引言

大气中的水汽是一种重要的温室气体，在辐射收支、水循环和天气气候中扮演关键角色，精确探测水汽有重要意义。大气可降水量(precipitable water，PW)，又称为柱水汽含量，所表示的是若地表单位面积上空气柱内包含的水汽，全部凝结成降水落下所形成的水层深度，是一个有广泛应用的重要参量(郑斯中和杨德卿，1962；Liu et al，2005)。长期以来，探空观测是大气水汽探测的主要手段(郑斯中和杨德卿，1962；杨景梅和邱金桓，2002)，探空方法比较精确，但探空站点个数和日探测次数都比较少是其主要缺点。其他方法也常为研究者所采用，如基于地面湿度参量计算(杨景梅和邱金桓，2002；申彦波等，2016)，地基GPS反演(Bevis et al，1992；毛节泰，1993；李成才等，1999；王继竹等，2014)，卫星遥感反演(Jedlovec，1990；Suggs et al，1998；李万彪等，1998；师春香和谢正辉，2005)及再分析资料计算(李光伟等，2015；王雨等，2015；陈丹等，2016；任倩等，2017)等。尤其近年来，Terra卫星的MODIS，Aqua卫星的AIRS等卫星探测提供了包括大气可降水量在内的高空间分辨率水汽估计产品(Gao et al，1992；Parkinson，2003；谷晓平等，2009)。

在过去，通常是采用空间和时间相匹配的探空观测来对卫星水汽反演产品进行检验。探空观测可以提供湿度廓线和大气可降水量(PW)产品，可作为卫星反演的湿度产品(如大气可降水量)检验研究的一个基础(Kleespies and McMillin, 1990；Divakarla et al，2006；McMillin et al，2007)。地基GPS提供了大气可降水量估计，可以利用GPS观测对水汽进行连续监测(Bevis et al，1992；毛节泰，1993；李成才等，1999；Rocken et al，1997；Bastin et al，2005)。相对于探空观测，地基GPS大气水汽探测具有高时间分辨率、高精度和全天候的特点(毛节泰，1993；梁宏等，2006)。近年来，许多研究者利用探空、地基GPS、太阳光度计等观测对MODIS等卫星反演水汽产品进行了广泛的对比检验(Li et al，2003；King et al，2003；Prasad and Singh, 2009；Thomas et al，2011)。利用地基GPS探测对印度地区MODIS和AIRS水汽产品检验结果显示，MODIS反演的近红外和红外水汽产品相比地基GPS探测均存在高估(Prasad and Singh, 2009)。谷晓平等(2009)指出贵州地区从MODIS仪器第18和19两个波段表观反射率反演的大气可降水量比EOS网站发布的MODIS近红外水汽反演结果更接近实际探测的结果。Raja et al(2008)利用2004年6个月地基GPS水汽数据对AIRS大气可降水量产品进行了检验，发现与地基GPS探测相比，AIRS探测对美国地区大气可降水量估计结果存在系统性季节偏差，并讨论了空间和时间匹配对偏差、均方根误差的影响。闵文彬等(2015)利用探空数据对FY-2E的PW产品在青藏高原东南部地区可靠性进行了分析。

FY-2静止卫星反演的晴空大气可降水量产品具有较高时间分辨率(3 h)和较高空间分辨率(10 km)的特点(许健民等，2008)。FY-2卫星大气可降水量产品在干旱、暴雨预报等业务中有重要应用，但缺乏对其精度和在不同地区适用性的详细对比分析。本文利用北京、武汉、海口和拉萨四站地基GPS水汽探测，研究了FY-2卫星晴空大气可降水量产品的变化和精度。对两个独立数据集作了偏差、均方根误差和相关系数的对比分析，并进一步对FY-2卫星水汽产品进行了详细的月、季节和日变化分析与检验。结合月(干、湿)和季节观测偏差的主要变化趋势对FY-2卫星大气可降水量产品的相对精度及偏差原因进行了分析，以期为FY-2卫星水汽产品反演精度的提高和在天气预报等业务中进一步应用提供参考依据。

1 资料和方法 1.1 资料介绍

本文选取了气候具有代表性且同时具有探空和地基GPS观测的北京、武汉、海口和拉萨四个典型站点进行分析。研究使用的实测对比资料包括探空资料和地基GPS水汽资料。探空大气可降水量数据利用美国国家气候数据中心提供的全球站点无线电探空资料数据集(IGRA)计算得到(Durre et al，2009)。FY-2卫星反演晴空大气可降水量产品来自国家卫星气象中心，主要使用了FY-2E卫星数据，由于卫星调整，2015年部分数据来自FY-2G探测(6—12月)，空间分辨率为0.1°×0.1°，FY-2卫星大气可降水量产品采用红外分裂窗物理反演算法反演(Suggs et al，1998；李万彪等，1998；师春香和谢正辉，2005)。该产品数据只有在晴空条件下有效，有云时数据为无效数据，时间分辨率为8次/天(许健民等，2008)。北京、武汉等IGS跟踪站数据及精密星历数据从IGS网站(http://www.igs.org/)下载。海口地基GPS观测站资料由海口市气象局提供，本文选取地基GPS观测的时间段为海口站资料较齐全的2012和2015年，地基GPS资料时间分辨率为0.5 h一次。为了与FY-2卫星晴空大气可降水量产品时次一致，探空和地基GPS观测也仅选取与FY-2相匹配的晴空条件下的观测数据。

1.2 地基GPS和卫星反演大气可降水量

Bevis et al(1992)首先提出了采用地基GPS探测遥感大气可降水量的原理。国内许多研究者对用地基GPS资料反演大气可降水量的方法进行了详细叙述(Bevis et al，1992；毛节泰，1993；李成才等，1999；梁宏等，2006；Li et al，2003)。地基GPS反演大气可降水量基本原理可简述为，当GPS卫星信号传输经过大气层时，会受到大气的折射而产生时间延迟，大气延迟量可划分为电离层延迟和对流层总延迟。对流层总延迟包括两部分：静力延迟和湿项延迟。通过采用双频技术可以精确确定电离层延迟。利用地面气压、地理纬度和海拔高度，通过静力延迟模型可以得到精确的天顶静力延迟项，天顶对流层延迟中减去天顶静力延迟项可得到毫米量级的湿项延迟(李成才等，1999)。湿项延迟与大气可降水量可建立严格的正比关系，从而求解出精确的大气可降水量。

本研究采用GAMIT/GLOBK软件进行GPS数据解算，GAMIT/GLOBK是由美国麻省理工学院和斯克里普斯海洋研究所联合研制的高精度GPS处理软件。为提高解算精度，同时使用了上海、乌鲁木齐和拉萨等长基线跟踪站数据和精密星历数据来参与解算。解算流程主要包括：数据准备、参数表文件准备、解算延迟项和GPS大气可降水量的反演。数据准备包括：更新table目录数据，下载所需广播星历、精密星历及IGS站观测数据。解算湿项延迟时，静力延迟采用Saastamoinen静力学延迟模型计算(Saastamoinen，1972)，利用GAMIT解算得到时间间隔0.5 h的天顶对流层延迟和湿项延迟，GPS大气可降水量计算时，先利用地面气温与大气加权平均温度(T_m)的线性模型得到T_m，本文使用了通用的Bevis T_m模型(Bevis et al，1992)，再利用转换系数公式得到大气可降水量。

卫星遥感可以获取大尺度的大气可降水量数据，目前主要反演方法包括：近红外、热红外方法和微波方法。热红外方法是利用卫星11和12 μm的红外分裂窗通道反演大气可降水量，主要原理是水汽在两个通道存在吸收，两通道亮温差与大气可降水量有关(Suggs et al，1998；李万彪等，1998)。当云存在时，卫星红外通道接收的是云顶及以上大气发射的辐射，利用红外通道反演大气可降水量方法只适用于晴空条件。

红外分裂窗通道反演大气可降水量包括统计分裂窗反演方法和物理分裂窗反演方法，FY-2晴空大气可降水量产品采用了物理分裂窗方法反演(师春香和谢正辉，2005；许健民等，2008)。云检测是实现大气可降水量反演的第一步。分裂窗反演大气可降水量的物理方法主要原理是基于大气辐射传输方程，利用数学上的小扰动理论，将辐射传输方程转化为容易求解的线性方程，利用两红外通道卫星观测，通过求解二元线性方程组，得到相对于初始值的偏移量(Suggs et al，1998；李万彪等，1998；师春香和谢正辉，2005)。

1.3 质量控制与数据匹配

参考Raja et al(2008)的方法，首先进行数据质量控制，剔除无效反演值。FY-2卫星水汽产品与地基GPS观测数据对的匹配规则如下：FY-2与GPS观测时间差小于0.5 h；FY-2产品位于距离GPS站点位置0.15°范围以内；FY-2在晴空条件才反演水汽产品，因此当两个数据PW值都同时没有缺测，才进行匹配，否则数据对记为缺测。

1.4 地基GPS与探空对比

首先利用探空数据对地基GPS反演的大气降水量精度进行了检验。2012和2015年北京、武汉、海口和拉萨四站GPS反演大气可降水量(简称GPS/PW，PW_GPS)和探空计算得到的大气可降水量(简称IGRA/PW，PW_IGRA)统计结果如表 1所示。北京、武汉、海口和拉萨站相关系数分别为0.972、0.966、0.936和0.938，显示了比较好的相关性。

除拉萨站外，其他三站平均偏差绝对值均小于1 mm，其中北京站数值最小为0.01 mm。海口和武汉站GPS/PW与IGRA/PW的平均偏差均为负值，GPS/PW略大于IGRA/PW。三站的均方根误差范围为3.5~4.9 mm，海口和北京站GPS/PW与IGRA/PW的均方根误差分别为4.78和3.59 mm。线性回归结果显示，北京、武汉和海口站截距均为正值。PW相对偏差(平均偏差占IGRA/PW平均值百分比)分别为0.06%(北京)、-0.90%(武汉)和-2.06%(海口)。北京、武汉和海口相对偏差绝对值均小于2.1%。拉萨站的PW平均偏差绝对值为-0.96 mm，较其他三站略偏大，可能原因是拉萨站高原无线电探空探测的PW自身存在明显“干偏差”(梁宏等，2012)。以上结果说明，四站GPS/PW与探空IGRA/PW均有较好的一致性，GPS探测结果有较高的精度。GPS/PW可作为站点大气可降水量的基准值，从而用于分析FY-2晴空大气可降水量(简称FY-2/PW，PW_FY-2)的适用性。

2 结果分析 2.1 PW/GPS与PW/FY-2的年和季节对比

表 2为利用2012和2015年数据计算的GPS/PW与FY-2/PW年、春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12—2月)相关及统计结果。北京、武汉、海口和拉萨站GPS/PW与FY-2/PW数据对总数分别为2364、2000、1643和1654对。

与GPS探测结果相比，北京、武汉、海口和拉萨四站FY-2/PW产品全年平均偏差(PW_GPS-PW_FY-2)均为负值，其中北京站平均偏差绝对值最大，为11.22 mm，海口站平均偏差绝对值最小，为0.89 mm (表 2)。四个站点不同季节的平均偏差存在比较大差异，北京站四季平均偏差有一个明显的变化特征：-14.64 mm(春季)、2.67(夏季)、-4.11(秋季)和-27.11(冬季)。值得注意的是北部站点(北京)夏季平均偏差为正值，其他季节为负值，而南部站点(海口和武汉)则在秋季平均偏差为正值，其他季节为负值。三站均具有夏季GPS/PW平均值最大，对应的平均偏差绝对值也最小的特征。以海口站为例，在四个季节中，海口夏季GPS/PW平均值最大(51.90 mm)，但对应FY-2/PW夏季平均偏差绝对值最小(0.1 mm)。海口、北京和武汉三站冬季GPS/PW平均值是四个季节中最小值，对应冬季平均偏差绝对值则是四个季节中最大值。

四个站点GPS/PW与FY-2/PW的全年相关系数分别为-0.002(北京)、0.691(武汉)、0.892(海口)和-0.025(拉萨)，可以看出南部站点(海口和武汉)GPS/PW与FY-2/PW相关性明显高于北部站点(北京和拉萨)。北京站夏季相关系数最大(0.815)，其他季节相关系数为负值(表 2)。

图 1为四个站点(北京、武汉、海口和拉萨)GPS/PW与FY-2/PW散点分布及相关结果，不同颜色的散点代表不同季节。北京和武汉站冬季PW散点与其他季节明显分布于两个区域，与其他三季相比，冬季FY-2/PW数值相对GPS/PW明显偏大，两者对应关系一般(图 1a和1b)。FY-2/PW与GPS/PW相关性高的海口站则不存在这种现象，海口站四个季节PW散点均位于回归线附近。北京站冬季FY-2/PW最小值和最大值分别为1.5和71.25 mm，GPS/PW最小值和最大值则分别为0.14和12.73 mm，2012和2015年北京站探空计算的冬季PW最大则为12.32 mm，说明北京站冬季FY-2/PW最大值异常偏大。

值得注意是，北京和武汉站冬季大部分GPS/PW观测值小于20 mm，而海口冬季大部分GPS/PW值则大于20 mm，变化范围为：10~40 mm。拉萨站四季GPS/PW平均值均小于20 mm(表 2)，PW平均偏差分别为-21.05 mm(春)、2.92 mm(夏)、-6.35 mm(秋)和-5.01 mm(冬)，对应相对偏差分别为190%、17%、58%和153%。选择GPS/PW大于20 mm的GPS与FY-2数据对进行相关分析显示(图略)，北京、武汉、海口和拉萨四站全年相关系数分别为0.794、0.920、0.872和-0.098，数据对总数分别为592、1027、1567和188对，表明剔除GPS/PW＜20 mm的数据对后，北京和武汉站FY-2/PW与GPS/PW均有更强相关性。拉萨站四季和其他三站冬季FY-2/PW最大值异常偏大原因可能与FY-2/PW反演算法本身有关，需进一步分析。

2.2 PW/GPS与PW/FY-2的月对比

图 2和图 3分别为四个站点GPS/PW数据对相关系数与月平均PW_GPS、平均偏差与均方根误差等统计参量的月变化，其中月平均PW_GPS是2012和2015年PW_GPS的两年平均值。海口站12个月月相关系数均大于0.6，12月数值最大(0.897)，9月最小(0.616)，平均偏差最小的月份是12月，最小值为0.26 mm(图 2c和图 3c)。

北京和武汉站部分月份相关系数为负值，北京站6—9月GPS/PW与FY-2/PW为正相关，其他月份则为负相关，相关系数变化范围为：-0.71~ 0.853。武汉站冬季月份(12，1和2月)FY-2/PW与GPS/PW为负相关，9月月相关系数最大(0.917)。北京、武汉和海口三站1—12月月平均GPS/PW最大值均发生于夏季月份，分别为：33.41 mm(7月)、50.93 mm(7月)、52.76 mm(6月)。三站月平均GPS/PW最小值则均发生于冬季，其值分别为：2.98 mm(2月)、10.16 mm(1月)、21.01 mm(1月)。

北京站RMSE最小值为4.86 mm，发生于夏季(8月)，冬季月份最大，最大值为41.83 mm(1月)，正相关月份(6—9月)均方根误差变化范围为4.86~8.54 mm，负相关月份均方根误差变化范围为8.00~41.83 mm，正相关月份均方根误差变化范围明显小于负相关月份(图 3a)。北京站月平均偏差的绝对值最小值为0.35 mm(10月)，最大值为38.25 mm (1月)。相关系数为正值的月份其月平均偏差同样为正值，为负值的月份其平均偏差也为负值(图 2a和图 3a)。武汉站正相关月份均方根误差均小于10.4 mm，相关系数为负值月份均方根误差分别为14.36 mm (12月)、27.00 mm(1月)和22.15 mm(2月)。以上分析表明，北京和武汉站夏季月份GPS/PW与FY-2/PW一致性好于冬季月份。

从图 2a和图 3a中可以看出，当北京站GPS/PW月均值大于20 mm时，平均偏差和均方根误差均较小，GPS/PW与FY-2/PW比较一致；当GPS/PW月均值小于20 mm时，负平均偏差变大，GPS/PW与FY-2/PW差异增大。武汉站同样存在此现象，如武汉站冬季(12—2月)GPS/PW月均值变化范围为：8.11~18.42 mm，对应月份的平均偏差绝对值明显比其他月份大，2月月平均偏差绝对值最大，最大值为24.58 mm。海口站所有月份GPS/PW月均值均大于20 mm，大部分月份月平均偏差位于0附近，偏差绝对值小于8.8 mm，冬春季月份平均偏差为负值。

拉萨站12个月份GPS/PW月均值均小于20 mm，冬季月份相关系数为正值，但数值较其他三站偏小，其他月份相关系数为负值(图 2d)。6—9月月平均偏差和均方根误差绝对值较小，其他月份绝对值逐渐增大。

2.3 平均偏差日变化

分别选取2年中春季、夏季、秋季和冬季一天6个时次GPS与FY-2的PW匹配数据进行对比分析。图 4和图 5分别为四个季节北京、武汉、海口和拉萨站PW平均偏差(PW_GPS-PW_FY-2)和均方根误差的日变化，时间为世界时。从图 4中可以看出，冬季和春季，四站点大部分时次平均偏差为负值，说明四站冬季和春季大部分时次FY-2反演PW值存在高估。

北京站PW平均偏差在四个季节均有明显日变化，夏季与秋季平均偏差日变化相似，白天(00—12时)平均偏差逐渐增加，夏、秋季分别于09和12时达到峰值，夜间(12—21时)平均偏差逐渐减小，夏、秋季谷值均发生于18时。冬季与春季平均偏差日变化也类似，平均偏差的峰值均发生于18时(北京时02时)，分别为-23.8和-6.2 mm。分季节看，夏、秋季平均偏差日变化比较平缓，变化范围分别为1.4~4.7和-6.1~-1.4 mm，冬、春季PW平均偏差最大绝对值分别为30.6和17.6 mm。夏季全部时次的平均偏差为正值，其他三个季节则相反，为负值，说明北京站夏季各时次FY-2卫星的PW反演值存在干偏差，FY-2/PW存在低估，相比GPS/PW，FY-2/PW在春、秋和冬季所有时次均存在高估。

与北京站类似，武汉站也存在较明显的日变化，春、夏和秋季PW平均偏差日变化范围为-4.8~2.3 mm，冬季平均偏差日变化范围为-17.1~ -12.6 mm (图 4b)。武汉站秋季所有时次PW平均偏差为正值，春、夏季平均偏差则分别在18时(北京时02时)和06时(北京时14时)为正值，其他时次为负值。与北京站相比，武汉站四季各时次平均偏差绝对值明显减小，FY-2/PW与GPS/PW趋于更一致。

与北京和武汉站相比，海口站四季平均偏差各时次差异不大，夏季与秋季平均偏差日变化曲线比较类似，变化范围为-0.7~2.0 mm(图 4c)。春季平均偏差变化幅度略大，18时达到峰值(-1.7 mm)，12时达到谷值(-5.6 mm)。海口站春季、夏季和秋季均方根误差没有明显的日变化，大部分时次位于5 mm线附近(图 5c)；与其他三个季节相比，武汉站冬季各时次均方根误差明显偏大，且有较明显的日变化，09时达到谷值(18.9 mm)，03和18时达到峰值(＞22 mm)；对于同一时次，北京站冬季均方根误差最大，春季次之，夏季最小。冬、春和秋季均方根误差的日变化也比较明显。

拉萨站冬、春季日变化幅度明显大于夏、秋季，四季日变化幅度也均明显大于其他三站，说明与其他三站相比拉萨站FY-2/PW产品反演质量受日变化影响更明显。四个站点冬季和春季日变化对FY-2/PW产品反演质量影响均大于夏季和秋季。

2.4 偏差随PW的变化

GPS/PW与FY-2/PW平均偏差(圆点)及均方根误差(竖线)随GPS/PW的变化如图 6所示，平均偏差是依据不同GPS/PW区间对偏差值作平均，分区间隔为5 mm。总体上看，三站FY-2反演大气可降水量平均偏差绝对值都随着GPS/PW增大而减小。与月平均偏差逐月变化类似，北京、武汉和海口站PW平均偏差也存在PW大于20 mm区间和小于20 mm区间差异明显的现象。当GPS/PW大于20 mm时，北京、武汉和海口站PW偏差均值绝对值分别小于5.4、2.0和4.2 mm，而当GPS/PW值从20 mm减小，对应湿度较低时，三站PW平均偏差均为负值，其绝对值逐渐增大(图 6)。当GPS/PW位于最小区间时，北京、武汉和海口三站PW偏差均值的绝对值最大，分别为30.9、26.14和14.2 mm (图 6)。与其他三站不同，拉萨站GPS/PW在大于30 mm的区间没有数据分布，GPS/PW在15~25 mm区间时，PW偏差均值绝对值最小，其他区间逐渐增大。以上分析表明，GPS/PW数值大小对大气可降水量偏差有重要影响。

北京、武汉和海口站PW偏差的均方根误差在GPS/PW大于20 mm区间与小于20 mm区间也存在明显差异。总体看，与GPS/PW大于20 mm区间的均方根误差相比，当GPS/PW小于20 mm时，三站均方根误差均明显偏大。海口站GPS/PW位于大于20 mm的区间，均方根误差变化范围为3.99~7.82 mm，而当GPS/PW位于小于20 mm的区间时，均方根误差变化范围为6.94~14.27 mm。当GPS/PW分别位于大于和小于20 mm的区间时，对应北京站、武汉站PW偏差均方根误差最大值分别为9.60和36.55 mm、5.92和28.49 mm。当GPS/PW大于20 mm时，平均偏差和均方根误差较小。当GPS/PW小于20 mm时，三站PW平均偏差为负值且均方根误差较大，说明FY-2卫星反演PW结果存在高估，反演精度偏低。

2.5 PW偏差成因分析

当GPS/PW小于20 mm时，北京、武汉、海口和拉萨四站PW平均偏差均为负值，说明FY-2卫星反演PW存在湿偏差(图 6)，GPS/PW小于10 mm时，北京和武汉站PW平均偏差及均方根误差均迅速增大，海口站GPS/PW最小值在10 mm附近，则没有此现象。利用探空IGRA/PW与FY-2/PW数据对比分析结果显示，当IGRA/PW小于10 mm时，北京和武汉站也存在FY-2/PW平均偏差及均方根误差均迅速增大现象(图略)。

为进一步分析原因，选取大气湿度非常低，PW值较小的个例进行分析。图 7是2015年1月3日20时FY-2E卫星反演的PW空间分布，空白区域无数据(缺测或有云存在)，四个站点位置用红圈标注。四站20时GPS/PW观测值分别为：3.19 mm (北京)、14.74 mm(武汉)、24.53 mm(海口)、4.07 mm(拉萨)，四站点探空观测结果为：3.83 mm(北京)、10.19 mm (武汉)、24.23 mm(海口)、2.67 mm(拉萨)。可见冬季北部三站PW值均较小。而对应的FY-2/PW产品则分别为：41.75 mm(北京)、28 mm(武汉)、31.25 mm(海口)、33.5 mm(拉萨)。20时北京、武汉和海口站PW偏差分别为：-38.56、-13.26、-6.72、-29.43 mm。个例结果也说明GPS/PW小于20 mm，大气湿度偏干时，PW偏差较大。从图 7可看出，在北部、西北、青藏高原及云与晴空边界区域，20时FY-2/PW大于60 mm，存在明显偏差，可能与FY-2/PW反演算法本身和云检测结果精度有关。

Suggs et al(1998)指出在大气非常干条件下，分裂窗方法反演PW误差很大。来自12 μm通道非大气水汽吸收会引起PW反演湿偏差(Guillory et al，1993)。这说明在大气湿度非常低，PW值较小的条件下，物理分裂窗反演方法本身的局限性是造成PW反演误差迅速增大的重要原因。

3 结论

利用四站(北京、武汉、海口和拉萨)2012和2015年FY-2卫星资料与地基GPS水汽资料，对FY-2/PW反演精度及两者差异进行了详细对比分析，并初步分析反演误差成因。得到结论如下：

(1) 北京、武汉和海口三站PW日平均偏差和月平均偏差绝对值均存在夏季最小，春秋季次之，冬季最大的现象。在夏季三站FY-2/PW与GPS/PW均存在显著正相关，均方根误差均小于冬季，FY-2/PW反演质量高于冬季。FY-2卫星反演PW产品在夏季和低纬度地区具有较高的可靠性。

(2) 北京与武汉站PW平均偏差和均方根误差在四季均有明显日变化，北京站夏、秋季分别于09和12时达到峰值，夏、秋季谷值均发生于18时。夏季全部时次的平均偏差为正值，其他三个季节则相反，为负值。与北京站相比，武汉站四季各时次平均偏差绝对值明显减小，FY-2/PW与GPS/PW趋于更一致；海口站四季平均偏差和均方根误差在各时次差异不大，春、夏和秋三季大部分时次均方根误差位于5 mm线附近；拉萨站冬春季日变化幅度明显大于夏、秋季，四季日变化幅度明显大于其他三站。

(3) 当PW值大于20 mm时，北京、武汉、海口和拉萨站FY-2/PW与GPS/PW比较一致，PW偏差均值的绝对值和均方根误差较小；当PW值小于20 mm时，即湿度较低时，FY-2卫星反演PW的偏差均值绝对值和均方根误差迅速变大，反演精度降低。物理分裂窗反演方法本身局限性是造成PW反演误差迅速增大重要原因。GPS/PW大小对FY-2/PW反演精度有重要影响。