基于GNSS的北京地區水汽含量與霧霾濃度的相關性分析

段紅志,李 森,張鳳錄,李 剛

(1.北京市測繪設計研究院，北京 100038；2.城市空間信息工程北京市重點實驗室，北京 100038)

近年來隨著我國城鎮化進程的加快，霾災害天氣頻發，尤其在華北地區更為突出，霾災害天氣影響了公眾健康，且給交通出行帶來了不便。為研究霾災害天氣形成機理，國內外學者分析了中國超大城市和環保重點城市的主要污染物的變化[1-3]。隨著全球衛星定位系統在氣象學領域的不斷發展完善，文獻[4—6]從GNSS氣象學的角度，研究分析了GNSS大氣水含量PWV與PM2.5濃度的相關性，發現兩者之間存在正相關性[4-6]；并取得了相應的研究成果，為后期利用該技術實現霧霾災害天氣的監測與預警提供了研究基礎。

本文通過利用GAMIT軟件處理北京地區全年GNSS觀測數據，獲得北京地區春、夏、秋、冬4個季節的可降水量PWV和對流層延遲等相關數據的時間序列，以研究PWV、ZHD與霧霾濃度PM2.5的相關性，為今后北京地區開展霧霾災害天氣監測研究提供一定理論支撐。

1 GNSS反演大氣可降水量方法

1.1 基本原理

GNSS衛星發射的電磁波在到達接收機前要穿過大氣層，由于大氣中有干空氣、電子濃度、水汽等物質的存在導致無線電信號產生延遲，這種時間上的延遲等價于傳播路徑的增長，從而導致GNSS定位誤差的存在。20世紀90年代，文獻[7—8]提出能否利用GNSS接收機接收到的無線電信號反算出大氣中的電子密度、水汽含量等。

GNSS信號延遲表現為兩個方面：一是GNSS傳播路徑由直線變為彎曲；二是與電磁波在真空中的傳播速度相比，電磁波傳播速度減慢。這延遲由傳播路徑上大氣折射指數的變化引起，而這種折射率指數變化與大氣的溫度、壓力、濕度等大氣狀態相關[9]。

Thary提出的電磁波折射率指數表達式為

(1)

(2)

將式(1)代入式(2)可以得到天頂總延遲ZTD

ΔLzd+ΔLzw+ΔLze

(3)

式中，ΔLd、ΔLw、ΔLe分別表示大氣干延遲ZHD、大氣濕延遲、電離層延遲。由于通常情況下，無法得知大氣的Pd,Pw和T的空間分布，因此，Davis將狀態方程式進行引入

(4)

式中，Rd和Rw分別為干空氣比氣體常數和水汽比氣體常數。同時，干延遲使用流體靜力學代替，可得

ΔLs=ΔLzh+ΔLzw+ΔLze

(5)

(6)

ΔLZW=ΔLz-ΔLzd-ΔLze=

(7)

1.2 大氣可降水量(PWV)獲取

令Tm為垂直方向氣壓的加權平均溫度

(8)

則式(6)中的濕延遲

(9)

因此，大氣可降水量(PWV)為單位面積上垂直空氣柱內水汽全部轉化為降水時的降水量高度，PWV為

PWV=∏ΔLzw

(10)

(11)

2 數據處理

為分析北京地區不同季節水汽含量與霧霾濃度相關性，同時考慮北京夏季開始時間為每年的6月，本文收集的GNSS觀測數據從6月1日的夏季開始，以次年5月31日春季結束，保證一周年內每個季節的完整性。本文收集了BJFS國際IGS站2017年6月1日至2018年5月31日，總計365 d的GNSS觀測數據(O文件)、氣象觀測數據(M文件)和北京市空氣質量歷史數據。

選取北京及其周邊穩定的其他5個國際IGS站(CHAN、DEAJ、LHAZ、SHAO和ULAB)，2017年6月1日至2018年5月31日的GNSS觀測數據進行聯合基線解算。GNSS數據處理采用美國MIT/SIO聯合研制的GAMIT/GLOBK(V10.70)精密解算軟件，觀測數據截止衛星高度角為10°，衛星星歷選擇精密星歷，精密星歷參考框架為IGS14，基線處理時所有IGS站均實施松弛約束(100.000 m、100.000 m、100.000 m)，每15 min估算一次大氣可降水量(PWV)，獲得測站的可降水量的時間序列。其中，GNSS導航衛星廣播星歷(.BRDC)和精密軌道(.SP3)均由武漢大學北斗衛星觀測試驗網提供[10-15]。

從全國空氣質量歷史數據官網上可獲得分布于北京市12個環境監測站的采樣率為1 h的實時PM10、PM2.5、CO、NO2、溫度、濕度等反映空氣質量相關數據參數[4]，本次空氣質量監測數據選擇距離BJFS站最近的氣象監測站房山站，以保證兩者大氣條件相同。

3 GNSS水汽與霧霾變化的相關性分析

根據6個國際IGS站分布情況，按照上述數據處理方案計算得到365 d大氣可降水量PWV，重點分析了BJFS站2017年6月1日至2018年5月31日大氣可降水量與該地區的大氣霧霾濃度PM2.5的相關性特征，圖1為全年GNSS反演獲得大氣可降水量PWV與霧霾濃度PM2.5相關性，圖2和圖3分別為夏季和冬季PWV與霧霾濃度PM2.5相關性。

由圖1、圖2、圖3可以看出北京地區春、夏、秋、冬4個季節的大氣可降水量PWV和霧霾濃度PM2.5的相關性表現出較大的差異性，冬季的相關性最強，春秋的相關性次之，夏季的相關性最弱。利用皮爾遜積矩相關系數計算公式，分別計算了夏季和冬季的PWV與霧霾濃度PM2.5相關系數，相關系數分別為0.165和0.432。

由圖4可以發現，連續幾天或更長時間的霧霾天氣和水汽含量相關性比較大，而瞬間或短期的霧霾濃度波動和GNSS大氣水的相關性較弱。根據圖3、圖4兩個關系圖可以發現，霧霾濃度峰值出現的時間較PWV峰值出現的時間存在一定的延遲，這是因為在冬季霧霾濃度隨著水汽含量的增加而逐漸增大。

4 對流層天頂干延遲與霧霾濃度PM2.5相關性

根據上述大氣干延遲ZHD計算原理，利用2017年6月1日至2018年5月31日GNSS觀測數據計算了BJFS站365 d對流層天頂干延遲ZHD，按照上述數據處理方案計算得到365 d ZHD與霧霾濃度PM2.5關系，圖5為GNSS反演ZHD與霧霾濃度PM2.5關系，為重點分析北京地區不同季節ZHD變化與霧霾濃度的相關性，圖6、圖7分別給出了夏季和冬季ZHD變化與霧霾濃度PM2.5的關系。

由圖6、圖7、圖8可以看出，北京地區春、夏、秋、冬4個季節的天頂干延遲ZHD與霧霾濃度的相關性同樣表現出較大的差異性。冬季的相關性最強，但表現為負相關性，春秋的相關性次之，夏季的相關性最弱。利用皮爾遜積矩相關系數計算公式，分別計算了夏季和冬季的PWV與霧霾濃度相關系數，相關系數分別為0.098和-0.422。

5 結 語

通過分析2017年6月1日至2018年5月31日北京地區GNSS大氣水含量與霧霾濃度的相關性，得出如下結論：

(1)北京地區不同季節的PWV、ZHD與霧霾濃度的相關性表現出較大的差異性，冬季的相關性最強，春秋的相關性次之，夏季的相關性最弱。

(2)霧霾濃度除了與季節有著一定的相關性，與當地的氣象條件也密切相關，即使北京冬季的幾天內PWV含量較高，但出現較強的大風，霧霾濃度也未必增高。

(3)雖然在冬季GNSS反演得到的PWV變化在一定程度上能夠反映出霧霾濃度PM2.5的變化趨勢，但是實際霧霾的形成是一個復雜的過程，并且短時間霧霾出現具有較大的隨機性，與大氣中可降水量的多少相關性較弱，因此完全通過大氣中可降水量來監測實際霧霾濃度，還需要進一步深入研究。