论文部分内容阅读
无线电掩星(Radio Occultation,RO)技术是GNSS(Global Navigation Satellite Systems)气象学的重要分支,能够提供高垂直分辨率、全球覆盖、免校准、全天候、高精度的大气参数数据,对天气及气候研究具有重要意义。自1995年实施的GPS/MET(Global Position System/Meteorology)计划到2019年投入运营的COSMIC-2(Constellation Observing System for Meteorology,Ionosphere,and Climate)星座系统,全球已经累积了超过20年的RO大气观测数据,为利用RO数据进行长期天气及气候研究奠定了基础。本文从RO数据在天气及气候研究中的应用角度出发,对RO技术中的若干关键问题进行了探讨,主要研究内容包括以下四个方面:1)以ERA5再分析数据和探空大气观测数据为参考,对2001至2020年期间4个RO系统,包括COSMIC-1/2、CHAMP(Challenging Minisatellite Payload)、METOP-A/B(Meteorological Operational-A/B)和FY-3C/D(Feng Yun-3C/D),的大气温度和大气折射率数据精度进行了评估,对RO数据偏差的时空变化规律进行了研究。结果表明,在低对流层区域内(0 km~8 km),大气温度和折射率偏差均值分别在–0.2 K~1.2 K和–1.5%~0.2%之间,偏差幅度在地表附近最高并随着海拔高度上升逐渐减小,低纬度地区偏差大于中高纬度地区,夏季偏差大于冬季;在上对流层低平流层(8 km~22 km)区域内,大气温度和折射率偏差均值在–0.3 K~0.3 K和–0.3%~0.2%之间,偏差随海拔高度、纬度和季节的变化较为稳定;在高平流层区域内(22 km~40 km),偏差数值在–6 K~–1 K和–0.2%~0.6%范围以内(大气温度和折射率),偏差幅度随海拔高度上升逐渐增加,高纬度地区偏差大于中低纬度地区,冬季偏差大于夏季。根据RO数据偏差随海拔高度、纬度和季节的变化规律,采用基于海拔高度的分段函数建立了RO数据的误差经验模型并计算了模型参数。2)对目前常用的三种RO大气场建立方法(包括“binning-and-averaging”算法、最大搜索半径算法和和球谐模型算法)进行了评估,讨论了不同数据量和数据分布特征条件下相关参数设置(如时空分辨率、最大搜索范围和最大阶数)对RO大气场可靠性的影响。其中,“bin”算法的可靠性主要受RO观测数量及纬度分布规律的影响,极地和赤道附近缺失单元格比例较高;最大搜索半径算法性能主要受RO廓线数量密度的影响,缺失格网点比例在赤道附近最高并随着纬度向两极移动逐渐降低;球谐模型算法的关键问题是选择合适的最大阶数,建议取值范围在9至12之间。以2008年RO数据为例,对三种RO大气场建立方法的精度进行了对比分析。结果表明,“bin”算法和球谐模型算法精度基本一致,全球偏差均值在低对流层、上对流层低平流层和高平流层区域内分别在0.0K~0.3 K、0.0 K~0.5 K和0.6 K~1.0 K之间,冬季偏差略大于其它季节;最大搜索半径算法偏差均值在上述三个区域内分别为0.1 K~0.5 K、–0.4 K~0.6 K和0.1K~1.2 K,夏季偏差大于其它季节。总体而言,“bin”算法和球谐模型算法的精度大致相同,最大搜索半径算法精度相对较低。3)以大气温度为例对长期多系统RO大气场的精度进行了评估,建立了RO大气场误差的分类策略,研究了不同误差分量的计算方法,对总误差和各误差分量的分布特征和时空变化规律进行了分析。根据误差的产生机理,将RO大气场的总误差分为三个部分,包括采样误差、统计误差和系统误差。其中,采样误差是指由RO观测对大气状态的不均匀和不充分采样所导致的误差,主要受RO大气参数廓线数量和时空分布的影响,误差数值基本保持在–1.5 K~1.5 K范围以内,最为显著采样的误差出现在低对流层区域。通过采样误差改正可以大幅削弱采样误差对RO大气场的影响,其剩余部分称为残余本地时采样误差,约为总采样误差的30%(即–0.5 K~0.5 K)。RO大气场的统计误差由RO大气观测的偶然误差导致,误差数值与RO观测数量成反比,数值范围约为0.0 K~0.2 K,误差极值出现在高平流层区域。RO大气场的系统误差来源于RO大气观测的系统性偏差,其数值在–1.0 K~0.5 K之间,最为显著的系统误差出现在低对流层和高平流层区域。根据采样误差、统计误差和系统误差计算RO大气场的综合中误差,其中系统误差所占比重最大,统计误差最小。在低对流层内,综合中误差数值约为0.0K~1.5 K,较大的误差出现在南半球高纬度地区;在上对流层低平流层区域内,综合中误差数值基本保持在0.0 K~0.5 K之间;在高平流层区域内,综合中误差数值随海拔高度上升逐渐增加,最大值可达到2 K左右。4)以ERA5和探空数据为参考,对2001至2020年间RO大气温度场的一致性进行了评价,分析了RO大气温度序列的时变特征,建立了基于STL(Seasonal-Trend Decomposition Procedure Based on Loess)和PMT(Penalized Maximal t Test)算法的RO大气场多阶跃点探测算法,结合RO大气场的综合中误差提出了阶跃点修复策略,并将修复后的RO大气场用于大气温度长期趋势变化研究之中。根据RO大气温度场与参考数据的对比结果,RO大气温度序列可以分解为长期趋势项、季节周期项、跳变项和残余项四个部分。结合STL和PMT算法迭代分解并探测RO温度序列中的阶跃点位置,最终确定阶跃点751个,其中低对流层区域内187个,上对流层低平流层区域内106个,高平流层区域内458个。根据阶跃点探测结果,结合RO大气场的综合中误差对阶跃点进行修复。修复后的RO大气温度场精度得到了明显提升,特别是在高平流层区域内,RO大气场与ERA5数据之间的偏差由–3 K~3 K缩小至–1.5 K~1.5 K。最后,将修复后的RO大气场用于大气温度长期趋势变化研究之中。结果表明,在2001至2020年期间,大气温度升高主要出现在低对流层区域内,而在高平流层区域内大气温度呈现出降低的趋势,该结论与ERA5数据分析结果一致。文章从RO数据反演算法、精度评估、RO大气场误差分析、一致性分析和阶跃点修复等方面对RO技术中的若干关键问题进行了深入的研究和探讨,为RO技术在天气及气候研究中的应用提供了理论基础和应用参考。本论文包括图58幅,表5个,参考文献150篇