基于数值天气预报数据的大气加权平均温度的计算方法

本发明属于气象温度计算，具体涉及基于数值天气预报数据的大气加权平均温度的计算方法。

背景技术：

1、gnss信号穿越大气层时由于折射的影响，往往会出现一种被称为对流层延迟的信号弯曲或延迟现象。其中的湿分量可以通过大气加权平均温度(tm)线性转化为大气可降水量(precipitation water vapor,pwv)。而大气水汽含量的时空变迁是监测和预报不同尺度天气、气候现象的关键因子。因此，基于gnss反演大气水汽含量受到国内外学者的广泛关注，进而延伸了出了一个新的学科——gnss气象学。综上，精确计算tm是利用gnss准确反演pwv的重要保障，进而提升基于大气水汽监测和预报不同天气、气候的性能。精确的tm虽可通过测站的实测气象数据计算获得，但不是所有地区都有实测气象数据。为此，学者们构建了一系列只需测站时空信息驱动的tm经验模型，这些模型对实时gnss应用起到了极大的促进作用。然而，多数经验模型是基于tm多年的平均值、年周期、半年周期和日周期变化振幅构建的，同时假设这些变化是每年重复出现的。故经验模型仅能表征tm的季节的变化，而无法感知tm天气尺度的复杂变化，精度有待进一步提升。数值天气预报(numerical weatherprediction,nwp)数据的出现且持续更新，为预报tm提供了一种新思路。欧洲中尺度天气预报中心(european centre for medium-range weather forecasts,ecmwf)和美国国家环境预报中心(national centers for environmental prediction,ncep)两个常用数值天气预报数据被学者们广泛接受。其中，计算“维也纳映射函数”预测数据——vmf1-fc使用的就是ecmwf预测数据。已有学者研究发现，nwp数据在预测对流层延迟的效果比经验模型更好，因为数值天气预报数据总是基于最近的数据模拟对流层的状态。然而遗憾的是，并不是所有的用户都可以免费获取ecmwf和ncep数据，尤其对于中国地区的用户。因此，为解决经验模型难以捕捉tm天气尺度变化的缺点、中国用户难以获得ecmwf和ncep的难点，本发明利用中国气象局中尺度版本的全球/区域同化和预报系统(grapes_meso)预测数据，开发了一种中国地区预报tm的计算方法(ctm_fc)，此计算方法能使中国地区用户预测tm更准确、更便捷。

技术实现思路

1、为了解决上述问题，本发明提供了基于数值天气预报数据的大气加权平均温度的计算方法，以解决经验模型无法感知tm在天气尺度变化的问题，提高中国用户预报tm的精度和便捷性。具体技术方案如下：

2、基于数值天气预报数据的大气加权平均温度的计算方法，包括以下步骤：步骤s1，选取研究区域的grapes_meso预报数据计算大气加权平均温度tm，记为grapes tm；

3、步骤s2，选取与步骤s1的grapes_meso预报数据处于相同时间段的m个探空站的分层数据积分求取大气加权平均温度tm，记为rs tm；

4、步骤s3，对步骤s1中计算得到的grapes tm进行水平插值和垂直插值得到任意位置与任意高度的大气加权平均温度tm；

5、步骤s4，将步骤s3中对应m个探空站所在位置插值后的grapes tm与rs tm进行比较，剔除异常值后计算grapes tm与rs tm的差值的平均偏差、标准偏差、均方根误差，判断是否需要改正grapes tm与rs tm间的系统偏差，如若需要，则进入步骤s5；

6、步骤s5，选择线性回归模型，将rs tm作为参考值，针对对应探空站的grapes tm进行系统偏差改正，得到各探空站的线性回归模型的比例偏差参数a和恒定偏差参数b；

7、步骤s6，构建球冠谐模型，以步骤s5得到的各探空站的线性回归模型的比例偏差参数a和恒定偏差参数b确定球冠谐模型的阶数、次数以及相关系数，进而构建合适大气加权平均温度tm的比例偏差参数a和恒定偏差参数b展开的球冠谐模型；

8、步骤s7，使用已经确定的球冠谐模型计算各个grapes网格点的线性回归模型的比例偏差参数a、恒定偏差参数b，并修正grapes tm，进而获得大气加权平均温度tm的格网预报产品，记为ctm_fc；

9、步骤s8，对格网预报产品值ctm_fc进行空间插值和三次样条插值，得到至少提前24小时预报中国地区的大气加权平均温度tm值，记为ctm_fc。

10、优选地，所述grapes_meso预报数据包括提前24小时的气压、温度、水汽压和位势高数据。

11、优选地，所述步骤s1和步骤s2采用以下公式计算大气加权平均温度tm：

12、

13、其中，ei和ti分别表示i层水汽压和温度，e指水汽压、t代表温度、h为高程，δhi指i层的高度。

14、优选地，所述步骤s3中的水平插值是是将离目标位置最近的四个格网节点的grapes tm向目标位置进行插值，得到目标位置的grapes tm，记为tmt；具体包括以下步骤：

15、设离目标位置最近的四个网格节点的grapes tm分别为：tm1、tm2、tm3、tm4，其中grapes tm1、grapes tm2、grapes tm3、grapes tm4按逆时针顺序排列；计算待插值点在水平面内的横向和纵向的权重，具体如下：

16、

17、

18、

19、

20、其中s1为在插值水平面内格网点tm1或tm4在纵向上到待插值点tmt的距离；s2为在插值水平面内格网点tm2或tm3在纵向上到待插值点tmt的距离；s3为在插值水平面内格网点tm1或tm2在横向上到待插值点tmt的距离；s4为在插值水平面内格网点tm4或tm3在横向上到待插值点tmt的距离；p1为s1在插值水平面内纵向上的权重；p2为s2在插值水平面内纵向上的权重；p3为s3在插值水平面内横向上的权重；p4为s4在插值水平面内横向上的权重；

21、计算目标位置的待插值的tmt，具体如下：

22、tmt＝p3×(tm1×p1+tm2×p2)+p4×(tm4×p1+tm3×p2)；  (6)。

23、优选地，所述步骤s3采用二阶傅立叶函数进行垂直插值，具体如下：

24、tmt＝tm0+a1·(cos(w×h0)-cos(w×ht))+b1·(sin(w×h0)-sin(w×ht))+a2·(cos(2×w×h0)-cos(2×w×ht))+b2·(sin(2×w×h0)-sin(2×w×ht))；  (7)

25、其中，tmt表示目标高度ht的tm，tm0表示格网点高度h0处的tm，a1、b1、a2、b2和w是通过公式(7)对tm垂直廓线进行拟合求解所得二阶傅立叶系数。

26、优选地，所述步骤s4中具体包括以下步骤：

27、步骤s41，去除m个样本对中的负值；

28、步骤s42，计算grapes tm与rs tm的差值；

29、步骤s43，检验所述差值是否服从正态分布并且计算差值的标准偏差；

30、步骤s44，以标准偏差的3倍作为异常阈值，若对应grapes tm与rs tm的差值大于异常阈值，则判定对应样本异常并进行剔除；

31、步骤s45，剔除异常值后计算grapes tm与rs tm的tm差值的平均偏差、标准偏差、均方根误差；

32、步骤s46，判断tm差值的平均偏差的绝对值是否大于均方根误差的40％-50％，若是，则判断需要改正grapes tm与rs tm间的系统偏差。

33、优选地，所述步骤s5中具体包括以下步骤：

34、步骤s51，应用线性回归模型在m个探空站对grapes tm和rs tm利用公式(8)拟合和求解每个探空站点的线性回归模型的比例偏差参数a和恒定偏差参数b；

35、yi＝ai×xi+bi；  (8)

36、其中，i为不同探空站点的序号，i＝1,2，…，m，xi代表第i个探空站的grapes tm矩阵，yi代表对应的第i个探空站的rs tm矩阵，ai为第i个探空站的线性回归模型的比例偏差参数，bi为第i个探空站的线性回归模型的恒定偏差参数；

37、步骤s52，使用t检验检查步骤s1求得的每个探空站点的参数a、b的显著性；

38、步骤s53，对参数a的显著性检查中超过90％的站点p值小于0.05，以及参数b的显著性检查中超过50％的站点p值小于0.05，则输出最终的各个探空站点的参数a、b。

39、优选地，所述步骤s6中具体包括以下步骤：

40、步骤s61，构建球冠谐模型，所述球冠谐模型具体如下：

41、

42、其中，c代表比例偏差参数a或恒定偏差参数b，ae是地球半径，r、θ、λ分别代表地表某点在球面坐标系下的向径、余纬和经度，是缔合勒让德函数，nk(m)和m分别表示球冠谐模型的阶数和次数，下标k是用于标识nk(m)顺序的整数，m是整数的实数；nk(m)是实数；n表示a或b的最大展开阶次；和是球冠谐模型的待定系数；其中阶数nk(m)和次数m相等；

43、步骤s62，在研究区域外设置虚拟参考站并将虚拟参考站中的参数a、b分别设置为1和0；

44、步骤s63，采用以阶数递增的球冠谐模型来分别对参数a和b进行拟合，并以拟合得到的均方根误差来评估拟合精度，进而得到球冠谐模型合适的阶数与次数；步骤s64，采用grapes tm的参数a和b值来解算球冠谐模型的待定系数，进而构建合适大气加权平均温度tm的参数a和b展开的球冠谐模型。

45、优选地，用于构建球冠谐模型的参数a和b需满足以下条件：

46、(1)用于计算参数a、b的grapes tm与rs tm数据集间相关系数大于等于0.8；(2)单站求解所得a、b超出对应所有参数的三倍标准偏差，视为异常值剔除。

47、本发明的有益效果为：本发明提供了基于数值天气预报数据的大气加权平均温度的计算方法，相比于国际公认经验模型gpt2w更具有更高的精度，同时该计算方法还可以较好地感知tm天气尺度的变化，弥补了其他经验模型的不足。