基于Bernese的GPS水汽反演及其与PM2.5相关性分析

摘要

现今，我国经济不断增长，发展迅猛，城市化进程不断推进，中国人民的生活水平显著提高，然而环境污染问题越来越突出，不仅严重影响居民的身体健康，而且严重制约了国民经济可持续发展，目前环境保护问题越来越受到社会各界广泛关注。城市雾霾治理是我国现阶段面临的重要环境问题，其关键是要做好大气成分的监测。GPS自建立以来应用广泛，具有较高的定位精度而且全天候持续观测，同时仪器操作简便，最重要成本低廉，有利于大范围推广，是研究数值天气预报，气候变化十分常用的手段。GPS信号穿过对流层时产生信号延迟，对流层大气成分变化会对信号延迟产生影响，尤其是水汽对信号延迟的影响最为敏感。大气成分中，水汽含量在只达到0.1%~3%，但其造成的延迟量却达到对总延迟量的10%左右。通常PM2.5浓度用来衡量雾霾的污染程度，发生雾霾天气污染时，空气中PM2.5含量增加，大气水汽含量随之增大，对流层延迟同时产生变化。因此通过探究对流层延迟、大气可降水量和PM2.5的变化规律，建立基于对流层延迟对PM2.5的回归模型和基于大气可降水量对PM2.5的回归模型，将地基GPS反演技术应用于雾霾天气分析，为大气PM2.5浓度的监测提供一个新手段。气象部门可将地基GPS反演的水汽含量作为参考，采取人工降雨、增加绿地面积等措施治理雾霾污染，为营造一个空气质量良好的环境提供科学依据。　　针对全球气压与温度模型用于GPS大气可降水量反演的精度分析，天顶对流层延迟和大气可降水量与PM2.5的相关程度，基于天顶对流层延迟或大气可降水量建立PM2.5监测模型的可靠性进行研究，主要工作内容和成果如下：　　1.归纳了地基GPS反演水汽的理论、方法和雾霾形成的机理，为后续区域CORS大气可降水量的反演、天顶对流层延迟与PM2.5浓度、大气可降水量与PM2.5浓度的相关性实验提供理论基础。　　2.评估GPS精密单点定位解算ZTD、全球气压与温度模型反演大气可降水汽精度和可靠性。基于Bernese软件的PPP模块进行数据处理，获得测站的对流层总延迟，以IGS服务中心发布的对流层延迟产品为真值，评估软件解算ZTD的精度。联合Bernese软件解算ZTD与全球气压与温度模型计算的气象参数进行大气可降水量的反演，以探空实测数据反演的大气可降水量作为真值，二者进行对比分析以验证全球气压与温度模型反演大气可降水量精度和可靠性。结果表明：基于Bernese软件，利用最终星历解算ZTD的精度为±5.0mm，结合全球气压与温度模型反演大气可降水量时，绝大多数测站的精度达到±5.0mm，鉴于台风影响其中一个测站大气可降水量的精度只达到±6.0mm，整体上具有较高可靠性，在缺少实测气象数据的情况下，仍然可以获得较为理想的天顶对流层延迟和大气可降水量。　　3.分析天顶对流层延迟、大气可降水量与PM2.5的相关性。采用2015年冬季山东省菏泽市、济南市、日照市和烟台市CORS数据解算的天顶对流层延迟和大气可降水量与PM2.5浓度进行相关性实验，结果表明：冬季天顶对流层延迟、大气可降水量与PM2.5在变化趋势上整体保持一致，相关系数达到均大于0.5，最大达到0.7左右，具有较强的正相关性；但在个别重度雾霾天气中天顶对流层延迟、大气可降水量与PM2.5反而呈现出较强负相关关系，这为基于天顶对流层延迟、大气可降水量分别建立PM2.5回归模型提供了理论依据。　　4.评定基于天顶对流层延迟、大气可降水量分别建立PM2.5回归模型的可靠性。以2014-2016年冬季BJFS站观测数据和PM2.5浓度数据为基础，利用回归分析法，分别建立基于天顶对流层延迟、大气可降水量的PM2.5回归预测模型，利用2017、2018年冬季雾霾数据验证PM2.5回归预测模型。结果表明：基于PWV的PM2.5模型预测值与气象站实测值之间相对误差小于10%天数达到57%；基于ZTD的PM2.5模型预测值与气象站实测值之间相对误差小于10%的天数达到71%，说明该模型回归效果显著，因此在缺少实测气象资料时，可以使用该回归模型反映区域大气中PM2.5浓度。

目录

声明

变量注释表

1 绪论

1.1 研究背景与意义

1.2.1 GPS气象学发展

1.2.2 地基GPS应用于雾霾天气发展

1.3 主要研究内容

1.4 组织结构

2 GPS反演大气水汽方法及雾霾形成机理

2.1.1 GPS水汽反演PWV原理

2.1.2 天顶总延迟模型

2.1.3 天顶静力学延迟模型

2.1.4 天顶湿延迟计算

2.2 无线电探空反演大气可降水量

2.3.1 雾霾组成成分

2.3.2 雾霾形成机理和危害

2.3.3 雾霾的基本特征

2.4 本章小结

3 基于GPT/2模型反演PWV的精度评定

3.1.1 方案设计

3.1.2 数据来源

3.2 对流层延迟精度结果分析

3.3 基于GPT/2模型反演PWV结果分析

3.4 本章小结

4 ZTD、PWV与PM2.5的相关性分析

4.1 实验设计与数据来源

4.1.1 方案设计

4.1.2 数据来源

4.1.3 相关性分析

4.2.1 PWV与PM2.5逐日变化分析

4.2.2 PWV与PM2.5逐小时变化分析

4.3 天顶对流层延迟与PM2.5相关性分析

4.3.1 ZTD与PM2.5逐日变化分析

4.3.2 ZTD与PM2.5逐小时变化分析

4.4 本章小结

5GPS反演PWV用于监测PM2.5回归模型的建立及测试

5.1.1 方案设计

5.1.2 数据来源

5.2.1 PWV与PM2.5的相关性分析

5.2.2 基于PWV的PM2.5回归模型建立

5.2.3基于PWV的PM2.5回归模型精度验证

5.3.1 ZTD与PM2.5的相关性分析

5.3.2 基于ZTD的PM2.5回归模型建立

5.3.3 基于ZTD的PM2.5回归模型精度验证

5.4 本章小结

6 结论与展望

6.1 结论

6.2 展望

参考文献

致谢

作者简历

学位论文数据集