利用基于异常的GNSS-PWV预报因子百分位阈值探测强降水外文翻译资料

英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

利用基于异常的GNSS-PWV预报因子百分位阈值探测强降水

Haobo Li^1,2,3 Xiaoming Wang ^1,4 Suelynn Choy ¹ Chenhui Jiang³ Suqin Wue⁵ Jinglei Zhang² Cong Qiu² Kai Zhou² Li Li ⁶ Erjiang Fu ⁷ Kefei Zhang⁵

1 Satellite Positioning for Atmosphere, Climate and Environment (SPACE) Research Center, RMIT University, Melbourne, VIC 3001, Australia

2 Aerospace Information Research Institute, Chinese Academy of Sciences, No. 9 Dengzhuang South Road, Haidian District, Beijing 100094, China

3 State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China

4 University of Chinese Academy of Sciences, No. 19A Yuquan Road, Shijingshan District, Beijing 100049, China

5 School of Environment Science and Spatial Informatics, China University of Mining and Technology, No. 1 Daxue Road, Xuzhou 221116, China

6 Research Center of Beidou Navigation and Remote Sensing, Suzhou University of Science and Technology, Suzhou 215009, China gBei-stars Geospatial Information Innovation Institute, Nanjing 210000, China

摘要：如今,从全球导航卫星系统( GNSS )观测得到的对流层产品,如可降水量( PWV ),预示着全球导航卫星系统气象应用的新时代,特别是在探测强降水方面。在气象研究中,大气变量的距平时间序列被广泛用于考察其原始序列偏离某一lsquo;正常rsquo;周期的情况,它是根据特定的目的来定义的,例如它对特定天气事件的响应。本研究建立了利用PWV衍生的7个预报因子基于距平百分位阈值的强降水探测新模型。这7个预报因子能有效地反映强降水事件前PWV系列变化的全貌,包括小时PWV值及其6类派生变量。这些预报因子的日均值和基于距平的百分位阈值是根据它们在2010—2017年8年期间的原始时间序列在HKSC-KP共定位站得到的。然后将这些值应用于2018—2019年期间的样本数据,以确定其异常和一系列异常。最后将检测结果与逐时降雨记录进行对比评价。结果表明,97.6 %的强降水被正确探测,平均超前时间为4.13 h。与现有模型相比,新模型的季节FAR降低了13.4 %。通过在香港地区另外两对台站进行新模型的验证试验,也得到了类似的结果。这些结果都表明,基于PWV衍生的预报因子异常百分位阈值可以有效地应用于强降水事件的探测。

关键词：全球卫星导航系统（GNSS）; 可降水量（PWV）; 异常; 强降雨探测; 百分位阈值;

1 引言

在过去十年中，频繁发生的恶劣天气事件对财产和生计造成了重大损失，并夺走了许多人的生命^{[1, 2]}。1990-2006年灾害记录统计表明，仅在中国，平均每年受恶劣天气事件影响的人数为3.87亿，平均直接经济损失超过185.9亿元人民币。在所有恶劣天气事件中，强降雨是影响人类的最重要事件之一，其持续时间、强度和频率与洪水、山体滑坡等各类自然灾害的发生密切相关。此外，2011至2020年间，中国近 40% 的自然灾害是强降雨造成的。因此，这些现象突显出开发可靠、稳健的方法/系统用于恶劣天气事件的即时预报和极小范围预报的迫切需要。^{[3, 4]}

大气水汽，被认为是基本气候变量，极大地影响垂直大气的稳定性、水文和能量循环，以及对流系统的形成^{[5, 6]}。作为大气中最活跃的成分之一，水汽的演变对于确定潜在恶劣天气事件的强度、时间和范围具有重要意义^[7]。因此，为了进一步细化强降雨监测及检测服务，大气水汽的含量及其运动轨迹的获取具有重要意义。然而，大气水汽的快速变化和动态特性使得准确及时地获得其在对流层的时空分布成为一项极其困难的任务。水汽探测的传统方法，例如探空气球、水气辐射计、卫星仪器等^[8-10]，具有时空分辨率低、成本高、易受系统误差影响、易受天气条件影响等缺点^{[11, 12]}，因此这些方法不能广泛用于恶劣天气事件的监测和检测。近四十年来，全球导航卫星系统( GNSS )的不断发展和现代化为进一步改进大气遥感技术提供了广阔的前景^{[9, 13-15]}。一般来说，使用 GNSS 无线电信号的观测，即地基/天基 GNSS 观测，由于具有全天候能力、长期稳定性、全球覆盖和低成本的等特点^{[16, 17]}被视为对那些原位和遥感观测的补充。正如Kouba^[18]和 Dow et al. ^[19]所建议，国际全球导航卫星系统服务处( IGS )通常提供地基GNSS观测数据的近实时对流层延迟( ZTD )估计值，其精度为4毫米，间隔为5分钟，其性能与采用后处理技术得到的结果几乎相等^[20]。然后，通过ZTD估算，可降水量( PWV )作为大气水汽的表征，也可以近实时的结合气象参数进行简单反演^[21-23]。因此，高精度、高时空分辨率和独立的水汽信息（即 PWV）的可用性为 GNSS 气象应用预报恶劣天气事件开辟了新的途径和新的可能性^[24-26]。基于降雨事件的形成机制^[27]和已证实的降雨事件与 PWV 时间序列之间的正相关性^[28-31]，利用 PWV 的预报器或从先前文献中的连续 PWV 时间序列派生的变量，已经提出了不同类型的模型来检测降雨事件，包括基于数值天气预报的模型^[32-34]，基于神经网络的模型^[35-37], 基于阈值的模型^{[38, 39]}等。在所有模型中，基于数值天气预报模式开发的方法占绝大多数，将 PWV 衍生变量加入到模型中以改进降雨预报的精度。Saito等^[40]进行了一项综合实验，将 PWV 加入到日本气象厅使用的数值天气预报模型中。结果表明，暴雨事件的预报精度大大提高，即使是分散的局地暴雨也能正确预报。Rohm 等^[41]还发现，通过将 PWV 同化到天气研究和预报模型中，该模型的降雨预报性能得到了显着改善。除了基于数值预报模型的方法外，基于阈值的模型也被广泛使用，该模型采用预先确定的阈值作为预报降雨的触发因素。Yao 等^[42]开发了一个基于阈值的模型，使用 PWV 值、PWV 变化量和 PWV 变化率三个预报变量，从 PWV 时间序列推导出来，结果显示检出率为 82%，误报率为 66%）。Manandhar 等^[43]提出了一种利用PWV最大值和最大增量速率两个预报因子的新方法，用于预报热带地区的降雨事件，该方法将误报率降低了 17%，同时保持了 80% 以上的检出率。在我们最近的研究中^[44]，一个改进的基于阈值的模型，包含来自 PWV 系列上升和下降趋势的五个预报因子用于检测强降水，该模型的检出率和预报率分别为 95.5% 和 28.9%。需要指出的是，尽管阈值模型缺乏物理基础，被认为是一种外推模型，但与其他现有模型相比，它具有结构简单、操作方便、可移植性好等优点。因此，这类模型可以有效地作为运营模型的补充解决方案，特别是对于恶劣天气时间的即时预报和极小范围预报的应用。

众所周知，确定针对某个恶劣天气事件的预报因子的最优预报阈值集合，对于建立合理的阈值模型具有最基本和最重要的作用。这个问题可以进一步分解为两个部分，即用于确定过程的方法和定义阈值的时间分辨率。以前的研究中，应用了几种方法来确定预报因子的最佳阈值^{[45, 46]}。例如，在这些研究中^{[38, 42]}，只是简单地采用了预报变量的经验阈值，而没有任何判定，这些阈值通常是在一定的数据范围内给出的。在我们最近的研究中^{[44, 47]}，基于已被广泛接受的临界成功指数( CSI )度量，确定了7个预报因子的最优阈值集合，每个预报因子在一定时期内具有唯一的阈值( 而不是一个数据范围 )。虽然使用该方法可以根据长期的样本数据获得较为合理的阈值，但确定的值可能与同一地区不同时期的另一组数据不太吻合。Zhao等^[39] 采用百分位数法确定一组最优百分位阈值，该阈值表示整个数据集的阈值分布。由于该方法确定的阈值为百分位数( 而不是某些值 )，因此，即使对同一时期不同的预报因子或同一预报因子在不同时期确定相同的百分位值，其百分位数设定的相应阈值也不同。另一方面，即确定阈值的时间分辨率，在以往的研究中，经常使用月度阈值^{[44, 48]}。这主要是由于变量的季节性/每月变化可以通过按月确定的阈值来充分考虑^{[49, 50]}。然而，根据我们的研究^[47]，使用每月阈值更有可能导致在连续两个月之间的过渡期内检测性能不佳。此外，由于 GNSS 衍生的对流层产品的高动态特征，每月阈值可能会忽略其时间序列中包含的几个特征。因此，提出了一种确定预报因子日阈值的新方法，结果表明，在降雨事件检测方面，本文提出的日阈值优于月阈值。

需要指出的是，虽然上述方法在一定程度上可以有效地指示降雨事件的发生，但现有模型得出的误报率普遍较高。除了强降水形成的复杂性外，造成这种现象的另一个可能原因是，现有模型主要依靠这些采用变量的原始时间序列和变化趋势，对这些变量缺乏定量的认识。一般来说，强降水被认为是所有天气事件中的罕见事件，它并不频繁发生，也就是说，与强降水的“正常”周期相比，在强降水发生前，需要更多地关注预报器的离开值和异常变化。一个变量的异常时间序列可以有效。地用于最小化数据范围和定量估计变量的时变结构，这些结构不包含在其原始时间序列中^{[27, 51-53]}。因此，本文的主要贡献在于首次提出利用PWV衍生的预报因子异常序列来探测强降水事件并分析其影响。分析某一变量的异常序列以应对某一天气现象是气象界的普遍做法，然而对于GNSS观测所得的变量，这种类型的分析在现有文献中尚未见报道，更谈不上用于强降水探测。此外，针对鲁棒检测模型开发所包含的每一步提出的技术也被利用。因此，本研究建立了基于PWV 7个预报因子异常百分位阈值的强降水探测新模型。

论文其余部分结构如下:第2节简要介绍了研究中使用的数据;第3节分析了利用异常阈值探测强降水的合理性，给出了从预报器原始序列到最终探测序列的整个数据处理过程;第四节介绍了利用PWV时间序列中7个预报因子的最优异常百分位阈值建立的强降水探测新模型的建立和评估;结论和研究展望见第5节。

2 数据采集

本研究选取具有典型亚热带气候的香港地区作为试验区。为保证研究的一般性，特选取夏季高温、潮湿、多雨的强降水、雷雨、台风多发季节作为试验时段^{[54, 55]}。从统计上看，过去10年中80 %以上的强降水事件发生在夏季，这一比例甚至在2018—2020年期间达到86 %。基于本研究的主要课题，模型开发所收集的数据主要包括小时PWV时间序列及其对应的降雨记录。

2.1 GNSS-PWV及其派生数据

2.1.1 位置选取

在香港连续运行参考站 (CORS)的所有地面 GNSS 跟踪站中，本研究选择了 HKSC 站。选择的原因主要在于数据可用性和站点位置。需要说明的是，HKSC站是香港地区唯一使用的探空站和香港天文台最近的站，因此可以确保对在该站获得的产品进行准确评估。此外，该站还配备了维护良好的气象传感器，这使得PWV的反演变得较为容易。

2.1.2 GNSS-PWV的获取

一般来说，当GNSS信号从卫星传输到地面GNSS接收机时，对流层造成的信号延迟无法有效消除。这归因于神经大气(对流层)的非弥散行为。ZTD的产品被认为是大气对流层延迟的代表。本研究利用2010 ~ 2019年10年研究时段的夏季HKSC站GNSS观测值和瑞士伯尔尼大学研发的精密定位与定规软件 GNSS数据处理软件^[56]，计算逐时ZTD估计值、梯度以及其他大

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[587850]，资料为PDF文档或Word文档，PDF文档可免费转换为Word