摘要：台风是一种严重影响人类生产和活动的灾害性天气，台风状态的有效监测对保障人类生命安全和减少财产损失具有重要意义。水汽是台风发展的主要原动力，本文提出了一种基于大气可降水量（PWV）到达时间差估计台风运动状态的四参数模型，该模型需要台风路径附近多个站点的PWV时间

本文内容来源于《测绘学报》2024年第11期（审图号GS京(2024)2421号）

基于PWV到达时间差估计台风运动状态的四参数模型

1. 苏州科技大学地理科学与测绘工程学院，江苏 苏州 215009

摘要：台风是一种严重影响人类生产和活动的灾害性天气，台风状态的有效监测对保障人类生命安全和减少财产损失具有重要意义。水汽是台风发展的主要原动力，本文提出了一种基于大气可降水量（PWV）到达时间差估计台风运动状态的四参数模型，该模型需要台风路径附近多个站点的PWV时间序列作为输入，台风的初始线速度、初始方向角、线加速度和角速度作为输出，进而可推算路径方向上任意时刻的台风线速度和方向角参数。以2019年中国区域“利奇马”和“白鹿”台风作为研究案例，首先，利用中国区域的全球导航卫星系统地面监测站和探空站反演的PWV产品，对用于估计台风运动状态的欧洲中期天气预报中心ERA5再分析资料得到的PWV产品进行精度评估；然后，分析了台风期间PWV空间分布和时间序列特征，研究了台风和水汽的移动趋势及其关系；最后，以中国气象局和浙江政务服务网提供的台风产品作为参考，对基于PWV到达时间差的四参数模型估计的“利奇马”和“白鹿”台风线速度和方向角进行了评估。评估结果显示，与中国气象局台风产品对比，本文模型估计的台风线速度和方向角平均Bias、RMSE、STD分别为0.25、6.39、6.38 km/h和4.68°、21.59°、20.83°；与浙江政务服务网台风产品对比，本文模型估计的台风线速度平均Bias、RMSE、STD分别为2.23、5.41、4.27 km/h。上述结果表明，基于PWV到达时间差的四参数模型能够反映台风的水汽运移规律，为监测台风活动提供一种补充方法。

关键词：台风监测ERA5PWV到达时间差GNSS探空站

何琦敏（1994—），男，博士，讲师，研究方向为GNSS气象学。 E-mail：

通信作者:张克非 E-mail：profkzhang@cumt.edu.cn

本文引用格式

何琦敏, 张克非, 李黎, 等.

HE Qimin, ZHANG Kefei, LI Li, et al.

阅读全文

水汽是影响台风发展的主要驱动因子，为维持台风的生命周期并保障其进行持续活动提供了能量。台风主要在热带和副热带区域海洋面形成，由于海水表面受到持续的太阳辐射作用，蒸发为水汽从而进入大气中，形成低压气旋，并随着大气中水汽含量增加，风速加快使得气旋强度逐步升级为台风。由于台风内部携带了大量水汽，因此可以通过监测大气水汽的时空变化和收支情况来分析台风的临近过程。

大气可降水量（precipitable water vapor，PWV）是反映天顶方向的累计水汽参数[1]，常用于研究台风等极端天气事件的预警预报[2-4]。目前利用PWV对台风监测与预报的方法主要分为直接法和多源数据法，其中直接法主要依据台风的运动状态与PWV时空分布建立两者关系方程，从而实现PWV直接对台风的定性或定量预报。先前的台风案例研究[5-7]均表明了台风期间PWV的典型时序特征：当台风接近时，台风路径附近的PWV将出现一段时间显著上升，直到台风开始远离，PWV将出现一段时间的下降。基于PWV的上述特征，国内外学者分析了出现该特征点的时间，并根据台风到达区域附近多个站点上空的PWV特征点时间差（以下简称“PWV到达时间差”），研究估计台风的运动状态方法。文献[8]对2006年“艾云尼”台风期间韩国区域60个全球导航卫星系统（global navigation satellite system，GNSS）地面监测站上空的PWV（GNSS-PWV）时间序列进行了归一化，根据归一化的PWV时间序列估计了台风期间水汽的平均移动速度，该结果与台风登陆韩国的移动速度非常接近。文献[9]提出了一种基于PWV的台风监测方法，利用2017年在我国登陆的天鸽台风路径周边的ERA5格网点上空PWV时间序列估计了台风移动速度，结果与实际观测结果对比，最大误差小于3 km/h。文献[10]基于实时高时间分辨率的GNSS-PWV数据估计了2018年“山竹”台风登陆香港地区时的运动速度，提出了基于PWV到达时间差（time difference of PWV arrival，TDOPA）方法，进一步验证PWV监测台风的可行性。文献[11]提出了一种利用韩国区域密集的GNSS站点反演PWV时序数据和GNSS站点坐标信息预测台风位置的方法，其结果与实际台风路径的偏差为13.19 km。多源数据法通过PWV结合对流层梯度、降雨量和同化模型等实现对台风的预警预报[12-14]。文献[15]利用2019年中国区域700个GNSS站点数据分析了台风过程中的PWV与对流层空间梯度分布规律，结果表明PWV经验正交函数和水平梯度表现异常，水平梯度的方向可表征台风中心位置。文献[16]以2022年“梅花”台风事件为例，分析了PWV、降雨量与台风路径之间的相关关系，试验结果表明PWV与降雨中心趋于一致且分布于台风中心西北侧附近。文献[17]提出了一种区域性的数据同化模型，利用PWV、风廓线和雷达数据等气象数据作为输入源，成功模拟了台风的演变过程，对分析台风的多尺度空间特征具有重要意义。

目前的研究已较好地实现了PWV对台风的预警和定性预报、台风的定量预报主要依赖于PWV与数值气象预报模型的结合方法，但该方法需要大量的多源气象数据进行驱动，在实际应用中存在一定的局限性。针对直接使用PWV对台风的定量预报方面，当前的PWV台风运动状态估计模型较为简单，估计的线速度为平均值，且未考虑台风的运动方向变化，尚缺对台风运动方向估计值的精度评估，难以全面反映台风的实际运动状态变化信息。因此，本文以2019年间影响中国区域的两次台风事件为例，对比了GNSS-PWV、探空站（radiosonde station，RS）反演的PWV（RS-PWV）和ERA5-PWV之间的差异，提出了一种考虑台风运动方向变化的TDOPA四参数模型（TDOPA-4），用于全面估计台风在路径上的二维运动状态，并将其结果与官方气象部门提供的台风产品进行了比较，分析了该模型的精度。

目前，PWV的获取方法主要有地基GNSS、探空气球、大气再分析资料和卫星遥感等技术，但上述方法均存在时间分辨率、空间分辨率、精度和使用成本等单方面或多方面不足[18-19]。地基GNSS能够提供高精度、高时间分辨率的PWV产品，但由于许多地区的地基GNSS站原始观测数据属于保密数据[20]，国际GNSS服务（International GNSS Service，IGS）和全球连续监测评估系统等机构提供的公开GNSS站点数量较少，且大多位于内陆区域，因此难以直接用于沿海地区台风天气事件的研究。探空气球能够提供高精度的PWV数据，但时间分辨率较低，通常为1天2~3次，时效性较差。卫星遥感水汽探测方法受云层和天气的干扰较为严重，具有较高的空间分辨率，但水汽反演的精度较低，在实际使用中受限。大气再分析资料能够提供高空间分辨率、较高精度和时间分辨率的PWV产品，因此本文首先使用GNSS-PWV和RS-PWV评估试验区域的ERA5-PWV精度和可用性，再对提出的台风运动状态估计模型结果进行验证。

PWV是影响GNSS精密定位的对流层湿延迟误差源[21]，可通过GNSS数据处理先得到天顶总延迟（zenith total delay，ZTD），再通过气象数据与转换模型计算得到[22-23]。本文以ERA5的分层气象数据为例，介绍地基GNSS-PWV反演原理。首先根据站点高空分层的气象数据求解天顶干延迟（zenith hydrostatic delay，ZHD），计算公式如下[24]

(2)

式中，q为比湿，可通过ERA5资料直接获得。通过ZTD减去计算的ZHD成分，可得到天顶湿延迟（zenith wet delay，ZWD）。根据水汽转换系数τ可得到PWV，表达式如下[26]

(3)

式中，ρ和R分别为水的密度和气体常数，其值分别为103 kg/m3和461.495 J/（kg·K）；k2和k3均为常数项，其值分别为22.13和373 900；Tm为大气加权平均温度（单位为K），可通过ERA5分层气象数据计算得到[27]，表达式如下

(4)

式中，ei和Ti分别为分层平均水汽压和温度。将式（4）的结果代入式（3）中，即可得到对应GNSS站点的PWV值。上述GNSS站点位置处的气象数据（比湿、气压和温度）通过最近的4个ERA5格网点气象数据空间插值获得，首先在高程方向上，基于4个格网点气压分层气象数据采用样条曲线插值法得到对应GNSS站点高程位置处的气象数据，再通过反距离加权法即可求得GNSS站点水平方向改正后的气象数据。

探空气球内部搭载了无线电探空仪设备，是一种高精度的高空大气探测技术，可提供包括气压、温度、露点温度和相对湿度等要素的剖面气象资料。ERA5再分析资料是一种通过气象同化模型，将多种气象资料作为背景场，使用相关的数学函数模型将上述资料进行融合后得到的综合气象数据产品。由探空气球或ERA5提供气压分层的气象要素可用于计算PWV，表达式如下

(5)

式中，ps为地表气压（单位为hPa）；qi和Δpi分别为分层比湿和分层气压差（单位为hPa）。由于探空数据通常不包含比湿参数，但可通过相对湿度先计算水汽压，再根据水汽压和总气压计算比湿，表达式如下

(6)

式中，rh为相对湿度。由探空数据计算的PWV精度较高，但探空气球通常1天发射2~3次，因此时间分辨率较低，常作为基准数据对其他类型的水汽产品进行检校。此外，针对ERA5和GNSS存在位势高和大地高之间的高程系统差异问题，通过文献[28-29]提出的方法可实现两者的转换。

台风是一个内含高水汽湿度的旋转系统，在其路径周围可引起PWV时间序列的显著升高，达到最高值后，随着台风远离PWV序列将出现下降趋势。由于台风携带了充沛的水汽，因此可通过间接观测水汽的移动趋势从而监测台风的移动趋势。基于PWV到达时间差监测台风的原理是根据台风路径附近的多个地面站点PWV时序中的特征点（PWV增长点或下降点）出现时间，该时间点称为PWV到达时间。由于地面站点位置差异性，台风经过各站点的PWV到达时间具有先后次序性，可用于计算TDOPA，并根据已知的地面站点位置，从而构建台风的运动方程，进而估计台风的运动状态。以ERA5-PWV估计台风运动状态为例，图1为一假定台风在行进过程中覆盖的多个ERA5格网点情况。

图1 台风运动路径与周围ERA5格网点位置关系

Fig.1 Relation between the typhoon's movement path and the positions of ERA5 grids

图1中，台风依次经过ERA5格网点1，2，…，n，在t1和t2时刻台风中心附近分别距离1号点和2号点最近，相应的格网点分别在对应时刻PWV值达到最大，时间信息可从PWV时间序列中提取。令台风在t1和t2时刻的线速度分别为v1和v2，方向值分别为θ1和θ2，l12和d12分别为两格网点间距离和台风经过的距离（t1至t2时刻）。以第1个站点PWV到达时间为初始零时刻，到达其余站点的时刻即为TDOPA，东方向为x轴，北方向为y轴建立独立平面直角坐标系统（笛卡儿坐标系）。当θ1和θ2差距较小时，d12近似等于点2至点1与台风中心（t1时刻）连线的距离d′12，根据几何关系，可知

式中，α12为l12的方向角值。在二维空间中，用于描述物体运动状态和状态变化的物理参数主要有物体线速度v、速度方向值θ、线加速度a和角速度w。利用TDOPA模型估计台风运动状态时[10]，假设台风按照固定方向和恒定线速度运动，即参数a和w均为0，此时估计的台风线速度和方向角为平均值。在TDOPA-4模型中，假定台风在一段时间的运动过程中存在均匀变化的线速度和角度，其轨迹近似为一段圆弧，即有如下台风运动方程

(8)

式中，v0和θ0分别为初始线速度和方向值；t为运动时间。当台风从i点经过至i+1点时，对线速度进行时间积分，可得到台风的路径方程

(9)

式中，di（i+1）为台风在ti至ti+1时间内移动路程，同时满足式（7）中的几何关系，即有

(10)

式中，li（i+1）和αi（i+1）分别为i点至i+1点距离和方向角值；θi为i时刻台风运动方向角。对式（10）进行变换，可得

(11)

式中，共有v0、θ0、a和w4个未知数，因此至少需要5个站点PWV时间序列数据构建4个方程式，才能求解该方程组中的参数。由图1可知，站点需要在台风影响范围以内，因此采用台风路径方向上最近的站点用于构建上述观测方程。对于第k组观测方程，有如下方程成立

(12)

式中，n为台风路径覆盖的站点数量，对于上述非线性方程组采用Newton-Raphson方法进行迭代解算。令残差项rk=lk（k+1）-Lk，由式（12）进行一阶泰勒公式展开，可得

(14)

令第m次迭代的修正量为qm，可计算待求参数的第m+1的迭代结果

(16)

将更新后的结果代入式（13），重复上述步骤，当qm或rm+1-rm小于设定阈值或误差小至可忽略时，停止迭代过程，输出解算结果。通过站点坐标和台风经过多个监测站点时PWV到达时间作为输入，即可输出台风运动过程的起始线速度、起始方向角、加速度和角速度，根据输出的四参数，可计算其余时刻的台风线速度和方向角。

中国是世界上遭受台风影响最严重和数量最多的国家之一，2018—2022年间共有30余个台风登陆我国东南沿海地区，其中2019年台风事件对我国造成的破坏程度最高，影响巨大。夏季是在我国台风最为频发的季节，本文试验选取了2019年对我国影响程度较大的“利奇马”（8月3日—8月14日）和“白鹿”（8月20日—8月26日）台风事件为研究案例，分析了上述几次台风事件中，PWV的时间序列特征和空间分布规律，并对提出的台风运动状态模型进行了评估。试验所用的数据集主要有：

数据集（1） 2019年包含位势、温度和比湿等参数的ERA5逐小时气压分层再分析数据集，其中空间、时间和垂直分辨率分别为0.25°×0.25°、1 h和37层（

数据集（2） 2019年中国区域IGS站点后处理的GNSS-ZTD数据，其中站点数量和时间分辨率分别为14和5 min，站点坐标和位置分布分别见表1和图2（

表1GNSS站点大地坐标及高程

Tab.1 Geodetic coordinates and elevations of GNSS stations

新窗口打开| 下载CSV

图2 GNSS站和探空站地理分布

Fig.2 Geographical distribution of the GNSS stations and RS stations

数据集（3） 2019年中国区域探空站数据，其中站点数量和时间分辨率分别为86和12 h，站点分布如图1所示（

数据集（4） 2019年中国气象局（China Meteorological Administration，CMA）热带气旋资料中心提供的“利奇马”和“白鹿”台风的轨迹数据集[30-31]（

数据集（5） 2019年浙江省人民政府（People's Government of Zhejiang Province，PGZP）政务服务网（

数据集（1）主要用于反演ERA5-PWV并分析台风期间的PWV时空变化规律，并估计台风的运动状态参数；数据集（2）和数据集（3）用于评估ERA5-PWV的精度；数据集（4）和数据集（5）主要用于提取台风的轨迹和运动状态信息，分析台风事件中PWV的响应关系，并作为参考值对PWV估计的台风线速度和方向角结果进行评估。因此，本文研究内容主要包括ERA5-PWV精度评估、台风期间PWV空间分布与时间序列分析和基于TDOPA-4模型的台风运动状态评估。

为了确保ERA5-PWV数据能满足气象预报精度要求，用于本文试验台风天气事件案例研究，需要先对ERA5-PWV产品进行精度评估。相较于ERA5-PWV数据，GNSS-PWV和RS-PWV通常具有更高的精度[32]，可以作为参考值对ERA5-PWV进行精度评估。GNSS-PWV由14个IGS站点GNSS-ZTD数据集基于1.1节中的转换公式计算得到，其中ZHD、Tm和水汽转换系数等计算过程中所需要的气象参数由ERA5气压分层数据集提供，时间分辨率为1 h。以14个IGS站点GNSS-PWV为参考值，计算了ERA5-PWV的Bias、RMSE、STD和皮尔逊相关系数，统计结果见表2。

表2GNSS-PWV与ERA5-PWV的比较结果

Tab.2 Comparison results of the GNSS-PWV time series and ERA5-PWV time series

新窗口打开| 下载CSV

由表2结果可知，GNSS-PWV与ERA5-PWV两者一致性程度较高且偏差较小，平均Bias、RMSE、STD和皮尔逊相关系数分别为0.63、2.79、2.60 mm和0.97；在L H AZ站点，Bias、RMSE和STD最大，其值分别为2.24、3.11和2.15 mm。分析在LHAZ站点反演结果偏差偏大的原因可能是由于ERA5气象数据的精度受到参与同化模型的原始气象观测数据的影响较大，而LH AZ站点位于高海拔的青藏区域，该地区气象站点由于地形环境影响使得建立困难，难以长期维护，稀疏的气象数据密度使得最终同化后的ERA5数据在该区域整体精度偏低。探空站同样能够提供高精度的PWV结果，选取了在2019年数据较为全面的86个探空站数据反演得到RS-PWV作为参考值，计算得到的ERA5-PWV的Bias、RMSE、STD和皮尔逊相关系数分布如图3所示。

图3 RS-PWV与ERA5-PWV的比较结果

Fig.3 Comparison results of the RS-PWV and ERA5-PWV

由图3可知，ERA5-PWV在中国区域具有较高的精度，精度分布整体呈现北高南低的趋势。与RS-PWV无明显偏差，两者具有高度一致性，在98.8%站点处两者相关系数超过0.9，其平均Bias、RMSE、STD和皮尔逊相关系数分别为0.47、2.81、2.51 mm和0.97。结果表明，ERA5-PWV精度满足世界气象组织规定的PWV应用于气象分析与预报应用的精度阈值（3 mm）要求[33]，可用于台风等天气事件的预警预报研究。

由1.3节可知，基于TDOPA-4模型的台风运动状态估计方法要求水汽与台风具备相同的空间变化趋势，即PWV与台风移动状态需保持一致。因此，为了分析台风期间的PWV空间分布与台风移动轨迹之间的关系，对2019年8月9日0时至18时的“利奇马”和2019年8月24日0时至18时“白鹿”台风轨迹附近ERA5-PWV数据进行空间插值，台风总路径和台风期间每6 h台风中心当前位置及PWV的空间分布如图4所示。

图4 台风期间每6 h PWV空间分布

Fig.4 Spatial distributions of PWV every 6 h during typhoons' periods

由图4可知，在台风中心区域（紫色方形）附近水汽明显高于其他区域，随着“利奇马”和“白鹿”台风沿着西北方向前行的过程中，大量的水汽伴随着台风载体沿着相同的路径（黄色菱形）方向运动。两次台风中心附近的PWV空间变化趋势与台风运动趋势高度一致。为了进一步定量估计PWV的运移规律，并评估TDOPA-4模型监测台风运动状态的精度，需要对台风路径上的PWV时间序列进行分析。因此，选取了两次台风期间一段路径周围的ERA5格网点，分析台风临近与远离过程中多个ERA5-PWV序列中的PWV到达时间关系。为了更清晰体现多个连续站点之间的PWV时间序列关系，对ERA5-PWV进行标准化，得到标准化后的SPWV（standard PWV），其计算公式如下

图5 台风路径和附近ERA5格网点

Fig.5 The paths of typhoons and the ERA5 grids around the paths

图6 台风期间PWV时间序列与距台风路径中心距离

Fig.6 PWV time series and distance from typhoon track center during typhoons' periods

由式（17）和图6可知，标准化后的SPWV不改变PWV的增减变化趋势，随着台风的临近SPWV保持持续增长，在距离台风中心区域附近SPWV达到最大，随后台风开始逐渐远离，SPWV出现持续下降。图中红色方框为代表t1至t6时刻SPWV达到最大值点，在1.3节中称为PWV到达时间，其大小可用于表征台风到达的先后次序。上述结果表明，台风移动路径与水汽移动具有相似的移动路径，PWV的空间运移方向能够表征台风运动方向，在台风行进路径周围连续的监测点SPWV时间序列中最大值点出现时间为台风PWV达到时间，由于监测点位置差异性，该时间具有一定的先后次序。

由上文可知，两次台风期间的PWV与台风行进方向一致，在台风路径方向周围的SPWV序列中能够清晰捕捉PWV到达时间，满足1.3节中TDOPA-4模型估计台风运动状态的要求。因此，为了进一步研究该模型验证台风的运动状态精度，分别利用CMA和PGZP提供的台风数据对其进行评估。其中，CMA提供了台风在多个时刻的位置信息，可用于计算相邻时间段的台风平均线速度和运动方向值，PGZP提供了台风在多个时刻的瞬时线速度信息，可作为台风的参考运动速度和方向值对基于PWV数据估计的台风速度与方向进行评估。

在PWV监测站的选择上，根据图3结果可知，距离台风中心附近的PWV显著高于其他区域，因此可通过比较各个站点PWV达到最大值大小，优先选择PWV最大值较大的站点作为估计台风运动状态的站点，并根据达到最大值的时刻进行时间排序。以时间最前的两个站点连线的方向值作为TDOPA-4模型中的台风初始方向角，并根据该两站点水平距离除以PWV到达两站点时间差作为TDOPA-4模型中的台风初始线速度，初始角速度和线加速度均设为零，当相邻的两次迭代值结果相对误差绝对值小于0.01时即停止迭代。图7为CMA参考台风线速度、方向角与TDOPA-4和TDOPA模型估计的结果对比，图8为PGZP参考台风线速度与TDOPA-4和TDOPA模型估计的结果对比。

图7 TDOPA-4和TDOPA模型估计的台风线速度和方向值与CMA对比结果

Fig.7 Comparison results of the TDOPA-4, TDOPA and CMA derived velocity and direction angle of typhoons

图8 TDOPA-4和TDOPA模型估计的台风线速度与PGZP对比结果

Fig.8 Comparison results of TDOPA-4, TDOPA and PGZP derived velocity of typhoons

由图7和图8可知，由TDOPA-4模型估计的台风线速度和运动方向角与CMA和PGZP参考结果具有相似的变化趋势。相较于CMA结果，在台风经过多个ERA5序号点TDOPA-4模型估计的“利奇马”台风线速度和方向角值最大偏差分别8.13 km/h和73.60°，估计的“白鹿”台风线速度和方向角值最大偏差分别12.76 km/h和49.14°；相较于PGZP结果，估计的“利奇马”和“白鹿”台风线速度最大偏差分别为7.71和10.18 km/h。相较于TDOPA-4模型结果，TDOPA模型估计的台风线速度整体更小，主要是由于TDOPA模型假定台风的移动路径近似为直线，其路程小于实际路径，使得在相同的时间下，直线路径估计的线速度偏小。表3为利用TDOPA-4和TDOPA模型对比CMA和PGZP估计的台风线速度和方向角值统计结果。

表3台风线速度和方向角值对比结果

Tab.3 Comparison results of velocity and direction angle

新窗口打开| 下载CSV

由表3可知，相较于CMA产品，TDOPA-4模型估计的台风线速度和方向值平均Bias、RMSE、STD分别为0.25、6.39、6.38 km/h和4.68°、21.59°、20.83°，相较于TDOPA模型，估计的线速度和方向值RMSE分别减小了38.2%和38.3%。相较于PGZP产品，TDOPA-4模型估计的台风线速度平均Bias、RMSE、STD分别为2.23、5.41、4.27 km/h，相较于TDOPA模型，估计的线速度RMSE减小了47.8%。上述结果表明，基于TDOPA-4模型估计的台风运动状态与实际结果较为吻合，可作为台风监测的技术补充。

水汽是预报各类天气事件的重要气象数据源，为了定量研究水汽和台风之间的关系，拓展PWV产品监测台风等极端天气事件中的应用，本文提出了一种基于PWV到达时间差估计台风运动状态的四参数模型。该模型以物体运动的物理四要素（线速度、加速度、方向角和角速度）作为估计台风运动状态的待定参数，根据台风经过时的周围站点PWV时空变化特征时间点出现的时间差建立台风运动的几何模型，并以2019年“利奇马”和“白鹿”两次台风事件为研究案例，利用ERA5-PWV对本文模型的估计结果进行了验证。首先，为了确保ERA5-PWV精度满足气象监测研究的要求，以2019年中国区域14个IGS站和86个探空站的GNSS-PWV和RS-PWV作为参考值对ERA5-PWV进行精度评估，结果表明，ERA5-PWV在中国区域具有较高的精度。与GNSS-PWV相比，ERA5-PWV的整体精度分布较为均匀，平均Bias、RMSE、STD和皮尔逊相关系数分别为0.63、2.79、2.60 mm和0.97；与RS-PWV相比，精度分布整体呈现北高南低的趋势，平均Bias、RMSE、STD和皮尔逊相关系数分别为0.47、2.81、2.51 mm和0.97。然后，分析了两次台风期间水汽的时空运移趋势，结果表明PWV移动方向和台风移动路径方向一致。在空间分布上，在台风中心附近的水汽含量明显高于其他区域，并随着台风路径方向移动；在时间序列上，当台风临近时，水汽具有明显上升趋势，且距离中心附近PWV达到最大，PWV达到最大值的时间点可在沿着台风路径周围的ERA5格网点PWV时序中找到。最后，为了评估TDOPA-4模型估计台风运动状态的精度，利用“利奇马”和“白鹿”路径附近多个ERA5-PWV时序中的PWV到达时间差对台风的线速度和方向角进行了估计，并以CMA和PGZP的台风数据作为参考值进行了对比。结果表明，与CMA结果对比，TDOPA-4模型估计的台风线速度和方向角平均Bias、RMSE、STD分别为0.25、6.39、6.38 km/h和4.68°、21.59°、20.83°；与PGZP结果对比，TDOPA-4模型估计的台风线速度平均Bias、RMSE、STD分别为2.23、5.41、4.27 km/h；相较于TDOPA模型，TDOPA-4模型估计的台风线速度和方向角整体精度提高了43.0%和39.2%。

上述结果表明，PWV可作为新型的台风监测数据源，对台风运动状态进行有效监测。本文采用的PWV数据属于ERA5事后处理结果，在实际的业务中可利用沿海地区、船载和浮标等地基GNSS技术获取高时间分辨率的实时PWV数据以及高空间分辨率的再分析资料预报气象数据等，结合本文提出的TDOPA-4模型对台风的运动趋势进行实时预报。此外，还可以通过卫星遥感、自动气象站和探空气球等多源数据的有效利用建立产品共享交换机制，完善水汽时空监测网络，并有望发展成为一种基于时空水汽信息的台风预报方法。

来源：测绘学报