基于PWV差值方法分析沙尘暴期间GNSS PWV与大气颗粒物相关性

谢鹏

( 贵州省地矿局测绘院, 贵阳 550081 )

0 引言

沙尘暴是中国北方地区常见的自然灾害，对自然环境、国民经济和人类健康造成了极大地损害[1-2].2021年3月14日至15日晨，受冷空气影响，河北北部、北京、辽宁西部、吉林西部等地区出现沙尘暴天气，这是近10年我国北方遭遇强度最大的一次沙尘天气过程. 此次沙尘暴过程对我国北方地区的自然环境和人类健康造成了很大地不利影响[3]. 受冷空气大风影响，2021年3月27日起，我国西北大部、华北及东北地区受到沙尘暴的影响，再次出现扬沙或浮尘天气. 因此，及时的监测沙尘暴的发展情况对保护人民生命安全具有重要意义.

近年来，随着GNSS的快速发展，通过提高时空分辨率，提供大范围、实时、高精度的对流层产品，有效地消除了传统探测技术的不足，促进了GNSS在气象学领域的发展[4-6]. GNSS技术具备成本低，站点分布广泛及全天候不间断观测等优点[7-9]，使得GNSS技术在雾霾、暴雨、台风等天气及森林火灾等灾害的监测中得到了广泛的应用[10-13]，并且在数值天气预报领域取得了较好的效果.

魏鹏志等[14]通过利用大气可降水量(precipitable water vapor，PWV)、风速和大气颗粒物浓度数据，为中南地区的春节期间细颗粒物(particulate matter,PM2.5)浓度建立了地理加权回归、地理加权回归克里金和地理加权回归规则样条模型，该模式为该区域春节期间PM2.5监测预警提供了实用的参考价值. 周永江等[15]通过引入时间和空气质量指数作为数据选取标准，并应用Spearman秩相关系数，针对2014—2016年北京市雾霾高发期的PWV和PM2.5数据进行分析，结果显示在雾霾天气下两者具有单调正向的相关性. Liu等[16]探讨了PM2.5、风速和PWV之间的关系，基于WRF-Chem模型进行研究. 该研究使用地面站数据验证了WRF-Chem模型预测的PM2.5浓度值，并分析了PM2.5与风速或PWV之间的关系. 研究使用北京房山(BJFS)站的GNSS数据，通过皮尔逊相关系数和定量分析，探讨了GNSS反演的PWV与其多个内外部影响因素(包括天顶对流层延迟、天顶静力延迟、天顶湿延迟、地表温度和PM2.5)之间的关系，结果表明，GNSS站上的天顶对流层延迟在短期天气和雾霾预测中具有重要应用价值. Guo等[17]研究使用BJFS站的GNSS数据，通过相关系数和定量分析，探讨了GNSS PWV与其多个内外部影响因素(包括天顶对流层延迟、天顶静力延迟、天顶湿延迟、地表温度和PM2.5)之间的关系，结果表明，GNSS站上的天顶对流层延迟在短期天气和雾霾预测中具有重要应用价值. 王勇等[18]分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析，并利用反向传播神经网络构建PM2.5浓度模型并进行精度评估，得到了较好地效果. 上述大部分研究仅考虑了PWV自身与颗粒物之间的关系，未对PWV中由颗粒物引起的部分进行探讨. ERA5模型提供的PWV数据仅包含水汽的影响，而GNSS反演的PWV则包含水汽和非标准大气的影响. 因此理论上ERA5模型提供的PWV与GNSS反演的PWV之差(ΔGNSS PWV)即为大气中除了水汽和标准大气之外成分的影响，在沙尘暴发生时，大气颗粒物占其中的主要部分.

鉴于现有研究现状和不足，本文以2021年3月15日中国北方沙尘暴为例，基于位于宁夏中卫(NXZW)、BJFS和吉林长春(CHAN)的3个GNSS站的数据，分析PWV与大气颗粒物（PM10、PM2.5、SUM_PM(PM10+PM2.5)之间的关系，并提出PWV差值的方法，进一步研究PWV差值与大气颗粒物的相关性.

1 数据和方法

1.1 研究区域和数据

本文使用的3个GNSS测站的数据时间跨度为2021年3月1日至3月27日，数据采样率为30 s.利用GAMIT/GLOBK 10.6软件进行解算，使用Saastamoinen对流层模型和GMF映射函数，每1 h解算一次对流层参数. 使用FES2004海潮模型进行海潮改正.

同时还选用了ERA5模型提供的PWV数据作为参考，ERA5提供从地球表面延伸到大气顶部的PWV数据，数据格网大小为0.25°，时间分辨率为1 h.

选择PM10/PM2.5数据表征沙尘暴的情况，数据取自全球空气质量数据平台(https://aqicn.org/dataplatform/register/)，数据时段为2021年3月1日至3月27日.

1.2 研究方法

利用GNSS载波相位观测方程将对流层总延迟(zenith total delay，ZTD)作为未知参数求解[16]

式中：i为接收机；j为卫星；为接收机到卫星的几何距离；c为光速； dti为接收器钟差； dtj为卫星钟差；M为对流层映射函数；为电离层延迟； λf相位观测的波长；为相位模糊度；为其他误差. 然后使用Saastamoinen模型计算对流层干延迟(zenith hydrostatic delay, ZHD)[19]

式中：P为大气压；L为GNSS站点的纬度；H为GNSS站点的高. ZTD减去ZHD得到对流层湿延迟，然后依据经验方程(3)可求得GNSS反演GNSS PWV值[18]

式中：gs(气体常数)= 461 ± 0.003 Jkg-1K-1； ρw为液体水密度；k2=24 ± 11 kPa-1，k3=3.75 ± 0.03 K2kPa-1；Tm为大气垂直剖面的加权平均温度.

GNSS干延迟仅包含标准大气条件下的影响，而大气颗粒物不包括在标准大气中. 因此，大气颗粒物的影响会被传播到湿延迟中，而GNSS PWV是由湿延迟计算而来. 因此，大气颗粒物的影响会在PWV中得以反映. 而ERA5模型中的PWV仅考虑了水汽的影响，因此两种技术获得的PWV之间的差异包含了所有大气颗粒物的影响. 受颗粒物影响的PWV差值表示为

通过式(1)～(4)计算，得到了受颗粒物影响的ΔGNSSPWV.

2 结果与分析

2.1 数据解算精度分析

首先分析了测站坐标和GNSS PWV的解算精度，统计了3个GNSS测站N、E、U三个方向的坐标和PWV解算精度，并将非沙尘暴期间的GNSS PWV与ERA5 PWV进行对比，以验证GNSS PWV的反演精度，结果如表1所示.

表1 GNSS数据解算精度mm

由表1可得， GNSS在N、E、U三个方向的解算精度表现出一定的波动性，但总体上在一个较为合理的范围内，最值均小于2.1 cm，标准差均在毫米级，表明GNSS坐标解算精度较高. GNSS PWV的解算精度的均值和标准差分别为1.5 mm和1.8 mm，解算结果较为可靠. 将非沙尘暴期间的GNSS PWV与ERA5 PWV进行比较，二者差值的平均值和标准差都相对较小，说明GNSS PWV反演精度的高可靠性.

2.2 GNSS PWV与大气颗粒物的相关性分析

由图1可知，2021年3月15日上午9时沙尘暴抵达北京地区，导致PM10浓度激增至2300 μg/m3，这一数值是平常水平的10倍. 相对来说，PM2.5的浓度变化相较较小，仅提升至约330 μg/m3. 从3月14日之前的观测数据来看，BJFS站的PWV与PM10、PM2.5的浓度呈现出较为一致的变化趋势. 值得注意的是，在3月15日至3月16日的沙尘暴期间，PWV与PM10和PM2.5浓度的变化一致性显著增强. 在沙尘暴过后的3月16日至3月20日时间段内，PWV与PM10和PM2.5的浓度变化维持了高度一致性. 从3月25日中午开始，PWV的数值开始出现增长趋势，直至3月27日恢复正常. 通过查询天气网(https://lishi.tianqi.com/beijing/202103.html)的历史天气可知，BJFS站处，在3月26日有明显的降雨天气，在降雨前夕，PWV会出现增长的现象，另外，3月27日开始，3月份的第二场沙尘暴影响了我国西北和华北大部分地区，造成北京的扬沙天气，从而对GNSS PWV产生了一定影响，扬沙天气也造成了PM2.5的数值的骤增.

图1 2021年BJFS站处GNSS PWV与大气颗粒物变化分析

由图2可知，在2021年3月15日上午12时沙尘暴长春. 长春的PM10浓度达到了800 μg/m3，是平时的4倍. 在沙尘暴发生时长春地区的PM2.5变化并不明显. 这说明沙尘暴带来的主要是大颗粒物，对PM10的影响较大，而对PM2.5影响较小. 在3月1日到3月14日之间，长春站处的PWV和PM10/PM2.5的变化趋势较为一致；3月15日到3月16日沙尘暴发生时，PWV和PM10的变化一致性非常高，与PM2.5的符合度并不高，这可能是因为长春地区的沙尘暴天气主要是大颗粒物的影响，对PM2.5的影响较小. 而在3月16到3月20日，沙尘暴天气过后，PWV和PM10/PM2.5的变化趋势有着较高的一致性. 3月26日开始，PWV含量出现骤然上升的现象，从天气网(https://lishi.tianqi.com/changchun/202103.html)的查询长春的历史天气可知，3月25日的天气状况为阴，因此大气中的水汽含量出现增加，另一方面，由于受到3月份第二次沙尘暴的影响，3月28日出现雾霾天气，也对PWV的变化产生了一定影响.

图2 2021年 CHAN站处GNSS PWV与大气颗粒物变化分析

由图3可知，3月15日，PM10的浓度超过7000 μg/m3，比平时高出约32倍. 3月15日，PM2.5浓度超过1000 μg/m3，比平时高出约7.5倍. 3月15日，中卫市受到沙尘暴的严重影响. 3月15日， PWV的变化趋势与PM10/PM2.5的变化趋势非常一致. PWV超过15 mm，达到平时的2～3倍. 从3月25日到3月27日，PWV显著增加. 从PM2.5和PM10的数据可以看出，此时段大气颗粒物的浓度出现小幅升高，PM10浓度最大达到了400 μg/m³，这主要是受到3月份第二次沙尘暴的影响，据天气网(https://lishi.tianqi.com/zhongwei/202103.html)的历史天气数据显示，这段时间中卫市出现了雾霾天气，以上都是导致此时段PWV出现明显增长的因素.

图3 NXZW站处GNSS PWV与大气颗粒物变化分析

为了量化不同沙尘暴时期GNSS PWV与SUM_PM之间的相关程度，对沙尘暴前、沙尘暴发生时及沙尘暴发生后GNSS PWV与SUM_PM之间的相关性进行了统计，结果如表2所示.

表2 沙尘暴不同时期GNSS PWV与SUM_PM之间的相关性

由表2可知，沙尘暴之前，3个GNSS站点(BJFS、CHAN和NXZW)的PWV与大气颗粒物浓度之间的相关性均低于20%，表现出相对较弱的相关性. 这一现象主要可归因于正常情况下大气颗粒物浓度相对较低，因此对PWV的贡献也相对较小. 然而，在沙尘暴发生时，这一相关性显著增加：具体而言，BJFS和CHAN站点的PWV与大气颗粒物浓度的相关性均超过60%，这主要是因为沙尘暴发生时PWV中包含的PM10成分明显增加. 相对而言，NXZW站点的PWV与大气颗粒物浓度的相关性相对较低，主要是由于PWV的变化明显滞后于大气颗粒物浓度的变化. 当消除相位滞后后，NXZW站点的PWV与大气颗粒物浓度的相关性提升至70.25%. 沙尘暴事件后，PM10与ZNHD站点的相关性显著下降.

2.3 ΔGNSS PWV与大气颗粒物的相关性分析

GNSS干延迟仅包含标准大气的影响，而大气颗粒物不属于标准大气的范畴，因此，大气颗粒物的影响被传播到湿延迟中，GNSS PWV是由湿延迟转换而来，故大气颗粒物的影响会被传播到PWV中. 而ERA5模型中的PWV仅包含水汽的影响，则两种技术获得的PWV之差包含了所有大气颗粒物的影响.

基于上述理论，PWV差值的思路被提出. 本节将研究ΔGNSS PWV与大气颗粒物的相关性. 结果如图4～6和表3所示.

图4 BJFS站处ΔGNSS PWV与大气颗粒物变化分析

表3 沙尘暴不同时期ΔGNSS PWV与SUM_PM之间的相关性

由图4可知，在沙尘暴发生之前，ΔGNSS PWV变化相对比较平稳，这主要是因为正常情况下大气中大气颗粒物浓度较低，PWV主要由水汽引起，因此ΔGNSS PWV主要是残差信号. 沙尘暴发生时，大气颗粒物浓度较高，ΔGNSS PWV主要是由于大气颗粒物引起的，因此，ΔGNSS PWV与PM10、PM2.5、SUM_PM的变化趋势明显一致，相关性明显提高. 沙尘暴发生后，随着大气颗粒物浓度下降，ΔGNSS PWV逐渐恢复平静.

由图5可知，ΔGNSS PWV与PM10的符合度较好，在沙尘暴发生时，PM10浓度急剧升高，ΔGNSS PWV在7 h后也随之升高，沙尘暴结束后，PM10浓度和ΔGNSS_PWV均趋于平稳状态. CHAN站处的PM2.5浓度在3月12日达到峰值，约160 μg/m3，而在沙尘暴发生时浓度并不高，这说明此次沙尘暴对长春站处的PM2.5浓度影响不大，由于PM2.5浓度较低，ΔGNSS PWV与PM2.5的一致性也较差.

图5 CHAN站处ΔGNSS PWV与大气颗粒物变化分析

由图6可得，在沙尘暴发生前，NXZW站处ΔGNSS PWV在0附近波动，这主要是因为大气中除了水汽之外的部分对PWV的贡献几乎为0. 当沙尘暴发生时，ΔGNSS PWV和大气颗粒物浓度均发生明显的增高，但是ΔGNSS PWV有明显的滞后现象. 这可能是由于NXZW站受到沙尘暴影响较早，大气颗粒物集中在低空区域，首先被气象站观测到，随着颗粒物扩散到高空，GNSS信号开始受到影响，从而导致ΔGNSS PWV有明显的滞后.

图6 NXZW站处ΔGNSS PWV与大气颗粒物变化分析

NXZW、BJFS和CHAN测站的位置依次从西向东，故受沙尘暴影响的时间和强度不一样，3个测站所处地形、气候也有较大差异，气候和地形也会对PWV产生一定的影响，因此，在非严重沙尘暴时期，PWV的变化也有明显的不同. 但在严重的沙尘暴期间，三个测站PWV表现出的异常都非常明显.

为了进一步分析沙尘暴不同时期ΔGNSS PWV与SUM_PM之间的相关性，对不同时期二者时间的相关性进行量化，结果如表3所示.

由表3的结果可得，沙尘暴发生前，ΔGNSS PWV与SUM_PM之间的相关性较低，均低于20%，与表2中的结果相差不大. 沙尘暴发生时，BJFS站和CHAN站处的ΔGNSS PWV与SUM_PM之间的相关性均超过70%，相关性较高，由于相位滞后的原因，NXZW站处的相关性相对较低，为38.09%，但是较表2的相关性均有提高，这主要是因为沙尘暴发生时大气颗粒物对ΔGNSS PWV的贡献明显增大的缘故. 沙尘暴结束后，PM10与ZNHD的相关性显著下降.

综上所述，本文提出的PWV差值的方法可以更加明显的观测到GNSS反演的PWV与大气颗粒物浓度之间的关系.

3 结束语

本研究以2021年3月15日中国北方沙尘暴为案例，提出PWV差值的方法，对NXZW、BJFS和CHAN的3个GNSS站点的数据进行了分析，以探究这些站点的PWV与附近大气颗粒物浓度之间的相关性. 主要结论如下：

1) GNSS PWV的解算精度表现良好，其均值和标准差分别为1.5 mm和1.8 mm. 通过将非沙尘暴期间的GNSS PWV与ERA5 PWV进行对比，差值的平均值和标准差均约在2 mm，表明解算结果具有较高的可靠性，满足后续研究需求.

2)在沙尘暴发生前，PWV与大气颗粒物浓度之间的相关性均低于20%，表现出较弱的相关性. 然而，在沙尘暴发生时，该相关性显著提高. 具体来说，BJFS和CHAN站点的PWV与大气颗粒物浓度的相关性超过60%. 在消除相位滞后影响后，NXZW站点的PWV与大气颗粒物浓度的相关性达到70.25%. 沙尘暴过后，PM10与ZNHD站点的相关性明显降低.

3)沙尘暴发生前，ΔGNSS PWV与SUM_PM之间的相关性较低. 然而，在沙尘暴发生时，BJFS和CHAN站点的ΔGNSS PWV与SUM_PM之间的相关性超过70%，表现出较强的相关性. 经过消除相位滞后影响后，NXZW站点的PWV与大气颗粒物浓度的相关性达到73.35%.

综合以上分析，可见在正常情况下，大气颗粒物对PWV的贡献相对较小. 然而，在沙尘暴发生时，这一贡献显著增加，ΔGNSS PWV主要受到大气颗粒物影响的信号. 因此，提出的PWV差值方法能够为大气颗粒物浓度的监测提供一种新的研究思路和方法.