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(zhèn)化進程的加快，霾災害天氣頻發(fā)，尤其在華北地區(qū)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(huán)保重點城市的主要污染物的變化[1-3]。隨著全球衛(wèi)星定位系統(tǒng)在氣象學領域的不斷發(fā)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(fā)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(jiān)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(qū)全年GNSS觀測數據，獲得北京地區(qū)春、夏、秋、冬4個季節(jié)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(qū)開展霧霾災害天氣監(jiān)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(wèi)星發(fā)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?yōu)閺澢?；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(tài)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(tài)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(qū)不同季節(jié)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(jié)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(wěn)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(lián)合基線解算。GNSS數據處理采用美國MIT/SIO聯(lián)合研制的GAMIT/GLOBK(V10.70)精密解算軟件，觀測數據截止衛(wèi)星高度角為10°，衛(wèi)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(wèi)星廣播星歷(.BRDC)和精密軌道(.SP3)均由武漢大學北斗衛(wèi)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(huán)境監(jiān)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(jiān)測數據選擇距離BJFS站最近的氣象監(jiān)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(qū)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(qū)春、夏、秋、冬4個季節(jié)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(fā)現，連續(xù)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(fā)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(qū)不同季節(jié)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(qū)春、夏、秋、冬4個季節(jié)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(qū)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(qū)不同季節(jié)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(jié)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(jiān)測實際霧霾濃度，還需要進一步深入研究。