Precision test and analysis of MERRA-2 vapor products in Qinghai-tibet plateau
-
摘要: MERRA-2是当前最新发布的大气再分析资料,其提供的格网水汽产品具有较高的时空分辨率,但尚无文献对MERRA-2水汽产品在青藏高原地区的适用性予以评价. 因此,亟需开展青藏高原地区MERRA-2水汽产品的适用性分析. 根据MERRA-2格网水汽数据和格网点位势数据,建立了青藏高原地区的水汽垂直剖面函数,并利用水汽垂直剖面函数将格网点水汽值插值计算到临近探空站点或全球卫星导航系统(GNSS)站点上,再利用双线性插值法进行水平方向上的水汽插值计算,进行精度分析. 研究表明:高原地区测站间日均偏差(bias)多数分布在2 mm以内,月均偏差均小于1 mm,MERRA-2水汽产品在高原中部和北部精度较高,南部精度较低.Abstract: MERRA-2 is the latest atmospheric reanalysis data, and the grid water vapor products provided by it have high temporal and spatial resolution, but there is still no literature to evaluate the applicability of MERRA-2 water vapor products in Qinghai-Tibet Plateau. It is urgent to carry out the applicability analysis of MERRA-2 water vapor products in this region. In this paper, the water vapor vertical profile function of Qinghai-Tibet Plateau is established by using MERRA-2 grid water vapor data and lattice dot height data, and the water vapor value of lattice dot is calculated to nearby sounding station or the Global Navigation Satellite System (GNSS) station by using water vapor vertical profile function, and then the bilinear interpolation method is used to calculate the water vapor interpolation in horizontal direction. Finally, the accuracy analysis is carried out. The results show that the daily average deviation between stations in the plateau area is mostly within 2 mm, and the monthly average deviation is less than 1 mm. While the accuracy of MERRA-2 water vapor products is higher in the middle and north of the plateau and lower in the south.
-
0. 引 言
水汽是大气的重要组成部分,是极端天气形成和演化的重要因素[1]. 诸多研究学者提出了多种大气再分析资料,在多种数据驱动下结合经过严格质量控制的观测数据,利用资料同化技术和数值预报模式得到历史观测数据,如美国国家环境预报中心再分析数据(CFSR)、欧洲气象中心资料(ERA-Interim)和美国国家航空航天局(NASA)的MERRA(Modem-Era Retrospective Analysis for Research and Applications)再分析数据集. 在夏季,青藏高原地区的水汽含量直接影响着长江流域的水汽流[2],对研究青藏高原地区的水汽变化具有重要意义. 文献[3-5]评估了多种再分析降水数据在青藏高原地区的适用性,分析了青藏高原大气水汽含量的时空变化特征,结果表明:ERA-Interim 与MERRA 再分析资料对青藏高原夏季大气水汽含量特征的模拟较为一致. 文献[6-10]对广西、新疆、昆明、湖南等地区的水汽转换系数和加权平均温度进行了研究,构建了适合各个地区的模型. NASA对MERRA产品进行改进得到MERRA-2大气再分析资料[10],MERRA-2是当前最新发布的大气再分析资料,其提供的格网水汽产品具有较高的时空分辨率,但尚无文献对MERRA-2水汽产品在青藏高原地区的适用性予以评价. 因此,本文利用位于青藏高原地区的探空站资料和中国陆态网全球卫星导航系统(GNSS)观测数据对MERRA-2格网水汽产品的适用性进行了评估.
1. 水汽计算基础理论
1.1 GNSS反演大气水汽的基本原理
GNSS信号在穿过对流层时会发生折射而产生信号延迟,而大气参数与信号延迟之间有很好的相关性,因而可以通过GNSS技术反演大气参数,研究大气中的水汽含量. GNSS反演大气可降水量(PWV)的步骤:首先,由测站的静态数据通过相应的GNSS解算软件解算出对流层天顶总延迟(
${\text{ZTD}}$ ),由地面实测气压通过天顶静力延迟计算模型(Saastamoinen模型、Hopfield模型、Black模型)计算出天顶静力延迟($ {\text{ZHD}} $ ),即可得到对流层湿延迟($ {\text{ZWD}} $ ). 然后计算水汽转换系数$\Pi $ :$$ \Pi = \frac{{1{0^6}}}{{{\rho _w }{R_v}(k_2' + {k_3}/{T_m})}} , $$ (1) $$ k_2' = \frac{{k_2} - {k_1}{R_d}}{R_v}. $$ (2) 式中:
${\;\rho _w}$ 为液态水的密度(一般取103 kg/m3);${R_v}$ =461.495 J/(kg·K)为水汽的气体常数;${k_1}$ 、${k_2}$ 、${k_3}$ 为大气折射常数,一般采用Thayer(1974年)计算出来的值,分别为77.604、64.790、3.776;Rd为干空气的气体常数. 最后,由${\text{ZWD}}$ 乘以水汽转换系数$\Pi $ 便可得到${\text{PWV}}$ .1.2 不同站点间气象元素的插值计算方法
在计算GNSS站点的可降水量时,由于缺乏实测地面气温和地面气压数据,需要将气象站的气象元素订正为GNSS站点的气象元素. 插值时,大气温度垂直递减率一般取–6.5 K/km,GNSS测站的地面气温
${T_g}$ 和地面气压${P_g}$ 的插值方案为[1]:$$ {T_g} = {T_s} - 6.5 \cdot ({h_g} - {h_s}) , $$ (3) $$ {P_g} = {P_s} \cdot {\left(\frac{{{T_g}}}{{{T_s}}}\right)^{{{{e}}_m}}} . $$ (4) 式中:
${T_s}$ 和${P_s}$ 分别为气象站的地面气温(K)和地面气压(hPa);${h_g}$ 为GNSS站点的大地高(km);${h_s}$ 为气象站的海拔高度(km);幂指数${e_m}$ 取常数5.245 958 7.2. 数据及其处理
2.1 MERRA-2数据
MERRA-2是由最新的美国宇航局全球模拟与同化办公室推出的高分辨率全球再分析资料. 通过访问NASA戈达德地球科学数据和信息服务中心(GES DISC)的网址使用MERRA-2产品. MERRA-2[11]水汽同化数据包含有经度、纬度、时间、地面气压、表面皮肤温度、总可降水量(TQV)等多种气象数据. 本次实验数据采用的是“inst1_2d_asm_Nx”数据,时间分辨率为1 h,空间格网为二维、单层、全水平分辨率. 经度数据范围为–180°~+179.375°,纬度数据范围为–90°~90°,数据分辨率为0.5°×0.625°. MERRA-2格网点位势高度数据可以从“inst3_3d_asm_Np”数据中下载PHIS,然后除以重力加速度g(取常数等于9.806 65 m/s2),可以得到格网点高度数据.
2.2 探空数据和GNSS数据
探空数据[12]是在探空站点处于每天08:00和20:00(北京时)释放探空气球两次,观测其测站上空的大气气压、海拔、温度、相对湿度、露点、温度露点差、风向、风速等气象要素所组成的数据集,其数据可以从怀俄明大学天气数据网站(http://weather.uwyo.edu/upperair/sounding.html )下载. 通过访问中国地震局GNSS数据产品服务平台(ftp://ftp.cgps.ac.cn/products/troposphere/)可以下载
${\text{ZTD}}$ 数据,其值采用国际通用的高精度数据处理软件GAMIT、Bernese等进行精密数据处理和数据分析所计算得到的最终结果.3. MERRA-2水汽产品建模及精度分析
3.1 模型构建
图1为本文选取2015年青藏高原地区10个探空站点和18个GNSS站点的可降水量数据作为数据评价指标,△为探空站点,○为GNSS站点.
为了探究青藏高原地区的格网水汽与格网点高度的关系,先画出格网点的日均水汽值、GNSS站点日均可降水量、探空站点日均可降水量与高程的散点图. 如图2所示,在1 500 m高程左右日均可降水量出现GNSS反演水汽与水汽产品相差较大的情况,这是由于在高原不同地区高程变化不均匀导致的格网水汽的不同,从趋势来看,可以看出日均可降水量与高程之间的关系呈现负指数形式,随着高程的增加,可降水量逐渐减小,最高点的日均可降水量约为5 mm.
可降水量与高程呈现负指数关系,即
$$ {\text{PWV}} = a \cdot {e^{ - bH}}. $$ (5) 式中:参数
$a$ 、$b$ 均为常数;${\text{PWV}}$ 为可降水量;$H$ 为高程.可降水量的变化呈现周期性,为了更好地分析可降水量与高程的关系,依据四季的变化来描绘可降水量与高程的关系. 其中,每个季度的负指数拟合情况如表1所示.
表 1 四个季度的负指数拟合情况季度 $a$ $b$ 拟合优度R2 RMSE 春季(3~5月) 24.71 0.000 396 9 0.837 7 2.575 夏季(6~8月) 52.27 0.000 376 9 0.898 1 4.063 秋季(9~11月) 26.79 0.000 369 2 0.887 6 3.110 冬季(12~2月) 13.74 0.000 448 5 0.840 8 1.441 在进行水汽插值的过程中,水汽在垂直方向上波动较大,垂直方向上的插值对水汽精度分析尤为重要. 对于任意不同高程的两点A、B有
$$ \frac{{{\text{PW}}{{\text{V}}_A}}}{{{\text{PW}}{{\text{V}}_B}}} = \frac{{a \cdot {e^{ - b{H_A}}}}}{{a \cdot {e^{ - b{H_B}}}}} = {e^{ - b({H_A} - {H_B})}} . $$ (6) 记
$h = {H_A} - {H_B}$ ,则有$$ {\text{PW}}{{\text{V}}_A} = {\text{PW}}{{\text{V}}_B} \times {e^{ - bh}}. $$ (7) 式中:
${\text{PW}}{{\text{V}}_A}$ 为A点的可降水量;${\text{PW}}{{\text{V}}_B}$ 为B点的可降水量;${H_A}$ 为A点的高程;${H_B}$ 为B点的高程;$h$ 为A、B两点的高差.由表1可知,夏季和秋季的拟合偏差值均方根误差(RMSE)较大,这是由于水汽变化的季节性因素引起的. 一年中这段时间的水汽含量较大,从而青藏高原地区高程变化不均匀,MERRA-2水汽产品在一定格网内的值在垂直方向上插值时会引起较大误差. 从负指数的拟合情况来看,将MERRA-2水汽产品进行季节性拟合,其RMSE在5 mm以内,拟合的可靠性较高,在一定程度上有利于将水汽产品在垂直方向上进行插值分析.
3.2 精度分析
3.2.1 GNSS水汽反演可靠性检验
为了评价GNSS站点的水汽反演效果,本文选取了高原地区的四个并址站(玉树、拉萨、和田、昌都)进行分析. 图3选取了玉树和昌都这两个并址站,绘制了GNSS站可降水量GNSS PWV与探空站可降水量RS PWV的相关趋势图,从图中可以看出两者成强相关性,且相关性均在0.9以上,其拟合优度R2均在0.85以上,由表2可知, GNSS反演可降水量与探空站实测的可降水量的相比,具有较高的精度,均在5 mm以内.
表 2 四个并址站GNSS反演可降水量情况站点 相关系数K 拟合优度R2 RMSE 玉树 0.907 7 0.929 8 1.244 拉萨 0.994 5 0.853 6 3.503 和田 0.983 7 0.939 0 1.812 昌都 0.901 6 0.901 6 1.770 3.2.2 MERRA-2水汽产品检验
为了评估MERRA-2水汽产品的精度,本文以平均偏差(bias)和RMSE为准则进行准确度评估,并按下列方法计算:
$$ {\text{bias}} = \frac{1}{N}\sum\limits_{i = 1}^N {({\text{PW}}{{\text{V}}^{{M_i}}} - } {\text{PW}}{{\text{V}}^{{R_i}}}),$$ (8) $$ {\text{RMSE}} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^N {({\text{PW}}{{\text{V}}^{{M_i}}} - } {\text{PW}}{{\text{V}}^{{R_i}}}{)^2}} . $$ (9) 式中:
${\text{PW}}{{\text{V}}^{{M_i}}}$ 是MERRA-2水汽产品插值计算出的可降水量;${\text{PW}}{{\text{V}}^{{R_i}}}$ 是探空站或GNSS站点处的可降水量;N为实验样本数.为了分析MERRA-2水汽产品在青藏高原地区的整体精度,图4绘制了测站间日均偏差与年积日、测站间日均方根误差与年积日的关系. 由图4可知,日均偏差在3 mm以内,多数偏差值在2 mm以下;日均方根误差除极个别年积日外均在5 mm以下,这说明MERRA-2水汽产品的可靠性较高. 本文统计了日均偏差和日均分根误差的分布情况,绘制了图5的柱形图,从图5(a)中可以得知,日均偏差多数分布在2 mm以内,其中−0.5~−0.1 mm的为数最多,有77天,大于2 mm的只占了4天. 图5(b)中,日均分根误差在2.7~3 mm之中的天数最多,大于5 mm的仅有7天,总体而言大多均在2.7~4 mm,精度较高.
为了分析站点间月均偏差和月均方根误差,绘制了图6所示的折线图,由图6可知,站点间月均偏差在1月、2月、3月、5月、11月、12月较小,基本都在0.3 mm以下,4月、6月、7月、8月、9月、10月的偏差较大,均在0.4 mm以上. 但总的来说,月均偏差都没超过1 mm,MERRA-2水汽产品精度是比较高的. 6月份的月均方根误差是最大的,达到了近1.4 mm,此时处于夏季,水汽波动较大,属于正常现象. 由图7(a)可知,站点的月均偏差值较大的在青藏高原南部和东部,最大月均偏差可达1.6 mm,月均偏差较小的主要集中在青藏高原中部和北部地区;由图7(b)可知,青藏高原中部和东北部,站点的月均方根误差值基本都在1 mm以下,RMSE较小的集中在那曲站和合作站附近,MERRA-2水汽产品精度相对而言较高.
4. 结束语
本文利用MERRA-2格网数据、探空站数据、GNSS数据三种数据源,建立了青藏高原地区的水汽垂直剖面函数模型,并利用函数模型将格网点水汽插值计算到临近站点上,与探空站实测可降水量或GNSS反演可降水量进行对比,进而在日均、月均两个时间维度上进行精度分析,分析了青藏高原各区域的MERRA-2水汽产品精度,得出如下结论:
1)通过探究MERRA-2格网水汽与高程的关系,发现水汽与高程之间呈现负指数的关系. 通过拟合每个季度的水汽构建出了四个水汽垂直剖面函数,拟合得出的剖面函数为:
${\text{PWV}} = a \cdot {e^{ - bH}}$ ,在春季,$a$ =24.71,$b$ =0.000 396 9;夏季,$a$ =52.27,$b$ =0.000 376 9;秋季,$a$ =26.79,$b$ =0.000 369 2;冬季,$a$ =13.74,$b$ =0.000 448 5.2)通过水汽垂直剖面函数,将MERRA-2格网水汽值归算到测站点高度处后再进行双线性插值计算,与探空站实测可降水量或GNSS反演可降水量进行对比分析,结果表明:MERRA-2水汽产品在青藏高原中部和北部可靠性较高,精度较高,在青藏高原南部精度较低.
-
表 1 四个季度的负指数拟合情况
季度 $a$ $b$ 拟合优度R2 RMSE 春季(3~5月) 24.71 0.000 396 9 0.837 7 2.575 夏季(6~8月) 52.27 0.000 376 9 0.898 1 4.063 秋季(9~11月) 26.79 0.000 369 2 0.887 6 3.110 冬季(12~2月) 13.74 0.000 448 5 0.840 8 1.441 表 2 四个并址站GNSS反演可降水量情况
站点 相关系数K 拟合优度R2 RMSE 玉树 0.907 7 0.929 8 1.244 拉萨 0.994 5 0.853 6 3.503 和田 0.983 7 0.939 0 1.812 昌都 0.901 6 0.901 6 1.770 -
[1] 李国平. 地基GPS气象学[M]. 北京: 科学出版社, 2010. [2] 周长艳, 唐信英, 李跃清. 青藏高原及周边地区水汽、水汽输送相关研究综述[J]. 高原山地气象研究, 2012, 32(3): 76-83. DOI: 10.3969/j.issn.1674-2184.2012.03.017 [3] 胡增运, 倪勇勇, 邵华, 等. CFSR、ERA-Interim和MERRA降水资料在中亚地区的适用性[J]. 干旱区地理, 2013, 36(4): 700-708. [4] 陈丹, 周长艳, 邓梦雨. 利用多种再分析资料对比分析青藏高原夏季大气水汽含量变化情况[J]. 高原山地气象研究, 2018, 38(3): 1-6. DOI: 10.3969/j.issn.1674-2184.2018.03.001 [5] 陈香萍, 杨翼飞, 李小行, 等. 青藏高原地区水汽转换系数H模型反演GPS大气可降水量的适用性分析[J]. 桂林理工大学学报, 2018, 38(2): 283-288. DOI: 10.3969/j.issn.1674-9057.2018.02.015 [6] 刘立龙, 姚朝龙, 熊思, 等. 基于插值气压的GPS反演大气可降水量研究[J]. 大地测量与地球动力学, 2013, 33(3): 72-78. [7] 刘立龙, 黎峻宇, 蔡成辉, 等. 广西地区大气水汽转换系数的K值模型[J]. 桂林理工大学学报, 2017, 37(1): 103-107. DOI: 10.3969/j.issn.1674-9057.2017.01.014 [8] 黎峻宇, 刘立龙, 蔡成辉, 等. 新疆地区地基GPS加权平均温度模型的建立与分析[J]. 桂林理工大学学报, 2017, 37(1): 108-113. DOI: 10.3969/j.issn.1674-9057.2017.01.015 [9] 穆宝胜, 施昆. 地基GPS水汽反演昆明地区加权平均温度的模型建立[J]. 测绘科学, 2013, 38(3): 98-99. [10] 李黎, 樊奕茜, 王亮, 等. 湖南地区加权平均温度的影响因素分析及建模[J]. 大地测量与地球动力学, 2018, 38(1): 48-52. [11] GELARO R, MCARTY W, SUÁREZ M J, et al. The modern-era retrospective analysis for research and applications, version 2 (MERRA-2)[J]. Journal of climate, 2017, 30(14): 5419-5454. DOI: 10.1175/JCLI-D-16-0758.1
[12] 探空资料[EB/OL]. (2017-06-07) [2019-11-02]. http://blog.sina.com.cn/s/blog_147c5cfee0102woqb.html -
期刊类型引用(0)
其他类型引用(1)