GNSS對流層水汽監(jiān)測研究進展與展望

姚宜斌，趙慶志

1.武漢大學測繪學院，湖北 武漢 430079；2.西安科技大學測繪科學與技術學院，陜西 西安 710054

對流層作為地球空間環(huán)境中最重要的組成部分之一，蘊含著整個地球大氣層中幾乎所有的大氣水汽，是與人類活動聯(lián)系最為密切的大氣圈層。對流層中的水汽雖然占比很少，卻是一種非常重要的溫室氣體，其在變化過程中吸收或釋放大量熱能，促進對流天氣系統(tǒng)的形成和演變，在不同時空尺度的大氣變化過程中起著主導作用。大氣水汽受季節(jié)、地形及氣候條件等因素影響，空間分布不均勻，隨時空變化快，難以對其進行精確監(jiān)測和反演。通常，災害性天氣短臨預報的難點在于現(xiàn)有氣象觀測手段無法對水汽的時空分布和變化(特別是垂向分布和變化)進行實時準確地監(jiān)測和追蹤。因此，研究掌握區(qū)域/全球水汽時空快速、長期變化有助于深入了解短臨極端天氣和長期氣候變化特征，可為監(jiān)測和預報短臨降雨、臺風等多種極端天氣及重大旱澇災害事件提供重要的數(shù)據(jù)支持。

電磁波信號在穿過對流層時，會受到大氣效應的影響，導致衛(wèi)星信號產生折射和彎曲，稱為對流層延遲，其在測站天頂方向的投影稱為天頂對流層延遲(zenith tropospheric delay,ZTD)。作為GNSS定位技術應用中的重要誤差源之一，ZTD包括天頂靜力學延遲(zenith hydrostatic delay，ZHD)和天頂濕延遲(zenith wet delay，ZWD)兩部分。其中，ZHD可通過經典模型(實測氣象參數(shù)模型)聯(lián)合地面實測氣象參數(shù)精確模型化；而ZWD盡管在ZTD中占比較小，但受水汽時空變化影響較大，難以準確模型化。因此，研究掌握GNSS測站附近的水汽時空變化有助于了解對流層延遲對衛(wèi)星信號的影響，可為GNSS數(shù)據(jù)解算提供更為精確的對流層延遲初值。

傳統(tǒng)水汽觀測手段包括無線電探空儀、衛(wèi)星遙感、微波輻射計等。但上述水汽探測手段由于系統(tǒng)設計的局限性存在地面分布不均勻、觀測不連續(xù)、時間分辨率低、數(shù)據(jù)質量良莠不齊及海洋區(qū)域數(shù)據(jù)極其匱乏等缺點，成為研究強對流等極端天氣和大尺度異常氣候事件發(fā)生發(fā)展機理的瓶頸問題。利用GNSS信號穿過對流層的延遲量，結合地表實測氣象參數(shù)可反演得到測站上空附近的大氣可降水量(precipitable water vapor，PWV)，由此衍生出GNSS氣象學這一新的學科。隨著GNSS技術的不斷發(fā)展，GNSS水汽探測技術憑借其連續(xù)運行、低成本、高精度、高時空分辨率、不受天氣影響等優(yōu)點在極端天氣監(jiān)測和氣候變化研究等方面取得了快速發(fā)展。近年來，全球范圍內建立了數(shù)以十萬計的連續(xù)運行參考站，改善了傳統(tǒng)水汽觀測站分布不均、數(shù)量較少、空間分辨率不高的現(xiàn)狀。此外，空基GNSS氣象學的發(fā)展有效解決了海洋區(qū)域觀測數(shù)據(jù)匱乏的問題。

本文分別對GNSS水汽反演及其相關應用方面進行介紹，主要包括GNSS二維和三維水汽反演，以及GNSS水汽在定位、短臨降雨及旱澇監(jiān)測、數(shù)值同化預報等方面的應用現(xiàn)狀和進展。

1 GNSS二維水汽監(jiān)測

二維水汽監(jiān)測主要是針對大氣可降水量PWV的監(jiān)測。

1.1 GNSS水汽監(jiān)測

1992年，Bevis首次提出了GPS氣象學的概念[1]，其后隨著GNSS技術的迅速發(fā)展，基于GNSS技術的大氣水汽監(jiān)測得到國內外眾多學者的關注。

GNSS氣象學的產生與發(fā)展方面，文獻[2]推導出ZWD與PWV之間的關系，為PWV反演奠定了理論基礎，隨后眾多學者驗證了GPS技術遙感大氣水汽的可行性[3-6]。依據(jù)測站所在位置，可將GPS氣象學分為地基GPS氣象學與空基GPS氣象學。地基GPS氣象學是指利用安置在地面上的GPS接收機接收到的觀測數(shù)據(jù)和實測地面氣象參數(shù)精確計算PWV等要素[7]；空基GPS氣象學是利用搭載在低軌衛(wèi)星上的GPS接收機接收衛(wèi)星信號并估算相關氣象要素[8]。隨著GPS[9]、GLONASS[10]、Galileo[11]的發(fā)展及我國北斗三號導航衛(wèi)星系統(tǒng)(BDS-3)全球組網的完成[12]，GPS氣象學逐漸演變?yōu)镚NSS氣象學。由于空基GNSS水汽監(jiān)測受制于衛(wèi)星星座分布及數(shù)量影響，且水汽獲取依賴于水汽廓線垂直積分，其精度相對較低[13]。因此，當前GNSS水汽監(jiān)測主要還是以地基GNSS為主，本文后續(xù)關于GNSS水汽監(jiān)測及相關應用進展的介紹主要圍繞地基GNSS水汽展開。

在multi-GNSS水汽監(jiān)測方面，文獻[14]證明了基于GPS計算的PWV與無線電探空和微波輻射計獲取的PWV精度相當。在國內，文獻[15—17]驗證了利用GPS獲取PWV的可行性，其PWV反演精度可達1～3 mm[7,5,18-19]。除GPS外，文獻[20]利用BDS獲得與GPS精度相當?shù)腜WV。由于GLONASS與Galileo系統(tǒng)的自身缺陷，僅利用單一的GLONASS或Galileo監(jiān)測水汽的研究相對較少，其在穩(wěn)定性與精確度方面存在一定缺陷[21]。多系統(tǒng)提供更多的對流層延遲觀測值，因此，GNSS水汽監(jiān)測由單系統(tǒng)向multi-GNSS的方向發(fā)展，文獻[21]證實了multi-GNSS技術可提升水汽反演的有效性、穩(wěn)定性及精確度。此外，相關學者分別對GPS+GLONASS[22]、GPS+BDS[23-24]及四系統(tǒng)組合[25]的水汽監(jiān)測能力進行了評估，發(fā)現(xiàn)雙系統(tǒng)及四系統(tǒng)組合解算PWV精度優(yōu)于3 mm，且較單系統(tǒng)具有更高的穩(wěn)定性、精度及可用性。

在實時GNSS水汽監(jiān)測方面，多數(shù)研究主要利用國際GNSS服務(International GNSS Service，IGS)中心提供的事后精密星歷進行高精度水汽反演，但精密星歷存在13 d左右的延遲[26]。此外，快速和超快速精密星歷仍會存在17 h[27]和3 h[28]的延遲，無法滿足實時水汽監(jiān)測的現(xiàn)實需求。得益于IGS啟動的實時領航項目(real time pilot project，RTPP)，用戶在2013年4月1日后可在全球范圍內獲取實時的GPS衛(wèi)星軌道和鐘差校正數(shù)據(jù)[29]，使得GNSS實時水汽監(jiān)測成為可能。隨著RTPP項目的發(fā)展，利用GNSS系統(tǒng)進行實時水汽監(jiān)測得到眾多學者的廣泛研究。文獻[30]證實了利用GPS實時數(shù)據(jù)可獲取精度優(yōu)于3 mm的PWV。此外，在基于GLONASS[31]、BDS[32]、Galileo[33]衛(wèi)星系統(tǒng)的實時水汽監(jiān)測方面也有一定進展，水汽監(jiān)測精度與事后GPS反演的PWV精度基本相當。在多系統(tǒng)實時水汽監(jiān)測方面，相關學者分別利用GPS+BDS[34]、GPS+GLONASS[31]及四大全球衛(wèi)星導航系統(tǒng)組合[35]進行了實時水汽試驗，證實了多系統(tǒng)實時水汽精度與事后水汽精度相當，相比于單系統(tǒng)，其可信度更高且避免了可能存在的粗差影響。

1.2 其他水汽監(jiān)測手段

水汽監(jiān)測除利用GNSS技術外，還包括以無線電探空儀[36]、太陽光度計[37]及微波輻射計[38]為主導的傳統(tǒng)站點水汽監(jiān)測，氣象方面專用的衛(wèi)星遙感水汽監(jiān)測[39-40]，以及利用數(shù)值同化生成再分析資料的水汽監(jiān)測[41-42]。

在傳統(tǒng)站點水汽監(jiān)測方面，無線電探空儀是精度最高的水汽探測方式之一，但其測量成本高、工作量大，獲取的水汽信息時間分辨率也較低[37,43]。微波輻射計獲取的水汽數(shù)據(jù)時間分辨率高，但數(shù)據(jù)質量受環(huán)境影響大[38]。太陽光度計只能測量太陽輻射路徑的水汽，在轉換為大氣水汽時會有精度損失[37]。通過與GNSS PWV對比，無線電探空儀、微波輻射計、太陽光度計獲取的PWV的RMS分別為2.60[44]、1.78[45]、1.66 mm[46]。但由于儀器本身和水汽探測方式的限制，傳統(tǒng)站點水汽探測方法存在時間分辨率較低、易受天氣影響、成本高等缺點[36,47]。

在衛(wèi)星遙感水汽監(jiān)測方面，主要是根據(jù)衛(wèi)星水汽敏感通道的輻射觀測數(shù)據(jù)包含整個大氣垂直廓線中水汽信息的原理來反演PWV信息[48-49]。常見的有搭載在Terra和Aqua衛(wèi)星上的中分辨率成像光譜儀(moderate resolution imaging spectroradiometer,MODIS)[50]、搭載在中國風云三號(FY-3)衛(wèi)星上的中分辨率光譜成像儀(medium resolution spectral image,MERSI)[51]、搭載在風云四號(FY-4)上的多通道掃描輻射計(advance geostationary radiation imager,AGRI)[40]，以及搭載在哨兵三號(Sentinel-3)系列衛(wèi)星上的海陸色度儀(ocean and land colour instrument，OCLI)[52]等。上述遙感衛(wèi)星能提供范圍較廣、周期性較長、空間分辨率較高的PWV產品，為獲取水汽信息提供了一種高效、快速的觀測技術，但受云層的影響，衛(wèi)星反演的PWV數(shù)據(jù)精度較低[53]。通過與GNSS PWV對比，Terra MODIS、FY-3A MERSI、FY-4A AGRI、Sentinel-3A OCLI獲取的PWV的RMS分別為6.02[50]、5.64[51]、4.78[40]、3.154 mm[52]。

在利用數(shù)值同化技術進行水汽監(jiān)測方面，融合了地面站點觀測數(shù)據(jù)、衛(wèi)星遙感數(shù)據(jù)等資料的數(shù)值同化技術憑借其高精度和高時空分辨率的優(yōu)勢成為獲取PWV的另一種有效手段。常見的再分析資料包括歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts，ECMWF)提供的再分析數(shù)據(jù)集ERA-Interim[54]和ERA5[55]、美國國家環(huán)境預報中心(National Centers for Environmental Prediction，NCEP)提供的NCEP系列[56]和CFSR數(shù)據(jù)集[57]及美國國家航空航天局提供的現(xiàn)代回顧分析研究和應用(modern era retrospective-analysis for research and applications，MERRA)系列數(shù)據(jù)集[58]。計算模式、同化方案及同化數(shù)據(jù)等方面的差異使得這些再分析數(shù)據(jù)的時空分辨率、數(shù)據(jù)質量各不相同(表1)，通過與GNSS PWV對比，ERA5、ERA-Interim、NCEP1、NCEP2、CFSR、MERRA、MERRA-2提供的PWV數(shù)據(jù)集的RMS分別為1.77[42]、1.21[59]、3.75[60]、5.84、4.13[61]、2.75、2.12 mm[42]。整體而言，ERA5和MERRA再分析數(shù)據(jù)提供的PWV精度較好。

表1 ECMWF、NCEP、CSFR及MERRA等數(shù)據(jù)集具體統(tǒng)計信息

1.3 GNSS聯(lián)合多技術水汽監(jiān)測方面

僅利用單一GNSS或其他技術可以獲取高精度的PWV，但存在數(shù)據(jù)缺失[62]、產品偏差[44]、時空分辨率不兼顧[63]等缺點。隨著全球各種水汽觀測數(shù)據(jù)的公開和共享，增強水汽信息的多技術融合研究得到快速發(fā)展，主要包括GNSS校正衛(wèi)星數(shù)據(jù)和多源水汽融合兩個方面。

在GNSS校正衛(wèi)星水汽監(jiān)測方面，主要是通過建立遙感衛(wèi)星和GNSS水汽間的函數(shù)關系，進一步提升遙感水汽產品的質量，實現(xiàn)其高空間分辨率的全球水汽探測優(yōu)勢。文獻[64]在評估MODIS水汽反演質量時，提出應用前進行GNSS線性校準的建議，隨后相關學者陸續(xù)提出了考慮季節(jié)變化[65-66]、氣候特征[67]及區(qū)域高度[68]等不同方式的衛(wèi)星水汽產品校正模型，有效促進了衛(wèi)星遙感水汽產品在氣象業(yè)務方面的再應用。此外，直接引入地基GNSS改進的衛(wèi)星水汽反演算法也在Aqua和Terra[69]、FY-3B[70]和Sentinel-3A[52]等多顆衛(wèi)星中得到驗證和應用，質量可提升約10%～15%。

在多源水汽融合監(jiān)測方面，根據(jù)水汽融合表達方式可分為顯式和隱式兩類。在顯式融合方面，現(xiàn)階段已試驗評估多種適用于不同區(qū)域、尺度及特征的方法。最新研究成果包括城市級高斯過程(Gaussian processes,GP)融合模型[71]與時空分步融合方法[72]、高山地區(qū)的增強型自適應反射率時空融合模型[73]、大尺度區(qū)域的球冠諧(spherical cap harmonic,SCH)方法[74]與分區(qū)混合模型融合[63]等，均能有效改善單一數(shù)據(jù)反演中的時空不連續(xù)問題。但顯式融合過程需要考慮多源數(shù)據(jù)的系統(tǒng)性差異及非等精度問題，多采用系統(tǒng)偏差校準[73,75]或自適應權比估計方法[63,74]進行解決，較等權補充[76]具有更好的可靠性。隱式融合則是直接通過人工智能、機器學習等數(shù)據(jù)挖掘技術獲取高時空分辨率的水汽信息[77]。文獻[75]采用神經網絡糾正和優(yōu)化多源水汽偏差，基于廣義回歸神經網絡實現(xiàn)了無偏的時空融合。文獻[78]則利用空間降尺度融合思想，通過將BP神經網絡建立的粗糙尺度輔助因子與GNSS校準產品的關系模型應用于精細尺度輔助因子，提升了GNSS校準產品的精度和空間分辨率。

2 GNSS三維水汽監(jiān)測

三維水汽監(jiān)測主要是采用水汽層析技術，進行三維濕折射率和水汽密度廓線反演，其中水汽層析觀測方程的構建及解算是三維水汽監(jiān)測的關鍵所在。

2.1 水汽層析觀測方程構建

水汽層析觀測方程構建的好壞直接影響水汽反演廓線信息的精度。本節(jié)對水汽層析觀測方程構建方法、層析區(qū)域網格劃分及層析建模數(shù)據(jù)分別選取3個方面介紹其研究現(xiàn)狀和進展。

在層析觀測方程構建方面，主要是基于分塊[79]、節(jié)點[80]及自適應節(jié)點[81]等方法構建研究區(qū)域層析模型參數(shù)化表達的觀測方程?；诜謮K法是指在構建模型時人為引入像素體邊界，在進行射線追蹤和走時計算時較方便，但人為引入邊界會導致模型參數(shù)不連續(xù)，且只能將數(shù)值異常區(qū)域表示為塊狀[79]?；诠?jié)點法是將研究區(qū)內節(jié)點值作為待求變量，任意位置的數(shù)值由其周圍的8個鄰近節(jié)點數(shù)據(jù)內插得到，該方法所構建的區(qū)域模型參數(shù)連續(xù)，減少了人為設置邊界的影響，其結果優(yōu)于分塊參數(shù)化方法[80]。自適應節(jié)點參數(shù)化方法是指通過多種網絡技術動態(tài)確定不同歷元的層析模型邊界和節(jié)點，其精度優(yōu)于傳統(tǒng)的節(jié)點參數(shù)化方法，且準確度顯著提高[81]。此外，文獻[82]還提出一種水平參數(shù)化層析方法，用于描述水汽在水平方向上的連續(xù)變化。

在層析區(qū)域網格劃分方面，主要包括層析區(qū)域高度選擇、水平網格劃分及垂直約束確定3部分。在層析區(qū)域高度選擇上，傳統(tǒng)方法常根據(jù)經驗選取層析區(qū)域的垂直高度，如15[79]、12[83]、10[80]或8 km[84]不等。但研究區(qū)域不同，大氣水汽在不同高度上分布差異很大，層析區(qū)域高度選擇過高會造成層析模型的過度參數(shù)化[84]，選擇過低會導致層析結果精度較差[85]。針對上述難題，文獻[85]提出了非經驗選取垂直高度的原則，即通過水汽隨高度的實際分布情況確定層析區(qū)域的最優(yōu)高度。在水平網格劃分上，傳統(tǒng)方法采用水平網格等間距劃分的方法[79]，該方法導致不同網格中包含的實測信息差異大。文獻[84]提出了基于移動研究區(qū)域與改善設計矩陣的方法提高網格射線穿過率，但實際操作較困難。文獻[86]提出了非均勻對稱水平網格劃分方法，降低了空白網格數(shù)。在垂直約束建立上，文獻[81]基于水汽分布的指數(shù)遞減規(guī)律建立了層析模型上下層的關系，但該方式所構建的垂直約束解算結果精度較低。文獻[87]提出了基于短期探空信息擬合函數(shù)構建層析區(qū)域垂直約束的方法，并基于無線電探空數(shù)據(jù)驗證了該方法對層析結果具有一定的改進作用。

在層析建模數(shù)據(jù)選取方面，由于衛(wèi)星和接收機幾何位置的特定性，很多位于層析區(qū)域底層和側面的網格沒有射線穿過[88]，因此僅利用從層析區(qū)域頂部穿過的射線會導致水汽反演質量不高[89]。文獻[90]提出了利用多組觀測歷元數(shù)據(jù)進行內插的方法，提高了層析區(qū)域觀測網的空間密度。文獻[84]利用在水平方向上搜索射線穿過網格最大數(shù)的方法確定最優(yōu)水平網格分布。上述研究在一定程度上提高了射線利用率，但均未涉及如何有效利用側面射線的問題。為改進上述現(xiàn)狀，文獻[91—92]分別利用UNB3m模型和CIRA-Q濕大氣氣候模型對層析區(qū)域側面穿出射線的水汽含量進行估計。文獻[93—94]利用經驗指數(shù)負相關函數(shù)，對從研究區(qū)域側面穿出射線中位于層析區(qū)域內的射線進行幾何線性估計。盡管上述研究對層析區(qū)域側面穿出射線進行了嘗試，但利用指數(shù)函數(shù)等模型估計從研究區(qū)域側面穿出射線中位于層析區(qū)域內的水汽含量時，并未對其合理性進行驗證。因此，相關學者通過附加輔助層析區(qū)域[95]、引入水汽單位指數(shù)[96-97]、構建水汽比例因子模型[98]、顧及邊界入射信號[99]等方法構建層析區(qū)域側面穿出射線的水汽觀測方程，較明顯地降低了網格空格率，改善了水汽反演精度。

2.2 水汽層析模型解算

水汽層析方程的解算質量對層析結果精度具有重要影響。

在層析模型權比確定方面，文獻[79]給出了經驗性設置迭代終止閾值確定權比的方法，但在實際應用中，不同類型信息權比確定與觀測方程的結構關系很大，有時僅調節(jié)權值不能得到很好的反演效果[100]。隨后眾多學者提出方差分量抗差估計[101]、基于齊性檢驗的驗后方差估計[102]、基于拉普拉斯算子的自適應平滑[103]等方法確定層析模型的權比信息。但是，文獻[104]指出直接使用上述方法確定各類觀測方程的權值時會放大噪聲，且僅保證層析模型中各類方程驗后單位權方差在數(shù)學或統(tǒng)計意義上相等有時需要多次迭代，耗時且不夠嚴密。因此，文獻[105]提出了同時顧及同類型不同觀測值和不同類型觀測值權比信息的水汽層析方法，并進一步在multi-GNSS(BDS、GPS、GLONSAA)水汽層析中進行驗證[86]，取得了較好的層析效果。

在層析模型解算方面，主要包括迭代和非迭代兩種解算方法。非迭代方法忽視小奇異值的變化會導致層析結果波動很大[104]，主要包括奇異值分解(singular value decomposition，SVD)[79]、Kalman濾波方法[106]及最小二乘法[107]等。針對上述方法的缺陷，文獻[108]基于最小偏差原則提出了一種改進嶺估計的層析模型解算方法，解算效果優(yōu)于SVD。迭代方法以代數(shù)重構算法(algebraic reconstruction technique，ART)[109]為主，但其層析結果非常依賴初值的精度且迭代終止條件難以確定[110]，導致層析成像的準確性受到嚴重限制。為解決該問題，眾多學者提出約束代數(shù)重建算法[111]、組合重構算法[112]、自適應代數(shù)重構算法[113]、自適應聯(lián)合代數(shù)重構算法[114]等改進方法，以獲取高精度的三維水汽反演結果。

此外，水汽反演結果受多種因素的影響，除上述介紹的水平網格劃分、層析高度選取、垂直約束確定因素外，水汽層析還受單/多系統(tǒng)觀測數(shù)據(jù)、測站密度等的影響。隨著multi-GNSS的發(fā)展及測站布設數(shù)目的增多，可望進一步提高水汽反演的精度和可靠性。在多系統(tǒng)數(shù)據(jù)選擇方面，主要分為單系統(tǒng)和多系統(tǒng)水汽層析研究。相關學者利用實測GPS和仿真GPS數(shù)據(jù)[115]、仿真Galileo數(shù)據(jù)[116]和四系統(tǒng)仿真數(shù)據(jù)[117]驗證了多系統(tǒng)組合方案較單系統(tǒng)方案擁有分布更均勻的觀測信號和更優(yōu)化的格網空格率，在一定程度上改善了三維水汽層析結果。此外，實測GPS與GLONASS數(shù)據(jù)組合[118-119]也同樣證實了組合系統(tǒng)擁有更高的精度和可靠性。文獻[120]利用GPS、GLONASS、BDS及Galileo實測數(shù)據(jù)證明了相對于單系統(tǒng)，多系統(tǒng)組合中射線穿過的網格覆蓋率明顯增加，多系統(tǒng)層析結果明顯優(yōu)于單系統(tǒng)層析結果，其層析水汽廓線的RMS平均改善率為10%。在測站密度影響方面，文獻[121]發(fā)現(xiàn)，測站密度較高時射線穿過的網格覆蓋率明顯增加，較多系統(tǒng)層析，測站密度疏密變化對層析結果有更大影響。截至目前，三維水汽層析反演水汽密度的監(jiān)測精度平均能夠達到1.2 g/cm3。

3 GNSS水汽應用

3.1 改善GNSS定位結果方面

ZTD作為GNSS定位的重要誤差之一，對于改善GNSS定位精度和收斂速度具有重要影響[122-124]。將對流層延遲模型應用于GNSS定位，主要包括建立經驗對流層延遲模型和引入數(shù)值天氣模式的對流層延遲產品，從而進行GNSS定位中的對流層延遲修正。

在利用經驗對流層延遲模型改善PPP收斂速度方面，相關學者較早地提出了附加虛擬對流層延遲觀測值約束PPP的方法，包括直接改正型[125]和虛擬觀測值約束型[126]，其在高程方向上的平均收斂時間提高約14%。文獻[127]提出了一種附加先驗對流層信息約束的PPP模型，明顯提升了PPP在N方向的收斂速度。文獻[128]首次利用基于B樣條函數(shù)的對流層層析成像方法改善PPP的收斂時間，與Saastamoinen模型相比，該方法總體上可將靜態(tài)和動態(tài)PPP的收斂速度均提高7%～9%。在利用數(shù)值預報模式的對流層延遲產品改善PPP收斂速度方面，文獻[124]將天氣研究和預報模型(weather research and forecasting model,WRF)同化的GNSS ZTD結果應用于PPP中，發(fā)現(xiàn)靜態(tài)PPP在水平和高程方向上的收斂時間分別縮短了13%和20%。文獻[129]將WRF輸出的ZWD用于重建對流層延遲，發(fā)現(xiàn)靜態(tài)PPP在E方向的收斂速度提高了9.3%。

在利用對流層延遲模型或產品改善PPP定位精度方面，文獻[130]提出了基于多面函數(shù)的對流層擬合模型，將PPP的定位精度優(yōu)化至分米級。文獻[125]提出附加虛擬對流層延遲觀測值約束PPP的新算法，在衛(wèi)星數(shù)量較少的情況下明顯優(yōu)于傳統(tǒng)PPP。在此基礎上，相關學者分別通過自適應參數(shù)法[131]、將外部對流層延遲作為虛擬觀測值[132]、使用ZWD估計對流層延遲[133]、反距離加權內插[134]等方法約束對流層延遲，進一步提高了PPP的定位精度。文獻[128]研究了對流層層析成像方法對PPP定位精度的影響，表明基于對流層層析成像技術可將靜態(tài)和動態(tài)PPP的定位精度分別提高至5.9、6.2 mm。在利用數(shù)值預報模式產生的對流層延遲產品改善PPP定位精度方面，相關學者利用WRF模型同化的ZTD數(shù)據(jù)[124]和ZWD數(shù)據(jù)[129]結合最小二乘估計重建對流層延遲，發(fā)現(xiàn)PPP在水平和高程分量上的精度均有明顯提高。

3.2 短臨降雨預警方面

GNSS水汽監(jiān)測具有高精度、高時空分辨率的優(yōu)勢，能夠反映水汽的快速時空變化，可用于短臨降雨監(jiān)測和預警，主要包括基于最小二乘擬合對流層參數(shù)和基于機器學習等智能算法的降雨預警兩個方面。

在利用最小二乘擬合對流層參數(shù)的降雨預警方面，該方法基于最小二乘算法擬合長時序GNSS PWV或ZTD，并構建相關預警因子，對降雨事件進行預測[135-136]。文獻[137]證實了ZTD及其增量變化可作為短臨強降雨事件的指示信號。隨后相關學者依托大量歷史數(shù)據(jù)構建了適用于地中海氣候[135]及亞熱帶季風氣候的中國浙江省地區(qū)[29,136,138]，中國香港地區(qū)[139]，以及熱帶雨林氣候的新加坡[5]的短臨降雨預警模型，但上述模型錯報率介于60%～70%之間。因此，文獻[140]構建了融合PWV值，以及PWV與ZTD的變化量和變化率5種預測因子的降雨預警模型，顯著改善了降雨預報模型錯報率(低于30%)，預警效果優(yōu)于現(xiàn)有模型。

在利用機器學習等智能算法的降雨預警方面，當前主要是利用智能算法構建多種氣象參數(shù)與降雨間的非線性映射關系，從而實現(xiàn)短臨降雨事件預警[141]。相關學者嘗試利用機器學習[142]、非線性自回歸外生神經網絡[143]和反向傳播神經網絡[141,144]聯(lián)合多種氣象參數(shù)構建短臨降雨預警模型。試驗結果表明，機器學習的引入明顯提升了傳統(tǒng)降雨預警模型的精度。此外，通過引入機器學習等算法建立GNSS PWV或ZTD與多種氣象參數(shù)和降雨量間的高維非線性關系，也可實現(xiàn)不同時間尺度的降雨量預警。如相關學者利用后向反饋傳播神經網絡實現(xiàn)月尺度[145]；利用前饋反向傳播神經網絡和非線性自回歸神經網絡實現(xiàn)天尺度[146-148]；利用監(jiān)督學習方法實現(xiàn)小時尺度[149]的降雨量預警，取得了較好的效果。

3.3 GNSS輔助數(shù)值預報方面

數(shù)值預報模式同化GNSS水汽信息類型主要包括同化PWV和ZTD兩種。

在同化GNSS PWV數(shù)據(jù)方面，文獻[150]首次證實了同化GNSS PWV數(shù)據(jù)能夠提高數(shù)值預報模式對強降雨事件的預報精度，改善率為32%。在改善模式初始場精度應用中，文獻[151]發(fā)現(xiàn)同化GNSS PWV數(shù)據(jù)能夠改善模式初始場濕度信息，6 h累積降雨量預報效果平均提高了5%，且降雨量越大，改善越明顯。文獻[152]證實了同化PWV數(shù)據(jù)后，模式輸出的6 h累積降雨量和降雨地點與實際降雨均符合較好。此外，文獻[153]發(fā)現(xiàn)同化PWV能夠改善大氣低層濕度分布。GNSS PWV對模式溫度場[154-155]和風場[156]的調整也表明了同化GNSS PWV為數(shù)值預報模式提供了豐富合理的大氣水汽、熱力與動力場信息，有效減少了模式對降雨預報的誤差。在降雨強度和降雨位置的預報應用中，同化高頻次的GNSS PWV數(shù)據(jù)對提高大雨、暴雨量級以上的預報能力非常重要[157]，對提高模式預報暴雨的時段、強度[158]、落區(qū)[159]及精度[160]均有顯著效果。

在同化GNSS ZTD數(shù)據(jù)方面，相較于同化PWV，其優(yōu)勢在于能夠避免由ZTD轉換為PWV時引起的轉換誤差[161]，且ZTD數(shù)據(jù)包含對流層氣壓和溫度等更多信息[162]，因此數(shù)值同化GNSS觀測數(shù)據(jù)逐漸集中在同化ZTD數(shù)據(jù)上。文獻[163]首次同化ZTD進行四維變分試驗，發(fā)現(xiàn)6 h和12 h的累積降雨量預報精度分別提高了33.15%和25.08%。在改善模式初始場精度應用中，文獻[164]發(fā)現(xiàn)同化ZTD能夠改善模式中對流層中低層濕度精度。文獻[165—166]發(fā)現(xiàn)同化ZTD增加了初始場中垂直方向的濕度信息。文獻[167]證明了同化GNSS ZTD能有效改善數(shù)值預報模式的初始濕度場。此外，同化ZTD使得數(shù)值預報結果在低層水汽符合更強，臺風主體降水預報位置的精度得到改善[168]。在降雨強度和位置的預報中，文獻[169—170]驗證了同化ZTD數(shù)據(jù)能夠提高短期降雨預報的可靠性。隨后相關研究發(fā)現(xiàn)，同化GNSS ZTD數(shù)據(jù)能夠提高強降水預報命中率并改善模式降雨的強度和位置預報[171]。

3.4 長期氣候監(jiān)測方面

水汽是導致全球變暖的重要溫室氣體[172]，影響著天氣和全球氣候系統(tǒng)的動態(tài)變化[173]。GNSS技術經過30多年發(fā)展積累了大量的水汽資料[174]，可用于異常氣候和旱澇監(jiān)測等研究。

在異常氣候監(jiān)測方面，異常氣候事件主要包括厄爾尼諾-南方濤動(El Nio-southern oscillation，ENSO)和熱帶氣旋(tropical cyclones，TC)。文獻[175]較早證實了大氣水汽可用于描述ENSO的演變過程；隨后相關學者分析了ENSO期間水汽的異常變化[176]、GNSS PWV和海表溫度異常之間的關系[177]，并利用PWV構建ENSO指數(shù)[178]開展了水汽在ENSO事件監(jiān)測方面的研究。在TC監(jiān)測方面，文獻[179]較早分析了臺風經過期間對水汽的影響；隨后學者圍繞TC發(fā)生期間PWV的時空變化[180]、TC的運動軌跡[181]等進行分析。此外，相關學者圍繞北大西洋濤動[182-183]、大氣層河流[184-185]及熱浪[186-187]等異常氣候事件也進行了相關研究。

在旱澇監(jiān)測方面，主要包括利用PWV改善現(xiàn)有干旱監(jiān)測指數(shù)和構建新的干旱指數(shù)兩個方面。在利用PWV改善干旱監(jiān)測指數(shù)方面，文獻[188]首次利用PWV和溫度構建潛在蒸散發(fā)的殘差模型，并提出了改進的Thornthwaite(RTH)模型；文獻[189]進一步提出適用于中國區(qū)域的RTH(C-RTH)模型；隨后文獻[190]針對C-RTH模型中PWV計算時存在精度損失的問題，提出一種利用ZTD建立高精度干旱監(jiān)測指數(shù)模型的方法。此外，文獻[191]在顧及站點位置的基礎上加入高程信息，利用多項式方法建立了高精度潛在蒸散發(fā)模型。在利用PWV進行干旱監(jiān)測方面，文獻[192]首次發(fā)現(xiàn)基于PWV與降水計算的降水效率(precipitation efficiency，PE)可用于干旱、濕潤氣候預報，但由于存在數(shù)量級差異，PE的等級劃分未有明確的標準；隨后，文獻[193]利用PWV的非線性趨勢分析了旱澇事件的演變過程。此外，文獻[194]針對PE指數(shù)缺陷，在表達式、多時間尺度和標準化3個方面進行了改進，提出了標準化的降水轉化指數(shù)(standardized precipitation conversion index，SPCI)，結果表明在全球范圍內SPCI和SPEI之間旱、澇監(jiān)測的平均百分比偏差僅分別為2.77%、3.75%。

3.5 其他方面應用

大氣水汽的增減與大氣運動狀態(tài)密切相關，而臺風[138]、ENSO[178]、雷暴氣象氣候[195-196]、地震[197]等事件的發(fā)生會伴隨強烈的大氣運動和水汽變化。

在臺風監(jiān)測方面，相關學者基于GNSS技術探測臺風過境前后水汽的變化情況，發(fā)現(xiàn)臺風過境期間水汽呈現(xiàn)出先增后減的趨勢[179,198]，可應用于捕捉惡劣天氣環(huán)境下高時空分辨率水汽分布及其復雜的變化特征[199]，以及判斷臺風是否登陸[200]等。隨后，開展了利用GNSS PWV監(jiān)測颶風事件路徑[201]、預測臺風位置[202]、推算臺風速度和加速度[181]及臺風移動方向[203]等研究，同時構建了臺風背景下的短臨降雨預警模型，并取得了良好的預測效果[135,138]。

在空氣質量監(jiān)測方面，文獻[204]發(fā)現(xiàn)GNSS信號傳播過程中受氣溶膠、沙塵、灰塵等氣體凝結物的影響，導致對流層延遲發(fā)生變化，證實了GNSS技術可用于反演大氣中PMx/AOD等空氣質量參數(shù)含量的可行性[204]。部分學者分別在區(qū)域和全球尺度研究了GNSS ZTD/PWV與PM2.5[205-207]、PM10[208-209]、AOD[210]等空氣質量參數(shù)之間的關系，發(fā)現(xiàn)ZTD/PWV與PMx/AOD等參數(shù)間具有較強的相關性。隨后，相關學者基于GNSS PWV預測PM10[209]，并結合溫度、氣壓等氣象參數(shù)預測PM2.5[206,211]和AOD[210,212]等空氣質量參數(shù)，基于GNSS ZTD分別建立了PM2.5[213-214]和AOD[215]的預測模型，實現(xiàn)了對霧霾天氣的有效監(jiān)測和預警[213]，提高了霧霾天氣監(jiān)測和預報的準確性[209]。

4 總結與展望

4.1 GNSS水汽監(jiān)測研究總結與展望

當前基于GNSS技術的實時、高精度二維水汽反演已經較成熟，但在如何進一步獲取高時空分辨率水汽信息方面仍有待研究，僅依靠提高測站空間密度難以完全實現(xiàn)任意區(qū)域高空間分辨率水汽獲取的現(xiàn)實需求。因此，在水汽探測技術多樣化的條件下，多源水汽融合是解決高時空分辨率水汽獲取的有效途徑。目前，以GNSS技術為主導的多源水汽融合研究剛剛起步，GNSS聯(lián)合多技術應用的研究難題主要是空間擴展和實時獲取。有限站點輸入的GNSS數(shù)據(jù)無法表示區(qū)域所有地表環(huán)境，站點與像元的空間和高程匹配、數(shù)據(jù)驅動方式確定、技術聯(lián)合方案設計均對高時空二維水汽監(jiān)測精度有重要影響。此外，加強過程驅動與數(shù)據(jù)驅動模式的水汽融合研究是提高水汽反演精度的重要途徑。若能聯(lián)合多種水汽探測技術實現(xiàn)與GNSS同水平精度的高時空分辨率水汽監(jiān)測，對于環(huán)境和氣候方面的監(jiān)測和預警將具有重要意義。

在地基GNSS三維水汽反演方面，優(yōu)勢在于可以獲取水汽的三維廓線信息，且與二維水汽具有相當?shù)臅r間分辨率和精度。但水汽層析難度較二維水汽探測大，在水汽廓線應用方面研究較少。目前，三維水汽層析在網格劃分選區(qū)、垂直高度確定、測站密度選擇、層析模型構建、模型權比確定、層析結果解算等影響水汽層析結果的關鍵環(huán)節(jié)有眾多方法，但在任意層析區(qū)域如何確定普適化層析策略方面還有待進一步研究。層析區(qū)域位置、氣候、測站密度、水汽含量等方面的差異均會直接影響水汽層析關鍵環(huán)節(jié)的處理策略，因此，應進一步擴展特定區(qū)域水汽層析算法的普適性。GNSS反演高精度三維水汽的關鍵是針對層析建模的各個環(huán)節(jié)在現(xiàn)有海量算法中總結出普適性的水汽層析模型構建流程，并提出針對不同層析區(qū)域特點的自適應調整策略，減少人為干預對層析結果的影響，在保證水汽層析精度的條件下，最大限制降低特定環(huán)境因素對水汽層析結果的影響。普適性的高精度三維水汽層析算法對于評估水汽層析性能、擴展應用場景等具有重要價值。

4.2 GNSS水汽應用總結與展望

基于GNSS的多維水汽探測技術較成熟，且在相關領域進行了系統(tǒng)研究，但GNSS水汽在現(xiàn)實中的實際應用依然偏少，缺乏GNSS水汽在相關行業(yè)大規(guī)模應用的現(xiàn)實場景。眾多學者利用GNSS水汽在改善定位結果、短臨降雨預警、長期旱澇監(jiān)測、空氣質量監(jiān)測等方面進行了大量研究，但對于如何將上述研究成果進一步轉化為業(yè)務系統(tǒng)并驗證其可靠性和有效性還有待進一步探討。另外，相對于二維水汽，三維水汽應用更少，因此，如何進一步拓展GNSS三維水汽應用場景至關重要；可單獨利用三維水汽信息構建相關指標因子或將其產品與數(shù)值預報模式同化，擴展三維水汽信息的利用價值。

隨著全球和區(qū)域衛(wèi)星導航定位技術的不斷發(fā)展，GNSS水汽監(jiān)測技術在氣象學等領域勢必會有更多應用，進一步將現(xiàn)有研究成果應用到國民經濟發(fā)展的現(xiàn)實需求中，對于拓展GNSS的應用前景具有重要意義。