GPS水汽反演方法的改善及其在台风暴雨中的应用*

邹海波，单九生，吴珊珊，刘熙明

(1.江西省气象科学研究所，江西南昌 330046;2.中山大学大气科学系∥季风与环境研究中心，广东广州 510275;3.江西省气候中心，江西南昌 330046）

GPS卫星发出的信号穿越大气时，受大气成分折射的影响，卫星信号会发生延迟现象，根据这种延迟信号来测定大气中的温度和水汽含量、监测气候变化等叫做GPS气象学 (GPS/Meteorology，简写为GPS/MET)。20世纪90年代以来，随着GPS/MET的不断发展，GPS水汽反演技术已经被广泛地应用至大气水汽监测业务应用和研究中［1－8］，上海、北京、湖北、四川、广东和江西等地先后利用GAMIT软件和本地地基GPS观测网建立了GPS大气可降水量监测业务应用平台。文献［3－4，9］等先后发现华东、河北和江西等地区降水产生前，GPS大气可降水量 (PW)都有一个急升的过程。

GPS卫星信号穿越大气时的延迟 (总延迟)信号可分为天顶静力延迟 (ZHD)(即天顶干延迟)和天顶湿延迟 (ZWD)［10－11］。ZWD近似正比于沿信号传播路径上的PW，根据这一特点，Bevis等［10］还推导出了PW与ZWD的函数关系，在已知ZWD后可通过这一关系反算出PW，而ZWD可通过天顶总延迟 (ZTD)减ZHD获得，其中ZTD可由GAMIT软件直接计算得到，ZHD则要通过Saastamoinen 模 型［12］、Hopfield 模 型［13］或 Black 模型［14］和地面气压计算得到，而这些模型中的系数也会随地理位置的变化而变化。徐桂荣等［15］先后利用宜昌、武汉、恩施等探空站资料建立了适合湖北地区的天顶静力延迟模型，有效地提升了湖北地区GPS水汽的反演精度。为了提升江西省GPS水汽的反演精度，有必要对天顶静力延迟模型进行改进，为提升短时临近预报水平和改善数值模式初始场服务。

1 数据与方法

1.1 数据来源

江西省气象局与江西省测绘局已经合作建成了62个布设在气象台站的地基GPS观测站，这些观测站自2009年6月开始正常观测。南昌和赣州两地不仅有GPS观测站，还有探空观测站，这不仅有利于建立适合江西的ZHD模型，还有利于分析GPS PW的反演精度。因此，本文选用南昌和赣州2个GPS观测站的数据和探空站数据作分析样本，探空数据 (每天2次)和GPS/MET数据的时间长度均为2010年1月1日至12月31日。此外，为了提高GAMIT软件的解算精度，本文还加入了上海、昆明、武汉和台北4个长基线GPS观测站数据，安福、德安、崇仁、德兴、奉新、高安、吉安、南城、景德镇和萍乡等10个本地GPS观测站的数据。用于分析台风的路径和中心气压资料来源于日本气象厅提供的最佳路径资料 (Best Track Data)。用于水汽收支诊断分析的大尺度分析资料来源NASA提供的MERRA MAI3CPASM资料，其水平分辨率1.25°×1.25°，时间分辨率为每次3 h。

1.2 处理方法

当GPS卫星发出信号穿越大气时，受大气折射的影响而产生延迟，其中大气折射数N与大气温湿的关系可表示为:

其中，T为绝对温度 (单位K)，Rd为干空气气体常数，ρ为大气总密度 (单位g/m3)，e为水汽压(单位 hPa)，k1、k2、k3为常数。Thayer［16］在 1974年给出了 k1=77.604，k2=64.79，k3=3.776×105K/hPa。2002 年 Rueger［17］认为 (1)式中的 3个常数应采用可 k1=77.6890，k2=71.2952，k3=375463 K/hPa。2009 年徐桂荣［15］在改善湖北地区天顶静力延迟模型时便采用了Rueger给出的常数，并得到了理想的结果。因此，对于公式 (1)中的3个常数本文也选用2002年Rueger给出的数值。

公式 (1)中右边第一项称为干项Nd=k1Rdρ，对干项从地面积分至大气层顶便可得ZHD。

其中，H为测站海拔高度，z为测站上空的垂直高度 (m)。(1)式中右边第二、三项合称为干项湿项Nw=k2e/T+k3e/T2，对湿项从地面积分至大气层顶便可得ZWD，即:

其中，水汽压e(即露点温度的饱和水汽压)通过1966年世界气象组织建议采用的饱和水汽压计算计算公式计算获得，即:

其中，T1=273.16 K为水的三相温度，Td是绝对露点温度 (K)，即露点温度的绝对温度。

ZHD可以通过 (2)式积分直接得到，但在平流层及其以上仍有空气存在，即空气密度ρ不等于0 g/m3，而目前常用的气象探空资料的最大高度通常为100 hPa(约16 km)，微波辐射计的探测高度约为10 km。因此，根据 (2)式用常规气象探空资料和微波辐射计资料积分不能准确地求得ZHD。(3)式中的水汽压e是由大气中的水汽含量决定，大气中的水汽主要集中于对流层中低层，随着高度的增加水汽迅速减小，到了对流层中上层 (300 hPa，约9.2 km)，大气中的水汽可以忽略不计，故利用常规探空资料或微波辐射计资料运用 (3)式积分可获得准确的ZWD。徐桂荣［15］利用宜昌站的加密探空资料分别对 (2)和 (3)式进行了积分，其结果也表明从地面往上至30 km，ZHD随高度变化一直较大，而ZWD在7 km以下随高度变化较大，但在7 km以上随高度变化非常小。因此，通过GAMIT软件计算出ZTD，减去由 (3)式计算的ZWD并可以获得可靠的ZHD，本文将以这个ZHD作为“观测值”用以检验天顶静力延迟模型的精度。

2 ZHD本地化建模

利用2010年1月1日至2010年12月31日南昌和赣州两个探空站的温度和露点温度廓线资料(1日2次，08时与20时)，先运用 (4)计算出这两站的湿度廓线数据，再运用 (3)式积分得到这两站的ZWD。然后，运用GAMIT软件解算出2010年1月1日至12月31日的逐时ZTD，用这个ZTD减去 (3)式积分得到的ZWD作为ZHD的观测 值 (即 探 空 ZHD)。 Saastamoinen［12］、Hopfield［13］和 Black［14］分别指出 ZHD 模型为:

其中，ZHDS代表 Saastamoinen模型，ZHDH代表Hopfield模型，ZHDB代表Black模型，Ps为地面气压 (单位hPa)，H为海拔高度 (单位km)，Ts为地面绝对温度 (单位K)，φ为纬度。ZHD模型(5)－(7)是采用文献［18］给出的折射率公式并在理想大气和静力平衡假定条件下推导出来的，不仅折射率公式本身存在偏差，而且大气也不完全满足静力平衡，这给 (5)－(7)的系数带来了不确定性，因而ZHD模型 (5)－(7)会有模型偏差。

图1为探空ZHD与运用 (5)－(7)式计算得到的ZHD之差ΔZHD(探空ZHD减天顶静力延迟模型计算的ZHD)分布图。图1a和图1b显示整个2010年绝大多数ΔZHD都大于0 mm(空心圆点多位于0 mm线以上)，且最大差值接近150 mm，这表明ZHDS和ZHDH明显较探空ZHD值偏小。从图1c可以看出，探空ZHD与ZHDB的差ΔZHD明显较前两个模型 (图1a和图1b)小，其中最大差值接近100 mm，但在1－3月和11－12月ZHDB明显较探空ZHD值偏大 (空心圆点多位于0 mm线以下)。为了进一步分析 Saastamoinen模型、Hopfield模型和Black模型的模型误差，我们将探空ZHD与各模型计算的ZHD值作了偏差 (平均值之差)和标准差分析 (见表1)。从表1可以看出探空ZHD与ZHDS的偏差最大，为30.0 mm，按照PW=0.15×ZWD 的公式［15］折算得 PW=4.7 mm，与ZHDH的偏差次之，为29.1 mm，折算成PW为4.4 mm，与ZHDB的偏差最小，为－5.6 mm，折算成PW为－0.9 mm。从表1还可以看出探空ZHD与ZHDS、ZHDH和ZHDB的标准差的差异不大，约为27.8 mm，折算成PW为4.2 mm。

以上分析证明了天顶静力延迟模型 (5)－(7)在江西地区有着明显的模型偏差，为了减小 (5)－(7)式的模型偏差，使其能更好地应用至江西地区，本文将对 (5)－(7)式进行改进，使 (5)－(7)的模型偏差降到最小。首先将天顶静力延迟模型 (5)－(7)式中的系数改为待定系数:

图1 2010年江西探空ZHD与ZHD模型模拟的ZHD之差Fig.1 The ZHD difference between sounding ZHD and simulated ZHD in Jiangxi in 2010

表1 2010年江西地区探空ZHD与天顶静力延迟模型计算的ZHD偏差和标准差对比Table 1 The bias and standard deviation of sounding ZHD and simulation ZHD in Jiangxi in 2010 mm

rs0、rs1、rh0、rh1、rb0和rb1为各模型中的系数，然后可利用探空ZHD，运用最小二乘法对 (8)－(10)式进行回归建模，便可求得待定系数rs0、rs1、rh0、rh1、rb0和rb1，将这些待定系数引入 (8)－(10)便可以得到适合江西地区的天顶静力延迟模型。徐桂荣等［15］用该方法研究发现适合湖北地区的天顶静力延迟模型中的系数为rs0=0.5576，rs1=0.0017，rh0=40.082，rh1=0.141898，rb0=0.5576和rb1=0.0017，认为改善后的Saastamoinen模型、Hopfield模型和Black模型明显提升了ZHD的计算精度。本文利用2010年南昌和赣州两探空站资料计算的ZHD对 (8)－(10)式进行了回归建模，并得到了适合江西地区的天顶静力模型(改善后的天顶静力延迟模型)为:

图2为2010年探空ZHD与运用改善后的天顶静力延迟模型 (11)－(13)式模拟ZHD之差ΔZHD的分布图。与图1中ΔZHD的分布明显不同，图2中的ΔZHD在整个2010年都均匀地分布在0 mm线的两侧，相比图1(改善前)，ΔZHD的值也明显减小 (特别是图2a和图2b)，ΔZHD的最大值约为100 mm(图1a和图1b中约为150 mm)。这表明改善后的天顶静力延迟模型 (11)－(13)有效地提升了ZHD的计算精度。另外，从表1可以看出，探空ZHD与ZHDS、ZHDH和ZHDB的偏差均为0 mm，标准差约为26.3 mm，折算成对PW的影响为约为3.9 mm。可见，改善后的天顶静力延迟模型 (11)－(13)可以很好地拟合探空ZHD，减小了原模型 (5)－(7)的系统偏差，并有效地提升了天顶静力延迟模型的精度。

图2 探空ZHD与改善后的ZHD模型模拟的ZHD之差Fig.2 The ZHD difference between sounding ZHD and simulated ZHD by improved ZHD models

3 GPS反演PW的精度分析

以上研究表明，运用改善后的天顶静力延迟模型 (11)－(13)计算的ZHD，明显较改善前计算的ZHD的精度高，那么将改善后的天顶静力延迟模型 (11)－(13)引入GAMIT软件中能否解算出精度更高的PW?为了验证这一问题，分别将改善前后的天顶静力延迟模型 (5)－(7)式与 (11)－(13)式引入GAMIT软件中，对2010年南昌和赣州两站的PW进行解算 (共6组试验)，获得了逐时GPS PW值，并与探空PW进行对比分析，以确定采用改善后的天顶静力延迟模型 (11)－(13)能否有效提升GPS PW的反演精度。

图3为2010年江西地区探空PW与采用改善前后的Saastamoinen天顶静力延迟模型解算的GPS PW之差ΔPW(探空PW－GPS PW)的分布图。从图3a可以看出，采用改善前的Saastamoinen模型所解算的GPS PW明显较探空PW大 (ΔPW值多小于0 mm)，这主要是在总的ZTD不变的情况下，采用ZHDS偏小 (图1a)，ZWD=ZTD－ZHD将偏大，最终使得PW偏大。与图3a明显不同，图3b中ΔPW比较均匀地分布在0 mm线的两侧，这表明采用了改善后的Saastamoinen模型所解算的GPS PW更接近观测值 (即探空PW)。与Saastamoinen模型类似，采用改善前的Hopfield模型所解算的GPS PW明显较探空PW大 (图4a)，这主要也是由于改善前的ZHDH偏小所致，而采用改善后的Hopfield模型解算的GPS PW也更接近探空PW(图4b)。与改善前的Saastamoinen模型和Hopfield模型不同，采用改善前的Black模型所解算的GPS PW明显较探空PW小 (ΔPW值多大于0 mm)，这主要是由于改善前的ZHDB偏大所致，而采用改善后的Black模型所解算的GPS PW也更接近于探空PW(图5b)。综上所述，采用改善后的Saastamoinen模型、Hopfield模型和Black模型所解算的GPS PW都较改善前更接近观测值。

表2给出了2010年江西地区探空PW与采用不同天顶静力延迟模型解算的GPS PW的偏差、标准差和相关系数。从表2可以看出，采用改善前后的天顶静力延迟模型解算得到的GPS PW与探空PW都具有很好的相关性，其相关系数都为0.97;相对改善前的天顶静力延迟模型，采用改善后的天顶静力延迟模型解算的GPS PW明显减小了与探空PW的偏差，改善前Hopfield模型和Saastamoinen模型的偏差均为负值，分别为 －3.97和 －2.89 mm，Black模型的偏差为正值，其值为1.73 mm，这与图3a、图4a和图5a中ΔPW的分布情况吻合。改善后Saastamoinen模型、Hopfield模型和Black模型的偏差均小于等于0.80 mm，其中偏差最小的为改善后的Hopfield模型，其值为0.37 mm，相比改善前的－3.97 mm有显著的较小;采用改善前后的天顶静力延迟模型解算得到的GPS PW与探空PW的均方差变化不大，其值在4.31～4.42 mm之间，但相比改善前的均方差，改善后的均方差均有所减小，减小范围为0.3～0.9 mm，与偏差一样减小最明显的是Hopfield模型，改善后较改善前减小了0.9 mm。

图3 2010年江西探空PW与采用Saastamoinen模型解算的GPS PW之差Fig.3 The PW difference between sounding PW and calculated PW using Saastamoinen model

表2 2010年江西探空PW与采用不同天顶静力延迟模型解算的GPS PW的偏差、标准差和相关系数Table 2 The bias，standard deviation and correlation coefficient of sounding PW and calculated PW using different ZHD model

图4 2010年江西探空PW与采用Hopfield模型解算的GPS PW之差Fig.4 The PW difference between sounding PW and calculated PW using Hopfield model

图5 2010年江西探空PW与采用Black模型解算的GPS PW之差Fig.5 The PW difference between sounding PW and calculated PW using Black model

以上分析表明，相比采用改善前的Saastamoinen模型、Hopfield模型和Black模型解算的GPS PW，采用改善后的Saastamoinen模型、Hopfield模型和Black模型解算的GPS PW更接近探空PW(图3b、图4b和图5b)，且与探空PW相比，偏差都明显减小，标准差也有所较小，相关系数不变。其中，采用改善后的Hopfield模型所解算的GPS PW与探空PW的偏差最小，为0.37 mm，这明显优于湖北地区［16］天顶静力延迟模型改善后的效果，其改善后的最小偏差为1.2 mm。

4 GPS PW在台风暴雨中的应用分析

大气中的水汽不仅是台风产生降水的源泉，还是台风维持系统所需能量源的主要成分，因此对高时空分辨率的GPS PW资料的分析，有利于提升对台风降水的预报。Lion［19］和丁金才［20］研究都发现了在台风影响期间，GPS PW的变化与降水有较好的对应关系，即台风降水产生前GPS PW都有一个急升过程，GPS PW剧降后降水即将结束。本节将利用改善的Hopfield模型解算的GPS PW资料，对2012年8月台风“海葵”(HAIKUI)影响江西期间进行分析，以期在今后台风降水预报中使用GPS PW资料提供参考。

4.1 台风“海葵”的概况

利用日本气象厅提供的最佳台风路径资料，我们制作了台风“海葵”的路径图 (图6)。从图6可以看出，2012年第11号台风“海葵”于8月1日20时在日本冲绳县东偏南方约1850 km的西北太平洋洋面发展为热带低压，中心气压为1004 hPa，随后逐渐加强西移，3日08时在冲绳县东偏南方约1360 km的洋上加强为热带风暴 (中心气压为992 hPa)，并转向西偏北方向移动，5日17时进入我国东海东部海面 (中心气压为980 hPa)，5日20时加强为强热带风暴，中心气压为975 hPa。此后“海葵”继续加强并先西移再往西北方向移动，7日20时在距离浙江象山东南面大约180 km的东海洋面上加强为台风，中心气压降至965 hPa，此时“海葵”的外围螺旋环流开始影响江西东北地区 (图略)，8日03时在浙江象山登陆，登陆后“海葵”快速减弱并继续向西北方向移动，8日14时在浙江杭州附近减弱为热带风暴，中心气压升至980 hPa，此后“海葵”缓慢减弱并转向西偏北方向移动，9日08时，移至安徽黄山市 (中心气压为992 hPa)，此后一直稳定维持在安徽西南部至赣皖边界一带，其强度减弱缓慢，9日20时减弱为热带低压 (中心气压为994 hPa)，11日08时“海葵”的中心气压升至1000 hPa，11日14时后在赣皖边界中部附近消亡。

图6 2012年8月11号台风“海葵”的移动路径Fig.6 The moving path of typhoon HAIKUI

受台风“海葵”的影响，8月9－10日江西东北部出现了大暴雨过程，先后有19个县 (市)出现大暴雨，4个县 (市)出现特大暴雨，其中日降水量最大出现在8月9日景德镇的浮梁，为397.2 mm。台风“海葵”带来的暴雨致使昌江、乐安河水位一度全线超警戒，江西东北部地区出现洪涝、内涝和山洪等灾害，这对农业、水利、交通等造成了严重的影响。这次台风过程是江西历史上致灾最严重的台风之一。据统计，台风“海葵”致使景德镇、九江、上饶、鹰潭、抚州和南昌6市192.9万人受灾，紧急转移安置26.6万人，农作物受灾面积12.7万hm2，江西直接经济损失达32.9亿元，其中景德镇的灾害最为严重。

4.2 GPS PW与降水的关系

图7 2012年8月7日12时至11日23时GPS PW和逐时降水量的演变过程Fig.7 The evolutions of GPS PW and rainfall during 1200 BTC 7 to 2300 BTC，August 11th，2012

图7给出了台风“海葵”影响江西期间，江西北部景德镇、鄱阳和南昌三站GPS PW与逐时降水量的演变过程。从图7可以看出，在台风影响前(8月7日18时前)景德镇、鄱阳和南昌的GPS PW均小于45 mm，无降水出现;8月7日18时后，随着台风“海葵”从浙江东面洋面不断往西偏北方向移动 (图6)，“海葵”开始自东向西影响江西地区，GPS PW也随之自东向西开始明显增加，位置偏东的景德镇于7日19时开始明显增加，鄱阳在7日21时开始明显增加，而位置偏西的南昌则在7日22时才开始明显增加，8日13时景德镇的GPS PW率先超过60 mm，并在随后2 h出现明显降水 (1小时降水量超过1 mm)，8日18时鄱阳的GPS PW超过60 mm，在随后2 h也出现明显降水，而南昌的GPS PW则在9日2时才超过60 mm，但同样在随后2 h出现了明显降水;随着“海葵”向安徽南部至赣皖边界附近的移动，景德镇、鄱阳和南昌三站离台风中心的距离持续减小，GPS PW继续增加，到10日05时这三站的GPS PW都到达了最大值，其中景德镇为77.6 mm，鄱阳为79.7 mm，南昌为76.2 mm，与之对应景德镇在10日5时前后出现了超过32 mm/h的强降水(图7a)，鄱阳湖和南昌也出现了超过12 mm/h的强降水 (图7b和图7c);此后，虽然“海葵”的中心位置维持在赣皖边界附近，但其强度持续减弱，GPS PW也随之持续减小，10日22时距离台风中心最远的南昌站的PGS PW率先降至60 mm以下，且降水早在GPS PW降至62 mm时 (10日18时)就结束了，11日08时随着“海葵”的中心气压升至1000 hPa，景德镇、鄱阳和南昌三站GPS PW都有一个剧降过程，景德镇和鄱阳的GPS PW也在这次剧降过程中降至60 mm以下，降水也在随后结束。从图7还可以看出，在台风“海葵”影响江西期间，虽然景德镇的降水明显较鄱阳的降水强，但鄱阳的最大GPS PW却比景德镇的大，造成这一现象的主要原因有两个，一是在台风南侧偏西风气流下，景德镇位于怀玉山脉的迎风坡，迎风坡的辐合抬升有利于降水的发生，二是景德镇的海拔较鄱阳高，PW是大气的整层含水量，在相同环流场下高海拔地区的PW不如低海拔地区高。

4.3 PW的诊断分析

其中P为降水量，E为蒸发量 (雨天近似为0.0 mm)，q为比湿，vh为水平风，t为时间，重力加速度g=9.8 m/s2。利用分部积分法，(14)式可写为:

(15)式中右边第一项由水平风的散度造成，称为散度项，第二项由比湿的平流造成，称为平流项。根据 (15)式，利用时间分辨率为3 h每次、高空间分辨率为1.25°×1.25°经纬网格的MERRA MAI3CPASM分析资料，对“海葵”影响江西期间作诊断分析，以便找出引起PW变化的主要原因。

虽然MERRA资料的空间分辨率相对较低，但该资料在景德镇东偏北方向约30 km处 (116.875°E，29.375°N)有一网格点 (命名为A)，故选用该点的资料近似代替景德镇的资料作PW的诊断分析，而鄱阳和南昌站离MERRA资料的网格点较远，本文将不作诊断分析。图8a为格点A的PW(用比湿资料计算所得)在台风“海葵”影响江西期间的演变过程，对比图8a和图7a可以发现格点A的PW与景德镇的GPS PW的演变非常类似:8月9日05时前都为显著的上升过程，其中在7日02时前后PW的增加都有一个减弱趋势;9日06时至10日17时都为PW的高值时段，且PW在高值时段的波动也非常相似，只是格点A的PW的最大值比景德镇的GPS PW最大值稍小;10日17后都为PW的减弱过程，且在11日05至08时都有一个明显的剧降过程。这表明用格点A的资料来近似诊断景德镇的PW变化的机理是可行的。

根据 (15)式右端的第一项 (散度项)和第二项 (平流项)，利用格点A的资料，计算出了台风“海葵”影响江西期间，平流项和散度项对PW的贡献图 (图8b)。从图8b可以看出，8日14时前景德镇PW的增加主要是由平流项 (强的比湿平流)贡献所致，这主要是由于台风外围环流将湿空气输送至景德镇附近所致;随着台风“海葵”不断靠近，平流项的贡献不断减小，最后位于0 mm/h线附近波动，这主要是由于比湿梯度减小所致，而散度项则取代平流项成为景德镇PW增加或维持的主要贡献者，这主要是随着台风的靠近，台风中心的强烈辐合区控制了景德镇地区所致;10日17时后散度项的贡献也快速减弱至0 mm/h线附近，这主要是由于台风减弱所伴随中心区辐合减弱所致。以上分析表明在台风影响初期平流项是PW增加的主要原因，随后散度项代替平流项成为PW增加或维持的主要原因，而后期平流项和散度项的贡献都很小，那么后期PW减小是什么原因造成的?从 (15)式还可以看出降水 (P＞0)会使空气中的PW减小，而景德镇在9日8时至10日18时都有明显的降水，且在10日6时前后的降水强度非常大，很明显10日05时后景德镇PW的减小主要是由降水造成，虽然10日18时后景德镇的降水明显减小，但同样10日17时后散度项对PW的正贡献也快速减小为0 mm/h，故降水仍会使PW继续减小，11日9是后景德镇的降水基本结束，PW也维持在58 mm附近波动 (图7a)。

图8 2012年8月7日14时至11日23时MERRA资料计算的PW、散度项和平流项的演变过程Fig.8 The evolutions of PW，divergence term and advection term calculated using MERRA data during 1400 BTC，Aug 7th to 2300 BTC，Aug.11th，2012

5 讨论与结论

利用2010年1月1日至12月31日江西省南昌、赣州两个探空站每日2次 (00时和20时)的探空资料计算出 ZHD作为“观测值”，与利用Saastamoinen、Hopfield和Black天顶静力延迟模型所计算的ZHD进行对比分析发现，这三个天顶静力延迟模型在江西地区计算的ZHD与探空ZHD有明显的偏差，为了减小这些偏差，我们采用最小二乘法对这些模型进行了改善。改善后的ZHDS、ZHDH和ZHDB不但与探空ZHD的偏差为0 mm，且与改善前的ZHDS、ZHDH和ZHDB相比，还减小了与探空ZHD的标准差。为了验证改善后的Saastamoinen、Hopfield和Black模型能否有效提升江西地区GPS PW的解算精度，我们利用GAMIT软件分别采用改善前后的 Saastamoinen、Hopfield和Black模型 (共6组试验)对2010年南昌和赣州的GPS PW进行了解算，并与探空PW对比分析发现，采用改善后的Saastamoinen、Hopfield和Black模型所解算的PW不仅减小了与探空PW的偏差，还减小了与探空PW的标准差，其中改善后的Hopfield模型解算的GPS PW与探空PW的偏差最小，为0.37 mm。

利用改善后的Hopfield模型解算的GPS PW，对2012年8月7日至11日台风“海葵”影响江西东北部期间作了分析，结果发现GPS PW与台风降水密切相关:台风影响景德镇、鄱阳和南昌前其GPS PW均小于45 mm，都未出现降水;随着“海葵”的不断靠近，景德镇、鄱阳和南昌的GPS PW逐渐增加，且在GPS PW超过60 mm后2小时均出现了明显的降水;随着“海葵”的进一步靠近，10日05时景德镇、鄱阳和南昌的GPS PW都达到了最大值 (均超过了76 mm)，与之对应强降水都出现在10日05时前后，即GPS PW的高值段;随着“海葵”的减弱消亡，景德镇、鄱阳和南昌的GPS PW逐渐减弱，当GPS PW降至60 mm以下时，降水随之结束。

本文还利用Trenberth推导的水汽收支方程和MERRA MAI3CPASM分析资料，对2012年8月7日至11日台风“海葵”影响景德镇期间GPS PW的变化作了诊断分析，其结果表明:在台风“海葵”影响景德镇初期，比湿平流过程是景德镇GPS PW增加的主要原因;随着“海葵”的靠近，比湿平流的作用逐渐减小，而水平风辐合则转变为GPS PW增加的主要原因;在台风“海葵”影响后期，景德镇GPS PW的减小主要是由10日17时后水平风辐合的快速减弱和降水过程消耗大气中的水汽所造成。

［1］俞炳，周媛，闻春华.江西省GPS/MET水汽监测系统设计［J］.气象与减灾研究，2010，33(2):60－63.

［2］邹海波，单九生，吴珊珊，等.利用GAMIT对江西省GPS可降水量的反演应用［J］.气象与减灾研究，2010，33(3):56 －60.

［3］丁金才，黄炎，叶其欣，等.2002年台风Ramasun影响华东沿海期间可降水量的GPS观测和分析［J］.大气科学，2004，28(4):613 －624.

［4］陈小雷，景华，仝美然，等.地基GPS遥测大气可降水量在天气分析诊断中的应用［J］.气象，2007，33(6):19－24.

［5］姚建群，丁金才，王坚捍，等.用GPS可降水量资料对一次大暴雨过程的分析［J］.气象，2005，31(4):48－52.

［6］楚艳丽，郭英华，张朝林，等.地基GPS水汽资料在北京“7·10”暴雨过程研究中的应用［J］，气象，2007，33(12):16－22.

［7］李国翠，李国平，连志鸾，等.不同云系降水过程中GPS可降水量的特征——华北地区典型个例分析［J］，高原气象，2008，27(5):1066 －1073.

［8］张志全，王文旭，黄立人，等.天津市GPS连续运行参考站网系统［J］.城市勘测，2007，(6):51－55.

［9］廖敏，邹海波，单九生，等.地基GPS水汽资料在江西一次大暴雨过程的应用分析［J］.气象与减灾研究，2012，35(3):33－38

［10］BEVIS M，BUSINGER S，HERRING T，et al.GPS meteorology:Remote sensing of atmospheric water vapor using the global positioning system［J］.J Geophys Res，1992，97(D14):15787 －15801.

［11］DAVIS J L，HERRING T A，SHAPIRO I I，et al.Geodesy of radio interferometry:Effects of atmospheric modeling errors on estimates of baseline length［J］.Radio Sci，1985，20(6):1593 －1607.

［12］SAASTAMOINEN J.Contributions to the theory 0f atmospheric refraction［J］.Bull Geod，1973，107(1):13 －34.

［13］HOPFIELD H S.Tropospheric effect on electromagnetically measured range:Prediction from surface weather data［J］.Radio Sci，1971，6(3):357 －367.

［14］BLACK H D.An easily implemented algorithm for the tropospheric range correction［J］.J Geophys Res，1978，83(B4):1825－1828.

［15］徐桂荣，万蓉，李武阶，等.地基GPS反演大气可降水量方法的改进［J］.暴雨灾害，2009，28(3):203－209.

［16］THAYER G D.An improved equation for the radio refractive index of air［J］.Radio Sci，1974，9(10):803 －807.

［17］RUEGER J M.Refractive index formulae for radio wave［C］//FIG XXII International Congress.Washington D C，USA，2002.

［18］SMITH E K，WEINTRAUB S.The constants in the equation for atmospheric refractive index at radio frequencies［J］.Proc IRE，1953，41(8):1035 －1037.

［19］LIOU Y1 A1，HUANG C Y.GPS observation of PW during the passage of a typhoon［J］.Earth Planet Space，2000，52(10):709 －712.

［20］丁金才，黄炎，叶其欣，等.2002年台风Ramasun影响华东沿海期间可降水量的GPS观测和分析［J］.大气科学，2004，28(4):613 －624

［21］TRENBERTH K E，UILLEMOT C J.Evaluation of the global atmospheric moisture budget as seen from analyses［J］.J Climate，1995，8(9):2255 －2272.