of precipitable water vapor using MFRSR and comparison with other multisensors over the semi-arid area of northwest China[J]. Atmospheric Research, 2016, 172-173: 83-94. DOI:10.1016/j.atmosres.2015.12.015 |
| [9] |
WANG Min, FANG Xin, HU Shunxing, et al. Variation characteristics of water vapor distribution during 2000-2008 over Hefei (31.9°N, 117.2°E) observed by L625 LiDAR[J]. Atmospheric Research, 2015, 164-165: 1-8. DOI:10.1016/j.atmosres.2015.04.003 |
| [10] |
HALTHORE R N, ECK T F, HOLBEN B N, et al. Sun photometric measurements of atmospheric water vapor column abundance in the 940-nm band[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D4): 4343-4352. DOI:10.1029/96JD03247 |
| [11] |
KAUFMAN Y J, GAO B C. Remote sensing of water vapor in the near IR from EOS/MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(5): 871-884. DOI:10.1109/36.175321 |
| [12] |
NELSON R R, CRISP D, OTT L E, et al. High-accuracy measurements of total column water vapor from the Orbiting Carbon Observatory-2[J]. Geophysical Research Letters, 2016, 43(23): 12261-12269. DOI:10.1002/2016GL071200 |
| [13] |
施闯, 张卫星, 曹云昌, 等. 基于北斗/GNSS的中国-中南半岛地区大气水汽气候特征及同降水的相关分析[J]. 测绘学报, 2020, 49(9): 1112-1119. SHI Chuang, ZHANG Weixing, CAO Yunchang, et al. Atmospheric water vapor climatological characteristics over Indo-China region based on BeiDou/GNSS and relationships with precipitation[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(9): 1112-1119. DOI:10.11947/j.AGCS.2020.20200339 |
| [14] |
ZHANG Hongxing, YUAN Yunbin, LI Wei, et al. GPS PPP-derived precipitable water vapor retrieval based on Tm/Ps from multiple sources of meteorological data sets in China[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(8): 4165-4183. DOI:10.1002/2016JD026000 |
| [15] |
姚宜斌, 张顺, 孔建. GNSS空间环境学研究进展和展望[J]. 测绘学报, 2017, 46(10): 1408-1420. YAO Yibin, ZHANG Shun, KONG Jian. Research progress and prospect of GNSS space environment science[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1408-1420. DOI:10.11947/j.AGCS.2017.20170333 |
| [16] |
LEE S W, KOUBA J, SCHUTZ B, et al. Monitoring precipitable water vapor in real-time using global navigation satellite systems[J]. Journal of Geodesy, 2013, 87(10-12): 923-934. DOI:10.1007/s00190-013-0655-y |
| [17] |
CHEN Biyan, LIU Zhizhao. Global water vapor variability and trend from the latest 36 year (1979 to 2014) data of ECMWF and NCEP reanalyses, radiosonde, GPS, and microwave satellite[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(19): 11442-11462. |
| [18] |
刘备, 王勇, 娄泽生, 等. CMONOC观测约束下的中国大陆地区MODIS PWV校正[J]. 测绘学报, 2019, 48(10): 1207-1215. LIU Bei, WANG Yong, LOU Zesheng, et al. The MODIS PWV correction based on CMONOC in Chinese mainland[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(10): 1207-1215. DOI:10.11947/j.AGCS.2019.20180386 |
| [19] |
张俊东, 陈秀万, 李颖, 等. 基于GPS数据的MODIS近红外水汽改进反演算法研究[J]. 地理与地理信息科学, 2013, 29(2): 40-44. ZHANG Jundong, CHEN Xiuwan, LI Ying, et al. Research on improved retrieval algorithm of MODIS Near-IR water vapor based on GPS data[J]. Geography and Geo-Information Science, 2013, 29(2): 40-44. |
| [20] |
曹艳丰, 陈宝献, 陈秀万, 等. 基于GPS数据的MODIS大气可降水量反演精度提高模型[J]. 遥感信息, 2014, 29(2): 23-27. CAO Yanfeng, CHEN Baoxian, CHEN Xiuwan, et al. A real-time accuracy model of MODIS PWV using GPS PWV data[J]. Remote Sensing Information, 2014, 29(2): 23-27. DOI:10.3969/j.issn.1000-3177.2014.02.004 |
| [21] |
方圣辉, 毕创, 乐源, 等. 利用GPS可降水量校正MODIS近红外水汽数据[J]. 测绘科学, 2016, 41(9): 38-41. FANG Shenghui, BI Chuang, LE Yuan, et al. Calibration of MODIS near infrared vapor products using precipitable water vapor retrieved from GPS data[J]. Science of Surveying and Mapping, 2016, 41(9): 38-41. |
| [22] |
GUI Ke, CHE Huizheng, CHEN Quanliang, et al. Evaluation of radiosonde, MODIS-NIR-Clear, and AERONET precipitable water vapor using IGS ground-based GPS measurements over China[J]. Atmospheric Research, 2017, 197(3): 461-473. |
| [23] |
GONG Shaoqi, HAGAN D F T, ZHANG Cunjie. Analysis on precipitable water vapor over the Tibetan Plateau using FengYun-3A medium resolution spectral imager products[J]. Journal of Sensors, 2019, 2019(12): 607-619. |
| [24] |
DU Zheng, ZHAO Qingzhi, YAO Wanqiang, et al. Improved GPT2w (IGPT2w) model for site specific zenith tropospheric delay estimation in China[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2020, 198(3): 1052-1064. |
| [25] |
SAASTAMOINEN J. Atmospheric correction for the troposphere and stratosphere in radio ranging satellites[M]//HENRIKSEN S W, MANCINI A, CHOVITZ B H. The Use of Artificial Satellites for Geodesy Volume 15. Washington, D.C. : American Geophysical Union, 1972: 247-251.
|
| [26] |
SUN Zhangyu, ZHANG Bao, YAO Yibin. An ERA5-based model for estimating tropospheric delay and weighted mean temperature over China with improved spatiotemporal resolutions[J]. Earth and Space Science, 2019, 6(10): 1926-1941. DOI:10.1029/2019EA000701 |
| [27] |
PÉREZ-RAMÍREZ D, WHITEMAN D N, SMIRNOV A, et al. Evaluation of AERONET precipitable water vapor versus microwave radiometry, GPS, and radiosondes at ARM sites[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(15): 9596-9613. DOI:10.1002/2014JD021730 |
| [28] |
ZHAO Qingzhi, YAO Yibin, YAO Wanqiang, et al. GNSS-derived PWV and comparison with radiosonde and ECMWF ERA-Interim data over mainland China[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2019, 182: 85-92. DOI:10.1016/j.jastp.2018.11.004 |
| [29] |
GONG Shaoqi, HAGAN D F, LU Jing, et al. Validation on MERSI/FY-3A precipitable water vapor product[J]. Advances in Space Research, 2018, 61(1): 413-425. DOI:10.1016/j.asr.2017.10.005 |
| [30] |
GONG Shaoqi, HAGAN D F T, WU Xinyi, et al. Spatio-temporal analysis of precipitable water vapour over northwest china utilizing MERSI/FY-3A products[J]. International Journal of Remote Sensing, 2018, 39(10): 3094-3110. DOI:10.1080/01431161.2018.1437298 |
| [31] |
杨军, 董超华, 卢乃锰, 等. 中国新一代极轨气象卫星——风云三号[J]. 气象学报, 2019, 67(4): 501-509. YANG Jun, DONG Chaohua, LU Neimeng, et al. FY-3A: the new generation polar-orbiting meteorological satellite of China[J]. Acta Meteorologica Sinica, 2019, 67(4): 501-509. |
| [32] |
ZHANG Yonglin, CAI Changsheng, CHEN Biyan, et al. Consistency evaluation of precipitable water vapor derived from ERA5, ERA-Interim, GNSS, and radiosondes over China[J]. Radio Science, 2019, 54(7): 561-571. |
| [33] |
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 |
| [34] |
KLOS A, HUNEGNAW A, TEFERLE F N, et al. Statistical significance of trends in zenith wet delay from re-processed GPS solutions[J]. GPS Solutions, 2018, 22(2): 51-62. DOI:10.1007/s10291-018-0717-y |
| [35] |
ZHAO Qingzhi, MA Xiongwei, YAO Wanqiang, et al. A drought monitoring method based on precipitable water vapor and precipitation[J]. Journal of Climate, 2020, 33(24): 10727-10741. DOI:10.1175/JCLI-D-19-0971.1 |
| [36] |
LI Xueying, LONG Di. An improvement in accuracy and spatiotemporal continuity of the MODIS precipitable water vapor product based on a data fusion approach[J]. Remote Sensing of Environment, 2020, 248(10): 111-122. |
| [37] |
YAO Yibin, XU Xingyu, XU Chaoqian, et al. Establishment of a real-time local tropospheric fusion model[J]. Remote Sensing, 2019, 11(11): 1321-1336. DOI:10.3390/rs11111321 |