雾和霾的混合物引起的恶劣天气被称为雾霾天气。雾霾主要由二氧化硫、氮氧化物和可吸入颗粒组成，其与雾气结合在一起，让天空变得阴沉灰暗。雾是一种自然天气现象，是由大量悬浮在近地面空气中的微小水滴或冰晶组成的气溶胶。当空气的水汽达到饱和时，多余的水汽凝结，并与微小的灰尘颗粒结合，形成小水滴或冰晶，这就是雾。雾的形成主要有两个原因：(1)空气中的水汽大量增加，使得露点气温升高，从而形成雾，比如蒸汽雾和锋面雾；(2)气温下降至低于露点而生成雾，比如平流雾和辐射雾。当前研究表明霾的成因有两点：(1)空气中存在的对人体有害的颗粒物，如工厂、汽车等排放的尾气等，是形成霾最主要的成因，也是霾之所以有害的最本质原因；(2)空气相对湿度低于80%，这也是霾区别雾的一个主要特征。由此可见，雾霾天气带来的恶劣影响是雾霾中的霾所造成的。污染严重、能见度低的雾霾天气的形成需要两个条件：(1)要有污染物的排放；(2)要有不利于污染物扩散的气象条件。

雾霾天气的严重程度在中国目前主要通过监测仪器获取相应指数来表示，如SO₂、CO、PM2.5、PM10和空气质量指数(air quality index, AQI)等。指数中的PM，英文全称为(particulate matter(颗粒物))。PM2.5又称可入肺颗粒，指环境空气中空气动力学当量直径小于或等于2.5 μm的颗粒物；PM10又称为可吸入颗粒物，指直径大于2.5 μm、等于或小于10 μm，可以进入人的呼吸系统的颗粒物。PM2.5作为可入肺颗粒对人体的危害较PM10更大，所以人们更加关注PM2.5的数值。科学家常用PM2.5和PM10表示每m³空气中这种颗粒的含量，单位是μg/m³；这个值越高，就代表空气污染越严重。世界卫生组织(World Health Organization, WHO)认为，PM2.5小于10 μg/m³是安全值，中国PM2.5日均浓度上限为75 μg/m³，年均浓度上限为35 μg/m³。

为了统计雾霾的年度变化规律，本文获取了2014年度中国北京(红色折线)、西安(蓝色折线)与拉萨(绿色折线)3地的雾霾监测站PM2.5的日平均变化数据(见图 1)。由图 1雾霾指数PM2.5变化可知：

图  1  2014年北京、西安与拉萨雾霾指数PM2.5日平均变化图

Figure 1.  Plot of PM2.5 in Beijing, Xi'an and Lasa

1) 在人口、车辆、工业企业密集的首都北京和西安雾霾天气极其严重，空气质量很差，西安雾霾指数PM2.5浓度最高值已超过500；而在人口较少的西藏拉萨地区PM2.5浓度很小，基本不超过50，空气受污染程度很小，空气质量很高。

2) 由雾霾指数变化规律可知雾霾存在较强的季节性变化，在秋冬季节雾霾严重，而在春秋季节相对较弱。雾霾的季节性变化在人口密集的北京和西安表现得更加明显。

3) 由PM2.5浓度变化可知，北京和西安两地处于重度污染(PM2.5浓度高于150)的霾日较多，尤其是人口密集的首都北京，重度污染日均处于冬季，这可能与冬季取暖、空气干燥、机动车尾气排放、春节燃放烟花爆竹等有一定的相关性。

4) 雾霾天气主要发生在干燥的秋冬季节，雨水较多的夏季雾霾天气较少，说明水汽含量的升高在一定程度上可以降低雾霾天气的发生。

由雾霾的变化规律统计结果可以看出雾霾天气与季节天气存在有密切联系。

目前，常规的空间水汽探测手段主要有无线电探空仪、微波辐射计、卫星雷达等。GPS探测水汽是近年来发展起来的一种新技术，具有全天候、高时空分辨率、实时监测、无需校准、维护简单、不受降水和云影响等优点。大量的研究试验和业务运行已验证了GPS探测水汽时空分布的可行性和可靠性。

GPS探测水汽的关键问题是GPS监测站天顶对流层总延迟(zenith total delay, ZTD)参数的估算，通过高精度的GPS数据处理可以获取该参数。从估算出的总天顶延迟中减去由地面气象元素(气压、温度、相对湿度)所推算出的天顶干延迟量(zenith hydrostatic delay, ZHD)，即可得到所需要的天顶湿延迟(zenith wet delay, ZWD)：

对流层中的天顶湿延迟量ZWD与空气中的可降水量PWV存在如下关系^[3]：

式中, Π为转换系数，其随季节和地区变化，但可采用区域大量的探空或气象观测资料精确求取，也可以采用经验值0.15。式(2)也是地基GPS探测水汽PWV的基本方程。

为了分析GPS水汽与雾霾指数的相关性，本文收集了2014-01-01-2014-11-30国际GNSS服务(International GNSS Service, IGS)站北京房山(BJFS)的GPS水汽和北京天坛站的雾霾资料进行对比分析(见图 2)，天坛站为距离BJFS的GPS站最近的雾霾监测站。

图  2  2014年北京天坛PM2.5与房山站GPS水汽对比图

Figure 2.  Comparison of PM2.5 and PWV in Beijing

1) GPS水汽。GPS水汽资料来自于BJFS站的连续运行GPS观测数据和自动气象站数据。BJFS站属于IGS跟踪站，GPS数据采样间隔为30 s，气象数据采样间隔为15 min。通过联测BJFS站周边的URUM、ULAB、WUHN和CHAN 4个远距离IGS站，采用高精度GPS数据处理软件包GAMIT进行解算获取了BJFS站的对流层延迟产品，结合本站的气象观测资料求解了GPS水汽资料PWV。

2) 雾霾数据。北京房山站没有雾霾监测站，获取了距离BJFS站最近的天坛雾霾监测站数据。雾霾数据来源于中国空气质量在线监测分析平台，时间采样率为每小时一次。本文获取了北京天坛监测站2014年1月至11月的每小时PM2.5监测数据。

图 2横轴表示月份，纵轴分别表示雾霾指数PM2.5(蓝色折线)和GPS水汽PWV(红色折线)。由图 2中PM2.5与GPS水汽PWV的变化对比可知。

1) 2014年北京天坛雾霾指数PM2.5在冬季最为严重，特别是在冬季的1~3月达到最大值(PM2.5高达600)，夏季雾霾指数为全年最低，雾霾指数变化整体上存在季节性变化。北京冬季重度雾霾天气在一定程度上可能与冬季天气干燥、冬季取暖、机动车辆尾气排放和春节燃放烟花爆竹等因素密切相关。

2) 2014年GPS水汽PWV在冬季1~3月份最低，夏季7、8月份达到最大值，PWV变化整体上存在季节性变化。GPS水汽也与北京地区夏季多雨、冬季干燥的实际气候规律吻合一致。

3) 从年度变化上来看，GPS水汽PWV和雾霾指数PM2.5的年度变化呈现出一定的反相关性，即随着GPS水汽PWV的逐渐变小，雾霾指数PM2.5会逐渐变大；冬季GPS水汽最低，雾霾指数PM2.5达到最大；夏季GPS水汽PWV最大，而雾霾指数PM2.5达到最小。

为了进一步分析雾霾指数与GPS水汽PWV的相关性，在上述采集的数据中整理了2014年3月和9月的对比结果(见图 3、图 4)。

图  3  2014年3月北京天坛PM2.5与房山站GPS水汽对比图

Figure 3.  Comparison of PM2.5 and PWV in Mar.2014

图  4  2014年9月北京天坛PM2.5与房山站GPS水汽对比图

Figure 4.  Comparison of PM2.5 and PWV in Sep.2014

图 3和图 4的横轴表示日期，纵轴分别表示雾霾指数PM2.5(蓝色折线)和GPS水汽PWV(红色折线)。由图 3、图 44中PM2.5与GPS水汽PWV的变化对比可知。

1) 在雾霾天气形成过程中，雾霾指数PM2.5与GPS水汽PWV的日变化具有较强的正相关性，尤其是在重度雾霾的冬季。

2) GPS水汽在上升过程中会加剧雾霾天气的形成，当GPS水汽达到一定峰值或形成降水时，在一定程度上会减缓雾霾天气的持续影响。

3) 雾霾天气主要由空气中的颗粒物组成，伴随着空气中水汽的增加PM2.5浓度会逐渐升高；当水汽含量不断升高，并形成降水时便稀释PM2.5浓度，进而改善雾霾天气的影响，提高空气质量。

综合上述对比结果可知，GPS水汽PWV与雾霾指数PM2.5均呈现明显的季节性变化，且GPS水汽与雾霾形成过程存在一定的相关性。在雾霾天气的年度变化中，雾霾天气在GPS水汽含量较低的季节最严重；在雾霾天气的日变化中，雾霾天气伴随GPS水汽含量的上升而加剧。由此可见，水汽变化是雾霾天气形成的主要因素之一，在一定程度上GPS水汽可以作为辅助监测雾霾天气形成的重要指标。

由雾霾的形成过程可知，雾霾天气的形成受多种因素综合影响，其中空气中的水汽含量和相对湿度是两个主要因素，而且相对湿度还是辨别雾与霾含量的重要指标。高精度、实时GPS水汽是否与空气相对湿度存在一定的相关性，GPS水汽是否可以用于辨别雾与霾，下文将对雾霾天气下的GPS水汽与相对湿度进行对比分析。

由雾与霾的形成原因可知，雾霾天气下雾与霾的比例与空气中的相对湿度密切相关，而空气中的水汽含量与相对湿度也存在一定关系。GPS水汽与重度雾霾天气的形成存在一定的相关性，特别是在水汽含量较少的冬季。

为了获取雾霾天气下相对湿度与GPS水汽的变化，本文获取了2014年1月陕西省西安市临潼站的监测资料进行对比分析(见图 5、6)。

图  5  2014年1月临潼站RH与PM2.5对比图

Figure 5.  Comparison of PM2.5 and RH in Jan.2014

图  6  2014年1月临潼站RH与PWV对比图

Figure 6.  Comparison of PWV and RH in Jan.2014

图 5和图 6的横轴表示日期，纵轴分别表示雾霾指数PM2.5(蓝色折线)、相对湿度RH(黑色折线)和GPS可降水量PWV(红色折线)。由图 5、6中的相互变化对比结果可知。

1) 图 5显示重度污染(PM2.5浓度高于150)天气下PM2.5与空气中的相对湿度在一定程度上强相关，相对湿度的升高会加剧雾霾天气的形成，未达到饱和状态的相对湿度会带来持续雾霾天气。

2) 图 5也显示出雾霾天气的形成需要一定的相对湿度。气象监测结果表明霾的相对湿度小于80%，雾的相对湿度大于90%，相对湿度介于80~90%是霾和雾的混合物，但其主要成分是霾。图 5中重度雾霾与相对湿度的对比结果和气象监测统计结果吻合较好，也即在相对湿度较低时容易发生引发雾霾天气。

3) 图 6显示空气中的相对湿度与GPS水汽变化规律在整体上有较强的一致性，也即GPS水汽含量的上升会导致相对湿度的升高，反之亦然。相对湿度与GPS水汽变化在局部上的差异，主要是因为GPS水汽反映了测站上空大气柱中水汽含量总的变化，而相对湿度反映的是地表水汽压与饱和水汽压的比值，即主要是地表水汽压变化规律。因此，地表水汽蒸发引起水汽压的变化，进而导致GPS水汽滞后于相对湿度的变化。

4) 雾的厚度只有几十米至200 m左右，霾的厚度可达1~3 km左右。结合图 3~图 6可知，由于GPS水汽为大气柱中水汽含量总的变化，因此GPS水汽在一定程度上可以更好地反映霾的形成过程。

综上所述，通过对雾霾指数、GPS水汽和相对湿度变化过程的对比分析，可以初步得到如下结论：

1) 雾霾天气主要发生在水汽含量较少的秋冬季节。雾霾的形成过程与GPS水汽变化存在一定的正相关性，即GPS水汽含量的上升为雾霾天气的形成创造了有利条件，而GPS水汽含量的急剧下降也会改变雾霾天气的持续影响。

2) 雾霾天气的形成与空气的相对湿度密切相关，而GPS水汽的变化也在一定程度上反映了空气中相对湿度的变化，因此综合GPS水汽和相对湿度可以较全面地监测雾霾的形成过程，进一步辨别雾与霾的含量。

3) GPS水汽含量的多少与空气湿度能否达到饱和状态有一定相关性，因此对持续重雾霾天气，气象部门可在一定程度上借助GPS水汽含量开展人工增雨(雪)工作来改变空气的相对湿度，进而改善雾霾天气的持续影响，提高空气质量。

由此可见，GPS作为一种新型的水汽探测技术，可以获取测站上空垂直气柱中的大气水汽总量，不仅在天气分析和预报等气象业务领域得到广泛应用，而且在一定程度上还可以作为雾霾天气监测系统中的一种有力补充。中国区域布设的GPS连续运行跟踪站可提供实时水汽资料，在一定程度上可为掌握雾霾天气的形成及变化，以及抑制持续雾霾天气的影响提供有价值的参考信息。

由于雾霾和气象资料有限，本文仅对雾霾、GPS水汽和相对湿度进行了初步的定性分析，后续将采用更加精确的并址雾霾与气象观测资料进行更加深入的定量分析。但通过本文的初步探索可以得知，GPS水汽在一定程度上可能有助于雾霾天气的监测，以此为基础将进一步研究不同季节、不同成因、不同区域下雾霾天气中的GPS水汽演变特征，并结合气象遥感卫星的气溶胶资料开展多源数据用于雾霾天气的综合分析，以提高雾霾天气的监测与预报的准确率。