论文部分内容阅读
天顶对流层延迟(Zenith Tropospheric Delay,ZTD)是影响全球导航卫星系统(Global Navigation Satellite System,GNSS)精确定位的关键因素,近年来随着人工智能的快速发展,越来越多的智能算法用于时间序列分析。台风是一种重要的天气现象,台风期间往往伴随着大范围的极端降雨,引起严重的自然灾害,造成严重的经济损失及生命危害,而水汽是大气的重要组成成分,在气象学中发挥着重要作用,GNSS技术的不断发展,基于GNSS反演的大气可降水量(Precipitable Water Vapor,PWV)已广泛的用于极端天气的分析,而PWV是通过对流层湿延迟计算得到的。因此研究对流层延迟的预测,分析台风期间GNSS水汽和降雨量的时空特征分布,对于GNSS精确定位,建立区域对流层延迟模型、极端降雨以及台风预警等气象灾害的预报有着重要的现实意义。
为了提高ZTD的预测精度,提出一种基于相空间重构的高斯过程回归(Gaussian Process Regression,GPR)预测新模型。针对ZTD时间序列的混沌特性,利用国际GNSS服务(International Global Navigation Satellite System Service, IGS)站提供的ZTD数据,首先采用Cao氏法确定嵌入维数,进而对ZTD数据进行相空间重构,探究高斯过程(Gaussian Process,GP)模型预测南、北半球不同纬度等级12个站点对流层延迟的精度和准确性,其次验证该模型的有效性,将预测结果分别与原始数据和反向传播(Back Propagation,BP)神经网络模型作对比分析。为了进一步探究ZTD预测结果的时空特征分布,分析了高斯过程模型在不同时间对ZTD预测精度的影响,最后分析了经度和海拔对ZTD预测精度的影响,结果表明:GP模型的均方根误差(Root Mean Square Error,RMSE)达到mm级,GP模型与理论值的相关性达到0.997,预测精度指标明显优于BP神经网络模型;GP模型在南半球的预测精度高于北半球,且在高纬地区的RMSE小于3.6mm,更适用于高纬地区的对流层延迟预测;在研究时域内,GP模型在大部分站点对晚上的预测精度高于白天,经度对ZTD预测精度的影响不明显,海拔与ZTD预测精度呈正比。GP模型对于对流层延迟的预测具有较好的实用性和可行性。
为了分析台风期间PWV与降雨量的时空特征分布,本文分别从不同区域、空间、时间及时频域上分析了台风“南玛都”期间PWV和降雨量的变化特征。首先将台湾分为5个区域,探究了不同区域77个站点的平均PWV与累计降雨量的分布特征。其次,统计了“南玛都”台风6h的累计降雨量与平均PWV随着距离和地方时(2011年8月27日12时~8月31日12时)的变化。进而,选取了台湾不同区域的5个GNSS站,分别为:北部的ANKN站点、西部的SGUN站点、中部的YUSN站点、东部的DSIN站点、南部的HENC站点,从时间尺度和时频域上分析了两者的变化特征。为了探究台风的发生机理,选取了2008~2011年包括“南玛都”在内的5次台风,分析了PWV与风速及气压的相关性。最后,基于同样登陆台湾南部的“鲇鱼”台风,进一步验证两者的时空变化特性。研究结果如下:(1)从台湾不同区域PWV与降雨量的特征分析得到,台风“南玛都”期间,台湾西南部的PWV与降雨量分布差异明显,西南部的平均PWV最大,南部的累计降雨量最大,且PWV随海拔的增加而明显减小;(2)从台风期间PWV与降雨量在空间和时间上的分析得到,PWV和降雨量存在显著的增减趋势,且两者的变化轨迹与台风的移动轨迹大致相同,PWV随台风活动存在显著的变化,台风临近台湾时,PWV含量会在短时间内剧烈增大,并在几小时后伴随强降雨且为连续强降雨;(3)从台风期间PWV与降雨量在时频域上的分析得到,降雨量与PWV总体上呈正相关,相关系数主要在0.8~1之间,并通过了95%的显著性检验,台风登陆期间,PWV基本领先降雨量的变化;(4)从风速、气压以及其他台风的分析上得到,PWV与气压呈现明显负相关,台风的风速和气压差异对台风期间水汽输送起着重要作用;台风“鲇鱼”期间,PWV与降雨量存在很强的正相关关系,相关系数达到0.7,PWV先剧烈变化,随后发生强降雨,进而继续影响PWV的变化,与台风“南玛都”的分析结果基本一致。
为了提高ZTD的预测精度,提出一种基于相空间重构的高斯过程回归(Gaussian Process Regression,GPR)预测新模型。针对ZTD时间序列的混沌特性,利用国际GNSS服务(International Global Navigation Satellite System Service, IGS)站提供的ZTD数据,首先采用Cao氏法确定嵌入维数,进而对ZTD数据进行相空间重构,探究高斯过程(Gaussian Process,GP)模型预测南、北半球不同纬度等级12个站点对流层延迟的精度和准确性,其次验证该模型的有效性,将预测结果分别与原始数据和反向传播(Back Propagation,BP)神经网络模型作对比分析。为了进一步探究ZTD预测结果的时空特征分布,分析了高斯过程模型在不同时间对ZTD预测精度的影响,最后分析了经度和海拔对ZTD预测精度的影响,结果表明:GP模型的均方根误差(Root Mean Square Error,RMSE)达到mm级,GP模型与理论值的相关性达到0.997,预测精度指标明显优于BP神经网络模型;GP模型在南半球的预测精度高于北半球,且在高纬地区的RMSE小于3.6mm,更适用于高纬地区的对流层延迟预测;在研究时域内,GP模型在大部分站点对晚上的预测精度高于白天,经度对ZTD预测精度的影响不明显,海拔与ZTD预测精度呈正比。GP模型对于对流层延迟的预测具有较好的实用性和可行性。
为了分析台风期间PWV与降雨量的时空特征分布,本文分别从不同区域、空间、时间及时频域上分析了台风“南玛都”期间PWV和降雨量的变化特征。首先将台湾分为5个区域,探究了不同区域77个站点的平均PWV与累计降雨量的分布特征。其次,统计了“南玛都”台风6h的累计降雨量与平均PWV随着距离和地方时(2011年8月27日12时~8月31日12时)的变化。进而,选取了台湾不同区域的5个GNSS站,分别为:北部的ANKN站点、西部的SGUN站点、中部的YUSN站点、东部的DSIN站点、南部的HENC站点,从时间尺度和时频域上分析了两者的变化特征。为了探究台风的发生机理,选取了2008~2011年包括“南玛都”在内的5次台风,分析了PWV与风速及气压的相关性。最后,基于同样登陆台湾南部的“鲇鱼”台风,进一步验证两者的时空变化特性。研究结果如下:(1)从台湾不同区域PWV与降雨量的特征分析得到,台风“南玛都”期间,台湾西南部的PWV与降雨量分布差异明显,西南部的平均PWV最大,南部的累计降雨量最大,且PWV随海拔的增加而明显减小;(2)从台风期间PWV与降雨量在空间和时间上的分析得到,PWV和降雨量存在显著的增减趋势,且两者的变化轨迹与台风的移动轨迹大致相同,PWV随台风活动存在显著的变化,台风临近台湾时,PWV含量会在短时间内剧烈增大,并在几小时后伴随强降雨且为连续强降雨;(3)从台风期间PWV与降雨量在时频域上的分析得到,降雨量与PWV总体上呈正相关,相关系数主要在0.8~1之间,并通过了95%的显著性检验,台风登陆期间,PWV基本领先降雨量的变化;(4)从风速、气压以及其他台风的分析上得到,PWV与气压呈现明显负相关,台风的风速和气压差异对台风期间水汽输送起着重要作用;台风“鲇鱼”期间,PWV与降雨量存在很强的正相关关系,相关系数达到0.7,PWV先剧烈变化,随后发生强降雨,进而继续影响PWV的变化,与台风“南玛都”的分析结果基本一致。