《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A Multichannel CNN-LSTM-Based Prediction Model for Precipitable Water Vapor in a Region with a Single GNSS Station
编辑推荐：
本研究针对GNSS(全球导航卫星系统)站点稀疏区域难以实现高精度可降水量(PWV)预测的问题，提出了一种融合多源气象特征的多通道CNN-LSTM(卷积神经网络-长短期记忆网络)预测模型。通过集成地表气压(SP)、加权平均温度(Tm)和天顶湿延迟(ZWD)等关键参数，并采用鲸鱼优化算法(WOA)进行超参数调优，该模型在单站场景下实现了1小时前向预测，其平均绝对误差(MAE)和均方根误差(RMS)分别达到0.694mm和0.789mm，相较于全球预报系统(GFS)预测精度提升约69%。研究表明该模型在不同季节和天气条件下均保持稳健性能，为气象监测薄弱地区的短期气象预报提供了可靠技术方案。
大气中的水汽虽然只占大气总体积的极小部分，但却是影响极端降雨、台风等天气现象的关键因子，同时也是全球导航卫星系统(GNSS)观测误差的主要来源之一。准确预测可降水量(PWV)对气象应用具有重要意义。GNSS技术因其成本低、精度高、全天候等优势，已成为获取PWV数据最广泛使用的技术手段。然而，目前全球许多地区仍面临GNSS站点覆盖稀疏的困境，特别是在某些区域仅有一个可用站点，这给建立高精度的PWV预测模型带来了巨大挑战。
传统经验模型如GPT系列模型虽然能够捕捉PWV的长期变化趋势，但在捕捉短期波动方面存在明显不足。近年来，机器学习方法被广泛应用于PWV预测，例如长短期记忆网络(LSTM)在6小时前向预测中展现出良好性能。但是，现有预测模型大多依赖于时间序列变化，或需要密集的站点网络提供空间信息，这在站点稀疏区域难以实现。即使在单站预测可行的情况下，现有结合时间序列分解与神经网络的模型在湿润条件下的短期变化捕捉能力仍然有限。
针对这一技术空白，由Dantong Zhu、Wang Li、Kefei Zhang等研究人员组成的团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了一项创新研究，提出了一种专门针对单站场景的多通道CNN-LSTM预测模型。该模型通过整合关键气象变量，为数据稀缺区域的PWV预测提供了有效解决方案。
研究人员采用了几项关键技术方法开展本研究。首先，从中国地壳运动观测网络(CMONOC)获取2013-2015年的小时GNSS天顶总延迟(ZTD)数据，并通过Saastamoinen模型计算天顶静力学延迟(ZHD)，进而推导出ZWD和PWV。其次，利用欧洲中期天气预报中心(ECMWF)的ERA5再分析数据集获取地表气压(SP)、加权平均温度(Tm)等辅助气象变量。核心模型采用多通道CNN-LSTM架构，其中CNN层负责从多变量中提取共同特征，LSTM层则专注于学习时间依赖性。鲸鱼优化算法(WOA)被用于自动优化14个关键超参数，包括卷积层的滤波器数量、核大小以及LSTM层的隐藏单元数等。模型性能通过均方根误差(RMS)、平均绝对误差(MAE)和相关系数进行综合评估。
最优CNN-LSTM模型的构建部分详细阐述了模型优化过程。通过分析PWV与各环境特征的相关性，研究发现SP与PWV呈负相关(相关系数-0.700)，而Tm和ZWD与PWV呈强正相关(相关系数分别为0.685和0.999)。在测试了从单特征到四特征的七种不同组合后，发现结合PWV、Tm和ZWD的三特征模型(方案C-3)表现最佳，其RMS为1.045mm，MAE为0.745mm。有趣的是，尽管ZWD与PWV相关性极高(0.999)，但其单独引入反而会导致性能下降，这主要是由于高共线性带来的过拟合风险以及观测噪声放大效应。
输入数据长度的确定对模型性能至关重要。研究人员比较了1-7天不同时间窗口的预测效果，发现5天输入窗口(120小时历史数据)能够最优平衡多日大气模式捕捉与噪声控制，其RMS和MAE分别达到1.065mm和0.754mm。功率谱分析揭示了PWV在5天周期存在显著峰值(超过26dB)，这从大气物理学角度解释了为何5天窗口能提供最丰富预测信息。
CNN-LSTM性能评估部分展示了模型与现有技术的对比结果。与广泛使用的全球预报系统(GFS)和经典LSTM模型相比，CNN-LSTM模型表现出显著优势。GFS预测的MAE和RMS分别为2.300mm和2.513mm，且在高PWV情况下存在明显系统偏差。LSTM模型将误差降低至0.697mm(MAE)和0.996mm(RMS)，而CNN-LSTM进一步优化至0.694mm(MAE)和0.789mm(RMS)，相对于GFS分别降低了69.8%和68.6%，相对于LSTM在RMS上降低了20.8%。这一改进证明了CNN层特征提取能力对提升短期PWV预测精度的积极作用。
模型性能呈现明显的季节特征差异。冬季(12月-2月)预测精度最高，MAE和RMS分别达到0.443mm和0.580mm，相关系数为0.998，这得益于稳定的大气条件。夏季(6月-8月)性能下降最明显，MAE和RMS均超过0.8mm和1.2mm，8月份甚至达到1.10mm(MAE)和1.50mm(RMS)，主要归因于高温导致的水汽含量增加和快速波动。
天气条件对预测精度的影响同样显著。晴天条件下，模型表现优异(MAE=0.708mm，RMS=0.764mm)。随着降水强度增加，误差逐渐增大：降水量0-1mm时MAE为0.885mm；1-2mm时升至0.949mm；超过2mm时达到0.990mm。强降水事件中RMS增幅达45.9%，相关系数降至0.988。通过对2015年10月24-25日一次持续30小时的降雨事件分析发现，预测误差与PWV变化速率密切相关，而非直接与降雨强度相关。在PWV快速上升和下降阶段，即使降雨强度不大，也会出现较高预测误差。
研究结论表明，多通道CNN-LSTM模型通过有效整合多源气象特征，在单站GNSS场景下实现了高精度的PWV短期预测。该模型不仅显著优于传统GFS预报，也比单纯依赖时间序列的LSTM模型有所提升。尽管在夏季和降雨期间由于大气不稳定性和PWV快速变化导致精度有所下降，但模型在所有条件下均保持了令人满意的预测能力。这项研究的实际意义在于为GNSS站点稀疏区域提供了一种通用的PWV预测解决方案，弥补了现有方法对密集站点网络的依赖缺陷。未来研究方向包括引入更多对流相关变量，以及探索生成对抗网络和Transformer等混合建模方法，以进一步提升湿润条件下的预测性能。
