苏州城区能见度与颗粒物浓度和气象要素的相关分析

利用苏州市2009年9月─2010年5月的颗粒物(包括黑碳,PM_2.5和PM₁₀)质量浓度、能见度、相对湿度、风速、风向、气温等观测资料,分析了苏州城区能见度与颗粒物质量浓度及气象要素的相关关系.结果表明:ρ(黑碳),ρ(PM_2.5)和ρ(PM₁₀₎与能见度的r(相关系数)分别为-0.465,-0.359和-0.238,这3种颗粒物中,能见度与ρ(黑碳)的相关性最显著.当相对湿度≤60%时,ρ(黑碳),ρ(PM_2.5)和ρ(PM₁₀₎与能见度的r分别为-0.675,-0.411和-0.364.相对湿度较低时,颗粒物与能见度相关性较好.能见度与温度、风速的r分别为0.132和0.188,与相对湿度的r为-0.632.用颗粒物质量浓度和气象要素建立的能见度多元线性回归模型效果不好,在该模型基础上用ρ(黑碳),ρ(PM₁₀₎和相对湿度建立了能见度的多元二次回归模型,R(复相关系数)达到0.865,R2(复决定系数)达到0.749.      

天津冬季雾霾天气下颗粒物质量浓度分布与光学特性

年1—2月连续在线观测天津ρ(PM_2.5)、ρ(PM₁₀)、大气能见度、σ_sp(气溶胶散射系数)、σ_ap(气溶胶吸收系数)和AOD(大气光学厚度),结合气象资料,分析天津城区雾霾天气下的颗粒物质量浓度分布与光学特性. 结果表明:在为期52d的观测期间,发生雾日8d、轻雾日1d、霾日29d,雾霾日占观测时长的73%;霾日ρ(PM_2.5)/ρ(PM₁₀)为0.65,SSA(单次散射反照率)为0.95,MSE(气溶胶质量散射系数)为3.30m2/g,均高于非雾霾日,表明雾霾日下细粒子的散射作用是大气消光的主要贡献者;雾霾日的σ_sp和σ_ap均高于非雾霾日,随着霾等级增强,σ_sp和σ_ap逐渐增大,重度霾天气的σ_sp和σ_ap与中度霾天气相当,分析高RH可能是造成能见度进一步降低的主要因素;雾霾天气下AOD_500nm和波长指数均显著高于非雾霾天气,表明雾霾天气下气溶胶浓度远高于非雾霾天气,并且细粒子占主导地位.      

苏州市气溶胶消光特性及其对灰霾特征的影响

为研究气溶胶消光特性对城市灰霾特征及形成的影响机制,采用2010年1月─2013年12月4 a的苏州市逐时散射系数、能见度、颗粒物质量浓度以及风速、风向、气温、气压、相对湿度等数据,对该市气溶胶散射系数、消光特性及影响因子进行了研究. 结果表明:苏州市气溶胶散射系数为(301.1±251.3)Mm-1,日变化呈双峰型,早高峰出现在07:00─08:00,晚高峰出现在20:00─21:00;其年内变化呈夏季低、冬季高. 气溶胶散射系数与ρ(PM_2.5)的相关系数为0.77,高于与ρ(PM₁)和ρ(PM₁₀)的相关性,PM_2.5散射效率为6.08 m2/g. 气溶胶散射系数受风速、风向等气象要素的影响:风速<4 m/s时,气溶胶散射系数下降迅速;风速在4～6 m/s时,气溶胶散射系数随风速下降缓慢. 苏州市气溶胶单次散射反照率平均值为0.84,散射消光比平均值为0.79,说明该地区气溶胶消光以散射性气溶胶为主. 气溶胶散射消光、气溶胶吸收消光、空气分子散射消光、NO₂吸收消光分别占大气消光的82.33%、13.63%、2.72%和1.32%. 研究表明,对气溶胶散射消光贡献最大的非吸收性PM_2.5是苏州市能见度下降、灰霾增加的最重要原因.      

南京冬季气溶胶消光特性及霾天气低能见度特征

利用2015年1月气溶胶散射和吸收系数、PM_2.5质量浓度、大气能见度以及常规气象观测数据,分析了南京冬季大气气溶胶散射系数与吸收系数的变化特征,给出了散射系数与吸收系数对大气消光的贡献,以及能见度与PM_2.5质量浓度和相对湿度的关系.结果表明,观测期间南京大气气溶胶的散射系数和吸收系数分别为(423.4±265.3) Mm^-1和(24.5±14.3) Mm^-1,对大气消光的贡献分别为89.2%和5.2%,表明大气消光主要贡献来自于气溶胶的散射.散射系数与PM_2.5相关性较好(R²=0.91),能见度随PM_2.5质量浓度呈指数下降,也与相对湿度保持一定负相关性.能见度均值为4.3km,且连续出现能见度不足2km的低能见度天气,霾天气下消光系数和PM_2.5质量浓度大幅超过非霾天气,最高值分别达到1471.2Mm^-1和358 μg/m³,霾天气下能见度的降低来自颗粒物与相对湿度的共同影响.     

MODIS气溶胶光学厚度在临安大气颗粒物监测中的应用

基于大气辐射传输理论的研究表明,AOD(气溶胶光学厚度)与地面PM(颗粒物)浓度(以ρ计)呈正相关. 利用2006—2010年MODIS晴空AOD数据产品与临安区域大气本底站监测的ρ(PM₁₀)进行相关分析发现,二者的R(相关系数)为0.431,直接相关程度较低. 根据AOD和气象能见度间的关系,获得了不同季节临安地区的气溶胶平均垂直标高,利用该垂直标高和RH(相对湿度)分别订正AOD和ρ(PM₁₀)后,二者的相关性(R为0.576) 明显提高.冬季AOD和ρ(PM₁₀)的相关性最好,R为0.765;夏、春季次之,R分别为0.643和0.608;秋季最低,为0.442. 经过对5年资料的对比分析,证实了MODIS气溶胶光学厚度经垂直标高和RH订正后,可用于临安地区地面空气污染的监测.      

后奥运时期京津冀区域大气本底夏季污染变化

为探索后奥运时期京津冀区域大气本底污染状况及变化趋势,在中国科学院华北兴隆大气本底观测站,对夏季大气主要污染物(NO_x、SO₂、O₃和PM_2.5)进行了连续3年的在线观测,结合气流轨迹模式对大气污染物的传输路径及贡献率进行了分析. 结果表明:兴隆站大气本底夏季ρ(NO_x)、 ρ(SO₂)、 ρ(O₃)和ρ(PM_2.5)的平均值分别为(11.5±5.9)、(8.3±7.0)、(137.6±38.4)和(50.9±33.0)μg/m3;首要污染物为O₃和PM_2.5,ρ(O₃)和ρ(PM_2.5)日均值超过GB 3095─2012《环境空气质量标准》二级标准〔ρ(O₃)为200 μg/m3,ρ(PM_2.5)为75 μg/m3〕的天数分别为102和60 d,占观测期间有效天数的39%和23%,表现为大气氧化性增强、二次污染逐年上升;受偏南气流影响,太行山沿线区域和山东半岛—渤海湾地区是兴隆夏季大气本底污染的主要贡献区域,特别是京津冀城市区域夏季高浓度O₃和PM_2.5,对华北区域大气本底污染物浓度的整体上升具有重要影响.      

北京大气PM2.5遥感监测业务化方法探讨

为探索卫星遥感监测大气ρ(PM_2.5)业务化方法,以北京为例,利用2013年MODIS卫星资料和北京35个地面自动监测站(下称自动站)的实时观测数据,以目前国内外应用最广泛的3种卫星反演大气气溶胶的方法——AOD(气溶胶光学厚度)、K_drya,0(气溶胶干消光系数)和R_a(气溶胶表观反照率)反演地面ρ(PM_2.5)的方法(分别称为AOD法、K_drya,0法和R_a法)为基础,结合地面ρ(PM_2.5)实测数据,建立了气溶胶反演参数与ρ(PM_2.5)统计关系,进一步测算了全市区域ρ(PM_2.5)的分布情况.结果表明:3种方法都具有较高的反演精度,其获取的全年ρ(PM_2.5)与地面实测数据的相关系数分别达到0.80、0.81和0.85,其中R_a法结果精度最高.从季节来看,R_a法在除夏季外的其他季节与地面监测数据相关系数都在0.70以上,优于其他2种方法.建议在春、秋、冬三季以R_a法,夏季以AOD法或K_drya,0法为基础进行北京PM_2.5业务化遥感监测.基于R_a法探讨了在2013年11月20—23日区域性大气重污染过程中北京PM_2.5区域分布特征和变化过程,卫星反演结果相对误差低于20%,直观地反映了区域大气颗粒物污染的时空分布规律.研究显示,三者都可以用来反演北京地区ρ(PM_2.5),其中R_a法最简便易行,尤其适用于业务化遥感监测.      

基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究

京津冀地区大气PM_2.5污染严重.为揭示区域PM_2.5时空分布规律,使用2013-2014年河北省地面站点PM_2.5监测数据、MODIS AOD（气溶胶光学厚度）遥感数据、地面气象站点数据和土地利用调查数据,基于线性混合效应模型（LME）,建立了ρ（PM_2.5）时空变化与AOD因子、气象因子、土地利用因子之间的关系模型.采用十折交叉验证法对模型精度进行检验,并利用计算得到的校正因子[全部实测的ρ（PM_2.5）年均值除以参与建模的所有实测ρ（PM_2.5）年均值]纠正因AOD非随机性缺值导致的抽样偏差.结果表明:①河北省区域模拟精度R2（决定系数）为0.85,经交叉验证后R2为0.77,RMSE（均方根误差）和RPE（相对预测误差）分别为18.28 μg/m3和28.68%.②ρ（PM_2.5）年均值模拟结果的校正因子范围为1.24~2.05,校正后的研究区ρ（PM_2.5）年均值为89.84 μg/m3,与实际监测数据相近.③ρ（PM_2.5）空间分布呈平原高、山区低,平原地区西南高、东北低的趋势.④ρ（PM_2.5）与AOD、温度、相对湿度呈正相关,与风速、大气能见度呈负相关.研究显示,线性混合效应模型能有效对ρ（PM_2.5）进行时空变化模拟,并实现对非地面监测地区ρ（PM_2.5）时空变化的预测,恰当的预测因子组合和模型校正有助于模型预测精度的提升.      

秋季嘉兴PM2.5质量浓度特征分析

利用膜采样、颗粒在线称重方法和维萨拉气象仪对2004和2006年秋季嘉兴大气中ρ(PM_2.5)及气象因子进行了分析.结果表明:2004和2006年秋季ρ(PM2.5)分别为(84.7±62.4)和(89.0±61.5) 　μg/m3;ρ(PM2.5)占ρ(PM₁₀) 比例为42%～69%;ρ(PM_2.5)日均值变化大(16.7～345.7 μg/m3),晴天ρ(PM_2.5)约为阴雨天的2倍.ρ(PM_2.5)日变化分析表明,晴天呈双峰双谷现象,晚高峰(16:00—20:00)ρ(PM_2.5)大于早高峰(06:00—10:00),阴雨天日变化不明显.PM_2.5与相对湿度无显著相关性,但在不同相对湿度下PM_2.5与能见度呈显著的负指数关系.东北风和西北风是观测期内当地的主导风向,ρ(PM2.5)高值出现在西南风方向,重污染天气过程形成原因复杂.      

雾和霾对北京地区大气能见度影响对比分析

年10月8日—12月7日,在北京城区对ρ(BC)(BC为黑碳)、ρ(PM_2.5)、大气能见度和气象要素进行连续观测,利用该资料分析雾和霾对大气能见度下降的影响. 结果表明:观测期间大气能见度为0.6～26.7 km,其中40%以上的时间大气能见度不足5 km,ρ(PM_2.5)和ρ(BC)小时平均值最高分别达416.0和17.87 μg/m3. 大气能见度小于5 km且持续时间超过24 h的过程出现5次,过程1~5持续的时间分别为84、79、70、35和66 h. 过程1和2主要由霾导致,大气RH(相对湿度)小,持续时间长;过程3和5则均由雾引起,大气能见度平均值分别仅为1.70和1.99 km. 尽管过程4持续时间最短,但是由于存在低层逆温的大气层结,并且地面风速<1 m/s,导致颗粒物在水平和垂直方向的扩散均受到抑制,加之大气平均RH达到90.8%,形成雾霾复合影响,造成颗粒物污染程度超过其余4个过程,ρ(PM_2.5)和ρ(BC)平均值分别达到192.1和10.15 μg/m3.      

相对湿度和PM2.5浓度对乌鲁木齐市冬季能见度的影响

基于2016~2017年冬季乌鲁木齐市城区PM_2.5和气象要素观测数据,采用线性和非线性回归、变量分类分析等统计方法,研究了大气能见度与相对湿度（RH）、PM_2.5浓度的定量关系.结果表明：乌鲁木齐市冬季能见度日变化呈单峰形分布,中午13：00前后和夜晚20：00前后能见度分别达到最高和最低.相对湿度增加、PM_2.5污染加重都会造成冬季大气能见度明显降低,但低能见度天气的主要影响因素是PM_2.5污染.在RH < 90%时PM_2.5累积及其吸湿增长对能见度变化起控制作用,特别是70%￡RH < 90%时,PM_2.5浓度对大气能见度影响最大.RH³90%时相对湿度成为决定因素.在PM_2.5污染逐渐加重的过程中,相对湿度对能见度的影响在减弱.能见度增加与PM_2.5浓度降低之间存在非线性响应.在PM_2.5污染由严重减轻至中度污染级别过程中,能见度改善并不明显.只有把PM_2.5浓度控制在115μg/m³以下（轻度污染或优良级别）,PM_2.5浓度降低,能见度才开始出现显著提高.但冬季要达到较高能见度水平（8km）,PM_2.5浓度需要继续严控至39μg/m³以下.本文对乌鲁木齐市冬季大气污染治理具有重要指导意义.     

长江三角洲地区冬季能见度特征及影响因子分析

利用Micaps提供的2013和2014年冬季长江三角洲地区(以下简称长三角)28个站点的地面常规观测资料、NCEP FNL再分析资料和国家环境保护部发布的PM_2.5质量浓度自动检测数据,分析了长三角冬季大气能见度特征,以及空气污染物和气象条件对能见度的影响.2013年冬季长三角霾天发生频率为53.4%.多元非线性回归分析表明,PM_2.5质量浓度、地表10m风速、500~850hPa水平风垂直切变、相对湿度、925~1000hPa垂直温差、850~925hPa假相当位温差这6个因子能够解释能见度变化的81.6%.气象条件对能见度的作用与污染物浓度相当,热力因子的贡献大约是动力因子的2倍.PM_2.5质量浓度越低,空气质量越好,以及相对湿度大于70%时,相对湿度通过气溶胶吸湿增长对能见度的作用越强.考虑PM_2.5质量浓度的影响时,相对湿度对能见度的贡献提高了1倍.利用2014年冬季资料验证多元拟合方程,效果较好.     

乌鲁木齐市大气污染治理成效的综合评估分析

2012~2013年乌鲁木齐采用了以煤改气为主的大气环境治理措施.利用2009~2014年冬季主要污染物浓度、1993~2014年的直接辐射、能见度、霾日数据,并参考相关文献,从大气环境的化学属性、物理属性两个方面评估煤改气等工程措施对乌鲁木齐市大气环境的改善效果.结果表明, 2013~2014年两个冬季乌鲁木齐市主要污染物PM₁₀、SO₂、NO₂浓度比煤改气前期(2009~2011年冬季)各自下降了26.1%、80.2%、11.6%;细颗粒物PM_2.5中水溶性物质的总浓度比例下降了20.57%.煤改气工程前后PM_2.5中可溶性离子浓度排名前三位的均是SO₄^2-、NH₄⁺和NO₃^-,但后期SO₄^2-和NH₄⁺占据PM_2.5质量浓度比例比前期下降近一半,NO₃^-质量浓度比例变化不大.从大气物理特性来看,煤改气等工程之后乌鲁木齐冬季直接辐射量提高,且2014/2015年冬季的直接辐射量是过去23年中第二个峰值;2012/2013年冬季能见度平均增加了5.7km,是1997年以来的最大值.与上年度同期相比,增幅达35.0%;2012/2013年冬季霾日数比上年度同期减少了15d,降幅达50%.上述结果说明乌鲁木齐市的大气环境得到了一定程度的改善.     

天津冬季相对湿度对气溶胶浓度谱分布和大气能见度的影响

于2013年1月连续在线观测天津城区气溶胶数浓度谱分布和大气能见度,并结合相关气象资料,探讨相对湿度(RH)对气溶胶浓度谱分布和大气能见度的影响.结果表明,观测期间发生了4次连续雾霾天气过程, 4次雾霾天气过程对应着气溶胶粒子数浓度的连续高值,低能见度天气系高浓度气溶胶粒子和高相对湿度协同所致;随着RH增大,PN1和PN2.5-10呈增长趋势, RH>90%后,PN1和PN2.5-10有所降低,PN1-2.5则持续增长,高RH对气粒转化和气溶胶粒子的碰并聚合作用明显;气溶胶吸湿增长因子计算表明,高RH下水汽对能见度影响很大,尤其是大雾天气下其影响甚至可能超过气溶胶粒子浓度对其的影响.     

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.