基于GNSS的数字孪生技术提升CMIP6大气可降水量（PWV）精度研究

本文创新性地将全球导航卫星系统（GNSS）的高精度观测数据与第六次耦合模式比较计划（CMIP6）气候模型相结合，通过机器学习算法（CNN、XGBoost、LSTM）构建数字孪生模型，显著改善大气可降水量（PWV）的模拟精度，为气候变化研究与极端天气预测提供更可靠的数据支撑。

　　

Highlight

本研究首次将GNSS高精度水汽观测引入CMIP6模型校正，通过数字孪生技术显著提升大气可降水量（PWV）模拟精度，为气候研究提供新范式。

Data

为满足时空分辨率需求，本研究采用HadGEM3-GC31-HM模型（CMIP6中分辨率最高：空间50 km，时间3 h）。该模型属于高分辨率模式比较计划（HighResMIP），由荷兰皇家气象研究所等机构联合开发。

Data preprocessing

实验前计算了CMIP6-PWV相对于GNSS-PWV的年均均方根误差（RMSE）与偏差（表1），发现HadGEM3-GC31-HM模型系统性低估PWV，RMSE范围达6.23–7.62 mm。

为优化数字孪生构建，通过多次超参数交叉验证确定最佳配置（表2）。使用土耳其113个GNSS站点（2020–2023年）数据，按7:3比例划分训练集与测试集。

Conclusion and discussion

本研究在土耳其地区开展，提出基于GNSS观测提升CMIP6水汽精度的新方法。利用113个GNSS站点数据构建三种数字孪生模型，在测试集和验证集均展现出卓越的水汽优化能力。

基于GNSS-PWV，2020–2023年测试集站点的CMIP6-PWV精度提升36.17%（CNN）、43.57%（XGBoost）、31.14%（LSTM），验证集站点提升29.20%、20.76%、25.24%。