段茜茜，曲建光，高 偉，王帥民

(1.天津城建大學(xué) 地質(zhì)與測(cè)繪學(xué)院，天津 300384；2.黑龍江工程學(xué)院 測(cè)繪工程學(xué)院，黑龍江 哈爾濱 150050)

引用著錄：段茜茜，曲建光，高偉，等.基于GPS的MODIS近紅外可降水量季節(jié)性模型建立[J].測(cè)繪工程，2017，26(12)：21-27.

DOI:10.19349/j.cnki.issn1006-7949.2017.12.004

基于GPS的MODIS近紅外可降水量季節(jié)性模型建立

段茜茜1，曲建光2，高 偉1，王帥民1

(1.天津城建大學(xué) 地質(zhì)與測(cè)繪學(xué)院，天津 300384；2.黑龍江工程學(xué)院 測(cè)繪工程學(xué)院，黑龍江 哈爾濱 150050)

在考慮可降水量季節(jié)性變化的基礎(chǔ)上，提出利用GPS數(shù)據(jù)建立MODIS近紅外可降水量季節(jié)性模型。首先對(duì)比分析2014年北京房山(BJFS)站的GPS可降水量和相應(yīng)時(shí)間的MODIS近紅外可降水量數(shù)據(jù)，發(fā)現(xiàn)兩者之間的變化趨勢(shì)基本一致，存在顯著線性相關(guān)性；然后以GPS可降水量為標(biāo)準(zhǔn)值，利用回歸分析建立GPS和MODIS可降水量之間的季節(jié)和全年校正模型。經(jīng)檢驗(yàn)，GPS可降水量與四個(gè)季節(jié)模型校正的MODIS近紅外可降水量的均方根誤差均小于3 mm，最大誤差不超過(guò)6 mm，季節(jié)校正模型的精度都要高于全年校正模型。

GPS；可降水量；MODIS；校正；季節(jié)模型

精確的可降水量(precipitable water vapor, PWV)反演及其時(shí)空變化情況在降水預(yù)報(bào)、全球氣候變化研究和InSAR大氣校正中有重要的研究意義[1-3]。衛(wèi)星遙感和GPS反演是獲取大氣可降水量的重要手段[4-5]。MODIS可降水量數(shù)據(jù)(以下簡(jiǎn)稱(chēng)MODIS_PWV)具有尺度大、空間分布連續(xù)的優(yōu)勢(shì)，但精度不理想[6]。GPS反演可降水量(以下簡(jiǎn)稱(chēng)GPS_PWV)有快速、精確、時(shí)間分辨率高以及不受天氣影響等優(yōu)勢(shì)，但是由于地基GPS站點(diǎn)密度的限制，很難反映詳細(xì)的空間水汽變化情況[7]，因此綜合兩者優(yōu)勢(shì)，利用GPS_PWV校正MODIS_PWV具有重要的研究?jī)r(jià)值。目前，關(guān)于GPS_PWV和MODIS_PWV的相關(guān)性和模型建立的研究成果有很多，當(dāng)前研究?jī)H基于短期數(shù)據(jù)進(jìn)行相關(guān)性分析并建立模型[8-9]或者基于長(zhǎng)期數(shù)據(jù)只建立一個(gè)單一的模型[10-12]，模型精度比較低。

綜上所述，發(fā)現(xiàn)以往研究中缺少對(duì)不同季節(jié)GPS_PWV和MODIS_PWV的相關(guān)性分析、季節(jié)校正模型的建立。由于可降水量隨季節(jié)的變化較大，因此有必要建立GPS_PWV校正MODIS_PWV的季節(jié)模型。本文在考慮可降水量季節(jié)性變化的基礎(chǔ)上，以BJFS站2014年的GPS_PWV和MODIS_PWV展開(kāi)相關(guān)性分析，建立線性回歸模型，并用2015年的數(shù)據(jù)進(jìn)行模型的檢驗(yàn)。

1 數(shù)據(jù)的獲取

在美國(guó)國(guó)家航空航天局的網(wǎng)站可獲取全球范圍內(nèi)每日兩次的空間分辨率為1 km的近紅外可降水量數(shù)據(jù)，因?yàn)镸ODIS數(shù)據(jù)反演可降水量受云層的影響[13]，下載包含BJFS站的2014年和2015年的MODIS近紅外可降水量數(shù)據(jù)和云掩膜產(chǎn)品，剔除BJFS站對(duì)應(yīng)位置的有云影像，最終選擇該站點(diǎn)的晴空影像。通過(guò)NASA網(wǎng)站(ftp://cddis.gsfc.nasa.gov/pub/gps/)獲得與MODIS水汽值相同時(shí)間的2014年和2015年BJFS站的GPS觀測(cè)數(shù)據(jù)和氣象數(shù)據(jù)(溫度、氣壓)，這兩年該站的數(shù)據(jù)有部分缺失。

最后共得到2014年晴空條件下420對(duì)GPS_PWV和對(duì)應(yīng)的MODIS_PWV數(shù)據(jù)用于建立回歸模型，其中春夏秋冬四個(gè)季節(jié)各有107對(duì)、88對(duì)、115對(duì)和110對(duì)數(shù)據(jù)。選取2015年每個(gè)季節(jié)45對(duì)數(shù)據(jù)，共180對(duì)作為檢驗(yàn)數(shù)據(jù)。

2 GPS可降水量反演原理及精度驗(yàn)證

2.1 GPS可降水量反演原理

GPS可降水量反演[1,11]主要分為三步：首先，根據(jù)NASA網(wǎng)站獲得的BJFS站的大氣壓、緯度和大地高，使用Saastamoinen模型計(jì)算靜力學(xué)延遲；其次，對(duì)流層延遲減去靜力學(xué)延遲得到對(duì)流層濕延遲，對(duì)流層延遲從NASA網(wǎng)站下載得到；第三，對(duì)流層濕延遲乘以轉(zhuǎn)換系數(shù)得到可降水量，本文采用緯度和年積日來(lái)計(jì)算轉(zhuǎn)換系數(shù)。

2.2 精度驗(yàn)證

美國(guó)懷俄明大學(xué)提供每天0點(diǎn)和12點(diǎn)的可降水量實(shí)際觀測(cè)數(shù)據(jù)，檢驗(yàn)GPS反演可降水量的精度時(shí)，為代表全年的反演精度，選取2014年BJFS站每個(gè)月5日、10日、15日、20日、25日、30日0點(diǎn)和12點(diǎn)的GPS_PWV數(shù)據(jù)與實(shí)際觀測(cè)的可降水量進(jìn)行對(duì)比分析，因?yàn)樵撜?014年5月20日、25日，6月10日，8月5日，15日，10月15日，12月15日、30日GPS數(shù)據(jù)缺失，另外沒(méi)有1月10日12點(diǎn)的實(shí)測(cè)PWV，最終得到125對(duì)GPS和對(duì)應(yīng)的實(shí)際觀測(cè)的可降水量，兩者的比較圖如圖1所示，每對(duì)GPS_PWV和實(shí)測(cè)PWV的數(shù)值都很接近，兩者趨勢(shì)也保持一致見(jiàn)圖1。由相關(guān)性分析可得兩者之間呈現(xiàn)顯著的線性關(guān)系，R2達(dá)0.973，RMS僅為2.29 mm。因此，GPS反演的可降水量準(zhǔn)確性很高，可以作為標(biāo)準(zhǔn)值校正MODIS近紅外可降水量數(shù)據(jù)。

3 GPS_PWV與MODIS_PWV的相關(guān)性分析

根據(jù)2014年420對(duì)GPS_PWV與MODIS_PWV數(shù)據(jù)，其中春夏秋冬四個(gè)季節(jié)各有107對(duì)、88對(duì)、115對(duì)和110對(duì)數(shù)據(jù)，做出兩者之間四個(gè)季節(jié)和全年的比較圖，如圖2所示。通過(guò)相關(guān)性分析，發(fā)現(xiàn)GPS_PWV與MODIS_PWV之間呈現(xiàn)顯著的線性相關(guān)性，相關(guān)系數(shù)和顯著性sig值見(jiàn)表1。

表1 四個(gè)季節(jié)和全年的GPS_PWV與MODIS_PWV相關(guān)系數(shù)和sig值

由圖2可以看出，夏季GPS_PWV和MODIS_PWV較大，冬季GPS_PWV和MODIS_PWV較小，春季和秋季GPS_PWV和MODIS_PWV基本介于夏季和冬季之間。GPS_PWV和MODIS_PWV不同，存在一定的偏差，但是兩者的變化趨勢(shì)基本一致。由表1可得，四季和全年的GPS_PWV和MODIS_PWV間存在顯著的線性相關(guān)性，相關(guān)系數(shù)均在0.9以上，其中全年的相關(guān)系數(shù)最大為0.981，春季和冬季的相關(guān)系數(shù)相當(dāng)，分別為0.973和0.972，夏季的相關(guān)系數(shù)最小為0.912，說(shuō)明兩者的變化趨勢(shì)基本一致；四季和全年的顯著性sig值均為0，通過(guò)顯著性檢驗(yàn)。

圖2 四個(gè)季節(jié)和全年的GPS_PWV與MODIS_PWV比較

4 GPS_PWV校正MODIS_PWV的模型建立與模型可靠性檢驗(yàn)

4.1 模型的建立

由于GPS_PWV和MODIS_PWV之間有顯著線性相關(guān)性，因此可以做線性回歸分析。一元線性回歸模型[14]為

y=a×x+b+ε.

其中，a，b是回歸系數(shù)，ε為誤差項(xiàng)。

GPS_PWV全=0.794×MODIS_PWV全+0.256.

GPS_PWV春=0.766×MODIS_PWV春+0.304.

GPS_PWV夏=0.711×MODIS_PWV夏+4.458.

GPS_PWV秋=0.704×MODIS_PWV秋+1.632.

GPS_PWV冬=0.778×MODIS_PWV冬+0.015.

4.2 模型精度檢驗(yàn)

把2015年每個(gè)季節(jié)45對(duì)檢驗(yàn)數(shù)據(jù)，分別代入對(duì)應(yīng)的季節(jié)線性回歸方程和全年線性回歸方程中，得到的結(jié)果與GPS_PWV做比較見(jiàn)圖3。

從圖3可以看出，GPS_PWV、季節(jié)模型校正的MODIS_PWV、全年模型校正的MODIS_PWV 3種曲線的變化趨勢(shì)基本一致，季節(jié)模型校正的MODIS_PWV要比全年模型校正的MODIS_PWV更接近GPS_PWV，這說(shuō)明季節(jié)校正模型的精度相對(duì)全年校正模型要高。為說(shuō)明具體誤差，GPS_PWV與MODIS_PWV、季節(jié)模型校正的MODIS_PWV、全年模型校正的MODIS_PWV之間的均值、絕對(duì)值均值、絕對(duì)值最大誤差、均方根誤差結(jié)果見(jiàn)表2和圖4。

圖3 GPS_PWV和MODIS_PWV的四季、全年模型校正值比較

可降水量比較均值/mm絕對(duì)值均值/mm絕對(duì)值最大誤差/mm均方根誤差/mm春GPS與未校正-2.252.448.793.05GPS與春季模型校正-0.120.803.411.04GPS與全年模型校正1.381.393.981.78夏GPS與未校正-7.187.2013.127.82GPS與夏季模型校正-1.322.405.922.76GPS與全年模型校正5.615.617.545.83秋GPS與未校正-3.283.538.804.16GPS與秋季模型校正-0.151.203.491.51GPS與全年模型校正2.262.425.933.12冬GPS與未校正-0.981.184.581.44GPS與冬季模型校正0.120.633.250.90GPS與全年模型校正0.650.833.991.21

由表2和圖4可知，經(jīng)過(guò)模型校正后的MODIS_PWV精度更高，均值、絕對(duì)值均值、絕對(duì)值最大誤差和均方根誤差都要小于校正之前。季節(jié)模型校正的MODIS_PWV要比全年模型校正的MODIS_PWV精度高，季節(jié)模型校正后的4個(gè)誤差統(tǒng)計(jì)值均小于全年模型。

在四個(gè)季節(jié)校正模型中，夏季校正模型的精度最低，但要高于全年模型，未校正之前的均方根誤差為7.82 mm，全年模型校正后的均方根誤差為5.83 mm，季節(jié)模型校正后的均方根誤差為2.76 mm，未校正之前的均方根誤差約是季節(jié)模型校正后的2.8倍，全年模型校正后的均方根誤差是季節(jié)模型校正后的2倍多；冬季校正模型的精度最高，未校正之前的均方根誤差為1.44 mm，全年模型校正后的均方根誤差為1.21 mm，季節(jié)模型校正后的均方根誤差為0.90 mm，未校正之前的均方根誤差約是季節(jié)模型校正后的1.6倍。

總體上看，校正之后的MODIS_PWV要比校正前精度高，季節(jié)模型的校正效果要比全年模型好。四個(gè)季節(jié)的線性回歸方程可以用于校正MODIS_PWV。

5 結(jié) 論

通過(guò)利用BJFS站的GPS_PWV和MODIS_PWV進(jìn)行相關(guān)性分析，首次建立季節(jié)和全年的校正模型并驗(yàn)證結(jié)果，主要得出以下結(jié)論：

1)GPS_PWV和MODIS_PWV的變化趨勢(shì)基本一致，存在系統(tǒng)性偏差，四季和全年GPS_PWV和MODIS_PWV的相關(guān)系數(shù)分別為0.973、0.912、0.959、0.972和0.981，sig值都為0，存在顯著相關(guān)性。

2)以GPS_PWV為標(biāo)準(zhǔn)值，建立四個(gè)季節(jié)和全年的線性回歸模型，校正后的MODIS_PWV比校正前精度高，四個(gè)季節(jié)模型校正后的MODIS_PWV與GPS_PWV的均方根誤差都小于3 mm，四個(gè)季節(jié)校正模型的精度都要高于全年校正模型。

本文提出的季節(jié)性模型可以獲得更加精確的區(qū)域性連續(xù)的可降水量信息，為氣象學(xué)短期預(yù)報(bào)和InSAR大氣校正提供參考。

[1] 王勇,劉嚴(yán)萍.地基GPS氣象學(xué)原理與應(yīng)用研究[M].北京:測(cè)繪出版社,2012.

[2] CHOY S, WANG C S, YEH T K, et al.Precipitable Water Vapor Estimates in the Australian Region from Ground-Based GPS Observations[J].Advances in Meteorology, 2015, 2015:1-14.

[3] 常亮,郭立新,馮貴平.MODIS紅外水汽校正及其在InSAR大氣改正中的應(yīng)用[J].大地測(cè)量與地球動(dòng)力學(xué),2016,36(1):47-51.

[4] KULKARNI K, KUNTE K J, SONAWANE S H, et al.Calibration and Evaluation of Precipitable Water Vapor From MODIS Infrared Observations at Night[J].IEEE Transactions on Geoscience & Remote Sensing, 2015, 53(5):2612-2620.

[5] 范士杰, 臧建飛, 劉焱雄,等.GPT/2模型用于GPS大氣可降水汽反演的精度分析[J].測(cè)繪工程, 2016, 25(3):1-5.

[6] 李紅林, 李萬(wàn)彪.MODIS近紅外資料反演大氣水汽總含量[J].北京大學(xué)學(xué)報(bào)(自然科學(xué)版), 2008, 44(1):121-128.

[7] SOHN D H, CHO J, SOHN D H, et al.Trend Analysis of GPS Precipitable Water Vapor Above South Korea Over the Last 10 Years[J].Journal of Astronomy & Space Sciences, 2010, 27(3):231-238.

[8] 李艷永,崔彩霞,趙玲,等.基于MODIS的近紅外大氣水汽含量的反演及其與地基GPS水汽的對(duì)比分析[J].沙漠與綠洲氣象,2010,6(4):30-33.

[9] 方圣輝,畢創(chuàng),樂(lè)源,等.利用GPS可降水量校正MODIS近紅外水汽數(shù)據(jù)[J].測(cè)繪科學(xué),2016,41(9):38-41.

[10] 侯建國(guó),楊成生,張勤,等.GPS可降水汽與MODIS可降水汽回歸性分析[J].地理與地理信息科學(xué),2010,26(2):42-45,113.

[11] 曹艷豐,陳寶獻(xiàn),陳秀萬(wàn),等.基于GPS數(shù)據(jù)的MODIS大氣可降水量反演精度提高模型[J].遙感信息,2014,29(2):21-25.

[12] 張俊東,陳秀萬(wàn),李穎,等.基于GPS數(shù)據(jù)的MODIS近紅外水汽改進(jìn)反演算法研究[J].地理與地理信息科學(xué),2013,36(2):40-44.

[13] 張?zhí)忑?韋晶,甘敬民,等.利用MODIS近紅外數(shù)據(jù)反演大氣水汽含量研究[J].光譜學(xué)與光譜分析,2016,36(8):2378-2383.

[14] 汪冬華.多元統(tǒng)計(jì)分析與SPSS應(yīng)用[M].上海:華東理工大學(xué)出版社,2010：94-95.

[責(zé)任編輯：李銘娜]

SeasonalmodelestablishmentofMODISnearinfraredprecipitablewatervaporbasedonGPS

DUAN Xixi1，QU Jianguang2, GAO Wei1，WANG Shuaimin1

(1.School of Geology and Geomatics, Tianjin Chengjian University, Tianjin 300384, China; 2. College of Surveying and Mapping Engineering, Heilongjiang Institute of Technology, Haerbin 150050, China)

Considering the change of precipitable water vapor with the season, this paper puts forward to establish a seasonal model of MODIS near infrared precipitable water vapor based on GPS. Firstly, it carries out the correlation analysis of MODIS near infrared moisture product and precipitable water vapor by the meteorological data and zenith tropospheric delay data of Beijing Fangshan (BJFS) station. Results show that MODIS near infrared moisture product changes consistently with precipitable water vapor retrieved from ground-based GPS technology. There is a significant positive correlation of them. Then, GPS PWV is taken as the standard precipitable water vapor. The seasonal and annual calibration models are established by using the regression analysis. The RMS value of water vapor calculated from ground-based GPS technology and calibrated MODIS near infrared moisture product is less than 3mm, and the maximum error is not more than 6mm. The precision of seasonal calibration models is higher than annual calibration model.

GPS; precipitable water vapor; MODIS; calibration; seasonal model

P228

A

1006-7949(2017)12-0021-06

2017-01-25

段茜茜(1991-)，女，碩士研究生.