區域CORS網在PM2.5監測中的應用研究

，，，，

(1. 河南省地質礦產勘查開發局測繪地理信息院，河南 鄭州 450006; 2. 長安大學地質工程與測繪學院，陜西 西安 710054)

在我國內陸地區，霧霾多集中在大氣水汽含量較少的秋冬季節，根據相關研究發現，PM2.5是降低能見度的元兇，對人們的生產生活影響十分嚴重。目前監測PM2.5的方法主要依托地面監測站對空氣中的顆粒物進行監測，而在一些中小城市的監測站偏少，使得PM2.5的監測具有一定的局限性。

近幾年，國內外的專家學者利用GNSS反演技術來研究大氣顆粒污染物。張雙成等選擇北京地區進行研究，發現PM2.5與大氣水汽都有季節性變化的特征，在一年的變化中，霧霾在GNSS水汽含量較低的季節最嚴重。王勇等比較2013年北京地區PM2.5/PM10資料和GNSS可降水量發現：冬季PM2.5/PM10與GNSS可降水量相關系數大于0.5，表現出明顯的正相關性，在降雨較多的夏季相關性不明顯。王勇等又以河北省兩次重度霧霾期間地基GNSS水汽和PM2.5濃度指數為試驗數據，對比分析了兩者之間的關系，其相關系數大于0.6，為顯著的正相關性，SIG值小于0.01。張雙成等研究了西安地區霧霾的成因，并發現GNSS水汽含量和霧霾的形成過程有密切的聯系，冬春季水汽含量與霧霾指數具有正相關性[1-9]。這些相關研究詮釋了PM2.5與大氣水汽和天頂對流層延遲之間的聯系。

河南地區霧霾天氣情況日益嚴峻，現有的監測PM2.5方法卻存在一定的時空局限性，在一些中小城市地區很難進行監測。GNSS技術具有高效、低成本、實時監測、覆蓋范圍廣及時空分辨率高等特點[10]，研究基于區域CORS網的PM2.5濃度監測具有必要性及現實意義。

1 數據來源與處理方法

本文試驗中所采用的數據來源于河南省CORS網中35個測站的GNSS觀測數據。利用雙差技術處理局部區域GNSS網數據時，由于相近的兩個測站間的衛星高度角較接近，信號傳播路徑基本一致，不能精確解算出各測站的水汽值。為了解決此問題，選取了CHAN、GMSD、LHAZ、PIMO等4個IGS站作為本次試驗的網外輔助站[11-13]。試驗中所采用的IGS站數據和廣播星歷數據與精密星歷是由武漢大學IGS數據中心提供。試驗中所采用的PM2.5監測指數數據是由全國城市空氣質量實時發布平臺提供的PM2.5濃度指數數據，采樣間隔為1 h，日期為2015年12月3—16日，年積日為337—350 d。

本文的GNSS數據選用GAMIT 10.6進行解算，衛星截止高度角設置為10°，基線解算模式選擇Relax，對流層延遲采用1 h估值。由于解算過程中加入了CHAN、GMSD、LHAZ、PIMO等4個IGS站作為網外輔助站，因此，得到的天頂對流層延遲為絕對估值。根據所選取的研究區域內CORS站所采集的地面實測氣象資料，即可解算出大氣可降水量PWV[14-16]。

2 大氣可降水量與PM2.5相關性分析

霧霾形成和消散是由天氣條件、環境因素和人為因素共同影響決定的。河南地區霧霾形成的主要原因是工業廢氣和汽車尾氣及冬季供暖，由于河南地區處于中國內陸，屬于暖溫帶至亞熱帶、濕潤至半濕潤季風氣候，秋冬季節干燥少雨，因此在秋冬季節霧霾更容易爆發，持續時間更長。

2.1 PWV與PM2.5整體相關性分析

試驗把解算得到的測站PWV數據和地面監測站測得的PM2.5指數數據放在相同的時間軸中進行對比分析，如圖1和圖2所示。

通過圖1和圖2可知，兩個測站大氣可降水量PWV與PM2.5之間均存在著明顯的相關關系，為了探究PWV與PM2.5之間的相關性，通過程序分別計算開封站和平頂山站PWV與PM2.5的相關指數，其絕對值分別為0.594 1和0.597 8，均通過了0.01顯著性檢驗，證明大氣可降水量與PM2.5之間存在著明顯的相關性，相關指數均為正值，因此兩者之間存在著正相關關系。

從圖1和圖2可以看出：在整個霧霾發生至消散的過程中，整體上大氣可降水量PWV會隨著PM2.5的加重而上升，當PM2.5濃度降低時會隨之下降。在霧霾嚴重的時間段，大氣可降水量PWV隨著PM2.5濃度的升高而下降，隨著PM2.5的濃度減小而增加，但是PWV值始終較未有霧霾出現時高。在霧霾持續爆發期間，當PM2.5急劇下降時，PWV會迅速升高。PWV對PM2.5比較敏感，當PM2.5產生微小波動時PWV都會有明顯的變化。

根據試驗分析發現：通過PWV對PM2.5監測的時空分辨率非常高，反應也十分明顯。由于雨雪和大風等天氣都會對霧霾的波動產生一定的影響，查閱相關天氣資料，在年積日346 d上述測站地區開始出現3級風，PM2.5濃度隨之下降，但濃度依然在污染指標范疇內，年積日348 d出現了大風和伴隨降雨，因此在348 d前一段時間內PWV整體呈上升趨勢。

2.2 霧霾期PWV與PM2.5間24 h時空分布分析

霧霾發生前后不同時期大氣可降水量PWV的時空分布趨勢基本相同，而在霧霾爆發期間大氣可降水量會出現波動比較劇烈的情況，為了深入探究霧霾發生期間PWV的波動情況與實測PM2.5之間的關系，試驗選取河南CORS站中開封和平頂山兩個測站在霧霾持續期2015年12月10日的觀測值數據解算出PWV和實測的PM2.5數據進行比較分析，結果如圖3和圖4所示。

通過圖3和圖4可知，以上兩個測站在重度污染的一天中PWV的整體走勢與PM2.5的走勢一致，在上午5時前會隨著PM2.5的濃度升高而升高。圖3在上午5時至中午時分由于當天開封地區有短時3級左右的風(開封地區一年四季風比較頻繁)，使空氣中較高濃度的PM2.5得到輕微稀釋，因此會出現大氣可降水量下降幅度較小而PM2.5濃度下降相對較大。午后至傍晚時分PM2.5與大氣可降水量基本上都會維持在一定的值附近波動，在日落以后兩者均會出現逐漸下降現象。通過圖中這些現象可以看出在水汽含量較低的冬季，大氣可降水量PWV與空氣中微小顆粒物PM2.5之間存在著緊密的正相關關系。

3 PM2.5實時監測模型的建立

將大氣可降水量PWV作為自變量(橫軸變量)，PM2.5數據作為因變量(縱軸變量)描繪出兩者的散點分布圖，每個站點都選擇以1 h為單位的2015年霧霾頻發冬季的數據，數據量滿足擬合要求，然后進行回歸分析。本文主要以開封站和平頂山站為例來進行建模研究，結果如圖5和6所示。

根據圖中隨機點的分布特性進行擬合，試驗中開封站和平頂山站分別試用了傅里葉逼近、指數逼近、多項式逼近、有理數逼近等多種方法進行擬合，結果發現只有多項式擬合R2值最為理想。以開封站為例，將多項式采用不同的類型進行檢驗，分別選擇一次多項式、二次多項式、三次多項式、四次多項式、五次多項式和六次多項式進行擬合，R2分別為0.989 6、0.972 1、0.970 5、0.968 8、0.957 3和0.940 2，根據計算出的R2并結合圖形走勢與隨機樣本的分布情況發現只有一次多項式最適合。然后利用同樣的方法對平頂山站的隨機樣本進行了擬合分析，結果只有一次多項式最能代表兩者之間的關系。

試驗中研究的開封站和平頂山站通過PWV對PM2.5的實時監測模型分別為

Y=11.37X+23.259

Y=11.46X+5.251

式中，X代表大氣可降水量PWV；Y代表空氣中大氣污染物PM2.5的值。其中兩個模型的R2分別為0.989 6和0.989 5，R2的數值越接近1，說明模型代表兩者之間的關系越強，通過兩個模型R2值能夠驗證該模型的可靠性。為了更深入地驗證該模型的實用性，利用2015年霧霾頻發期的數據隨機選取進行檢驗，結果見表1。

由表1可知，通過回歸分析方法得到的PM2.5監測模型計算出的結果和地面監測到的PM2.5值具有很強的相關性，表中最小的絕對誤差值為1.474，而最大的絕對誤差值為19.481 9，但是再通過相對誤差值可驗證出該監測模型的適用性很強。

本文主要以開封站和平頂山站為例進行分析，并得到了比較理想的結果，河南省其他地區也可采用此方法進行實時監測模型建立。

表1采用回歸估算模型PWV對PM2.5的估值與實測值對比

測站名稱日期模型計算實際監測絕對誤差相對誤差/(%)開封2015-11-16135.281911619.481916.792015-11-2349.0613454.06139.032015-12-22151.61731465.61733.852015-12-2555.664558-2.33554.03平頂山2015-11-07105.526 107-1.474 1.382015-12-0298.645944.64554.942015-12-18172.1671188-15.82368.422015-12-2546.7362433.73628.69

4 結 語

通過大氣可降水量PWV與PM2.5相關性試驗分析發現：冬季水汽含量較少，懸浮顆粒物在少量水汽的作用下極易形成霧霾；河南地區PM2.5與PWV之間存在著緊密的正相關關系；在無風和降雨發生時，在霧霾發生期間大氣可降水量的24 h波動情況與PM2.5一致，并且當PM2.5變化時，PWV反應很靈敏；然后，依據PM2.5與PWV之間的相關關系，采用數學回歸分析方法建立PM2.5實時監測模型并通過驗證結果和建模指標，從而驗證了該模型適用于PM2.5實時監測，可以為霧霾的防治提供實時參考資料。