两种地面PM2.5质量浓度遥感反演方法适用性比较

为探究地面气溶胶质量浓度遥感反演模型在年际及区域尺度上的适用性,确定一种可以在区域尺度上业务运行的反演模型,基于2015-2016年河南省28个城市MODIS气溶胶光学厚度、PM_(2.5)质量浓度、地面气象观测能见度和相对湿度,分别采用半经验模型和非线性多元回归模型建立了分季节反演模型,并基于2017年观测数据对两种模型的精度进行了对比评价。结果表明:半经验模型中标高订正的AOD与经过湿度订正的PM_(2.5)质量浓度建立反演模型效果最好,四个季节反演模型决定系数R~2分别为0.3938、0.3507、0.3488及0.4212。非线性多元回归模型最优组合为AOD、气溶胶波长指数、气溶胶标高与相对湿度,四个季节反演模型决定系数R~2分别为0.4295、0.3598、0.4099和0.5616。两种反演模型验证结果均通过0.001的显著性检验,非线性多元回归模型的验证决定系数大于半经验模型的,春季和冬季非线性多元回归模型的验证斜率更接近1,而夏季和秋季半经验模型验证斜率更接近1。非线性多元回归模型建模及验证相关性更高,且可有效避免高相对湿度条件下异常值的出现,业务适用性更好。     

利用MODIS资料监测京津冀地区近地面PM2.5方法研究

为建立京津冀地区冬季近地面细颗粒物浓度监测方法模型,利用气象模式资料对2013年1-3月MODIS的AOD二级深蓝算法产品进行湿度和垂直订正,与同期观测的地面细颗粒物PM_2.5资料进行相关分析。结果表明：AQUA的MODIS深蓝算法AOD产品更适用于建立冬季AOD-PM2.5遥感监测模型,其R²为0.33;以气象模式资料中边界层高度代替气溶胶标高对MODIS的AOD进行垂直订正,并结合IMPROVE观测的气溶胶吸湿增长特征构建分区湿度订正方法,可以提高AOD-PM_2.5模型结果的精度,建立较为理想的京津冀地区冬季遥感反演综合模型,模型结果与地面监测结果R²达0.5以上。根据建立的模型计算了2013年1-3月的京津冀地区PM_2.5月平均浓度,京津冀地区1月的PM_2.5浓度较高,南部大部分地区空气质量已经达到重度污染水平。     

山东气溶胶光学厚度时空分布及其与地面大气污染物质量浓度的相关性分析

基于卫星的气溶胶光学厚度(aerosol optical thickness,AOT)是研究大气污染程度及时空变化的重要参考,由于大气污染物排放特征、地理和气候背景不同,不同区域AOT的时空分布及其与地面大气污染物质量浓度的相关性存在一定的差异。选取了2017年7月—2020年7月山东89个国家环境空气质量监测站数据、日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency,JAXA)发布的葵花8号和9号气象卫星(Himawari-8／9)AOT产品、欧洲中期天气预报中心(European Center for Medium-Range Weather Forecasts,ECMWF)的ERA5再分析数据产品,研究了山东地区卫星AOT时空分布特征,AOT与地面污染物质量浓度的相关性,并得出了以下结论:1)山东存在两个主要的AOT低值区,分别位于鲁中山区一带,半岛丘陵并延伸到东部沿海一带,低值区的分布没有明显的季节变化;山东AOT年平均的高值区主要分布在山东西部、南部与外省接壤附近地区,以及渤海南部至莱州湾沿岸一带,在分析气溶胶跨省传输时值得关注。不同季节AOT的高值区分布存在差异。2)山东AOT白天变化呈现双峰结构,08时由峰值逐渐下降,11时转为上升,14时达全天最大值0.608;AOT的日变化趋势与细颗粒物(PM2.5)、O3等大气污染物质量浓度变化明显不同,是影响其相关性的重要因素。AOT月际变化中,存在两个显著的峰值6月(0.648)和10月(0.622),2月AOT最低。AOT的季节变化与地面污染物质量浓度的季节变化呈现一定的反位相特征。3)总体上AOT与PM2.5、O3等主要大气污染物质量浓度的相关性不高,一年之中,6月AOT与污染物的相关程度最低,1月的相关性最高;15—17时是AOT与污染物相关性最强的时间段,而10时相关性最差。单凭AOT难以定量反映污染物的分布特征,使用卫星开展地面大气污染监测分析还需纳入更多的因子进行分析。     

基于能见度及AOD数据的北京市PM2.5浓度的反演

选择北京市为研究地区,对2014～2017年AERONET（Aerosol Robotic Network）提供的CE-318太阳光度计440 nm波段反演的气溶胶光学厚度（AOD）进行风速订正,对订正后 AOD 日均数据与同期地面监测站PM2.5日均浓度数据做季节相关性分析并建立回归模型。又引入能见度因子并利用广义差分法构建2015～2017年北京市AOD与PM2.5浓度、能见度的三元回归模型,最后将2014年数据分为污染日和非污染日分别进行模型检验。结果表明:AOD与PM2.5浓度存在显著的线性正相关性,且存在季节性差异,夏季相关性最强、秋季次之、春季和冬季最低。引入能见度因子并消除自相关后,四季的模型相对误差均显著减小,模型拟合优度显著提高。检验结果为四季整体的平均相对误差在21%～31%范围内,与前人的结果相比拟合曲线的准确性得到了明显地提高。且模型对低PM2.5浓度日的模拟效果较好,对于高PM2.5浓度日的模拟效果较差。本研究对构建北京地区PM2.5浓度长期的历史数据具有重要的科学意义。     

乌鲁木齐市MODIS气溶胶光学厚度与空气质量指数相关性分析

利用MODIS气溶胶光学厚度(AOD,Aerosol Optical Depth)产品与同期乌鲁木齐市空气质量指数进行相关性分析,得到二者的相关系数为0.664。对MODIS AOD产品进行垂直和湿度订正后,二者的相关性显著提高,相关系数从0.664提高到0.805。订正后按季节分类统计,春、夏、秋3季的相关系数分别为0.775、0.608和0.822,其中秋季的订正更为有效,可用性更高。这可能受到不同季节气溶胶来源、特征以及数据样本差异的影响。最后分别建立全年、春季、夏季和秋季的线性、对数、一元二次、乘幂和指数5种类型的拟合模型。考虑模型易于利用的因素,依据各拟合模型相关系数的大小得到全年以及各季节最优拟合模型,该模型函数可用来反演和监测乌鲁木齐市空气质量指数。     

上海市PM_(10)浓度四季遥感模型研究

通过分析2001—2012年上海市PM_(10)浓度(由API(Air Pollution Index)转化得到)的变化规律,构建了上海市PM_(10)浓度的遥感反演模型。结果表明:1)上海市PM_(10)浓度存在季节性变化,应分别建立遥感反演模型。2)分析MODIS气溶胶光学厚度(Aerosol Optical Depth,AOD)产品与PM_(10)浓度之间的相关性发现,AOD须经过垂直和湿度订正才可与PM_(10)建立较好的关系。3)结合垂直和湿度订正分别建立的上海市PM_(10)浓度春夏秋冬四季的遥感反演模型均通过了拟合度检验,其中春季模型采用指数函数、夏季和秋季模型采用二次多项式函数、冬季采用幂函数、全年采用二次多项式函数,利用此四季模型反演上海市PM_(10)浓度具有较高的可信度。     

关中地区PM_(10)质量浓度及MODIS气溶胶光学厚度时空特征分析

利用2014—2016年西安、咸阳、宝鸡、渭南、铜川的逐日PM_(10)质量浓度和同期美国国家航空航天局(NASA)的MODIS气溶胶产品(3 km),提取有效的气溶胶光学厚度(AOD)数据并进行标高及湿度订正,得到近地面"干"消光系数(AODSEC-RH),分析关中及5个地市PM_(10)质量浓度、AOD、AODSEC-RH的月、季、年时空变化特征。结果显示:近3 a关中及5个地市PM_(10)质量浓度均呈递减趋势;1月为峰值,7月为谷值,全年呈波动变化,冬季最大;3月较厚的逆温层及较稳定的大气致使污染不易扩散,PM_(10)质量浓度下降缓慢;4—5月降水开始增多,PM_(10)质量浓度下降较快;夏季PM_(10)质量浓度最低;10月雾和霾天气活跃,PM_(10)质量浓度迅速回升。西安年平均PM_(10)质量浓度较其他4市偏高,关中四季的PM_(10)质量浓度高值区均位于西安、咸阳、渭南市。近3 a关中整体AOD有所下降,高值区也位于西安、咸阳、渭南。夏季高温高湿,气溶胶吸湿强,AOD最大;其次为春季,气温回升、空气干燥、植被稀少,大风为沙尘天气提供了充分的动力,AOD次高;秋冬季AOD整体偏小。经标高及湿度订正的AODSEC-RH夏季明显降低,冬季明显升高,时空变化特征更接近于PM_(10)质量浓度,能充分体现近地面污染特征。     

2008年北京奥运会期间大气气溶胶物理特征分析

应用MODIS卫星的气溶胶产品资料和地面的光学粒子计数器的资料,对比分析了北京地区2006、2007、2008年7～9月的气溶胶光学厚度、细粒子光学厚度、Angstrom指数、气溶胶粒子数浓度谱及体积谱,发现2008年北京奥运会期间(7月20日～9月20日)的气溶胶光学厚度比2006、2007年同期明显降低,气溶胶细模态光学厚度占总光学厚度的比上升,Angstrom指数上升,气溶胶细粒子数浓度没有明显相对变化,而粗粒子数浓度则减少约50%.利用大气标高,将MODIS反演的气溶胶柱的质量浓度转化为地面气溶胶质量浓度.用粒子计数器得到的体积谱,在假定气溶胶粒子密度的情况下,计算出其质量浓度.将这两种方法得到的气溶胶质量浓度与国家环境保护部公布的空气质量指数换算得到的可吸入颗粒物(PM10)质量浓度进行比较.结果表明:北京奥运期间空气质量总体达到了国家二级空气质量标准;与2006、2007年同期相比,2008年气溶胶PM10质量浓度明显下降,而这主要是由气溶胶粗粒子的减少引起的.     

气象条件对石家庄PM_(2.5)浓度的影响分析

利用2013~2014年石家庄逐小时PM2.5监测浓度与地面及探空等气象观测资料,从大气的垂直扩散、水平扩散和地面局地环流等方面,探讨气象条件对PM2.5浓度的定量影响关系。结果表明:(1)石家庄PM2.5浓度具有明显的日、月和季节变化特征,早晨08时前后PM2.5浓度最高,下午16时前后浓度最低;冬季PM2.5浓度最高,夏季最低;(2)2 a共出现485 d逆温,其中10~12月出现频率最多,达82.8%~86.2%,逆温致使低层大气垂直运动受阻,不利于污染物扩散;(3)大气混合层高度与PM2.5浓度呈反相关,PM2.5浓度75μg/m3(空气质量优良),对应大气混合层高度平均为1 448 m,而PM2.5浓度≥150μg/m3(空气重污染)的混合层高度降到878 m;(4)受地形影响,石家庄地面风与边界层附近风对污染物的影响明显不同:925 h Pa西南风、地面偏东风不利于污染物扩散;925 h Pa西北风、地面偏西风有利于污染物浓度降低。925 h Pa风速4 m/s、地面偏西风风速2 m/s、地面偏东风风速3 m/s,有利于污染物扩散;(5)降水对污染物有湿清除作用,清除量不仅与降水量有关,还与前期PM2.5浓度有关,且冬季降雪过程对PM2.5的清除作用是降雨的4倍。     

招远市PM_(2.5)浓度与气象因子相关性分析

为了了解PM_(2.5)的污染与地面气象因子的相关性,通过对招远市PM_(2.5)的月均浓度与降水量、湿度、风速和气压等气象因子关系分析,结果表明:(1)PM_(2.5)浓度存在明显的季节变化,冬季与气象因子相关性最好,夏季最差。(2)PM_(2.5)浓度与相对湿度、平均风速和降水有很强的负相关性。(3)PM_(2.5)浓度与本站气压呈现正相关性。     

ACCMIP全球模式对中国地面PM2.5浓度模拟能力评估

本文利用MODIS和MISR卫星反演的地面PM2.5浓度和来自大气化学和气候模式比较计划（ACCMIP）的4个耦合了大气化学模块的气候模式（GFDL-AM3、NCAR-CAM3.5、GISS-E2-R和MIROC-CHEM）模拟的PM2.5浓度数据,评估分析了4个全球模式对中国地区地面PM2.5浓度时空变化特征的模拟能力。结果表明：4个模式集合模拟的PM2.5浓度在中国东部模拟效果较好。对比单个模式,GFDL-AM3模式对中国PM2.5浓度的空间分布型模拟效果最好。模式结果之间的一致性差异显著的地区主要出现在新疆中部和内蒙古西部地区。从整个中国地区的区域平均的时间序列来看,4个模式集合平均结果与观测结果相差不大,基本能够反映出东北、华中、华东沿海、新疆西部地区的PM2.5浓度的变化趋势。     

武汉市观象台2013—2016年PM2.5质量浓度变化及其与气象因子的相关分析

采用江苏省淮安市地面5个监测站2013年1月1日2015年12月31日PM10、PM2.5、SO2、NO2、CO、O3逐日质量浓度资料及同期气象资料,统计分析了该地区大气污染季节变化特征及其与气象条件的关系;采用MODIS的光学厚度AOD (Aerosol Optical Depth)资料和火点资料分析了2013年12月发生在淮安的一次持续性大气污染事件。研究结果表明,淮安空气质量AQI指数(Air Quality Index)在春冬季较高,夏秋季较低,污染天气发生在春冬季的概率为23.6%,夏秋季的概率为13.3%。淮安地区的首要大气污染物为颗粒物污染,其中PM10、PM2.5占比分别达到25.2%、48.9%,PM10中PM2.5比率年平均为61.0%,臭氧是第2大污染物,占比为25.8%。表征大气柱气溶胶浓度的AOD的季节变化与地面颗粒物浓度截然不同,颗粒物浓度 1月和12月出现极高值,而这两个月AOD月平均值却在一年中达到极低值,AOD最高值出现在7月。另外,AQI与降水、气温、风速、相对湿度呈负相关关系,但相关程度较弱。     

基于BP神经网络与遗传算法反演大气温湿廓线

为提高地基微波辐射计大气探测精度,融合BP神经网络与遗传算法,研究0~10 km大气温湿度廓线。首先,结合数据特征,基于数值模拟技术,建立一套TP/WVP-3000型号地基微波辐射计的一级数据质量控制和订正模型。然后,为减小训练样本代表性误差对模型反演精度的影响,利用遗传算法优化训练样本数据,建立一套精度更高的神经网络大气温湿度反演模型。最后,利用构建的反演模型,开展大气温湿度反演试验,结合探空资料和微波辐射计二级产品,评价反演模型精度。研究结果表明:(1)经过质量控制后的实测数据与模拟数据之间的相关性有显著提升;(2)经过质量控制与订正后建立的神经网络模型对比原微波辐射计二级产品的反演精度有一定提升,温度提升6.77%,湿度提升20.11%;(3)经过遗传算法优化后的训练样本所建立的神经网络反演模型对比原微波辐射计二级产品反演精度有进一步的提升,温度提升10.21%,湿度提升23.75%,反演结果与该地区同类型研究结果相比有着较大提升。      

成都市PM_(2.5)污染特征及其与地面气象要素的关系分析

为了解成都市PM_(2.5)污染特征及其与地面气象要素的关系,利用环境空气质量监测资料和地面气象观测资料,分析了PM_(2.5)质量浓度的季节、月和日变化特征,并分不同空气质量等级分析空气质量与地面气象要素的关系。结果表明:PM_(2.5)质量浓度具有明显的季节、月和日变化特征,且成都市区6个监测站的变化趋势比较一致;成都市相对湿度较大,地面风速较小,约62%的样本分布在相对湿度80%～100%,约85%的样本分布在地面风速0～2 m·s~(-1),地面风速对成都市PM_(2.5)的水平输送、扩散、稀释不利;降水对PM_(2.5)的清除量随PM_(2.5)初始浓度、降雨持续时间和累积降雨量增加而增大。     

四平市大气颗粒物浓度的变化特征

利用四平中韩沙尘暴监测站颗粒物监测仪器GRIMM180观测的2011年数浓度及ρ(PM10)、ρ(PM2.5)和ρ(PM1.0)数据及台站的常规气象观测资料,分析了该地区数浓度、质量浓度的变化特征及与气象条件的相关性。结果表明,PM2.5和PM10污染存在着明显的季节性变化,季节变化特征基本一致,表现为冬季>春季>秋季>夏季,冬季最重,夏季最轻;颗粒物质量浓度日变化呈现两峰特征,ρ(PM10)、ρ(PM2.5)和ρ(PM1.0)之间有很好的相关性,ρ(PM2.5)/ρ(PM10)的平均值为65.7%,ρ(PM1.0)/ρ(PM2.5)的平均值83.9%,ρ(PM1.0)/ρ(PM10)的平均值55.2%;四平地区年主导风向为SSW,颗粒物质量浓度变化受沙尘移动路径影响较大,采暖期间供热燃煤排放对空气质量有较大程度的影响,其中大风、浮尘等天气条件下颗粒物质量浓度值呈较大突变特性。     

武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报

武汉作为中部地区高湿度代表城市,大气污染严重,霾天气多发,但有关该地区大气能见度与PM2.5浓度及相对湿度(RH)的定量关系尚不明确。利用2014年9月—2015年3月武汉地区逐时能见度、相对湿度及颗粒物质量浓度观测数据,研究分析了武汉大气能见度与PM2.5浓度及相对湿度的关系,并进行能见度非线性预报初探,得到以下结论:武汉霾时数发生比例高,霾的发生和加重是能见度降低的主要原因;能见度降低伴随大量细粒子产生和累积,这是武汉大气能见度恶化的重要诱因。细颗粒物浓度与相对湿度共同影响和制约大气能见度变化,高湿高浓度时能见度显著下降,湿情景下(RH≥40%),能见度恶化主要是由湿度增高诱使细颗粒物粒径吸湿增长导致其散射效率增大造成的。当RH >90%时,能见度随湿度升高成线性递减,相对湿度每升高1%,武汉平均能见度降低0.568 km。而干情景下(RH2.5质量浓度升高。在城市大气细粒子污染背景下,能见度与相对湿度成非线性关系,这主要与PM2.5对能见度的影响及吸湿性颗粒物的散射效率变化有关。PM2.5浓度与能见度成幂函数非线性关系,80%≤RH2.5浓度对能见度的影响敏感阈值是随着湿度升高而减小的,干情景下能见度10 km对应的PM2.5浓度阈值为70 μg/m3,湿情景下该阈值为18—55 μg/m3。当PM2.5质量浓度低于约40 μg/m3时,继续降低PM2.5可显著提高武汉大气能见度。预报试验表明,基于神经网络方法建立大气能见度非线性预报模型是可行的,预报能见度相关系数为0.86,均方根误差为1.9 km,能见度≤10 km的TS评分为0.92。网络模型具有较高预报性能,对霾的判别有较高准确性,为衔接区域环境气象数值预报模式,建立大气能见度精细化动力统计模型提供参考依据。      

2013年济南市大气能见度与相对湿度和PM10、PM2.5的关系

对济南市2013年1—12月的能见度、相对湿度、PM10及PM2.5逐时监测数据分析,结果表明：能见度、相对湿度、PM10和PM2.5浓度有明显的月变化和日变化规律。在各项污染物中,能见度与颗粒物的相关性最高,与PM10的相关系数为-0.6718,与PM2.5的相关系数为-0.7422;在气象因子中,与相对湿度的相关性最高,相关系数为-0.6501。不同季节条件下,能见度与PM2.5的相关性明显优于PM10的,冬季能见度与颗粒物的相关性明显优于其他季节的。     

北京地区PM10浓度空间分布特征的综合变分分析

利用2003年10月北京地区PM₁₀浓度流动观测资料和同期MODIS AOD(Aerosol Optical Depth)高分辨率遥感资料，采用卫星遥感地面观测变分订正处理方法，综合分析了北京地区PM₁₀浓度的空间分布特征以及机动车排放的影响效应。动态观测试验结果表明:北京城区大部分为轻污染区, 北京近郊区PM₁₀浓度高值区沿环路呈环状分布，其中北京西南部、南部和东北部污染较严重，北京城郊街区PM₁₀的空间分布受机动车排放的影响较大。MODIS卫星遥感资料分析表明:北京城区及近郊区AOD值较远郊区高得多，AOD空间分布场中存在虚假高值区，AOD非均匀分布特征不明显。采取点面结合综合观测研究思路，运用卫星遥感地面观测综合变分分析方法，可以取得客观订正的显著效果。经地面实测PM₁₀浓度变分订正后的AOD变分场可以较高分辨率信息描述北京地区AOD的非均匀分布特征，弥补地面PM₁₀浓度观测的缺陷。     

丹东市大气颗粒物质量浓度变化特征及其与气象要素的关系

利用2008-2017年大气颗粒物质量浓度资料和逐日地面气象观测资料,统计分析了丹东市大气颗粒物质量浓度时间变化特征及其与气象要素的关系。结果表明:2008-2017年丹东市大气颗粒物质量浓度年际变化具有一定的波动性,其中2015-2017年大气颗粒物污染状况持续改善明显;质量浓度月和季节变化特征明显,1月和12月最高、7月最低,冬季最高、夏季最低,非汛期显著高于汛期,供暖期显著高于非供暖期;非汛期大气颗粒物质量浓度超标日相较达标日,气温和能见度偏低,降水偏少,风速偏小;非汛期PM2.5、PM1质量浓度与相对湿度呈显著正相关,与风速呈显著负相关,汛期PM2.5、PM1质量浓度与风速呈显著负相关;PM2.5、PM1质量浓度春、秋、冬季与风速的负相关性最显著,冬季与相对湿度的正相关性也十分显著。     

一次PM2.5化学污染过程的实况及气象要素影响分析

在收集NARR资料、ARB资料、Caltech站观测数据3类气象资料的基础上,对一次化学污染过程中PM2.5站点分布和时间演变特征进行分析,同时按照地理位置分布将13个观测站点分类,分析气象要素场对PM25区域分布形成和扩散的影响,并找出PM25与气象要素演变的相关性.结果表明:各类观测站的PM2.5浓度值主要以“单峰型”日变化特征为主,其中以城区站的特征最为显著,通常在早上09:00左右达到峰值,平均峰值质量浓度为56.6 μg/m3,而在下午18:00左右为谷值,平均谷值质量浓度为18 μ/一m3,风场、行星边界层高度、地面温度场和湿度场在PM2.5平均的峰值、谷值时段有明显差别;排放源和气象场的日变化规律是决定城区站PM2.5峰谷时段的主要因素;城区站、郊区站地面PM2.5质量浓度值与风速、行星边界层高度、地面温度呈现明显的负相关,与地面气压、相对湿度呈明显的正相关;山区站PM2.5质量浓度值与温度呈弱负相关、与相对湿度呈正相关,其它气象要素相关不明显.