Tropospheric water vapor is one of the most important trace gases of the Earth's climate system, and its temporal and spatial distribution is critical for the genesis of clouds and precipitation. Due to the pronounced dynamics of the atmosphere and the nonlinear relation of air temperature and saturated vapor pressure, it is highly variable, which hampers the development of high-resolution and three-dimensional maps of regional extent. With their complementary high temporal and spatial resolutions, Global Navigation Satellite Systems (GNSS) meteorology and Interferometric Synthetic Aperture Radar (InSAR) satellite remote sensing represent a significant alternative to generally sparsely distributed radio sounding observations. In addition, data fusion with collocation and tomographical methods enables the construction of detailed maps in either two or three dimensions. Finally, by assimilation of these observation-derived datasets with dynamical regional atmospheric models, tropospheric water vapor fields can be determined with high spatial and continuous temporal resolution. In the following, a collection of basic and processed datasets, obtained with the above-listed methods, is presented that describes the state and course of atmospheric water vapor for the extent of the GNSS Upper Rhine Graben Network (GURN) region. The dataset contains hourly 2D fields of integrated water vapor (IWV) and 3D fields of water vapor density (WVD) for four multi-week, variable season periods between April 2016 and October 2018 at a spatial resolution of (2.1 km)². Zenith total delay (ZTD) from GNSS and collocation and refractivities are provided as intermediate products. InSAR (Sentinel-1A/B)-derived double differential slant total delay phases (ddSTDPs) and GNSS-based ZTDs are available for March 2015 to July 2019. The validation of data assimilation with five independent GNSS stations for IWV shows improving Kling–Gupta efficiency (KGE) scores for all seasons, most notably for summer, with collocation data assimilation (KGE = 0.92) versus the open-cycle simulation (KGE = 0.69). The full dataset can be obtained from https://doi.org/10.1594/PANGAEA.936447 (Fersch et al., 2021).

中文翻译：

---

对流层水汽：跨国上莱茵地堑地区的全面高分辨率数据收集

对流层水汽是地球气候系统最重要的微量气体之一，其时空分布对云和降水的形成至关重要。由于大气的显着动态以及气温和饱和水汽压的非线性关系，它变化很大，这阻碍了区域范围的高分辨率和三维地图的开发。凭借其互补的高时间和空间分辨率，全球导航卫星系统 (GNSS) 气象学和干涉合成孔径雷达 (InSAR) 卫星遥感代表了通常稀疏分布的无线电探测观测的重要替代方案。此外，数据融合与配置和层析成像方法可以构建二维或三维的详细地图。最后，通过将这些观测数据集与动态区域大气模型同化，可以确定具有高空间和连续时间分辨率的对流层水汽场。在下文中，介绍了通过上述方法获得的一组基本和处理过的数据集，这些数据集描述了 GNSS 上莱茵地堑网络 (GURN) 区域范围内大气水汽的状态和过程。该数据集包含 2016 年 4 月至 2018 年 10 月之间四个多周可变季节周期的每小时 2D 综合水汽场 (IWV) 和 3D 水汽密度场 (WVD)，空间分辨率为（2.1 公里）通过将这些观测得出的数据集与动态区域大气模型同化，可以确定具有高空间和连续时间分辨率的对流层水汽场。在下文中，介绍了通过上述方法获得的一组基本和处理过的数据集，这些数据集描述了 GNSS 上莱茵地堑网络 (GURN) 区域范围内大气水汽的状态和过程。该数据集包含 2016 年 4 月至 2018 年 10 月之间四个多周可变季节周期的每小时 2D 综合水汽场 (IWV) 和 3D 水汽密度场 (WVD)，空间分辨率为（2.1 公里）通过将这些观测得出的数据集与动态区域大气模型同化，可以确定具有高空间和连续时间分辨率的对流层水汽场。在下文中，介绍了通过上述方法获得的一组基本和处理过的数据集，这些数据集描述了 GNSS 上莱茵地堑网络 (GURN) 区域范围内大气水汽的状态和过程。该数据集包含 2016 年 4 月至 2018 年 10 月之间四个多周可变季节周期的每小时 2D 综合水汽场 (IWV) 和 3D 水汽密度场 (WVD)，空间分辨率为（2.1 公里）可以用高空间和连续时间分辨率确定对流层水汽场。在下文中，介绍了通过上述方法获得的一组基本和处理过的数据集，这些数据集描述了 GNSS 上莱茵地堑网络 (GURN) 区域范围内大气水汽的状态和过程。该数据集包含 2016 年 4 月至 2018 年 10 月之间四个多周可变季节周期的每小时 2D 综合水汽场 (IWV) 和 3D 水汽密度场 (WVD)，空间分辨率为（2.1 公里）可以用高空间和连续时间分辨率确定对流层水汽场。在下文中，介绍了通过上述方法获得的一组基本和处理过的数据集，这些数据集描述了 GNSS 上莱茵地堑网络 (GURN) 区域范围内大气水汽的状态和过程。该数据集包含 2016 年 4 月至 2018 年 10 月之间四个多周可变季节周期的每小时 2D 综合水汽场 (IWV) 和 3D 水汽密度场 (WVD)，空间分辨率为（2.1 公里）² . 来自 GNSS 的天顶总延迟 (ZTD) 以及配置和折射率作为中间产品提供。InSAR (Sentinel-1A/B) 衍生的双微分倾斜总延迟相位 (ddSTDPs) 和基于 GNSS 的 ZTD 可在 2015 年 3 月至 2019 年 7 月使用。对 IWV 的五个独立 GNSS 站的数据同化验证表明改进了 Kling–Gupta所有季节的效率 (KGE) 得分，尤其是夏季，搭配数据同化 (KGE  =  0.92) 与开放循环模拟 (KGE  =  0.69)。完整的数据集可以从 https://doi.org/10.1594/PANGAEA.936447 获得（Fersch 等人，2021）。