基于PWV差值方法分析沙塵暴期間GNSS PWV與大氣顆粒物相關性

謝鵬

( 貴州省地礦局測繪院, 貴陽 550081 )

0 引言

沙塵暴是中國北方地區常見的自然災害，對自然環境、國民經濟和人類健康造成了極大地損害[1-2].2021年3月14日至15日晨，受冷空氣影響，河北北部、北京、遼寧西部、吉林西部等地區出現沙塵暴天氣，這是近10年我國北方遭遇強度最大的一次沙塵天氣過程. 此次沙塵暴過程對我國北方地區的自然環境和人類健康造成了很大地不利影響[3]. 受冷空氣大風影響，2021年3月27日起，我國西北大部、華北及東北地區受到沙塵暴的影響，再次出現揚沙或浮塵天氣. 因此，及時的監測沙塵暴的發展情況對保護人民生命安全具有重要意義.

近年來，隨著GNSS的快速發展，通過提高時空分辨率，提供大范圍、實時、高精度的對流層產品，有效地消除了傳統探測技術的不足，促進了GNSS在氣象學領域的發展[4-6]. GNSS技術具備成本低，站點分布廣泛及全天候不間斷觀測等優點[7-9]，使得GNSS技術在霧霾、暴雨、臺風等天氣及森林火災等災害的監測中得到了廣泛的應用[10-13]，并且在數值天氣預報領域取得了較好的效果.

魏鵬志等[14]通過利用大氣可降水量(precipitable water vapor，PWV)、風速和大氣顆粒物濃度數據，為中南地區的春節期間細顆粒物(particulate matter,PM2.5)濃度建立了地理加權回歸、地理加權回歸克里金和地理加權回歸規則樣條模型，該模式為該區域春節期間PM2.5監測預警提供了實用的參考價值. 周永江等[15]通過引入時間和空氣質量指數作為數據選取標準，并應用Spearman秩相關系數，針對2014—2016年北京市霧霾高發期的PWV和PM2.5數據進行分析，結果顯示在霧霾天氣下兩者具有單調正向的相關性. Liu等[16]探討了PM2.5、風速和PWV之間的關系，基于WRF-Chem模型進行研究. 該研究使用地面站數據驗證了WRF-Chem模型預測的PM2.5濃度值，并分析了PM2.5與風速或PWV之間的關系. 研究使用北京房山(BJFS)站的GNSS數據，通過皮爾遜相關系數和定量分析，探討了GNSS反演的PWV與其多個內外部影響因素(包括天頂對流層延遲、天頂靜力延遲、天頂濕延遲、地表溫度和PM2.5)之間的關系，結果表明，GNSS站上的天頂對流層延遲在短期天氣和霧霾預測中具有重要應用價值. Guo等[17]研究使用BJFS站的GNSS數據，通過相關系數和定量分析，探討了GNSS PWV與其多個內外部影響因素(包括天頂對流層延遲、天頂靜力延遲、天頂濕延遲、地表溫度和PM2.5)之間的關系，結果表明，GNSS站上的天頂對流層延遲在短期天氣和霧霾預測中具有重要應用價值. 王勇等[18]分別開展PM2.5濃度與大氣污染物、GNSS PWV及風速的相關性分析，并利用反向傳播神經網絡構建PM2.5濃度模型并進行精度評估，得到了較好地效果. 上述大部分研究僅考慮了PWV自身與顆粒物之間的關系，未對PWV中由顆粒物引起的部分進行探討. ERA5模型提供的PWV數據僅包含水汽的影響，而GNSS反演的PWV則包含水汽和非標準大氣的影響. 因此理論上ERA5模型提供的PWV與GNSS反演的PWV之差(ΔGNSS PWV)即為大氣中除了水汽和標準大氣之外成分的影響，在沙塵暴發生時，大氣顆粒物占其中的主要部分.

鑒于現有研究現狀和不足，本文以2021年3月15日中國北方沙塵暴為例，基于位于寧夏中衛(NXZW)、BJFS和吉林長春(CHAN)的3個GNSS站的數據，分析PWV與大氣顆粒物（PM10、PM2.5、SUM_PM(PM10+PM2.5)之間的關系，并提出PWV差值的方法，進一步研究PWV差值與大氣顆粒物的相關性.

1 數據和方法

1.1 研究區域和數據

本文使用的3個GNSS測站的數據時間跨度為2021年3月1日至3月27日，數據采樣率為30 s.利用GAMIT/GLOBK 10.6軟件進行解算，使用Saastamoinen對流層模型和GMF映射函數，每1 h解算一次對流層參數. 使用FES2004海潮模型進行海潮改正.

同時還選用了ERA5模型提供的PWV數據作為參考，ERA5提供從地球表面延伸到大氣頂部的PWV數據，數據格網大小為0.25°，時間分辨率為1 h.

選擇PM10/PM2.5數據表征沙塵暴的情況，數據取自全球空氣質量數據平臺(https://aqicn.org/dataplatform/register/)，數據時段為2021年3月1日至3月27日.

1.2 研究方法

利用GNSS載波相位觀測方程將對流層總延遲(zenith total delay，ZTD)作為未知參數求解[16]

式中：i為接收機；j為衛星；為接收機到衛星的幾何距離；c為光速； dti為接收器鐘差； dtj為衛星鐘差；M為對流層映射函數；為電離層延遲； λf相位觀測的波長；為相位模糊度；為其他誤差. 然后使用Saastamoinen模型計算對流層干延遲(zenith hydrostatic delay, ZHD)[19]

式中：P為大氣壓；L為GNSS站點的緯度；H為GNSS站點的高. ZTD減去ZHD得到對流層濕延遲，然后依據經驗方程(3)可求得GNSS反演GNSS PWV值[18]

式中：gs(氣體常數)= 461 ± 0.003 Jkg-1K-1； ρw為液體水密度；k2=24 ± 11 kPa-1，k3=3.75 ± 0.03 K2kPa-1；Tm為大氣垂直剖面的加權平均溫度.

GNSS干延遲僅包含標準大氣條件下的影響，而大氣顆粒物不包括在標準大氣中. 因此，大氣顆粒物的影響會被傳播到濕延遲中，而GNSS PWV是由濕延遲計算而來. 因此，大氣顆粒物的影響會在PWV中得以反映. 而ERA5模型中的PWV僅考慮了水汽的影響，因此兩種技術獲得的PWV之間的差異包含了所有大氣顆粒物的影響. 受顆粒物影響的PWV差值表示為

通過式(1)～(4)計算，得到了受顆粒物影響的ΔGNSSPWV.

2 結果與分析

2.1 數據解算精度分析

首先分析了測站坐標和GNSS PWV的解算精度，統計了3個GNSS測站N、E、U三個方向的坐標和PWV解算精度，并將非沙塵暴期間的GNSS PWV與ERA5 PWV進行對比，以驗證GNSS PWV的反演精度，結果如表1所示.

表1 GNSS數據解算精度mm

由表1可得， GNSS在N、E、U三個方向的解算精度表現出一定的波動性，但總體上在一個較為合理的范圍內，最值均小于2.1 cm，標準差均在毫米級，表明GNSS坐標解算精度較高. GNSS PWV的解算精度的均值和標準差分別為1.5 mm和1.8 mm，解算結果較為可靠. 將非沙塵暴期間的GNSS PWV與ERA5 PWV進行比較，二者差值的平均值和標準差都相對較小，說明GNSS PWV反演精度的高可靠性.

2.2 GNSS PWV與大氣顆粒物的相關性分析

由圖1可知，2021年3月15日上午9時沙塵暴抵達北京地區，導致PM10濃度激增至2300 μg/m3，這一數值是平常水平的10倍. 相對來說，PM2.5的濃度變化相較較小，僅提升至約330 μg/m3. 從3月14日之前的觀測數據來看，BJFS站的PWV與PM10、PM2.5的濃度呈現出較為一致的變化趨勢. 值得注意的是，在3月15日至3月16日的沙塵暴期間，PWV與PM10和PM2.5濃度的變化一致性顯著增強. 在沙塵暴過后的3月16日至3月20日時間段內，PWV與PM10和PM2.5的濃度變化維持了高度一致性. 從3月25日中午開始，PWV的數值開始出現增長趨勢，直至3月27日恢復正常. 通過查詢天氣網(https://lishi.tianqi.com/beijing/202103.html)的歷史天氣可知，BJFS站處，在3月26日有明顯的降雨天氣，在降雨前夕，PWV會出現增長的現象，另外，3月27日開始，3月份的第二場沙塵暴影響了我國西北和華北大部分地區，造成北京的揚沙天氣，從而對GNSS PWV產生了一定影響，揚沙天氣也造成了PM2.5的數值的驟增.

圖1 2021年BJFS站處GNSS PWV與大氣顆粒物變化分析

由圖2可知，在2021年3月15日上午12時沙塵暴長春. 長春的PM10濃度達到了800 μg/m3，是平時的4倍. 在沙塵暴發生時長春地區的PM2.5變化并不明顯. 這說明沙塵暴帶來的主要是大顆粒物，對PM10的影響較大，而對PM2.5影響較小. 在3月1日到3月14日之間，長春站處的PWV和PM10/PM2.5的變化趨勢較為一致；3月15日到3月16日沙塵暴發生時，PWV和PM10的變化一致性非常高，與PM2.5的符合度并不高，這可能是因為長春地區的沙塵暴天氣主要是大顆粒物的影響，對PM2.5的影響較小. 而在3月16到3月20日，沙塵暴天氣過后，PWV和PM10/PM2.5的變化趨勢有著較高的一致性. 3月26日開始，PWV含量出現驟然上升的現象，從天氣網(https://lishi.tianqi.com/changchun/202103.html)的查詢長春的歷史天氣可知，3月25日的天氣狀況為陰，因此大氣中的水汽含量出現增加，另一方面，由于受到3月份第二次沙塵暴的影響，3月28日出現霧霾天氣，也對PWV的變化產生了一定影響.

圖2 2021年 CHAN站處GNSS PWV與大氣顆粒物變化分析

由圖3可知，3月15日，PM10的濃度超過7000 μg/m3，比平時高出約32倍. 3月15日，PM2.5濃度超過1000 μg/m3，比平時高出約7.5倍. 3月15日，中衛市受到沙塵暴的嚴重影響. 3月15日， PWV的變化趨勢與PM10/PM2.5的變化趨勢非常一致. PWV超過15 mm，達到平時的2～3倍. 從3月25日到3月27日，PWV顯著增加. 從PM2.5和PM10的數據可以看出，此時段大氣顆粒物的濃度出現小幅升高，PM10濃度最大達到了400 μg/m3，這主要是受到3月份第二次沙塵暴的影響，據天氣網(https://lishi.tianqi.com/zhongwei/202103.html)的歷史天氣數據顯示，這段時間中衛市出現了霧霾天氣，以上都是導致此時段PWV出現明顯增長的因素.

圖3 NXZW站處GNSS PWV與大氣顆粒物變化分析

為了量化不同沙塵暴時期GNSS PWV與SUM_PM之間的相關程度，對沙塵暴前、沙塵暴發生時及沙塵暴發生后GNSS PWV與SUM_PM之間的相關性進行了統計，結果如表2所示.

表2 沙塵暴不同時期GNSS PWV與SUM_PM之間的相關性

由表2可知，沙塵暴之前，3個GNSS站點(BJFS、CHAN和NXZW)的PWV與大氣顆粒物濃度之間的相關性均低于20%，表現出相對較弱的相關性. 這一現象主要可歸因于正常情況下大氣顆粒物濃度相對較低，因此對PWV的貢獻也相對較小. 然而，在沙塵暴發生時，這一相關性顯著增加：具體而言，BJFS和CHAN站點的PWV與大氣顆粒物濃度的相關性均超過60%，這主要是因為沙塵暴發生時PWV中包含的PM10成分明顯增加. 相對而言，NXZW站點的PWV與大氣顆粒物濃度的相關性相對較低，主要是由于PWV的變化明顯滯后于大氣顆粒物濃度的變化. 當消除相位滯后后，NXZW站點的PWV與大氣顆粒物濃度的相關性提升至70.25%. 沙塵暴事件后，PM10與ZNHD站點的相關性顯著下降.

2.3 ΔGNSS PWV與大氣顆粒物的相關性分析

GNSS干延遲僅包含標準大氣的影響，而大氣顆粒物不屬于標準大氣的范疇，因此，大氣顆粒物的影響被傳播到濕延遲中，GNSS PWV是由濕延遲轉換而來，故大氣顆粒物的影響會被傳播到PWV中. 而ERA5模型中的PWV僅包含水汽的影響，則兩種技術獲得的PWV之差包含了所有大氣顆粒物的影響.

基于上述理論，PWV差值的思路被提出. 本節將研究ΔGNSS PWV與大氣顆粒物的相關性. 結果如圖4～6和表3所示.

圖4 BJFS站處ΔGNSS PWV與大氣顆粒物變化分析

表3 沙塵暴不同時期ΔGNSS PWV與SUM_PM之間的相關性

由圖4可知，在沙塵暴發生之前，ΔGNSS PWV變化相對比較平穩，這主要是因為正常情況下大氣中大氣顆粒物濃度較低，PWV主要由水汽引起，因此ΔGNSS PWV主要是殘差信號. 沙塵暴發生時，大氣顆粒物濃度較高，ΔGNSS PWV主要是由于大氣顆粒物引起的，因此，ΔGNSS PWV與PM10、PM2.5、SUM_PM的變化趨勢明顯一致，相關性明顯提高. 沙塵暴發生后，隨著大氣顆粒物濃度下降，ΔGNSS PWV逐漸恢復平靜.

由圖5可知，ΔGNSS PWV與PM10的符合度較好，在沙塵暴發生時，PM10濃度急劇升高，ΔGNSS PWV在7 h后也隨之升高，沙塵暴結束后，PM10濃度和ΔGNSS_PWV均趨于平穩狀態. CHAN站處的PM2.5濃度在3月12日達到峰值，約160 μg/m3，而在沙塵暴發生時濃度并不高，這說明此次沙塵暴對長春站處的PM2.5濃度影響不大，由于PM2.5濃度較低，ΔGNSS PWV與PM2.5的一致性也較差.

圖5 CHAN站處ΔGNSS PWV與大氣顆粒物變化分析

由圖6可得，在沙塵暴發生前，NXZW站處ΔGNSS PWV在0附近波動，這主要是因為大氣中除了水汽之外的部分對PWV的貢獻幾乎為0. 當沙塵暴發生時，ΔGNSS PWV和大氣顆粒物濃度均發生明顯的增高，但是ΔGNSS PWV有明顯的滯后現象. 這可能是由于NXZW站受到沙塵暴影響較早，大氣顆粒物集中在低空區域，首先被氣象站觀測到，隨著顆粒物擴散到高空，GNSS信號開始受到影響，從而導致ΔGNSS PWV有明顯的滯后.

圖6 NXZW站處ΔGNSS PWV與大氣顆粒物變化分析

NXZW、BJFS和CHAN測站的位置依次從西向東，故受沙塵暴影響的時間和強度不一樣，3個測站所處地形、氣候也有較大差異，氣候和地形也會對PWV產生一定的影響，因此，在非嚴重沙塵暴時期，PWV的變化也有明顯的不同. 但在嚴重的沙塵暴期間，三個測站PWV表現出的異常都非常明顯.

為了進一步分析沙塵暴不同時期ΔGNSS PWV與SUM_PM之間的相關性，對不同時期二者時間的相關性進行量化，結果如表3所示.

由表3的結果可得，沙塵暴發生前，ΔGNSS PWV與SUM_PM之間的相關性較低，均低于20%，與表2中的結果相差不大. 沙塵暴發生時，BJFS站和CHAN站處的ΔGNSS PWV與SUM_PM之間的相關性均超過70%，相關性較高，由于相位滯后的原因，NXZW站處的相關性相對較低，為38.09%，但是較表2的相關性均有提高，這主要是因為沙塵暴發生時大氣顆粒物對ΔGNSS PWV的貢獻明顯增大的緣故. 沙塵暴結束后，PM10與ZNHD的相關性顯著下降.

綜上所述，本文提出的PWV差值的方法可以更加明顯的觀測到GNSS反演的PWV與大氣顆粒物濃度之間的關系.

3 結束語

本研究以2021年3月15日中國北方沙塵暴為案例，提出PWV差值的方法，對NXZW、BJFS和CHAN的3個GNSS站點的數據進行了分析，以探究這些站點的PWV與附近大氣顆粒物濃度之間的相關性. 主要結論如下：

1) GNSS PWV的解算精度表現良好，其均值和標準差分別為1.5 mm和1.8 mm. 通過將非沙塵暴期間的GNSS PWV與ERA5 PWV進行對比，差值的平均值和標準差均約在2 mm，表明解算結果具有較高的可靠性，滿足后續研究需求.

2)在沙塵暴發生前，PWV與大氣顆粒物濃度之間的相關性均低于20%，表現出較弱的相關性. 然而，在沙塵暴發生時，該相關性顯著提高. 具體來說，BJFS和CHAN站點的PWV與大氣顆粒物濃度的相關性超過60%. 在消除相位滯后影響后，NXZW站點的PWV與大氣顆粒物濃度的相關性達到70.25%. 沙塵暴過后，PM10與ZNHD站點的相關性明顯降低.

3)沙塵暴發生前，ΔGNSS PWV與SUM_PM之間的相關性較低. 然而，在沙塵暴發生時，BJFS和CHAN站點的ΔGNSS PWV與SUM_PM之間的相關性超過70%，表現出較強的相關性. 經過消除相位滯后影響后，NXZW站點的PWV與大氣顆粒物濃度的相關性達到73.35%.

綜合以上分析，可見在正常情況下，大氣顆粒物對PWV的貢獻相對較小. 然而，在沙塵暴發生時，這一貢獻顯著增加，ΔGNSS PWV主要受到大氣顆粒物影響的信號. 因此，提出的PWV差值方法能夠為大氣顆粒物濃度的監測提供一種新的研究思路和方法.