首次验证FY-4A卫星携带的PWV（水汽压）数据同化技术在提升数值天气预报（NWP）模型预测强降水能力方面的效果

《Atmospheric Research》：First validation of FY-4A PWV assimilation in improving NWP model performance for heavy precipitation forecasting

　　• 通过使用GNSS数据和反向传播神经网络，开发了一个校准后的FY-4A PWV数据集，将RMSE从10.85毫米降低到了5.75毫米。
• 将FY-4A PWV数据同化到WRF模型中，通过修正初始水汽场的过高估计，提高了对中国南方强降水预报的准确性。
• 校准后的FY-4A PWV数据在预测中度至强降雨方面优于传统数据。

引言
极强降雨与气象灾害密切相关，会造成严重的经济损失甚至人员伤亡。因此，对极端降水的精确数值天气预报（NWP）至关重要。NWP模型的性能受到物理过程表示方式以及模型初始状态准确性的强烈影响。一个准确的初始条件对于提高强降水预报的准确性至关重要（Lorenz，1965）。除了更新模型的动态框架和参数化方案外，还可以通过数据同化有效实现这一点，即把观测数据整合到背景场中。
水汽是NWP模型中的一个关键初始条件，它影响极端天气事件的预报准确性，因为水汽影响着云层的组织结构和降水的演变过程（Rohm等人，2019）。Hu等人（2019）强调了水汽及其在极端降水事件中的关键作用，认为同化水汽数据可以通过增强水汽传输和汇聚来提高降雨模拟的准确性。已经开发了多种技术来观测水汽，如无线电探空仪、微波辐射计（Cadeddu等人，2013）、气球搭载设备（Dabberdt和Turtiainen，2015）以及太阳光度计（Liu等人，2013）。研究表明，同化这些测量得到的水汽信息可以提高数值天气预报的准确性（Ha等人，2003；Le Marshall等人，2006；Geer等人，2018；Hoover等人，2017）。此外，全球导航卫星系统（GNSS）地面站接收来自导航卫星的信号，能够提供高精度的PWV反演结果，其典型不确定性低于2毫米（Van Malderen等人，2014）。Cucurull等人（2004）采用三维变分数据同化（3DVAR）技术，将GNSS得到的天顶总延迟（ZTD）数据用于暴风雪预报，通过动力-热力学过程的耦合，显著改善了湿度预报及相关温度和风的预测。Ha等人（2003）实施了对GNSS斜向湿延迟的四维变分数据同化（4DVAR），显著改变了飑线结构以及湿度、温度和风场。Hoover等人（2017）证明将来自水汽感测系统（WVSS-II）的空中湿度数据同化到全球数据同化系统（GDAS）中，可以显著提高湿度和降水预报的准确性。最近，Li等人（2025）展示了使用4DVAR系统同时同化雷达推导的降水和GNSS ZTD，显著提高了德国北部的短期强降雨预报的准确性，减少了湿度、温度和风场分析中的误差。类似地，Zheng等人（2025）建立了一个每小时循环数据同化框架，并表明增加GNSS ZTD的同化频率可以逐步提高0-6小时范围内的对流降水现在预报的准确性，其中每小时同化获得了最佳的预报性能评分。然而，基于地面的水汽测量数据通常受到限制，因为其部署受到站点覆盖范围、平台能力和高昂运营成本的约束。
卫星搭载的传感器可以提供广泛的覆盖范围，并具有频繁的时间采样和精细的空间分辨率，范围从几百米到几公里不等。在业务实践中，气象机构通常以辐射数据的形式将卫星推导的水汽信息同化到NWP系统中，而不是直接使用反演得到的PWV产品（Le Marshall等人，2006），从而减少了反演过程中的潜在偏差（Migliorini，2012）。Eyre等人（2022）的综述追溯了六十年来卫星数据同化的演变，强调了辐射同化在提高预报准确性方面的核心作用。Yin等人（2022）评估了同化风云-4A（FY-4A）上搭载的静止干涉式红外声波辐射计（GIIRS）观测到的晴空水汽辐射的影响，并评估了它们对“21·7”河南极端降雨事件的影响。研究结果表明，同化增强了模型对水汽的表示能力，进而改善了水文气象场、风结构和降水预报。Niu等人（2022）在2020年东亚严重的梅雨期间，同化了FY-4A上搭载的先进地球同步辐射成像仪（AGRI）的亮度温度数据，他们的结果显示，同化AGRI数据有效生成了合理的水汽增量，并从而提高了定量降水预报（QPF）的准确性。Geer等人（2018）的研究强调，在业务环境中，全天空卫星辐射同化是可行的，包括与云层和降水相关的信号。尽管许多研究已经同化了卫星红外或微波辐射数据，但很少有研究直接同化PWV到NWP中。因此，验证卫星PWV数据在同化NWP模型中的性能至关重要。
最近的研究开始直接探索PWV同化。Saunders（2021）表明，将Sentinel-3 OLCI近红外PWV同化到英国气象局的全球NWP系统中，减少了东南亚地区的背景湿度偏差，表明反演得到的PWV可以提供超出传统辐射同化范围的有用湿度约束。在区域尺度上，Gong等人（2023）证明将Sentinel-3 PWV同化到WRF模型中，改善了中国南方的湿度场和降雨预报，特别是在湿润条件下，基于GNSS的质量控制使得受云影响的水汽得到有效利用。这些发现凸显了PWV同化的潜力，但其在极端降水场景下的表现及其与多源水汽数据的相互作用仍不完全清楚。
中国FY-4A卫星上的AGRI传感器在晴空条件下可以提供红外（IR）波段的水汽数据（Zhang等人，2019）。与包括GNSS反演得到的PWV在内的地面观测相比，FY-4A的PWV观测误差相对较大。FY-4A的PWV均方根误差（RMSE）约为6毫米（Wang等人，2021），而GNSS的RMSE小于2毫米（Van Malderen等人，2014）。与地面PWV数据相比，卫星反演得到的水汽精度较低，在多云条件下误差会更加严重。从AGRI/FY-4A测量得到的PWV产品很少被用于天气预报。
最近的研究表明，可以使用不同的机器学习方法对卫星水汽数据进行校准，并提高其准确性（Liu等人，2022；Vaquero-Martínez等人，2018）。Chang等人（2020）引入了一种差分水汽（DLAM）校准方法，提高了大气红外声波辐射计（AIRS）IR通道的PWV估计精度，与无线电探空仪数据相比，RMSE降低了16%。Xu和Liu（2023b）进一步使用梯度提升决策树（GBCorM）模型，使用GNSS反演得到的PWV数据将RMSE降低了21.43%，与无线电探空仪数据相比降低了17.28%。GBCorM由于使用了高精度的GNSS数据和多个影响因素而优于DLAM。
本研究旨在提高FY-4A PWV反演的准确性，并评估原始PWV和校准后的PWV对数值天气预报的影响。首先使用BPNN方法将FY-4A PWV与GNSS观测数据进行校准，然后进行质量控制以确保可靠性。本文的其余部分结构如下：第2节描述了PWV数据集、校准过程和同化配置；第3节介绍了结果；第4节总结了研究。

**研究片段**
**FY-4A PWV数据校准和质量控制**
本研究中使用的PWV数据来自FY-4A卫星，这是中国于2016年12月发射的第二代静止气象卫星。该卫星携带了多种先进仪器，包括AGRI。由于采用了先进的三轴稳定技术，FY-4A的观测效率超过了85%，而第一代卫星FY-2的观测效率仅为约5%。AGRI是一个具有14个通道的多光谱成像仪。

**FY-4A PWV的验证**
使用四个统计指标（RMSE、平均偏差（MB）、相关系数（R）和平均绝对百分比误差（MAPE）对FY-4A PWV数据进行了验证。RMSE衡量整体偏差，MB反映系统偏差，R表示线性相关性，MAPE以百分比形式表示相对误差。图3显示了校准前后FY-4A PWV与GNSS PWV的二维直方图。校准前FY-4A原始PWV的RMSE为10.852毫米，MB为……

**讨论**
将FY-4A卫星衍生的PWV同化到数值天气预测模型中，由于FY-4A观测具有精细的空间和时间分辨率，为改善湿度初始化提供了有希望的机会。在这项研究中，基于BPNN的校准对于纠正FY-4A PWV相对于GNSS测量的系统偏差至关重要，显著提高了两组数据的一致性。随后的质量控制进一步确保了只有……

**结论**
本研究通过基于GNSS的校准和质量控制提高了FY-4A PWV数据的准确性，并将其应用于数据同化实验中，以评估其对降水预报的影响。设计了两组实验。首先针对2020年5月20日中国南方的强降雨事件进行了同化实验，仅同化了FY-4A PWV（WRF_NoDA、FY-4A_RAW和FY-4A_CAL），以便直接比较独立……

**作者贡献声明**
Dengxin He：撰写——审阅与编辑、原始草稿撰写、可视化、验证、方法学、数据分析、概念化。
Zhizhao Liu：撰写——审阅与编辑、监督、项目管理、方法学、资金申请、概念化。
Jiafei Xu：撰写——原始草稿、方法学、调查、数据分析、概念化。
Guirong Xu：撰写——审阅与编辑、调查、数据分析。
Anwei Lai：验证。

**未引用参考文献**
Cameron等人，2005
Xu和Liu，2023c
Xu和Liu，2023d

**利益冲突声明**
作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。

**致谢**
本工作部分得到了中国香港特别行政区研究资助委员会（项目编号PolyU/RGC 15212622/B-Q94L）、香港物流与供应链多技术研发中心（PolyU代码K-ZS1Z）管理的创新与技术委员会项目ITP/047/23LP（P0456）、香港理工大学（项目编号ZH8Y和4-ZZVL）、中国气象局的创新与发展项目（CXFZ2024J015）、KeyDengxin He|Zhizhao Liu|Jiafei Xu|Guirong Xu|Anwei Lai|Yunchang Cao|Hong Liang|Guan Hong的支持。