大地测量与地球动力学

数据类型	数据源/平台	站点数	时间分辨率	目的与作用
温、湿、风廓线	青海省探空站，源自“天擎”平台	7个	每日2次	计算T_m真值，用于建立和验证本地化T_m模型；计算PWV真值，用于验证GNSS反演PWV的精度
地面降水量	青海省国家级气象站，源自“天擎”平台	53个	逐小时	识别降水事件，分析PWV变化与降水发生时间、强度的关系
地面气温	青海省国家级气象站，源自“天擎”平台	53个	逐小时	作为本地化T_m模型的输入变量，用于计算站点位置的加权平均温度
GNSS ZTD产品	中国气象局气象探测中心解算，源自“天擎”平台	42个	逐小时	结合T_m模型和气象数据，计算PWV

数据类型	数据源/平台	站点数	时间分辨率	目的与作用
温、湿、风廓线	青海省探空站，源自“天擎”平台	7个	每日2次	计算T_m真值，用于建立和验证本地化T_m模型；计算PWV真值，用于验证GNSS反演PWV的精度
地面降水量	青海省国家级气象站，源自“天擎”平台	53个	逐小时	识别降水事件，分析PWV变化与降水发生时间、强度的关系
地面气温	青海省国家级气象站，源自“天擎”平台	53个	逐小时	作为本地化T_m模型的输入变量，用于计算站点位置的加权平均温度
GNSS ZTD产品	中国气象局气象探测中心解算，源自“天擎”平台	42个	逐小时	结合T_m模型和气象数据，计算PWV

站点(站号)	纬度/(°)	经度/(°)	海拔高度/m	T_m与T_s相关系数
西宁(52866)	36.66	101.73	2 434.2	0.914 1
格尔木(52818)	36.42	94.91	2 807.6	0.877 5
都兰(52836)	36.30	98.10	3 189.0	0.913 3
玉树(56029)	33.00	96.96	3 716.9	0.871 0
沱沱河(56004)	34.22	92.44	4 533.1	0.880 2
茫崖(51886)	38.25	90.85	2 944.8	0.872 3
达日(56046)	33.75	99.65	3 967.5	0.909 4

站点(站号)	纬度/(°)	经度/(°)	海拔高度/m	T_m与T_s相关系数
西宁(52866)	36.66	101.73	2 434.2	0.914 1
格尔木(52818)	36.42	94.91	2 807.6	0.877 5
都兰(52836)	36.30	98.10	3 189.0	0.913 3
玉树(56029)	33.00	96.96	3 716.9	0.871 0
沱沱河(56004)	34.22	92.44	4 533.1	0.880 2
茫崖(51886)	38.25	90.85	2 944.8	0.872 3
达日(56046)	33.75	99.65	3 967.5	0.909 4

	模型公式	平均偏差/K	均方根误差/K
青海T_m模型	T_m=82.667+0.662T_s	0.40	3.41
Bevis T_m模型	T_m=70.2+0.72T_s	3.48	4.90
聂檄晨等^[20]T_m模型	T_m=40.38+0.82T_s	1.88	4.14
Wang等^[21]T_m模型	T_m=50.76+0.79T_s	3.79	5.22

	模型公式	平均偏差/K	均方根误差/K
青海T_m模型	T_m=82.667+0.662T_s	0.40	3.41
Bevis T_m模型	T_m=70.2+0.72T_s	3.48	4.90
聂檄晨等^[20]T_m模型	T_m=40.38+0.82T_s	1.88	4.14
Wang等^[21]T_m模型	T_m=50.76+0.79T_s	3.79	5.22

	平均偏差/mm	均方根误差/mm	相关系数
青海T_m模型	0.80	2.69	0.98
Bevis T_m模型	2.91	3.52	0.98
聂檄晨等^[20]T_m模型	2.84	3.46	0.98
Wang等^[21]T_m模型	2.94	3.54	0.98

	平均偏差/mm	均方根误差/mm	相关系数
青海T_m模型	0.80	2.69	0.98
Bevis T_m模型	2.91	3.52	0.98
聂檄晨等^[20]T_m模型	2.84	3.46	0.98
Wang等^[21]T_m模型	2.94	3.54	0.98

基于地基GNSS资料的青海省典型强降水过程水汽特征

余洋 ¹^,² , 万蓉 ¹^,² , 何明琼 ³ , 付志康 ¹^,² , 王华 ⁴ , 刘冲 ⁵

大地测量与地球动力学 | 大地测量学 2026,46(5): 569-578

收起

大地测量与地球动力学 |大地测量学 2026 , 46 (5) : 569 -578

基于地基GNSS资料的青海省典型强降水过程水汽特征

全屏

余洋¹^,², 万蓉¹^,², 何明琼³, 付志康¹^,², 王华⁴, 刘冲⁵

作者信息

1 中国气象局武汉暴雨研究所, 武汉, 430205

2 中国气象局流域暴雨重点开放实验室/暴雨监测预警湖北省重点实验室, 武汉, 430205

3 湖北省气象服务中心, 武汉, 430205

4 湖北省气象信息与技术保障中心, 武汉, 430074

5 中国气象局地球系统数值预报中心, 北京, 100081

作者简介:

余洋, 副研究员, 主要从事GNSS气象学研究, E-mail: yuyang718@foxmail.com

Characteristics of PWV during Typical Heavy Rainfall Events in Qinghai Based on Grourd-Based GNSS Data

Yang YU¹^,², Rong WAN¹^,², Mingqiong HE³, Zhikang FU¹^,², Hua WANG⁴, Chong LIU⁵

Affiliations

1 Institute of Heavy Rain, China Meteorological Administration, Wuhan 430205, China

2 China Meteorological Administration Basin Heavy Rainfall Key Laboratory, Hubei Key Laboratory for Heavy Rain Monitoring and Warning Research, Wuhan 430205, China

3 Hubei Meteorological Service Center, Wuhan 430205, China

4 Hubei Meteorological Information and Technology Support Center, Wuhan 430074, China

5 China Meteorological Administration Earth System Modeling and Prediction Centre, Beijing 100081, China

出版时间: 2026-05-15 doi: 10.14075/j.jgg.2025.06.215

文章导航

摘要

收起

基于2019—2022年青海省7个探空站资料建立本地化加权平均温度(T_m)模型, 并据此反演该省42个GNSS站的大气可降水量(PWV), 用以分析2022-08多次暴雨过程的水汽时空特征。结果表明: 1)新建T_m模型平均偏差0.4 K, 均方根误差3.41 K, 精度显著优于Bevis模型及中国区域模型, 且与单站模型精度相当; 2)基于本地化T_m模型反演的GNSS PWV与探空PWV的系统偏差较小(相关系数0.98);3)强降水发生前, PWV会出现持续数小时的急剧增长, 其3 h变化量(PWV^*)维持正值, 而弱降水前, PWV则呈波动变化; 4)当区域内PWV数值大于34 mm, 且PWV^*为正值时, 可能发生短时强降水, 反之降水强度较低。

关键词

GNSS气象学 / 加权平均温度 / 大气可降水量 / 青海强降水

Abstract

收起

An empirical atmospheric weighted average temperature (T_m) model for Qinghai was established based on data from 7 radiosonde stations in Qinghai from 2019 to 2022. This model was then used to retrieve precipitable water vapor (PWV) from 42 GNSS stations in the province for analyzing the spatiotemporal characteristics of water vapor during multiple heavy rainfall processes in August 2022. The results show that: 1) The newly established T_m model has a mean bias of 0.4 K and a root mean square error (RMSE) of 3.41 K, indicating its accuracy is significantly superior to the Bevis model and China-regional models, while being comparable to that of the single-station models. 2) The GNSS PWV retrieved based on the localized T_m model highly agrees with radiosonde results (correlation coefficient of 0.98). 3) Before heavy rainfall occurs, PWV exhibits a rapid increase sustained for several hours, and its 3-hour variation (PWV^*) remains positive, whereas before weak rainfall, PWV shows fluctuating changes. 4) Short-term heavy rainfall is likely to occur when the regional PWV value exceeds 34 mm and PWV^* is positive; conversely, rainfall intensity is lower.

Key words

GNSS meteorology / weighted average temperature / precipitable water vapor / heavy rain in Qinghai

引用本文

余洋, 万蓉, 何明琼, 付志康, 王华, 刘冲. 基于地基GNSS资料的青海省典型强降水过程水汽特征. 大地测量与地球动力学, 2026 , 46 (5) : 569 -578 . DOI: 10.14075/j.jgg.2025.06.215

Yang YU, Rong WAN, Mingqiong HE, Zhikang FU, Hua WANG, Chong LIU. Characteristics of PWV during Typical Heavy Rainfall Events in Qinghai Based on Grourd-Based GNSS Data[J]. Journal of Geodesy and Geodynamics, 2026 , 46 (5) : 569 -578 . DOI: 10.14075/j.jgg.2025.06.215

正文

收起

水汽是大气中最为活跃的成分之一，是唯一能在自然环境中发生相变的成分，其在相变过程中会吸收或释放大量潜热，从而影响大气和地面温度，对强降水天气的发生和发展起着重要作用。然而由于水汽时空变化快、空间分布复杂，气球探空、微波辐射计、卫星遥感等方法难以准确地获取高时空分辨率的大气水汽特征。1992年起，地基GNSS的大气可降水量(PWV)探测技术受到广泛关注^[1]，相比于其他水汽探测手段，地基GNSS具有高精度、全天候、低成本、高分辨率等优势。近30年来，地基GNSS遥感技术被广泛应用于对流层水汽探测，并被认为是目前大气水汽探测最有效的方法之一^[2]。

大气加权平均温度(T_m)是地基GNSS反演PWV的关键参数，其精度直接影响GNSS反演水汽的精度。利用气象探空资料的数值积分是目前计算T_m最精确的方法，但由于探空站点分布稀疏，且通常每日仅在世界时00:00和12:00进行全要素观测，该方法在实际应用中通常只能提供每天2个时次的T_m结果，因此数值积分法尚不能满足高时空分辨率气象应用的需求。对流层中的水汽主要集中于近地面约2~3 km厚的大气层中，故T_m与地面气温(T_s)之间存在强相关性。据此，1992年Bevis等^[1]通过美国13个探空站连续2 a的探测资料建立了最早的T_m经验模型(T_m = 70.2 + 0.72T_s)。国内学者也先后构建了湖北、湖南、甘肃、银川等地区的T_m模型^[3-6]，显著提高了GNSS反演PWV的精度。青海全省建有地基GNSS站42个，但该地区的T_m本地化模型目前还鲜有研究，这极大地制约了GNSS资料的应用效果。本文将构建青海地区T_m本地化模型，为高精度反演PWV奠定基础。

GNSS反演的水汽场变化与强降水有较好的关联性^[7]，水汽分布的密集区容易激发锋面系统的生成^[8]。研究表明，PWV的变化特征包含降水发生的潜势信息^[9-12]。近年来GNSS站PWV资料被大量应用于强降水环境条件分析及预报预警^[13-15]，但多针对我国中、东部地区，对于西部山区强降水与PWV的时空分布关系有待进一步研究。青海省地处青藏高原东北部，由于特殊地形及植被、土壤沟壑等的影响，雨水极易汇聚，造成山洪、泥石流等次生灾害。近年该省极端暴雨事件明显增多，2022-08出现多次强降水过程，10个站次日降水量超过或接近历史同期极值，造成重大人员伤亡和财产损失^[16]。青海地区强降水具有很强的区域性和局地性特点，探空站的PWV数据时空分辨率难以有效捕捉小尺度天气过程的水汽含量演变、水汽输送等关键特征。青海省有42个地基GNSS站，可反演空间分布广泛、时间分辨率高且连续性强的PWV数据，从而为深入分析局地强降水的水汽特征提供有力支持，有助于提升对强降水过程的理解和预测能力。

本文利用青海省内7个无线电探空站2019—2022年地面和高空资料，构建适用于青海地区的本地化T_m模型，以满足地基GNSS反演PWV实时性和高精度的要求。在此基础上，结合气象站实测降水数据，重点分析2022-08青海强降水过程中PWV时空演变特征及其与降水的关系，加强对高原东部典型强降水天气的认识，为该类强降水的预报预警提供科学依据，推动GNSS在高原水汽监测中的应用。

1 研究区域、资料和方法

收起

1.1 研究区域及资料

青海省位于中国西北内陆干旱区、青藏高原东部，河流、湖泊等水源缺乏。外部水汽输入是水汽重要来源，水汽异常是导致降水异常的主要原因^[17]。本文利用地基GNSS反演PWV，并分析精细化的水汽时空演变特征，以期为青海省强降水预报预警提供参考。

本文使用的资料包括青海省2019—2022年7个探空站业务探空数据、53个国家气象站小时雨量和气温观测资料及42个地基GNSS站解算的ZTD数据。其中，ZTD产品由中国气象局气象探测中心基于GNSS观测数据解算获得，具体解算方案见参考文献[18]。以上资料均来源于中国气象局气象大数据云平台“天擎”，并由该平台进行质量控制，资料详细信息见表 1，各类测站分布及青海省地形见图 1，本文涉及的时间均为世界时。

1.2 研究方法

1.2.1 基于探空资料的T_m和PWV计算方法

业务探空通过气球携带无线电探空仪，每日00:00和12:00获取大气温、湿、风廓线数据，通过对探空观测的温、湿廓线进行积分计算T_m和PWV，将其作为“观测值”，用于建立本地化T_m经验模型，并检验T_m模型的计算精度以及PWV反演精度。

T_m的计算方式为：

(1)

$T_m=\frac{ \displaystyle \int_h^{\infty}\left(\frac{e}{T}\right) \mathrm{d} z}{ \displaystyle \int_h^{\infty}\left(\frac{e}{T^2}\right) \mathrm{d} z}$

式中，h为测站位势高度；e为水汽压；T为绝对温度；z为测站上空垂直位势高度。

探空资料计算PWV的公式为：

(2)

$\mathrm{PWV}=\frac{1}{\rho_{\mathrm{w}} g} \displaystyle \int \limits_0^{P_s} q \mathrm{~d} p$

式中，q为比湿，随气压p变化；g为重力加速度；P_s为地面气压, ρ_w为水的密度。

1.2.2 基于GNSS观测的PWV反演方法

当GNSS信号穿过对流层时，受大气折射的影响会产生天顶方向的对流层延迟(ZTD)，这种延迟可分为静力学延迟(ZHD)和湿延迟(ZWD)2个部分，其中ZWD近似正比于大气中的水汽含量，ZTD可利用高精度GNSS数据处理软件解算得到。ZHD采用Saastamoinen模型^[19]计算，其精度可达mm级：

(3)

$\mathrm{ZHD}=\frac{2.276\;8 \times P_s}{1-0.002\;6 \cos (2 \varphi)-0.000\;28 h}$

式中，φ为测站地理纬度。

从ZTD中扣除ZHD即得到ZWD部分，使用Bevis等^[1]给出的公式即可通过ZWD计算PWV：

(4)

$\left\{\begin{array}{l}\mathrm{PWV}=\varPi \cdot \mathrm{ZWD} \\\varPi=\frac{10^6}{\rho_{\mathrm{w}} R_v\left(k_3 / T_m+k_2^{\prime}\right)}\end{array}\right.$

式中，R_v为水汽的气体常数；k₂′和k₃分别为大气折射率常数。

由于温、湿廓线不易获取，通常利用T_m与地面气温T_s之间的线性关系计算所需时次的T_m：

(5)

$T_m=a+b T_s$

通过长期探空资料和最小二乘法确定回归系数a、b。

2 青海省T_m经验模型研究

收起

2.1 T_m本地化模型的构建

T_m是地基GNSS反演水汽的关键参数，作为ZWD转化为PWV的唯一变量，其精度直接决定PWV的反演精度。建立一个适用于青海地区的T_m本地化模型，可有效提高PWV产品精度。本文选取青海省内7个探空站作为建模样本，利用温、湿廓线对式(1)进行积分，计算各站点的T_m，并分析其与T_s的相关关系。图 2为7个探空站2019—2021年T_m与T_s的时间变化特征，可以看出，在时变特征上T_m与T_s表现出相同的变化趋势，均呈现规律的周期性变化，峰值位于7月至8月，谷值位于12月至次年2月；T_s的变化范围介于245.15~302.35 K之间，T_m的变化范围介于236.90~296.20 K之间，数值略小于T_s。表 2为青海省内7个探空站点信息及2019—2021年各站T_m与T_s的相关系数，可以看出，7个探空站T_m与T_s的相关系数均在0.87以上，有很高的相关性。

利用上述探空站2019—2021年T_s对同期探空T_m进行回归建模，可得到青海省本地化模型为T_m = 82.667+0.662T_s。图 3给出了该模型的建模效果，图中r为相关系数，n为样本总数。从图可见，T_m的拟合值和探空值有很高的相关性，二者相关系数为0.89，模型偏差为0 K，均方根误差3.62 K(对应相对误差1.4%)，且模型偏差(ΔT_m)符合正态分布。Bevis等^[1]利用美国13个探空站2 a的数据建立T_m本地化模型的均方根误差为4.7 K(对应相对误差2.0%)。由此可见，本文构建的青海地区本地化模型可以很好地拟合T_m。

2.2 模型检验

为进一步评估青海省本地化T_m模型的效果，以2022年探空温、湿廓线积分得到的T_m作为“观测值”，将本文建立的青海省T_m模型与目前普遍使用的Bevis回归模型及聂檄晨等^[20]、Wang等^[21]构建的中国区域T_m模型进行对比，分别统计各个模型拟合的T_m与观测值的平均偏差、均方根误差，结果见表 3。由表可见，青海T_m模型拟合效果最好，平均偏差为0.40 K，均方根误差为3.41 K；相对于Bevis模型，本地化后的T_m拟合结果平均偏差减小88.5%，均方根误差减小30.4%；相比于其他学者构建的2个中国区域模型，平均偏差减小78.7%和89.4%，均方根误差减小17.6%和34.7%。由此可见，本文构建的本地化模型更适用于青海地区T_m的计算。

此外，Wang等^[21]的研究中包含了青海省内4个探空站的单站T_m模型。针对这4个探空站，将本文青海区域模型与单站模型进行精度对比。结果表明, 单站模型的平均均方根误差为3.30 K(对应相对误差1.22%)，青海区域模型均方根误差为3.37 K(对应相对误差1.24%)，两者精度相当。表明青海区域各站模型的一致性较好，一个统一的区域模型能够以近乎等效的精度取代该区域的多个单站模型。

2.3 GNSS反演PWV精确度评估

建立本地化T_m模型的主要目的是为了精确反演PWV。本文选取同时配备气象探空和地基GNSS，且观测数据较完整的西宁站，检验本地化模型反演PWV的精度。利用2022年观测数据，分别计算探空PWV(PWV_RS)和地基GNSS站PWV(PWV_GNSS)。为减少探空站和地基GNSS站海拔高度差异对PWV精度评估的影响，参照Zhao等^[22]和Huang等^[23]的研究方法，通过以下经验公式对PWV进行修正：

(6)

$\mathrm{PWV}_{h_1}=\mathrm{PWV}_{h_2} \times \exp \left(-\frac{h_1-h_2}{2\;000}\right)$

式中，PWV_h₁和PWV_h₂分别为h₁和h₂高度处的PWV。完成高度修正之后，以PWV_RS为对比值，对PWV_GNSS进行误差分析。由于部分探空数据缺测，本节仅统计数据完整的时次。表 4给出了各模型反演PWV精度的统计结果，本文拟合的青海本地化模型平均偏差为0.80 mm，均方根误差为2.69 mm，均优于其他3种模型。PWV_GNSS与PWV_RS之间存在一定的误差，可能是由于：1)两者探测方式不同，探空存在下风飘曳作用；2)探空资料只有特定高度层，其计算的PWV存在一定的误差^[24]。从PWV_GNSS与PWV_RS的时序分布(图 4，曲线中断处为数据缺失时段)可以看出，二者变化趋势基本一致，相关系数为0.98。以上统计分析表明，本文构建的青海模型PWV反演精度与国内外众多学者在不同地区的研究结果相当^{[9, 25-26]}，可满足气象应用研究需求。

3 强降水过程中水汽特征

收起

青海地区降水空间分布差异明显，具有显著的局地性特征。其西高东低的地势使得东部地区大气可降水量高于西部山地，更易发生对流天气^[27-28]。尤其是位于青海省东北部、祁连山南麓的河湟谷地，由于地形抬升作用的影响，夏季常处于动力或热力不稳定状态，容易突发暴雨^[29-30]。统计发现，2022-08青海省513个气象站(包括国家气象站和省级气象站)中，有10站次日降水量突破或接近1961年以来同期极值，暴雨洪涝程度历史罕见^[16]。与我国中、东部地区不同，青海和西藏地区24 h累积降雨量超过25.0 mm即为暴雨^[31-33]。根据这一标准，2022-08中下旬青海东北部(100°~103°E，36°~39°N)出现了3次暴雨过程，该区域内17个国家气象站中共有10站次测得暴雨数据(图 5)。

3.1 PWV与小时雨量的时间变化特征

充沛的水汽是降水形成的必要条件。为探究2022-08中下旬青海密集的暴雨过程中PWV变化与降水发生之间的关联，选取青海省东北部降水量较大且数据完整的GNSS站及与其并址的国家级气象站，对其PWV特征及实测小时雨量进行对比分析。站点分别位于大通、湟中、乐都、平安、西宁、互助。为分析PWV的变化特征，引入PWV的3 h变化量(PWV^*)，即当前时刻的PWV与3 h前PWV之差，PWV^*反映了最近3 h PWV的变化趋势和程度，可更直观地分析PWV动态特征。

对以上6组并址站点08-15 00:00—08-30 23:00期间PWV、PWV^*、小时雨量进行分析，其时间序列见图 6，其中浅灰色区域为短时强降水发生时段。可以看到，各站点PWV随时间变化趋势比较相似，均表现出4个明显的峰值，分别在08-17、08-21、08-24和08-27, 与图 5中日降水量峰值出现的时刻一致。这是由于河湟谷地受地形抬升作用影响，夏季常处于动力或热力不稳定状态，当水汽充沛时易诱发来势猛、速度快的暴雨^[30]。

在研究时段内，图 6中有5站次出现短时强降水(小时降水量超过20 mm)，分别为08-17 16:00—18:00的大通、乐都、西宁及08-21 13:00的湟中、平安。短时强降水通常发生在PWV数值较高的时段内，且在强降水发生前PWV在短时间内出现快速增长，PWV^*通常会在正值范围内维持4~8 h。对比PWV、PWV^*与降水实况可以发现，大通站08-17 16:00出现40.6 mm的短时强降水，PWV^*在08-17 07:00—14:00均为正值，最大3 h水汽变量为1.5 mm，降水前PWV增至36.2 mm(图 6(a))。西宁站08-17 07:00出现20.1 mm的短时强降水，PWV^*在08-17 08:00 —16:00维持正值，最大3 h水汽增量为2.4 mm，降水前PWV增加至41.4 mm(图 6(e))。湟中站08-21 13:00出现29.8 mm的短时强降水，PWV^*在08-21 06:00—12:00维持正值，最大3 h水汽增量为2.9 mm，降水前PWV增加至35.0 mm(图 6(b))。平安站08-21 13:00出现29.6 mm的短时强降水，PWV^*在08-21 06:00—12:00维持正值，最大3 h水汽增量为3.7 mm，降水前PWV增加至45.4 mm(图 6(d))。乐都站08-17 18:00出现29.9 mm的短时强降水，PWV在38.2~39.1 mm之间波动，PWV^*在08-17 11:00—14:00维持正值，最大3 h水汽增量为2.3 mm (图 6(c))。与其他站点稍有不同的是，乐都站短时强降水发生前3 h内PWV出现下降趋势，但由于该时段PWV较高且降幅小(PWV^*＞－0.7 mm)，降水发生时PWV仍维持在38 mm以上，因此仍出现了短时强降水。

除此之外，所选站点中还出现了多次小时降水量小于20 mm的非短时强降水，这些降水发生前PWV亦有增加，但增加的程度和时间不如短时强降水。以图 6(f)的互助站为例，在08-17 17:00、08-21 12:00分别出现了15.8 mm和14.8 mm的降水。08-17降水发生前4 h PWV^*已由正转负，并在负值维持了12 h，此次降水发生在PWV逐渐减小的过程中；08-21降水发生前，PWV出现波动并有减小的趋势，PWV^*在降水发生前6~12 h一直维持负值，降水发生前0~5 h正负交替变化，在降水开始之后3 h内水汽迅速减少，PWV^*最小值降至－2.4 mm。其他雨强更小的降水过程也有类似的水汽变化特征。

降水发生前，区域内的水汽会辐合并随上升气流输送至高层，气团上升过程中绝热膨胀冷却，促使水汽凝结成云滴。这一物理过程在单站PWV的时间演变上表现为：PWV首先快速增加，随后增幅减缓或小幅回落。从前文对比分析可以看出，PWV的变化趋势对降水强度有较好的指示意义：出现短时强降水时水汽辐合强烈，并址GNSS站的PWV呈现出更长时间、更大变率的急剧增长，水汽的聚集速率超过了水汽凝结、云雨转化过程中的水汽消耗速率，因此PWV^*在降水发生前基本上维持正值，充沛的水汽供应为短时强降水的发生提供了必要的物质条件。相比之下，弱降水事件的水汽辐合强度较低，PWV呈波动增长趋势，PWV^*表现出正负交替变化，反映出云雨转化对水汽的消耗大于水汽供应，从而抑制了降水的进一步发展。

3.2 PWV与小时雨量空间分布

2022-08-17青海省出现8月中下旬最强降水过程，引发了严重的山洪、泥石流灾害。利用青海省GNSS站及自动气象站数据，对该次强降水过程期间不同时段的PWV与降水量空间分布进行分析。图 7为该日不同时段PWV、PWV^*及对应时段内小时降水量空间分布。其中，第1列和第2列分别为PWV和PWV^*的空间分布，第3列为2 h后小时降水量实测值。研究表明，降水开始前1~2 h水汽出现激增，并达到较高水平^[10]，故本文以间隔2 h为标准，研究某时刻降水与2 h前PWV、PWV^*空间分布的对应关系。

从空间分布来看，青海省PWV分布极不均匀，其极大值主要集中在东部的河湟谷地，而极小值则位于西南部的青南高原，两地PWV值可相差35 mm以上。08-17 09:00—17:00青海省内PWV整体呈现自东南向西北扩散的趋势，表明东南气流携带大量水汽流入青海省。西宁站08-17 00:00和12:00的探空数据显示，600 hPa以下为东南风，而600 hPa以上则为西风(图 8)。由此可见，大气水汽主要集中在低层，大气层结形成了上干下湿的状态，这种层结分布有利于对流天气的发生^[34]。

同时，本文收集的探空资料还显示，700~500 hPa的风向随高度增加而呈顺时针旋转，这表明低层存在暖平流。暖平流使得温度垂直递减率进一步增大，从而增强了大气的不稳定度。在这种温度和湿度分布条件下，低层的暖湿空气更容易发生垂直运动，将水汽输送到高层并凝结，进而触发降水。

结合不同时段PWV^*和小时雨量的空间分布可以看出，青海省短时强降水主要发生于PWV大于34 mm的东北部地区(图 7红色方框内)，该区域水汽的动态特征与降水的发生发展有较好的对应关系。08-17 09:00和14:00该区域内PWV^*为正值，2 h后对应地区发生短时强降水，其中09：00红框内区域PWV^*大于0，该地区水汽增加，而周边地区水汽减少，意味这该地区形成水汽辐合。但大范围水汽供应并非十分充足，因此11:00门源站以北(红框北部)出现持续1 h的短时强降水；14:00青海全省大范围PWV^*为正值，水汽供应呈增加趋势，在大通站附近(红框南部)出现持续3 h的强降水天气。与之相反，11:00和17:00青海东北部地区虽然PWV数值较高，但PWV^*小于0，水汽呈减少趋势，2 h后青海东北部地区降水强度明显减小。由此可见，青海短时强降水发生区域与PWV数值大小及动态特征的空间分布关联紧密，在PWV数值较大且处于动态增长的区域较易发生短时强降水，当PWV数值较小或水汽处于明显减少的区域，降水强度也相应较低。

4 结语

收起

本文通过2019—2022年青海省7个探空站观测的温、湿廓线资料构建了适用于青海地区的T_m模型，并通过青海省内42个地基GNSS站反演了2022-08中下旬高时空分辨率的PWV数据；结合气象站降水数据，从时间和空间2个方面分析了青海省PWV变化与强降水之间的关系。结果如下：

1) 基于最小二乘法和回归分析，利用2019—2021年青海省7个探空站数据建立青海区域T_m本地化模型。以2022年探空积分的T_m为参考值，青海本地化T_m模型的平均偏差、均方根误差分别为0.40 K、3.41 K，均小于Bevis模型和中国区域模型，且该模型精度接近青海省内单站T_m模型。通过本地化T_m模型反演的西宁站PWV_GNSS与PWV_RS的相关系数为0.98，平均偏差为0.80 mm，均方根误差2.69 mm。

2) GNSS站PWV和并址气象站实测降水量时间序列分析结果表明，2022-08中下旬青海省东北部PWV出现4个明显峰值，对应时段日降水量均出现极值，其中3次达到暴雨量级。逐小时分析结果表明，短时强降水发生前PWV^*基本上维持正值4~8 h，且PWV增加至35 mm以上；相比之下，弱降水PWV呈波动增长趋势，PWV^*表现出正负交替变化。

3) 青海省夏季典型暴雨过程期间PWV空间分布极不均匀，其极大值主要集中在东部的河湟谷地，而极小值则位于西南部的青南高原。2022-08-17极端暴雨事件分析表明，低层东南风水汽输送是造成河湟谷地PWV高值的关键，并形成了有利于对流发生的上干下湿不稳定层结；同时，低层暖平流进一步增大了温度垂直递减率，增强了大气不稳定度。低层水汽输送与不稳定大气结构的共同作用，是此次青海极端强降水发生的重要机制。

4) 基于2022-08-17极端强降水过程的精细剖析发现，降水的空间落区与PWV及PWV^*的空间分布存在显著对应关系。当区域内PWV大于34 mm, 且PWV^*为正值时，意味着大气中水汽含量充足且处于辐合增强阶段，可很好地指示短时强降水的发生；反之，当区域内PWV较小或PWV^*为负值时，降水强度普遍较弱。

基金

收起

青海省科技成果转化专项(2023-SF-111)
湖北省气象局科研项目(2025Y08)
中国气象局气溶胶与云降水重点实验室开放课题(KDW2413)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Bevis

, Businger

, Herring

T A

, et al. GPS Meteorology: Remote Sensing of Atmospheric Water Vapor Using the Global Positioning System[J]. Journal of Geophysical Research: Atmospheres, 1992, 97 (D14): 15787- 15801

Wulfmeyer

, Hardesty

R M

, Turner

D D

, et al. A Review of the Remote Sensing of Lower Tropospheric Thermodynamic Profiles and Its Indispensable Role for the Understanding and the Simulation of Water and Energy Cycles[J]. Reviews of Geophysics, 2015, 53 (3): 819- 895

徐桂荣, 万蓉, 李武阶, 等. 地基GPS反演大气可降水量方法的改进[J]. 暴雨灾害, 2009, 28 (3): 203- 209

Guirong

, Wan

Rong

, Li

Wujie

, et al. Improvement on the Method for Estimating Precipitable Water from Ground-Based GPS[J]. Torrential Rain and Disasters, 2009, 28 (3): 203- 209

孙天红, 高志钰, 蒋玉祥. 银川地区加权平均温度模型的建立及精度分析[J]. 导航定位学报, 2020, 8 (4): 80- 84

Sun

Tianhong

, Gao

Zhiyu

, Jiang

Yuxiang

. Establishment and Accuracy Analysis of Weighted Average Temperature Model in Yinchuan Area[J]. Journal of Navigation and Positioning, 2020, 8 (4): 80- 84

高志钰, 李建章, 寇瑞雄, 等. 甘肃省加权平均温度时空分布特征分析与模型建立[J]. 全球定位系统, 2018, 43 (3): 70- 76

Gao

Zhiyu

, Li

Jianzhang

, Kou

Ruixiong

, et al. Spatial and Temporal Characteristics Analysis and Model Establishment of Weighted Average Temperature in Gansu Province[J]. GNSS World of China, 2018, 43 (3): 70- 76

李黎, 田莹, 谢威, 等. 基于探空资料的湖南地区加权平均温度本地化模型研究[J]. 大地测量与地球动力学, 2017, 37 (3): 282- 286

, Tian

Ying

, Xie

Wei

, et al. Localization Model Research of Weighted Average Temperature in Hunan Area Based on Radiosonde Data[J]. Journal of Geodesy and Geodynamics, 2017, 37 (3): 282- 286

Liang

, Zhang

, Cao

L J

, et al. Temporal Relations between Precipitable Water Vapour and Precipitation during Wet Seasons Based on nearly Two Decades of Data from the Lhasa River Valley, Tibetan Plateau[J]. International Journal of Climatology, 2020, 40 (3): 1656- 1668

Haan

, Marel

, Barlag

. Comparison of GPS Slant Delay Measurements to a Numerical Model: Case Study of a Cold Front Passage[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2002, 27 (4-5): 317- 322

施闯, 周凌昊, 范磊, 等. 利用北斗/GNSS观测数据分析"21·7"河南极端暴雨过程[J]. 地球物理学报, 2022, 65 (1): 186- 196

Shi

Chuang

, Zhou

Linghao

, Fan

Lei

, et al. Analysis of "21·7" Extreme Rainstorm Process in Henan Province Using Beidou/GNSS Observation[J]. Chinese Journal of Geophysics, 2022, 65 (1): 186- 196

余洋, 万蓉, 付志康, 等. 基于地基GNSS观测的典型暴雨过程水汽特征[J]. 大地测量与地球动力学, 2025, 45 (4): 356- 361

Yang

, Wan

Rong

, Fu

Zhikang

, et al. Characteristics of Water Vapor Based on Ground-Based GNSS Observations during Typical Rainstorm[J]. Journal of Geodesy and Geodynamics, 2025, 45 (4): 356- 361

王钦, 姚宜斌, 刘晨, 等. 台风期间GNSS-PWV与降雨量的相关性探究: 以上海市为例[J]. 测绘地理信息, 2023, 48 (5): 13- 16

Wang

Qin

, Yao

Yibin

, Liu

Chen

, et al. Investigation on the Correlation between GNSS-PWV and Precipitation during Typhoon: A Case Study of Shanghai[J]. Journal of Geomatics, 2023, 48 (5): 13- 16

夏武松, 鲁小琴, 赵兵科, 等. GNSS/MET观测的台风"烟花"对上海地区PWV的影响[J]. 大地测量与地球动力学, 2024, 44 (8): 815- 819

Xia

Wusong

, Lu

Xiaoqin

, Zhao

Bingke

, et al. The Impact of Typhoon "In-Fa" on PWV in Shanghai Based on GNSS/MET Observations[J]. Journal of Geodesy and Geodynamics, 2024, 44 (8): 815- 819

单路路, 姚宜斌, 赵庆志, 等. 基于GNSS PWV的短临降雨预测方法[J]. 测绘地理信息, 2019, 44 (1): 22- 26

Shan

Lulu

, Yao

Yibin

, Zhao

Qingzhi

, et al. A Short-Term Rainfall Forecasting Method Based on GNSS PWV Data[J]. Journal of Geomatics, 2019, 44 (1): 22- 26

H B

, Wang

X M

, Wu

S Q

, et al. Development of an Improved Model for Prediction of Short-Term Heavy Precipitation Based on GNSS-Derived PWV[J]. Remote Sensing, 2020, 12 (24)

余洋, 万蓉, 付志康, 等. 基于GNSS水汽和地面假相当位温观测的短时强降水阈值预报方法研究[J]. 气象, 2024, 50 (5): 603- 615

Yang

, Wan

Rong

, Fu

Zhikang

, et al. Development of a Threshold Prediction Model for Short-Time Severe Precipitation Based on GNSS-Derived PWV and Pseudo-Equivalent Temperature[J]. Meteorological Monthly, 2024, 50 (5): 603- 615

安琳, 权晨, 沈晓燕, 等. 青海"8·18"短时强降水过程的水汽特征分析[J]. 暴雨灾害, 2025, 44 (1): 41- 51

Lin

, Quan

Chen

, Shen

Xiaoyan

, et al. Analysis of Water Vapor Characteristics of the "8·18" Short-Duration Heavy Rainfall Event in Qinghai[J]. Torrential Rain and Disasters, 2025, 44 (1): 41- 51

徐栋, 孔莹, 王澄海. 西北干旱区水汽收支变化及其与降水的关系[J]. 干旱气象, 2016 (3): 431- 439

Dong

, Kong

Ying

, Wang

Chenghai

. Changes of Water Vapor Budget in Arid Area of Northwest China and Its Relationship with Precipitation[J]. Journal of Arid Meteorology, 2016 (3): 431- 439

Liang

, Cao

Y C

, Wan

X M

, et al. Meteorological Applications of Precipitable Water Vapor Measurements Retrieved by the National GNSS Network of China[J]. Geodesy and Geodynamics, 2015, 6 (2): 135- 142

Saastamoinen

. Introduction to Practical Computation of Astronomical Refraction[J]. Bulletin Géodésique, 1972, 106 (1): 383- 397

聂檄晨, 胡伍生, 朱明晨, 等. 中国区域加权平均温度的时空分析及模型研究[J]. 测绘科学, 2021, 46 (2): 159- 164

Nie

Xichen

, Hu

Wusheng

, Zhu

Mingchen

, et al. Spatio-Temporal Analysis and Model Study of Regional Weighted Average Temperature in China[J]. Science of Surveying and Mapping, 2021, 46 (2): 159- 164

Wang

M H

, Chen

J P

, Han

, et al. Region-Specific and Weather-Dependent Characteristics of the Relation between GNSS-Weighted Mean Temperature and Surface Temperature over China[J]. Remote Sensing, 2023, 15 (6)

Zhao

Q Z

, Yang

P F

, Yao

W Q

, et al. Hourly PWV Dataset Derived from GNSS Observations in China[J]. Sensors, 2020, 20 (1)

Huang

L K

, Mo

Z X

, Xie

S F

, et al. Spatiotemporal Characteristics of GNSS-Derived Precipitable Water Vapor during Heavy Rainfall Events in Guilin, China[J]. Satellite Navigation, 2021, 2 (1)

梁宏, 刘晶淼, 李世奎. 青藏高原及周边地区大气水汽资源分布和季节变化特征分析[J]. 自然资源学报, 2006, 21 (4): 526- 534

Liang

Hong

, Liu

Jingmiao

, Li

Shikui

. Analysis of Precipitable Water Vapor Source Distribution and Its Seasonal Variation Characteristics over Tibetan Plateau and Its Surroundings[J]. Journal of Natural Resources, 2006, 21 (4): 526- 534

Bai

J N

, Lou

Y D

, Zhang

W X

, et al. Assessment and Calibration of MODIS Precipitable Water Vapor Products Based on GPS Network over China[J]. Atmospheric Research, 2021, 254 (D14)

欧书圆, 张卫星. GPT2w模型反演大气可降水量的研究[J]. 测绘地理信息, 2021, 46 (增1): 114- 118

Shuyuan

, Zhang

Weixing

. Study on Retrieving Precipitable Water Vapor by GPT2w Model[J]. Journal of Geomatics, 2021, 46 (S1): 114- 118

刘晓燕, 王玉娟, 王军, 等. 青海东部雷电活动环境特征及其预报[J]. 干旱气象, 2018, 36 (4): 676- 683

Liu

Xiaoyan

, Wang

Yujuan

, Wang

Jun

, et al. Environment Characteristics of Lightning Activity and Its Forecast in the Eastern Qinghai[J]. Journal of Arid Meteorology, 2018, 36 (4): 676- 683

燕振宁, 马学谦. 青海高原不同地区大气水汽含量对比分析[J]. 干旱气象, 2018, 36 (3): 365- 372

Yan

Zhenning

, Ma

Xueqian

. Comparison and Analysis of Precipitable Water Vapor in Different Regions of the Qinghai Plateau[J]. Journal of Arid Meteorology, 2018, 36 (3): 365- 372

燕振宁, 马学谦. 青海高原不同地区大气水汽含量对比分析[J]. 干旱气象, 2018, 36 (3): 365- 372

Yan

Zhenning

, Ma

Xueqian

. Comparison and Analysis of Precipitable Water Vapor in Different Regions of the Qinghai Plateau[J]. Journal of Arid Meteorology, 2018, 36 (3): 365- 372

李林, 王振宇, 汪青春, 等. 河湟谷地暴雨频率的研究[J]. 气象, 2005, 31 (8): 37- 41

Lin

, Wang

Zhenyu

, Wang

Qingchun

, et al. Study on Frequency of Heavy Rainfall Events over Hehuang Valley[J]. Meteorological Monthly, 2005, 31 (8): 37- 41

谌芸, 李强, 李泽椿. 青藏高原东北部强降水天气过程的气候特征分析[J]. 应用气象学报, 2006, 17 (增1): 98- 103

Chen

Yun

, Li

Qiang

, Li

Zechun

. Analysis of Climatic Characteristics of Heavy Rainfall Weather Process in the Northeast of Qinghai-Tibet Plateau[J]. Journal of Applied Meteorological Science, 2006, 17 (S1): 98- 103

杨勇, 罗骕翾, 尼玛吉, 等. 西藏地区暴雨指标及暴雨事件的时空变化[J]. 暴雨灾害, 2013, 32 (4): 369- 373

Yang

Yong

, Luo

Suxuan

, Ni

Maji

, et al. Rainstorm Indices and Spatio-Temporal Change of Torrential Rain Events in Tibet[J]. Torrential Rain and Disasters, 2013, 32 (4): 369- 373

姚秀萍, 张霞, 马嘉理, 等. 东亚夏季副热带平原和高原地区切变线特征的对比研究[J]. 气象学报, 2022, 80 (4): 604- 617

Yao

Xiuping

, Zhang

Xia

, Ma

Jiali

, et al. Comparative Study on the Characteristics of Shear Lines in the Subtropical Plain and Plateau Areas of East Asia in Summer[J]. Acta Meteorologica Sinica, 2022, 80 (4): 604- 617

孙继松, 陶祖钰. 强对流天气分析与预报中的若干基本问题[J]. 气象, 2012, 38 (2): 164- 173

Sun

Jisong

, Tao

Zuyu

. Some Essential Issues Connected with Severe Convective Weather Analysis and Forecast[J]. Meteorological Monthly, 2012, 38 (2): 164- 173

2026年第46卷第5期

引用本文

BibTeX

文章信息

doi: 10.14075/j.jgg.2025.06.215

接收时间：2025-06-24
首发时间：2026-10-29
出版时间：2026-05-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-06-24

基金

青海省科技成果转化专项(2023-SF-111)

湖北省气象局科研项目(2025Y08)

中国气象局气溶胶与云降水重点实验室开放课题(KDW2413)

作者信息

1 中国气象局武汉暴雨研究所, 武汉, 430205

2 中国气象局流域暴雨重点开放实验室/暴雨监测预警湖北省重点实验室, 武汉, 430205

3 湖北省气象服务中心, 武汉, 430205

4 湖北省气象信息与技术保障中心, 武汉, 430074

5 中国气象局地球系统数值预报中心, 北京, 100081

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ddcl/CN/10.14075/j.jgg.2025.06.215

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

数据类型	数据源/平台	站点数	时间分辨率	目的与作用
温、湿、风廓线	青海省探空站，源自“天擎”平台	7个	每日2次	计算T_m真值，用于建立和验证本地化T_m模型；计算PWV真值，用于验证GNSS反演PWV的精度
地面降水量	青海省国家级气象站，源自“天擎”平台	53个	逐小时	识别降水事件，分析PWV变化与降水发生时间、强度的关系
地面气温	青海省国家级气象站，源自“天擎”平台	53个	逐小时	作为本地化T_m模型的输入变量，用于计算站点位置的加权平均温度
GNSS ZTD产品	中国气象局气象探测中心解算，源自“天擎”平台	42个	逐小时	结合T_m模型和气象数据，计算PWV

数据类型

数据源/平台

站点数

时间分辨率

目的与作用

温、湿、风廓线

青海省探空站，源自“天擎”平台

7个

每日2次

计算T_m真值，用于建立和验证本地化T_m模型；计算PWV真值，用于验证GNSS反演PWV的精度

地面降水量

青海省国家级气象站，源自“天擎”平台

53个

逐小时

识别降水事件，分析PWV变化与降水发生时间、强度的关系

地面气温

青海省国家级气象站，源自“天擎”平台

53个

逐小时

作为本地化T_m模型的输入变量，用于计算站点位置的加权平均温度

GNSS ZTD产品

中国气象局气象探测中心解算，源自“天擎”平台

42个

逐小时

结合T_m模型和气象数据，计算PWV

站点(站号)	纬度/(°)	经度/(°)	海拔高度/m	T_m与T_s相关系数
西宁(52866)	36.66	101.73	2 434.2	0.914 1
格尔木(52818)	36.42	94.91	2 807.6	0.877 5
都兰(52836)	36.30	98.10	3 189.0	0.913 3
玉树(56029)	33.00	96.96	3 716.9	0.871 0
沱沱河(56004)	34.22	92.44	4 533.1	0.880 2
茫崖(51886)	38.25	90.85	2 944.8	0.872 3
达日(56046)	33.75	99.65	3 967.5	0.909 4

站点(站号)

纬度/(°)

经度/(°)

海拔高度/m

T_m与T_s相关系数

西宁(52866)

36.66

101.73

2 434.2

0.914 1

格尔木(52818)

36.42

94.91

2 807.6

0.877 5

都兰(52836)

36.30

98.10

3 189.0

0.913 3

玉树(56029)

33.00

96.96

3 716.9

0.871 0

沱沱河(56004)

34.22

92.44

4 533.1

0.880 2

茫崖(51886)

38.25

90.85

2 944.8

0.872 3

达日(56046)

33.75

99.65

3 967.5

0.909 4

	模型公式	平均偏差/K	均方根误差/K
青海T_m模型	T_m=82.667+0.662T_s	0.40	3.41
Bevis T_m模型	T_m=70.2+0.72T_s	3.48	4.90
聂檄晨等^[20]T_m模型	T_m=40.38+0.82T_s	1.88	4.14
Wang等^[21]T_m模型	T_m=50.76+0.79T_s	3.79	5.22

模型公式

平均偏差/K

均方根误差/K

青海T_m模型

T_m=82.667+0.662T_s

0.40

3.41

Bevis T_m模型

T_m=70.2+0.72T_s

3.48

4.90

聂檄晨等^[20]T_m模型

T_m=40.38+0.82T_s

1.88

4.14

Wang等^[21]T_m模型

T_m=50.76+0.79T_s

3.79

5.22

	平均偏差/mm	均方根误差/mm	相关系数
青海T_m模型	0.80	2.69	0.98
Bevis T_m模型	2.91	3.52	0.98
聂檄晨等^[20]T_m模型	2.84	3.46	0.98
Wang等^[21]T_m模型	2.94	3.54	0.98

平均偏差/mm

均方根误差/mm