烏魯木齊地區(qū)PWV對(duì)PM2.5的影響趨勢(shì)分析及預(yù)測(cè)

師 蕓，鄔康康，申靖宇，尹恒毅

0 引言

近年來(lái)，隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，越來(lái)越多地區(qū)的城市化、工業(yè)化，導(dǎo)致各種污染物排放量急劇上升，空氣中可吸入顆粒物越來(lái)越多，造成我國(guó)很多城市霧霾天氣日益加劇，對(duì)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(dāng)前，我國(guó)對(duì)霧霾監(jiān)測(cè)的主要方式是在各個(gè)城市建立霧霾監(jiān)測(cè)站點(diǎn)，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(cè)點(diǎn)覆蓋密度過(guò)低，且有明顯的地域限制；③無(wú)法做到實(shí)時(shí)通報(bào)。

由于霧霾發(fā)生時(shí)同時(shí)會(huì)伴隨著水汽、風(fēng)力、溫度等氣象因素的變化，因此可以利用全球衛(wèi)星導(dǎo)航系統(tǒng)（global navigation satellite system，GNSS）通過(guò)對(duì)空氣中大氣水汽的監(jiān)測(cè)來(lái)實(shí)現(xiàn)對(duì)霧霾天氣的預(yù)測(cè)。大氣可降水量（precipitable water vapour，PWV）是影響霧霾天氣的重要因素，文獻(xiàn)[1]于1987年通過(guò)實(shí)驗(yàn)計(jì)算出大氣濕延遲和 PWV的關(guān)系，提出通過(guò)地基 GNSS探測(cè)大氣可降水量的想法。文獻(xiàn)[2]提出利用地面氣象參數(shù)來(lái)估算大氣加權(quán)平均溫度，由此實(shí)現(xiàn)了用地基全球定位系統(tǒng)（global positioning system，GPS）探測(cè)大氣水汽含量的技術(shù)，并第 1次提出 GPS氣象學(xué)（GPS meteorology，GPS/MET）的概念。

隨后在 20世紀(jì) 90年代中期，文獻(xiàn)[3]首先把 GNSS技術(shù)反演大氣可降水量的方法引進(jìn)國(guó)內(nèi)，并且將其與探空站和微波輻射計(jì)探測(cè)得到的大氣可降水量進(jìn)行比較分析，發(fā)現(xiàn)該方法探測(cè)的大氣可降水量與探空站探測(cè)得到的可降水量幾乎一致。隨著國(guó)內(nèi)外研究強(qiáng)度的加深，GNSS探測(cè)大氣可降水量的精度不斷提高，現(xiàn)在可以達(dá)到1.5 mm[4-5]。文獻(xiàn)[6]對(duì)西安過(guò)去 40 a 霧霾日與氣象因素變化情況進(jìn)行了分析。文獻(xiàn)[7-8]研究了河北地區(qū)水汽及風(fēng)速對(duì)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(duì)GNSS天頂對(duì)流層延遲和大氣可降水量的影響。文獻(xiàn)[9-11]等分析了北京及西安地區(qū)霧霾與可降水量的相關(guān)性。文獻(xiàn)[12]以具有代表性基準(zhǔn)網(wǎng)站的城市為目標(biāo)，對(duì)PM2.5與對(duì)流層總延遲（zenith total delay，ZTD）進(jìn)行了相關(guān)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(guān)。

本文通過(guò)對(duì)烏魯木齊國(guó)際 GNSS服務(wù)組織（International GNSS Service，IGS）站數(shù)據(jù)進(jìn)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(jìn)行對(duì)比分析，以證明該地區(qū)霧霾指數(shù)PM2.5與PWV具有強(qiáng)相關(guān)性，并結(jié)合其他氣象元素建立適合烏魯木齊地區(qū)的霧霾預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)該地區(qū)霧霾變化趨勢(shì)的預(yù)測(cè)。

1 霧霾的形成與變化

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

PM2.5是霧霾成分中對(duì)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(yán)重。顆粒物的來(lái)源主要有2個(gè)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(xué)反應(yīng)、火山噴發(fā)等。而不同地區(qū)不同時(shí)期霧霾形成的原因及嚴(yán)重程度都有所不同。

為了更好地說(shuō)明不同時(shí)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(xì)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(duì)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(guò) 400 μg·m-3，空氣質(zhì)量差，污染嚴(yán)重。而三亞的全年 PM2.5濃度幾乎都不超過(guò)80 μg·m-3，空氣質(zhì)量明顯較好。

2）1月~2月、11月~12月的PM2.5值相對(duì)于其他時(shí)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(lái)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(yuǎn)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(shù)獲取水汽的原理

對(duì)流層是指從地面至距地面以上 50 km范圍內(nèi)的大氣層，對(duì)流層中包含了75 %的大氣的質(zhì)量和超過(guò)90 %的水汽含量[13]。

GPS衛(wèi)星發(fā)射信號(hào)穿過(guò)大氣層時(shí)會(huì)產(chǎn)生信號(hào)延遲，分別是對(duì)流層延遲和電離層延遲，這是由于大氣折射造成的。通過(guò)雙頻接收機(jī)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(duì)流層總延遲等于濕延遲（zenith wet delay，ZWD）和靜力學(xué)延遲（zenith hydrostatic delay，ZHD）之和，靜力學(xué)延遲可以通過(guò)經(jīng)典模型（Saastamoinen模型、Hopfiled模型和 Black模型）計(jì)算所得，其中最常用的為Saastamoinen模型[14]，其計(jì)算公式為

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

由于用經(jīng)驗(yàn)?zāi)Ｐ陀?jì)算濕延遲時(shí)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(cè)數(shù)量，也增大了氣象要素觀測(cè)誤差對(duì)濕延遲計(jì)算精度的影響，會(huì)導(dǎo)致計(jì)算精度不高[15-16]。因此，一般不直接去求濕延遲，而是通過(guò)總延遲減去靜力學(xué)延遲來(lái)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(zhuǎn)換系數(shù)，又稱之為無(wú)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(guān)性分析

為了研究霧霾指數(shù) PM2.5與 PWV的關(guān)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(gè)站點(diǎn)的2015年的 IGS數(shù)據(jù)作為實(shí)驗(yàn)對(duì)象。圖 3為 IGS測(cè)站分布示意圖。

圖3 GPS測(cè)站分布

本文利用了IGS官網(wǎng)發(fā)布的烏魯木齊站2015年11月至12月份的數(shù)據(jù)（觀測(cè)文件和氣象文件），通過(guò)聯(lián)測(cè)周邊BJFS、LHAZ、CUSV、PIMO等4個(gè)遠(yuǎn)距離IGS站，使用GAMIT軟件解算獲取烏魯木齊站的對(duì)流層延遲產(chǎn)品，結(jié)合本站的氣象文件獲取時(shí)間分辨率為1 h的PWV。然后與在中國(guó)空氣質(zhì)量在線監(jiān)測(cè)分析平臺(tái)獲取時(shí)間采樣率為 1次/小時(shí)的霧霾數(shù)據(jù)（PM2.5）進(jìn)行對(duì)比，作出PWV與PM2.5的時(shí)間序列如圖4所示，進(jìn)一步得出PM2.5與PWV的相關(guān)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(lái)看，GNSS水汽PWV與霧霾指數(shù) PM2.5表現(xiàn)出一定的負(fù)相關(guān)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(dá)到最大。

2）相對(duì)來(lái)說(shuō)，11月份水汽含量相對(duì)較高，12月份水汽含量較低。但無(wú)論水汽含量高低，水汽含量減少時(shí)，霧霾指數(shù)PM2.5都會(huì)呈上升趨勢(shì)。

為了進(jìn)一步分析霧霾形成時(shí)PM2.5與PWV的相關(guān)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(jìn)行對(duì)比，以小時(shí)（h）為單位更加清晰地表達(dá)了PM2.5與PWV的變化趨勢(shì)，如圖5~圖7所示。

由圖5~圖7可知：

1）在霧霾天氣形成過(guò)程中，PM2.5與PWV隨時(shí)間變化有很強(qiáng)的正相關(guān)性，特別是在霧霾嚴(yán)重的天氣，相關(guān)性更明顯。

2）霧霾發(fā)生時(shí)會(huì)伴隨著GPS水汽上升，加劇霧霾天氣的形成，當(dāng) GPS 水汽持續(xù)上升達(dá)到一定峰值或形成降水時(shí)，又會(huì)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(guān)，隨著大氣中的水汽增加，PM2.5濃度會(huì)逐漸升高；當(dāng)水汽含量不斷升高，并形成降水時(shí)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(zhì)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(guān)，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(fēng)力、溫度等。為了能準(zhǔn)確預(yù)測(cè)PM2.5的變化趨勢(shì)，綜合考慮各種因素，建立了多元回歸分析模型，從統(tǒng)計(jì)學(xué)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(yù)測(cè)提供參考。

圖4 2015年11月~12月烏魯木齊PM2.5與PWV時(shí)間序列

圖 5 2015年 11月 30日 PM2.5與 PWV對(duì)比

圖 6 2015年 12月 13日 PM2.5與 PWV對(duì)比

圖 7 2015年 12月 20日 PM2.5與 PWV對(duì)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(zhì)量綜合監(jiān)測(cè)值，監(jiān)測(cè)指標(biāo)包括空氣質(zhì)量指數(shù)（air quality index，AQI）、PM2.5、PM10、SO2、CO、NO2、O3、溫度、濕度、風(fēng)級(jí)等10項(xiàng)指標(biāo)。

圖 8 2015年11月1日-2015年12月31日烏魯木齊空氣質(zhì)量綜合監(jiān)測(cè)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(fēng)級(jí)都具有一定相關(guān)性，其中與濕度、AQI、PM10的相關(guān)性較高，與SO2、O3、溫度、風(fēng)級(jí)的相關(guān)性較低。而 AQI作為空氣污染指數(shù)，監(jiān)測(cè)內(nèi)容已經(jīng)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(yīng)重復(fù)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(shè)線性模型為

結(jié)合上述因素做線性回歸分析，得到結(jié)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(diào)整后的R2為0.914，表示因變量Y（標(biāo)準(zhǔn)化后的PM2.5質(zhì)量濃度）的91.4 %可以由建立的模型解釋，顯著性遠(yuǎn)小于0.05；B表示各個(gè)自變量在回歸方程中的系數(shù)，但是由于每個(gè)自變量的量綱和取值范圍不同，基于 B并不能反映各個(gè)自變量對(duì)因變量影響程度的大小，這時(shí)候就要借助標(biāo)準(zhǔn)系數(shù)，也就是表 1中的 Beta，此時(shí)數(shù)值越大表示對(duì)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(yàn)證該模型的準(zhǔn)確性，選擇2016年1月12日~16日，26日~28日 2個(gè)時(shí)段進(jìn)行驗(yàn)證，將該時(shí)段內(nèi)的PM10、PWV、NO2、CO值代入上述模型得到 PM2.5的預(yù)測(cè)值，將得到的預(yù)測(cè)值與實(shí)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(yù)測(cè)值與實(shí)際值對(duì)比

圖10 2016年1月26日~29日PM2.5濃度預(yù)測(cè)值與實(shí)際值對(duì)比

由圖9、圖10可以看出：

1）整體來(lái)看，PM2.5質(zhì)量濃度預(yù)測(cè)值與實(shí)際值之間整體趨勢(shì)相近，保持著良好的相似關(guān)系，且預(yù)測(cè)值整體低于實(shí)際值。

2）局部時(shí)段有預(yù)測(cè)不準(zhǔn)確的情況，這是因?yàn)镻M2.5質(zhì)量濃度不僅受PM10、PWV、NO2、CO的影響，還受風(fēng)速、溫度、濕度等因素的影響。

3）由于URUM站與霧霾監(jiān)測(cè)站在站址和高度上都不同，所以實(shí)際值和預(yù)測(cè)值存在一定偏差，綜合圖9、圖10來(lái)看，由模型預(yù)測(cè)到的PM2.5濃度和實(shí)際 PM2.5濃度符合程度較好，相關(guān)系數(shù)達(dá)到0.915，平均偏差在20 mm以內(nèi)，均方根誤差(root mean square error，RMSE）為 8.12 mm，標(biāo)準(zhǔn)差為3.42 mm。由此可見(jiàn)，通過(guò)該模型對(duì)PM2.5濃度變化趨勢(shì)進(jìn)行預(yù)測(cè)是切實(shí)可行的。

5 結(jié)束語(yǔ)

本文使用 GNSS反演技術(shù)對(duì)烏魯木齊地區(qū)2015年的 IGS站數(shù)據(jù)進(jìn)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(duì)比分析，發(fā)現(xiàn)：從月度變化來(lái)看，GNSS水汽PWV與霧霾指數(shù)PM2.5表現(xiàn)出一定的負(fù)相關(guān)性；但在霧霾形成過(guò)程中2者變化趨勢(shì)基本一致，具有很強(qiáng)的正相關(guān)性。為了實(shí)現(xiàn)對(duì)PM2.5更準(zhǔn)確的預(yù)測(cè)，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(yù)測(cè)得到的PM2.5濃度和實(shí)際PM2.5濃度進(jìn)行對(duì)比，2者相關(guān)系數(shù)達(dá)到0.915，平均偏差在20 mm以內(nèi)，RMSE為 8.12 mm，標(biāo)準(zhǔn)差為 3.42 mm，根據(jù)驗(yàn)證結(jié)果和建模指標(biāo)可以看出，建立的多元線性回歸分析模型可以很好地實(shí)現(xiàn)對(duì) PM2.5質(zhì)量濃度的預(yù)測(cè)。

隨著城市GNSS網(wǎng)的逐步建立，使用GNSS站監(jiān)測(cè)霧霾的可行性越來(lái)越高，屆時(shí)將大大減少人力物力的投入，同時(shí)也可以為霧霾監(jiān)測(cè)提供更及時(shí)有效的信息。