评估不同预报时效下GFS增强的实时GNSS-PWV反演及其在极端天气中的应用

《Atmospheric Research》：Evaluation of GFS-enhanced real-time GNSS-PWV retrieval at different forecast lead times and its application to extreme weather

　　

•短时GFS-Tm支持中国区域实时GNSS-PWV反演。•GFS-Tm在6–120小时的RMS从1.229增至2.568 K。•ZHD误差对PWV的影响大于Tm误差。•GNSS-PWV捕捉到了台风丹娜斯期间的快速水汽变化。•GNSS-PWV和GFS-PWV提供互补的水汽信息。引言对流层中的大气水汽是最易变化的气象要素之一。它在大气能量交换、水文循环以及天气和气候变化中发挥着重要作用（Schneider等，2010；Sherwood等，2010）。可降水量（PWV）指单位面积垂直大气柱中所含水汽的总量。它提供了整个大气柱含水量的综合度量，广泛应用于数值天气预报、气象监测和气候研究。PWV的时空变率与大气水汽输送、对流活动和降水过程密切相关。因此，获取连续且高时间分辨率的PWV观测对于理解区域水汽演变和监测灾害性天气事件至关重要。PWV可以通过多种观测技术获取，包括探空仪、水汽辐射计、卫星遥感和全球导航卫星系统（GNSS）观测。在这些技术中，GNSS能够以高时间分辨率连续、全天候地反演PWV。凭借这些优势，GNSS观测越来越多地用于短时ZTD预报（Ma等，2026）、区域PWV建模与预报（Zhu等，2026）以及三维对流层层析成像（Tayfehrostami等，2026a）。因此，GNSS已成为大气水汽监测的重要工具，并广泛应用于强降水、台风和强对流天气的监测与预报（Schneider等，2010；Sherwood等，2010；Xu等，2026），以及数值天气预报数据同化（Tayfehrostami等，2026b）。GNSS-PWV通常通过利用由大气加权平均温度（Tm）确定的水汽转换因子将天顶湿延迟（ZWD）进行转换来获取（Bevis等，1994；Saastamoinen，2013）。因此，Tm是GNSS-PWV反演中的关键参数，其估计误差会直接传递到PWV估算结果中（He等，2019；Huang等，2021）。由于Tm随纬度、季节、海拔和大气条件变化，不同的Tm估计方法在精度和实时适用性方面可能存在显著差异。精确、可靠且可操作运行的Tm估计对于确保极端天气条件下高时间分辨率GNSS-PWV反演的可靠性至关重要。Bevis等（1992）通过分析地表温度与Tm之间的关系建立了经典的线性Ts–Tm回归模型。该模型此后在GNSS-PWV反演研究中被广泛使用（Duan等，1996；Jin和Luo，2009；Wang等，2007；Zhao等，2018）。然而，单一的Ts–Tm关系无法充分表征不同气候、地形和极端天气条件下Tm的变率（Lei等，2025；Lei等，2024）。此外，该模型需要实时地表温度观测数据，而许多GNSS站点并不具备这些观测条件，这限制了其在实时和近实时PWV反演中的应用（Ross和Rosenfeld，1997；Yuan等，2014）。为减少对地面气象观测的依赖，已开发出GPT、GPT2、GPT2w和GPT3等全球气压和温度模型（Kouba，2009；Lagler等，2013；Landskron和B?hm，2018）。这些模型基于站点位置和观测时间提供经验气象参数，无需共址气象观测数据，适用于全球应用。在此基础上，Yao等（2014）、Yao等（2015）通过引入地理、季节、半年和日变化，开发了GTm系列模型，从而提高了全球和海洋区域的Tm估计精度。Sun等（2019）通过考虑长期趋势、季节变化以及空间差异，开发了用于全球气象参数估计的GTrop模型。Sun等（2021）进一步提出了GGNTm模型，利用ERA5月平均再分析数据，其中Tm的非线性垂直变化由三阶多项式函数表征。最近，Tayfehrostami和Amerian（2026a）利用探空仪和GNSS掩星廓线开发了区域Tm模型，以提高区域Tm估计精度。尽管这些方法减少或消除了对共址气象观测的需求，但经验模型通常基于气候态或统计拟合关系构建，因此可能无法完全捕捉快速的大气变化。数值天气预报和再分析资料越来越多地用于从温度、湿度和气压廓线推导Tm（Chen等，2021）。ERA5具有相对较高的时空分辨率和良好的数据一致性，已广泛应用于大气水汽研究和模型评估（Hersbach等，2020；Zhang等，2019）。全球预报系统（GFS）提供不同预报时长的温度、湿度和气压廓线预报。可以从这些廓线推导预报Tm以支持实时GNSS-PWV反演。同样的廓线也可以垂直积分获得GFS积分PWV，提供大气柱水汽的直接预报。最近的研究还探索了多源PWV应用，将GNSS观测的高时间分辨率与卫星观测的更广泛空间覆盖相结合（Tayfehrostami和Amerian，2026b），突出了不同水汽产品的互补价值。与基于站点的GNSS-PWV观测相比，GFS积分PWV提供空间连续的预报信息，但其对短期局部水汽变化的表征可能受限于模型分辨率和预报不确定性。为了评估这些不同PWV产品的可靠性，以往研究已广泛利用地面GNSS测量评估了数值天气预报、再分析和卫星观测反演的PWV。Liu等（2024）利用SuomiNet网络的GPS-PWV观测评估了GFS PWV，并报告即使在飓风期间也具有良好的吻合度。Shi等（2026）将ERA5、MERRA-2和JRA-3Q PWV与地面GNSS-PWV进行了比较，RMS值分别为3.30、5.13和4.44 mm。Tayfehrostami和Amerian（2026c）利用Sentinel-6和COSMIC-2 GNSS掩星观测反演的PWV与地面GNSS和探空仪测量进行了评估，COSMIC-2的整体吻合度更好。尽管取得了这些进展，但相对较少研究直接利用业务GFS预报廓线推导Tm以进行实时GNSS-PWV反演，特别是在不同预报时长的情况下。与Tm、ZHD和ZWD差异相关的PWV等效影响尚未得到系统量化。此外，高时间分辨率GNSS-PWV与GFS积分PWV在解析强天气期间快速水汽变化方面的差异仍未得到充分量化。为解决这些问题，本研究开发并评估了一种基于GFS的实时GNSS-PWV反演方案。系统评估了GFS-Tm和ZHD的精度及其预报时长效应，并量化了与Tm、ZHD和ZWD差异相关的PWV等效影响。最后，利用2025年台风丹娜斯案例比较了高时间分辨率GNSS-PWV与GFS积分PWV在捕捉快速水汽变化方面的表现，并利用IMERG降水资料检验了PWV快速增加与降雨起始之间的时间关系。部分节选数据GFS在41个气压层面上提供温度、湿度和气压的预报廓线，水平分辨率为0.25°×0.25°。预报每天在00:00、06:00、12:00和18:00 UTC初始化，最长预报时效为384小时。时间分辨率为240小时以内每3小时一次，之后为每6小时一次。GFS预报产品通常在初始化后约3–4小时可用，使短时预报能够支持近实时GNSS-PWV反演。ERA5是一个全球性数据集。不同Tm模型在中国区域的精度评估Tm是将GNSS获取的ZWD转换为PWV的关键参数，其精度直接影响GNSS-PWV反演结果。为评估不同Tm估计方法在中国的表现，以2023年IGRA导出的Tm作为主要参考，ERA5导出的Tm作为附加基准。从空间误差特征、月误差特征和rRMS方面比较了Bevis、GPT3、GTrop、GGNTm和GFS-Tm。首先检验了IGRA与ERA5之间的一致性以评估预报时效对GFS-Tm和ZHD准确性的影响及其对GNSS-PWV反演的作用前一节比较了不同Tm估计方法的精度。本节进一步利用IGRA和ERA5作为参考，评估了GFS推导的Tm和ZHD在6、12、24、48、72和120小时预报时长的精度。使用2023年匹配数据集量化Tm和ZHD误差的PWV等效影响，同时利用2025年匹配的GNSS和ERA5数据集评估GNSS-ZWD与ERA5-ZWD的差异及其PWV等效影响。图6展示了空间台风丹娜斯期间的水汽演变与预报性能本节利用2025年7月1日至13日期间10个站点的GNSS观测数据，研究了台风丹娜斯相关的PWV和降水变化。使用6小时GFS预报气压和GFS-Tm反演GNSS-PWV，并以ERA5廓线积分PWV作为参考。IMERG降水用于表征降雨响应。另外选取了3个附近探空站进行独立比较。对于分阶段评估，将台风前、台风影响期间结论本研究评估了GFS-Tm用于实时GNSS-PWV反演的适用性，并量化了Tm、ZHD和ZWD差异对PWV反演的影响。进一步利用2025年台风丹娜斯案例检验了GNSS-PWV和GFS积分PWV对快速水汽变化的响应。以IGRA-Tm为参考，Bevis、GPT3、GTrop和GGNTm的RMS值分别为4.373、5.317、4.592和4.620 K，相应的rRMS值分别为1.605%、1.944%、1.689%和1.661%。GFS-Tm的RMS和rRMS讨论尽管以IGRA导出的Tm作为主要参考，但探空观测仍可能包含测量和代表性不确定性。因此ERA5仅作为基于再分析的基准。此外，PWV的不确定性不仅由Tm决定，因为ZHD、ZWD、GNSS处理和插值也可能产生贡献。台风丹娜斯分析扩展到了10个GNSS站点，但仍属于单一事件案例研究。时间采样和空间代表性可能CRediT作者贡献声明Tianyu Yang：验证、软件、方法论、调查、正式分析、数据整理、写作——审阅与编辑、写作——初稿。XiaoTing Lei：可视化、验证、资源。Huizhong Zhu：监督、资源、资金获取、正式分析。Chunhua Jiang：资金获取、正式分析。Xinyang Zhang：数据整理。Xiang Gao：正式分析、数据整理、概念化。利益冲突声明作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。Tianyu Yang | XiaoTing Lei | Huizhong Zhu | Chunhua Jiang | Xinyang Zhang | Xiang Gao