融合GNSS水汽与气象要素的河北省降水预测研究

吕凯鑫，祝铭骏，冯 帅

(天津城建大学 地质与测绘学院，天津 300384)

近年来，许多城市频繁发生强降水并且造成了严重的经济损失和社会影响。因此，强降水预测成为当今社会较为关注的城市问题。降水发生的预测需要考虑多种因素，而水汽与降水的发生关系密切。因此，准确、实时探测大气水汽含量对于短临天气预测具有重要意义[1]。利用现代技术手段，掌握对流层中水汽的时空变化，对大气结构的垂直稳定度、暴风雨以及强对流等灾害性天气的形成和演变都具有重要影响[2]。随着GNSS技术在气象学领域的发展和应用，获取高精度、高时空分辨率的水汽成为可能[3]。目前已有多数研究者通过实验证实了该技术应用的可行性。单路路等人利用GNSS观测数据和降水量信息对该方法进行验证，结果表明该方法对于降水的短临预测具有较好的适用性和较高的预测精度[4]。此外，水汽序列与降水发生的时间也有密切关系。王勇等人通过研究河北省水汽通道，得出GNSS水汽序列峰值超前降水发生时间约为1～2 h[5]。水汽数值在30 mm以上时，每当有水汽的急剧波动时大多会发生降水事件[6]。本文将利用此种技术方法，选择河北省作为降水预测的研究对象。河北省地貌复杂多样，属于温带大陆性季风气候，大部分地区四季分明，夏季经常会发生暴雨和瞬时强降水等对流天气。如何综合考虑影响降水的因素，选用合适的方法，准确预测降水时间以及降水量，对于河北省政府部门的预防以及公众的防范具有很好的应用价值。本文将综合GNSS水汽和气象要素开展降水预测研究，构建降水预测模型，进行短时降水预测，为河北省对于强降水的预防提供参考。

1.1 研究数据

本文采用河北省GNSS站点2013年6～8月的数据进行研究。由相关性分析及文献查询综述可知，降水与水汽、气温、气压气象要素相关性较高，其余气象要素相关性较低。因此，降水预测模型综合选用GNSS水汽、温度、气压数据，时间采样率均为1 h。

1.2 研究方法

1.2.1 水汽反演过程

GNSS卫星发射的电磁波信号穿过对流层产生对流层延迟。当前，GNSS测量数据处理精度高，利用高精度解算软件可估算对流层延迟，通过模型计算出天顶静力学延迟，而对流层延迟与干延迟之差得到湿延迟，再进行一定的换算，可以计算出对应的水汽值[7]。

1.2.2 快速傅里叶变换(FFT)

水汽受气象要素变化的影响，为构建水汽和气象要素的降水量预测模型，使用傅里叶变换来确定各种观测要素的共同变化周期，可以将影响水汽变换的各种因素的时间序列视为一系列的时域信号，并且在进行FFT处理之后，将时域信号转换为频域信号。该方法得到的降水空间变异函数值能够有效反映不同时间尺度上的降水在空间上的各向异性变化特征[8]。频谱分析方法FFT下，计算每个元素的空间频率，以此来确定他们的公共周期。

1.2.3 RBF-BP神经网络

对降水的预测主要有数值法和统计法两种方法[9]。BP网络采用反向传播算法，收敛速度慢，会遇到局部极小值问题[10]。因此本文采用径向基函数(Radial Basis Fuction,RBF)神经网络先进行各项气象数据的预测，再由BP(Back Propagation)神经网络直接预测降水量及降水时间，从而提高预测精度。

兴隆站在2013年6月11日下午1时发生降水，时长10 h，最大降水量达到2.8 mm，降水前后气压由936 kPa上升至937.3 kPa，温度由19.1 ℃下降至11.7 ℃，水汽由18.8 mm下降至13.9 mm；

在2013年6月16日中午12时发生小规模降水，相较于前日无降水发生同时间12时温差为4.9 ℃，于17日凌晨4时停止降水，温差较前一天低了0.8 ℃，在此时间段降水发生时气压由932.7 kPa最高增至到933.6 kPa，降水结束后，气压则成缓慢平缓波动，而GNSS水汽从16日中午12时的40.6 mm最大增至43.9 mm，再跌到26.8 mm，较平时水汽波动有明显的幅度值，如图1所示。由图1及相关数据可知，站点在2013年6月发生降水过程时，无论降水规模大小，降水都与GNSS水汽、温度、气压气象要素有一定的相关性。其中与水汽相关性较大，出现过延时降水以及连续降水，往往水汽在达到一定峰值发生降水时水汽数据会降低。

选择FFT方法将各类观测要素的时域和频率联系在一起，提取各类观测要素的公共周期，再根据各类观测要素之间的相关性，选取最佳公共周期。选取河北省9个观测站点的GNSS水汽和气温、气压数据，将各类观测要素时间序列数据进行线性变换处理，一天的采样点数为24，以采样频率fz对S(t)采样，之后对变换处理所得频谱以频率fz/2对称，即频谱可见范围 0～fz/2 Hz，获得9个观测站点的GNSS水汽和气温、气压的FFT处理结果，横轴为频率，1代表的是1 d，也就是24 h。因为水汽的日波动是单峰型的，而气温和气压的日波动是多峰型的，所以这两种的日波动明显不同。因此，在周期的提取中不考虑一天之内的周期变化。为进行比较研究，选择频率在0～1(周期大于1 d)之间的FFT结果。

图1 降水与气象要素的比较(兴隆)

图2 傅里叶变换提取公共周期

如图2所示，不同的观测要素在不同的频率下拥有不同的周期变化，选择时间为2013年6～8月的数据分析图像，如安新站的各个要素波峰在频率为0.15、0.25、0.42处相近，再用24 h分别除以频率得出安新站的公共周期。因为篇幅限制，图2为其中的3个站点，全部站点的公共周期寻找过程和结果如表1所示。

表1 各站点间公共周期提取

根据各个站点的公共周期，利用SPSS对各个要素进行相关性分析，结果如表2所示。

表2 各站点间要素的相关性分析

以安新站为例，当周期变短时相关性越来越差，在96 h时水汽与其他要素的相关性最好，所以安新站的最佳公共周期为96 h。通过对表2分析，得到了各个站点的最佳公共周期，只有涉县的最佳公共周期为56 h，怀来的最佳公共周期为72 h，其他站的最佳公共周期均为96 h。

考虑到GNSS水汽达到峰值时未发生降水的情况，探究兴隆站在2013年6～8月发生的降水事件中，GNSS水汽序列峰值超前发生时间1～3 h的次数，占总降水次数的64%，因此可用2～3 h的GNSS水汽增量数据作为基准值来预测超前或延后降水。通过统计降水事件发生时的水汽增量值，发现在降水前后8～12 h内的水汽增量值普遍在1～8 mm之间，当GNSS水汽增量值峰值超过基准值且在8～12 h内出现降水，则认为对应一次降水。分别利用兴隆2013年6～8月2 h、3 h GNSS水汽增量与本站发生降水的关系进行比较，如表3和表4所示。

表3 2 h GNSS水汽增量

表4 3 h GNSS水汽增量

本文将兴隆站6～8月的GNSS水汽、温度、气压数据进行RBF神经网络预测。通过序列滑差的方法，以96 h为一个周期预测后12 h的GNSS水汽及温度、气压数据，如图3所示，为各个要素的RBF预测值与真实值对比图，可判断出误差较小。通过该模型增大数据量以及其余8个站点数据的输入预测，当预测值与实际差值较低时认定为预测准确，通过RBF神经网络输入前96 h真实值来预测后12 h GNSS水汽及气象要素数据准确率可达83%以上。

图3 RBF预测图

为评价降水预报模型的性能和12 h内降水预报的准确率，减少未知不定的其他因素影响，以及考虑到带入气象要素较少的情况，同时涉及实际工作需要，根据降水量标准将12 h内降水情况进行分级，如表5所示。

表5 降水情况分级

通过RBF神经网络已获取12 h的GNSS水汽及气象要素数据，要通过BP神经网络直接进行降水预测，需提前建立BP降水预测模型。将兴隆2013年6～8月的GNSS水汽、温度和气压数据作为输入要素，时间序列对应的降水数据作为输出要素，带入BP神经网络中进行降水模型建立。

图4 BP神经网络预测

由图4可知，在无降水发生时预测降水值较少超过2 mm，而在暴雨发生前，第18 h的位置处，预测数据出现了明显波动，由上文推论可以将这3 h内的降水量归类于一次降水，模型预测出在21 h降水量为8.3 mm，而第18～21 h降水量总和(13.7 mm)与实际降水量(14.5 mm)对比差值较小。先后进行了20次的BP神经网络预测，对于无雨、小雨、中雨及大雨的情况下预测较为准确，对降水预测的准确度在70%左右，出现暴雨情况下实际降水量的预测准确度在30%左右，但对降水发生时间预测准确次数共14次，精确度在70%左右。因此可用GNSS水汽数据及气象数据直接进行降水预测。

将图3 RBF神经网络预测出的12 h GNSS水汽、温度及气压数据输入BP神经网络预测降水数据，并查阅到预测时间为2013年6月4日10～22时降水数据，与预测值画图分析对比，预测值12 h的暴雨降水时间较为准确，但对于暴雨的降水量预测准确度较低，如图5所示，为截取预测较为准确的情况。

图5 降水预测

本文综合GNSS水汽、气温和气压等观测要素，利用FFT与RBF、BP神经网络方法构建降水模型，对模型进行外部可靠性检验。获得结论如下：

(1)每次降水发生时都会伴随着GNSS水汽峰值的出现及温度、气压的相应变化；

(2)安新、满城、兴隆、三河、晋州、平山、赵县的最佳公共周期为96 h，涉县的最佳公共周期为56 h，怀来的最佳公共周期为72 h；

(3)RBF神经网络周期滑差的方法预测GNSS水汽及气象要素数据以及BP神经网络进行短时降水预报，对于强降水的预测准确度较高。

本文仅选用气温、气压与水汽数据进行预测，但降水事件的发生还有很多其他因素影响；
同时RBF-BP模型未构建出更多的约束条件，模型较为简单，有待进一步研究。