论文部分内容阅读
大气可降水量(PWV)对降水与气候、大气校正、InSAR大气效应的去除、灾害性天气预报等方面具有重要的意义,也是当前GPS气象学领域所研究的重要分支。目前有多种反演大气可降水量的方法,每种方法都有各自的优点和局限性,因此有必要在充分研究各种方法的基础上,将多种方法进行综合运用,优势互补,得到高时空分辨率且准确的大气可降水量,便于进行更广阔的大气可降水量研究应用。本文的主要研究工作和结论如下:1)详细介绍了目前国内外可降水量研究方法与原理;对比分析几种方法的优缺点,验证了基于GPS数据和MODIS数据来提高反演大气可降水量得精度和时空分辨率的可行性。2)研究地基GPS反演大气可降水量原理,研究开源软件GAMIT相关算法。利用美国德克萨斯州的Suominet GPS网提供的GPS观测站大气可降水量数据与探空数据作对比,得出GPS-PWV和探空数据的PWV在水汽变化方面有很好的一致性,研究区的精度可达到1.2mm左右。验证了 GPS-PWV的精度很高,与国内外学者得出的结论一致。3)在MODIS近红外反演可降水量原理基础上,采用预测误差平方和最小法的组合预测模型改进了 MODIS三通道加权平均算法中权重因子的确定方法。在研究区域内确定了一组最优权系数ω(0.31,0.17,0.52),改进的加权平均三通道比值法反演大气可降水量的精度,较二通道比值法精度提高33.5%,较三通道比值法精度提高21.7%。4)改进的加权平均三通道比值法算出的MODIS-PWV与GPS-PWV进行对比分析,发现两者的相关性很高。由此建立了两者的线性回归模型,线性回归模型平均中误差为±1.64mm,相对于三通道MODIS模型,线性回归模型精度提高49.1%。因此可以利用线性回归模型对MODIS大气可降水量进行修正,尤其是在没有GPS站的区域。5)建立了一种基于GPS/MODIS数据的神经网络模型,阐述了神经网络的建模具体步骤和参数的选取。GPS/MODIS神经网络模型中误差为±1.07mm。相对于三通道MODIS模型,GPS/MODIS神经网络模型精度提高66.7%。