英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

翻译：

大气与太阳地球物理学报

内容提要：使用跨越喜马拉雅地区的IAO-Hanle的GPS数据，在近红外通道中验证中等分辨率成像光谱辐射计（MODIS）的水汽检测。

摘要：

利用在Hanle上的全球定位系统（GPS）数据估算高海拔（~4500米）跨喜马拉雅地区的近红外通道中的中等分辨率成像光谱辐射计（MODIS）检索到的表面温度和压力值集成可降水蒸气（PWV）。MODIS衍生PWV在该地区大型高架地形图上的准确性尚未得到很好的研究，目前的工作重点是2005 -2012年期间利用GPS数据验证MODIS PWV。研究表明，MODIS PWV与GPS PWV数据相比具有偏差-0.018 cm，均方根误差（RMSE）0.137 cm和测定系数（R2）0.91。在短（每日）和长时间（月 - 季节）尺度上比较两种类型的数据产品，以评估PTV对的季节依赖性。MODIS的PWM值和现场GPS数据的峰值分别为1.7至2.05厘米和1.2至1.4厘米，分别为8月份的每日和每月平均值。然而，PWV的季节性峰值在夏季的MODIS峰值为0.88，GPS数据的峰值为0.97 cm。本研究发现，MODIS估计的PWV总量的85％以及GPS数据均低于现场1.0 cm。PWV的季节性研究表明，与GPS数据相比，发现MODIS数据估计值低于PWV真实值，偏差为-0.095 cm，RMSE为0.215 cm，尤其是夏季最为明显。这是由于Hanle是高海拔地形，在夏季非常干燥。然而，在剩余的季节中存在边际差异（偏差从0.007到0.017厘米），而季节性的R2在0.62到0.87之间变化。无论季节如何，GPS的PWV都表现出明显的昼夜循环，在早晨和夜晚以及在下午晚些时候（16-18小时）达到峰值，其中夏季的昼夜周期比其他季节非常突出。

1. 简介

总积分可降水蒸气（PWV）是下伏表面和大气顶部之间空气柱顶点方向的水蒸气总量。它通过蒸发，冷凝和沉淀过程在大气中稳定和变化中保持平衡。水蒸气吸收外向的红外地面辐射并引起温室效应。PWV是最丰富的温室气体，对自然温室效应的贡献最大。 PWV具有明确的纬向和垂直分布，在热带地区最大，在对流层低层附近非常敏感。大气边界层（ABL）或行星边界层位于对流层的最低部分，地球表面附近的空气受到许多因素的影响，如地表温度，水汽，地面风和通过传导和对流传播的空气。ABL被温度更高的层覆盖，称为温度反转层或热反转层。 ABL被定义为随着海拔高度的增加，气温正常降低的逆转持续存在的层。反转层上方的空气倾向于干燥且无云，而反转层下方的层是潮湿，不稳定和混浊的。由于白天的表面加热和夜间的冷却，反转层经历每日循环。 如果表面加热不是太强，那么即使在白天，高山峰的反转层仍将保持在反转之上（Erasmus，1986）。由于PWV是主要的温室气体之一，因此获取有关其空间和时间分布的信息对于理解水文循环，气溶胶-云相互作用，地球能量预算和地球-大气相互作用的辐射传递至关重要。(Liu et al., 2005; Solomon et al., 2010).

有几种常规技术可用于测量大气中的可降水含量，例如无线电探空仪，地面太阳光度计，遥感卫星和GPS。其中，GPS是估算大气中PWV的可靠来源之一(Bevis et al., 1992, 1994)。GPS的PWV估算是基于从地面卫星到地面接收器的对流层延迟的计算，不受云或降雨的影响。

一开始（2005年）和Jade和Vijayan（2008年）报道了印度次大陆25个台站使用GPS数据进行了四年的PWV估算，印度次大陆包括印度南部的班加罗尔以及印度天文台（IAO），Hanle（Lat） 32.78°N，78.95°E，4500 m amsl）和印度拉达克Leh，位于喜马拉雅西北部地区。此外，他们给出了在印度的PWV变异性基础上的空间变异函数。目前，根据GPS数据估算的PWV是Hanle唯一可用的传统技术。Prasad et al. (2007), Prasad and Singh (2009), and Kumar et al. （2013）将来自GPS数据的PWV与印度四个站点的MODIS数据进行了比较，并对这些站点的水汽变率进行了分析。然而，由于观测到的气象参数不可用，因此使用建模值是从GPS数据算出的PWV。此外，Joshi等人。 （2013年）还使用三年的GPS数据和观测到的气象参数和MODIS数据，在喜马拉雅中部地区的一个地点（Almora）进行了PWV估算。然而，从喜马拉雅西北部地区的高海拔（海拔4000米以上）地点尚未报告使用精确测量的地表温度和压力值对MODIS PWV数据和GPS PWV数据进行验证。因此，MODIS衍生的PWV相对于该区域的大的高架地形的准确性尚不清楚。这种卫星数据的评估和验证对于干燥（低RH）和高山地区的用户来说非常重要，与全球低海拔地区相比，这些地区数据的不确定性可能会被放大。

在目前的工作中，IHA，Hanle开始了使用GPS数据和测量的气象参数，并与从地球观测系统（EOS）Terra卫星MODIS估计的PWV进行比较，估计时间为八年（2005-2012）。这项工作的目的是使用八年的GPS PWV数据验证或纠正MODIS PWV，并对这一时期水蒸气的时间变化给出重要意见。值得注意的是，观测地点IAO-Hanle位于高海拔寒冷的沙漠中，东部是青藏高原，北部是喀喇昆仑山脉，东南部是喜马拉雅山的延伸山脉。因此，这些研究将有助于我们验证西部跨喜马拉雅地区干旱和寒冷沙漠气候条件下的MODIS数据。此外，本研究还为八年期间高海拔地区水汽的时间变化提供了重要的参考。

2.研究地点的气候学

观测站位于山顶，整个地区被反喜马拉雅山的高山脊（约4-6公里amsl）包围，东部是青藏高原，北部是喀喇昆仑山脉。山脊和毗邻的山谷地区由岩石和沙质土壤组成，大部分没有与沙漠相似的植被。图1显示了观测站Hanle的地理信息，该观测站位于拉达克Leh东南的Indus Suture区。由于该地点位于跨喜马拉雅地区的雨影区，该地点一年内降雨量（~10厘米）非常少(Verma et al., 2010).此外，该地点全年显着干燥，7月至8月发生最大RH（白天），11月最小，月平均RH分别为~40％和~20％。 现场的最高和最低温度从7月到8月的〜 23°C到1月到2月的-23°C不等。 7月至8月的月平均气温为〜13°C（白天），而1月至2月的平均气温为-11°C（夜间）。由于这种干燥和寒冷的气候条件，这个地区被称为冷漠。Hanle的主要风向是S-W方向，平均每日风速约为4-5 ms/1。然而，现场的风速遵循一般趋势，从最小值逐渐增加（上午为0 m/s，下午为10-15 ms/1，到深夜，然后降至最低~~夜间和早晨0-3米s/1。以上是Ningombam等人描述这个站点的昼夜气象参数的细节。 （2014）。

3.方法

3.1 从GPS数据中得出PWV

ZPD = ZHD ZWD (1)

可以使用Elgered等人的计算方法计算ZHD。 （1991）

(2.2779 plusmn; 0.0024)*P_S

ZHD =

(1 - 0.00266* Cos(2i) - 0.000284H) (2)

其中Ps是台面压力（以mb为单位），X是地点的纬度，H是椭球体上方的高度（以km为单位）。 根据以下等式估算ZWD：

ZWD = ZPD - ZHD (3)

GPS PWV是根据方程式的ZWD估算的。

（3）如下：PWV = n*ZWD (4)

where

n =[10~⁶(K3lT_m K2) R^p]^-1 (5)

其中p是液态水的密度，R ^是水蒸气的特定气体常数，K2和K3是大气折射常数，Tm是大气的加权平均温度（Bevis等，1992,1994）。

本工作中使用的所需表面压力和温度取自安装在GPS接收器附近的自动气象站（AWS，Vaisala）。

AWS记录每5秒间隔的气温，气压，相对湿度，风速和风向以及总降雨量。

与GPS PWV估计相关的误差取决于（i）与GPS观测的天顶总延迟（ZPD / ZTD）估计相关的不确定性，（ii）由气象传感器记录的观测表面压力和温度值的准确性，以及（iii） ）大气的加权平均温度。Wang et al. (2007)给出了数学公式来估计与ZPD，Ps和Tm中的误差相关的PWV中的绝对和相对误差。据称GPS估计的PWV精度在不同位置约为2-3毫米（Li等，2003; Prasad和Singh，2009; Liang等，2015）。

对于具有低PWV值的干燥站点，ZPD几乎完全归因于ZHD，并且ZPD和ZHD中的小误差将导致ZWD中的大误差，即ZWD i.e (ZTD-ZHD)对 GPS PWV的检索。Schneider et al. (2010) 通过使用傅立叶变换红外（FTIR）光谱仪，多滤光片旋转暗影带辐射计（MFRSR），Cimel太阳光度计，GPS和每日无线电探空仪的PWV检索，为干燥部位的GPS PWV提供了灵敏度测试。 结论是，对于小于3毫米的PWV，与其他实验相比，GPS会让PWV值有非常明显的下降，并且散射明显增加。

4.结果

4.1 GPS和MODIS PWV的比较

在目前的工作中，我们使用了每日（MOD08_D3）和月（MOD08_M3）全球网格的Level-3 MODIS Terra产品，空间分辨率为1°。图2显示了2005 - 2012年印度次大陆的MODIS Terra水汽分布。 在该图中，使用Terra MODIS月度数据绘制年平均值。 GPS PWV使用由MIT开发的GAMIT / GLOBK版本10.4估算（Herring等人，2010a，b）。

如图所示，Hanle的MODIS Terra水汽分布约为0.5-1厘米，与现场的GPS PWV估算数据相当。

图3显示了2005年至2012年期间GPS和MODIS日常水汽值之间的相关性。研究期间的平均偏差（MODIS-GPS）水平在-0.072到0.087厘米之间变化，平均为-0.018厘米。

这些偏差值小于Joshi等（2013年）。 研究位于喜马拉雅山脉中部Almora的偏差值（ - 0.453 cm）。

此外，在Hanle研究期间，MODIS和GPS PWV数据之间的R2从0.86变化到0.97，平均值为0.91。然而，在确保高精度输入的情况下选择高质量的数据是实现两个数据集之间良好相关性的主要策略。因为，GPS数据的准确性主要通过去除异常值和精确测量表面压力和温度，偏差小于1毫巴且小于3℃来准确估算ZTD来实现。MODIS数据中的相关不确定性可能来自用于计算水蒸气的大气透过率的算法。此外，两个数据的高时间和空间分辨率也有助于实现高度相关性。

目前的结果与西藏南部的结果一致，并且发现Lu等人报道的相关性优于0.90。（2011年）在本研究期间估计的RMSE值在0.162cm至0.064cm之间变化，平均为0.137cm。目前Liu et al.的研究结果略微改善了相邻青藏高原的RMSE报告。（2006年）报道了位于青藏高原的Naqu（4518 m Amsl）和Gaize（4420 m amsl）的两个高海拔站点的GPS和MODIS PWV之间的RMSE分别为0.293 cm和0.348 cm。对于位于喜马拉雅山中部的Almora站点，高度为1260 m Amsl，GPS和MODIS PWV之间3年的相关性得出R2为0.91，RMSE为4.06（Joshi等，2013）。表1列出了2005 - 2012年对Hanle的数据覆盖范围以及GPS和MODIS数据的详细分析。结果发现，2010年的GPS PWV数据覆盖率相当不错（即365天中的315天），如表中所示。 在8年的数据期间，GPS和MODIS PWV数据分别约为1217天和2878天。

4.1.1。 每日PWV

图4（a）显示了在8年（2005-2012）期间从MODIS和GPS PWV数据得出的每日PWV（cm）。MODIS的PWV和现场GPS数据的峰值在1.7到2.05厘米之间变化，这是8月份发生的日平均值。然而，从MODIS和GPS估计的PWV总量的约85％位于该站点以下1.0cm以下。本研究表明，观测站MODIS和GPS数据的PWV日均值分别为0.45 cm和0.47 cm，平均差值为0.02 cm。从MODS获得的这种较高的PWV值也比在MODIS附近报道的高约0.274厘米（Liu et al。，2006）。从GPS和MODIS数据获得的每日PWV的比较表明在Hanle处有良好的一致性，如图4所示。

4.1.2 每月PWV

为了研究PWV的长期月度趋势，从2005年到2012年对MODIS和GPS月度数据进行了研究。长期月度趋势如图4（b）所示。 MODIS的PWV峰值和现场GPS数据的变化范围为1.2至1.4厘米，作为8月份发生的月平均值，而最低PWV约为0.1厘米，发生在冬季。 MODIS和GPS数据之间的月平均PWV（平均值 - 0.007 cm）在一年中的所有月份之间除了在6月至9月期间存在边际差异。

4.1.3 季节性PWV

在目前的工作中，估计的数据分为不同的季节，如冬季（12月 - 1月 - 2月），春季（3月 - 4月 - 5月），夏季（6月 - 7月 - 8月）和秋季（9月 - 10月 - 11月

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18139]，资料为PDF文档或Word文档，PDF文档可免费转换为Word