非均匀各向异性背景场约束下的地基GNSS实时层析三维水汽分布研究

Retrieving accurate information on atmospheric water vapor distribution with high spatiotemporal resolution timely can contribute to analyze formation and evolution of severe mesoscale weather system, and such information is significant to the monitoring and forecasting of meoscale disastrous weather. Ground-based GNSS tomography of water vapor is a very promising technology to reconstruct high-spatiotemporal-resolution three-dimensional atmospheric vapor fields. However, tomographic accuracy is still limited by the inaccurate background constraints and the nonideal spatial distribution of observation data. In order to improve the defect of traditional methods, this study proposes a tomographic scheme using heterogeneous-anisotropic background error covariances constraint, and multi-type water vapor measurements are combined together to reconstruct three-dimensional water vapor structures. Firstly, we will build a global high spatial resolution grid model of the conversion coefficients between surface air temperature and weighted mean temperature, which can improve the retrieval precision of slant water vapor content. Then the method to generate heterogeneous-anisotropic water vapor background error covariances accurately and robustly in near-real-time tomographic system is proposed. Flow-dependent moisture information can thus be introduced into the background covariances constraint promptly. Finally based on different tomographic function model and stochastic model, fusion scheme of multi-source moisture observations in near-real-time tomographic systems will be developed to improve the data distribution in voxels. The tomographic approach researched and developed in this program has important research value. It can improve the accuracy and stability of tomographic results effectively, and solve several key problems of the existing methods.

及时精确获取高时空分辨率大气水汽信息有助于分析中尺度恶劣天气系统的形成和演变，对中尺度灾害性天气的监测与预报具有重要作用，地基GNSS反演大气水汽是当前获取高时空分辨率水汽分布最具潜力的技术之一。目前地基GNSS层析大气三维水汽场技术还存在背景约束信息不准确、观测值空间分布结构不理想等关键问题，对此本项目提出非均匀各向异性背景场约束下多源数据联合重构三维水汽场的方法：研究建立覆盖全球的高分辨率地表温度-加权平均温度转换系数格网模型，提高路径水汽含量反演精度；提出在实时三维水汽层析系统中构建稳健准确的非均匀各向异性背景场误差协方差矩阵，引入依赖于流场的背景场约束信息；融合多类型实时水汽观测资料，建立适应不同数据源的层析函数模型和随机模型，改善观测值空间分布。本项目研究的层析方法，可提高层析水汽三维分布技术的精度与可靠性，有效克服现有方法中存在的不足，具有重要的研究价值。

地基GNSS水汽探测拥有快速、准确、时空分辨率高、全天候连续观测等优势，通过不同技术手段，地基GNSS气象系统能够反演垂直气柱可降水量、垂直水汽廓线等关键水汽信息，是传统水汽探测手段的重要补充，为各种天气监测预报、气候研究等提供了关键数据支持。在项目计划书中，我们围绕着地基GNSS水汽探测中加权平均温度计算模型精度与其时空通用性之间的矛盾、水汽垂直廓线重构中约束信息不准确、多类型实时气象观测数据融合等问题制定了研究内容。基于拟定的研究内容，本项目系统开展了GNSS数据处理及水汽反演等方面的研究工作，建立了一套时变全球格网Ts-Tm模型；基于深度学习网络发展了一种无线电探空、地面气象、GNSS融合的高时间分辨率实时水汽廓线反演方法，提高了地基GNSS水汽反演的精度与适用性；另外，还围绕高精度GNSS数据处理获取高精度对流层延迟等开展了若干研究。归纳起来，主要研究内容和成果如下：.结合研究目标，基于全球ERA-Interim再分析资料，建立了一套0.75×0.75度全球格网Ts-Tm时变模型。该模型能够根据实时地面气温Ts计算得到高精度加权平均温度Tm值，与全球探空结果的对比证明该模型的精度大大优于传统静态模型，全球适用性好。在60.03%的探空站点都为最优模型，而排名第二的GPT2w模型仅在12.86%的测站上为最优；在全球IGS测站的测试表明，74.32%的测站GNSS反演可降水量相对精度优于1%，而其他模型的该比例仅为29.73%至41.89%之间。.对于实时大气约束模型建立困难的问题，引入深度学习方法代替建立显性约束模型，基于大量观测数据，训练优化了深度学习网络ANN（Artificial Neural Network），建立了多种类型气象数据与实时水汽廓线之间的隐性非线性关系，实现了以近期无线电探空资料为初始值、实时地面气象与GNSS水汽为实时更新数据的单站水汽廓线反演方法。与无线电探空及Raman激光雷达探空结果比较表明，在不同湿度条件下，ANN方法能够与传统层析方法同等精度水平的重建不同特征的水汽垂直廓线，时间分辨率可达10分钟。该方法只需一台GNSS接收机，显著降低了地基GNSS反演水汽垂直分布的实现难度。