烏魯木齊地區(qū)PWV對PM2.5的影響趨勢分析及預測

師 蕓，鄔康康，申靖宇，尹恒毅

0 引言

近年來，隨著我國經濟的快速發(fā)展，越來越多地區(qū)的城市化、工業(yè)化，導致各種污染物排放量急劇上升，空氣中可吸入顆粒物越來越多，造成我國很多城市霧霾天氣日益加劇，對人們的生活及身心健康造成了極大的危害，是各種呼吸道疾病的主要誘因。當前，我國對霧霾監(jiān)測的主要方式是在各個城市建立霧霾監(jiān)測站點，但是此方法存在諸多缺陷：①消耗大量的人力物力；②監(jiān)測點覆蓋密度過低，且有明顯的地域限制；③無法做到實時通報。

由于霧霾發(fā)生時同時會伴隨著水汽、風力、溫度等氣象因素的變化，因此可以利用全球衛(wèi)星導航系統(tǒng)（global navigation satellite system，GNSS）通過對空氣中大氣水汽的監(jiān)測來實現(xiàn)對霧霾天氣的預測。大氣可降水量（precipitable water vapour，PWV）是影響霧霾天氣的重要因素，文獻[1]于1987年通過實驗計算出大氣濕延遲和 PWV的關系，提出通過地基 GNSS探測大氣可降水量的想法。文獻[2]提出利用地面氣象參數(shù)來估算大氣加權平均溫度，由此實現(xiàn)了用地基全球定位系統(tǒng)（global positioning system，GPS）探測大氣水汽含量的技術，并第 1次提出 GPS氣象學（GPS meteorology，GPS/MET）的概念。

隨后在 20世紀 90年代中期，文獻[3]首先把 GNSS技術反演大氣可降水量的方法引進國內，并且將其與探空站和微波輻射計探測得到的大氣可降水量進行比較分析，發(fā)現(xiàn)該方法探測的大氣可降水量與探空站探測得到的可降水量幾乎一致。隨著國內外研究強度的加深，GNSS探測大氣可降水量的精度不斷提高，現(xiàn)在可以達到1.5 mm[4-5]。文獻[6]對西安過去 40 a 霧霾日與氣象因素變化情況進行了分析。文獻[7-8]研究了河北地區(qū)水汽及風速對霧霾指數(shù)即大氣中粒徑小于等于2.5 μm和粒徑小于等于10 μm的顆粒物（PM2.5/PM10）變化的影響，以及霧霾天氣對GNSS天頂對流層延遲和大氣可降水量的影響。文獻[9-11]等分析了北京及西安地區(qū)霧霾與可降水量的相關性。文獻[12]以具有代表性基準網站的城市為目標，對PM2.5與對流層總延遲（zenith total delay，ZTD）進行了相關性分析。以上研究均表明霧霾的形成與大氣可降水量（PWV）的變化密切相關。

本文通過對烏魯木齊國際 GNSS服務組織（International GNSS Service，IGS）站數(shù)據(jù)進行處理分析，獲得大氣可降水量（PWV），并把PWV與霧霾指數(shù)即大氣中粒徑小于等于 2.5 μm 的顆粒物 ， 也稱可入 肺顆粒物（particulate matter 2.5，PM2.5）進行對比分析，以證明該地區(qū)霧霾指數(shù)PM2.5與PWV具有強相關性，并結合其他氣象元素建立適合烏魯木齊地區(qū)的霧霾預測模型，實現(xiàn)對該地區(qū)霧霾變化趨勢的預測。

1 霧霾的形成與變化

霧霾是霧和霾的混合物，霧是1種無毒無害的液態(tài)小水珠，是近地面層空氣中水汽凝結（或凝華）的產物。霾主要由二氧化硫、氮氧化物和可吸入顆粒物這3項組成，它們與霧融合在一起，大大降低了空氣能見度。

PM2.5是霧霾成分中對人體危害最大的成分。空氣中 PM2.5含量越高，霧霾情況也就越嚴重。顆粒物的來源主要有2個方面：①人為因素，例如汽車尾氣排放、工業(yè)廢氣的排放等；②自然因素，例如空氣中成分發(fā)生化學反應、火山噴發(fā)等。而不同地區(qū)不同時期霧霾形成的原因及嚴重程度都有所不同。

為了更好地說明不同時間不同地區(qū)的霧霾變化規(guī)律，本文根據(jù)氣象局提供的2015年1月~12月的霧霾數(shù)據(jù)做了詳細分析，圖 1給出了烏魯木齊與三亞霧霾指數(shù)PM2.5的變化。

由圖1烏魯木齊與三亞霧霾指數(shù)對比可知：

1）烏魯木齊地區(qū)的PM2.5濃度明顯高于三亞地區(qū)，特別是在冬季，最高數(shù)值超過 400 μg·m-3，空氣質量差，污染嚴重。而三亞的全年 PM2.5濃度幾乎都不超過80 μg·m-3，空氣質量明顯較好。

2）1月~2月、11月~12月的PM2.5值相對于其他時間較高，5月~6月PM2.5濃度處于全年最低值，這是由于冬季取暖燃煤較多，且空氣干燥，降雨量少；而夏季雨水充沛，空氣濕度較大，霧霾值比較低，從整體來看，霧霾天氣變化具有明顯的季節(jié)性差異。

3）烏魯木齊地區(qū)1 a中霧霾天氣的天數(shù)要比三亞多得多。從整體上看，烏魯木齊地區(qū)的霧霾指數(shù)高于三亞。三亞瀕臨海域，空氣濕度遠高于烏魯木齊，顯然，降雨量及工業(yè)發(fā)展都是影響霧霾形成的原因。

2 GNSS技術獲取水汽的原理

對流層是指從地面至距地面以上 50 km范圍內的大氣層，對流層中包含了75 %的大氣的質量和超過90 %的水汽含量[13]。

GPS衛(wèi)星發(fā)射信號穿過大氣層時會產生信號延遲，分別是對流層延遲和電離層延遲，這是由于大氣折射造成的。通過雙頻接收機或者常用的電離層模型可以基本消除電離層延遲，從而獲得 ZTD。天頂對流層總延遲等于濕延遲（zenith wet delay，ZWD）和靜力學延遲（zenith hydrostatic delay，ZHD）之和，靜力學延遲可以通過經典模型（Saastamoinen模型、Hopfiled模型和 Black模型）計算所得，其中最常用的為Saastamoinen模型[14]，其計算公式為

式中： P0代表地面氣壓，單位為 mbar；φ代表測站的地心大地緯度，單位為(°) ；h代表測站大地高，單位為km；)f(h，φ)為由于地球自轉引起的重力加速度變化的改正。

由于用經驗模型計算濕延遲時需要知道地面水汽壓，這樣不僅增加了地面氣象要素的觀測數(shù)量，也增大了氣象要素觀測誤差對濕延遲計算精度的影響，會導致計算精度不高[15-16]。因此，一般不直接去求濕延遲，而是通過總延遲減去靜力學延遲來得到天頂濕延遲[17]，則濕延遲可寫為

式（4）中∏是濕延遲與 PWV的轉換系數(shù)，又稱之為無量綱比例因子。

基于上述算法即可獲得大氣可降水量，從而為后續(xù)研究水汽與霧霾的變化規(guī)律提供重要保障。具體流程如圖2所示。

圖2 GPS反演PWV流程

3 霧霾與PWV變化的相關性分析

為了研究霧霾指數(shù) PM2.5與 PWV的關系，本文以烏魯木齊地區(qū)為例，利用 IGS站 URUM、BJFS、LHAZ、CUSV、PIMO等5個站點的2015年的 IGS數(shù)據(jù)作為實驗對象。圖 3為 IGS測站分布示意圖。

圖3 GPS測站分布

本文利用了IGS官網發(fā)布的烏魯木齊站2015年11月至12月份的數(shù)據(jù)（觀測文件和氣象文件），通過聯(lián)測周邊BJFS、LHAZ、CUSV、PIMO等4個遠距離IGS站，使用GAMIT軟件解算獲取烏魯木齊站的對流層延遲產品，結合本站的氣象文件獲取時間分辨率為1 h的PWV。然后與在中國空氣質量在線監(jiān)測分析平臺獲取時間采樣率為 1次/小時的霧霾數(shù)據(jù)（PM2.5）進行對比，作出PWV與PM2.5的時間序列如圖4所示，進一步得出PM2.5與PWV的相關性。

由圖4可知:

1）烏魯木齊地區(qū) PWV含量較低，PM2.5濃度較高，從月度變化來看，GNSS水汽PWV與霧霾指數(shù) PM2.5表現(xiàn)出一定的負相關性，即隨之PWV值的降低，霧霾指數(shù)PM2.5逐漸變大；GNSS水汽值最低，霧霾指數(shù)達到最大。

2）相對來說，11月份水汽含量相對較高，12月份水汽含量較低。但無論水汽含量高低，水汽含量減少時，霧霾指數(shù)PM2.5都會呈上升趨勢。

為了進一步分析霧霾形成時PM2.5與PWV的相關性，在上述采集的數(shù)據(jù)中提取年積日第 334、347、354天的數(shù)據(jù)進行對比，以小時（h）為單位更加清晰地表達了PM2.5與PWV的變化趨勢，如圖5~圖7所示。

由圖5~圖7可知：

1）在霧霾天氣形成過程中，PM2.5與PWV隨時間變化有很強的正相關性，特別是在霧霾嚴重的天氣，相關性更明顯。

2）霧霾發(fā)生時會伴隨著GPS水汽上升，加劇霧霾天氣的形成，當 GPS 水汽持續(xù)上升達到一定峰值或形成降水時，又會緩解霧霾天氣的影響。

3）霧霾天氣的形成和空氣中顆粒物含量密切相關，隨著大氣中的水汽增加，PM2.5濃度會逐漸升高；當水汽含量不斷升高，并形成降水時便稀釋了空氣中PM2.5濃度，從而降低霧霾天氣的影響，提高了空氣質量。

4 建立多元線性回歸分析模型

PM2.5的濃度不僅與PWV密切相關，而且受其他空氣因素的影響，例如一氧化碳（carbon monoxide，CO）、二氧化氮（nitrogen dioxide，NO2）、臭氧 O3、二氧化硫（sulfur dioxide，SO2）、大氣中粒徑小于等于 10 μm 的顆粒物（particulate matter 10，PM10）、風力、溫度等。為了能準確預測PM2.5的變化趨勢，綜合考慮各種因素，建立了多元回歸分析模型，從統(tǒng)計學角度分析PM2.5的形成因素，為烏魯木齊地區(qū)的霧霾天氣預測提供參考。

圖4 2015年11月~12月烏魯木齊PM2.5與PWV時間序列

圖 5 2015年 11月 30日 PM2.5與 PWV對比

圖 6 2015年 12月 13日 PM2.5與 PWV對比

圖 7 2015年 12月 20日 PM2.5與 PWV對比

圖8 是烏魯木齊市2015年11月1日至2015年12月31日的空氣質量綜合監(jiān)測值，監(jiān)測指標包括空氣質量指數(shù)（air quality index，AQI）、PM2.5、PM10、SO2、CO、NO2、O3、溫度、濕度、風級等10項指標。

圖 8 2015年11月1日-2015年12月31日烏魯木齊空氣質量綜合監(jiān)測值

由圖 8可知 PM2.5的濃度與 AQI、PM2.5、PM10、SO2、CO、NO2、O3、溫度、濕度、風級都具有一定相關性，其中與濕度、AQI、PM10的相關性較高，與SO2、O3、溫度、風級的相關性較低。而 AQI作為空氣污染指數(shù)，監(jiān)測內容已經包括PM2.5，所以不適合作為影響PM2.5的因素，濕度變化則是由PWV變化引起的，同一因素不應重復考慮。因此以PWV、CO、NO2、PM10、作為自變量建立多元回歸分析模型。設線性模型為

結合上述因素做線性回歸分析，得到結果如表1及表2所示。

表1 模型系數(shù)

表2 模型摘要

由表可知：調整后的R2為0.914，表示因變量Y（標準化后的PM2.5質量濃度）的91.4 %可以由建立的模型解釋，顯著性遠小于0.05；B表示各個自變量在回歸方程中的系數(shù)，但是由于每個自變量的量綱和取值范圍不同，基于 B并不能反映各個自變量對因變量影響程度的大小，這時候就要借助標準系數(shù)，也就是表 1中的 Beta，此時數(shù)值越大表示對自變量的影響更大。

綜上所述，該模型具有較好的擬合度，可以確定線性回歸方程為

為了驗證該模型的準確性，選擇2016年1月12日~16日，26日~28日 2個時段進行驗證，將該時段內的PM10、PWV、NO2、CO值代入上述模型得到 PM2.5的預測值，將得到的預測值與實際值作比較得到圖9及圖10。

圖9 2016年1月12日~16日PM2.5濃度預測值與實際值對比

圖10 2016年1月26日~29日PM2.5濃度預測值與實際值對比

由圖9、圖10可以看出：

1）整體來看，PM2.5質量濃度預測值與實際值之間整體趨勢相近，保持著良好的相似關系，且預測值整體低于實際值。

2）局部時段有預測不準確的情況，這是因為PM2.5質量濃度不僅受PM10、PWV、NO2、CO的影響，還受風速、溫度、濕度等因素的影響。

3）由于URUM站與霧霾監(jiān)測站在站址和高度上都不同，所以實際值和預測值存在一定偏差，綜合圖9、圖10來看，由模型預測到的PM2.5濃度和實際 PM2.5濃度符合程度較好，相關系數(shù)達到0.915，平均偏差在20 mm以內，均方根誤差(root mean square error，RMSE）為 8.12 mm，標準差為3.42 mm。由此可見，通過該模型對PM2.5濃度變化趨勢進行預測是切實可行的。

5 結束語

本文使用 GNSS反演技術對烏魯木齊地區(qū)2015年的 IGS站數(shù)據(jù)進行處理分析得到 URUM站的 PWV值，并把 PWV值與霧霾指數(shù) PM2.5對比分析，發(fā)現(xiàn)：從月度變化來看，GNSS水汽PWV與霧霾指數(shù)PM2.5表現(xiàn)出一定的負相關性；但在霧霾形成過程中2者變化趨勢基本一致，具有很強的正相關性。為了實現(xiàn)對PM2.5更準確的預測，還綜合同期的 PM10、PWV、NO2、CO等影響因素建立多元回歸分析模型。將模型預測得到的PM2.5濃度和實際PM2.5濃度進行對比，2者相關系數(shù)達到0.915，平均偏差在20 mm以內，RMSE為 8.12 mm，標準差為 3.42 mm，根據(jù)驗證結果和建模指標可以看出，建立的多元線性回歸分析模型可以很好地實現(xiàn)對 PM2.5質量濃度的預測。

隨著城市GNSS網的逐步建立，使用GNSS站監(jiān)測霧霾的可行性越來越高，屆時將大大減少人力物力的投入，同時也可以為霧霾監(jiān)測提供更及時有效的信息。