2. 清华大学水利水电工程系, 北京 100084;
3. 中国科学院空天信息创新研究院, 北京 100094;
4. 苏州科技大学地理科学与测绘工程学院, 江苏 苏州 215009;
5. 科罗拉多大学博尔德分校环境科学联合研究中心, 科罗拉多 博尔德 CO80309;
6. 美国国家海洋和大气管理局空间天气预报中心, 科罗拉多 博尔德 CO80309
2. Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China;
3. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China;
4. School of Geography Science and Geomatics Engineering, Suzhou University of Science and Technology, Suzhou 215009, China;
5. Cooperative Institute for Research in Environmental Sciences (CIRES), University of Colorado Boulder, Boulder CO80309, USA;
6. Space Weather Prediction Center, National Oceanic and Atmospheric Administration, Boulder CO80309, USAAbstract
随着全球气候变暖，极端天气事件增多增强趋势明显，诸如极端强降水、台风、洪涝等突发性强、局地性明显的气象灾害事件对人类社会可持续发展构成了重大威胁。作为表征极端天气事件和气候变化的重要参数，大气水汽在极端天气事件的发展、发生过程中占据着重要的作用。因此，对大气水汽含量进行有效监测和科学分析是实现各类灾害性天气事件精准预报的重要前提与关键所在，也是准确预报极端天气事件、提升防灾减灾应急能力的重要保障。
大气水汽主要分布在对流层内，其复杂的空间分布及快速变化的特性使得大气水汽含量的高精度监测极其困难。目前，大气水汽监测的主要方法有探空气球、大气水汽辐射计、遥感卫星、GNSS等。探空气球利用搭载在氢气球上的探空仪器对大气状态进行监测，能够获得0~36 km不同高度的气温、气压、湿度等多种气象参数，是近百年来最主要大气探测手段，但是探空站数量有限、分布不均匀，且存在时间分辨率低、运行成本高和气球漂移等重大缺陷。水汽辐射计通过测量大气中的水汽辐射量测定水汽及液态水含量，能够提供高精度、高时间分辨率的水汽数据，然而，由于该仪器的造价成本比较昂贵(约150万/台以上)，在实际中难以推广使用。遥感卫星利用搭载在卫星上的传感器接受地表反射的电磁波，基于不同波段的电磁场辐射信息进行大气水汽反演，能够提供高空间连续性的广域(特别是无人区、洋区和极地)水汽数据，但所得结果易受天气条件影响较大，且精度较低。上述水汽监测手段虽然能够提供较为可靠的水汽数据，但是受限于数据处理的时效性，通常难以满足短临极端天气预报的实时性需求。随着新一代GNSS的高速发展，利用GNSS观测值进行大气水汽实时反演能够有效弥补传统水汽探测手段的不足，同时还具有高精度、全球覆盖、全天候、长时序稳定及高时空分辨率等优点，为开展大气水汽监测提供了重要数据支持。根据观测模式的不同，GNSS大气水汽探测技术可以分为地基GNSS和GNSS掩星技术。本文主要针对地基GNSS大气水汽探测遥感技术的研究现状与发展趋势进行概述和总结。
GNSS技术的快速发展给地基GNSS大气水汽探测技术提供了重要的技术支撑，自20世纪70年代美国提出建立全球定位系统(GPS)以来，经历了不断地发展与完善，于1995年达到全面运行能力，能够为全球范围内的用户提供全天候以及高效能的导航定位服务。GPS卫星信号穿过对流层时，受到中性大气的影响会出现路径弯曲和速度衰减，从而使GPS观测值中含有一定的大气延迟，基于对GPS信号大气延迟量的高精度观测便能实现大气水汽含量的监测。自1990年代开始GPS大气反演理论提出以来，开展高精度GPS大气水汽反演及其相关气象应用研究受到了国际学者们的广泛关注。随着我国北斗卫星导航系统(BeiDou navigation satellite system，BDS)的全面建成，以GPS、BDS、GLONASS、Galileo为核心的新一代GNSS观测体系为大气水汽的高精度探测和气象应用奠定了重要的空间设施基础。同时，各级卫星连续运行参考站(continuously operating reference system，CORS)网络的大规模建设，也为GNSS大气水汽探测遥感科学研究和气象创新应用提供了重要的地面观测设施。总体来说，地基GNSS大气水汽探测技术集成了全天候、无漂移、高精度、高时空分辨率及低成本等优点，可较好地与传统大气水汽监测技术形成互补，为大气水汽监测和短临天气预报提供高质量的数据源和基准信息，地基GNSS大气水汽探测技术在大气探测以及气象领域应用中的重要地位已逐步凸显。
1 多类型GNSS大气参数高精度反演地基GNSS技术不仅可以提供天顶对流层延迟和大气可降水量等二维水汽产品，还可以提供斜路径对流层延迟、斜路径水汽含量、水平梯度和三维水汽密度等三维廓线信息。目前，地基GNSS大气水汽研究主要集中于高精度ZTD/PWV反演和三维水汽层析建模。
1.1 ZTD/PWV反演研究进展在地基GNSS发展初期，大气延迟作为GNSS定位的主要误差源，通常采用经验模型或气象观测值等方式予以改正或削弱，后来作为独立的未知参数联合求解。文献[1]于1992年首次利用GPS观测数据反演得到接收机上空的PWV，进而形成GNSS气象学这一全新的学科领域。20世纪90年代至今，国内外学者开展了大量试验对GNSS反演ZTD和PWV产品的精度和适应性进行评估，使得GNSS气象学得到了迅猛发展，地基GNSS数据处理主要有双差网解法和精密单点定位法。在双差网解法进行大气水汽反演方面，文献[2—6]先后在不同地区开展了地基GNSS水汽反演试验，并与水汽辐射计等不同水汽产品进行了比较。文献[7—12]分析了GNSS水汽反演的主要误差源，利用探空数据证明了不同天气场景下GNSS水汽产品的精度可达1~2 mm。虽然双差网解法的大气水汽反演精度较高，但是在进行大规模GNSS数据处理时，双差网解法具有较高的复杂性，随着GNSS精密单点定位技术(precise point positioning，PPP)的出现，受其模型简单、处理高效的优势引导，文献[13—15]围绕PPP反演ZTD/PWV开展了大量试验。但是，精密单点定位技术受卫星产品精度的影响较大，在早期难以满足实时水汽产品精度需求。为了克服该问题，2013年国际GNSS服务(international GNSS service，IGS)正式向全球用户播发GNSS实时数据流产品，此后文献[17—22]对基于GNSS实时PPP的ZTD解算和PWV反演精度进行了评估，大量试验证实地基GNSS能够获取高精度的实时PWV产品。此外，事后PWV产品具有高精度、高时空分辨率的特点，鉴于此，文献[23—25]使用GNSS-PWV产品作为定标改善卫星遥感和数值预报模型产品获取的PWV系统偏差。同时，有学者还研究了利用低成本单频GNSS接收机反演水汽的可行性。例如文献[26—27]利用经济型的单频接收机或智能手机代替大地型接收机反演水汽，其结果表明利用低成本的GNSS接收机能够有效获取对流层水汽。由于海洋区域缺乏密集、稳固的GNSS安装平台，文献[28—30]使用船载或浮标GNSS水汽反演技术来获取海洋上空的水汽，为动态GNSS水汽反演理论方法开展了探索性的研究。文献[31—32]利用星载辐射计获取了全球范围内公海区域上空的PWV，并将其结果与多次船载GNSS-PWV进行了对比，结果表明在极地地区均方根最小(1.29 mm)，其他地区为2.78 mm；与NECP再分析产品比较，两者差异为2.96 mm。文献[33—34]利用无线电探空仪、地基GNSS、掩星数据和卫星遥感获取了在海洋区域内水汽时空特征，结果表明上述几种方式的PWV结果具有很好的一致性。此外，中国气象局气象探测中心联合内蒙古自治区与广东省气象局于2017年5月联合起草了国内首部地基导航卫星遥感水汽观测规范[35]，规定了导航卫星遥感观测、值班和数据中心运行监控等要求，为地基GNSS水汽产品的规范化监测与使用奠定了基础。
1.2 GNSS三维水汽建模研究进展地基GNSS大气水汽的初级产品是天顶方向上的大气水汽总量，无法直接给出信号传播路径上的水汽分布信息，在天气监测和气象预报等领域存在一定局限性。为拓展地基GNSS技术在气象预报中的应用场景，文献[36—40]研究了信号传播路径上的大气水汽反演方法，斜路径水汽(slant water vapor，SWV)精度评估结果表明对流天气条件下的SWV的精度可优于4 mm。然而，SWV仍然无法全面解析目标区域垂直方向上的水汽分布，为了获得三维水汽场信息，文献[41]首次提出了基于GNSS观测值获取对流层水汽结构的设想，文献[42]首次利用层析技术获取了夏威夷基拉韦厄火山上空的湿折射率，并基于欧洲中期天气预报中心(European Center for Medium Range Weather Forecast，ECMWF)的再分析产品对反演结果进行精度评估。随后，文献[43—45]利用三维层析技术成功获取了不同地区的水汽三维分布，并利用探空站和再分析资料验证三为水汽层析的可行性。
目前三维水汽层析模型研究的难点在于无法解决层析方程系数矩阵的病态问题，其主要原因是卫星和地面GNSS站的几何分布不均匀使得卫星信号无法完全覆盖研究区域[46-47]。因此，解决层析方程中的矩阵病态问题是获取高精度水汽三维分布的关键所在，目前的主要处理方法有[48]：①附加约束条件，文献[49]基于水汽垂直变化特征采用高斯指数模型作为约束条件；文献[50]利用探空信息建立了顾及边界信号及垂直约束的方法；文献[51]提出了附加高水平分辨率PWV约束的层析方法。②增加观测值法，文献[52—53]使用探空历史数据建立了优化体素分割方法，从而提高了研究区域测边信号的利用率，研究结果表明射线利用率和有效体素数分别提高了30.32%和12.62%；文献[54]提出了一种基于截断因子模型的对流层层析算法，该方法能够充分利用层析区域内侧边信号的水汽观测值；文献[55]引入中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer，MODIS)的水汽观测值提出了一种融合GNSS、MODIS观测值的水汽层析方法；文献[56]提出了融合GNSS及合成孔径雷达观测值的水汽层析方法。③利用模型改进层析精度，文献[57]利用神经网络技术反演了研究区域内的三维水汽分布；文献[58]提出了一种全新的节点参数化方法(图 1)，该方法可以在研究时段内动态调整层析区域的边界和节点位置；文献[59]基于水汽与高度之间的指数变化关系提出了一种自适应非均匀分层层析方法。
1.3 GNSS水汽反演未来研究及应用展望
当前地基GNSS水汽反演算法已基本成熟，随着GNSS系统的完善和地面监测站的增加，地基GNSS水汽产品已满足气象研究的高时空分辨率、高精度需求。除了GNSS大气水汽产品外，气象卫星、气象站、探空站、雷达、再分析资料等多源数据均可提供高精度大气水汽产品。强化推进测绘、气象等资源交换共享机制，赋能“空-天-地”一体化水汽监测网络体系，提供综合化、多样化和精细化水汽产品是气象业务广泛化的必然要求，当前仍有一些问题尚需研究。
(1) 提高泛在水汽反演能力。低成本GNSS接收机的推广使用可极大节约经济成本，智能时代下基于低成本GNSS接收机的泛在水汽反演已经成为可能，但是，低成本接收机的精度、可靠性在复杂环境、恶劣天气下仍存在一定问题，由此导致的水汽反演精度仍需进一步提高。因此，在未来研究中需要建立基于空间变异的无损水汽反演方法，进一步提高基于低成本设备的大气水汽反演性能，以满足气象、农业、交通等多部门的业务需求。
(2) 提高多源水汽综合利用能力。全球范围内探空气球、水汽辐射仪、数值预报模式等能够提供不同空间分辨率的水汽资料，融合基于多源水汽进行水汽层析联合解算，可有效改善区域GNSS水汽监测网络低密集度的问题，提高水汽层析反演精度。但是，当前研究未充分考虑多源异构水汽产品的时空变异性特征，因此，研究多源水汽观测数据归一化处理方法，解决多源水汽时空不一致等问题，建立基于动态大气背景场的时空水汽融合模型，生成精细化水汽产品是拓展大气水汽气象业务应用场景的必要前提。
2 极端气象事件短临预报应用极端天气事件是在某个特定地点和具体时段内所发生的一种极其罕见的气象事件。联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)的研究报告明确指出，在人类社会快速发展与全球气候变化的大背景下，强降水、热带气旋、洪涝、干旱、寒潮、对流风暴等典型极端气象将向高频率、复合型灾害事件转变，将会严重影响了人们的生命财产和正常的生产生活。随着我国现代化工农业以及航空等诸多行业的快速发展，对天气预报(特别是极端气象事件短临预报)的准确度以及时效性等均提出了更高的要求，天气预报能力亟须进一步发展。地基GNSS大气探测技术能够进行大气水汽的实时监测，可实现面向各类极端天气事件的短时(0~12 h)和临近(0~6 h)预报[60-65]，是改善当前极端天气突发事件预报能力不足的重要手段。此外，GNSS观测站已积累了近30 a的观测数据，为极端天气事件发生的机理及演变规律研究提供了极为重要的数据源，对极端天气的机理研究可进一步提高短临预报预警能力，对减少气象灾害风险、提升防灾减灾应急能力具有重大科学和现实意义。下文将对利用多类型地基GNSS大气观测开展极端气象事件短临预报应用的研究进展及未来展望进行介绍。
2.1 面向气象应用的数据预处理及系统分析针对面向气象应用的地基GNSS数据预处理，首要是综合利用无线探空仪、水汽辐射计等大气观测数据和甚长基线干涉测量(very long baseline interferometry，VLBI)、IGS等事后产品，分析地基GNSS大气水汽反演过程中的误差特性，严格控制地基GNSS水汽产品的精度，以满足极端天气短临预警预报应用研究的精度要求。表 1和表 2以PWV为例，分别给出了面向极端天气短临预报以及长期气候分析应用的产品要求[64]。
| 指标类型 | 全球范围NWP模式 | 局部范围NWP模式 | 非NWP短临预报 | |||||
| 可用阈值 | 目标数值 | 可用阈值 | 目标数值 | 可用阈值 | 目标数值 | |||
| 空间域(水平) | 全球范围 | 约100~1000 km | 约100 km | |||||
| 水平采样/km | 250 | 15 | 100 | 3 | 50 | 5 | ||
| 观测历元/h | 12 | 1 | 3 | 0.5 | 30 | 5 | ||
| 精度要求 (RMS)/mm |
5 | 1 | 5 | 1 | 5 | 1 | ||
| 指标类型 | 全球气候分析 | 区域气候分析 | |||
| 可用阈值 | 目标数值 | 可用阈值 | 目标数值 | ||
| 空间域(水平) | 全球范围 | 区域范围 | |||
| 水平采样/km | 200 | 50 | 200 | 10 | |
| 观测历元/h | 6 | 3 | 6 | 3 | |
| 精度要求(RMS) /mm |
3 | 1 | 5 | 1 | |
需要指出的是，不同气象应用对输入数据的精度和时空分辨率的要求有所不同。对于天气预报数值(numerical weather predication model, NWP)模式为基础的短临预报，由于NWP自身的非线性较为复杂，对观测值精度的要求较高，具体来说，NWP模型的观测值需满足无偏性，相应的观测误差应是不具有空间互相关性的高斯噪声。非NWP模型下的短临预报更为关注大气参数的相对变化情况，微小误差并不会对预报结果产生较大影响，较之于非NWP模式，非NWP模型对数据绝对精度要求较低。在面向气候分析的应用中，通常需要使用较长时间跨度的数据进行研究，因此长时间序列中存在的强度较小的误差也同样不会影响数据的整体分析结果。
除了对输入数据本身的精度有所要求以外，对多气象参数的系统性分析也是面向极端天气预报中不可或缺的一步。首先，可利用皮尔逊相关系数、斯皮尔曼相关系数、偏相关系数、复相关系数等作为评价因子计算多类型大气参数间的互相关系数从而分析各参数间的相关关系[66-67]；同时，可采用主成分分析、经验正交函数等方法探讨各参数对典型极端气象事件的响应关系及它们在该事件短临预报应用中的有效性和贡献度，从而为各类模型预报因子的选择提供了有效的参考依据。
由于强降水、台风、干旱等事件的发生和演变过程均与GNSS大气水汽信息的时序变化高度相关，故GNSS大气信息广泛地应用于这类事件的预报研究[67-69]。文献[70]分析了阿拉伯海和孟加拉湾逐月及季节性PWV变化同季风的关系，发现了季风的发生同PWV的变化紧密相关，并提出可以使用PWV来预报季风的发生[71]。文献[72]研究了GNSS大气水汽在如暴雨、持续性降水、冰冻雨雪等典型天气中的演变特征，有效揭示了GNSS大气探测技术及产品在天气预报业务中的应用。以暴雨事件为例，文献[73]发现暴雨事件发生前PWV会以9.5 mm/h的速度上升，并将该表现称为PWV的跳跃性变化。文献[74]发现在长时序的PWV中，其快速上升的时序变化特征能有效揭示降水事件的发生。文献[75]则从另一个侧面发现在热带风暴引起的暴雨事件发生前的3 h内，PWV时序数据会出现快速下降。类似地，文献[76]发现在暴雨事件发生前，PWV往往会存在一个以5~10 mm/h速度的下降过程。此外，文献[77]的研究也表明大气水汽在极端降水事件发生前快速增加的现象能准确地在GNSS水汽产品上得以体现。然而由于极端天气的发生具有极为复杂的成因，因此要利用GNSS大气产品进行极端天气短临预报就需要分析各类产品在大量极端天气发生过程中的时序变化特征，再结合其他气象观测信息(如雷达、辐射仪、实时气象观测等)，从而据此利用多种方法建立区域性的基于GNSS大气信息的极端气象事件短临预报模型。
2.2 极端气象事件短临预报的主要方法上述研究充分表明GNSS大气水汽同极端天气等气象事件具有较强的相关性，通过利用高精度、高时空分辨率的ZTD、PWV等大气资料能够有效地开展气象事件的预报研究。目前，虽然国内外利用GNSS大气反演资料进行极端气象事件的短临预报均进行了一些初步的研究，但尚未形成成熟完备的理论与方法。在当前研究中，所使用的各类极端天气短临预报模型主要包括以下几类：
(1) 气象预报专家系统模型。该类模型主要依赖于所使用的气象预报因子同特定气象事件间的响应关系而构造，最为典型的气象预报专家系统模型是基于大气参数数值异常变化的阈值模型，即当某类极端气象事件发生前，一种或多种大气参数的数值会出现异常增大(或减小)的情况，根据该变化趋势设定预报阈值可开展短临预警预报。在预报阈值的优化构造选取过程中，为了保障所选预报阈值的可行性和普适性，通常需要利用该因子的长时间历史数据以及对应的气象事件观测记录进行统计分析。近年来基于该类模型也形成了面向不同极端天气事件的多种短临预报模型[78-84]。文献[85]通过研究西班牙9年内的GNSS水汽数据同降水间的关系提出了降水预测模型。文献[86]提出了一种结合可降水量季节变化信息的降水预测算法，基于过去30 min的GNSS水汽信息预测未来5 min降水事件的发生概率，结果表明该算法有效提高了探测的准确率。文献[87]基于大气可降水量时变特征与降水之间的响应关系，提出了一种利用GNSS大气可降水量时序变化特征开展短临降雨预报的方法，测试试验表明该方法取得了较高的预测精度和较好的适用性。文献[88]分析了西班牙里斯本地区2010—2012年暴雨事件发生前PWV的时间变化特征，并提出了一种基于6 h时间窗口的降水预报模型，该模型利用PWV最大增长率作为预报因子，经验证其预报正确率达75%，而误报率为60%~70%。基于该研究，文献[89]提出了一个基于PWV、PWV变化量、PWV变化率的三因子降水预报模型，该模型的正确预报率达到了82%，但模型误报率仍为60%左右。文献[90]基于热带地区(新加坡)的数据对于上述方法进行检验，并提出了适用于热带地区的以最大PWV值作为主要评价指标的预报方法，该模型的误报率较上述研究降低了17%。文献[91]提出了一种改进的降水预报模型，该模型利用包括ZTD以及PWV在内的五因子进行预报，结果表明该模型的正确预报率可以达到95%，并且模型误报率降为30%左右。文献[92]首次提出了一种在极端降水发生前顾及包括PWV增长及下降完整时序变化过程的模型，模型的预报性能得到了进一步的提升。除了上述研究外，许多研究还提出利用其他多类型的GNSS观测[66, 93-94]、三维/四维层析技术[42, 95-98]、更长的PWV时序、更高时空分辨率的时序数据来开展短时降水预报。虽然上述所构造的各类模型方法原理简单且易于操作，具有较强的可行性，但往往也会存在稳定性低、计算量大、可移植性差等缺点，因此该方法通常主要面向某一小范围区域(局域)气象事件的短临预警预报应用。
(2) 数值天气预报模型。NWP模式是天气预报应用中不可或缺的一种工具，由于其具有完善的大气物理模型，且能够通过数据同化的方式利用多类型的大气参数，因而能够有效加强对于天气和气候系统演变规律的认识，获取高性能的预报表现。NWP模式对于GNSS大气反演信息的利用主要是基于数据同化的方式，常见的是利用变分同化方法开展针对PWV、ZTD、斜路径延迟(slant total delay，STD)及三维层析产品等非常规观测资料的同化应用。因此，为了进一步增加各类模型中使用的气象参数且不断完善模型的物理基础，文献[99—100]对GNSS大气反演资料在NWP模式中的同化开展了一系列卓有成效的研究，目前诸多研究都证明将GNSS大气产品同化到NWP模式中能有效改善模式初始场的精度，进而提升模型对气象事件的预报能力，特别是对极端降雨等突发灾害性天气。文献[101—102]在假定大气湿度廓线不变的条件下，首次应用模拟的PWV资料进行了同化试验，结果表明，同化PWV能有效提高降水预报精度，并进一步验证了利用四维变分资料同化技术同化PWV的可行性和有效性。文献[103]利用梅雨季节长三角地区获取的GNSS大气水汽资料，分析出入梅(雨)过程水汽的空间分布特征，并通过对其的同化有效提高了数值模式预报能力。文献[104—105]进行了ZTD的四维变分同化试验，结果表明其对6 h和12 h的累计降水预报精度分别提升33.15%和25.08%。文献[106]针对2001年地中海西部极端降水事件开展了ZTD同化试验，结果表明同化ZTD比同化PWV得到了更好的预报结果，能够有效降低强对流天气的预报误差。然而由于PWV和ZTD只能反映GNSS测站上方大气水汽的整体变化信息，并不能反映其在水平方位上的梯度变化信息。因此，如何有效同化GNSS反演得到的斜路径产品及三维层析产品成了目前该领域最为前沿的研究热点，并且诸多研究也显示同化STD、三维层析产品比PWV和ZTD在改善大气背景场精度及降水等气象事件的预报结果上有更积极的影响[107-109]。文献[110]研究发现通过同化STD能得到更好的水汽三维分布及降水日变化信息，从而有效改善了实时与短期定量降水预报。文献[111]开展了STD及多普勒雷达观测资料的四维变分同化试验，结果表明相较于同化PWV模式面向降水事件预报取得了更好的效果。文献[112]将三维水汽层析产品同化进数值天气预报模型中，结果显示模式预报的相对湿度及温度等参数的精度均得到了明显提升。文献[113]利用TOMOREF观测算子开展暴雨事件同化试验，结果同样表明通过同化三维层析产品，无论是降水还是湿度场的预报效果都有了显著改善。大量同化试验研究结果均表明，加入GNSS资料对改善数值天气预报模式初始场精度有着较为明显的作用，可有效提高极端气象事件预报精度[84, 100, 114-124]。然而由于该类模型对于各类参数同化过程的时效性，特别是在处理大规模区域上的多类型观测数据时，因此难以有效地满足0~6 h的临近预报的应用需求。
(3) 基于神经网络技术的模型。目前神经网络技术在地球科学领域中的应用越来越受到人们的关注，由于基于该技术开发的各类模型具有独立学习、并行处理、非线性映射能力、容错能力和自适应能力强等优点，因而为研究多种气象信息间内在关系、开发基于神经网络技术的极端气象事件预报模型提供了前所未有的契机。虽然该类模型同样需要使用大气参数的长时序数据学习拟合出参数同目标气象事件间的耦合关系，然而与阈值模型不同的是，通过利用神经网络技术能够优化使用多种类型的气象参数，通过利用多类型大气参数中蕴含的大气环境变化信息更为全面地揭示极端气象事件的形成与演变过程。近年来，随着各类神经网络模型的逐步成熟以及神经网络集成、遗传神经网络和模糊神经网络等技术的兴起，文献[125—131]通过利用神经网络技术开展了大量的短临天气预报的应用研究。文献[132]采用误差反向传播神经网络建立了汛期降水预测模型，结果表明该模型无论是对历史样本的拟合还是对独立样本的预报检验都取得了较高的精度。文献[133]建立了自适应模糊神经网络天气预报系统模型。文献[134]采用人工神经网络进行短期降水预报，提高了预报的准确率。文献[135]釆用集成预报路线，将低级单模式数值预报输入模型，输出得到统一的集成预报结果。文献[136]在基于卫星遥感图像降雨监测系统中基于遗传优化反向传播神经网络(back propagation neural network，BPNN)对研究区域内云团移动和降水量的预测进行了分析研究。文献[137]提出了一种利用包括PWV在内的七参数的神经网络模型用于开展降水事件预报，结果表明其准确预报率为80.4%，误报率为20.3%。文献[138]提出利用多种气象参数、时间相关参数及可降水量信息，通过多隐层神经网络建立降雨和各种参数的非线性关系对短临降雨进行预测，结果表明，该模型可预测出95%以上的降雨事件。文献[139]基于神经网络对数值预报模型数据进行了处理，并改善了在冰雹天气预报的准确度。文献[140]同样基于BPNN算法，提出了一种改进的极端降水短临预报模型，该模型大大降低了误报率，取得了较好的预报效果。由于GNSS反演的长时序大气资料具有实测独立的特点，通过利用神经网络技术，基于其强大的自主学习及非线性映射能力开展数据分析，能够有效地挖掘多类型大气参数中蕴含的信息，构建针对极端气象事件的短临预警预报方法。由于多种类型的神经网络模型不断被提出，针对特定的气象事件以及所使用的气象参数类型还需要进一步开展分析，从而选择更为合适的模型类型开展短临预报预警应用。此外，模型构造过程中网络结构、预报参数、模型超参数等各类因子的优化选取、对预报模型内部机理的理解以及模型拟合过程的优化也都是当前仍需进一步探究解决的问题。
2.3 GNSS极端天气短临预报未来研究及应用展望GNSS气象学作为一个跨学科研究方向，通过综合利用GNSS反演的大气资料对提高各类气象模型预报性能，以及开展针对极端气象事件的短临预报应用有着非常积极的作用。当前的研究尽管在多类型GNSS大气信息精度检验、多源大气参数分析、极端气象事件形成与演变过程探究等方面进行了诸多研究，也利用包括GNSS大气产品及常规气象观测在内的多类型大气参数优化构建了各类预警预报模型，充分提升了面向极端气象事件的短临预报性能，但如何充分挖掘海量GNSS观测数据中蕴含的极端气象事件短临预报的前兆信息、如何有效地因地制宜、因时制宜地构造极端气象事件短临预报模型仍存在诸多亟待解决的问题。
(1) 针对气象预报专家系统模型应用。众所周知，各类极端气象事件形成及演变的天气学过程极其复杂。以极端降水事件为例，它不仅需要充足的水汽，还要满足垂直运动、云滴增长等一系列条件，然而当前气象预报专家系统模型中所使用的预报因子仅能有效反映大气中水汽及湿度的相关信息。虽然利用各类衍生变量，也能在一定程度上表征大气动力学变化过程，但从业务预报应用的角度仍远远不够，因此应进一步加强对大气环境动态变化及天气系统形成过程机理的研究，发展实时GNSS水汽资料应用于极端天气短临预报/预警的方法与模型。
(2) 针对数值天气预报模型。虽然当前业务使用的各类数值天气预报模型能用数据同化的手段综合相关信息来提供高时空分辨率的气象产品，也能以较高的精度、较广的覆盖范围提供未来一定时段内的气象预报结果，然而目前在各类业务数值模式中均未优化实现对多类型GNSS大气信息的同化应用，这是该领域目前尚未解决的关键技术。由于不同类型的GNSS大气产品具有不同的误差特性，为了更好地利用多类型GNSS大气产品，应进一步探索构建面向不同探测资料的同化算法，在充分提升模型预报精度、精准确定事件落区的同时，进一步提升面向大规模站网数据的同化效率，并充分延长各类极端天气的预见期，从而有效满足极端天气事件防灾减灾决策响应需求。
(3) 针对基于神经网络技术构造的模型。在模型构造过程中的网络结构确定、权值设定、超参数选取等各类问题目前仍需进一步探究，从而形成一套优化的针对极端气象事件短临预报应用的模型构造方案以增强模型的泛化能力；在完成模型构造过程后，应进一步增强对模型构造机理、内在算法实现等方面的分析解读能力；探索各类成熟的神经网络模型算法在极端天气短临预报应用中的可行性与适用性，从而进一步深化神经网络技术在GNSS气象学领域的应用。
3 气候变化分析应用大气水汽能够吸收来自地球的红外辐射，贡献了全球60%的温室效应，是大气中最重要的温室气体之一，同时大气水汽与温度之间存在着明显的正相关，这种正相关作用使得大气水汽含量在全球变暖的趋势下不断增加，从而进一步加剧了大气温度变化，严重影响平衡气统敏感性。大气水汽作为大气状况的主要表征之一，分析其长期变化趋势，研究大气水汽与多种气象参数的耦合关系，进而研究大气状态的变化趋势，对深入理解全球气候变化、灾害性天气监测等方面具有十分重要的科学意义。
3.1 PWV时间序列一致性检验方法随着空间观测技术的完善和数据处理技术的发展，目前已累计了相当长度的地基GNSS-PWV时间序列，可用于全球或区域性的气象分析[141-145]。一致化的基准数据是进行高精度气象研究的前提，但是地基GNSS不可避免地受到如接收机更新、硬件升级、站点环境变化、处理策略更新等多种非气象因素的影响，导致PWV时间序列中含有非气象因素引起的、相对于自然变率无法忽视的系统性偏差，即非一致现象[145-148]。为了减少非气象因素的影响，GNSS-PWV的质量控制和一致化检验是利用GNSS-PWV时间序列进气象研究必不可少的基础。从时空上看，非一致现象包括空间非一致性和时间非一致性两个维度，而PWV时间序列的非一致性主要集中在时间维度。
根据非一致现象产生的原因，非一致性主要分为与接收机有关的、与站点环境有关、与数据处理策略有关的。与接收机有关的非一致现象主要包括仪器更新、天线罩配置、固件升级、地质活动等，这种非一致现象往往表现为某一历元前后PWV时间序列出现跳跃式变化[149-153]。站点日志中记录了大部分接收机硬件相关的变化，因此站点日志文件往往用于非一致性检验中。由于站点日志记录的不完整和误差等原因，站点日志无法实现硬件变化的完整记录[154-156]，且日志文件中不含有与地质活动有关的站点变化[157]。与站点环境有关的非一致现象主要源于站点植被生长、积雪覆盖等因素，相较于硬件更新导致的阶跃点，这种非一致现象在PWV时间序列往往表现为缓慢变化，其大小和位置均不明确，是一致性检验的难点[150, 151]。处理策略变化包括国际地球参考框架(international terrestrial reference frame，ITRF)变化、天线相位改正模型、误差改正模型、高度角等，这种非一致现象较为简单，在数据处理时只需采用统一的处理策略即可消除[148, 158-160]。PWV时间序列的一致性检验分为非一致性探测和修复，其中前者是一致性检验的重点和难点。针对大气水汽时间序列的非一致性探测，国内外学者展开了研究，提出了一系列基于统计检验的非一致性探测方法，大体可分为基于参考数据的相对探测方法和基于原始数据的绝对探测方法。
相对探测方法是当前使用最多的非一致性探测方法。该方法首先利用参考数据与原始目标数据的空间相关性，利用差分算子消除目标数据的气象信号、周期变化和观测噪声，基于差分序列完成非一致性的探测[147, 161-162]。文献[163]基于双相回归模型(two-phase regression，TPR)构造似然比统计值，并利用F检验对温度差分时间序列进行一致性检验。文献[156]在TPR模型的基础上，针对传统T检验和F检验探测结果虚警率较高的缺点，提供了基于经验惩罚函数的惩罚最大T检验(penalized maximal T test，PMT)和惩罚最大F检验(penalized maximal F test，PMF)[164]，并在此基础上提出针对观测噪声的一阶自相关特性的PMTred法和PMFred法[165]。文献[166]利用PMFred检验对并探空站湿度差分数据进行检验，得到了一致化的探空气象数据。文献[167]以ERA-Interim数据、并址GNSS站和13个VLBI站的PWV观测值为参考数据，利用PMTred方法对全球101个IGS站的PWV数据进行了一致性检验，结果表明47个测站有含有62个阶跃点。文献[168]以BIC准则为基础提出了一种顾及阶跃点前后平均值和方差变化特性的异方差阶跃点探测模型，并采用ECMWF再分析数据集ERA-Interim数据作为参考值研究了数个GNSS站PWV时间序列的一致性。
绝对探测方法采用原始数据的时间变化特性拟合数据本身的周期信号，基于去除周期信号的残余时间序列完成非一致性探测，相较于参考数据的相对探测方法而言，该方法不需要外部数据的参考，因此学者们对该类方法进行了研究和探索。文献[169]利用T检验构造了序贯T检验方法(STARS)方法。文献[154]对时间序列进行分段，并将时序的总方差分为外部方差和内部方差，据此以外部方差最大和内部方差最小为参考量提出了一种多阶跃点探测方法。文献[170]基于奇异谱分解方法构造了一种阶跃点探测非差方法，基于仿真数据的结果验证了该方法的探精度为30 d。文献[171]将时间序列分解算法(seasonal-trend decomposition based on LOESS，STL)方法和PMFred(PMF to account for the red noise)方法进行结合提出一种新的绝对自适应探测方法(adaptive absolute homogeneity test，AAHT)。该方法将原始PWV数据分解为周期项、趋势项和噪声项，利用趋势项完成非一致性探测，并基于噪声项构建自适应因子进行探测结果的虚警点检验，保证探测结果的可靠性。
3.2 PWV时间序列的特征演变分析
长期趋势项和不同尺度的周期信号是基于PWV长时间序列进行气象分析的重要参考之一，很多学者进行了基于全球或区域PWV数据对其长期变化趋势研究，并通过对水汽变化的机制和主要驱动力进行分析。
针对PWV数据的时间演变特征，文献[172]采用全球探空数据和Spearman相关系数，分析了全球1973—1995年和1958—1995年两个时间段PWV的长期趋势，首次发现大部分GPS站的大气水汽与温度呈显著的正相关。文献[173]分析了不同大气水汽资料指出全球水汽分布受全球气温升高影响在整体上呈上升趋势。文献[174]基于全球1997—2007年的探空数据、微波辐射计和GPS观测值，分析了全球的PWV序列的变化特征。结果表明，PWV序列在整体上呈现出上升的趋势，且海洋地区的变化高于陆地地区，夜间变化高于日间变化，并且白天的PWV变化更加符合热力学过程，而夜间的PWV变化主要受动力学过程影响。文献[175—176]顾及PWV观测噪声的一阶自相关特性，分析了德国的PWV时间序列的长期变化趋势。文献[61]指出2000—2014年全球PWV的平均变化趋势为每年1.29‰，但其结果的显著性较差。文献[177]利用GNSS观测值和再分析资料的月平均PWV数据，分析了PWV的长期趋势变化及其与地表温度的相关性。文献[178]利用ERA5和GNSS-PWV分析了印度洋南部区域的日间和季节变化特征。文献[179]分析了地中海东部PWV不同季节的昼夜差异性。文献[180]利用水汽辐射计、傅里叶变换红外光谱仪(Fourier transform infrared spectrometer，FTIR)和GNSS的PWV信息研究了瑞士地区的水汽趋势变化特征。文献[181]利用中国地壳运动观测网络(crustal movement observation network of China，CMONOC)中28个GPS基准站2004—2007年的观测值分析了中国大气水汽的周期变化特征与地理位置之间的关系。文献[182—183]利用经一致化处理的探空数据估算了中国上空大气水汽的长期变化趋势，同时分析了探空数据的不一致性对大气水汽序列长期趋势带来的影响。文献[184]利用成都30 min的PWV时间序列分析了大气水汽的日变化趋势，指出大气水汽日变化趋势与太阳照射强度存在一定的相关性。文献[185]利用CMONOC的观测值数据研究了中国PWV的时空分布特征和热力学过程，结果表明中国的PWV平均值随纬度增减而降低，最大值和最小值分别出现在华南地区和青藏高原地区，在水汽驱动力方面，PWV的热力学变化与中国的气候分布有关。上述研究的结果表明在全球范围内PWV总体上呈现出上升趋势，强度约为1‰~2‰，但其结果的不确定度较大，置信水平较差。
根据克劳修斯-克拉珀龙(Clausius-Clapeyron，C-C)方程，在相对湿度稳定的条件下，温度每升高1°，大气水汽含量会增加7%，但是PWV-温度趋势变化的相关分析结果与C-C方程式的理论值(7%/K)具有一定的差距，因此学者们针对大气水汽变化的其他驱动力，研究了厄尔尼诺现象与大气水汽变化的关联性。文献[186]在2000年首次研究厄尔尼诺与南方涛动(El Niño-Southern Oscillation，ENSO)期间大气水汽的变化情况。文献[173]利用更长跨度的PWV时间序列分析了ENSO对热带、亚热带地区水汽的影响，证明了文献[186]结论的可行性。文献[148]利用1994—2004年195个GPS站的观测值研究了PWV的变化特征与ENSO之间的相关性。文献[187]利用多种气象模型和两种再分析数据(ERA-40和MERRA)计算了ENSO活动期间海表温度对大气水汽反馈强度的影响。文献[188]利用中国南海和东南亚的PWV数据分析了水汽变化与海表温度、厄尔尼诺指数之间的相关性。文献[189]采用2007—2015年GPS站点坐标、重力恢复与气候实验卫星(gravity recovery and climate experiment，GRACE)的等效水深和PWV数据研究了云南干旱事件期间三者的协同关系。文献[190]利用经验正交分解分析了ENSO发生期间中国南部区域PWV和温度的时空演变特征，并基于PWV和温度提出了一种新的ENSO表征指数。文献[65]利用改进的SSA方法对全球56个临海地区的GPS站PWV序列进行信号分解，并对提取得到的非线性趋势与月异常均值进行了相关性分析，基于此研究了PWV与ENSO现象的关系。文献[191]研究了ENSO对俄罗斯PWV年际变化的影响。
3.3 PWV时序气候应用未来研究及应用展望
关于在非一致性探测方法，相对探测方法是使用最多的探测方法。对PWV而言，常用的参考数据源为并址GNSS站、探空站和再分析数据。但是这几种参考数据具有一定局限性：①受限于地面站点的空间分布和再分析数据的精度，参考数据往往较难获取；②参考数据可能存在非一致现象，故差分序列的探测结果无法确定探测结果的来源；③差分算子可能会掩盖非一致现象，特别是阶跃量较小时，容易受到参考数据和目标数据本身噪声的影响。绝对方法不需要外部参考数据，可避开上述问题，从理论上讲，绝对探测方法是PWV时间序列非一致性探测的最优选择，但受限于当前对PWV时间演变特征认知的局限性，目前的信号分解方法无法给出精确的信号分解结果，故绝对探测方法的准确性和虚警率仍存在一定问题。因此，一致性探测方法需要从两个方面入手：①对于相对探测方法，最佳的参考数据为与目标数据同一系统的观测值，因此增加GNSS观测值的数量，打破不同业务部门GNSS数据的壁垒，同时提高参考数据的可靠性，有利于提高相对探测方法的精度。②对于绝对探测方法，需要提高对PWV时间演变特征和观测噪声特性的认知，进一步提高信号分解的精度，从而改进绝对探测方法的探测效果。
针对PWV的时间演变特征，当前的研究方法基本都是基于长期趋势项和周期振幅、相位为常数的假设。然而，PWV作为大气状态的表征，易受到如短期极端天气，持续数年的厄尔尼诺变化、干旱等不同气象因素的影响，PWV时间变化呈现出明显的非线性变化趋势，故将PWV长时间序列中的趋势项、周期项作为常数项的拟合结果不具有统计意义上的显著性。因此，应充分认识PWV时间序列中的非线性时间演变特征，进一步探测非线性信号分解方法，提高信号分解结果的显著性，并借此分析大气水汽变化与全球变暖、厄尔尼诺等多种气候现象的关联性，从而研究大气水汽变化与不同气象因素的耦合关系，深入认识大气水汽变化的主要驱动力。
4 结束语GNSS大气水汽探测遥感作为一个跨学科的、新兴的研究方向，通过综合利用GNSS反演的大气资料对于提高各类气象模型的预报性能，开展针对极端气象事件预报及气候变化监测应用有着非常积极的作用。本文系统阐述了地基GNSS大气水汽探测遥感技术及其应用的发展过程，首先介绍了近年来包括对流层延迟、大气可降水量等多类型GNSS大气参数高精度反演的研究进展；然后对GNSS大气反演在极端天气短临预报及气候变化现象解释两个方向的研究工作进行了科学探析；最后，阐明了GNSS大气水汽探测遥感技术面临的主要挑战及未来研究展望。当前，虽然地基GNSS大气反演技术已经有了较大的发展，然而，作为非常规的气象观测资料，各类GNSS大气产品从实时反演到质量控制与误差分析，再到在气象和气候领域的有效利用，都仍存在诸多问题需进一步探究解决。其中，伴随北斗导航卫星系统的全面建成使用，如何进一步完善基于多系统GNSS观测高精度反演大气产品的处理策略，探究不同映射函数、信号频率、对流层约束类型、多系统定权以及大气负载等因素对反演过程及产品精度的影响，寻求一套最优的多系统GNSS反演大气信息处理方法，并利用各类模型方法有效实现其在极端天气短临预警预报与气候变化分析中的应用，将是未来GNSS大气反演的研究重要方向。此外，近年来，全球范围GNSS连续观测站网中大气探测数据的不断累积，为大地测量领域时空大数据分析带来前所未有的新机遇，如何充分挖掘并高效利用GNSS历史大数据中蕴含的信息，也有待进一步开展更为深入系统的研究。
| [1] |
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, 1992, 97(D14): 15787-15801. DOI:10.1029/92JD01517 |
| [2] |
BRAUN J, ROCKEN C, LILJEGREN J. Comparisons of line-of-sight water vapor observations using the global positioning system and a pointing microwave radiometer[J]. Journal of Atmospheric and Oceanic Technology, 2003, 20(5): 606-612. DOI:10.1175/1520-0426(2003)20<606:COLOSW>2.0.CO;2 |
| [3] |
BYUN S H, BAR-SEVER Y E. A new type of troposphere zenith path delay product of the international GNSS service[J]. Journal of Geodesy, 2009, 83(3-4): 1-7. DOI:10.1007/s00190-008-0288-8 |
| [4] |
EMARDSON T R, ELGERED G, JOHANSSON J M. Three months of continuous monitoring of atmospheric water vapor with a network of Global Positioning System receivers[J]. Journal of Geophysical Research: Atmospheres, 1998, 103(D2): 1807-1820. DOI:10.1029/97JD03015 |
| [5] |
ROCKEN C, VAN HOVE T, JOHNSON J, et al. GPS/STORM-GPS sensing of atmospheric water vapor for meteorology[J]. Journal of Atmospheric and Oceanic Technology, 1995, 12(3): 468-478. DOI:10.1175/1520-0426(1995)012<0468:GSOAWV>2.0.CO;2 |
| [6] |
WOLFE D E, GUTMAN S I. Developing an operational, surface-based, GPS, water vapor observing system for NOAA: network design and results[J]. Journal of Atmospheric and Oceanic Technology, 2000, 17(4): 426-440. DOI:10.1175/1520-0426(2000)017<0426:DAOSBG>2.0.CO;2 |
| [7] |
陈俊勇. 地基GPS遥感大气水汽含量的误差分析[J]. 测绘学报, 1998, 27(2): 22-27. CHEN Junyong. On the error analysis for the remote sensing of atmospheric water vapor by ground based GPS[J]. Acta Geodaetica et Cartographica Sinica, 1998, 27(2): 22-27. |
| [8] |
李成才, 毛节泰, 李建国, 等. 全球定位系统遥感水汽总量[J]. 科学通报, 1999, 44(3): 333-336. LI Chengcai, MAO Jietai, LI Jianguo, et al. Atmospheric precipitable water using global navigation satellite system[J]. Chinese Science Bulletin, 1999, 44(3): 333-336. DOI:10.3321/j.issn:0023-074X.1999.03.024 |
| [9] |
朱文耀, 王小亚, 熊永清, 等. 上海天文台GPS地面气象学研究和试验结果[C]//中国全球定位系统技术应用协会第六次年会论文集. 北京: 中国全球定位系统技术应用协会, 2001. ZHU Wenyao, WANG Xiaoya, XIONG Yongqing, et al. GPS meteorology in Shanghai astronomical observatiory[C]//Proceedings of 2001 Annual metting of GNSS and LBS Association of China. Beijing: China Global Positioning System Technology Application Association, 2001. |
| [10] |
丁金才, 叶其欣. 长江三角洲地区近实时GPS气象网[J]. 气象, 2003, 29(6): 26-30. DING Jincai, YE Qixin. Near-real time GPS meteorological network in Yangtze river delta area[J]. Meteorological Monthly, 2003, 29(6): 26-30. |
| [11] |
宋淑丽, 朱文耀, 丁金才, 等. 上海GPS网层析水汽三维分布改善数值预报湿度场[J]. 科学通报, 2005, 50(20): 2271-2277. SONG Shuli, ZHU Wenyao, DING Jincai, et al. Improve the accuracy of the humidity field from numerical weather prediction model using the three-dimensional water vapor tomography result in Shanghai GNSS network[J]. Chinese Science Bulletin, 2005, 50(20): 2271-2277. DOI:10.3321/j.issn:0023-074X.2005.20.016 |
| [12] |
毕研盟, 毛节泰, 李成才, 等. 利用GPS的倾斜路径观测暴雨过程中的水汽空间分布[J]. 大气科学, 2006, 30(6): 1169-1176. BI Yanmeng, MAO Jietai, LI Chengcai, et al. Spatial distribution of water vapor observed with GPS along slant path in a storm system[J]. Chinese Journal of Atmospheric Sciences, 2006, 30(6): 1169-1176. DOI:10.3878/j.issn.1006-9895.2006.06.11 |
| [13] |
宋伟伟. 导航卫星实时精密钟差确定及实时精密单点定位理论方法研究[D]. 武汉: 武汉大学, 2011. SONG Weiwei. Research on real-time clock offset determination and real-time precise point positioning[D]. Wuhan: Wuhan University, 2011. |
| [14] |
杨晓春, 张鹏飞, 王建鹏, 等. 基于精密单点定位的GPS水汽解算及应用[J]. 陕西气象, 2013, 3(3): 28-30. YANG Xiaochun, ZHANG Pengfei, WANG Jianpeng, et al. Derivation and application of the water vapor based on GNSS precise point[J]. Journal of Shaanxi Meteorology, 2013, 3(3): 28-30. DOI:10.3969/j.issn.1006-4354.2013.03.009 |
| [15] |
朱爽, 姚宜斌, 张瑞. 天顶对流层延迟计算方法研究[J]. 大地测量与地球动力学, 2011, 31(3): 120-123. ZHU Shuang, YAO Yibin, ZHANG Rui. Research on calculation methods of zenith tropospheric delay[J]. Journal of Geodesy and Geodynamics, 2011, 31(3): 120-123. |
| [16] |
LI Xingxing, DICK G, GE Maorong, et al. Real-time GPS sensing of atmospheric water vapor: precise point positioning with orbit, clock, and phase delay corrections[J]. Geophysical Research Letters, 2014, 41(10): 3615-3621. DOI:10.1002/2013GL058721 |
| [17] |
LI Xingxing, TAN Han, LI Xin, et al. Real-time sensing of precipitable water vapor from BeiDou observations: Hong Kong and CMONOC networks[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(15): 7897-7909. |
| [18] |
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 |
| [19] |
LU Cuixian, LI Xingxing, ZUS F, et al. Improving BeiDou real-time precise point positioning with numerical weather models[J]. Journal of Geodesy, 2017, 91(9): 1019-1029. DOI:10.1007/s00190-017-1005-2 |
| [20] |
SUN Peng, ZHANG Kefei, WU Suqin, et al. Retrieving precipitable water vapor from real-time precise point positioning using VMF1/VMF3 forecasting products[J]. Remote Sensing, 2021, 13(16): 3245. DOI:10.3390/rs13163245 |
| [21] |
TUNALI E. Water vapor monitoring with IGS RTS and GPT3/VMF3 functions over Turkey[J]. Advances in Space Research, 2022, 69(6): 2376-2390. DOI:10.1016/j.asr.2021.12.036 |
| [22] |
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. |
| [23] |
HE Jia, LIU Zhizhao. Applying the new MODIS-based precipitable water vapor retrieval algorithm developed in the north hemisphere to the south hemisphere[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 4100812. |
| [24] |
ZHANG Bao, YAO Yibin. Precipitable water vapor fusion based on a generalized regression neural network[J]. Journal of Geodesy, 2021, 95(3): 36. DOI:10.1007/s00190-021-01482-z |
| [25] |
ZHU Dantong, ZHANG Kefei, YANG Liu, et al. Evaluation and calibration of MODIS near-infrared precipitable water vapor over china using GNSS observations and ERA-5 reanalysis dataset[J]. Remote Sensing, 2021, 13(14): 2761. DOI:10.3390/rs13142761 |
| [26] |
KRIETEMEYER A, TEN VELDHUIS M C, VAN DER MAREL H, et al. Potential of cost-efficient single frequency GNSS receivers for water vapor monitoring[J]. Remote Sensing, 2018, 10(9): 1493. DOI:10.3390/rs10091493 |
| [27] |
DE OLIVEIRA MARQUES T, MÄKELÄ M, MONTLOIN L, et al. Towards tropospheric delay estimation using GNSS smartphone receiver network[J]. Advances in Space Research, 2021, 68(12): 4794-4805. DOI:10.1016/j.asr.2020.09.041 |
| [28] |
GONG Yangzhao, LIU Zhizhao, FOSTER J H. Evaluating the accuracy of satellite-based microwave radiometer PWV products using shipborne GNSS observations across the Pacific Ocean[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 5802210. |
| [29] |
SHOJI Y, SATO K, YABUKI M, et al. PWV retrieval over the ocean using shipborne GNSS receivers with MADOCA real-time orbits[J]. SOLA, 2016, 12: 265-271. DOI:10.2151/sola.2016-052 |
| [30] |
FAN Shijie, ZANG Jianfei, PENG Xiuying, et al. Validation of atmospheric water vapor derived from ship-borne GPS measurements in the Chinese Bohai Sea[J]. Terrestrial Atmospheric and Oceanic Sciences, 2016, 27(2): 213-220. DOI:10.3319/TAO.2015.11.04.01(A) |
| [31] |
WU Zhilu, LIU Yanxiong, LIU Yang, et al. Validating HY-2A CMR precipitable water vapor using ground-based and shipborne GNSS observations[J]. Atmospheric Measurement Techniques, 2020, 13(9): 4963-4972. DOI:10.5194/amt-13-4963-2020 |
| [32] |
WU Zhilu, LU Cuixian, ZHENG Yuxin, et al. Evaluation of shipborne GNSS precipitable water vapor over global oceans from 2014 to 2018[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5802515. |
| [33] |
SHOJI Y, SATO K, YABUKI M, et al. Comparison of shipborne GNSS-derived precipitable water vapor with radiosonde in the western North Pacific and in the seas adjacent to Japan[J]. Earth, Planets and Space, 2017, 69(1): 153. DOI:10.1186/s40623-017-0740-1 |
| [34] |
王帅民. 基于GNSS和再分析资料的ZTD/PWV精度评定与模型构建方法研究[D]. 济南: 山东大学, 2021. WANG Shuaimin. Research on accuracy evaluation and model establishment of ZTD/PWV based on GNSS and reanalysis[D]. Jinan: Shandong University, 2021. |
| [35] |
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. GB/T 33700-2017地基导航卫星遥感水汽观测规范[S]. 北京: 中国标准出版社, 2017. General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China. GB/T 33700-2017 Specification for the ground-based GNSS water vapor remote sensing observation[S]. Beijing: Standards Press of China, 2017. |
| [36] |
ALBER C, WARE R, ROCKEN C, et al. Obtaining single path phase delays from GPS double differences[J]. Geophysical Research Letters, 2000, 27(17): 2661-2664. DOI:10.1029/2000GL011525 |
| [37] |
WARE R, ALBER C, ROCKEN C, et al. Sensing integrated water vapor along GPS ray paths[J]. Geophysical Research Letters, 1997, 24(4): 417-420. DOI:10.1029/97GL00080 |
| [38] |
范士杰, 刘焱雄, 高兴国, 等. 顾及星间单差残差的GPS斜路径水汽含量估计[J]. 武汉大学学报(信息科学版), 2012, 37(7): 834-838. FAN Shijie, LIU Yanxiong, GAO Xingguo, et al. Estimate of GPS slant-path water vapor based on single-differenced residuals between satellites[J]. Geomatics and Information Science of Wuhan University, 2012, 37(7): 834-838. |
| [39] |
万蓉, 付志康, 李武阶, 等. 地基GPS斜路径水汽反演技术及资料应用初探[J]. 气象, 2015, 41(4): 447-455. WAN Rong, FU Zhikang, LI Wujie, et al. Slant path water vapor retrieval with GPS and application in rainstorm analysis[J]. Meteorological Monthly, 2015, 41(4): 447-455. |
| [40] |
张双成, 刘经南, 叶世榕, 等. 顾及双差残差反演GPS信号方向的斜路径水汽含量[J]. 武汉大学学报(信息科学版), 2009, 34(1): 100-104. ZHANG Shuangcheng, LIU Jingnan, YE Shirong, et al. Retrieval of water vapor along the GPS slant path based on double-differenced residuals[J]. Geomatics and Information Science of Wuhan University, 2009, 34(1): 100-104. |
| [41] |
BRAUN J, ROCKEN C, MEERTENS C, et al. Development of a water vapor tomography system using low cost L1 GPS receivers[C]//Proceedings of the 9th ARM Science Team Meeting Proceedings. San Antonio, Texas, 1999.
|
| [42] |
FLORES A, RUFFINI G, RIUS A. 4D tropospheric tomography using GPS slant wet delays[J]. Annales Geophysicae, 2000, 18(2): 223-234. DOI:10.1007/s00585-000-0223-7 |
| [43] |
CAO Yunchang, CHEN Yongqi, LI Pingwha. Wet refractivity tomography with an improved Kalman-filter method[J]. Advances in Atmospheric Sciences, 2006, 23(5): 693-699. DOI:10.1007/s00376-006-0693-y |
| [44] |
HIRAHARA K. Local GPS tropospheric tomography[J]. Earth, Planets and Space, 2000, 52(11): 935-939. DOI:10.1186/BF03352308 |
| [45] |
ROHM W, BOSY J. The verification of GNSS tropospheric tomography model in a mountainous area[J]. Advances in Space Research, 2011, 47(10): 1721-1730. DOI:10.1016/j.asr.2010.04.017 |
| [46] |
BENDER M, DICK G, WICKERT J, et al. Estimates of the information provided by GPS slant data observed in Germany regarding tomographic applications[J]. Journal of Geophysical Research: Atmospheres, 2009, 114(D6): D06303. |
| [47] |
SHANGGUAN M, BENDER M, RAMATSCHI M, et al. GPS tomography: validation of reconstructed 3D humidity fields with radiosonde profiles[J]. Annales Geophysicae, 2013, 31(9): 1491-1505. DOI:10.5194/angeo-31-1491-2013 |
| [48] |
丁楠. 地基GNSS水汽层析关键技术研究[D]. 徐州: 中国矿业大学, 2018. DING Nan. Study on the key technologies in ground-based GNSS tomography[D]. Xuzhou: China University of Mining and Technology, 2018. |
| [49] |
YE Shirong, XIA Pengfei, CAI Changsheng. Optimization of GPS water vapor tomography technique with radiosonde and COSMIC historical data[J]. Annales Geophysicae, 2016, 34(9): 789-799. DOI:10.5194/angeo-34-789-2016 |
| [50] |
何秀凤, 詹伟, 施宏凯. 顾及边界信号及垂直约束的GNSS水汽层析方法[J]. 测绘学报, 2021, 50(7): 853-862. HE Xiufeng, ZHAN Wei, SHI Hongkai. A GNSS water vapor tomography method considering boundary signals and vertical constraint[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(7): 853-862. |
| [51] |
张文渊, 郑南山, 张书毕, 等. 附加高水平分辨率PWV约束的GNSS水汽层析算法[J]. 武汉大学学报(信息科学版), 2021, 46(11): 1627-1635. ZHANG Wenyuan, ZHENG Nanshan, ZHANG Shubi, et al. GNSS water vapor tomography algorithm constrained with high horizontal resolution PWV data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1627-1635. |
| [52] |
YAO Yibin, ZHAO Qingzhi. A novel, optimized approach of voxel division for water vapor tomography[J]. Meteorology and Atmospheric Physics, 2017, 129(1): 57-70. DOI:10.1007/s00703-016-0450-4 |
| [53] |
YAO Yibin, ZHAO Qingzhi. Maximally using GPS observation for water vapor tomography[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12): 7185-7196. DOI:10.1109/TGRS.2016.2597241 |
| [54] |
ZHAO Qingzhi, ZHANG Kefei, YAO Yibin, et al. A new troposphere tomography algorithm with a truncation factor model (TFM) for GNSS networks[J]. GPS Solutions, 2019, 23(3): 64. DOI:10.1007/s10291-019-0855-x |
| [55] |
ZHANG Wenyuan, ZHANG Shubi, CHANG Guobin, et al. A new hybrid observation GNSS tomography method combining the real and virtual inverted signals[J]. Journal of Geodesy, 2021, 95(12): 128. DOI:10.1007/s00190-021-01576-8 |
| [56] |
HEUBLEIN M, ALSHAWAF F, ERDNVß B, et al. Compressive sensing reconstruction of 3D wet refractivity based on GNSS and InSAR observations[J]. Journal of Geodesy, 2019, 93(2): 197-217. DOI:10.1007/s00190-018-1152-0 |
| [57] |
LIU Chen, YAO Yibin, XU Chaoqian. Conventional and neural network-based water vapor density model for GNSS troposphere tomography[J]. GPS Solutions, 2022, 26(1): 4. DOI:10.1007/s10291-021-01188-x |
| [58] |
DING Nan, ZHANG Shubi, WU Suqin, et al. Adaptive node parameterization for dynamic determination of boundaries and nodes of GNSS tomographic models[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(4): 1990-2003. DOI:10.1002/2017JD027748 |
| [59] |
WANG Hao, DING Nan, ZHANG Wenyuan. An adaptive non-uniform vertical stratification method for troposphere water vapor tomography[J]. Remote Sensing, 2021, 13(19): 3818. DOI:10.3390/rs13193818 |
| [60] |
BAKER H C, DODSON A H, PENNA N T, et al. Ground-based GPS water vapour estimation: potential for meteorological forecasting[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2001, 63(12): 1305-1314. DOI:10.1016/S1364-6826(00)00249-2 |
| [61] |
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): 11411-442462. |
| [62] |
FERREIRA V G, MONTECINO H C, NDEHEDEHE C E, et al. Space-based observations of crustal deflections for drought characterization in Brazil[J]. Science of the Total Environment, 2018, 644: 256-273. DOI:10.1016/j.scitotenv.2018.06.277 |
| [63] |
GUO Min, ZHANG Hanwei, XIA Pengfei. A method for predicting short-time changes in fine particulate matter (PM2.5) mass concentration based on the global navigation satellite system zenith tropospheric delay[J]. Meteorological Applications, 2020, 27(1): e1866. |
| [64] |
JONES J, GUEROVA G, DOUŠA J, et al. Advanced GNSS tropospheric products for monitoring severe weather events and climate: COST action ES1206 final action dissemination report[M]. Cham: Springer, 2020.
|
| [65] |
WANG Xiaoming, ZHANG Kefei, WU Suqin, et al. The correlation between GNSS-derived precipitable water vapor and sea surface temperature and its responses to El Niño-Southern Oscillation[J]. Remote Sensing of Environment, 2018, 216: 1-12. DOI:10.1016/j.rse.2018.06.029 |
| [66] |
LI Haobo, WANG Xiaoming, WU Suqin, et al. An improved model for detecting heavy precipitation using GNSS-Derived zenith total delay measurements[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 5392-5405. DOI:10.1109/JSTARS.2021.3079699 |
| [67] |
MANANDHAR S, DEV S, LEE Y H, et al. Systematic study of weather variables for rainfall detection[C]//Proceedings of 2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia, Spain: IEEE, 2018.
|
| [68] |
CHOY S, ZHANG Kefei, WANG Chuansheng, et al. Remote sensing of the earth's lower atmosphere during severe weather events using GPS technology: a study in Victoria, Australia[C]//Proceedings of 2011 ION GNSS 2011. Portland, OR: IEEE, 2011.
|
| [69] |
SEKO H, KAWABATA T, TSUYUKI T, et al. Impacts of GPS-derived water vapor and radial wind measured by Doppler radar on numerical prediction of precipitation[J]. Journal of the Meteorological Society of Japan. Ser. Ⅱ, 2004, 82(1B): 473-489. DOI:10.2151/jmsj.2004.473 |
| [70] |
SINGH R P, MISHRA N C, VERMA A, et al. Total precipitable water over the Arabian Ocean and the Bay of Bengal using SSM/I data[J]. International Journal of Remote Sensing, 2000, 21(12): 2497-2503. DOI:10.1080/01431160050030583 |
| [71] |
SINGH R P, DEY S, SAHOO A K, et al. Retrieval of water vapor using SSM/I and its relation with the onset of monsoon[J]. Annales Geophysicae, 2004, 22(8): 3079-3083. DOI:10.5194/angeo-22-3079-2004 |
| [72] |
李国平. 地基GPS水汽监测技术及气象业务化应用系统的研究[J]. 大气科学学报, 2011, 34(4): 385-392. LI Guoping. Research of remote sensing technology of atmospheric water vapor by using ground-based GPS and application system of meteorological operations[J]. Journal of Nanjing Institute of Meteorology, 2011, 34(4): 385-392. DOI:10.3969/j.issn.1674-7097.2011.04.001 |
| [73] |
SAPUCCI L F, MACHADO L A T, DE SOUZA E M, et al. Global positioning system precipitable water vapour (GPS-PWV) jumps before intense rain events: a potential application to nowcasting[J]. Meteorological Applications, 2019, 26(1): 49-63. DOI:10.1002/met.1735 |
| [74] |
WANG Binyan, ZHAO Linna, BAI Xuemei. The characteristics investigation of ground-based GPS/PWV during the"7·21"extreme rainfall event in Beijing[M]//SUN Jiadong, LIU Jingnan, FAN Shiwei, et al. China Satellite Navigation Conference (CSNC)2015 Proceedings: Volume Ⅱ. Berlin, Heidelberg: Springer, 2015.
|
| [75] |
MADHULATHA A, RAJEEVAN M, RATNAM M V, et al. Nowcasting severe convective activity over southeast India using ground-based microwave radiometer observations[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(1): 1-13. DOI:10.1029/2012JD018174 |
| [76] |
BARINDELLI S, REALINI E, VENUTI G, et al. Detection of water vapor time variations associated with heavy rain in northern Italy by geodetic and low-cost GNSS receivers[J]. Earth, Planets and Space, 2018, 70(1): 28. DOI:10.1186/s40623-018-0795-7 |
| [77] |
ZHANG Kefei, MANNING T, WU Suqin, et al. Capturing the signature of severe weather events in australia using GPS measurements[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(4): 1839-1847. DOI:10.1109/JSTARS.2015.2406313 |
| [78] |
LI Haobo, WANG Xiaoming, CHOY S, et al. A new cumulative anomaly-based model for the detection of heavy precipitation using GNSS-derived tropospheric products[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 4105718. |
| [79] |
LI Haobo, WANG Xiaoming, CHOY S, et al. Detecting heavy rainfall using anomaly-based percentile thresholds of predictors derived from GNSS-PWV[J]. Atmospheric Research, 2022, 265: 105912. DOI:10.1016/j.atmosres.2021.105912 |
| [80] |
YEH T K, SHIH H C, WANG Chuansheng, et al. Determining the precipitable water vapor thresholds under different rainfall strengths in Taiwan[J]. Advances in Space Research, 2018, 61(3): 941-950. DOI:10.1016/j.asr.2017.11.002 |
| [81] |
YEH T K, HONG Jingshan, WANG Chuansheng, et al. Determining the precipitable water vapor with ground-based GPS and comparing its yearly variation to rainfall over Taiwan[J]. Advances in Space Research, 2016, 57(12): 2496-2507. DOI:10.1016/j.asr.2016.04.002 |
| [82] |
ZHAO Qingzhi, YAO Yibin, YAO Wanqiang. GPS-based PWV for precipitation forecasting and its application to a typhoon event[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2018, 167: 124-133. DOI:10.1016/j.jastp.2017.11.013 |
| [83] |
BONAFONI S, BIONDI R, BRENOT H, et al. Radio occultation and ground-based GNSS products for observing, understanding and predicting extreme events: a review[J]. Atmospheric Research, 2019, 230: 104624. DOI:10.1016/j.atmosres.2019.104624 |
| [84] |
MARSHALL J L, NORMAN R, HOWARD D, et al. Using global navigation satellite system data for real-time moisture analysis and forecasting over the Australian region I. the system[J]. Journal of Southern Hemisphere Earth Systems Science, 2019, 69(1): 161-171. DOI:10.1071/ES19009 |
| [85] |
SECO A, RAMÍREZ F, SERNA E, et al. Rain pattern analysis and forecast model based on GPS estimated atmospheric water vapor content[J]. Atmospheric Environment, 2012, 49: 85-93. DOI:10.1016/j.atmosenv.2011.12.019 |
| [86] |
MANANDHAR S, LEE Y H, MENG Yusong, et al. GPS-Derived PWV for rainfall nowcasting in tropical region[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8): 4835-4844. DOI:10.1109/TGRS.2018.2839899 |
| [87] |
单路路, 姚宜斌, 赵庆志, 等. 基于GNSS PWV的短临降雨预测方法[J]. 测绘地理信息, 2019, 44(1): 22-26. SHAN Lulu, YAO Yibin, ZHAO Qingzhi, et al. A short-term rainfall forecasting method based on GNSS PWV data[J]. Journal of Geomatics, 2019, 44(1): 22-26. |
| [88] |
BENEVIDES P, CATALAO J, MIRANDA P M A. On the inclusion of GPS precipitable water vapour in the nowcasting of rainfall[J]. Natural Hazards and Earth System Sciences, 2015, 15(12): 2605-2616. DOI:10.5194/nhess-15-2605-2015 |
| [89] |
YAO Yibin, SHAN Lulu, ZHAO Qingzhi. Establishing a method of short-term rainfall forecasting based on GNSS-derived PWV and its application[J]. Scientific Reports, 2017, 7(1): 12465. DOI:10.1038/s41598-017-12593-z |
| [90] |
MANANDHAR S, LEE Y H, MENG Yusong. GPS-PWV based improved long-term rainfall prediction algorithm for tropical regions[J]. Remote Sensing, 2019, 11(22): 2643. DOI:10.3390/rs11222643 |
| [91] |
ZHAO Qingzhi, LIU Yang, MA Xiongwei, et al. An improved rainfall forecasting model based on GNSS observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(7): 4891-4900. DOI:10.1109/TGRS.2020.2968124 |
| [92] |
LI Haobo, WANG Xiaoming, WU Suqin, et al. Development of an improved model for prediction of short-term heavy precipitation based on GNSS-Derived PWV[J]. Remote Sensing, 2020, 12(24): 4101. DOI:10.3390/rs12244101 |
| [93] |
李黎, 匡翠林, 朱建军, 等. 基于实时精密单点定位技术的暴雨短临预报[J]. 地球物理学报, 2012, 55(4): 1129-1136. LI Li, KUANG Cuilin, ZHU Jianjun, et al. Rainstorm nowcasting based on GPS real-time precise point positioning technology[J]. Chinese Journal of Geophysics, 2012, 55(4): 1129-1136. DOI:10.6038/j.issn.0001-5733.2012.04.008 |
| [94] |
ZHAO Qingzhi, YAO Yibin, YAO Wanqiang, et al. Real-time precise point positioning-based zenith tropospheric delay for precipitation forecasting[J]. Scientific Reports, 2018, 8(1): 7939. DOI:10.1038/s41598-018-26299-3 |
| [95] |
BRENOT H, WALPERSDORF A, REVERDY M, et al. A GPS network for tropospheric tomography in the framework of the Mediterranean hydrometeorological observatory Cévennes-Vivarais (southeastern France)[J]. Atmospheric Measurement Techniques, 2014, 7(2): 553-578. DOI:10.5194/amt-7-553-2014 |
| [96] |
ŁOŚ M, SMOLAK K, GUEROVA G, 等. GNSS-based machine learning storm nowcasting[J]. Remote Sensing, 2020, 12(16): 2536. |
| [97] |
MANNING T, ZHANG K, ROHM W, et al. Detecting severe weather using GPS tomography: an Australian case study[J]. Journal of Global Positioning Systems, 2012, 11(1): 59-70. DOI:10.5081/jgps.11.1.59 |
| [98] |
ZHAO Qingzhi, MA Xiongwei, YAO Yibin. Preliminary result of capturing the signature of heavy rainfall events using the 2D/4D water vapour information derived from GNSS measurement in Hong Kong[J]. Advances in Space Research, 2020, 66(7): 1537-1550. DOI:10.1016/j.asr.2020.06.013 |
| [99] |
TOMASSINI M, GENDT G, DICK G, et al. Monitoring of integrated water vapour from ground-based GPS observations and their assimilation in a limited-area NWP model[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2002, 27(4-5): 341-346. DOI:10.1016/S1474-7065(02)00010-4 |
| [100] |
ZUS F. Application of global positioning system slant path delay data for mesoscale modelverification and four-dimensional variational assimilation[D]. Hohenheim: University of Hohenheim, 2011.
|
| [101] |
KUO Y H, ZOU X, GUO Y. Variational assimilation of precipitable water using a nonhydrostatic mesoscale adjoint model. Part Ⅰ: moisture retrieval and sensitivity experiments[J]. Monthly Weather Review, 1996, 124(1): 122-147. DOI:10.1175/1520-0493(1996)124<0122:VAOPWU>2.0.CO;2 |
| [102] |
KUO Y H, GUO Yongrun, WESTWATER E R. Assimilation of precipitable water measurements into a mesoscale numerical model[J]. Monthly Weather Review, 1993, 121(4): 1215-1238. DOI:10.1175/1520-0493(1993)121<1215:AOPWMI>2.0.CO;2 |
| [103] |
袁招洪, 丁金才, 陈敏. GPS观测资料应用于中尺度数值预报模式的初步研究[J]. 气象学报, 2004, 62(2): 200-212. YUAN Zhaohong, DING Jincai, CHEN Min. Preliminary study on applying GPS observations to mesoscale numerical weather prediction model[J]. Acta Meteorologica Sinica, 2004, 62(2): 200-212. |
| [104] |
DE PONDECA M S F V, ZOU Xiaolei. A case study of the variational assimilation of GPS zenith delay observations into a mesoscale model[J]. Journal of Applied Meteorology, 2001, 40(9): 1559-1576. DOI:10.1175/1520-0450(2001)040<1559:ACSOTV>2.0.CO;2 |
| [105] |
DE PONDECA M S F V, ZOU Xiaolei. Moisture retrievals from simulated zenith delay" observations"and their impact on short-range precipitation forecasts[J]. Tellus A: Dynamic Meteorology and Oceanography, 2001, 53(2): 192-214. DOI:10.3402/tellusa.v53i2.12186 |
| [106] |
CUCURULL L, VANDENBERGHE F, BARKER D, et al. Three-dimensional variational data assimilation of ground-based GPS ZTD and meteorological observations during the 14 December 2001 storm event over the western mediterranean sea[J]. Monthly Weather Review, 2004, 132(3): 749-763. DOI:10.1175/1520-0493(2004)132<0749:TVDAOG>2.0.CO;2 |
| [107] |
CUCURULL L, DERBER J C, TREADON R, et al. Assimilation of global positioning system radio occultation observations into NCEP's global data assimilation system[J]. Monthly Weather Review, 2007, 135(9): 3174-3193. DOI:10.1175/MWR3461.1 |
| [108] |
ERESMAA R, JÄRVINEN H. An observation operator for ground-based GPS slant delays[J]. Tellus A: Dynamic Meteorology and Oceanography, 2006, 58(1): 131-140. DOI:10.1111/j.1600-0870.2006.00154.x |
| [109] |
JÄRVINEN H, ERESMAA R, VEDEL H, et al. A variational data assimilation system for ground-based GPS slant delays[J]. Quarterly Journal of the Royal Meteorological Society, 2007, 133(625): 969-980. DOI:10.1002/qj.79 |
| [110] |
BAUER P, LOPEZ P, BENEDETTI A, et al. Implementation of 1D+4D-Var assimilation of precipitation-affected microwave radiances at ECMWF. I: 1D-Var[J]. Quarterly Journal of the Royal Meteorological Society, 2006, 132(620): 2277-2306. DOI:10.1256/qj.05.189 |
| [111] |
SEKO H, KAWABATA T, TSUYUKI T, et al. Impacts of GPS-derived water vapor and radial wind measured by Doppler radar on numerical prediction of precipitation[J]. Journal of the Meteorological Society of Japan. Ser. Ⅱ, 2004, 82(1B): 473-489. DOI:10.2151/jmsj.2004.473 |
| [112] |
HANNA N, TRZCINA E, MÖLLER G, et al. Assimilation of GNSS tomography products into the weather research and forecasting model using radio occultation data assimilation operator[J]. Atmospheric Measurement Techniques, 2019, 12(9): 4829-4848. DOI:10.5194/amt-12-4829-2019 |
| [113] |
TRZCINA E, HANNA N, KRYZA M, et al. TOMOREF operator for assimilation of GNSS tomography wet refractivity fields in WRF DA system[J]. Journal of Geophysical Research: Atmospheres, 2020, 125(17): e2020JD032451. |
| [114] |
BENNITT G V, JUPP A. Operational assimilation of GPS zenith total delay observations into the met office numerical weather prediction models[J]. Monthly Weather Review, 2012, 140(8): 2706-2719. DOI:10.1175/MWR-D-11-00156.1 |
| [115] |
DE HAAN S. Assimilation of GNSS ZTD and radar radial velocity for the benefit of very-short-range regional weather forecasts[J]. Quarterly Journal of the Royal Meteorological Society, 2013, 139(677): 2097-2107. DOI:10.1002/qj.2087 |
| [116] |
MILE M, BENÁČEK P, RÓZSA S. The use of GNSS zenith total delays in operational AROME/Hungary 3D-var over a central European domain[J]. Atmospheric Measurement Techniques, 2019, 12(3): 1569-1579. DOI:10.5194/amt-12-1569-2019 |
| [117] |
ROHM W, GUZIKOWSKI J, WILGAN K, et al. 4DVAR assimilation of GNSS zenith path delays and precipitable water into a numerical weather prediction model WRF[J]. Atmospheric Measurement Techniques, 2019, 12(1): 345-361. DOI:10.5194/amt-12-345-2019 |
| [118] |
陈敏, 范水勇, 仲跻芹, 等. 全球定位系统的可降水量资料在北京地区快速更新循环系统中的同化试验[J]. 气象学报, 2010, 68(4): 450-463. CHEN Min, FAN Shuiyong, ZHONG Jiqin, et al. An experimental study of assimilating the global position system-precipitable water vapor observations into the rapid updated cycle system for the Beijing area[J]. Acta Meteorologica Sinica, 2010, 68(4): 450-463. DOI:10.3969/j.issn.1001-7313.2010.04.008 |
| [119] |
丁金才, 袁招洪, 杨引明, 等. bbGPS/PWV资料三维变分同化改进MM5降水预报连续试验的评估[J]. 气象, 2007, 33(6): 11-18. DING Jincai, YUAN Zhaohong, YANG Yinming, et al. Evaluation of the continuous experiment of 3-dimentional variation assimilation of GPS/PWV data into MM5 model to improve the precipitation forecasts[J]. Meteorological Monthly, 2007, 33(6): 11-18. |
| [120] |
顾莹, 日下博幸, 束炯, 等. 实时GPS可降水量资料的变分同化个例研究[J]. 气象科学, 2010, 30(2): 172-178. GU Ying, KUSAKA H, SHU Jiong, et al. A case study of variational assimilation of true real-time GPS precipitable water[J]. Scientia Meteorologica Sinica, 2010, 30(2): 172-178. DOI:10.3969/j.issn.1009-0827.2010.02.005 |
| [121] |
万文龙, 张杰, 朱克云, 等. GPS-PW资料在川西暴雨中的应用研究[J]. 安徽农业科学, 2010, 38(13): 6759-6764. WAN Wenlong, ZHANG Jie, ZHU Keyun, et al. Study on the application of GPS-PW data in the rainstorm in western Sichuan[J]. Journal of Anhui Agricultural Sciences, 2010, 38(13): 6759-6764. DOI:10.3969/j.issn.0517-6611.2010.13.061 |
| [122] |
朱丰, 徐国强, 李莉, 等. 同化青藏高原地区GPSPW数据对长江中下游地区降水预报的影响评估[J]. 大气科学, 2014, 38(1): 171-189. ZHU Feng, XU Guoqiang, LI Li, et al. An assessment of the impact on precipitation prediction in the middle and lower reaches of the Yangtze river made by assimilating GPSPWV data in the Tibetan Plateau[J]. Chinese Journal of Atmospheric Sciences, 2014, 38(1): 171-189. |
| [123] |
朱男男, 沈桐立, 朱伟军. 一次降水过程的GPS可降水量资料同化试验[J]. 南京气象学院学报, 2008, 31(1): 26-32. ZHU Nannan, SHEN Tongli, ZHU Weijun. An adjoint assimilation experiment of GPS precipitable water[J]. Journal of Nanjing Institute of Meteorology, 2008, 31(1): 26-32. DOI:10.3969/j.issn.1674-7097.2008.01.004 |
| [124] |
TRZCINA E, ROHM W. Estimation of 3D wet refractivity by tomography, combining GNSS and NWP data: first results from assimilation of wet refractivity into NWP[J]. Quarterly Journal of the Royal Meteorological Society, 2019, 145(720): 1034-1051. DOI:10.1002/qj.3475 |
| [125] |
BENEVIDES P, CATALAO J, NICO G. Neural network approach to forecast hourly intense rainfall using GNSS precipitable water vapor and meteorological sensors[J]. Remote Sensing, 2019, 11(8): 966. DOI:10.3390/rs11080966 |
| [126] |
BONIFACE K, DUCROCQ V, JAUBERT G, et al. Impact of high-resolution data assimilation of GPS zenith delay on Mediterranean heavy rainfall forecasting[J]. Annales Geophysicae, 2009, 27(7): 2739-2753. DOI:10.5194/angeo-27-2739-2009 |
| [127] |
BOUKABARA S A, KRASNOPOLSKY V, PENNY S G, et al. Outlook for exploiting artificial intelligence in the earth and environmental sciences[J]. Bulletin of the American Meteorological Society, 2021, 102(5): E1016-E1032. DOI:10.1175/BAMS-D-20-0031.1 |
| [128] |
CAO Yujing, GUO Hang, LIAO Rongwei, et al. Analysis of water vapor characteristics of regional rainfall around Poyang lake using ground-based GPS observations[J]. Acta Geodaetica et Geophysica, 2016, 51(3): 467-479. DOI:10.1007/s40328-015-0137-1 |
| [129] |
GAGNE Ⅱ D J, HAUPT S E, NYCHKA D W, et al. Interpretable deep learning for spatial analysis of severe hailstorms[J]. Monthly Weather Review, 2019, 147(8): 2827-2845. DOI:10.1175/MWR-D-18-0316.1 |
| [130] |
REICHSTEIN M, CAMPS-VALLS G, STEVENS B, et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature, 2019, 566(7743): 195-204. DOI:10.1038/s41586-019-0912-1 |
| [131] |
SANGIORGIO M, BARINDELLI S, BIONDI R, et al. Improved extreme rainfall events forecasting using neural networks and water vapor measures[C]//Proceedings of the 6th International Conference on Time Series and Forecasting. Granada, Spain: [s. n. ], 2019.
|
| [132] |
李永华, 刘德, 金龙. 基于BP神经网络的汛期降水预测模型研究[J]. 气象科学, 2002, 22(4): 461-467. LI Yonghua, LIU De, JIN Long. Study on rainfall prediction model in rain season based on BP neural network[J]. Scientia Meteorologica Sinica, 2002, 22(4): 461-467. DOI:10.3969/j.issn.1009-0827.2002.04.011 |
| [133] |
吴清佳, 张庆平, 万健. 遗传神经网络的智能天气预报系统[J]. 计算机工程, 2005, 31(14): 176-177, 189. WU Qingjia, ZHANG Qingping, WAN Jian. Application of ANN in weather forecast[J]. Computer Engineering, 2005, 31(14): 176-177, 189. DOI:10.3969/j.issn.1000-3428.2005.14.064 |
| [134] |
艾艳. 短期降水预报BP神经网络预报方法研究[D]. 郑州: 郑州大学, 2004. AI Yan. Study on the short-term rainfall prediction based on BP neural network[D]. Zhengzhou: Zhengzhou University, 2004. |
| [135] |
潘璇. 基于神经网络的多模式天气集成预报研究[D]. 天津: 天津科技大学, 2014. PAN Xuan. Research of multi-model integration weather forecast based on neural network[D]. TianJin: Tianjin University of Science and Technology, 2014. |
| [136] |
焦阳. 基于卫星遥感图像的降雨监测系统[D]. 南京: 南京信息工程大学, 2013. JIAO Yang. Rainfall monitoring system based on satellite remote sensing image[D]. Nanjing: Nanjing University of Information Science and Technology, 2013. |
| [137] |
MANANDHAR S, DEV S, LEE Y H, et al. A data-driven approach for accurate rainfall prediction[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(11): 9323-9331. DOI:10.1109/TGRS.2019.2926110 |
| [138] |
LIU Yang, ZHAO Qingzhi, YAO Wanqiang, et al. Short-term rainfall forecast model based on the improved BP-NN algorithm[J]. Scientific Reports, 2019, 9(1): 19751. DOI:10.1038/s41598-019-56452-5 |
| [139] |
BURKE A, SNOOK N, GAGNE II D J, et al. Calibration of machine learning-based probabilistic hail predictions for operational forecasting[J]. Weather and Forecasting, 2020, 35(1): 149-168. DOI:10.1175/WAF-D-19-0105.1 |
| [140] |
LI Haobo, WANG Xiaoming, ZHANG Kefei, et al. A neural network-based approach for the detection of heavy precipitation using GNSS observations and surface meteorological data[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2021, 225: 105763. DOI:10.1016/j.jastp.2021.105763 |
| [141] |
WANG Junhong, ZHANG Liangying, DAI Aiguo, et al. A near-global, 2-hourly data set of atmospheric precipitable water from ground-based GPS measurements[J]. Journal of Geophysical Research: Atmospheres, 2007, 112(D11): D11107. DOI:10.1029/2006JD007529 |
| [142] |
ALSHAWAF F, FUHRMANN T, KNÖPFLER A, et al. Accurate estimation of atmospheric water vapor using GNSS observations and surface meteorological data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(7): 3764-3771. DOI:10.1109/TGRS.2014.2382713 |
| [143] |
马赛, 岳迎春, 上官明, 等. 基于GNSS的MODIS大气可降水量校正模型[J]. 南京信息工程大学学报, 2021, 13(2): 154-160. MA Sai, YUE Yingchun, SHANGGUAN Ming, et al. A correction model for MODIS precipitable water vapor based on GNSS data[J]. Journal of Nanjing University of Information Science & Technology, 2021, 13(2): 154-160. |
| [144] |
GUEROVA G, JONES J, DOUŠA J, et al. Review of the state of the art and future prospects of the ground-based GNSS meteorology in Europe[J]. Atmospheric Measurement Techniques, 2016, 9(11): 5385-5406. DOI:10.5194/amt-9-5385-2016 |
| [145] |
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 |
| [146] |
VENEMA V K C, MESTRE O, AGUILAR E, et al. Benchmarking homogenization algorithms for monthly data[J]. Climate of the Past, 2012, 8(1): 89-115. DOI:10.5194/cp-8-89-2012 |
| [147] |
GUO Yanjun, DING Yihui. Impacts of reference time series on the homogenization of radiosonde temperature[J]. Advances in Atmospheric Sciences, 2011, 28(5): 1011-1022. DOI:10.1007/s00376-010-9211-3 |
| [148] |
VEY S, DIETRICH R, FRITSCHE M, et al. On the homogeneity and interpretation of precipitable water time series derived from global GPS observations[J]. Journal of Geophysical Research: Atmospheres, 2009, 114(D10): D10101. DOI:10.1029/2008JD010415 |
| [149] |
GRADINARSKY L P, JOHANSSON J M, BOUMA H R, et al. Climate monitoring using GPS[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2002, 27(4-5): 335-340. DOI:10.1016/S1474-7065(02)00009-8 |
| [150] |
LARSON K M, BRAUN J J, SMALL E E, et al. GPS multipath and its relation to near-surface soil moisture content[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2010, 3(1): 91-99. DOI:10.1109/JSTARS.2009.2033612 |
| [151] |
PIERDICCA N, GUERRIERO L, GIUSTO R, et al. SAVERS: a simulator of GNSS reflections from bare and vegetated soils[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(10): 6542-6554. DOI:10.1109/TGRS.2013.2297572 |
| [152] |
NING T, ELGERED G, JOHANSSON J M. The impact of microwave absorber and radome geometries on GNSS measurements of station coordinates and atmospheric water vapour[J]. Advances in Space Research, 2011, 47(2): 186-196. DOI:10.1016/j.asr.2010.06.023 |
| [153] |
LUND R, WANG X L, LU Qiqi, et al. Changepoint detection in periodic and autocorrelated time series[J]. Journal of Climate, 2007, 20(20): 5178-5190. DOI:10.1175/JCLI4291.1 |
| [154] |
LINDAU R, VENEMA V. On the multiple breakpoint problem and the number of significant breaks in homogenization of climate records[J]. Idojaras, 2013, 117(1): 1-34. |
| [155] |
LUND R, REEVES J. Detection of undocumented changepoints: a revision of the two-phase regression model[J]. Journal of Climate, 2002, 15(17): 2547-2554. DOI:10.1175/1520-0442(2002)015<2547:DOUCAR>2.0.CO;2 |
| [156] |
WANG X L, WEN Q H, WU Yuehua. Penalized maximal t test for detecting undocumented mean change in climate data series[J]. Journal of Applied Meteorology and Climatology, 2007, 46(6): 916-931. DOI:10.1175/JAM2504.1 |
| [157] |
GAZEAUX J, WILLIAMS S, KING M, et al. Detecting offsets in GPS time series: first results from the detection of offsets in GPS experiment[J]. Journal of Geophysical Research: Solid Earth, 2013, 118(5): 2397-2407. DOI:10.1002/jgrb.50152 |
| [158] |
NING T, ELGERED G, WILLÉN U, et al. Evaluation of the atmospheric water vapor content in a regional climate model using ground-based GPS measurements[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(2): 329-339. DOI:10.1029/2012JD018053 |
| [159] |
STEIGENBERGER P, TESMER V, KRVGEL M, et al. Comparisons of homogeneously reprocessed GPS and VLBI long time-series of troposphere zenith delays and gradients[J]. Journal of Geodesy, 2007, 81(6-8): 503-514. DOI:10.1007/s00190-006-0124-y |
| [160] |
THOMAS I D, KING M A, CLARKE P J, et al. Precipitable water vapor estimates from homogeneously reprocessed GPS data: an intertechnique comparison in Antarctica[J]. Journal of Geophysical Research: Atmospheres, 2011, 116(D4): D04107. |
| [161] |
REEVES J, CHEN J, WANG X L, et al. A review and comparison of changepoint detection techniques for climate data[J]. Journal of Applied Meteorology and Climatology, 2007, 46(6): 900-915. DOI:10.1175/JAM2493.1 |
| [162] |
VAN MALDEREN R, POTTIAUX E, KLOS A, et al. Homogenizing GPS integrated water vapor time series: benchmarking break detection methods on synthetic data sets[J]. Earth and Space Science, 2020, 7(5): e2020EA001121. |
| [163] |
EASTERLING D R, PETERSON T C. A new method for detecting undocumented discontinuities in climatological time series[J]. International Journal of Climatology, 1995, 15(4): 369-377. DOI:10.1002/joc.3370150403 |
| [164] |
WANG X L. Penalized maximal F test for detecting undocumented mean shift without trend change[J]. Journal of Atmospheric and Oceanic Technology, 2008, 25(3): 368-384. DOI:10.1175/2007JTECHA982.1 |
| [165] |
WANG X L. Accounting for autocorrelation in detecting mean shifts in climate data series using the penalized maximal t or F test[J]. Journal of Applied Meteorology and Climatology, 2008, 47(9): 2423-2444. DOI:10.1175/2008JAMC1741.1 |
| [166] |
DAI Aiguo, WANG Junhong, THORNE P W, et al. A new approach to homogenize daily radiosonde humidity data[J]. Journal of Climate, 2011, 24(4): 965-991. DOI:10.1175/2010JCLI3816.1 |
| [167] |
NING T, WICKERT J, DENG Z, et al. Homogenized time series of the atmospheric water vapor content obtained from the GNSS reprocessed data[J]. Journal of Climate, 2016, 29(7): 2443-2456. DOI:10.1175/JCLI-D-15-0158.1 |
| [168] |
BOCK O, COLLILIEUX X, GUILLAMON F, et al. A breakpoint detection in the mean model with heterogeneous variance on fixed time intervals[J]. Statistics and Computing, 2020, 30(1): 195-207. DOI:10.1007/s11222-019-09853-5 |
| [169] |
RODIONOV S N. A sequential algorithm for testing climate regime shifts[J]. Geophysical Research Letters, 2004, 31(9): L09204. |
| [170] |
HOSEINI M, ALSHAWAF F, NAHAVANDCHI H, et al. Towards a zero-difference approach for homogenizing GNSS tropospheric products[J]. GPS Solutions, 2020, 24(1): 8. DOI:10.1007/s10291-019-0915-2 |
| [171] |
ZHU Dantong, ZHANG Kefei, SHEN Zhen, et al. A new adaptive absolute method for homogenizing GNSS-derived precipitable water vapor time series[J]. Earth and Space Science, 2021, 8(7): e2021EA001716. |
| [172] |
ROSS R J, ELLIOTT W P. Radiosonde-based Northern hemisphere tropospheric water vapor trends[J]. Journal of Climate, 2001, 14(7): 1602-1612. DOI:10.1175/1520-0442(2001)014<1602:RBNHTW>2.0.CO;2 |
| [173] |
TRENBERTH K E, FASULLO J, SMITH L. Trends and variability in column-integrated atmospheric water vapor[J]. Climate Dynamics, 2005, 24(7): 741-758. |
| [174] |
WANG Junhong, DAI Aiguo, MEARS C. Global water vapor trend from 1988 to 2011 and its diurnal asymmetry based on GPS, radiosonde, and microwave satellite measurements[J]. Journal of Climate, 2016, 29(14): 5205-5222. DOI:10.1175/JCLI-D-15-0485.1 |
| [175] |
ALSHAWAF F, ZUS F, BALIDAKIS K, et al. On the statistical significance of climatic trends estimated from GPS tropospheric time series[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(19): 10967-10990. DOI:10.1029/2018JD028703 |
| [176] |
ALSHAWAF F, BALIDAKIS K, DICK G, et al. Estimating trends in atmospheric water vapor and temperature time series over Germany[J]. Atmospheric Measurement Techniques, 2017, 10(9): 3117-3132. DOI:10.5194/amt-10-3117-2017 |
| [177] |
PARRACHO A C, BOCK O, BASTIN S. Global IWV trends and variability in atmospheric reanalyses and GPS observations[J]. Atmospheric Chemistry and Physics, 2018, 18(22): 16213-16237. DOI:10.5194/acp-18-16213-2018 |
| [178] |
LEES E, BOUSQUET O, ROY D, et al. Analysis of diurnal to seasonal variability of integrated water vapour in the South Indian Ocean basin using ground-based GNSS and fifth-generation ECMWF reanalysis (ERA5) data[J]. Quarterly Journal of the Royal Meteorological Society, 2021, 147(734): 229-248. DOI:10.1002/qj.3915 |
| [179] |
ZIV S Z, YAIR Y, ALPERT P, et al. The diurnal variability of precipitable water vapor derived from GPS tropospheric path delays over the Eastern Mediterranean[J]. Atmospheric Research, 2021, 249: 105307. DOI:10.1016/j.atmosres.2020.105307 |
| [180] |
BERNET L, BROCKMANN E, VAN CLARMANN T, et al. Trends of atmospheric water vapour in Switzerland from ground-based radiometry, FTIR and GNSS data[J]. Atmospheric Chemistry and Physics, 2020, 20(19): 11223-11244. DOI:10.5194/acp-20-11223-2020 |
| [181] |
JIN Shuanggen, LI Z, CHO J. Integrated water vapor field and multiscale variations over China from GPS measurements[J]. Journal of Applied Meteorology and Climatology, 2008, 47(11): 3008-3015. DOI:10.1175/2008JAMC1920.1 |
| [182] |
ZHAO Tianbao. Correlation between atmospheric water vapor and diurnal temperature range over China[J]. Atmospheric and Oceanic Science Letters, 2014, 7(4): 369-379. DOI:10.1080/16742834.2014.11447192 |
| [183] |
ZHAO Tianbao, DAI Aiguo, WANG Junhong. Trends in tropospheric humidity from 1970 to 2008 over China from a homogenized radiosonde dataset[J]. Journal of Climate, 2012, 25(13): 4549-4567. DOI:10.1175/JCLI-D-11-00557.1 |
| [184] |
CHEN Jiaona, LI Guoping. Diurnal variations of ground-based GPS-PWV under different solar radiation intensity in the Chengdu Plain[J]. Journal of Geodynamics, 2013, 72: 81-85. DOI:10.1016/j.jog.2013.08.002 |
| [185] |
ZHANG Weixing, LOU Yidong, [JP1] 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 |
| [186] |
FOSTER J, BEVIS M, SCHROEDER T, et al. El Niño, water vapor, and the global positioning system[J]. Geophysical Research Letters, 2000, 27(17): 2697-2700. DOI:10.1029/2000GL011429 |
| [187] |
DESSLER A E, WONG S. Estimates of the water vapor climate feedback during el niño-southern oscillation[J]. Journal of Climate, 2009, 22(23): 6404-6412. DOI:10.1175/2009JCLI3052.1 |
| [188] |
SUPARTA W, ISKANDAR A, SINGH M, [JP1] et al. [JP1] Impact of La Niña event in Southeast Asia region during the year 2011 from GPS observation[C]//Proceedings of 2012 International Conference on Green & Ubiquitous Technology. Bandung, Indonesia: IEEE, 2012.
|
| [189] |
JIANG Weiping, YUAN Peng, CHEN Hua, et al. Annual variations of monsoon and drought detected by GPS: a case study in Yunnan, China[J]. Scientific Reports, 2017, 7(1): 5874. DOI:10.1038/s41598-017-06095-1 |
| [190] |
ZHAO Qingzhi, LIU Yang, YAO Wanqiang, et al. A novel ENSO monitoring method using precipitable water vapor and temperature in southeast china[J]. Remote Sensing, 2020, 12(4): 649. DOI:10.3390/rs12040649 |
| [191] |
KHUTOROVA O G, KHUTOROV V E, TEPTIN G M. Tropospheric water vapor long-term periodicities and ENSO relation in european territory of russia[J]. Earth and Space Science, 2019, 6(12): 2480-2486. DOI:10.1029/2019EA000704 |