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。