由于PM2.5粒径小，其污染对人和环境造成很大的影响^[1-4]，因此，对于PM2.5浓度的监测和研究迫在眉睫。重量法、光散射法、射线吸收法和微量振荡天平法是目前测定PM2.5浓度常用的方法，但是受仪器和测定方式的限制，此类方法耗时、耗力且不具有实时性。全球导航卫星系统(global navigation satellite system，GNSS)的反演在气象领域的应用越来越广泛，魏玉香等^[5]对2007年南京市的PM2.5质量浓度开展了日、月和季变化的特征分析，并根据同一时间段的气象资料研究了PM2.5与气象条件的关系；郭洁等^[6]以成都为例研究了GNSS水汽与大雾天气变化的关系，并借助水汽变化来研究雾形成的原因；王勇等^[7]针对雾霾天气过程研究了天顶对流层延迟和可降水量(precipitable water vapor，PWV)的变化，结果发现PWV在雾霾过程前后有较大的波动；李同文等^[8]融合卫星遥感与地面测站区域的PM2.5进行了相关的反演。本文以北京房山地区为例，对其应用于PM2.5的浓度监测进行了初步的探究。

近年来，在GNSS反演中，天顶湿延迟(zenith wet delay, ZWD)的解算经验模型一般不予直接采用，而是由ZTD(zenith total delay)减去ZHD(zenith hydrostatic delay)获得高精度的ZWD^[9]。PWV由Businger等^[10]给出的湿延迟与可降水量的关系获得。

通过分析PM2.5成分及其在大气中的活跃情况，空气质量的变化必然引起PM2.5浓度的改变，而GNSS信号一定会受到影响。根据已有理论研究和经验，本文方法的研究思路如图 1所示。

图 1(Fig.1)

图 1 研究思路流程图 Fig.1 Flow Chart of Research Idea

本文数据分析采用GAMIT软件，GNSS反演数据采用国际IGS(International GNSS Service)站提供的GNSS数据，为了获得水汽，还另外加入了气象文件。此处主要分析北京市35个监测站的PM2.5数据。根据北京市35个监测站的位置来看，近2/3的点位于主城区，而IGS站距离北京市中心直线距离约30 km。为了使研究更具有应用价值，本文的PM2.5数据来源选为北京市环境保护监测中心公布的基于北京市的35个监测站的平均观测值。

通过反演，得出时间分辨率比较高的对流层延迟序列，结合气象实测数据(气压、温度)获得水汽序列^[11]。当气象文件的时间间隔为30 min时，反演水汽的精度可以达到1~2 mm。本文采用SHAO、BJFS、LHAZ、URUM、WUHN等5个IGS站100天的观测数据对BJFS的气象文件进行解算来获取其可降水量。由于雾霾天气的变化具有季节性，为此选取BJFS地区连续运行的IGS监测站在2013年9~11月，2014年2~3月、5~6月、10月共计100天的数据。

图 2是北京地区PWV水汽与PM2.5浓度变化对比图，数据为每2 h获取一次。

图 2(Fig.2)

图 2 北京地区PWV水汽与PM2.5浓度变化对比图 Fig.2 Change Comparison of PWV and PM2.5 Concentration in Beijing

从图 2(a)可以看出，第266日处有一次数据下降，根据北京当地的天气情况看，第265日有一次降雨，在接下来的几天里天气状况一直良好，直到第271日和第272日出现严重雾霾天气，期间的水汽含量也随着一起升高。第273日和第274日再次出现降雨，大气水汽含量降低且天气质量状况转好。在第280日当天出现一次降雨，使得天气质量状况有所好转(由于篇幅所限，图 2中没有展示2013年第277-第296日变化图)。第285日和第286日再次出现一次降雨过程，期间天气晴好。而在第289日雾霾再次来袭，水汽含量也紧随其后有所升高，直到第291日出现降雨，状况有所改善之后又小幅升高，第295日再次出现降雨，天气质量良好。

从图 2(b)可以看出，水汽含量与PM2.5的浓度几次波折，且每次都有少许滞后现象，但整体正相关性明显。根据当时的天气状况，第301日为霾、阵雨，之后水汽含量与PM2.5都有所下降，天气质量转好。第304~第306日为严重雾霾天气，虽没出现降雨，但水汽含量也明显增高。第309日为多云天气，第312日和第313日为多云、霾天气，其余天气均为晴。

从图 2(c)可以看出，第316日和第317日为雾霾天气，水汽含量也比较高，318日出现北风，PM2.5浓度下降。第325~第327日雾霾加重，水汽含量也明显增高。第328日出现北风，水汽含量与PM2.5质量浓度都得到降低。

从图 2(d)可以看出，除第45~第48日为严重雾霾天气，峰值达到近500 μg，水汽含量无明显变化外，其余均保持良好的正相关性。第49日出现降雪，PM2.5的质量浓度和水汽都有少许下降。第51~第57日为雾霾天气，在第56日达到近500 μg的峰值，水汽含量在这期间也较高。第57日出现降雨，第58日出现北风，使得天气质量状况急剧转好，水汽含量也急剧下降。第59日为多云，第62日为霾、阴天气，水汽含量随之增高，空气质量转好。

从图 2(e)可以看出，这段时间内的空气质量相对较好，水汽与PM2.5保持良好的正相关性。结合气象状况，在第147日出现浮尘天气，但伴随有北风，PM2.5少许下降，整体质量较好。在第151日出现多云、阵雨天气，PM2.5和水汽含量都有所下降。

根据气象部门提供的资料，第281~283日为雾霾天气，水汽含量在这期间持续偏高。而在第284日出现阵雨且伴有北风，PM2.5骤然下降，水汽含量也随之骤然降低如图 2(f)所示。

由上述实例分析可得：①每年的11月到次年的3月为雾霾高发期，且冬季相对干燥，水汽含量普遍偏低；②冬季，PM2.5的质量浓度与相对湿度呈正相关，与风速呈负相关，且颗粒物受风速和相对湿度的影响更大^{[12, 13]}；③通过气象因子与PM2.5的质量浓度的变化情况分析，降雨、降雪以及北风等天气都会改善空气质量，其中，降雨和北风除尘效果较好^[14]。因此，水汽与PM2.5浓度之间存在一定的正相关性^[15]。

为进一步探究各反演量与PM2.5质量浓度的相关性，对北京地区的结果数据进行相关性分析，结果如表 1所示。从表 1可以看出，PM2.5质量浓度的变化对ZTD、ZWD、PWV产生影响，相关系数在0.45~0.69，呈现出一定的正相关性。

表 1(Tab.1)

表 1 PM2.5与ZTD、ZWD、PWV的相关系数 Tab.1 Correlation Coefficient of PM2.5 and ZTD, ZWD, PWV

表 1 PM2.5与ZTD、ZWD、PWV的相关系数 Tab.1 Correlation Coefficient of PM2.5 and ZTD, ZWD, PWV 项目 2013年 2014年 第266~ 第295日 第295~ 第329日 第41~ 第62日 第147~ 第153日 第278~ 第285日 PM2.5-ZTD 0.426 6 0.477 5 0.447 2 0.445 1 0.640 4 PM2.5-ZWD 0.456 0 0.606 9 0.594 6 0.481 4 0.689 8 PM2.5-PWV 0.456 4 0.605 8 0.595 7 0.481 4 0.689 8

本文基于GNSS反演技术，利用GAMIT软件对北京地区的IGS站数据进行解算，获得相关的反演量，并根据已有技术获得PM2.5的质量浓度数据。结合同时期的气象数据，发现PM2.5的质量浓度与风速呈负相关，且颗粒物受风速和相对湿度的影响更大，即与风速和相对湿度有更高的相关程度。研究数据表明，GNSS反演数据与PM2.5质量浓度存在正相关性，在PM2.5的监测与预警机制方面具有一定的研究价值和应用前景，为寻找新的监测方法提供了思路。