区域CORS网在PM2.5监测中的应用研究

，，，，

(1. 河南省地质矿产勘查开发局测绘地理信息院，河南 郑州 450006; 2. 长安大学地质工程与测绘学院，陕西 西安 710054)

在我国内陆地区，雾霾多集中在大气水汽含量较少的秋冬季节，根据相关研究发现，PM2.5是降低能见度的元凶，对人们的生产生活影响十分严重。目前监测PM2.5的方法主要依托地面监测站对空气中的颗粒物进行监测，而在一些中小城市的监测站偏少，使得PM2.5的监测具有一定的局限性。

近几年，国内外的专家学者利用GNSS反演技术来研究大气颗粒污染物。张双成等选择北京地区进行研究，发现PM2.5与大气水汽都有季节性变化的特征，在一年的变化中，雾霾在GNSS水汽含量较低的季节最严重。王勇等比较2013年北京地区PM2.5/PM10资料和GNSS可降水量发现：冬季PM2.5/PM10与GNSS可降水量相关系数大于0.5，表现出明显的正相关性，在降雨较多的夏季相关性不明显。王勇等又以河北省两次重度雾霾期间地基GNSS水汽和PM2.5浓度指数为试验数据，对比分析了两者之间的关系，其相关系数大于0.6，为显著的正相关性，SIG值小于0.01。张双成等研究了西安地区雾霾的成因，并发现GNSS水汽含量和雾霾的形成过程有密切的联系，冬春季水汽含量与雾霾指数具有正相关性[1-9]。这些相关研究诠释了PM2.5与大气水汽和天顶对流层延迟之间的联系。

河南地区雾霾天气情况日益严峻，现有的监测PM2.5方法却存在一定的时空局限性，在一些中小城市地区很难进行监测。GNSS技术具有高效、低成本、实时监测、覆盖范围广及时空分辨率高等特点[10]，研究基于区域CORS网的PM2.5浓度监测具有必要性及现实意义。

1 数据来源与处理方法

本文试验中所采用的数据来源于河南省CORS网中35个测站的GNSS观测数据。利用双差技术处理局部区域GNSS网数据时，由于相近的两个测站间的卫星高度角较接近，信号传播路径基本一致，不能精确解算出各测站的水汽值。为了解决此问题，选取了CHAN、GMSD、LHAZ、PIMO等4个IGS站作为本次试验的网外辅助站[11-13]。试验中所采用的IGS站数据和广播星历数据与精密星历是由武汉大学IGS数据中心提供。试验中所采用的PM2.5监测指数数据是由全国城市空气质量实时发布平台提供的PM2.5浓度指数数据，采样间隔为1 h，日期为2015年12月3—16日，年积日为337—350 d。

本文的GNSS数据选用GAMIT 10.6进行解算，卫星截止高度角设置为10°，基线解算模式选择Relax，对流层延迟采用1 h估值。由于解算过程中加入了CHAN、GMSD、LHAZ、PIMO等4个IGS站作为网外辅助站，因此，得到的天顶对流层延迟为绝对估值。根据所选取的研究区域内CORS站所采集的地面实测气象资料，即可解算出大气可降水量PWV[14-16]。

2 大气可降水量与PM2.5相关性分析

雾霾形成和消散是由天气条件、环境因素和人为因素共同影响决定的。河南地区雾霾形成的主要原因是工业废气和汽车尾气及冬季供暖，由于河南地区处于中国内陆，属于暖温带至亚热带、湿润至半湿润季风气候，秋冬季节干燥少雨，因此在秋冬季节雾霾更容易爆发，持续时间更长。

2.1 PWV与PM2.5整体相关性分析

试验把解算得到的测站PWV数据和地面监测站测得的PM2.5指数数据放在相同的时间轴中进行对比分析，如图1和图2所示。

通过图1和图2可知，两个测站大气可降水量PWV与PM2.5之间均存在着明显的相关关系，为了探究PWV与PM2.5之间的相关性，通过程序分别计算开封站和平顶山站PWV与PM2.5的相关指数，其绝对值分别为0.594 1和0.597 8，均通过了0.01显著性检验，证明大气可降水量与PM2.5之间存在着明显的相关性，相关指数均为正值，因此两者之间存在着正相关关系。

从图1和图2可以看出：在整个雾霾发生至消散的过程中，整体上大气可降水量PWV会随着PM2.5的加重而上升，当PM2.5浓度降低时会随之下降。在雾霾严重的时间段，大气可降水量PWV随着PM2.5浓度的升高而下降，随着PM2.5的浓度减小而增加，但是PWV值始终较未有雾霾出现时高。在雾霾持续爆发期间，当PM2.5急剧下降时，PWV会迅速升高。PWV对PM2.5比较敏感，当PM2.5产生微小波动时PWV都会有明显的变化。

根据试验分析发现：通过PWV对PM2.5监测的时空分辨率非常高，反应也十分明显。由于雨雪和大风等天气都会对雾霾的波动产生一定的影响，查阅相关天气资料，在年积日346 d上述测站地区开始出现3级风，PM2.5浓度随之下降，但浓度依然在污染指标范畴内，年积日348 d出现了大风和伴随降雨，因此在348 d前一段时间内PWV整体呈上升趋势。

2.2 雾霾期PWV与PM2.5间24 h时空分布分析

雾霾发生前后不同时期大气可降水量PWV的时空分布趋势基本相同，而在雾霾爆发期间大气可降水量会出现波动比较剧烈的情况，为了深入探究雾霾发生期间PWV的波动情况与实测PM2.5之间的关系，试验选取河南CORS站中开封和平顶山两个测站在雾霾持续期2015年12月10日的观测值数据解算出PWV和实测的PM2.5数据进行比较分析，结果如图3和图4所示。

通过图3和图4可知，以上两个测站在重度污染的一天中PWV的整体走势与PM2.5的走势一致，在上午5时前会随着PM2.5的浓度升高而升高。图3在上午5时至中午时分由于当天开封地区有短时3级左右的风(开封地区一年四季风比较频繁)，使空气中较高浓度的PM2.5得到轻微稀释，因此会出现大气可降水量下降幅度较小而PM2.5浓度下降相对较大。午后至傍晚时分PM2.5与大气可降水量基本上都会维持在一定的值附近波动，在日落以后两者均会出现逐渐下降现象。通过图中这些现象可以看出在水汽含量较低的冬季，大气可降水量PWV与空气中微小颗粒物PM2.5之间存在着紧密的正相关关系。

3 PM2.5实时监测模型的建立

将大气可降水量PWV作为自变量(横轴变量)，PM2.5数据作为因变量(纵轴变量)描绘出两者的散点分布图，每个站点都选择以1 h为单位的2015年雾霾频发冬季的数据，数据量满足拟合要求，然后进行回归分析。本文主要以开封站和平顶山站为例来进行建模研究，结果如图5和6所示。

根据图中随机点的分布特性进行拟合，试验中开封站和平顶山站分别试用了傅里叶逼近、指数逼近、多项式逼近、有理数逼近等多种方法进行拟合，结果发现只有多项式拟合R2值最为理想。以开封站为例，将多项式采用不同的类型进行检验，分别选择一次多项式、二次多项式、三次多项式、四次多项式、五次多项式和六次多项式进行拟合，R2分别为0.989 6、0.972 1、0.970 5、0.968 8、0.957 3和0.940 2，根据计算出的R2并结合图形走势与随机样本的分布情况发现只有一次多项式最适合。然后利用同样的方法对平顶山站的随机样本进行了拟合分析，结果只有一次多项式最能代表两者之间的关系。

试验中研究的开封站和平顶山站通过PWV对PM2.5的实时监测模型分别为

Y=11.37X+23.259

Y=11.46X+5.251

式中，X代表大气可降水量PWV；Y代表空气中大气污染物PM2.5的值。其中两个模型的R2分别为0.989 6和0.989 5，R2的数值越接近1，说明模型代表两者之间的关系越强，通过两个模型R2值能够验证该模型的可靠性。为了更深入地验证该模型的实用性，利用2015年雾霾频发期的数据随机选取进行检验，结果见表1。

由表1可知，通过回归分析方法得到的PM2.5监测模型计算出的结果和地面监测到的PM2.5值具有很强的相关性，表中最小的绝对误差值为1.474，而最大的绝对误差值为19.481 9，但是再通过相对误差值可验证出该监测模型的适用性很强。

本文主要以开封站和平顶山站为例进行分析，并得到了比较理想的结果，河南省其他地区也可采用此方法进行实时监测模型建立。

表1采用回归估算模型PWV对PM2.5的估值与实测值对比

测站名称日期模型计算实际监测绝对误差相对误差/(%)开封2015-11-16135.281911619.481916.792015-11-2349.0613454.06139.032015-12-22151.61731465.61733.852015-12-2555.664558-2.33554.03平顶山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 结 语

通过大气可降水量PWV与PM2.5相关性试验分析发现：冬季水汽含量较少，悬浮颗粒物在少量水汽的作用下极易形成雾霾；河南地区PM2.5与PWV之间存在着紧密的正相关关系；在无风和降雨发生时，在雾霾发生期间大气可降水量的24 h波动情况与PM2.5一致，并且当PM2.5变化时，PWV反应很灵敏；然后，依据PM2.5与PWV之间的相关关系，采用数学回归分析方法建立PM2.5实时监测模型并通过验证结果和建模指标，从而验证了该模型适用于PM2.5实时监测，可以为雾霾的防治提供实时参考资料。