利用GPT3和ERA5数据的高精度全天候FY-4A水汽压（PWV）重建模型

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：High-Precision All-Weather FY-4A PWV Reconstruction Models Using GPT3 and ERA5 Data

　　

摘要：

全天候、高分辨率的可降水量水汽（PWV）对天气监测非常有益。尽管FY-4A卫星的PWV数据具有较高的时空分辨率，但它会受到天气条件的影响，从而导致数据缺失。为了获得全天候的FY-4A PWV数据，研究人员开发了两种重建模型，分别使用ERA5 PWV和GPT3生成的气象参数作为背景场。首先，通过未进行差异处理和未结合的精密点定位（PPP）技术获取高精度的全球导航卫星系统（GNSS）PWV数据，并利用反向传播神经网络（BPNN）与GNSS PWV数据构建了一个改进的FY-4A PWV模型（ModFY4A PWV）。随后，基于ERA5 PWV和GPT3生成的气象参数，分别开发了两个独立的全天候XGBoost重建模型，即E-XGFY4A PWV和G-XGFY4A PWV。最后，对这两种模型的性能进行了全面验证。结果表明，ModFY4A PWV的表现优于原始的FY-4A PWV数据，其平均相关系数（R）为0.99，均方根误差（RMSE）为1.18毫米（与GNSS PWV相比）。在全天候条件下，E-XGFY4A PWV与GNSS PWV的RMSE分别为2.02毫米和2.77毫米，与RS PWV的RMSE分别为2.02毫米和2.77毫米；而G-XGFY4A PWV的RMSE分别为3.19毫米和3.65毫米。在多云条件下，E-XGFY4A PWV的RMSE为2.36毫米和2.98毫米，G-XGFY4A PWV的RMSE分别为3.53毫米和3.90毫米。虽然集成GPT3数据的重建模型精度略低于仅依赖ERA5数据的模型，但它不需要外部数据集，且性能依然良好。这两种方法都提高了FY-4A PWV数据在中国地区的完整性和准确性，为高精度地球观测应用和精细天气监测提供了可靠的数据。