Correlation Analysis Between Haze and GNSS Tropospheric Delay Based on Coherent Wavelet
-
摘要: 为了进一步揭示雾霾与对流层延迟相关性的细部特征，基于小波相干算法构建雾霾与天顶对流层延迟（zenith tropospheric delay，ZTD）相关性分析的新方法，有效地分析了雾霾与ZTD相关性的时频空间分布特征及成因。首先，通过分析IGS（internet GNSS service）北京站2014-2017年每个月的ZTD与量化评定雾霾的空气质量指数（air quality index，AQI）的相关系数，发现两者在月尺度上相关系数绝对值大于0.4的比率占29.17%，宏观上显示了两者具有相关性。其次，采用小波相干的方法分析了北京2014-2017年期间年度ZTD与AQI的相关性，发现ZTD与AQI在一定的时频域上具有很强的相关性，并且通过了95%置信度检验。最后，由北京、长春部分时域的ZTD与AQI相关性分析可知，北京3月份ZTD与AQI总体上呈现正相关，并且AQI与温度、气压、湿度和风速具有较好的相关性；在研究时域内秸秆燃烧加剧了北京、长春的雾霾，进而影响对流层延迟。Abstract: Firstly, by analyzing the correlation coefficient between ZTD (zenith tropospheric delay) and AQI (air quality index) of IGS(International GNSS Service) Beijing station in 2014-2017 every month, it is found that the ratio of the absolute value of the correlation coefficient over 0.4 on the monthly scale is 29.17%, and the strong correlation characteristic is shown on the macro. Secondly, wavelet coherence are used to analyze the correlation of annual ZTD and AQI during the period of Beijing 2014-2017. It is found that ZTD and AQI have strong correlation in a certain time frequency domain and pass the 95% confidence test.Finally, according to the correlation analysis of ZTD and AQI in some time domains of Beijing and Changchun, the ZTD and AQI in March in Beijing showed a positive correlation on the whole, and AQI had a good correlation with temperature, pressure, humidity and wind speed.In the study, straw burning in the time domain aggravated the formation of haze in Beijing and Changchun, and then affected the tropospheric delay.
-
Keywords:
- haze /
- tropospheric delay /
- wavelet coherence /
- AQI
-
雾霾是雾和霾的组合，近年来，人类活动造成的颗粒物排放增加，环境与气象条件引起的天气恶化等导致全国各地雾霾天气频发。雾霾及大气污染物主要集中在近地大气，雾霾污染不仅对空气质量和气候有严重的影响，而且对人类的健康也有巨大的危害[1]。目前，观测者主要利用气象站监测雾霾的变化，但气象站数量有限且空间分布不均匀，难以实现雾霾天气的实时监测与预报。随着全球导航卫星系统(Global Navigation Satellite System, GNSS)的快速发展，GNSS在数值天气预报领域取得了较好的效果，并且正在积极开展GNSS天顶对流层延迟(zenith tropospheric delay，ZTD)在雾霾监测与预报方面的应用研究。在雾霾爆发过程中，空气中颗粒物含量的急增必然引起GNSS对流层延迟的变化。有效掌握对流层延迟的变化规律，GNSS可构建雾霾天气监测新途径。因此，深入研究雾霾与ZTD之间复杂的相关性，是实现雾霾监测、预报及成因分析的基础，具有重要的现实意义。
近年来，国内外许多学者积极开展雾霾与对流层延迟的相关性研究。Solheim等[2]研究了大气中水蒸气、水凝物和其他微粒(沙子、尘埃、气溶胶和火山灰)对GNSS信号传播的影响，结果表明水汽、云液、雨和沙尘暴的传播延迟对GNSS精密定位有重要的影响。Stoycheva等[3]利用GNSS研究了雾的形成、发展和消散过程。王勇等[4]采用北京市全球定位系统(Global Positioning System, GPS)连续观测网数据分析雾霾与ZTD的变化，结果表明雾霾与ZTD同步变化。陈林等[5]利用GPS/GLONASS组合的精密单点定位技术监测北京雾霾对ZTD的影响，表明日均雾霾变化与天顶对流层延迟变化趋势一致。潘文超等[6]研究了中国境内4个IGS站30 d ZTD与量化评定雾霾的空气质量指数(air quality index，AQI)的变化趋势，表明ZTD与AQI有着较强的相关关系。以上文献主要基于回归分析、相关系数分析、图表相关分析等方法研究雾霾、对流层延迟及其他影响因素之间的相关性，宏观上指出了雾霾与对流层存在较强的相关关系。由于雾霾变化与对流层延迟响应之间存在明显的时频空间分布特征，这些特征的挖掘有助于进一步分析两者相关性的细部特征及成因解释。因此，从时频空间分布角度开展雾霾与ZTD的相关性研究十分必要。
小波相干是基于小波变换提出的两个时间序列在时频域中的相互关系的新方法，可以揭示不同时段不同频率尺度上的一致性和相关性，能再现时频空间中的相位关系，并且通过红色噪音标准谱的检验，验证结果的可靠性。小波相干谱能从时频空间中挖掘两个时间序列局部相干的密切程度[7], 较好地度量低能量区域两者的显著相关性。因此，小波相干谱的分析方法在区域气候分析[8]、水文分析[9]、地球物理分析[10]等领域已有广泛的应用，但是小波相干用于雾霾与对流层延迟的相关性研究还未得见。本文利用国际GNSS服务(International GNSS Service，IGS)提供的ZTD数据和量化评定雾霾的AQI数据，基于小波相干的分析方法，从多角度、多时间尺度上分析了ZTD与AQI在月尺度、年度、部分时域上的相关性及成因，并进一步揭示了两者在位相结构及细部变化的规律，为GNSS精确定位、雾霾反演以及空气质量的监测提供可靠的理论与实践依据。
1 ZTD、AQI与小波相干的基本概念
1.1 ZTD概念
对流层位于大气层的最低层，紧靠地球表面，对流层延迟是影响GNSS导航定位精度的主要因素之一。ZTD与测站所处的位置、气压、温度和湿度有着密切的关系。近年来兴起的GNSS气象学通过计算大气折射量来反演大气中的水汽分布，进行气象学研究和天气预报[11-12]。国内外关于对流层延迟模型的研究成果颇为丰富，如经验模型包括Hopfield模型[13]、Saatamoinen模型[14]等。目前，天顶对流层延迟产品用于空气质量监测和预报的研究还处于发展阶段, 本文使用IGS站提供的测站高精度天顶对流层延迟产品，部分缺失数据使用三次样条插值得到。所谓三次样条插值就是将原始长序列分割成若干段，构建多个三次函数，使得分段的衔接处具有二阶导数连续的性质。
1.2 AQI指标定量描述雾霾变化的有效性
雾霾天气是一种大气污染状态，雾是由许多悬浮在近地大气中的小水滴组成的气溶胶，霾是空气中水汽凝结的产物，其中PM2.5、PM10被认为是造成雾霾天气的主要原因[15-16]。AQI是定量描述空气质量状况的无量纲指数，它综合考虑了SO2、NO2、PM10、PM2.5、CO、O3等6项污染物的污染情况，空气质量综合指数越大，表明综合污染程度越重[17]。其计算过程为：首先计算每一项污染物的单项质量指数，然后将6项污染物的单项质量指数相加，即得到空气质量综合指数。AQI计算时会利用PM2.5和PM10的数据，所以AQI与两者间都存在较高的相关性。本文通过计算北京、长春2015年AQI与PM2.5、PM10之间的相关系数，验证AQI指标定量描述雾霾变化的有效性。其中，北京AQI与PM2.5的相关系数为0.95，AQI与PM10的相关系数为0.78，相关系数均大于0.7。长春AQI与PM2.5的相关系数为0.91，AQI与PM10的相关系数为0.93，相关系数均大于0.9。由于雾霾形成的主要原因是PM2.5、PM10，研究ZTD与AQI的相关性能很好地表示ZTD与雾霾的相关关系。AQI数据可以从中国空气质量在线监测分析平台(http://www.aqistudy.cn/)获取。
1.3 小波相干
小波相干谱可以用来度量时频空间中两个时间序列局部相关的密切程度[4]。小波相干谱的显著性检验采用Monte Carlo方法，本文对小波相干谱只标出了Rn2(s)≥0.5的位相变化。AQI和ZTD时间序列分别用X、Y表示，定义AQI和ZTD的小波相干谱为：
$$ R_n^2\left( s \right) = \frac{{\left| {S{{\left( {{s^{ - 1}}W_n^{XY}\left( s \right)} \right)}^2}} \right|}}{{S\left( {{{\left| {{s^{ - 1}}W_n^X\left( s \right)} \right|}^2}} \right) \cdot S\left( {{{\left| {{s^{ - 1}}W_n^Y\left( s \right)} \right|}^2}} \right)}} $$ (1) 式中，S是平滑器；s为伸缩尺度；WnX(s)、WnY(s)分别为X、Y的小波变换； WnXY(s)为交叉小波谱。
2 ZTD与AQI的相关性分析
本文选取中国空气质量在线监测分析平台发布的城市日平均AQI和IGS站的日平均ZTD数据，采用相关系数、小波相干两种分析方法研究了AQI和ZTD的月尺度、年度、部分时域的相关性及成因。
2.1 ZTD与AQI月尺度相关性分析
Pearson相关系数可以有效地从宏观角度反映两变量之间的相关关系。相关系数的绝对值越大，两变量之间的相关性越强，相关系数越接近于1或-1时，表示相关度越强；相关系数越接近0时，表示相关度越弱。通过相关系数的绝对值取值范围可以判断变量的相关强度[18]。
由于雾霾与对流层延迟受多种因素的影响，为了细致分析ZTD与AQI在月尺度上的相关性及成因，选取了2014-2017年IGS北京站的ZTD与AQI数据，以月为时间尺度分析两者的相关性。所谓月尺度，就是针对两个变量相对应的一个月的日均数据进行处理分析。采用Pearson相关系数分析ZTD与AQI在月尺度上的相关性(表 1)。
表 1 不同年份月尺度的ZTD与AQI相关系数Table 1. Correlation Between ZTD and AQI on the Monthly Scale in Different Years月份 2014年 2015年 2016年 2017年 1月 0.396 0.106 0.110 0.448 2月 0.462 -0.099 0.459 -0.232 3月 0.352 0.443 0.109 0.712 4月 -0.047 0.130 0.254 0.447 5月 0.513 0.550 -0.006 -0.124 6月 0.483 0.528 0.189 0.111 7月 0.140 -0.070 -0.427 -0.534 8月 0.092 -0.281 0.222 0.286 9月 0.465 -0.147 0.341 0.589 10月 -0.062 0.258 -0.244 0.194 11月 0.125 -0.192 -0.262 0.342 12月 -0.010 0.250 -0.086 0.109 由表 1可知，2014年2月、5月、6月、9月，2015年3月、5月、6月，2016年2月，2017年1月、3月、4月、9月，ZTD与AQI的相关性为正相关，相关系数均大于0.4；2016年7月、2017年7月, ZTD与AQI的相关性为负相关，相关系数均小于-0.4。2014-2017年, 北京ZTD与AQI相关系数绝对值大于0.4的比率占29.17%，ZTD与AQI在一定的月尺度上具有相关关系。北京地势西北高、东南低，且冬季多为东北风，结合北京的地理条件以及主要农作物，寒流、气温变化、降雨、秸秆燃烧可能会对ZTD与AQI的相关性有一定的影响。
2.2 AQI与ZTD年度相关性分析
为了更好地分析ZTD与AQI在时频域上的相关性、细部特征及变化规律，分别选取了2014-2017年间北京市每年的空气质量指数AQI和IGS北京站ZTD数据，利用小波相干谱绘制ZTD-AQI频谱图。小波相干谱不仅可以揭示两个时间序列共同的高能量区以及位相关系，而且可以度量时频空间中两个时间序列局部相关的密切程度。为了避免小波边界效应及小波高频虚假信息，针对每一年的分析数据向两端延伸60 d，年积日的坐标范围为-59~425，分析范围为图 1中的红线区域。图 1中粗实线区域表示通过显著性水平α=0.05条件下的红噪声标准谱的检验，小波影响椎(图中细弧线)以内区域为有效谱值；箭头表示两者之间的位相关系，→表示ZTD与AQI同位相，说明两者为正相关关系，←表示ZTD与AQI反位相，说明两者为负相关关系，↓表示AQI变化超前ZTD变化90°(对应时间为0.25 d)，↑表示AQI变化落后ZTD变化90°。
![]()
图 1 北京2014年ZTD与AQI小波相干谱Figure 1. ZTD and AQI Wavelet Coherence Spectrum in Beijing, 2014图 1显示，0~4 d周期区间，两信号序列在18~30、51~62、146~159年积日上呈现很强的相关性，相关系数达到0.9，通过95%置信度的检验(高能区，显著相关)；4~8 d周期区间，两信号序列在50~90、148~194、234~252年积日上呈现很强的相关性，相关系数达到0.9，通过95%置信度的检验；8~16 d周期区间，两信号序列在1~17、119~170、239~259、277~298、313~343年积日上呈现很强的相关性，相关系数达到0.7，通过95%置信度的检验；128~167 d周期区间，两信号序列在106~255年积日上呈现很强的相关性，相关系数达到0.8，通过95%置信度的检验。2014年北京ZTD与AQI在0~16 d、128~167 d周期区间都呈现显著的能量高值区，且图中置信度大于95%区域内箭头的指向基本上在0~90°(除了0~4 d周期区间的18~30、51~62年积日，8~16 d周期区间的313~343年积日)。由此可以看出，ZTD与AQI在2014年基本上呈现正相关关系。
图 2显示，4~8 d周期区间，两信号序列在328~350年积日呈现出很强的相关性，相关系数达到0.9，通过95%置信度的检验；8~16 d周期区间，两信号序列在317~346年积日呈现出很强的相关性，相关系数达到0.9，通过95%置信度的检验；16~32 d周期区间，两信号序列在144~175年积日呈现出很强的相关性，相关系数达到0.7，通过95%置信度的检验；128~167 d周期区间，两信号序列在115~276年积日呈现出很强的相关性，相关系数达到0.8，通过95%置信度的检验。2015年北京ZTD与AQI在4~8 d、8~16 d、16~32 d、128~167 d周期区间都呈现出显著的能量高值区，且图中置信度大于95%区域内箭头的指向基本上在0~90°，由此可以看出, ZTD与AQI在2015年基本上呈现正相关关系。
![]()
图 2 北京2015年ZTD与AQI小波相干谱Figure 2. ZTD and AQI Wavelet Coherence Spectrum in Beijing, 2015图 3显示，0~4 d周期区间，两信号序列在78~94年积日呈现出很强的相关性，相关系数达到0.9，通过95%置信度的检验；4~8 d周期区间，两序列在3~20、162~181、214~226、351~363年积日呈现出很强的相关性，相关系数达到0.9，通过95%置信度的检验；8~16 d周期区间，两信号序列在130~150、222~283、343~365年积日呈现出很强的相关性，相关系数达到0.8，通过95%置信度的检验；32~64 d周期区间，两信号序列在156~236年积日呈现出很强的相关性，相关系数达到0.7，且在图中通过95%置信度检验的区域内，箭头方向基本一致，对应的相位差在0~90°范围内。在4~8 d尺度上的214~226年积日期间、8~16 d尺度上的156~236年积日期间的箭头大致向左，呈现较强的负相关性。由表 1可知，2016年7月(即182~212年积日)ZTD与AQI呈现负相关关系，小波相干谱(图 3)的分析结果与传统相关系数(表 1)的分析结果吻合。由此可以看出，ZTD与AQI在2016年基本上呈现正相关关系(7月除外)。
![]()
图 3 北京2016年ZTD与AQI小波相干谱Figure 3. ZTD and AQI Wavelet Coherence Spectrum in Beijing, 2016图 4显示，0~4 d周期区间，两信号序列在131~161年积日呈现很强的相关性，相关系数达到0.9，通过95%置信度的检验；4~8 d周期区间，两信号序列在75~95、170~185、200~213、252~288年积日呈现很强的相关性，相关系数达到0.9，通过95%置信度的检验；8~16 d周期区间，两信号序列在66~146、164~213、258~318年积日呈现很强的相关性，相关系数达到0.8，通过95%置信度的检验；32~64 d周期区间，两信号序列在1~101年积日呈现很强的相关性，相关系数达到0.9以上，通过95%置信度的检验。在2017年期间，北京的ZTD序列与AQI序列在0~16 d、32~64 d尺度上都呈现出显著的能量高值区，并且在通过95%置信度检验的区域内，箭头的指向大部分一致，对应的相位差在0~90°范围内。图 4显示，在0~4 d尺度上的137~161年积日期间、4~8 d尺度上的170~185年积日与200~213年积日期间、8~16 d尺度上的164~213年积日期间，箭头方向基本向左，呈现负相关。由表 1可知，2017年7月(即182~212年积日)ZTD与AQI呈负相关关系，小波相干谱(图 4)的分析结果与传统的相关系数(表 1)的分析结果相吻合。由此可以看出，ZTD与AQI在2017年基本上呈现正相关关系。
![]()
图 4 北京2017年ZTD与AQI小波相干谱Figure 4. ZTD and AQI Wavelet Coherence Spectrum in Beijing, 2017北京2014-2017年ZTD与AQI在不同尺度不同年积日上呈现出很强的相关性，相关系数达到0.7，通过95%置信度的检验，在一定的时间尺度上小波相干谱的分析结果与传统的相关系数的分析结果一致，并且相关关系更加直观细致。小波相干谱可以清晰地显示ZTD与AQI的相关性特征、变化规律、AQI提前或滞后ZTD的周期。
2.3 ZTD与AQI部分时域相关性分析
为了研究气象要素、秸秆燃烧对ZTD与AQI相关性的影响。选取北京2015年3月、5月、6月和长春2015年6月、7月的数据作为研究对象，利用小波相干的方法从时频域上揭示两者的变化规律、局部特征和位相差异。
2.3.1 北京站2015年3月AQI与ZTD相关性分析
1) ZTD与AQI相关性分析
重点对北京2015年3月份ZTD与AQI的相关性进行了分析，并讨论气象要素对两者相关性的影响。由图 5可知，ZTD与AQI在2015年63~72、75~88年积日上变化趋势基本一致，ZTD增大，AQI随之增大，具有较好的相关性。受到气象要素的干扰，部分时段相关性较差，需要进一步分析。
![]()
图 5 北京2015年60~90年积日ZTD与AQI相关性分析Figure 5. Correlation Analysis of ZTD and AQI from 60 to 90 DOY in Beijing, 20152) AQI与气象要素的相关性分析
ZTD与AQI的相关性受多种因素的影响。综合考虑北京市的气候现状、地理条件以及人为因素，ZTD与AQI的相关性不仅受温度的影响，还与其他气象要素有关。进一步研究温度、气压、风速、湿度与雾霾的相关性，选取European Centre for Medium-Range Weather Forecasts 2015年BJFS站60~90年积日采样率为6 h的nc文件，包括地表气压、相对湿度、风速在u方向的分量、风速在v方向上的分量，温度数据从天气网(www.tianqi.com)获取。便于分析研究，对30 d的数据求日平均值，分析AQI与气压、湿度、风速u分量、风速v分量的相关性。
通过小波相干及相关系数分析可知，温度与AQI在60~90年积日的部分时段呈负相关关系，相关系数为-0.7；气压与AQI在60~90年积日上主要呈负相关关系，相关系数为-0.531，气压下降有利于霾的产生；湿度与AQI在65~78年积日上呈正相关关系，60~90年积日，在发生雾霾的天数里，相对湿度基本上小于30%，相对湿度小于30%更有利于雾霾的产生；风速u变量、风速v变量与AQI在60~90年积日上基本上呈正相关关系。60~90年积日，在发生雾霾的天数里，风速小于4 m/s的占72%，小于4 m/s的风速里，东北风的比例占69%，东南风的比例占31%，这表明近地层长时间的小风速为雾霾的发生创造了有利的条件，且东北风更有利于雾霾的产生，这与周宁芳等[19]的研究结果一致。因此，研究AQI与温度、地表气压、湿度、风速的变化规律，对于地区雾霾的监测和预报具有重要的意义。
2.3.2 北京站与长春站2015年秸秆燃烧时期ZTD与AQI相关性分析
为了探究北京2015年5月、6月和长春2015年6月、7月ZTD与AQI相关性的成因，综合考虑北京市地理环境、温度、湿度、气压、人为因素等，初步分析该时间段ZTD与AQI相关性与北京市秸秆燃烧有关，而北京种植的为冬小麦，长春种植的为春小麦。冬小麦一般9、10月份播种，来年5、6月份收割；春小麦一般3、4月份播种，当年6、7月份收割。避免边界效应及小波高频虚假信息，研究数据向两端延伸20年积日，选取2015年北京100~200年积日、长春130~230年积日的数据，利用小波相干验证两者的相关性以及变化规律，具体见图 6、图 7。
![]()
图 6 北京2015年100~200年积日ZTD与AQI小波相干谱Figure 6. ZTD and AQI Wavelet Coherence Spectrum from 100 to 200 DOY in Beijing, 2015![]()
图 7 长春2015年130~230年积日ZTD与AQI小波相干谱Figure 7. ZTD and AQI Wavelet Coherence Spectrum from 130 to 230 DOY in Changchun, 2015图 6显示，2015年16~32 d周期区间，两信号序列在北京120~170年积日上通过95%置信度的检验，相关系数达到0.8，箭头的方向基本上在0~60°，表明雾霾与对流层延迟在北京120~170年积日上具有很强的正相关关系，雾霾位相超前对流层延迟变化，雾霾发生后的2~5天对流层延迟的值增大。图 7显示，2015年8~16 d周期区间，两信号序列在长春170~190年积日通过95%置信度的检验，相关系数达到0.8，箭头的方向基本上在0~60°，表明长春雾霾与对流层延迟在170~190年积日具有很强的正相关关系，雾霾位相超前对流层延迟变化，雾霾发生后的1~3天对流层延迟的值增大。ZTD与AQI的相关性受秸秆燃烧的影响，秸秆燃烧会加剧雾霾的产生，从而影响对流层延迟。
3 结语
本文利用IGS站提供的GNSS高精度BJFS、CHAN站的ZTD产品，以及中国空气质量在线监测分析平台提供的AQI、PM2.5、PM10数据，基于小波相干构建ZTD与AQI相关性及成因分析的新方法，从多角度、多时间尺度揭示ZTD与AQI相关性及其细部特征。
1) 基于相关系数分析了ZTD与AQI在月尺度上的相关性。结果表明，北京2014-2017年ZTD与AQI在不同的月尺度上具有相关关系，两者相关系数绝对值大于0.4的占比29.17%，宏观上较好地分析了每月ZTD与AQI的相关性。
2) ZTD与AQI年度相关性结果表明，北京2014-2017年AQI与ZTD在一定的时频域上呈现出很强的相关性，相关系数达到0.9，通过95%置信度检验，结果可靠性较高。小波相干谱中箭头的指向可以清晰地显示ZTD与AQI的相关性特征(时频域空间分布特征)，计算AQI提前或滞后ZTD的相位(可换算成提前或滞后时间)。
3) 在研究时域内，北京3月份ZTD与AQI总体呈现正相关趋势。部分时段温度与AQI呈显著负相关关系，气压下降、相对湿度小于30%、东北风更有利于雾霾的产生。北京、长春地区秸秆燃烧显著加剧了雾霾的产生，进而影响对流层延迟。
-
![]()
图 1 北京2014年ZTD与AQI小波相干谱
Figure 1. ZTD and AQI Wavelet Coherence Spectrum in Beijing, 2014
![]()
图 2 北京2015年ZTD与AQI小波相干谱
Figure 2. ZTD and AQI Wavelet Coherence Spectrum in Beijing, 2015
![]()
图 3 北京2016年ZTD与AQI小波相干谱
Figure 3. ZTD and AQI Wavelet Coherence Spectrum in Beijing, 2016
![]()
图 4 北京2017年ZTD与AQI小波相干谱
Figure 4. ZTD and AQI Wavelet Coherence Spectrum in Beijing, 2017
![]()
图 5 北京2015年60~90年积日ZTD与AQI相关性分析
Figure 5. Correlation Analysis of ZTD and AQI from 60 to 90 DOY in Beijing, 2015
![]()
图 6 北京2015年100~200年积日ZTD与AQI小波相干谱
Figure 6. ZTD and AQI Wavelet Coherence Spectrum from 100 to 200 DOY in Beijing, 2015
![]()
图 7 长春2015年130~230年积日ZTD与AQI小波相干谱
Figure 7. ZTD and AQI Wavelet Coherence Spectrum from 130 to 230 DOY in Changchun, 2015
表 1 不同年份月尺度的ZTD与AQI相关系数
Table 1 Correlation Between ZTD and AQI on the Monthly Scale in Different Years
月份 2014年 2015年 2016年 2017年 1月 0.396 0.106 0.110 0.448 2月 0.462 -0.099 0.459 -0.232 3月 0.352 0.443 0.109 0.712 4月 -0.047 0.130 0.254 0.447 5月 0.513 0.550 -0.006 -0.124 6月 0.483 0.528 0.189 0.111 7月 0.140 -0.070 -0.427 -0.534 8月 0.092 -0.281 0.222 0.286 9月 0.465 -0.147 0.341 0.589 10月 -0.062 0.258 -0.244 0.194 11月 0.125 -0.192 -0.262 0.342 12月 -0.010 0.250 -0.086 0.109 
下载: 导出CSV
-
[1] 李岚淼, 李龙国, 李乃稳.城市雾霾成因及危害研究进展[J].环境工程, 2017(12):92-97 http://d.old.wanfangdata.com.cn/Periodical/hjgc201712019 Li Lanmiao, Li Longguo, Li Naiwen.Studies Review on Cause and Damage of Urban Haze[J]. Environmental Engineering, 2017(12):92-97 http://d.old.wanfangdata.com.cn/Periodical/hjgc201712019
[2] Solheim F S, Vivekanandan J, Ware R H, et al.Propagation Delays Induced in GNSS Signals by Dry Air, Water Vapor, Hydrometeors, and Other Particulates[J].Journal of Geophysical Research Atmospheres, 1999, 104(D8):9663-9670 doi: 10.1029/1999JD900095
[3] Stoycheva A, Guerova G. Study of Fog in Bulgaria by Using the GNSS Tropospheric Products and Large Scale Dynamic Analysis[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2015, 133:87-97 doi: 10.1016/j.jastp.2015.08.004
[4] 王勇, 闻德保, 刘严萍, 等.雾霾天气对GNSS天顶对流层延迟与可降水量影响研究[J].大地测量与地球动力学, 2014, 34(2):120-123 http://www.cqvip.com/QK/95685A/201402/49755069.html Wang Yong, Wen Debao, Liu Yanping, et al.Effects of Fog and Haze Weather on GNSS Zenith Tropospheric Delay and Precipitable Water Vapor[J]. Journal of Geodesy and Geodynamics, 2014, 34(2):120-123 http://www.cqvip.com/QK/95685A/201402/49755069.html
[5] 陈林, 郭承军, 范进伟.GNSS系统监测雾霾对天顶对流层延迟的影响[J].电子技术应用, 2016, 42(4):95-98 http://d.old.wanfangdata.com.cn/Periodical/dzjsyy201604028 Chen Lin, Guo Chengjun, Fan Jinwei. Monitoring Effects of Haze Weather on Zenith Tropospheric Delay by GNSS[J]. Application of Electronic Technique, 2016, 42(4):95-98 http://d.old.wanfangdata.com.cn/Periodical/dzjsyy201604028
[6] 潘文超, 郝金明, 张辉, 等.雾霾与GPS对流层天顶延迟相关性探究[J].武汉大学学报·信息科学版, 2017, 42(5):609-615 http://ch.whu.edu.cn/CN/abstract/abstract5726.shtml Pan Wenchao, Hao Jinming, Zhang Hui, et al. Correlation of the Haze and GPS Troposphere Zenith Path Delay[J]. Geomatics and Information Science of Wuhan University, 2017, 42(5):609-615 http://ch.whu.edu.cn/CN/abstract/abstract5726.shtml
[7] 孙鹏, 张强, 陈晓宏.鄱阳湖流域水沙周期特征及其影响因素[J].武汉大学学报(理学版), 2011, 57(4):298-304 http://d.old.wanfangdata.com.cn/Periodical/whdxxb-zr201104005 Sun Peng, Zhang Qiang, Chen Xiaohong. Periodic Properties and Its Implications of the Sediment Load and Runoff Changes of the Poyang Lake Basin[J]. Journal of Wuhan University(Natural Science Edition), 2011, 57(4):298-304 http://d.old.wanfangdata.com.cn/Periodical/whdxxb-zr201104005
[8] 孙卫国, 程炳岩.交叉小波变换在区域气候分析中的应用[J].应用气象学报, 2008(4):479-487 doi: 10.3969/j.issn.1001-7313.2008.04.012 Sun Weiguo, Cheng Bingyan. Application of Cross Wavelet Transform to Analysis on Regional Climate Variations[J]. Journal of Applied Meteorologica Science, 2008(4):479-487 doi: 10.3969/j.issn.1001-7313.2008.04.012
[9] 邵骏.基于交叉小波变换的水文多尺度相关分析[J].水力发电学报, 2013, 32(2):22-26 http://d.old.wanfangdata.com.cn/Periodical/slfdxb201302005 Shao Jun. Hydrological Multi Scale Correlation Analysis of Hydrological Time Series Based on Cross Wavelet Transform[J]. Journal of Hydroelectric Engineering, 2013, 32(2):22-26 http://d.old.wanfangdata.com.cn/Periodical/slfdxb201302005
[10] 段鹏硕, 刘根友, 柳林涛, 等.地球动力学扁率与南极涛动年际变化的小波相干分析[J].科学通报, 2014, 59(30):2947-2955 http://www.cnki.com.cn/Article/CJFDTOTAL-KXTB201430007.htm Duan Pengshuo, Liu Genyou, Liu Lintao, et al. Wavelet Coherence Analysis of the Correlation Between Interannual Variability in the Earth's Dynamic Oblateness and the Antarctic Oscillation[J]. Chinese Science Bulletin, 2014, 59(30):2947-2955 http://www.cnki.com.cn/Article/CJFDTOTAL-KXTB201430007.htm
[11] Baker H C, Dodson A H, Penna N T, et al. Ground-Based GPS Water Vapour Estimation:Potential for Meteorological Forecasting[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2001, 63:1331-1341 doi: 10.1016/S1364-6826(00)00251-0
[12] 王勇, 柳林涛, 肖建华, 等.武汉地区GPS气象网试验研究[J].武汉大学学报·信息科学版, 2007, 32(5):435-438 http://ch.whu.edu.cn/CN/abstract/abstract1889.shtml Wang Yong, Liu Lintao, Xiao Jianhua, et al.GPS Meteorology Network in Wuhan Region[J]. Geomatics and Information Science of Wuhan University, 2007, 32(5):435-438 http://ch.whu.edu.cn/CN/abstract/abstract1889.shtml
[13] Hopfield H S.Two-Quartic Tropospheric Refractivity Profile for Correcting Satellite Data[J].Journal of Geophysical Research, 1969, 74(18):4487-4499 doi: 10.1029/JC074i018p04487
[14] Saastamoinen J. Atmospheric Correction for Troposphere and Stratosphere in Radio Ranging of Satellites[J]. Use of Artificial Satellites for Geodesy, 1972, 15(6):247-251 http://adsabs.harvard.edu/cgi-bin/nph-data_query?bibcode=1972GMS....15..247S&db_key=AST&link_type=ABSTRACT
[15] 张双成, 赵立都, 吕旭阳, 等.GNSS水汽在雾霾天气监测中的应用研究[J].武汉大学学报·信息科学版, 2018, 43(3):451-456 http://ch.whu.edu.cn/CN/abstract/abstract6005.shtml Zhang Shuangcheng, Zhao Lidu, Lv Xuyang, et al. Application of GNSS Water Vapor to Hazy Weather[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3):451-456 http://ch.whu.edu.cn/CN/abstract/abstract6005.shtml
[16] 王珊, 修天阳, 孙扬, 等.1960-2012年西安地区雾霾日数与气象因素变化规律分析[J].环境科学学报, 2014, 34(1):19-26 http://d.old.wanfangdata.com.cn/Periodical/hjkxxb201401003 Wang Shan, Xiu Tianyang, Sun Yang, et al.The Changes of Mist and Haze Days and Meteorological Element During 1960-2012 in Xi'an[J].Acta Scientiae Circumstantiae, 2014, 34(1):19-26 http://d.old.wanfangdata.com.cn/Periodical/hjkxxb201401003
[17] 戴永立, 陶俊, 林泽健, 等. 2006-2009年我国超大城市霾天气特征及影响因子分析[J].环境科学, 2013, 34(8):2925-2932 http://d.old.wanfangdata.com.cn/Periodical/hjkx201308001 Dai Yongli, Tao Jun, Lin Zejian, et al.Characteristics of Haze and Its Impact Factors in Four Megacities in China During 2006-2009[J].Environmental Science, 2013, 34(8):2925-2932 http://d.old.wanfangdata.com.cn/Periodical/hjkx201308001
[18] 胡添翼, 杨光, 陈波, 等.基于Pearson相关性检验的ARIMA边坡位移监测模型[J].水利水电技术, 2016, 47(1):71-75 doi: 10.3969/j.issn.1000-0852.2016.01.011 Hu Tianyi, Yang Guang, Chen Bo, et al.Pearson Correlation Test-Based ARIMA Model of Displacement Prediction[J].Water Resources and Hydropower Engineering, 2016, 47(1):71-75 doi: 10.3969/j.issn.1000-0852.2016.01.011
[19] 周宁芳, 李峰, 饶晓琴, 等.2006年冬半年我国霾天气特征分析[J].气象, 2008, 34(6):81-88 http://d.old.wanfangdata.com.cn/Periodical/qx200806012 Zhou Ningfang, Li Feng, Rao Xiaoqin, et al.Study on Haze Weather in China During Winter-Time of 2006[J].Meteorological Monthly, 2008, 34(6):81-88 http://d.old.wanfangdata.com.cn/Periodical/qx200806012
-
期刊类型引用(7)
1. Weifeng Yang，Zhiping Chen，Kaiyun Lv，Pengfei Xia，Tieding Lu. The GNSS PWV retrieval using non-observation meteorological parameters based on ERA5 and its relation with precipitation. Geodesy and Geodynamics. 2024(03): 302-313 . 
必应学术
2. 郭敏，张捍卫，夏朋飞. GNSS天顶对流层延迟的短时天气预报分析. 测绘科学. 2021(04): 28-36 . 百度学术
3. 孙宪龙，孔晓宇，贾丙宏，杜自豪. 一种新的雾霾天气下PM2.5浓度短时预测模型. 北京测绘. 2021(04): 494-499 . 百度学术
4. 崔晨耕. 小波分析在GPS动态监测数据处理中的应用. 甘肃科学学报. 2020(02): 63-68 . 百度学术
5. 王小杰，姜仁贵，解建仓，赵勇. 西安市汛期降水变化特征及驱动机制研究. 自然灾害学报. 2020(02): 138-148 . 百度学术
6. 郭敏，张捍卫，张红利. GNSS产品预测小时尺度上PM_(2.5)浓度的不同模型分析研究. 地球物理学进展. 2020(06): 2068-2074 . 百度学术
7. 王勇，任栋，刘严萍，李江波. 融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究. 武汉大学学报(信息科学版). 2019(08): 1198-1204 . 百度学术
其他类型引用(13)
计量
- 文章访问数: 1704
- HTML全文浏览量: 214
- PDF下载量: 210
- 被引次数: 20
