基于GNSS-ZTD的干旱预报研究

近年来，全球环境变化导致气象灾害频繁发生，其中旱灾影响范围广、造成的社会经济损失大，被认为是最严重的气象灾害之一。干旱是由水分收支不平衡造成的水分持续短缺现象，引起干旱事件发生的因素很多，自然因素包括大气环 流异常、气候波动、气候因子变化及其协同作用，此外还受土壤墒情、作物抗旱能力不同的影响；人类活动主要通过干预土地覆盖状况，改变地表反射率，导致 区域间能量水分交换不同进而引发旱。由于干旱影响对象和形式的不同 ，将干旱分为气象干旱、农业干旱、水文干旱和社会经济干旱4种。无论是农业干旱还是水文干旱，从本质上讲都是气象干旱的影响结果，比气象干旱发生得晚，可以通过气象干旱监测做到提前预警。在全球气候变化大背景下，旱灾发生日趋频繁， 已引起国内外社会的高度重视，对气象干旱的有效研究也显得愈加重要，如何检测及预防干旱的发生成为必须要解决的重要生态问题之一。

水汽是大气中的一种重要成分，虽然在大气中的含量较小，但却是影响气候和天气变化最为活跃的因子，因此可以通过监测大气中水汽的变化量来预测旱情的发生。水汽随时空的变化对气象预报特别是对水平尺度100km左右、生命史只有几小时甚至更短，对干旱的监测和预报具有特别重要的指示作用。由于常规探测技术的局限性以及数值模式模拟输出结果的时效性影响，高精度、高时空分辨率的水汽观测资料尚缺乏充足，尤其在局部地区尤为匮乏，很大程度上限制了基于大气水汽预测干旱情况的应用和发展。有关大气水汽预测干旱的关键技术，还有很多科学问题需要去探索。

全球卫星导航系统（Global Navigation Satellite System, GNSS）技术的兴起，为探测水汽提供了一种新的手段，为传统大气观测手段提供了强有力的补充。目前GNSS技术和理论研究已得到了较为成熟和完善地发展，并且在气象业务应用中逐渐普及，为获得准确的大气水汽资料并进行精确的干旱预测提供了重要保证,但目前常用的GNSS大气水汽预测干旱存在机制不清、需要实测气象数据支持等问题。GNSS信号穿越大气时因折射而产生电离层延迟和对流层延迟，特别是水汽会导致独特而显著的GNSS信号时延。这些延迟在大地测量中被当作误差源，在数据处理中使其最小化甚至消除，以便达到精密定位的目的。随着GNSS技术的飞速进步和发展，这些延迟逐渐成为研究大气的有利信号。其中，对流层延迟是受到中性大气延迟效应的影响产生的，通过分析对流层延迟可以了解中性大气层的结构和变化。天顶对流层延迟(Zenith Tropospheric Delay, ZTD),主要分为干延迟分量(Zenith Hydrostatic Delay, ZHD)和湿延迟分量(Zenith Wet Delay, ZWD)两部分。其中 ZHD 部分可以通过模型精确求出， 剩余的湿延迟部分通过地表实测气象参数可转化成大气水汽含量(Precipitable Water Vapor, PWV)。PWV表示多条射线上的水汽含量通过投影得到的天顶方向上水汽含量的均值，能够反映水汽含量的变化情况，对于干旱预报具有重要的指示作用^[7]。因此，GNSS探测水汽并应用于干旱预测技术已成为国内外许多大地测量学家、气象学家、地球物理学家研究的一个热点，并取得了很多成果。

在不断的研究发展中，尽管GNSS探测水汽并应用于旱情预测技术已经取得很大进步，但GNSS大气水汽预测干旱技术，仍存在以下问题亟须解决:

（1）GNSS/ZTD在空间上的迁移对干旱指数的“驱动”机制仍未得知

一个地方的干旱情况是由一个个相互交织、相互作用着的大气系统在大气运动中演变而来的，但各大气系统对干旱情况的影响是不同的。充足的大气水汽是降雨的必要条件，反之则有可能引发旱情的产生，但是GNSS/ZTD（水汽）在垂直和水平空间上的迁移与干旱情况的关系还不清楚，即应解决GNSS/ZTD（水汽）在空间上的迁移对干旱情况的驱动机制。

（2）传统的GNSS/ZTD预测干旱情况需要实测气象数据支持

传统方法计算GNSS/ZTD需利用模型计算精确干延迟(Zenith Hydrostatic Delay, ZHD) ,其过程需要实测地面气压数据(Pressure, Ps)，将湿延迟(Zenith Wet Delay, ZWD)转化为GNSS/PWV时需要实测高空数据或地面温度(Ts)计算加权平均温度(Tm)。由于全球范围内装载有气象设备的GNSS台站较少，需要实测气象数据的GNSS/ZTD预测旱情难以在实际工作中应用。即使在有气象设备的站点，从数据采集到计算出干旱指数也需花费一定的缓冲时间，不能很好地满足实时预测干旱情况的要求。

为解决以上问题，以及近几年干旱灾害频发，一种便捷、近实时、精确的旱情预测方法研究变得十分必要。所以，本项目拟利用GNSS/ZTD数据分析GNSS/ZTD（水汽）在水平和垂直方向上的迁移对干旱情况的驱动作用；通过数理统计分析GPT2w生成反演GNSS大气水汽所需气象数据的误差时空分布特征，建立GPT2w的精化模型；探究非实测气象数据的GNSS大气水汽预测旱情关键技术。这不仅是基于非实测气象数据的GNSS大气水汽预测旱情的一个有益探索，为旱情预测提供一种新的方法，也可以为各种中小尺度灾害性天气诊断和预报提供参考。

围绕GNSS大气水汽预测干旱的问题，本项目拟从以下三个方面来研究非实测气象数据的GNSS大气水汽预测干旱的关键技术：

（1)利用国际GNSS服务组织（IGS）提供的ZTD产品，（ftp://cddis.gsfc.nasa.gov/pub/gps/products/troposphere/）、陆态网ZTD产品（ftp://ftp.cgps.ac.cn/products/troposphere/）和CORS网解算得到的ZTD通过当地的实测气象数据计算GNSS/ZTD，联合GNSS/PWV和雨量站的实际降雨数据分析干旱可能发生的地点及情况，分析GNSS/ZTD在垂直和水平空间上的迁移情况，从而建立基于GNSS/ZTD的干旱预测机制。

（2) 将GPT2w(http://ggosatm.hg.tuwien.ac.at/DELAY/SOURCE/GPT2w/)计算的Ps、Ts、Tm与中国气象数据网提供的每小时实测地面Ps、Ts (http://data.cma.cn/data/detail/dataCode/A.0012.0001.html) 、探空数据计算的Tm(http://weather.uwyo.edu/Upperair/seasia.html)进行比较，通过数理统计分析其误差分布规律，进而建立GPT2w的区域精化模型。

（3) 在发现GNSS/ZTD的干旱预测机制、精化GPT2w的基础上，基于GPT2w生成反演预测干旱所需的气象数据，根据GNSS/ZTD的干旱预测机制，建立非实测气象数据的GNSS大气水汽预测干旱的方法；通过实际大气中水汽变化预报实验，验证该方法的可靠性，并对其方法进行校正，以获得更准确的非实测气象数据的GNSS大气水汽预测旱情方法。

遥感技术具有宏观、快速、客观、经济等常规手段不具备的优势，在旱情监测方面具有广阔的应用前景。早在20 世纪70 年代，Watson 等人提出了利用地表温度日较差来推算热惯量的简单模式，并建立基于热惯量的土壤水分遥感反演模型。其后随着 NOAA 和FY 系列卫星的相继运行，遥感监测土壤水分的研究得到迅速和全面的发展，所使 用波段从可见光、（近、中远）红外、热红外到微波遥感，方法 包括热惯量法、植被/温度特征空间法、能量平衡法和微波遥感法等。20 世纪末，随着研究的日益深入以及遥感卫星资源的逐渐丰富，旱情遥感监测逐步进入业务化应用阶段。

创新之处

课题成果对于实现无实测气象数据情况下反演大气水汽，对提高干旱天气预报的实时性和准确性具有非常重要的理论研究及实际应用价值，并对干旱预报及预防具有提前机制。本课题新技术研究主要来源于多年科研探索，拟获取的创新点如下：

l 顾及GNSS/ZTD干旱指数垂直和水平迁移建立GNSS大气水汽干旱指数驱动机制

l 生成GNSS反演大气水汽所需气象数据的GPT2w精化模型建立

l EDO 系统通过使用气象信息、水文参数和遥感数据对各类干旱指标的效果进行检验，使用的干旱指标包括标准化降雨指数、土壤湿度、降雨量指数和遥感指标等四大类。目前，EDO 系统可以提供两类在线干旱监测信息服务：一类是实时干旱地图信息，子类有降雨量、土壤湿度、湿度异常、干旱预测、干旱异常预测、叶面缺水指数（NDWI）和吸收光合有效辐射比（FAPAR）等，加载这一类信息的地图是面向整个欧洲层面的；另一类是用户自定义信息服务，用户可以自行定制所需要的数据，包括选择国家具体的区域、时间跨度和干旱指标等，这一类信息的地图是具体到某个成员国家的，具体的信息可以不同格式的地图输出。

l GIEWS 监测全球主要粮食作物长势，评估产品前景。其中，采用遥感技术，开展降水量估算和归一化差异植被指数（NDVI）生产，监测作物生长季节期间供水和长势状况，为可能受到旱情（甚至极端情况下旱灾）影响的农业区域提供早期预警。

特色之处

一方面顾及了GNSS/ZTD干旱指数的垂直和水平迁移建立GNSS大气水汽驱动机制，在一定程度上解决GNSS大气水汽预测干旱指数不够精确和缺乏机制型进行精化，可以很好地解决传统GNSS反演大气水汽依靠实测气象数据、实时性差等问题。USDM 最初的干旱标准基于6个关键指标和多个辅助性参考指标。6个关键指标是标准化降水百分位数、气象干旱指数（SPI）、帕尔默干旱指数（PDSI）、NOAA 气候预测中心的土壤湿度模式输出结果、美国地质测量局日流量指标及卫星植被健康指数（VHI）。一些辅助性参考指标包括: 帕尔默作物湿度指数、Keetch-Bryam 干旱指数、美国森林火险指数、水库需水量、湖泊水位、地下水位以及与蒸发相关的相对湿度、温度距平等。随着干旱指数的发展，以上关键指标和参考指标均有所改进，如加入了标准化降水蒸散指数（SPEI）、植被干旱响应指数（VegDRI）、北美陆面数据同化系统的土壤湿度及径流数据等。

综合采用上述GNSS大气水汽暴雨驱动机制及GPT2w精化模型预测暴雨在国内外开展相对较少，当前国外旱情遥感监测多采用卫星遥感指数， 如NDVI、VHI、VegDRI 等，间接反映干旱；国内旱情遥感监测除了采用卫星遥感指数外，更多以反演土壤含水量来评估农业旱情。由于干旱的多样性和复杂性，卫星遥感指数和遥感反演土壤含水量作为旱情监测指标，都有一定的适用性，也都存在局限性。，因此可作为本课题研究的一些特色。

针对上述研究方案的主要内容，本项目的主要技术路线如下所述：

① 数据准备

国际GNSS服务组织（IGS）提供的ZTD产品将向网上下载，（ftp://cddis.gsfc.nasa.gov/pub/gps/products/troposphere/）；陆态网ZTD产品拟从（ftp://ftp.cgps.ac.cn/products/troposphere/）下载；中国气象数据网提供的每小时实测地面Ps、Ts数据将从网上下载 (http://data.cma.cn/data/detail/dataCode/A.0012.0001.html/)；GNSS 数据拟采用广西 CORS网（多基站网络RTK技术建立的连续运行卫星定位服务参考站网，Continuously Operating Reference Stations）系统数据，广西 CORS 系统于 2013 年建成；计算加权平均温度(Tm)所需的无线电探空资料将从网上下载（http://weather.uwyo.edu/upperair/seasia.html）； GPT2w模型源代码将向网上下载（http://ggosatm.hg.tuwien.ac.at/DELAY/SOURCE/GPT2w/）。

② 无实测气象数据的GNSS大气水汽预测干旱指数方法建立技术路线，如图1所示。

图1 无实测气象数据的GNSS大气水汽预测干旱指数方法建立技术路线图

针对上述研究方案的主要内容，本项目的拟解决问题如下所述：

(1) 基于GNSS大气预测干旱指数驱动机制建立；

过去利用GNSS/ZTD预报干旱指数只考虑了GNSS/ZTD含量的变化，而忽略了GNSS/ZTD在垂直和水平方向的迁移对干旱指数的促进作用。因此，为了能够更好地发现基于GNSS/ZTD的干旱指数发生机制，还需要深入研究干旱地点周围的GNSS/ZTD在垂直、水平方向上的精细变化。

(2）GPT2w模型在研究区域的精化模型构造；

本项目以广西地区为例，建立GPT2w的地面气压、地面气温、加权平均温度(Ps、Ts、Tm)精化模型。广西特有的地理位置，使得在整个地区高程起伏较大，河流众多，日晒充足，水汽变化剧烈，常年多雨，灾害频繁，旱涝突出。同时高程是影响Ps、Ts、Tm变化的重要因素之一，导致Ps、Ts、Tm在广西地区变化比较剧烈、呈现一定的区域性变化。GPT2w是一个基于经验模型后处理数据建立的模型，且建立该模型的数据样本的时空分辨率较低，难以反映Ps、Ts、Tm在广西不同地区的时空分布特征。为了利用GPT2w在无实测气象数据的情况下也可以得到准确的Ps、Ts、Tm，必须对GPT2w在广西地区的误差进行分析和改正，进而建立GPT2w在广西地区的Ps、Ts、Tm精化模型。

3）基于GPT2w 生成气象数据的GNSS大气水汽预测干旱指数方法建立

基于精化GPT2w生成反演GNSS/ZTD所需的Ps、Ts/Tm只是反演GNSS/ZTD、预测干旱指数工作的开始， 基于GPT2w的GNSS大气水汽对干旱指数的可靠性尚未得知，故需要利用对干旱地区的实测的数据检验基于GPT2w反演GNSS大气ZTD预测干旱指数的可靠性，并对其进行校正，在此基础上确立基于GPT2w的方法。

预期成果：

(1） 揭示GNSS大气水汽对干旱指数的驱动机制；

(2） 建立GPT2w生成Ps、Ts、Tm的精化模型；

(3） 发表相关学术论文 1－2 篇，争取发布核心期刊 1 篇；

1.2024年5月-6月：制定本项目的研究大纲,对项目中使用的技术方法进行资料查找并开展相关讨论，研究项目可行性、经济性、优缺点，并从可行性等方向对项目申报书编写，确定项目申报书终稿。并开始阅读相关文献资料，为后续研究奠定理论基础。

2.2024年6月-7月：团队成员共同学习基于GNSS的数据处理方法以及反演GNSS/ZTD（水汽）的方法等技术，进一步更具体分配工作，初步建立GPT2w模型。 

3.2024年7月-8月：运用所学知识实现对方法的探索与创新，优化GPT2w模型，寻找最优ZTD因地形变化而产生误差的改正数或者融合算法。

4.2024年8月-12月：对所研究方法进行模拟实地测试，修正研究项目所出现的问题。并完成中期报告及中期检查；

5.2024年12月- 2022年2月：对所研究的方法进行进一步的更新和优化。

6.2025年3月-5月：回顾整个项目，分析项目结果取得的成绩和存在的问题，对项目进行总结，完成结题报告，并提交项目成果。