杨　磊，蒋大凯，王　瀛，才奎志，孙　丽，陈　宇，陈妮娜

(1.辽宁省气象灾害监测预警中心，辽宁　沈阳　110166;2.辽宁省人工影响天气办公室，辽宁　沈阳　110166)



辽宁省汛期GPS大气可降水量的特征分析

杨磊1，蒋大凯1，王瀛1，才奎志1，孙丽2，陈宇1，陈妮娜1

(1.辽宁省气象灾害监测预警中心，辽宁沈阳110166;2.辽宁省人工影响天气办公室，辽宁沈阳110166)

摘要：基于2013、2014年7～8月沈阳和丹东地基GPS水汽监测系统探测的大气可降水量(P(WV))资料，对辽宁地区汛期大气可降水量特征进行了分析，利用HYSPLIT后向轨迹模式模拟了沈阳和丹东地区气团轨迹，并通过聚类分析方法将气团进行了分型。结果表明：沈阳和丹东GPS探测的P(WV)和根据探空数据计算的P(WV)相关系数均达到0.9，均方根误差分别为4.73 mm和5.21 mm；沈阳和丹东汛期非降水日P(WV)平均值分别为28.58 mm和30.49 mm，低于华北和西南地区观测值；强降水过程前均存在P(WV)增加现象，P(WV)最大增量集中在2～8 mm之间，且一般集中出现在强降水发生前1～3 h内；不同类型强降水过程中P(WV) 特征不同，南方气旋和东北冷涡共同影响的降水个例中P(WV)最大，局地强对流过程P(WV)最小；沈阳和丹东站点不同气团中P(WV)有所不同，西南气团P(WV)均为最大，更有利于强降水天气的发生。

关键词：GPS地基；大气可降水量(P(WV))；强降水；气团轨迹

引言

大气可降水量(Precipitalble Water Vapor,PWV)被认为是衡量大气水汽条件和判断强对流天气的重要指标，但由于其变化特征和分布差异很大，常给短时强降水、冰雹、雷雨大风等灾害性天气的预报和预警带来困难[1-2]。地基GPS气象学(Global Position System Meteorology)技术发展为探测PWV提供了一种全新的手段，可以提供高时空分辨率的大气可降水量，并且已经在气象行业多个领域展开了应用和研究。地基GPS气象学探测的PWV相比于探空仪观测资料计算的PWV，能够更加真实可靠地反映大气中水汽变化的状况[3-4]。很多学者统计了GPS探测的PWV时空分布特征，并分析强降水过程中PWV的变化规律以及PWV在人工影响天气中的应用。如陈娇娜等[5]分析了成都地区5个测站的PWV，指出海拔高的测站PWV低于海拔低的测站，入秋后PWV降低，次年2月开始回升，并且PWV具有明显的双峰型日变化特征；曹云昌等[6]指出山区是否发生降水和2 h内的PWV增量关系密切，大多数降水出现在GPS遥感大气可降水量迅速增加之后的4 h内；叶其欣等[7]应用GPS探测的PWV资料对上海地区不同类型降水系统的水汽变化特征进行分析，发现PWV随时间的演变特征与强降水有较好的对应关系，梅雨期、盛夏期和台风本体期间产生降水时PWV的阈值分别为50 mm、47 mm和80 mm；袁野等[8]分析了不同类型云条件下的GPS探测的PWV特征，认为PWV突变时实施人工增雨作业最佳。

另外，很多学者指出HYSPLIT(HYbrid Single Particle Lagrangian Integrated Trajectory Model)后向轨迹模式模拟的气团轨迹能够很好地表征暴雨等灾害性天气的水汽来源[9-10]，而GPS水汽资料具有高时间分辨率特征并且能够定量地衡量水汽条件[4]，因此有必要结合HYSPLIT模式和GPS遥感资料来深入分析不同类型气团下水汽条件差异，以期加深对不同轨迹气团中水汽含量的认识。

辽宁省目前已经建成GPS观测网络，但是目前对该网络中PWV资料的分析和应用仍比较缺乏。辽宁地区汛期异常降水主要发生在7～8月，因此更有必要研究汛期异常降水期间PWV的变化特征。本文选取2013、2014年7～8月辽宁省地基GPS观测网中沈阳站和丹东站的PWV观测资料，对比分析其与探空仪计算的PWV之间的差异，分析汛期PWV的变化，探求天气系统以及气团对PWV的影响，以便更好地认识辽宁省汛期水汽条件的分布和变化，为各类强对流天气的预报和预警提供参考。

1资料与方法

选取2013、2014年7～8月辽宁省地基GPS观测网中沈阳站(123.43°E、41.77°N，海拔高度43 m)和丹东站(124.33°E、40.05°N，海拔高度14 m)的PWV资料，时间分辨率为1 h。GPS探测PWV主要是根据卫星发射的信号穿过大气不同层次产生的延迟与气象条件的关系得到的，其详细原理和处理流程详见文献[4]。很多学者研究证明海拔高度是影响PWV的主要因素之一[11]，但沈阳站和丹东站的海拔高度较为一致，因此本文分析过程中不考虑海拔高度的影响。

以探空资料计算的PWV为基准，对比分析GPS探测的PWV。通过探空站观测资料(每日2次，北京时08:00和20:00)对不同层次水汽进行积分计算大气可降水量，其方法详见文献[8]。结合常规观测资料统计2013、2014年强降水个例类型，以便对比分析不同类型强降水过程中PWV特征差异。

同时使用美国国家海洋和大气管理局空气资源实验室和澳大利亚气象局联合研发的HYSPLIT轨迹模型，对2013、2014年7～8月沈阳站和丹东站气团轨迹进行36 h后向模拟，气团高度设为1 500 m(约为850 hPa)。然后使用聚类分析方法对轨迹进行分型，研究不同类型轨迹下PWV的分布特征。

2GPS探测与探空仪资料计算的PWV对比

通过研究GPS探测的PWV与探空仪计算的PWV之间的相关性来验证GPS探测方法的可靠性。图1为沈阳站和丹东站GPS探测PWV与探空仪计算的PWV相关性分析。可以看出，沈阳地区2种方法得到的PWV之间的相关性为0.909，均方根误差(Root Mean Square Error, RMSE)为4.73 mm；丹东地区的相关性为0.906，RMSE值为5.21 mm。西安、武汉等地的RMSE值都在4~5 mm之间[12]，沈阳和丹东地区的RMSE和西安、武汉等地一致。GPS探测的PWV时间分辨率为1 h，高时间分辨率的GPS水汽资料在监测水汽连续性上有重要作用。

3非降水日沈阳和丹东PWV的特征

为了充分认识汛期期间水汽条件，以及对比分析强降水过程PWV特征，有必要统计非降水日PWV特征。定义非降水日的标准为：当日无降水，并且当日前后24 h均未出现降水。将每月非降水日的PWV平均值作为当月PWV的基准值[13-14]，表1统计了我国不同地区PWV的基准值，可以看出辽宁水汽条件明显低于华北和西南地区，这和前人的研究结论一致[11]。图2是沈阳和丹东站7、8月非降水日的PWV特征值，沈阳和丹东站PWV平均值分别为28.58 mm和30.49 mm，丹东水汽条件略高于沈阳，这是因为丹东更靠近黄海海域，易受到沿海水汽输送的影响。

图1　沈阳站(a)和丹东站(b)GPS探测的PWV与探空数据计算的PWV之间的相关性

表1　我国不同站点GPS遥感PWV的基准值

图2　非降水日沈阳站和丹东站大气可降水量特征量对比

4强降水过程中PWV的变化特征

通过挑选与GPS观测站距离<50 km的自动站雨量数据，统计该范围内所有自动站出现过短时强降水(1 h累计降水量>20 mm)的天气个例，共选出26次个例。图3给出26次强降水过程中PWV的平均值、降水前PWV最大增加量及其出现在暴雨发生前的小时数。可以看出，选取的26次强降水过程中PWV的平均值均大于PWV的基准值，这说明强降水过程需要比日常情况下更充足的水汽条件。而针对每次强降水过程而言，均存在PWV增加的现象，最大增量集中在2～8 mm之间，并且最大增量一般集中出现在强降水发生前1～3 h内，这可能是因为水汽需要积聚一段时间并配合良好的动力系统才能产生强降水。

不同强降水过程的动力系统、触发机制和尺度范围都有所不同，在制定强对流物理量指标时也要考虑这些因素的影响。影响辽宁地区暴雨的主要系统和触发机制包括东北冷涡、南方气旋、中低层切变线和低空急流等[17-19]，辽宁地区盛夏也会出现由局地热对流、海陆风等中小尺度系统引发的强降水天气。将26次强降水个例分为6类：南方气旋和东北冷涡共同影响类、东北冷涡类、南方气旋类、中低层切变线类、切变线前侧西南急流类以及局地强对流类，其中切变线类是指不存在南方气旋和东北冷涡系统影响下的切变线系统单独引发的强降水个例。表2统计和对比了不同类型强降水的PWV特征，其中南方气旋和东北冷涡共同影响的个例中PWV最大，这可能是因为存在良好的西南急流水汽通道的同时，也伴随着更好的动力涡旋结构，从而更有利于水汽的输送和积累。而东北冷涡系统单独影响个例中PWV较低，可能是因为东北冷涡系统比较偏北，一般影响辽宁省北部地区，虽然其涡旋结构较为清晰，但距离西南急流水汽通道较远。郑媛媛等[20]通过NCEP再分析数据计算和对比不同天气类型系统下的PWV，同样得到槽前类系统影响下PWV比东北冷涡系统下更为充足的结论。另外，相比于中尺度系统，局地强对流天气的PWV较小，这也看出局地强对流天气发生尺度较小，并且主要靠局地热对流、海陆风等中小尺度系统产生，水汽条件无法和中尺度系统相比。

图3　强降水个例中平均的PWV、最大增加量及其出现在强降水前的小时数

类型个例次数降水期间平均PWV/mm降水前PWV最大增加量/mm最大增加量出现在降水前的小时数/h降水结束后PWV减少量/mm南方气旋和东北冷涡共同影响类263.074.331.675.1切变线类860.083.611.753.53南方气旋类354.256.31.56.5西南急流类651.794.851.173.88东北冷涡类546.565.11.62.03局地强对流类238.242.9514.6

5不同气团轨迹下PWV特征

采用HYSPLIT后向轨迹模式模拟了2013、2014年7～8月沈阳站和丹东站1 500 m高度36 h气团后向轨迹，通过聚类分析方法进一步将气团分型，并根据气团来源和传输距离将每类气团进行命名，在此基础上，结合GPS遥感资料分析不同类型气团的水汽条件差异，加深对不同轨迹气团中水汽含量的认识。

沈阳站气团分为西北气团、北方气团及西南气团(图4a)，沈阳地区强降水类型中，除局地强对流类与北方气团对应以外，其它强降水个例均与西南气团对应。对比不同气团中的PWV(图5a)，可以看出差异较大，PWV与气团源地以及传输过程发生的变化有关。3类气团都是从高空不断下沉到沈阳上空1 500 m，其中西北和西南气团属于远距离传输，偏北气团传输距离较短。西南气团中PWV最大，平均值高达43.37 mm，高于该地区PWV基准值，水汽条件更好，这也是西南气团与强降水个例对应一致的主要原因。另外，可以看出西北气团中水汽条件最差，PWV平均值为27.22 mm，这是因为其源地和途经地区的水汽条件较差。

图4　沈阳站(41.77°N、123.43°E)(a)与丹东站(40.05°N、4.33°E)(b)气团轨迹分型

图5　沈阳站(a)与丹东站(b)不同气团的PWV特征值

丹东站气团分为西北气团、局地气团以及西南气团(图4b)。丹东地区强降水类型中，南方气旋类和局地强对流类与局地气团对应，其它强降水类型均与西南气团对应。从图5b中看出，同样也是西南气团中PWV最大，平均值为56.00 mm，西南气团出现日期与强降水个例日期对应较为一致。南方气旋个例与局地气团对应，可能是因为南方气旋具有的涡旋结构，导致南方气旋对应的气团来自于丹东站周边地区并且传输距离较短。由于南方气旋个例和局地气团类型对应，所以局地气团PWV高于西北气团。

6结论

(1)沈阳和丹东站GPS探测的PWV和根据探空数据计算的PWV之间的相关系数均达到0.9，均方根误差分别为4.73 mm和5.21 mm，说明GPS遥感水汽方法的合理性。GPS探测的PWV时间分辨率为1 h，远远高于探空仪方法，高时间分辨率的GPS水汽资料在监测水汽连续性上有重要作用。

(2)沈阳和丹东汛期非降水日PWV平均值分别为28.58 mm和30.49 mm，丹东水汽条件略好于沈阳，因丹东更靠近黄海海域，易受到沿海水汽输送的影响。辽宁地区的PWV也低于华北和西南地区GPS的探测值。

(3)汛期强降水过程前均存在PWV增加现象，PWV最大增量集中在2～8 mm之间，且集中出现在强降水发生前1～3 h内，这可能是因为水汽需要积聚一段时间并配合良好的动力系统才能产生强降水。将26次强降水个例分为南方气旋和东北冷涡共同影响类、东北冷涡类、南方气旋类、中低层切变线类、切变线前侧西南急流类以及局地强对流类，其中，南方气旋和东北冷涡共同影响的个例中PWV最大，局地强对流降水PWV最小。

(4)通过HYSPLIT后向轨迹模式模拟沈阳和丹东地区气团轨迹，并通过聚类分析方法将气团分型，沈阳和丹东站点不同类型气团中PWV也有所不同，2站均为西南气团PWV最大，并与强降水日期对应较好，这也说明西南气团中存在更多的水汽，有利于强降水天气的发生。

本文只是针对影响强对流天气的主要因素之一的水汽条件进行了分析，要想更全面地认识强对流天气，提高预报和预警准确率仍然需要结合更多的观测资料进行综合分析。

参考文献：

[1] 雷蕾,孙继松,魏东. 利用探空资料判断北京地区夏季强对流的天气类别[J]. 气象，2011,37(2):136-141.

[2] 刘健文,郭虎,李耀东,等. 天气分析预报物理量计算基础[M]. 北京：气象出版社,2005.

[3] 王小亚,朱文耀,严豪健,等. 地面GPS探测大气可降水量的初步结果[J]. 大气科学,1999,23(5):605-612.

[4] 黄振,梁宏,黄艇. 大连地区地基GPS水汽自动处理系统设计[J]. 气象科技,2013,41(1):83-87.

[5] 陈娇娜,李国平,黄文诗. 成都地区秋、冬季GPS可降水量的时空分析[J]. 气象科学,2009,29(5):682-686.

[6] 曹云昌,方宗义,夏青. GPS遥感的大气可降水量与局地降水关系的初步分析[J]. 应用气象学报,2005,16(1):54-59.

[7] 叶其欣,杨露华,丁金才,等. GPS/PWV资料在强对流天气系统中的特征分析[J]. 暴雨灾害,2008,27(2):141-148.

[8] 袁野,王成章,蒋年冲,等. 不同云天条件下水汽含量特征及其变化分析[J]. 气象科学,2005,25(4):394-398.

[9] 江志红,梁卓然,刘征宇,等. 2007年淮河流域降水过程的水汽输送特征分析[J]. 大气科学,2011,35(2):361-372.

[10] 王婧羽,崔春光,王晓芳,等. 2012年7月21日北京特大暴雨过程的水汽输送特征[J]. 气象,2014,40(2):133-145.

[11] Jin S G, Li Z, Cho J. Integrated water vapor field and multiscale variations over China from GPS measurements[J]. Journal of applied Meteorology and Climatology, 2008,47:3008-3015.

[12] 杨晓春,王建鹏,白庆梅,等. 西安不同季节降水过程中大气可降水量变化特征[J]. 干旱气象,2013,31(2):278-282.

[13] 陈小雷,景华,仝美然,等. 地基GPS遥测大气可降水量在天气分析诊断中的应用[J]. 气象,2007,33(6):19-24.

[14] 程航,程相坤,朱晶,等. GPS遥感大气可降水量在大连地区3次降水过程中的应用[J]. 气象与环境学报,2014,30(5):38-48.

[15] 陈娇娜,李国平,黄文诗,等. 华西秋雨天气过程中GPS遥感水汽总量演变特征[J]. 应用气象学报,2009,20(6):753-760.

[16] 闵凡花,夏佰成,刘德,等. 大气可降水量在重庆夏季暴雨天气过程中的特征分析[J]. 干旱气象,2013,31(1):126-130.

[17] 张立祥,李泽椿. 东北冷涡研究概述[J]. 气候与环境研究,2009,14(2):218-228.

[18] 陈艳秋,袁子鹏,黄阁,等. 一次中尺度急流激发的辽宁大暴雨观测分析[J]. 气象与环境学报,2009,35(2):41-49.

[19] 杨青,韩秀君,高松影,等. 1960—2011年辽宁省大暴雨时空分布特征[J]. 气象与环境学报,2015,31(1):34-42.

[20] 郑媛媛,张雪晨,朱红芳,等. 东北冷涡对江淮飑线生成的影响研究[J]. 高原气象,2014,33(1):261-269.

Analysis of Atmospheric Precipitable Water Vapor Characteristics During Flood Season in Liaoning Province Based on GPS Remote Sensing Data

YANG Lei1，JIANG Dakai1，WANG Ying1，CAI Kuizhi1，

SUN Li2，CHEN Yu1，CHEN Nina1

( 1.LiaoningMeteorologicalDisasterMonitoringandEarlyWarningCentre,Shenyang110166,China；2.LiaoningWeatherModificationOffice,Shenyang110166,China)

Abstract:The characteristics of atmospheric precipitable water vapor (P(WV)) during flood season in Liaoning Province were analyzed based on ground-based GPS measurements at Shenyang and Dandong stations from July to August in 2013 and 2014. The backward air mass trajectories over Shenyang and Dandong were simulated by HYSPLIT model and classified by using the cluster analysis theory. The results show that the correlation coefficients between P(WV) detected by GPS and P(WV) derived from radio sounding data over Shenyang and Dandong were both more than 0.9, and their root mean square errors for Shenyang and Dandong were 4.73 mm and 5.21 mm, respectively. The mean values of P(WV) on rainless days were 28.58 and 30.49 mm for Shenyang and Dandong respectively, which were lower than those of north and southwest China. The increase of P(WV) was found before all strong precipitations, and the maximum increment ranged from 2 to 8 mm intensively, which occurred in one to three hours before heavy rain. The characteristics of P(WV) were different for different strong rainfall types, the P(WV) during strong rainfall cases influenced by south cyclone and northeast cold vortex was the largest, and the P(WV) during local convective rainfall processes was the smallest. Variation of air mass trajectories over Shenyang and Dandong also had an impact on P(WV), the P(WV) of air mass from southwest was the largest and favorable for strong precipitation.

Key words:ground-based GPS; precipitable water vapor(P(WV)); strong precipitation; air mass trajectories

中图分类号：P458.121.1

文献标识码：A

文章编号：1006-7639(2016)-01-0082-06

doi:10.11755/j.issn.1006-7639(2016)-01-0082

作者简介：杨磊(1987- )，男，助理工程师，主要从事短时天气预报预警方面研究.E-mail：yanglei_nuist@163.com通讯作者：蒋大凯，男，正研级高工.E-mail：jdk2004@sina.com

基金项目：辽宁省气象局气象科研项目(201508)、气象关键技术集成与应用项目(CMAGJ2015M15)、中国气象局预报员专项(CMAYBY2015-017)及2015年辽宁省气象局强对流创新团队项目共同资助

收稿日期：2015-03-18；改回日期：2015-04-29

杨磊，蒋大凯，王瀛，等.辽宁省汛期GPS大气可降水量的特征分析[J].干旱气象，2016，34(1)：82-87, [YANG Lei，JIANG Dakai，WANG Ying, et al. Analysis of Atmospheric Precipitable Water Vapor Characteristics During Flood Season in Liaoning Province Based on GPS Remote Sensing Data[J]. Journal of Arid Meteorology, 2016, 34(1):82-87], doi:10.11755/j.issn.1006-7639(2016)-01-0082