何安宏 吴学群
摘 要：
利用GAMIT/GLOBK软件解算了香港5个CORS站2018年一年的数据，反演得到了HKOH、HKST、HKNP、HKWS、T430，五个站的可降水汽含量数据，与香港探空站45004数据进行分析验证，并做了相关性分析，得到两者的相关性高达0.95，证明了地基GNSS反演可降水汽的可行性;并结合2018年9月16号台风“山竹”在香港地区过境前后降雨量的变化进行了分析，得出了地基GNSS在极端天气中应用的可行性，并且在时间分辨率上效果比探空数据要好;利用BP神经网络模型对降雨进行了预测，在已知PWV数据的前提下，能快速的得到降水发生的时间段。
关键词：
GAMIT/GLOBK;PWV;BP神经网络;极端天气
中图分类号：
TP319 文献标识码：
A DOI：10.3969/j.issn.1003-6970.2020.10.057
本文著录格式：何安宏，吴学群. 地基GNSS反演PWV在极端天气中的应用[J]. 软件，2020，41（10）：219224
【Abstract】：
Using GAMIT/GLOBK software， the data of five CORS stations in Hong Kong in 2018 are calculated， and the data of precipitable vapor content of five stations， namely， HKOH， HKST， HKNP， HKWS， T430， are retrieved. The data are analyzed and verified with the data of Hong Kong sounding station 45004， and the correlation analysis is made. The correlation between the two is as high as 0.95， which proves the feasibility of ground-based GNSS inversion of precipitable vapor. In combination with September 2018 Based on the analysis of rainfall changes before and after Typhoon “Shanzhu” passed through Hong Kong， the feasibility of application of GNSS in extreme weather is obtained， and the effect is better than that of sounding data in time resolution; the rainfall is predicted by BP neural network model， and the time period of rainfall occurrence can be quickly obtained on the premise of known PWV data.
【Key words】：
GAMIT/GLOBK; PWV; BP Neural Network; Extreme weather
0 引言
大氣中的水汽含量虽然较少，但是它却是大气中的重要组成部分，大气中的水汽不仅与降水有关还作为反映温室效应的一个主要指标，许多极端天气如：暴雨、厄尔尼诺现象等的出现与大气中的水汽有直接的关系它是很多天气突变和自然灾害形成主要因素。探测水汽的方法有很多比如无线电探空、卫星探测、微波辐射计、激光雷达探测、飞机探测、激光探测、地面湿度计、太阳光谱分析仪、地基GNSS探测。其中由于全球卫星定位导航系统具有全天候、高精度、高时空分辨率、实时高效、不受天气因素影响、成本低廉等优点，使得地基GNSS反演PWV成为计算PWV的一种快速精确的方法，并且可以对极端天气做出预报和预警[1]。20世纪80年代，Askne和Bevis等人首次提出了利用GPS来探测大气水汽的理论并通过实验实现了GPS反演PWV的过程，计算了大气加权平均温度模型[2]，随后陆续有国内外学者进行对GPS/GNSS反演PWV的精度验证，来自于中国测绘科学研究院、北京大学、武汉大学、中科院、气象局等机构的学者对各地区的测站分别进行过研究，得到并验证了GPS反演PWV的可行性，GPS气象学也随之发展而来，并且应用越来越广泛[3-12]。2018年全球极端天气频发，暴雨、台风的现象时常出现给社会生产带来了很大的损失，本文利用GAMIT/GLOBK数据解算软件对香港5个CORS站2018年的原始观测数据进行处理，结合2018年台风“山竹”过境香港时带来的强降水，分析验证了地基GNSS反演PWV的精度和可靠性以及反演结果在降水预测方面的应用。
1 地基GNSS反演大气水汽的原理和方法
1.1 地基GNSS反演大气水汽的原理
GNSS电磁波信号穿过大气层时由于电离层和对流层的影响，造成了电磁波信号的延迟，总体延迟表现为传播路径的弯曲和传播速度的减慢。学者已经证实由于电离层延迟与信号频率平方成反比，可以使用双频观测值进行削弱达到毫米级的精度;对流层延迟即天顶总延迟，由湿延迟和静力延迟两部分组成。常用与计算天顶静力延迟的模型有Saastamoinen（SAAS）模型、Hopfield模型、Black模型[3-12]。其中SAAS模型为：
其中，P为测站气压，为测站纬度，H为测站高程天顶湿延迟变化较为复杂，使用模型也难以保证其精度一般通过下式计算：
可降水量的推算可由以下公式推算：湿延迟和大气可降水量的（PWV）的转化公式为：
综上所述：GNSS反演大气可降水量的流程如图1。
1.2 GAMIT参数设置
GAMIT/GLOBK是一款由麻省理工学院（MIT）研制的运行在UNIX/LINUX操作系统上的一款GNSS高精度数据处理分析软件[13];利用GAMIT软件可以得到高精度的基线解算结果，其解算的结果相对精度能够达到10-9左右，解算短基线的精度能优于1 mm。文章采用GAMIT进行数据处理软件参数设置多数为默认值改动的参数如表1所示，解算模式我们选择RELAX松弛解，选择输出天气文件met，这里GAMIT里的默认是关闭需要自己将其设置为Y，映射函数选择VMF1，将海潮模型和无潮汐大气负载参数格网模型打开，这两个模型需要自行下载。
2 GNSS—PWV解算数据分析
使用GAMIT/GLOBK解算香港2018年一整年4个地基GNSS站的观测数据，求得得到时间分辨率为一小时的PWV降水数据，根据香港地区的气候条件发现每年的6月份以后为香港地区降水的高峰期选择6月份数据进行数据分析对比。通过GAMIT解算得到的6月份数据年积日152到159天验后NRMS值如表2所示，一般NRMS在0.25左右为正常，超过0.5则解算数据有问题需要重新解算，表2中所列为一周的NRMS值，全年的解算的NRMS都在0.2以下，满足解算要求。
使用GAMIT自带的求解可降水量的模块求得香港5个CORS站2018年全年PWV数据，同理抽取6月份数据进行数据对比分析，按照距离探空站最近的测站HKOH 6月降水数据如表3所示，从表中我们可以发现GNSS所求的PWV数据与探空站所求得PWV数据基本相差在2-3个mm左右，从图2中我们可以看到两条折线的变化趋势峰值和低谷基本一致，这也说明了使用GNSS反演PWV数据的可行性。
为了查看两组数据的相关性，使用Pearson相关系数法对两组数据进行相关性分析，即两个连续变量的相关性系数等于它们之间的协方差cov（X，Y）除以它
们各自标准差的乘积。系数的取值总是在–1.0到1.0之间，接近0的变量被成为无相关性，接近1或者–1被称为具有强相关性，其中公式为：
相关系数r的值介于–1与+1之间，即–1 当r>0时，表示两变量（当X的值增大（减小），Y值增大（减小））正相关，r<0时，两变量为负相关（当X的值增大（减小），Y值减小（增大））;当|r|=1时，表示两变量为完全线性相关，即为函数关系;当r=0时，表示两变量间无线性相关关系;当0<|r|<1时，表示两变量存在一定程度的线性相关。且|r|越接近1，两变量间线性关系越密切;|r|越接近于0，表示两变量的线性相关越弱。一般可按三级划分：|r|<0.4为低度线性相关;0.4≤|r|<0.7为显著性相关;0.7≤|r|<1为高度线性相关。 用Pearson相关系数法得到GNSS得到的PWV与Radiosonde的PWV两者的相关系数为0.95，然后对两组数据做线性回归分析得到R2为0.9035，绘制如图3。 通过以上分析可见，使用地基GNSS计算出来的PWV与探空站计算出来的PWV具有很强的相关性，两者的相关性达到了0.95，并且通过计算两者相对误差，除了个别相差较大以外其余的基本只相差2-3 mm。这就充分的说明可以使用GNSS求解PWV，这样可以使得GNSS全天候，实时高效成本低等的优势在降水预测中得到充分发挥。 3 地基GNSS/PWV与实际降水的关系 3.1 台风过境时带来的影响和强降水分析 2018年9月16日17时，台风“山竹”登陆广东省，登陆时中心附近最大风力14级，中心最低气压955百帕，9月18日17时，台风“山竹”已造成广东、广西、海南、湖南、贵州5省（区）近300万人受灾，5人死亡，1人失踪，160.1万人紧急避险转移和安置。据应急管理部有关负责人介绍，台风“山竹”还造成5省（区）的1200余间房屋倒塌，800余间严重损坏，近3500间一般损坏;农作物受灾面积174.4千公顷，其中绝收3.3千公顷;直接经济损失52亿元。 结合2018年香港发生的降雨事件和对台风过境时降水量的变化与GNSS/PWV对比分析分别画出了2018年全年香港CORS站HKOH的GNSS降水量和探空站45004还有实际降水量的对比分析图，分别从1月到12月做出了GNSS和探空站的PWV数据折线图，从图上我们可以更加清楚的看到两条折线的变化趋势和峰值等基本吻合。并且在峰值下降过程中产生了实际降水。 通过上述的降水趋势图与实际降水量对比分析，证明香港地区CORS 基准站反演得到的大气可降水量、无线电探空数据与实际降水量趋势吻合，能够反映出香港地区水汽变化的过程。通过上述香港地区一年可降水量的趋势图，结合此次台风“山竹”过境引发的暴雨的生消过程进行分析，从降水量上看：台风过境期间香港实际降水量达到了167.5 mm，而探空数据和GNSS所得到的降水量为均为60 mm左右与实际降水量有较大的差异，从变化趋势上看：1月15到1月16日期间探空降水数据和GNSS降水数据从44 mm左右飙升到71 mm有一个较大的变化趋势，这与台风过境时吻合。 针对实际降水量与GNSS所得的降水量数据有较大的差异我们在多加入几个CORS站，排除是因为测站导致降水量差异，再次分析三者的关系如图5。 从其他站PWV数据的走势和变化来看基本与原来测站吻合，也说明并非因为测站导致PWV数据与实际有较大差异，所有测站在15日到16日期间有一个PWV量的剧增和剧减，这充分印证了强降水的到来期间水汽的聚集于释放，也从侧面印证了当台风过境时，可能会带来比实际更多的强降水。无线电探空数据每天0时和12时放一次探空气球对降水量进行一次观测，而GNSS可以得到逐小时的可降水量，图6中我们选择了台风过境前后一天共三天的数据做出折线图，图中可以看到15号12点到24点时间段水汽持续下降这是降水的发生的时间段，在16号0时到12时PWV数值一直在上升这是水汽聚集，直到17号PWV数值才持续下降，这就与台风的过境时和过境后带来的强降水相对应，从而证实了GNSS对强降水极端天气的预测的可行性，并且在时间分辨率上有相对于探空数据有很大的优势，使得GNSS在降水预报方面更優于探空站。 4 BP神经网络模型降水预测 BP神经网络是信号是前向传播，误差反向传播一种多层的前馈神经网络，是目前应用最广泛的神经网络模型之一[14]-[19]。上文我们证实了地基GNSS在降水预报上的可行性，我们也发现在PWV数值在30 mm以上时每当有水汽的急剧上升和下降大都会发生降水事件，这时我们可以利用神经网络模型结合GNSS所求的PWV数据进行降水的预测。从以上分析中可以看到降水的发生和消亡伴随着可降水量PWV的上升聚集和下降倾泻，利用这种规律，将每天的PWV数据和PWV数据的突变作还有年积日作为输入的变量，发生降水作为输出量，做一个神经网络降水发生的预测，我们将前半年150天的数据作为训练样本，然后预测后半年发生降水的时间。 第一，时间分辨率按天来预测，该模型包含3个输入，5个隐含层，一个输出层一个输出;从图10中我们看到本次训练一共迭代了15次，最终达到设定的误差10-4也就是红线的变化，结合图8、图9可以看到本次模型训练的结果和效果都是比较圆满的，通过数据分析得到如表4的数据，我们选取其中一段数据查看结果原本的数据输出只有–1、0、1这三个数值我们开始就讲-1为水汽上升、0为没有降水发生，1为发生降水从而得到表4所示数据。 从表4中可以看到预测的结果与实际发生降水的时间是基本对应的，在实际降水的统计中一般在0.05左右是统计不到的，所有即使发生了降水，统计部门也不一定能得到，这应该就是数据中本应该发生降水而实际降水中没有数据的原因。上面的数据按照天数来计算的如果按照小时来计算是否会更加准确和清晰？接下来我们将从解算得到时间分辨率为小时的PWV数据进行预测分析，我们提取年积日为259天前12小时的预测数据 从上面的表格看出我们预测值与实际值是一致的，从16日0时开始PWV值一直上升，而且全天都在60 mm可能一整天都在发生降水事件。上表的数据时间分辨率更高，获得的降水数据越精确，从而使得GNSS在降水的预测和预报中发挥更好的作用。 5 总结 （1）通过解算香港2018年一整年的GNSS数据获得了时间分辨率为一小时的PWV数据，通过与香港探空站数据进行分析对比，GNSS获得的PWV值与探空站获得的PWV值两者在时间序列上有高度的一致性，两者的变化趋势基本相同，均方根误差较小，通过person相关系数法对两者进行分析得到两者的相关系数超过0.9，对两者的相对误差做了回归分析得到他们的R方为0.9035，说明两者误差线性回归效果显著，从而证实了GNSS数据解算PWV的可靠性。 （2）分析了2018年台风“山竹”在台湾过境时带来的强降水，通过单站分析和多个测站联合分析得到了GNSS对强降水的到来有一定的预测性，通过后期数据处理GNSS可以在台风预警强降水等极端天气中发挥巨大作用，从而减少社会经济损失，减少极端天气给人们带来的生命和财产的威胁。 （3）文末我们探讨了在获得PWV数据的前提下利用神经网络模型对发生降水的时间进行了一个预测，得到的预测结果与实际降水基本符合，这也就说明我们在利用GNSS实时获得PWV数据后可以利用神经网络模型对即将发生降水的区域做出预报和预警，使得GNSS在天气预警方面的效率越来越高。 6 存在的问题 （1）在对数据计算过程中第一天的24时和第二天0时获得的PWV数值不一样的问题，是否能取两者的平均值作为重合时段的PWV值; （2）在台风过境时当天的实际降水量达到了167 mm，而GNSS和探空站得到的PWV只有60多毫米，如何获得台风期间更精确的PWV数据还需要继续分析; （3）利用神经网络模型对降水进行预测和预报还需升级，是否可以根据气压气温的变化还有测站位置对降水时间和可降水量进行直接预测这种更加的节约预测预报的时间。在进行降水预测师是否能够根据PWV数值的大小，结合其他因素得到实际降雨量的大小，使得降水预报更加准确和有效果。 参考文献 [1]刘立龙， 黎峻宇， 黄良珂， 等. 地基GNSS反演大气水汽的理论与方法[M]. 测绘出版社， 2018： [2]Bevis M， S Businger， TA Herring， et al. GPS Meteorology： Remote sensing of atmospheric water vapor using the Global Positioning System. J. Geophys. Res. 1992， 97： [3]陈明东. GPS/PWV在臺风“玛莉亚”袭闽期间的变化特征研究[J]. 测绘通报， 2019（01）： [4]高志钰. 区域大气可降水量反演及应用研究[D]. 兰州交通大学， 2019. [5]江鹏. 地基GNSS探测2D/3D大气水汽分布技术研究[D]. 武汉大学， 2014. [6]金鑫， 施昆， 陈云波， 等. GPS可降水汽含量在强降雨过程中的特征分析[J]. 全球定位系统， 2018， 43（2）： [7]罗桢. 地基GPS反演大气可降水量及其在台风分析中的应用研究[D]. 东华理工大学， 2017. [8]苏贝. GAMIT/GLOBK软件应用实例与数据分析[J]. 城市勘测， 2015（04）： [9]苏永柠. GPS可降水量短临预报方法研究[D]. 桂林理工大学， 2018. [10]杨斯淏. 地基GPS反演大气可降水量在香港地区的应用研究[D]. 东华理工大学， 2017. [11]赵庆志. 地基GNSS水汽反演关键技术研究及其应用[J]. 测绘学报， 2018， 47（3）： [12]朱恩慧， 杨力， 贾鹏志， 等. 暴雨天气中地基GNSS可降水量时序变化分析[J]. 导航定位学报， 2018， 6（1）： [13]张明， 徐杰. 利用GAMIT/GLOBK软件进行高精度GPS数据处理[J]. 西部探矿工程， 2010， 22（2）： [14]吴麟， 冯利华. 基于BP神经网络的义乌市降水量预测[J]. 浙江水利科技， 2014， 42（2）： [15]石黎， 孙志梅. 教学质量评价的BP 神经网络模型[J]. 软件， 2015， 36（3）： [16]陶颖新， 李春青， 苏华. 基于改进的PSO和模糊RBF神经网络的MBR膜污染预测[J]. 软件， 2018， 39（8）： [17]常强， 赵伟， 赵仰杰. 基于神经网络的数据分类预测与实现[J]. 软件， 2018， 39（12）： [18]王宏涛， 孙剑伟. 基于BP神经网络和SVM的分类方法研究[J]. 软件， 2015， 36（11）： [19]安晶晶， 刘高平， 朱佳宁. Farneback光流法在短临预报中的应用[J]. 软件， 2018， 39（10）：
2-4.
15787-15801.
93-96+137.
65-71.
82-85.
424.
21-26.
161-164.
52-54.
19-21.
52-56.
207-209.
96-99.
18-25.
