張克非，李浩博，王曉明，朱丹彤，何琦敏，李龍江，胡安東，鄭南山，李懷展

1. 中國礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院，江蘇 徐州 221116； 2. 清華大學(xué)水利水電工程系，北京 100084； 3. 中國科學(xué)院空天信息創(chuàng)新研究院，北京 100094； 4. 蘇州科技大學(xué)地理科學(xué)與測(cè)繪工程學(xué)院，江蘇 蘇州 215009； 5. 科羅拉多大學(xué)博爾德分校環(huán)境科學(xué)聯(lián)合研究中心，科羅拉多 博爾德 CO80309； 6. 美國國家海洋和大氣管理局空間天氣預(yù)報(bào)中心，科羅拉多 博爾德 CO80309

隨著全球氣候變暖，極端天氣事件增多增強(qiáng)趨勢(shì)明顯，諸如極端強(qiáng)降水、臺(tái)風(fēng)、洪澇等突發(fā)性強(qiáng)、局地性明顯的氣象災(zāi)害事件對(duì)人類社會(huì)可持續(xù)發(fā)展構(gòu)成了重大威脅。作為表征極端天氣事件和氣候變化的重要參數(shù)，大氣水汽在極端天氣事件的發(fā)展、發(fā)生過程中占據(jù)著重要的作用。因此，對(duì)大氣水汽含量進(jìn)行有效監(jiān)測(cè)和科學(xué)分析是實(shí)現(xiàn)各類災(zāi)害性天氣事件精準(zhǔn)預(yù)報(bào)的重要前提與關(guān)鍵所在，也是準(zhǔn)確預(yù)報(bào)極端天氣事件、提升防災(zāi)減災(zāi)應(yīng)急能力的重要保障。

大氣水汽主要分布在對(duì)流層內(nèi)，其復(fù)雜的空間分布及快速變化的特性使得大氣水汽含量的高精度監(jiān)測(cè)極其困難。目前，大氣水汽監(jiān)測(cè)的主要方法有探空氣球、大氣水汽輻射計(jì)、遙感衛(wèi)星、GNSS等。探空氣球利用搭載在氫氣球上的探空儀器對(duì)大氣狀態(tài)進(jìn)行監(jiān)測(cè)，能夠獲得0～36 km不同高度的氣溫、氣壓、濕度等多種氣象參數(shù)，是近百年來最主要大氣探測(cè)手段，但是探空站數(shù)量有限、分布不均勻，且存在時(shí)間分辨率低、運(yùn)行成本高和氣球漂移等重大缺陷。水汽輻射計(jì)通過測(cè)量大氣中的水汽輻射量測(cè)定水汽及液態(tài)水含量，能夠提供高精度、高時(shí)間分辨率的水汽數(shù)據(jù)，然而，由于該儀器的造價(jià)成本比較昂貴(約150萬/臺(tái)以上)，在實(shí)際中難以推廣使用。遙感衛(wèi)星利用搭載在衛(wèi)星上的傳感器接受地表反射的電磁波，基于不同波段的電磁場(chǎng)輻射信息進(jìn)行大氣水汽反演，能夠提供高空間連續(xù)性的廣域(特別是無人區(qū)、洋區(qū)和極地)水汽數(shù)據(jù)，但所得結(jié)果易受天氣條件影響較大，且精度較低。上述水汽監(jiān)測(cè)手段雖然能夠提供較為可靠的水汽數(shù)據(jù)，但是受限于數(shù)據(jù)處理的時(shí)效性，通常難以滿足短臨極端天氣預(yù)報(bào)的實(shí)時(shí)性需求。隨著新一代GNSS的高速發(fā)展，利用GNSS觀測(cè)值進(jìn)行大氣水汽實(shí)時(shí)反演能夠有效彌補(bǔ)傳統(tǒng)水汽探測(cè)手段的不足，同時(shí)還具有高精度、全球覆蓋、全天候、長時(shí)序穩(wěn)定及高時(shí)空分辨率等優(yōu)點(diǎn)，為開展大氣水汽監(jiān)測(cè)提供了重要數(shù)據(jù)支持。根據(jù)觀測(cè)模式的不同，GNSS大氣水汽探測(cè)技術(shù)可以分為地基GNSS和GNSS掩星技術(shù)。本文主要針對(duì)地基GNSS大氣水汽探測(cè)遙感技術(shù)的研究現(xiàn)狀與發(fā)展趨勢(shì)進(jìn)行概述和總結(jié)。

GNSS技術(shù)的快速發(fā)展給地基GNSS大氣水汽探測(cè)技術(shù)提供了重要的技術(shù)支撐，自20世紀(jì)70年代美國提出建立全球定位系統(tǒng)(GPS)以來，經(jīng)歷了不斷地發(fā)展與完善，于1995年達(dá)到全面運(yùn)行能力，能夠?yàn)槿蚍秶鷥?nèi)的用戶提供全天候以及高效能的導(dǎo)航定位服務(wù)。GPS衛(wèi)星信號(hào)穿過對(duì)流層時(shí)，受到中性大氣的影響會(huì)出現(xiàn)路徑彎曲和速度衰減，從而使GPS觀測(cè)值中含有一定的大氣延遲，基于對(duì)GPS信號(hào)大氣延遲量的高精度觀測(cè)便能實(shí)現(xiàn)大氣水汽含量的監(jiān)測(cè)。自1990年代開始GPS大氣反演理論提出以來，開展高精度GPS大氣水汽反演及其相關(guān)氣象應(yīng)用研究受到了國際學(xué)者們的廣泛關(guān)注。隨著我國北斗衛(wèi)星導(dǎo)航系統(tǒng)(BeiDou navigation satellite system，BDS)的全面建成，以GPS、BDS、GLONASS、Galileo為核心的新一代GNSS觀測(cè)體系為大氣水汽的高精度探測(cè)和氣象應(yīng)用奠定了重要的空間設(shè)施基礎(chǔ)。同時(shí)，各級(jí)衛(wèi)星連續(xù)運(yùn)行參考站(continuously operating reference system，CORS)網(wǎng)絡(luò)的大規(guī)模建設(shè)，也為GNSS大氣水汽探測(cè)遙感科學(xué)研究和氣象創(chuàng)新應(yīng)用提供了重要的地面觀測(cè)設(shè)施?？傮w來說，地基GNSS大氣水汽探測(cè)技術(shù)集成了全天候、無漂移、高精度、高時(shí)空分辨率及低成本等優(yōu)點(diǎn)，可較好地與傳統(tǒng)大氣水汽監(jiān)測(cè)技術(shù)形成互補(bǔ)，為大氣水汽監(jiān)測(cè)和短臨天氣預(yù)報(bào)提供高質(zhì)量的數(shù)據(jù)源和基準(zhǔn)信息，地基GNSS大氣水汽探測(cè)技術(shù)在大氣探測(cè)以及氣象領(lǐng)域應(yīng)用中的重要地位已逐步凸顯。

1 多類型GNSS大氣參數(shù)高精度反演

地基GNSS技術(shù)不僅可以提供天頂對(duì)流層延遲和大氣可降水量等二維水汽產(chǎn)品，還可以提供斜路徑對(duì)流層延遲、斜路徑水汽含量、水平梯度和三維水汽密度等三維廓線信息。目前，地基GNSS大氣水汽研究主要集中于高精度ZTD/PWV反演和三維水汽層析建模。

1.1 ZTD/PWV反演研究進(jìn)展

在地基GNSS發(fā)展初期，大氣延遲作為GNSS定位的主要誤差源，通常采用經(jīng)驗(yàn)?zāi)Ｐ突驓庀笥^測(cè)值等方式予以改正或削弱，后來作為獨(dú)立的未知參數(shù)聯(lián)合求解。文獻(xiàn)[1]于1992年首次利用GPS觀測(cè)數(shù)據(jù)反演得到接收機(jī)上空的PWV，進(jìn)而形成GNSS氣象學(xué)這一全新的學(xué)科領(lǐng)域。20世紀(jì)90年代至今，國內(nèi)外學(xué)者開展了大量試驗(yàn)對(duì)GNSS反演ZTD和PWV產(chǎn)品的精度和適應(yīng)性進(jìn)行評(píng)估，使得GNSS氣象學(xué)得到了迅猛發(fā)展，地基GNSS數(shù)據(jù)處理主要有雙差網(wǎng)解法和精密單點(diǎn)定位法。在雙差網(wǎng)解法進(jìn)行大氣水汽反演方面，文獻(xiàn)[2—6]先后在不同地區(qū)開展了地基GNSS水汽反演試驗(yàn)，并與水汽輻射計(jì)等不同水汽產(chǎn)品進(jìn)行了比較。文獻(xiàn)[7—12]分析了GNSS水汽反演的主要誤差源，利用探空數(shù)據(jù)證明了不同天氣場(chǎng)景下GNSS水汽產(chǎn)品的精度可達(dá)1～2 mm。雖然雙差網(wǎng)解法的大氣水汽反演精度較高，但是在進(jìn)行大規(guī)模GNSS數(shù)據(jù)處理時(shí)，雙差網(wǎng)解法具有較高的復(fù)雜性，隨著GNSS精密單點(diǎn)定位技術(shù)(precise point positioning，PPP)的出現(xiàn)，受其模型簡單、處理高效的優(yōu)勢(shì)引導(dǎo)，文獻(xiàn)[13—15]圍繞PPP反演ZTD/PWV開展了大量試驗(yàn)。但是，精密單點(diǎn)定位技術(shù)受衛(wèi)星產(chǎn)品精度的影響較大，在早期難以滿足實(shí)時(shí)水汽產(chǎn)品精度需求。為了克服該問題，2013年國際GNSS服務(wù)(international GNSS service，IGS)正式向全球用戶播發(fā)GNSS實(shí)時(shí)數(shù)據(jù)流產(chǎn)品，此后文獻(xiàn)[17—22]對(duì)基于GNSS實(shí)時(shí)PPP的ZTD解算和PWV反演精度進(jìn)行了評(píng)估，大量試驗(yàn)證實(shí)地基GNSS能夠獲取高精度的實(shí)時(shí)PWV產(chǎn)品。此外，事后PWV產(chǎn)品具有高精度、高時(shí)空分辨率的特點(diǎn)，鑒于此，文獻(xiàn)[23—25]使用GNSS-PWV產(chǎn)品作為定標(biāo)改善衛(wèi)星遙感和數(shù)值預(yù)報(bào)模型產(chǎn)品獲取的PWV系統(tǒng)偏差。同時(shí)，有學(xué)者還研究了利用低成本單頻GNSS接收機(jī)反演水汽的可行性。例如文獻(xiàn)[26—27]利用經(jīng)濟(jì)型的單頻接收機(jī)或智能手機(jī)代替大地型接收機(jī)反演水汽，其結(jié)果表明利用低成本的GNSS接收機(jī)能夠有效獲取對(duì)流層水汽。由于海洋區(qū)域缺乏密集、穩(wěn)固的GNSS安裝平臺(tái)，文獻(xiàn)[28—30]使用船載或浮標(biāo)GNSS水汽反演技術(shù)來獲取海洋上空的水汽，為動(dòng)態(tài)GNSS水汽反演理論方法開展了探索性的研究。文獻(xiàn)[31—32]利用星載輻射計(jì)獲取了全球范圍內(nèi)公海區(qū)域上空的PWV，并將其結(jié)果與多次船載GNSS-PWV進(jìn)行了對(duì)比，結(jié)果表明在極地地區(qū)均方根最小(1.29 mm)，其他地區(qū)為2.78 mm；與NECP再分析產(chǎn)品比較，兩者差異為2.96 mm。文獻(xiàn)[33—34]利用無線電探空儀、地基GNSS、掩星數(shù)據(jù)和衛(wèi)星遙感獲取了在海洋區(qū)域內(nèi)水汽時(shí)空特征，結(jié)果表明上述幾種方式的PWV結(jié)果具有很好的一致性。此外，中國氣象局氣象探測(cè)中心聯(lián)合內(nèi)蒙古自治區(qū)與廣東省氣象局于2017年5月聯(lián)合起草了國內(nèi)首部地基導(dǎo)航衛(wèi)星遙感水汽觀測(cè)規(guī)范[35]，規(guī)定了導(dǎo)航衛(wèi)星遙感觀測(cè)、值班和數(shù)據(jù)中心運(yùn)行監(jiān)控等要求，為地基GNSS水汽產(chǎn)品的規(guī)范化監(jiān)測(cè)與使用奠定了基礎(chǔ)。

1.2 GNSS三維水汽建模研究進(jìn)展

地基GNSS大氣水汽的初級(jí)產(chǎn)品是天頂方向上的大氣水汽總量，無法直接給出信號(hào)傳播路徑上的水汽分布信息，在天氣監(jiān)測(cè)和氣象預(yù)報(bào)等領(lǐng)域存在一定局限性。為拓展地基GNSS技術(shù)在氣象預(yù)報(bào)中的應(yīng)用場(chǎng)景，文獻(xiàn)[36—40]研究了信號(hào)傳播路徑上的大氣水汽反演方法，斜路徑水汽(slant water vapor，SWV)精度評(píng)估結(jié)果表明對(duì)流天氣條件下的SWV的精度可優(yōu)于4 mm。然而，SWV仍然無法全面解析目標(biāo)區(qū)域垂直方向上的水汽分布，為了獲得三維水汽場(chǎng)信息，文獻(xiàn)[41]首次提出了基于GNSS觀測(cè)值獲取對(duì)流層水汽結(jié)構(gòu)的設(shè)想，文獻(xiàn)[42]首次利用層析技術(shù)獲取了夏威夷基拉韋厄火山上空的濕折射率，并基于歐洲中期天氣預(yù)報(bào)中心(European Center for Medium Range Weather Forecast，ECMWF)的再分析產(chǎn)品對(duì)反演結(jié)果進(jìn)行精度評(píng)估。隨后，文獻(xiàn)[43—45]利用三維層析技術(shù)成功獲取了不同地區(qū)的水汽三維分布，并利用探空站和再分析資料驗(yàn)證三為水汽層析的可行性。

目前三維水汽層析模型研究的難點(diǎn)在于無法解決層析方程系數(shù)矩陣的病態(tài)問題，其主要原因是衛(wèi)星和地面GNSS站的幾何分布不均勻使得衛(wèi)星信號(hào)無法完全覆蓋研究區(qū)域[46-47]。因此，解決層析方程中的矩陣病態(tài)問題是獲取高精度水汽三維分布的關(guān)鍵所在，目前的主要處理方法有[48]：①附加約束條件，文獻(xiàn)[49]基于水汽垂直變化特征采用高斯指數(shù)模型作為約束條件；文獻(xiàn)[50]利用探空信息建立了顧及邊界信號(hào)及垂直約束的方法；文獻(xiàn)[51]提出了附加高水平分辨率PWV約束的層析方法。②增加觀測(cè)值法，文獻(xiàn)[52—53]使用探空歷史數(shù)據(jù)建立了優(yōu)化體素分割方法，從而提高了研究區(qū)域測(cè)邊信號(hào)的利用率，研究結(jié)果表明射線利用率和有效體素?cái)?shù)分別提高了30.32%和12.62%；文獻(xiàn)[54]提出了一種基于截?cái)嘁蜃幽Ｐ偷膶?duì)流層層析算法，該方法能夠充分利用層析區(qū)域內(nèi)側(cè)邊信號(hào)的水汽觀測(cè)值；文獻(xiàn)[55]引入中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer，MODIS)的水汽觀測(cè)值提出了一種融合GNSS、MODIS觀測(cè)值的水汽層析方法；文獻(xiàn)[56]提出了融合GNSS及合成孔徑雷達(dá)觀測(cè)值的水汽層析方法。③利用模型改進(jìn)層析精度，文獻(xiàn)[57]利用神經(jīng)網(wǎng)絡(luò)技術(shù)反演了研究區(qū)域內(nèi)的三維水汽分布；文獻(xiàn)[58]提出了一種全新的節(jié)點(diǎn)參數(shù)化方法(圖1)，該方法可以在研究時(shí)段內(nèi)動(dòng)態(tài)調(diào)整層析區(qū)域的邊界和節(jié)點(diǎn)位置；文獻(xiàn)[59]基于水汽與高度之間的指數(shù)變化關(guān)系提出了一種自適應(yīng)非均勻分層層析方法。

圖1 基于GNSS信號(hào)分布的自適應(yīng)層析模型[58]

1.3 GNSS水汽反演未來研究及應(yīng)用展望

當(dāng)前地基GNSS水汽反演算法已基本成熟，隨著GNSS系統(tǒng)的完善和地面監(jiān)測(cè)站的增加，地基GNSS水汽產(chǎn)品已滿足氣象研究的高時(shí)空分辨率、高精度需求。除了GNSS大氣水汽產(chǎn)品外，氣象衛(wèi)星、氣象站、探空站、雷達(dá)、再分析資料等多源數(shù)據(jù)均可提供高精度大氣水汽產(chǎn)品。強(qiáng)化推進(jìn)測(cè)繪、氣象等資源交換共享機(jī)制，賦能“空-天-地”一體化水汽監(jiān)測(cè)網(wǎng)絡(luò)體系，提供綜合化、多樣化和精細(xì)化水汽產(chǎn)品是氣象業(yè)務(wù)廣泛化的必然要求，當(dāng)前仍有一些問題尚需研究。

(1) 提高泛在水汽反演能力。低成本GNSS接收機(jī)的推廣使用可極大節(jié)約經(jīng)濟(jì)成本，智能時(shí)代下基于低成本GNSS接收機(jī)的泛在水汽反演已經(jīng)成為可能，但是，低成本接收機(jī)的精度、可靠性在復(fù)雜環(huán)境、惡劣天氣下仍存在一定問題，由此導(dǎo)致的水汽反演精度仍需進(jìn)一步提高。因此，在未來研究中需要建立基于空間變異的無損水汽反演方法，進(jìn)一步提高基于低成本設(shè)備的大氣水汽反演性能，以滿足氣象、農(nóng)業(yè)、交通等多部門的業(yè)務(wù)需求。

(2) 提高多源水汽綜合利用能力。全球范圍內(nèi)探空氣球、水汽輻射儀、數(shù)值預(yù)報(bào)模式等能夠提供不同空間分辨率的水汽資料，融合基于多源水汽進(jìn)行水汽層析聯(lián)合解算，可有效改善區(qū)域GNSS水汽監(jiān)測(cè)網(wǎng)絡(luò)低密集度的問題，提高水汽層析反演精度。但是，當(dāng)前研究未充分考慮多源異構(gòu)水汽產(chǎn)品的時(shí)空變異性特征，因此，研究多源水汽觀測(cè)數(shù)據(jù)歸一化處理方法，解決多源水汽時(shí)空不一致等問題，建立基于動(dòng)態(tài)大氣背景場(chǎng)的時(shí)空水汽融合模型，生成精細(xì)化水汽產(chǎn)品是拓展大氣水汽氣象業(yè)務(wù)應(yīng)用場(chǎng)景的必要前提。

2 極端氣象事件短臨預(yù)報(bào)應(yīng)用

極端天氣事件是在某個(gè)特定地點(diǎn)和具體時(shí)段內(nèi)所發(fā)生的一種極其罕見的氣象事件。聯(lián)合國政府間氣候變化專門委員會(huì)(Intergovernmental Panel on Climate Change，IPCC)的研究報(bào)告明確指出，在人類社會(huì)快速發(fā)展與全球氣候變化的大背景下，強(qiáng)降水、熱帶氣旋、洪澇、干旱、寒潮、對(duì)流風(fēng)暴等典型極端氣象將向高頻率、復(fù)合型災(zāi)害事件轉(zhuǎn)變，將會(huì)嚴(yán)重影響了人們的生命財(cái)產(chǎn)和正常的生產(chǎn)生活。隨著我國現(xiàn)代化工農(nóng)業(yè)以及航空等諸多行業(yè)的快速發(fā)展，對(duì)天氣預(yù)報(bào)(特別是極端氣象事件短臨預(yù)報(bào))的準(zhǔn)確度以及時(shí)效性等均提出了更高的要求，天氣預(yù)報(bào)能力亟須進(jìn)一步發(fā)展。地基GNSS大氣探測(cè)技術(shù)能夠進(jìn)行大氣水汽的實(shí)時(shí)監(jiān)測(cè)，可實(shí)現(xiàn)面向各類極端天氣事件的短時(shí)(0～12 h)和臨近(0～6 h)預(yù)報(bào)[60-65]，是改善當(dāng)前極端天氣突發(fā)事件預(yù)報(bào)能力不足的重要手段。此外，GNSS觀測(cè)站已積累了近30 a的觀測(cè)數(shù)據(jù)，為極端天氣事件發(fā)生的機(jī)理及演變規(guī)律研究提供了極為重要的數(shù)據(jù)源，對(duì)極端天氣的機(jī)理研究可進(jìn)一步提高短臨預(yù)報(bào)預(yù)警能力，對(duì)減少氣象災(zāi)害風(fēng)險(xiǎn)、提升防災(zāi)減災(zāi)應(yīng)急能力具有重大科學(xué)和現(xiàn)實(shí)意義。下文將對(duì)利用多類型地基GNSS大氣觀測(cè)開展極端氣象事件短臨預(yù)報(bào)應(yīng)用的研究進(jìn)展及未來展望進(jìn)行介紹。

2.1 面向氣象應(yīng)用的數(shù)據(jù)預(yù)處理及系統(tǒng)分析

針對(duì)面向氣象應(yīng)用的地基GNSS數(shù)據(jù)預(yù)處理，首要是綜合利用無線探空儀、水汽輻射計(jì)等大氣觀測(cè)數(shù)據(jù)和甚長基線干涉測(cè)量(very long baseline interferometry，VLBI)、IGS等事后產(chǎn)品，分析地基GNSS大氣水汽反演過程中的誤差特性，嚴(yán)格控制地基GNSS水汽產(chǎn)品的精度，以滿足極端天氣短臨預(yù)警預(yù)報(bào)應(yīng)用研究的精度要求。表1和表2以PWV為例，分別給出了面向極端天氣短臨預(yù)報(bào)以及長期氣候分析應(yīng)用的產(chǎn)品要求[64]。

表1 面向極端天氣短臨預(yù)報(bào)應(yīng)用的PWV產(chǎn)品要求

表2 面向氣候分析應(yīng)用的PWV產(chǎn)品要求

需要指出的是，不同氣象應(yīng)用對(duì)輸入數(shù)據(jù)的精度和時(shí)空分辨率的要求有所不同。對(duì)于天氣預(yù)報(bào)數(shù)值(numerical weather predication model,NWP)模式為基礎(chǔ)的短臨預(yù)報(bào)，由于NWP自身的非線性較為復(fù)雜，對(duì)觀測(cè)值精度的要求較高，具體來說，NWP模型的觀測(cè)值需滿足無偏性，相應(yīng)的觀測(cè)誤差應(yīng)是不具有空間互相關(guān)性的高斯噪聲。非NWP模型下的短臨預(yù)報(bào)更為關(guān)注大氣參數(shù)的相對(duì)變化情況，微小誤差并不會(huì)對(duì)預(yù)報(bào)結(jié)果產(chǎn)生較大影響，較之于非NWP模式，非NWP模型對(duì)數(shù)據(jù)絕對(duì)精度要求較低。在面向氣候分析的應(yīng)用中，通常需要使用較長時(shí)間跨度的數(shù)據(jù)進(jìn)行研究，因此長時(shí)間序列中存在的強(qiáng)度較小的誤差也同樣不會(huì)影響數(shù)據(jù)的整體分析結(jié)果。

除了對(duì)輸入數(shù)據(jù)本身的精度有所要求以外，對(duì)多氣象參數(shù)的系統(tǒng)性分析也是面向極端天氣預(yù)報(bào)中不可或缺的一步。首先，可利用皮爾遜相關(guān)系數(shù)、斯皮爾曼相關(guān)系數(shù)、偏相關(guān)系數(shù)、復(fù)相關(guān)系數(shù)等作為評(píng)價(jià)因子計(jì)算多類型大氣參數(shù)間的互相關(guān)系數(shù)從而分析各參數(shù)間的相關(guān)關(guān)系[66-67]；同時(shí)，可采用主成分分析、經(jīng)驗(yàn)正交函數(shù)等方法探討各參數(shù)對(duì)典型極端氣象事件的響應(yīng)關(guān)系及它們?cè)谠撌录膛R預(yù)報(bào)應(yīng)用中的有效性和貢獻(xiàn)度，從而為各類模型預(yù)報(bào)因子的選擇提供了有效的參考依據(jù)。

由于強(qiáng)降水、臺(tái)風(fēng)、干旱等事件的發(fā)生和演變過程均與GNSS大氣水汽信息的時(shí)序變化高度相關(guān)，故GNSS大氣信息廣泛地應(yīng)用于這類事件的預(yù)報(bào)研究[67-69]。文獻(xiàn)[70]分析了阿拉伯海和孟加拉灣逐月及季節(jié)性PWV變化同季風(fēng)的關(guān)系，發(fā)現(xiàn)了季風(fēng)的發(fā)生同PWV的變化緊密相關(guān)，并提出可以使用PWV來預(yù)報(bào)季風(fēng)的發(fā)生[71]。文獻(xiàn)[72]研究了GNSS大氣水汽在如暴雨、持續(xù)性降水、冰凍雨雪等典型天氣中的演變特征，有效揭示了GNSS大氣探測(cè)技術(shù)及產(chǎn)品在天氣預(yù)報(bào)業(yè)務(wù)中的應(yīng)用。以暴雨事件為例，文獻(xiàn)[73]發(fā)現(xiàn)暴雨事件發(fā)生前PWV會(huì)以9.5 mm/h的速度上升，并將該表現(xiàn)稱為PWV的跳躍性變化。文獻(xiàn)[74]發(fā)現(xiàn)在長時(shí)序的PWV中，其快速上升的時(shí)序變化特征能有效揭示降水事件的發(fā)生。文獻(xiàn)[75]則從另一個(gè)側(cè)面發(fā)現(xiàn)在熱帶風(fēng)暴引起的暴雨事件發(fā)生前的3 h內(nèi)，PWV時(shí)序數(shù)據(jù)會(huì)出現(xiàn)快速下降。類似地，文獻(xiàn)[76]發(fā)現(xiàn)在暴雨事件發(fā)生前，PWV往往會(huì)存在一個(gè)以5～10 mm/h速度的下降過程。此外，文獻(xiàn)[77]的研究也表明大氣水汽在極端降水事件發(fā)生前快速增加的現(xiàn)象能準(zhǔn)確地在GNSS水汽產(chǎn)品上得以體現(xiàn)。然而由于極端天氣的發(fā)生具有極為復(fù)雜的成因，因此要利用GNSS大氣產(chǎn)品進(jìn)行極端天氣短臨預(yù)報(bào)就需要分析各類產(chǎn)品在大量極端天氣發(fā)生過程中的時(shí)序變化特征，再結(jié)合其他氣象觀測(cè)信息(如雷達(dá)、輻射儀、實(shí)時(shí)氣象觀測(cè)等)，從而據(jù)此利用多種方法建立區(qū)域性的基于GNSS大氣信息的極端氣象事件短臨預(yù)報(bào)模型。

2.2 極端氣象事件短臨預(yù)報(bào)的主要方法

上述研究充分表明GNSS大氣水汽同極端天氣等氣象事件具有較強(qiáng)的相關(guān)性，通過利用高精度、高時(shí)空分辨率的ZTD、PWV等大氣資料能夠有效地開展氣象事件的預(yù)報(bào)研究。目前，雖然國內(nèi)外利用GNSS大氣反演資料進(jìn)行極端氣象事件的短臨預(yù)報(bào)均進(jìn)行了一些初步的研究，但尚未形成成熟完備的理論與方法。在當(dāng)前研究中，所使用的各類極端天氣短臨預(yù)報(bào)模型主要包括以下幾類：

(1) 氣象預(yù)報(bào)專家系統(tǒng)模型。該類模型主要依賴于所使用的氣象預(yù)報(bào)因子同特定氣象事件間的響應(yīng)關(guān)系而構(gòu)造，最為典型的氣象預(yù)報(bào)專家系統(tǒng)模型是基于大氣參數(shù)數(shù)值異常變化的閾值模型，即當(dāng)某類極端氣象事件發(fā)生前，一種或多種大氣參數(shù)的數(shù)值會(huì)出現(xiàn)異常增大(或減小)的情況，根據(jù)該變化趨勢(shì)設(shè)定預(yù)報(bào)閾值可開展短臨預(yù)警預(yù)報(bào)。在預(yù)報(bào)閾值的優(yōu)化構(gòu)造選取過程中，為了保障所選預(yù)報(bào)閾值的可行性和普適性，通常需要利用該因子的長時(shí)間歷史數(shù)據(jù)以及對(duì)應(yīng)的氣象事件觀測(cè)記錄進(jìn)行統(tǒng)計(jì)分析。近年來基于該類模型也形成了面向不同極端天氣事件的多種短臨預(yù)報(bào)模型[78-84]。文獻(xiàn)[85]通過研究西班牙9年內(nèi)的GNSS水汽數(shù)據(jù)同降水間的關(guān)系提出了降水預(yù)測(cè)模型。文獻(xiàn)[86]提出了一種結(jié)合可降水量季節(jié)變化信息的降水預(yù)測(cè)算法，基于過去30 min的GNSS水汽信息預(yù)測(cè)未來5 min降水事件的發(fā)生概率，結(jié)果表明該算法有效提高了探測(cè)的準(zhǔn)確率。文獻(xiàn)[87]基于大氣可降水量時(shí)變特征與降水之間的響應(yīng)關(guān)系，提出了一種利用GNSS大氣可降水量時(shí)序變化特征開展短臨降雨預(yù)報(bào)的方法，測(cè)試試驗(yàn)表明該方法取得了較高的預(yù)測(cè)精度和較好的適用性。文獻(xiàn)[88]分析了西班牙里斯本地區(qū)2010—2012年暴雨事件發(fā)生前PWV的時(shí)間變化特征，并提出了一種基于6 h時(shí)間窗口的降水預(yù)報(bào)模型，該模型利用PWV最大增長率作為預(yù)報(bào)因子，經(jīng)驗(yàn)證其預(yù)報(bào)正確率達(dá)75%，而誤報(bào)率為60%～70%?；谠撗芯浚墨I(xiàn)[89]提出了一個(gè)基于PWV、PWV變化量、PWV變化率的三因子降水預(yù)報(bào)模型，該模型的正確預(yù)報(bào)率達(dá)到了82%，但模型誤報(bào)率仍為60%左右。文獻(xiàn)[90]基于熱帶地區(qū)(新加坡)的數(shù)據(jù)對(duì)于上述方法進(jìn)行檢驗(yàn)，并提出了適用于熱帶地區(qū)的以最大PWV值作為主要評(píng)價(jià)指標(biāo)的預(yù)報(bào)方法，該模型的誤報(bào)率較上述研究降低了17%。文獻(xiàn)[91]提出了一種改進(jìn)的降水預(yù)報(bào)模型，該模型利用包括ZTD以及PWV在內(nèi)的五因子進(jìn)行預(yù)報(bào)，結(jié)果表明該模型的正確預(yù)報(bào)率可以達(dá)到95%，并且模型誤報(bào)率降為30%左右。文獻(xiàn)[92]首次提出了一種在極端降水發(fā)生前顧及包括PWV增長及下降完整時(shí)序變化過程的模型，模型的預(yù)報(bào)性能得到了進(jìn)一步的提升。除了上述研究外，許多研究還提出利用其他多類型的GNSS觀測(cè)[66,93-94]、三維/四維層析技術(shù)[42,95-98]、更長的PWV時(shí)序、更高時(shí)空分辨率的時(shí)序數(shù)據(jù)來開展短時(shí)降水預(yù)報(bào)。雖然上述所構(gòu)造的各類模型方法原理簡單且易于操作，具有較強(qiáng)的可行性，但往往也會(huì)存在穩(wěn)定性低、計(jì)算量大、可移植性差等缺點(diǎn)，因此該方法通常主要面向某一小范圍區(qū)域(局域)氣象事件的短臨預(yù)警預(yù)報(bào)應(yīng)用。

圖2 基于PWV距平的降雨預(yù)報(bào)示例[79]

(2) 數(shù)值天氣預(yù)報(bào)模型。NWP模式是天氣預(yù)報(bào)應(yīng)用中不可或缺的一種工具，由于其具有完善的大氣物理模型，且能夠通過數(shù)據(jù)同化的方式利用多類型的大氣參數(shù)，因而能夠有效加強(qiáng)對(duì)于天氣和氣候系統(tǒng)演變規(guī)律的認(rèn)識(shí)，獲取高性能的預(yù)報(bào)表現(xiàn)。NWP模式對(duì)于GNSS大氣反演信息的利用主要是基于數(shù)據(jù)同化的方式，常見的是利用變分同化方法開展針對(duì)PWV、ZTD、斜路徑延遲(slant total delay，STD)及三維層析產(chǎn)品等非常規(guī)觀測(cè)資料的同化應(yīng)用。因此，為了進(jìn)一步增加各類模型中使用的氣象參數(shù)且不斷完善模型的物理基礎(chǔ)，文獻(xiàn)[99—100]對(duì)GNSS大氣反演資料在NWP模式中的同化開展了一系列卓有成效的研究，目前諸多研究都證明將GNSS大氣產(chǎn)品同化到NWP模式中能有效改善模式初始場(chǎng)的精度，進(jìn)而提升模型對(duì)氣象事件的預(yù)報(bào)能力，特別是對(duì)極端降雨等突發(fā)災(zāi)害性天氣。文獻(xiàn)[101—102]在假定大氣濕度廓線不變的條件下，首次應(yīng)用模擬的PWV資料進(jìn)行了同化試驗(yàn)，結(jié)果表明，同化PWV能有效提高降水預(yù)報(bào)精度，并進(jìn)一步驗(yàn)證了利用四維變分資料同化技術(shù)同化PWV的可行性和有效性。文獻(xiàn)[103]利用梅雨季節(jié)長三角地區(qū)獲取的GNSS大氣水汽資料，分析出入梅(雨)過程水汽的空間分布特征，并通過對(duì)其的同化有效提高了數(shù)值模式預(yù)報(bào)能力。文獻(xiàn)[104—105]進(jìn)行了ZTD的四維變分同化試驗(yàn)，結(jié)果表明其對(duì)6 h和12 h的累計(jì)降水預(yù)報(bào)精度分別提升33.15%和25.08%。文獻(xiàn)[106]針對(duì)2001年地中海西部極端降水事件開展了ZTD同化試驗(yàn)，結(jié)果表明同化ZTD比同化PWV得到了更好的預(yù)報(bào)結(jié)果，能夠有效降低強(qiáng)對(duì)流天氣的預(yù)報(bào)誤差。然而由于PWV和ZTD只能反映GNSS測(cè)站上方大氣水汽的整體變化信息，并不能反映其在水平方位上的梯度變化信息。因此，如何有效同化GNSS反演得到的斜路徑產(chǎn)品及三維層析產(chǎn)品成了目前該領(lǐng)域最為前沿的研究熱點(diǎn)，并且諸多研究也顯示同化STD、三維層析產(chǎn)品比PWV和ZTD在改善大氣背景場(chǎng)精度及降水等氣象事件的預(yù)報(bào)結(jié)果上有更積極的影響[107-109]。文獻(xiàn)[110]研究發(fā)現(xiàn)通過同化STD能得到更好的水汽三維分布及降水日變化信息，從而有效改善了實(shí)時(shí)與短期定量降水預(yù)報(bào)。文獻(xiàn)[111]開展了STD及多普勒雷達(dá)觀測(cè)資料的四維變分同化試驗(yàn)，結(jié)果表明相較于同化PWV模式面向降水事件預(yù)報(bào)取得了更好的效果。文獻(xiàn)[112]將三維水汽層析產(chǎn)品同化進(jìn)數(shù)值天氣預(yù)報(bào)模型中，結(jié)果顯示模式預(yù)報(bào)的相對(duì)濕度及溫度等參數(shù)的精度均得到了明顯提升。文獻(xiàn)[113]利用TOMOREF觀測(cè)算子開展暴雨事件同化試驗(yàn)，結(jié)果同樣表明通過同化三維層析產(chǎn)品，無論是降水還是濕度場(chǎng)的預(yù)報(bào)效果都有了顯著改善。大量同化試驗(yàn)研究結(jié)果均表明，加入GNSS資料對(duì)改善數(shù)值天氣預(yù)報(bào)模式初始場(chǎng)精度有著較為明顯的作用，可有效提高極端氣象事件預(yù)報(bào)精度[84,100,114-124]。然而由于該類模型對(duì)于各類參數(shù)同化過程的時(shí)效性，特別是在處理大規(guī)模區(qū)域上的多類型觀測(cè)數(shù)據(jù)時(shí)，因此難以有效地滿足0～6 h的臨近預(yù)報(bào)的應(yīng)用需求。

(3) 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的模型。目前神經(jīng)網(wǎng)絡(luò)技術(shù)在地球科學(xué)領(lǐng)域中的應(yīng)用越來越受到人們的關(guān)注，由于基于該技術(shù)開發(fā)的各類模型具有獨(dú)立學(xué)習(xí)、并行處理、非線性映射能力、容錯(cuò)能力和自適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，因而為研究多種氣象信息間內(nèi)在關(guān)系、開發(fā)基于神經(jīng)網(wǎng)絡(luò)技術(shù)的極端氣象事件預(yù)報(bào)模型提供了前所未有的契機(jī)。雖然該類模型同樣需要使用大氣參數(shù)的長時(shí)序數(shù)據(jù)學(xué)習(xí)擬合出參數(shù)同目標(biāo)氣象事件間的耦合關(guān)系，然而與閾值模型不同的是，通過利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠優(yōu)化使用多種類型的氣象參數(shù)，通過利用多類型大氣參數(shù)中蘊(yùn)含的大氣環(huán)境變化信息更為全面地揭示極端氣象事件的形成與演變過程。近年來，隨著各類神經(jīng)網(wǎng)絡(luò)模型的逐步成熟以及神經(jīng)網(wǎng)絡(luò)集成、遺傳神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)等技術(shù)的興起，文獻(xiàn)[125—131]通過利用神經(jīng)網(wǎng)絡(luò)技術(shù)開展了大量的短臨天氣預(yù)報(bào)的應(yīng)用研究。文獻(xiàn)[132]采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)建立了汛期降水預(yù)測(cè)模型，結(jié)果表明該模型無論是對(duì)歷史樣本的擬合還是對(duì)獨(dú)立樣本的預(yù)報(bào)檢驗(yàn)都取得了較高的精度。文獻(xiàn)[133]建立了自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)天氣預(yù)報(bào)系統(tǒng)模型。文獻(xiàn)[134]采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行短期降水預(yù)報(bào)，提高了預(yù)報(bào)的準(zhǔn)確率。文獻(xiàn)[135]釆用集成預(yù)報(bào)路線，將低級(jí)單模式數(shù)值預(yù)報(bào)輸入模型，輸出得到統(tǒng)一的集成預(yù)報(bào)結(jié)果。文獻(xiàn)[136]在基于衛(wèi)星遙感圖像降雨監(jiān)測(cè)系統(tǒng)中基于遺傳優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)對(duì)研究區(qū)域內(nèi)云團(tuán)移動(dòng)和降水量的預(yù)測(cè)進(jìn)行了分析研究。文獻(xiàn)[137]提出了一種利用包括PWV在內(nèi)的七參數(shù)的神經(jīng)網(wǎng)絡(luò)模型用于開展降水事件預(yù)報(bào)，結(jié)果表明其準(zhǔn)確預(yù)報(bào)率為80.4%，誤報(bào)率為20.3%。文獻(xiàn)[138]提出利用多種氣象參數(shù)、時(shí)間相關(guān)參數(shù)及可降水量信息，通過多隱層神經(jīng)網(wǎng)絡(luò)建立降雨和各種參數(shù)的非線性關(guān)系對(duì)短臨降雨進(jìn)行預(yù)測(cè)，結(jié)果表明，該模型可預(yù)測(cè)出95%以上的降雨事件。文獻(xiàn)[139]基于神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)值預(yù)報(bào)模型數(shù)據(jù)進(jìn)行了處理，并改善了在冰雹天氣預(yù)報(bào)的準(zhǔn)確度。文獻(xiàn)[140]同樣基于BPNN算法，提出了一種改進(jìn)的極端降水短臨預(yù)報(bào)模型，該模型大大降低了誤報(bào)率，取得了較好的預(yù)報(bào)效果。由于GNSS反演的長時(shí)序大氣資料具有實(shí)測(cè)獨(dú)立的特點(diǎn)，通過利用神經(jīng)網(wǎng)絡(luò)技術(shù)，基于其強(qiáng)大的自主學(xué)習(xí)及非線性映射能力開展數(shù)據(jù)分析，能夠有效地挖掘多類型大氣參數(shù)中蘊(yùn)含的信息，構(gòu)建針對(duì)極端氣象事件的短臨預(yù)警預(yù)報(bào)方法。由于多種類型的神經(jīng)網(wǎng)絡(luò)模型不斷被提出，針對(duì)特定的氣象事件以及所使用的氣象參數(shù)類型還需要進(jìn)一步開展分析，從而選擇更為合適的模型類型開展短臨預(yù)報(bào)預(yù)警應(yīng)用。此外，模型構(gòu)造過程中網(wǎng)絡(luò)結(jié)構(gòu)、預(yù)報(bào)參數(shù)、模型超參數(shù)等各類因子的優(yōu)化選取、對(duì)預(yù)報(bào)模型內(nèi)部機(jī)理的理解以及模型擬合過程的優(yōu)化也都是當(dāng)前仍需進(jìn)一步探究解決的問題。

2.3 GNSS極端天氣短臨預(yù)報(bào)未來研究及應(yīng)用展望

GNSS氣象學(xué)作為一個(gè)跨學(xué)科研究方向，通過綜合利用GNSS反演的大氣資料對(duì)提高各類氣象模型預(yù)報(bào)性能，以及開展針對(duì)極端氣象事件的短臨預(yù)報(bào)應(yīng)用有著非常積極的作用。當(dāng)前的研究盡管在多類型GNSS大氣信息精度檢驗(yàn)、多源大氣參數(shù)分析、極端氣象事件形成與演變過程探究等方面進(jìn)行了諸多研究，也利用包括GNSS大氣產(chǎn)品及常規(guī)氣象觀測(cè)在內(nèi)的多類型大氣參數(shù)優(yōu)化構(gòu)建了各類預(yù)警預(yù)報(bào)模型，充分提升了面向極端氣象事件的短臨預(yù)報(bào)性能，但如何充分挖掘海量GNSS觀測(cè)數(shù)據(jù)中蘊(yùn)含的極端氣象事件短臨預(yù)報(bào)的前兆信息、如何有效地因地制宜、因時(shí)制宜地構(gòu)造極端氣象事件短臨預(yù)報(bào)模型仍存在諸多亟待解決的問題。

(1) 針對(duì)氣象預(yù)報(bào)專家系統(tǒng)模型應(yīng)用。眾所周知，各類極端氣象事件形成及演變的天氣學(xué)過程極其復(fù)雜。以極端降水事件為例，它不僅需要充足的水汽，還要滿足垂直運(yùn)動(dòng)、云滴增長等一系列條件，然而當(dāng)前氣象預(yù)報(bào)專家系統(tǒng)模型中所使用的預(yù)報(bào)因子僅能有效反映大氣中水汽及濕度的相關(guān)信息。雖然利用各類衍生變量，也能在一定程度上表征大氣動(dòng)力學(xué)變化過程，但從業(yè)務(wù)預(yù)報(bào)應(yīng)用的角度仍遠(yuǎn)遠(yuǎn)不夠，因此應(yīng)進(jìn)一步加強(qiáng)對(duì)大氣環(huán)境動(dòng)態(tài)變化及天氣系統(tǒng)形成過程機(jī)理的研究，發(fā)展實(shí)時(shí)GNSS水汽資料應(yīng)用于極端天氣短臨預(yù)報(bào)/預(yù)警的方法與模型。

(2) 針對(duì)數(shù)值天氣預(yù)報(bào)模型。雖然當(dāng)前業(yè)務(wù)使用的各類數(shù)值天氣預(yù)報(bào)模型能用數(shù)據(jù)同化的手段綜合相關(guān)信息來提供高時(shí)空分辨率的氣象產(chǎn)品，也能以較高的精度、較廣的覆蓋范圍提供未來一定時(shí)段內(nèi)的氣象預(yù)報(bào)結(jié)果，然而目前在各類業(yè)務(wù)數(shù)值模式中均未優(yōu)化實(shí)現(xiàn)對(duì)多類型GNSS大氣信息的同化應(yīng)用，這是該領(lǐng)域目前尚未解決的關(guān)鍵技術(shù)。由于不同類型的GNSS大氣產(chǎn)品具有不同的誤差特性，為了更好地利用多類型GNSS大氣產(chǎn)品，應(yīng)進(jìn)一步探索構(gòu)建面向不同探測(cè)資料的同化算法，在充分提升模型預(yù)報(bào)精度、精準(zhǔn)確定事件落區(qū)的同時(shí)，進(jìn)一步提升面向大規(guī)模站網(wǎng)數(shù)據(jù)的同化效率，并充分延長各類極端天氣的預(yù)見期，從而有效滿足極端天氣事件防災(zāi)減災(zāi)決策響應(yīng)需求。

(3) 針對(duì)基于神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)造的模型。在模型構(gòu)造過程中的網(wǎng)絡(luò)結(jié)構(gòu)確定、權(quán)值設(shè)定、超參數(shù)選取等各類問題目前仍需進(jìn)一步探究，從而形成一套優(yōu)化的針對(duì)極端氣象事件短臨預(yù)報(bào)應(yīng)用的模型構(gòu)造方案以增強(qiáng)模型的泛化能力；在完成模型構(gòu)造過程后，應(yīng)進(jìn)一步增強(qiáng)對(duì)模型構(gòu)造機(jī)理、內(nèi)在算法實(shí)現(xiàn)等方面的分析解讀能力；探索各類成熟的神經(jīng)網(wǎng)絡(luò)模型算法在極端天氣短臨預(yù)報(bào)應(yīng)用中的可行性與適用性，從而進(jìn)一步深化神經(jīng)網(wǎng)絡(luò)技術(shù)在GNSS氣象學(xué)領(lǐng)域的應(yīng)用。

3 氣候變化分析應(yīng)用

大氣水汽能夠吸收來自地球的紅外輻射，貢獻(xiàn)了全球60%的溫室效應(yīng)，是大氣中最重要的溫室氣體之一，同時(shí)大氣水汽與溫度之間存在著明顯的正相關(guān)，這種正相關(guān)作用使得大氣水汽含量在全球變暖的趨勢(shì)下不斷增加，從而進(jìn)一步加劇了大氣溫度變化，嚴(yán)重影響平衡氣統(tǒng)敏感性。大氣水汽作為大氣狀況的主要表征之一，分析其長期變化趨勢(shì)，研究大氣水汽與多種氣象參數(shù)的耦合關(guān)系，進(jìn)而研究大氣狀態(tài)的變化趨勢(shì)，對(duì)深入理解全球氣候變化、災(zāi)害性天氣監(jiān)測(cè)等方面具有十分重要的科學(xué)意義。

3.1 PWV時(shí)間序列一致性檢驗(yàn)方法

隨著空間觀測(cè)技術(shù)的完善和數(shù)據(jù)處理技術(shù)的發(fā)展，目前已累計(jì)了相當(dāng)長度的地基GNSS-PWV時(shí)間序列，可用于全球或區(qū)域性的氣象分析[141-145]。一致化的基準(zhǔn)數(shù)據(jù)是進(jìn)行高精度氣象研究的前提，但是地基GNSS不可避免地受到如接收機(jī)更新、硬件升級(jí)、站點(diǎn)環(huán)境變化、處理策略更新等多種非氣象因素的影響，導(dǎo)致PWV時(shí)間序列中含有非氣象因素引起的、相對(duì)于自然變率無法忽視的系統(tǒng)性偏差，即非一致現(xiàn)象[145-148]。為了減少非氣象因素的影響，GNSS-PWV的質(zhì)量控制和一致化檢驗(yàn)是利用GNSS-PWV時(shí)間序列進(jìn)氣象研究必不可少的基礎(chǔ)。從時(shí)空上看，非一致現(xiàn)象包括空間非一致性和時(shí)間非一致性兩個(gè)維度，而PWV時(shí)間序列的非一致性主要集中在時(shí)間維度。

根據(jù)非一致現(xiàn)象產(chǎn)生的原因，非一致性主要分為與接收機(jī)有關(guān)的、與站點(diǎn)環(huán)境有關(guān)、與數(shù)據(jù)處理策略有關(guān)的。與接收機(jī)有關(guān)的非一致現(xiàn)象主要包括儀器更新、天線罩配置、固件升級(jí)、地質(zhì)活動(dòng)等，這種非一致現(xiàn)象往往表現(xiàn)為某一歷元前后PWV時(shí)間序列出現(xiàn)跳躍式變化[149-153]。站點(diǎn)日志中記錄了大部分接收機(jī)硬件相關(guān)的變化，因此站點(diǎn)日志文件往往用于非一致性檢驗(yàn)中。由于站點(diǎn)日志記錄的不完整和誤差等原因，站點(diǎn)日志無法實(shí)現(xiàn)硬件變化的完整記錄[154-156]，且日志文件中不含有與地質(zhì)活動(dòng)有關(guān)的站點(diǎn)變化[157]。與站點(diǎn)環(huán)境有關(guān)的非一致現(xiàn)象主要源于站點(diǎn)植被生長、積雪覆蓋等因素，相較于硬件更新導(dǎo)致的階躍點(diǎn)，這種非一致現(xiàn)象在PWV時(shí)間序列往往表現(xiàn)為緩慢變化，其大小和位置均不明確，是一致性檢驗(yàn)的難點(diǎn)[150,151]。處理策略變化包括國際地球參考框架(international terrestrial reference frame，ITRF)變化、天線相位改正模型、誤差改正模型、高度角等，這種非一致現(xiàn)象較為簡單，在數(shù)據(jù)處理時(shí)只需采用統(tǒng)一的處理策略即可消除[148,158-160]。PWV時(shí)間序列的一致性檢驗(yàn)分為非一致性探測(cè)和修復(fù)，其中前者是一致性檢驗(yàn)的重點(diǎn)和難點(diǎn)。針對(duì)大氣水汽時(shí)間序列的非一致性探測(cè)，國內(nèi)外學(xué)者展開了研究，提出了一系列基于統(tǒng)計(jì)檢驗(yàn)的非一致性探測(cè)方法，大體可分為基于參考數(shù)據(jù)的相對(duì)探測(cè)方法和基于原始數(shù)據(jù)的絕對(duì)探測(cè)方法。

相對(duì)探測(cè)方法是當(dāng)前使用最多的非一致性探測(cè)方法。該方法首先利用參考數(shù)據(jù)與原始目標(biāo)數(shù)據(jù)的空間相關(guān)性，利用差分算子消除目標(biāo)數(shù)據(jù)的氣象信號(hào)、周期變化和觀測(cè)噪聲，基于差分序列完成非一致性的探測(cè)[147,161-162]。文獻(xiàn)[163]基于雙相回歸模型(two-phase regression，TPR)構(gòu)造似然比統(tǒng)計(jì)值，并利用F檢驗(yàn)對(duì)溫度差分時(shí)間序列進(jìn)行一致性檢驗(yàn)。文獻(xiàn)[156]在TPR模型的基礎(chǔ)上，針對(duì)傳統(tǒng)T檢驗(yàn)和F檢驗(yàn)探測(cè)結(jié)果虛警率較高的缺點(diǎn)，提供了基于經(jīng)驗(yàn)懲罰函數(shù)的懲罰最大T檢驗(yàn)(penalized maximal T test，PMT)和懲罰最大F檢驗(yàn)(penalized maximal F test，PMF)[164]，并在此基礎(chǔ)上提出針對(duì)觀測(cè)噪聲的一階自相關(guān)特性的PMTred法和PMFred法[165]。文獻(xiàn)[166]利用PMFred檢驗(yàn)對(duì)并探空站濕度差分?jǐn)?shù)據(jù)進(jìn)行檢驗(yàn)，得到了一致化的探空氣象數(shù)據(jù)。文獻(xiàn)[167]以ERA-Interim數(shù)據(jù)、并址GNSS站和13個(gè)VLBI站的PWV觀測(cè)值為參考數(shù)據(jù)，利用PMTred方法對(duì)全球101個(gè)IGS站的PWV數(shù)據(jù)進(jìn)行了一致性檢驗(yàn)，結(jié)果表明47個(gè)測(cè)站有含有62個(gè)階躍點(diǎn)。文獻(xiàn)[168]以BIC準(zhǔn)則為基礎(chǔ)提出了一種顧及階躍點(diǎn)前后平均值和方差變化特性的異方差階躍點(diǎn)探測(cè)模型，并采用ECMWF再分析數(shù)據(jù)集ERA-Interim數(shù)據(jù)作為參考值研究了數(shù)個(gè)GNSS站PWV時(shí)間序列的一致性。

絕對(duì)探測(cè)方法采用原始數(shù)據(jù)的時(shí)間變化特性擬合數(shù)據(jù)本身的周期信號(hào)，基于去除周期信號(hào)的殘余時(shí)間序列完成非一致性探測(cè)，相較于參考數(shù)據(jù)的相對(duì)探測(cè)方法而言，該方法不需要外部數(shù)據(jù)的參考，因此學(xué)者們對(duì)該類方法進(jìn)行了研究和探索。文獻(xiàn)[169]利用T檢驗(yàn)構(gòu)造了序貫T檢驗(yàn)方法(STARS)方法。文獻(xiàn)[154]對(duì)時(shí)間序列進(jìn)行分段，并將時(shí)序的總方差分為外部方差和內(nèi)部方差，據(jù)此以外部方差最大和內(nèi)部方差最小為參考量提出了一種多階躍點(diǎn)探測(cè)方法。文獻(xiàn)[170]基于奇異譜分解方法構(gòu)造了一種階躍點(diǎn)探測(cè)非差方法，基于仿真數(shù)據(jù)的結(jié)果驗(yàn)證了該方法的探精度為30 d。文獻(xiàn)[171]將時(shí)間序列分解算法(seasonal-trend decomposition based on LOESS，STL)方法和PMFred(PMF to account for the red noise)方法進(jìn)行結(jié)合提出一種新的絕對(duì)自適應(yīng)探測(cè)方法(adaptive absolute homogeneity test，AAHT)。該方法將原始PWV數(shù)據(jù)分解為周期項(xiàng)、趨勢(shì)項(xiàng)和噪聲項(xiàng)，利用趨勢(shì)項(xiàng)完成非一致性探測(cè)，并基于噪聲項(xiàng)構(gòu)建自適應(yīng)因子進(jìn)行探測(cè)結(jié)果的虛警點(diǎn)檢驗(yàn)，保證探測(cè)結(jié)果的可靠性。

圖3 ALBH站大氣水汽時(shí)間序列基于AAHT法的非一致性探測(cè)結(jié)果[171]

3.2 PWV時(shí)間序列的特征演變分析

長期趨勢(shì)項(xiàng)和不同尺度的周期信號(hào)是基于PWV長時(shí)間序列進(jìn)行氣象分析的重要參考之一，很多學(xué)者進(jìn)行了基于全球或區(qū)域PWV數(shù)據(jù)對(duì)其長期變化趨勢(shì)研究，并通過對(duì)水汽變化的機(jī)制和主要驅(qū)動(dòng)力進(jìn)行分析。

針對(duì)PWV數(shù)據(jù)的時(shí)間演變特征，文獻(xiàn)[172]采用全球探空數(shù)據(jù)和Spearman相關(guān)系數(shù)，分析了全球1973—1995年和1958—1995年兩個(gè)時(shí)間段PWV的長期趨勢(shì)，首次發(fā)現(xiàn)大部分GPS站的大氣水汽與溫度呈顯著的正相關(guān)。文獻(xiàn)[173]分析了不同大氣水汽資料指出全球水汽分布受全球氣溫升高影響在整體上呈上升趨勢(shì)。文獻(xiàn)[174]基于全球1997—2007年的探空數(shù)據(jù)、微波輻射計(jì)和GPS觀測(cè)值，分析了全球的PWV序列的變化特征。結(jié)果表明，PWV序列在整體上呈現(xiàn)出上升的趨勢(shì)，且海洋地區(qū)的變化高于陸地地區(qū)，夜間變化高于日間變化，并且白天的PWV變化更加符合熱力學(xué)過程，而夜間的PWV變化主要受動(dòng)力學(xué)過程影響。文獻(xiàn)[175—176]顧及PWV觀測(cè)噪聲的一階自相關(guān)特性，分析了德國的PWV時(shí)間序列的長期變化趨勢(shì)。文獻(xiàn)[61]指出2000—2014年全球PWV的平均變化趨勢(shì)為每年1.29‰，但其結(jié)果的顯著性較差。文獻(xiàn)[177]利用GNSS觀測(cè)值和再分析資料的月平均PWV數(shù)據(jù)，分析了PWV的長期趨勢(shì)變化及其與地表溫度的相關(guān)性。文獻(xiàn)[178]利用ERA5和GNSS-PWV分析了印度洋南部區(qū)域的日間和季節(jié)變化特征。文獻(xiàn)[179]分析了地中海東部PWV不同季節(jié)的晝夜差異性。文獻(xiàn)[180]利用水汽輻射計(jì)、傅里葉變換紅外光譜儀(Fourier transform infrared spectrometer，F(xiàn)TIR)和GNSS的PWV信息研究了瑞士地區(qū)的水汽趨勢(shì)變化特征。文獻(xiàn)[181]利用中國地殼運(yùn)動(dòng)觀測(cè)網(wǎng)絡(luò)(crustal movement observation network of China，CMONOC)中28個(gè)GPS基準(zhǔn)站2004—2007年的觀測(cè)值分析了中國大氣水汽的周期變化特征與地理位置之間的關(guān)系。文獻(xiàn)[182—183]利用經(jīng)一致化處理的探空數(shù)據(jù)估算了中國上空大氣水汽的長期變化趨勢(shì)，同時(shí)分析了探空數(shù)據(jù)的不一致性對(duì)大氣水汽序列長期趨勢(shì)帶來的影響。文獻(xiàn)[184]利用成都30 min的PWV時(shí)間序列分析了大氣水汽的日變化趨勢(shì)，指出大氣水汽日變化趨勢(shì)與太陽照射強(qiáng)度存在一定的相關(guān)性。文獻(xiàn)[185]利用CMONOC的觀測(cè)值數(shù)據(jù)研究了中國PWV的時(shí)空分布特征和熱力學(xué)過程，結(jié)果表明中國的PWV平均值隨緯度增減而降低，最大值和最小值分別出現(xiàn)在華南地區(qū)和青藏高原地區(qū)，在水汽驅(qū)動(dòng)力方面，PWV的熱力學(xué)變化與中國的氣候分布有關(guān)。上述研究的結(jié)果表明在全球范圍內(nèi)PWV總體上呈現(xiàn)出上升趨勢(shì)，強(qiáng)度約為1‰～2‰，但其結(jié)果的不確定度較大，置信水平較差。

根據(jù)克勞修斯-克拉珀龍(Clausius-Clapeyron，C-C)方程，在相對(duì)濕度穩(wěn)定的條件下，溫度每升高1°，大氣水汽含量會(huì)增加7%，但是PWV-溫度趨勢(shì)變化的相關(guān)分析結(jié)果與C-C方程式的理論值(7%/K)具有一定的差距，因此學(xué)者們針對(duì)大氣水汽變化的其他驅(qū)動(dòng)力，研究了厄爾尼諾現(xiàn)象與大氣水汽變化的關(guān)聯(lián)性。文獻(xiàn)[186]在2000年首次研究厄爾尼諾與南方濤動(dòng)(El Nio-Southern Oscillation，ENSO)期間大氣水汽的變化情況。文獻(xiàn)[173]利用更長跨度的PWV時(shí)間序列分析了ENSO對(duì)熱帶、亞熱帶地區(qū)水汽的影響，證明了文獻(xiàn)[186]結(jié)論的可行性。文獻(xiàn)[148]利用1994—2004年195個(gè)GPS站的觀測(cè)值研究了PWV的變化特征與ENSO之間的相關(guān)性。文獻(xiàn)[187]利用多種氣象模型和兩種再分析數(shù)據(jù)(ERA-40和MERRA)計(jì)算了ENSO活動(dòng)期間海表溫度對(duì)大氣水汽反饋強(qiáng)度的影響。文獻(xiàn)[188]利用中國南海和東南亞的PWV數(shù)據(jù)分析了水汽變化與海表溫度、厄爾尼諾指數(shù)之間的相關(guān)性。文獻(xiàn)[189]采用2007—2015年GPS站點(diǎn)坐標(biāo)、重力恢復(fù)與氣候?qū)嶒?yàn)衛(wèi)星(gravity recovery and climate experiment，GRACE)的等效水深和PWV數(shù)據(jù)研究了云南干旱事件期間三者的協(xié)同關(guān)系。文獻(xiàn)[190]利用經(jīng)驗(yàn)正交分解分析了ENSO發(fā)生期間中國南部區(qū)域PWV和溫度的時(shí)空演變特征，并基于PWV和溫度提出了一種新的ENSO表征指數(shù)。文獻(xiàn)[65]利用改進(jìn)的SSA方法對(duì)全球56個(gè)臨海地區(qū)的GPS站PWV序列進(jìn)行信號(hào)分解，并對(duì)提取得到的非線性趨勢(shì)與月異常均值進(jìn)行了相關(guān)性分析，基于此研究了PWV與ENSO現(xiàn)象的關(guān)系。文獻(xiàn)[191]研究了ENSO對(duì)俄羅斯PWV年際變化的影響。

圖4 地基GNSS大氣水汽與海表溫度的相關(guān)系數(shù)[65]

3.3 PWV時(shí)序氣候應(yīng)用未來研究及應(yīng)用展望

關(guān)于在非一致性探測(cè)方法，相對(duì)探測(cè)方法是使用最多的探測(cè)方法。對(duì)PWV而言，常用的參考數(shù)據(jù)源為并址GNSS站、探空站和再分析數(shù)據(jù)。但是這幾種參考數(shù)據(jù)具有一定局限性：①受限于地面站點(diǎn)的空間分布和再分析數(shù)據(jù)的精度，參考數(shù)據(jù)往往較難獲取；②參考數(shù)據(jù)可能存在非一致現(xiàn)象，故差分序列的探測(cè)結(jié)果無法確定探測(cè)結(jié)果的來源；③差分算子可能會(huì)掩蓋非一致現(xiàn)象，特別是階躍量較小時(shí)，容易受到參考數(shù)據(jù)和目標(biāo)數(shù)據(jù)本身噪聲的影響。絕對(duì)方法不需要外部參考數(shù)據(jù)，可避開上述問題，從理論上講，絕對(duì)探測(cè)方法是PWV時(shí)間序列非一致性探測(cè)的最優(yōu)選擇，但受限于當(dāng)前對(duì)PWV時(shí)間演變特征認(rèn)知的局限性，目前的信號(hào)分解方法無法給出精確的信號(hào)分解結(jié)果，故絕對(duì)探測(cè)方法的準(zhǔn)確性和虛警率仍存在一定問題。因此，一致性探測(cè)方法需要從兩個(gè)方面入手：①對(duì)于相對(duì)探測(cè)方法，最佳的參考數(shù)據(jù)為與目標(biāo)數(shù)據(jù)同一系統(tǒng)的觀測(cè)值，因此增加GNSS觀測(cè)值的數(shù)量，打破不同業(yè)務(wù)部門GNSS數(shù)據(jù)的壁壘，同時(shí)提高參考數(shù)據(jù)的可靠性，有利于提高相對(duì)探測(cè)方法的精度。②對(duì)于絕對(duì)探測(cè)方法，需要提高對(duì)PWV時(shí)間演變特征和觀測(cè)噪聲特性的認(rèn)知，進(jìn)一步提高信號(hào)分解的精度，從而改進(jìn)絕對(duì)探測(cè)方法的探測(cè)效果。

針對(duì)PWV的時(shí)間演變特征，當(dāng)前的研究方法基本都是基于長期趨勢(shì)項(xiàng)和周期振幅、相位為常數(shù)的假設(shè)。然而，PWV作為大氣狀態(tài)的表征，易受到如短期極端天氣，持續(xù)數(shù)年的厄爾尼諾變化、干旱等不同氣象因素的影響，PWV時(shí)間變化呈現(xiàn)出明顯的非線性變化趨勢(shì)，故將PWV長時(shí)間序列中的趨勢(shì)項(xiàng)、周期項(xiàng)作為常數(shù)項(xiàng)的擬合結(jié)果不具有統(tǒng)計(jì)意義上的顯著性。因此，應(yīng)充分認(rèn)識(shí)PWV時(shí)間序列中的非線性時(shí)間演變特征，進(jìn)一步探測(cè)非線性信號(hào)分解方法，提高信號(hào)分解結(jié)果的顯著性，并借此分析大氣水汽變化與全球變暖、厄爾尼諾等多種氣候現(xiàn)象的關(guān)聯(lián)性，從而研究大氣水汽變化與不同氣象因素的耦合關(guān)系，深入認(rèn)識(shí)大氣水汽變化的主要驅(qū)動(dòng)力。

4 結(jié)束語

GNSS大氣水汽探測(cè)遙感作為一個(gè)跨學(xué)科的、新興的研究方向，通過綜合利用GNSS反演的大氣資料對(duì)于提高各類氣象模型的預(yù)報(bào)性能，開展針對(duì)極端氣象事件預(yù)報(bào)及氣候變化監(jiān)測(cè)應(yīng)用有著非常積極的作用。本文系統(tǒng)闡述了地基GNSS大氣水汽探測(cè)遙感技術(shù)及其應(yīng)用的發(fā)展過程，首先介紹了近年來包括對(duì)流層延遲、大氣可降水量等多類型GNSS大氣參數(shù)高精度反演的研究進(jìn)展；然后對(duì)GNSS大氣反演在極端天氣短臨預(yù)報(bào)及氣候變化現(xiàn)象解釋兩個(gè)方向的研究工作進(jìn)行了科學(xué)探析；最后，闡明了GNSS大氣水汽探測(cè)遙感技術(shù)面臨的主要挑戰(zhàn)及未來研究展望。當(dāng)前，雖然地基GNSS大氣反演技術(shù)已經(jīng)有了較大的發(fā)展，然而，作為非常規(guī)的氣象觀測(cè)資料，各類GNSS大氣產(chǎn)品從實(shí)時(shí)反演到質(zhì)量控制與誤差分析，再到在氣象和氣候領(lǐng)域的有效利用，都仍存在諸多問題需進(jìn)一步探究解決。其中，伴隨北斗導(dǎo)航衛(wèi)星系統(tǒng)的全面建成使用，如何進(jìn)一步完善基于多系統(tǒng)GNSS觀測(cè)高精度反演大氣產(chǎn)品的處理策略，探究不同映射函數(shù)、信號(hào)頻率、對(duì)流層約束類型、多系統(tǒng)定權(quán)以及大氣負(fù)載等因素對(duì)反演過程及產(chǎn)品精度的影響，尋求一套最優(yōu)的多系統(tǒng)GNSS反演大氣信息處理方法，并利用各類模型方法有效實(shí)現(xiàn)其在極端天氣短臨預(yù)警預(yù)報(bào)與氣候變化分析中的應(yīng)用，將是未來GNSS大氣反演的研究重要方向。此外，近年來，全球范圍GNSS連續(xù)觀測(cè)站網(wǎng)中大氣探測(cè)數(shù)據(jù)的不斷累積，為大地測(cè)量領(lǐng)域時(shí)空大數(shù)據(jù)分析帶來前所未有的新機(jī)遇，如何充分挖掘并高效利用GNSS歷史大數(shù)據(jù)中蘊(yùn)含的信息，也有待進(jìn)一步開展更為深入系統(tǒng)的研究。