基于再分析数据和无线探空数据的加权平均温度计算方法与流程

本发明属于全球导航系统领域，特别是涉及一种基于再分析数据和无线探空数据的加权平均温度计算方法。

背景技术：

水汽是大气的一种主要成分，目前主要是利用地基gnss气象学反演大气中的气象参数从而计算测站天顶方向总的水汽含量(pwv)。pwv的计算精度主要依赖于gnss数据计算天顶湿延迟(zwd)的精度以及zwd转换为pwv过程中转换系数π的精度，而大气的加权平均温度tm为计算转换系数π的重要参数。因此天顶湿延迟转换为水汽的精度主要取决于tm的精度。传统计算tm的方法一般基于无线探空的观测数据建立加权平均温度模型，但无线探空资料的分辨率为12小时，其时空分辨率较低，其建立的模型也只在有探空资料的地方精度较高，对于探空资料难获取的地方则精度较低。

技术实现要素：

发明目的：本发明旨在提供一种能够计算区域内加权平均温度的方法，相比传统的只利用无线探空数据建立的模型，提高了时空分辨率和计算精度。

技术方案：本发明采用如下技术方案：

基于再分析数据和无线探空数据的加权平均温度计算方法，包括：

s1：获取目标区域中每个探空站点的探空数据，所述探空数据包括：大气层分层中每一层的层顶水汽压和温度；计算每个探空站点的加权平均温度真值，第n个探空站点的加权平均温度真值tm0,n为：

其中i＝1,2,l,i，i为探空观测大气层数，ei,n、ti,n、vhi,n分别为第i层大气层层顶的水汽压、温度和厚度，n为目标区域内探空站点总数；

s2：获取每个探空站点的era5再分析数据，插值得到大气层中各层的温度tera5j,n和水汽压eera5j,n，以及地面的温度t0,n和水汽压e0,n；计算每个探空站点再分析数据加权平均温度tera5,n：

其j＝1,2,l,j，j为插值得到的大气层层数；vhera5j,n是插值后的第j层大气层的厚度；

s3：对每个探空站点建立地面温度与再分析数据加权平均温度之间的因子模型：

t′era5,n＝a1,n+b1,nt0,n

其中a1,n为常系数，b1,n为地表温度系数；将s2计算得到的tera5,n和地面的温度t0,n代入上式，拟合得到a1,n和b1,n的值；

s4：对每个探空站点建立加权平均温度真值与再分析数据加权平均温度之间的修正因子模型：

t′m0,n＝c1,n+d1,nt′era5,n

其中c1,n为第n个探空站点修正因子模型的常系数，d1,n为再分析数据系数；将s1计算得到的tm0,n和根据s3中建立的模型计算得到的再分析数据加权平均温度t′era5,n代入上式，拟合得到c1,n和d1,n的值；

s5：建立目标区域中整体的修正因子模型：

tm0＝k1+k2tera5；

将目标区域中每个探空站点的加权平均温度真值tm0,n和再分析数据加权平均温度tera5,n作为tm0和tera5代入上式，拟合得到k1和k2的值；

s6：对目标区域中有探空站点的位置，根据实时era5数据按照s2计算再分析数据加权平均温度tera5,n，然后利用s4中的修正因子模型计算加权平均温度作为计算结果；

对目标区域中无探空站点的位置，首先获取所述目标区域中无探空站点的位置处的era5再分析数据，根据步骤s2和s3建立地面温度与再分析数据加权平均温度之间的因子模型，并拟合系数，得到无探空站点位置处的因子模型tera5＝a′+b′t0；获取无探空站点处实时era5数据，插值得到地面温度t0，代入因子模型中，得到再分析数据加权平均温度t′era5，将t′era5代入s5中建立的修正因子模型中计算得到加权平均温度tm0作为计算结果。

步骤s2中插值得到150hpa-975hpa大气层中26层的温度和水汽压值。

步骤s2中采用反距离加权法进行插值。

步骤s3中对每个探空站点建立地面温度与再分析数据加权平均温度之间的因子模型中还包括地面水汽压，所述因子模型为：

t′era5,n＝a2,n+b2,nt0,n+cne0,n，

其中a2,n为常系数，b2,n为地表温度系数，c为地面水气压的系数；将s2计算得到的tera5,n和地面的温度t0,n、地表水汽压e0,n代入上式，拟合得到a2,n、b2,n和c的值。

步骤s6中无探空站点位置处的因子模型中还包括地面水汽压，所述因子模型为：

tera5＝a′2+b′2t0+c′e0，

其中e0为所述无探空站点处地面水汽压。

有益效果：本发明公开了一种基于再分析数据和无线探空数据的区域加权平均温度的计算方法，相比传统的只利用无线探空数据建立的模型，提高了时空分辨率和在无探空站点位置计算加权平均温度的精度。

附图说明

图1为本发明实施例中江苏区域及附近格网数据及探空站点分布图；

图2为本发明实施例中2018年杭州站点加权平均温度真值、单因子模型计算的加权平均温度和双因子模型计算的加权平均温度对比图；

图3为本发明实施例中2018年五个探空站点单因子模型修正前后和江苏区域整体模型精度对比图；

图4为本发明实施例中2018年五个探空站点双因子模型修正前后和江苏区域整体模型精度对比图；

图5为本发明实施例中2018年1月7日0:00到1月16日0:00杭州站点各模型对比图；

图6为本发明实施例中安庆地区个模型对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。

本发明公开了一种基于再分析数据和无线探空数据的加权平均温度的计算方法，以下以江苏及周边区域为例来说明本发明的各步骤。

江苏地区及附近有5个探空站点，分别为徐州、射阳、南京、宝山、杭州，如图1所示。

s1：获取目标区域中每个探空站点的探空数据，所述探空数据包括：大气层分层中每一层的层顶水汽压和温度；计算每个探空站点的加权平均温度真值，第n个探空站点的加权平均温度真值tm0,n为：

其中i＝1,2,l,i，i为探空观测大气层数，ei,n、ti,n、vhi,n分别为第i层大气层层顶的水汽压、温度和厚度，n为目标区域内探空站点总数；

s2：获取每个探空站点的era5再分析数据，插值得到大气层中各层的温度tera5j,n和水汽压eera5j,n，以及地面的温度t0,n和水汽压e0,n；

era5是ecmwf(欧洲中期天气预报中心)推出的第五代再分析产品，空间分辨率为0.25°×0.25°，时间分辨率为1小时，其时刻分辨率较高。

计算每个探空站点再分析数据加权平均温度tera5,n：

其j＝1,2,l,j，j为插值得到的大气层层数；vhera5j,n是插值后的第j层大气层的厚度；

本实施例中，采用反距离加权法进行插值，将150hpa-975hpa大气层分为26层，即j＝26，插值得到各层的温度和水汽压值。

s3：对每个探空站点建立地面温度与再分析数据加权平均温度之间的因子模型，可以建立单因子模型：

t′era5,n＝a1,n+b1,nt0,n(2)

其中a1,n为常系数，b1,n为地表温度系数；将s2计算得到的tera5,n和地面的温度t0,n代入上式，拟合得到a1,n和b1,n的值；

也可以建立双因子模型：

t′era5,n＝a2,n+b2,nt0,n+cne0,n(3)

其中a2,n为常系数，b2,n为地表温度系数，c为地面水气压的系数；与单因子模型类似，将s2计算得到的tera5,n和地面的温度t0,n、地表水汽压e0,n代入上式，拟合得到a2,n、b2,n和c的值。

本实施例中五个站点的单因子模型系数如表1所示：

表1：探空站点单因子模型系数表

五个站点的双因子模型系数如表2所示：

表2：探空站点双因子模型系数表

为了验证因子模型的准确性，选取杭州站点2018年探空数据按照式(1)计算的加权平均温度真值与上文建立的单因子模型和双因子模型比较，比较结果如图2。从图2中可以看出，采用上述因子模型就算出的再分析数据加权平均温度与按照式(1)计算的加权平均温度真值之间存在一定的差异。此差异，通过下面的修正因子模型来消除。

s4：对每个探空站点建立加权平均温度真值与再分析数据加权平均温度之间的修正因子模型：t′m0,n＝c1,n+d1,nt′era5,n(4)

其中c1,n为第n个探空站点修正因子模型的常系数，d1,n为再分析数据系数；将s1计算得到的tm0,n和根据s3中建立的单因子模型计算得到的再分析数据加权平均温度t′era5,n代入上式，拟合得到c1,n和d1,n的值；

如果t′era5,n为根据s3中的双因子模型计算得到，系数拟合后的修正因子模型为：t′m0,n＝c2,n+d2,nt′era5,n(5)

本实施例中五个探空站点的修正模型系数如表3和表4所示：

表3：探空站点单因子模型修正系数表

表4：探空站点双因子模型修正系数表

为了了验证单因子加权平均温度模型和修正因子模型的精度，首先利用各站点的单因子模型计算2018年的分别与探空数据计算的tm0做比较，计算其均方根误差(图3黑色柱状图)；然后使用表3中修正系数进行修正，再与tm0比较，计算其均方根误差(图3白色柱状图)；文献：朱明晨,胡伍生.江苏地区tm-ts相关性分析及其线性模型的建立[j].测绘工程,2018,卷(6):14-18.中，采集江苏附近五个探空站(徐州、射阳、南京、宝山、杭州)2005年至2015年共11年的无线探空数据，分别建立了五个站点的加权平均温度和地表温度的线性模型，图3灰色为利用上述模型计算的加权平均温度与探空数据比较的均方根误差，n为对比样本个数。从图3可知，对于江苏及周边区域的五个探空站点，利用探空数据对era5数据建立的单因子模型修正后的结果都优于修正前结果，修正后的结果与只用探空数据建立的江苏区域各站点的江苏区域本地模型精度相当甚至略优。考虑到era5模型使用了逐小时数据建模，与探空站12小时的数据相比，本发明的修正因子模型实用性更强。

图4对比了双因子模型修正前(黑色)和修正后(白色)的均方根误差，修正后的各站模型精度都得到了提高。双因子模型(白色)比单因子模型(灰色和斜线填充)效果较好。图5选取了2018年1月7日到16日杭州站单因子和双因子模型以及era5和探空站的对比图，双因子模型明显优于单因子模型，修正后的模型比修正前的模型与探空的tm0相比精度略有提高，由此可以得出加入地面温度水汽压的修正后的双因子模型精度最高。

s5：建立目标区域中整体的修正因子模型：

tm0＝k1+k2tera5(6)

将目标区域中每个探空站点的加权平均温度真值tm0,n和再分析数据加权平均温度tera5,n作为tm0和tera5代入上式，拟合得到k1和k2的值；这里对区域内所有站点的加权平均温度真值tm0,n和再分析数据加权平均温度tera5,n用于拟合，得到的区域整体的修正因子模型。

s6：对目标区域中有探空站点的位置，根据实时era5数据按照s2计算再分析数据加权平均温度tera5,n，然后利用s4中的修正因子模型计算加权平均温度作为计算结果；

对目标区域中无探空站点的位置，首先获取所述目标区域中无探空站点的位置处的era5再分析数据，根据步骤s2和s3建立地面温度与再分析数据加权平均温度之间的因子模型，并拟合系数，得到无探空站点位置处的因子模型。

同样地，这里可以建立无探空站点位置处的单因子模型：

tera5＝a′+b′t0(7)

也可以建立无探空站点位置处的双因子模型：

tera5＝a′2+b′2t0+c′e0(8)

获取无探空站点处实时era5数据，插值得到地面温度t0和水汽压e0，代入上述单因子模型或双因子模型中，得到再分析数据加权平均温度t′era5。

将t′era5代入s5中建立的修正因子模型中计算得到加权平均温度tm0作为计算结果。

为了验证无探空区域的模型精度，本次实验利用30°n—34.5°n、115°e—122°e区域内安庆探空站点(距离江苏区域最近的探空站点(30.62°n，116.97°e))的探空数据做验证。首先利用2008-2017年的安庆的era5数据根据s2和s3中的方法建立安庆站点的的加权平均温度单因子模型tera5＝a′+b′t0，得到通过单因子模型计算的加权平均温度tera5，然后利用徐州、射阳、南京、宝山、杭州这5个探空站根据s5建立目标区域整体的修正因子模型，拟合得到的系数为：k1＝-3.5807，k2＝1.0145。将2018年安庆的era5数据代入安庆站点的的加权平均温度单因子模型中，得到tera5，再代入式(6)中，得到加权平均温度的计算值。使用2018年安庆站的探空数据作为真值进行验证。图6为2018安庆站点单因子模型、修正后的模型、江苏区域整体模型与tm0真值对比。实验结果如表5所示，era5数据计算的安庆站的单因子模型tm与探空真值的均方根误差为2.6572k，使用参数修正后的均方根误差为2.6406k,都优于文献：朱明晨,胡伍生.江苏地区tm-ts相关性分析及其线性模型的建立[j].测绘工程,2018,卷(6):14-18.中江苏区域模型的均方根误差(2.6801k)，进一步验证了高空间分辨率格网tm模型的区域适用性。

表5：单因子模型、修正后的单因子模型和江苏区域整体模型的精度对比