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(qū)常見的自然災(zāi)害，對自然環(huán)境、國民經(jīng)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(qū)出現(xiàn)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(qū)的自然環(huán)境和人類健康造成了很大地不利影響[3]. 受冷空氣大風(fēng)影響，2021年3月27日起，我國西北大部、華北及東北地區(qū)受到沙塵暴的影響，再次出現(xiàn)揚沙或浮塵天氣. 因此，及時的監(jiān)測沙塵暴的發(fā)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(fā)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(chǎn)品，有效地消除了傳統(tǒng)探測技術(shù)的不足，促進了GNSS在氣象學(xué)領(lǐng)域的發(fā)展[4-6]. GNSS技術(shù)具備成本低，站點分布廣泛及全天候不間斷觀測等優(yōu)點[7-9]，使得GNSS技術(shù)在霧霾、暴雨、臺風(fēng)等天氣及森林火災(zāi)等災(zāi)害的監(jiān)測中得到了廣泛的應(yīng)用[10-13]，并且在數(shù)值天氣預(yù)報領(lǐng)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(fēng)速和大氣顆粒物濃度數(shù)據(jù)，為中南地區(qū)的春節(jié)期間細顆粒物(particulate matter,PM2.5)濃度建立了地理加權(quán)回歸、地理加權(quán)回歸克里金和地理加權(quán)回歸規(guī)則樣條模型，該模式為該區(qū)域春節(jié)期間PM2.5監(jiān)測預(yù)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(zhì)量指數(shù)作為數(shù)據(jù)選取標(biāo)準(zhǔn)，并應(yīng)用Spearman秩相關(guān)系數(shù)，針對2014—2016年北京市霧霾高發(fā)期的PWV和PM2.5數(shù)據(jù)進行分析，結(jié)果顯示在霧霾天氣下兩者具有單調(diào)正向的相關(guān)性. Liu等[16]探討了PM2.5、風(fēng)速和PWV之間的關(guān)系，基于WRF-Chem模型進行研究. 該研究使用地面站數(shù)據(jù)驗證了WRF-Chem模型預(yù)測的PM2.5濃度值，并分析了PM2.5與風(fēng)速或PWV之間的關(guān)系. 研究使用北京房山(BJFS)站的GNSS數(shù)據(jù)，通過皮爾遜相關(guān)系數(shù)和定量分析，探討了GNSS反演的PWV與其多個內(nèi)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(guān)系，結(jié)果表明，GNSS站上的天頂對流層延遲在短期天氣和霧霾預(yù)測中具有重要應(yīng)用價值. Guo等[17]研究使用BJFS站的GNSS數(shù)據(jù)，通過相關(guān)系數(shù)和定量分析，探討了GNSS PWV與其多個內(nèi)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(guān)系，結(jié)果表明，GNSS站上的天頂對流層延遲在短期天氣和霧霾預(yù)測中具有重要應(yīng)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(fēng)速的相關(guān)性分析，并利用反向傳播神經(jīng)網(wǎng)絡(luò)構(gòu)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(guān)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(shù)據(jù)僅包含水汽的影響，而GNSS反演的PWV則包含水汽和非標(biāo)準(zhǔn)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(biāo)準(zhǔn)大氣之外成分的影響，在沙塵暴發(fā)生時，大氣顆粒物占其中的主要部分.

鑒于現(xiàn)有研究現(xiàn)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(wèi)(NXZW)、BJFS和吉林長春(CHAN)的3個GNSS站的數(shù)據(jù)，分析PWV與大氣顆粒物（PM10、PM2.5、SUM_PM(PM10+PM2.5)之間的關(guān)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(guān)性.

1 數(shù)據(jù)和方法

1.1 研究區(qū)域和數(shù)據(jù)

本文使用的3個GNSS測站的數(shù)據(jù)時間跨度為2021年3月1日至3月27日，數(shù)據(jù)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(shù)，每1 h解算一次對流層參數(shù). 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(shù)據(jù)作為參考，ERA5提供從地球表面延伸到大氣頂部的PWV數(shù)據(jù)，數(shù)據(jù)格網(wǎng)大小為0.25°，時間分辨率為1 h.

選擇PM10/PM2.5數(shù)據(jù)表征沙塵暴的情況，數(shù)據(jù)取自全球空氣質(zhì)量數(shù)據(jù)平臺(https://aqicn.org/dataplatform/register/)，數(shù)據(jù)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(shù)求解[16]

式中：i為接收機；j為衛(wèi)星；為接收機到衛(wèi)星的幾何距離；c為光速； dti為接收器鐘差； dtj為衛(wèi)星鐘差；M為對流層映射函數(shù)；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(jù)經(jīng)驗方程(3)可求得GNSS反演GNSS PWV值[18]

式中：gs(氣體常數(shù))= 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(quán)平均溫度.

GNSS干延遲僅包含標(biāo)準(zhǔn)大氣條件下的影響，而大氣顆粒物不包括在標(biāo)準(zhǔn)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(shù)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(jié)果與分析

2.1 數(shù)據(jù)解算精度分析

首先分析了測站坐標(biāo)和GNSS PWV的解算精度，統(tǒng)計了3個GNSS測站N、E、U三個方向的坐標(biāo)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(jié)果如表1所示.

表1 GNSS數(shù)據(jù)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(xiàn)出一定的波動性，但總體上在一個較為合理的范圍內(nèi)，最值均小于2.1 cm，標(biāo)準(zhǔn)差均在毫米級，表明GNSS坐標(biāo)解算精度較高. GNSS PWV的解算精度的均值和標(biāo)準(zhǔn)差分別為1.5 mm和1.8 mm，解算結(jié)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(biāo)準(zhǔn)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(guān)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(qū)，導(dǎo)致PM10濃度激增至2300 μg/m3，這一數(shù)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(shù)據(jù)來看，BJFS站的PWV與PM10、PM2.5的濃度呈現(xiàn)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(nèi)，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(shù)值開始出現(xiàn)增長趨勢，直至3月27日恢復(fù)正常. 通過查詢天氣網(wǎng)(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(xiàn)增長的現(xiàn)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(qū)，造成北京的揚沙天氣，從而對GNSS PWV產(chǎn)生了一定影響，揚沙天氣也造成了PM2.5的數(shù)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(fā)生時長春地區(qū)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(fā)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(qū)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(xiàn)驟然上升的現(xiàn)象，從天氣網(wǎng)(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(xiàn)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(xiàn)霧霾天氣，也對PWV的變化產(chǎn)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(wèi)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(shù)據(jù)可以看出，此時段大氣顆粒物的濃度出現(xiàn)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(jù)天氣網(wǎng)(https://lishi.tianqi.com/zhongwei/202103.html)的歷史天氣數(shù)據(jù)顯示，這段時間中衛(wèi)市出現(xiàn)了霧霾天氣，以上都是導(dǎo)致此時段PWV出現(xiàn)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(guān)程度，對沙塵暴前、沙塵暴發(fā)生時及沙塵暴發(fā)生后GNSS PWV與SUM_PM之間的相關(guān)性進行了統(tǒng)計，結(jié)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(guān)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(guān)性均低于20%，表現(xiàn)出相對較弱的相關(guān)性. 這一現(xiàn)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(fā)生時，這一相關(guān)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(guān)性均超過60%，這主要是因為沙塵暴發(fā)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(guān)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(dāng)消除相位滯后后，NXZW站點的PWV與大氣顆粒物濃度的相關(guān)性提升至70.25%. 沙塵暴事件后，PM10與ZNHD站點的相關(guān)性顯著下降.

2.3 ΔGNSS PWV與大氣顆粒物的相關(guān)性分析

GNSS干延遲僅包含標(biāo)準(zhǔn)大氣的影響，而大氣顆粒物不屬于標(biāo)準(zhǔn)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(zhuǎn)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(shù)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(jié)將研究ΔGNSS PWV與大氣顆粒物的相關(guān)性. 結(jié)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(guān)性

由圖4可知，在沙塵暴發(fā)生之前，ΔGNSS PWV變化相對比較平穩(wěn)，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(fā)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(guān)性明顯提高. 沙塵暴發(fā)生后，隨著大氣顆粒物濃度下降，ΔGNSS PWV逐漸恢復(fù)平靜.

由圖5可知，ΔGNSS PWV與PM10的符合度較好，在沙塵暴發(fā)生時，PM10濃度急劇升高，ΔGNSS PWV在7 h后也隨之升高，沙塵暴結(jié)束后，PM10濃度和ΔGNSS_PWV均趨于平穩(wěn)狀態(tài). 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(fā)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(fā)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(dāng)沙塵暴發(fā)生時，ΔGNSS PWV和大氣顆粒物濃度均發(fā)生明顯的增高，但是ΔGNSS PWV有明顯的滯后現(xiàn)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(qū)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(dǎo)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(chǎn)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(xiàn)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(guān)性，對不同時期二者時間的相關(guān)性進行量化，結(jié)果如表3所示.

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

3 結(jié)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(shù)據(jù)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(guān)性. 主要結(jié)論如下：

1) GNSS PWV的解算精度表現(xiàn)良好，其均值和標(biāo)準(zhǔn)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(biāo)準(zhǔn)差均約在2 mm，表明解算結(jié)果具有較高的可靠性，滿足后續(xù)研究需求.

2)在沙塵暴發(fā)生前，PWV與大氣顆粒物濃度之間的相關(guān)性均低于20%，表現(xiàn)出較弱的相關(guān)性. 然而，在沙塵暴發(fā)生時，該相關(guān)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(guān)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(guān)性達到70.25%. 沙塵暴過后，PM10與ZNHD站點的相關(guān)性明顯降低.

3)沙塵暴發(fā)生前，ΔGNSS PWV與SUM_PM之間的相關(guān)性較低. 然而，在沙塵暴發(fā)生時，BJFS和CHAN站點的ΔGNSS PWV與SUM_PM之間的相關(guān)性超過70%，表現(xiàn)出較強的相關(guān)性. 經(jīng)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(guān)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(fā)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(jiān)測提供一種新的研究思路和方法.