2019, Vol. 39
[PDF全文]
2. 广东省大气污染在线源解析系统工程技术研究中心, 广州 510632;
3. 中国气象局广州热带海洋气象研究所, 广州 510640;
4. 肇庆市气象局, 肇庆 526040
2. Guangdong Engineering Research Center for Online Atmospheric Environment, Jinan University, Guangzhou 510632;
3. Institute of Tropical and Marine Meteorology, China Meteorological Administration, Guangzhou 510640;
4. Zhaoqing Meteorological Service, Zhaoqing 526040
随着工业化和城市化进程的不断加快, 中国中东部地区大城市群频繁出现灰霾天气, 对生态环境和人体健康造成了严重威胁, 并成为科学界、政府和公众关注的环境焦点问题(Wu et al., 2005; Davies et al., 2007;Tie et al., 2009).从本质上讲, 灰霾是由细粒子气溶胶污染造成的视程障碍(吴兑等, 2006; Wu et al., 2007).伴随着人类的活动, 大量气溶胶和气态污染物向大气环境中排放, 这些污染物可以通过化学反应和光化学反应生成二次气溶胶(Levy et al., 2013).研究发现, 气溶胶污染不但可以导致灰霾天气发生, 降低大气能见度, 还可以通过吸收和散射太阳辐射的直接作用或改变云寿命和反照率的间接作用对地球辐射平衡产生影响(van Donkelaar et al., 2010).同时, 气溶胶在全球分布的复杂性增加了对气溶胶辐射强迫和气候预测的不确定性.
大气边界层(亦称行星边界层, Planetary Boundary Layer)是对流层中直接受地表影响最为强烈的大气层, 也是气溶胶污染主要存在的大气层, 地表强迫机制的时间尺度不超过1 h (Stull, 1988).边界层高度(Planetary Boundary Layer Height, PBLH)决定了污染物的混合空间, 与灰霾天气发生之间存在着紧密的关系.研究表明, 污染物与边界层的相互作用加剧了空气污染(Petäjä et al., 2016), 高浓度污染物的排放会加强大气边界层的稳定性, 而稳定的边界层的垂直扩散能力大大削弱, 导致边界层高度降低, 污染物的混合空间缩小, 大气容许排放总量下降, 这将促使空气质量和能见度持续恶化(Welton et al., 2002;Wang et al., 2016).
灰霾天气的成因是复杂的.在不同的排放源和气象条件下, 气溶胶的物理和化学性质也会发生不同变化.显然, 边界层高度和气溶胶垂直分布规律的研究对污染物扩散、湍流混合和对流传输等方面研究有着重要意义.激光雷达是一种能够获得气溶胶光学特性的遥感探测工具, 通过发射器向大气中发射激光束, 其中一部分在传输过程中遇到空气分子和气溶胶会发生吸收和散射作用, 利用探测器获取大气后向散射的回波信号, 经过处理后即可反演出其他探测手段难以获得的多种大气物理要素, 提取出有价值的边界层结构及污染物信息.
由于高空垂直探测手段有限, 目前关于边界层的研究仍然是十分必要的.吴兑等(1995a;1995b)在海口地区进行了边界层结构探测实验, 对贴地逆温和低空逆温等进行了研究; Wu等(2013)、刘建等(2015)利用风廓线雷达在珠三角地区进行了边界层观测实验, 对灰霾过程边界层风场变化与污染之间的关系进行了研究.而有关激光雷达在珠三角地区气溶胶垂直探测方面的研究还很少, 事实上, 利用气溶胶作为示踪物使用星载和地基激光雷达来探测边界层的方法已经得到了有效的应用.美国国家航空航天局(NASA)和法国国家空间研究中心(CNES)联合研制了基于卫星的云-气溶胶偏振激光雷达(CALIOP), 用于气溶胶区域性分布和跨区域远距离输送等方面的研究.目前全球已经建立了多个激光雷达观测网, 如NASA建立的MPLNET(Micro-Pulse Lidar Network)和欧洲建立的EARLINET(European Aerosol Research Lidar Network) (Matthais et al., 2004)等, 用于探测气溶胶在欧洲不同地区的分布差异.邓涛等(2013;2014;2016)在珠三角地区利用Mie散射激光雷达就灰霾个例事件对气溶胶光学特性及其辐射强迫进行了研究; 贺千山等(2008)利用地基激光雷达结合MODIS卫星观测数据分析了城市气溶胶分布特征和边界层变化; Korhonen等(2014)利用地基激光雷达结合CALIPSO卫星观测数据对南非边界层高度进行了研究; Hesse等(2017)利用Raman散射激光雷达对珠三角地区气溶胶腾空层光学特性进行了研究; Bravo-Aranda等(2017)基于激光雷达消光系数和偏振信息在西班牙进行了边界层高度的估计, 并与微波辐射计观测结果和WRF模式模拟结果进行了对比; Li等(2017)对雷达回波进行多种小波变换并进行了反演稳定性和连续性比较.
基于此, 本文利用2013年9月—2014年11月广州地区微脉冲Mie散射激光雷达观测结果, 对雷达获得的回波信号进行订正, 得到归一化后向散射信号(Normalized Relative Backscatter, NRB).并通过小波分析反演边界层高度(PBLH), 以及NRB廓线的小波分解对小波分析中直接影响PBLH识别的尺度因子a进行选取.同时，以2014年1月发生的一次灰霾过程为例, 对灰霾过程的PBLH等边界层特征进行分析, 并对边界层垂直结构进行初步探究.最后，利用自组织映射神经网络(Self-Organizing Maps, SOM)进行天气分型, 对整个观测时段激光雷达反演的PBLH与天气类型之间的关系进行统计.以期进一步加深对珠三角地区灰霾过程及不同天气系统下边界层特征的认识.
2 数据来源与仪器(Data sources and instrument)广州位于珠江三角洲腹地, 属海洋性亚热带季风气候.本研究使用的微脉冲Mie散射激光雷达布设在广州市气象局(23°00′18″N, 113°19′12″E, 海拔43 m), 其北部为广州主城区, 周围无明显污染源.观测时间为2013年9月—2014年11月.该雷达由美国Sigma Space公司生产, 激光发射器发射波长为532 nm的绿色激光, 垂直分辨率为15 m, 时间分辨率为1 min, 最低和最高探测高度分别为255 m和60 km.该雷达由激光发射系统、信号接收与探测系统和数据采集与处理系统3个部分组成.本实验使用的激光雷达探测范围大, 时空分辨率高, 系统结构紧凑, 便于携带进行外场观测, 而且能够连续自动观测.同时, 该雷达发射的低脉冲能量激光符合人眼安全标准.
此外, 本研究使用的空气质量指数(Air Quality Index, AQI)来自于广东省生态环境厅公众网(http://www.gdep.gov.cn/), 风速、温度、相对湿度、能见度和降水等气象资料来自于广州市气象局, 地面颗粒物数据(PM1、PM2.5、PM10)来自于番禺大气成分观测站(23°00′7″N, 113°21′18″E, 海拔142 m), 距广州市气象局3.5 km, 其北部为广州主城区, 周围无明显污染源.自组织映射神经网络采用的数据为欧洲中期天气预报中心(European Center for Medium-Range Weather Forecasts, ECMWF)再分析数据, 包括海平面气压和10 m风场.
3 数据处理(Data processing) 3.1 激光雷达数据订正激光雷达的原始数据在处理之前需要订正, 其中包括驻留脉冲(Afterpulse)订正、背景噪声(Background)订正、延时(Deadtime)订正、几何因子(Overlap)订正、距离(Range)订正和对其他一些与设备相关因子的订正, 如光纤与滤光片的透过率、望远镜镜面的有效面积等.在这些订正中, 最重要的是驻留脉冲订正、背景噪声订正和几何因子订正.这些订正的产生原因和订正方法详见文献(邓涛等, 2013), 这里不再展开叙述.
3.2 激光雷达归一化后向散射信号的获取激光雷达方程建立起了发射的激光能量与接收的回波能量之间的关系, 具体如下所示：
|
(1) |
|
(2) |
|
(3) |
式中, r为高度；P(r)为后向散射回波信号的能量；E为激光器的发射能量；C为雷达常数；Oolp(r)为几何因子订正系数；nb(r)为背景噪声订正系数；nap(r)为驻留脉冲订正系数；D[n(r)]为延时订正系数；T为大气透射率；σ1(r)、σ2(r)分别为气溶胶和空气分子的消光系数，β1(r)、β2(r)分别为气溶胶和空气分子的后向散射系数, 订正后归一化后向散射信号(NRB)(X(r))为：
|
(4) |
通过激光雷达数据订正后的NRB廓线即可反演出PBLH, 其基本原理就是利用气溶胶作为边界层的指示物, 对边界层与自由大气进行区分.反演PBLH常用的方法有梯度法(Hayden et al., 1997)、曲线拟合法(Steyn et al., 2003)和小波分析法(Brooks, 2003)等.理论上, 边界层内气溶胶浓度要比自由大气中的高得多, 产生的光学信号也相对较强, 但在实际的边界层和自由大气中的差分未必明显.为了更有效地检测瞬变信号, 本研究使用小波分析法.
这里的小波分析法使用最简单的正交小波Haar小波, 变换方法采用小波协方差变换.首先给出Haar小波函数定义：
|
(5) |
式中, r为高度；b为Haar小波的平移因子；a为尺度因子.另外, 给出Haar小波协方差变换系数公式：
|
(6) |
式中, X(r)为NRB廓线；rt和rb分别为NRB上、下界限, 本研究中分别取雷达盲区255 m作为统计下限, 取2000 m作为统计上限, 这一高度几乎高于所有情况下的PBLH；(Wf)(a, b)是NRB廓线与Haar小波的相近程度, (Wf)(a, b)越大, 说明NRB廓线与Haar小波越相近, PBLH的识别正是利用了这一性质.在每条NRB廓线中移动b进行积分, 当(Wf)(a, b)出现最大值时, 确定PBLH为b.
小波分析能否成功的关键在于小波分析尺度因子的选择.尺度因子a的取值过小, 小波变换对NRB廓线细节的捕捉能力凸显, 由于各种原因干扰造成的噪声信号都可能被放大识别出来, 这就导致对全局变化的把握不够；反之, a的取值过大, 小波变换仅仅把握了总体趋势, 很有可能过度忽略了NRB廓线的一些细节.由于激光雷达数据量很大, 找到一个合适的尺度因子对于批量自动反演来说至关重要, 而在以往的研究中常常选一个经验值.尺度因子的选择与信号从高到低的过渡区间的大小有关, 因此, 在使用小波分析进行PBLH识别前, 应该根据观测中NRB廓线的波形特征, 针对会明显影响PBLH识别结果的尺度因子进行讨论, 并寻求一个合适于反演算法的尺度因子.
3.4 基于自组织映射神经网络的天气分型自组织映射神经网络(SOM)是一种通过非监督式学习, 来产生训练输入样本的一个低维离散化表示的人工神经网络, 映射即从高维空间样本向低维空间的映射, 该算法本质上属于一种客观聚类算法(Liao et al., 2018).将海平面气压和10 m风场再分析数据作为训练样本输入, 每个输入层神经元都会计算该样本与自身携带的权向量之间的欧几里得距离, 距离最近的神经元成为竞争获胜者, 从而成为最佳匹配单元, 最佳匹配单元及其邻近的神经元的权向量将得到调整, 以使得这些权向量与当前输入样本的距离缩小.上面的过程通过不断迭代得到收敛的结果.本研究最终设计一个3×4为结点的矩阵作为输出层表示整个输入的样本.
4 结果与分析(Results and analysis) 4.1 灰霾过程描述2014年1月2—8日, 珠三角地区发生了大范围的灰霾过程, 主要城市AQI均大于100.如图 1所示, 本次灰霾过程中广州地区平均能见度为4.7 km, PM1、PM2.5和PM10的平均浓度分别为76.7、85.5、113.3 μg·m-3, PM2.5/PM10为76.3%, 表明本次灰霾过程的低能见度与细粒子污染有关.气象监测表明, 1月2日, 广州地区受均压场控制, 近地面风速较小, 污染物(PM1、PM2.5和PM10)逐渐积累, 能见度开始恶化.3—6日, 广州地区受冷高压脊控制, 在下沉气流的影响下容易形成下沉逆温, 不利于污染物的垂直扩散, 导致污染物持续积累.其中, PM1、PM2.5、PM10的浓度峰值出现在1月3日9:00, 分别为134.4、154.1、226.3 μg·m-3.4—5日, 污染状况有所缓解, 能见度有所上升.AQI峰值出现在1月6日, 为205, 根据《环境空气质量指数(AQI)技术规定(试行)》(HJ 633—2012), 空气质量为中度污染, 污染物浓度与峰值相当, 此时能见度仅为3.0 km.7—8日, 随着新的一波冷空气逐渐南下, 冷锋横扫珠三角地区, 污染物浓度逐渐降低, 灰霾过程得以结束.
 |
| 图 1 灰霾过程(2014年1月2—8日)AQI、PM1、PM2.5和PM10变化 Fig. 1 The variations of AQI, PM1, PM2.5 and PM10 during the haze period (January 2—8, 2014) |
小波分析能否成功的关键在于小波变换尺度因子的选择.尺度因子a的选择与卷夹层厚度有关, 为了更好地把握这一过渡区域的大小, 本研究引入了信号处理中常用的小波分解.平滑处理后的NRB廓线的波形相比雷达原始信号要简单很多, 适合利用Haar小波进行一层小波分解.
图 2是以2013年12月20日14：00的一条经过平滑处理的NRB廓线为例, 利用Haar小波进行一层小波分解的结果, 通过小波分解, NRB廓线被分成a1和d1两个分量, 低频分量a1是小波分解的第一层近似系数, 高频分量d1是细节系数, 对于平滑的廓线来说, d1可以直接反映出廓线的变化幅度.对于图 2中的廓线而言, 取d1≥0.01, 可以发现在750~1050 m之间存在一个较大的突变, 这个较大的突变恰好是本研究所关注的PBLH所在的位置, 而多个突变可能预示着边界层垂直方向上气溶胶存在多层结构.由于相邻时刻NRB波形可能存在差异, 因此, 应当注意防止由于尺度选择带来的突变误判, 要防止噪声等引起的突变所造成的判别干扰.本研究基于大量小波分解结果的分析, 在保证反演结果稳定性和准确性的基础上认为, a取300较为合适.利用小波分解可以更加简单且明确地选出合适的尺度因子a.在激光雷达批量自动识别中, a的选择较为重要, 有利于提升小波分析的可靠性和稳定性.同时, 利用小波分解可以更加容易地判别边界层垂直方向上的多层结构, 本文将在4.6节中做进一步探究.
 |
| 图 2 NRB廓线(2013年12月20日14：00)的小波分解结果 (a1:高频分量(近似系数)；d1:低频分量(细节系数)) Fig. 2 The wavelet decomposition result of the NRB profile (December 20, 2013 14:00)(a1: High frequency component (approximate coefficient) d1: Low frequency component (detail coefficient)) |
在选取了合适的小波变换尺度因子后, 即可通过小波分析在激光雷达观测得到的NRB廓线中反演出灰霾过程的PBLH(图 3).由于1月2日0：00—1月3日14：00激光雷达未开机, 因此, 该时间段内激光雷达数据缺失.1月6日18：00开始, 在500~1000 m上空雷达信号极强, 反映出广州地区出现低云.从总体上看, 在边界层热力动力共同作用下, 灰霾过程中PBLH均存在日变化.从平均结果来看, 边界层最高值出现在13：00, 为850 m, 最低值出现在5：00, 为483 m, 其日变化大体表现为中午高、早晚低.灰霾过程前期(1月3日14：00—1月6日17：00), PBLH为(446±83) m, 此时PBLH较低且日变化较为稳定, 这与污染物和边界层之间的相互作用密不可分.灰霾过程后期(1月6日18：00—1月8日23：00), PBLH为(876±257) m, PBLH较高且日变化幅度较大.可见, 灰霾过程后期PBLH约为前期的2倍, 后期的变化幅度为前期的3倍.
 |
| 图 3 灰霾过程(2014年1月3—8日)PBLH与消光系数的时间序列 Fig. 3 The time series of PBLH and extinction coefficients during the haze period (January 3—8, 2014) |
图 4是灰霾过程PBLH与基本地面气象要素的时间序列图, 可以看出, 这些参数自身和彼此之间存在如下关系：①PBLH与能见度(VIS)、风速(WS)、温度(T)之间的趋势一致；②PM2.5与相对湿度(RH)之间的趋势一致；③上述两组参数之间趋势相反；④每个参数自身均存在日变化.
 |
| 图 4 灰霾过程(2014年1月2—8日)PBLH与基本地面气象要素时间序列(a.边界层高度(PBLH)和PM2.5；b.能见度(VIS)和风速(WS)；c.相对湿度(RH)和温度(T)) Fig. 4 The time series of PBLH and basic ground meteorological elements during the haze period (January 2—8, 2014) (a.Planetary boundary height (PBLH) and PM2.5; b.Visibility (VIS) and wind speed (WS); c.Relative humidity (RH) and temperature (T)) |
1月2日广州地区开始出现灰霾过程, 平均能见度为4.5 km, PM2.5平均浓度高于90 μg·m-3.广州地区受均压场控制, 地面风速小于2 m·s-1, 部分时段出现静风情况, 极不利于污染物传输, 为污染物累积提供了有利条件.相对湿度高于90%, 气溶胶细粒子的吸湿增长直接导致了能见度下降.长时间的静小风使得污染物产生累积, PM2.5在1月3日出现了浓度峰值, 可以看到此时风速小于2 m·s-1, 相对湿度仍保持较高水平, 基本高于80%. 1月4—5日, 污染程度稍有缓解, 能见度缓慢增加, 平均值大于5 km, 此时风速大于3 m·s-1, 为污染物输送创造了有利条件, 但此时PBLH仍保持较低水平, 平均高度低于450 m, 不利于污染物垂直扩散, 因此, PM2.5均值仍高于85 μg·m-3.1月6日, 污染程度再次加重, AQI达到了峰值, PM2.5出现骤然增加情况, 并于18:00达到极大值, 接近本次灰霾过程的浓度峰值, 出现这种情况的原因主要是边界层高度的降低压缩了污染物的有效扩散空间, 同时, 风速的下降也使污染物得到积累.1月7日, 边界层得到有效发展, 污染态势有一定缓解, PM2.5逐渐降至50 μg·m-3左右.冷锋过境之前, 也就是1月8日凌晨, 广州地区近地面出现静小风, 风速低至1 m·s-1以下, 相对湿度高于90%, 加之夜间边界层高度显著降低, 在这样的条件下非常有利于气溶胶细粒子吸湿增长, 此时能见度低至2 km左右, PM2.5再次攀升至100 μg·m-3左右, 日间恰逢冷锋过境, 边界层有效发展至1000 m左右, 风速也增大至4 m·s-1, 为污染物的清除和空气质量好转创造了有利条件, 使得能见度逐渐恢复至10 km以上, 本次灰霾过程得以结束.归纳起来, 较低的PBLH、较小的风速和较高的相对湿度均是诱发能见度降低和空气质量下降的重要原因.
4.5 PBLH和风速与PM2.5之间的关系相关性分析表明, 灰霾过程PBLH与PM2.5之间呈显著负相关(图 5a), 相关系数r=-0.62, 通过了显著性水平为0.01的Pearson检验, 同时反映了PBLH反演的正确性.冷空气到来之前, 也就是灰霾过程前期, 93.4%的PBLH低于600 m, 78.9%的PBLH低于500 m, 40.8%的PBLH低于400 m, 此阶段PBLH较低, 污染物垂直扩散空间较小, 有利于污染物的累积, PM2.5浓度基本高于80 μg·m-3.冷空气逐渐开始渗透, 也就是灰霾过程后期, 72.3%的PBLH高于700 m, 40.7%的PBLH高于800 m, 29.6%的PBLH高于900 m, 此阶段PBLH较高, 污染物垂直扩散空间较大, 为灰霾过程结束创造了有利条件.
 |
| 图 5 灰霾过程PBLH与PM2.5(a)和风速(b)之间的相关性 Fig. 5 The correlations between PBLH and PM2.5 (a), and between wind speed and PM2.5 (b) during the haze period |
风速与PM2.5之间也呈显著负相关(图 5b), 相关系数r=-0.39, 同样通过了显著性水平为0.01的Pearson检验.从图中可以看出, 近地面风速在2.5 m·s-1以下的风对污染物的清除作用较小.但即便风速相同, 对应的污染物浓度也可能会存在明显差异, 这时应考虑风向对污染的贡献.图 6给出了灰霾过程风矢量与PM2.5之间的变化, 符合风速越大PM2.5浓度越低的负相关关系, 在灰霾过程中, 在N和S风向对应的PM2.5浓度在50 μg·m-3左右, 处于该过程中的较低水平, 特别是在1月8日的N风向对污染物的清除作用非常明显；在W和E风向上PM2.5浓度较高, 特别是1月6日E风向, PM2.5浓度超过了100 μg·m-3.另外, 本次灰霾过程不仅频繁出现静小风, 风向也经常发生变化甚至反转, 比如在1月2—3日风向发生了多次变化, 1月7—8日也出现了S风向到N风向之间的变化.复杂多变的风向非常不利于污染物的远距离输送, 加剧了污染过程.
 |
| 图 6 灰霾过程风矢量-PM2.5时间序列 Fig. 6 The time series of wind vector-PM2.5 during the haze period |
从图 7中可以看到本次灰霾过程中近地面风频与PM2.5之间的统计关系, 近地面小风速对应的PM2.5浓度明显比大风速高.W和E风向的PM2.5浓度明显较高, 其中E风向风频较大, 表明东莞方向对本次污染有较大贡献.N风向PM2.5浓度明显较低, 同时, 风频统计发现其占比较多, 对污染物的清除作用较大.如1月4日的偏北风使污染物峰值浓度降低, 空气质量得到一定程度的改善, 1月8日较强的偏北风直接使污染物得到有效清除, 为空气质量好转创造了有利条件.
 |
| 图 7 灰霾过程近地面风频-PM2.5统计(风速单位m·s-1) Fig. 7 The statistics of surface wind frequency-PM2.5 during the haze period (the unit of wind speed is m·s-1) |
一般情况下, 边界层受太阳辐射的影响明显, 在热力作用下会产生明显的日变化.日出后地表吸收太阳辐射, 随着这些热通量向上输送, 边界层内的热对流湍流开始发展, 边界层高度开始显著升高, 直到午后达到最高值.由于对流作用较强, 也被称为对流边界层(CBL).随着傍晚太阳辐射的减弱, 边界层高度开始下降, 日落后地表降温明显, 边界层内活动减弱, 稳定边界层(SBL)逐渐形成, 剩余层(RL)也开始出现, 这就是边界层结构的典型日变化(Stull, 1988).边界层还可能会受到其他因素的影响, 如季节、季风、海陆风、地形和热岛效应等, 导致不同地区的边界层产生不确定的差异化.在多次观测中发现, 灰霾过程初期, 边界层较为稳定, 日变化较为微弱.研究表明, 这可能与气溶胶和边界层之间的相互反馈有关.
 |
| 图 8 2014年1月6—8日激光雷达探测到的边界层垂直结构 Fig. 8 The vertical structures of boundary layer detected from lidar in January 6—8, 2014 |
经过多次观测分析表明, 灰霾过程末期, 也就是空气质量转好的过程中, 边界层垂直结构较为明显, 在激光雷达信号中也更容易被观测到.通过小波分析的方法, 我们只能识别出气溶胶浓度变化最大的区域, 而边界层的多层结构则需要依靠小波分解.以本次灰霾过程为例, 1月6日夜间开始, 随着冷空气的逐渐渗透, 边界层动力作用逐渐加强, PM2.5浓度逐渐下降.此时激光雷达探测到的信号产生明显变化, 反映出边界层垂直方向上出现多层结构, 日间紧邻地面的一层信号突变即为对流边界层高度(CBLH), 其变化较为明显, 而夜间紧邻地面的一层信号突变即为稳定边界层高度(SBLH), 其上方为RL.随着日夜交替, CBL、SBL和RL不断发展和更迭.在此期间CBLH和SBLH分别为(590±247) m、(383±53) m, 可以看出, 对流边界层高度约为稳定边界层的1.5倍, 峰值高度约为稳定边界层的3倍.同时, 稳定边界层较为稳定, 波动幅度较小, 而对流边界层变化较为剧烈.总体上污染态势逐渐好转, 但1月8日3:00—8:00 PM2.5浓度突然攀升, 这与边界层高度的下降有着重要的关系.到了1月8日夜间, 在强冷空气的影响下, PM2.5浓度相对较低, 此时激光雷达对边界层的垂直结构探测不明显.
4.7 不同天气型下PBLH的统计通过SOM方法将影响本区域的天气型分为12种.图 9是这些天气型在观测时段内清洁日和灰霾日发生的频次, 以及清洁日和灰霾日在12种天气型中的发生频率.图 10是使用Histbox(Wu et al., 2018)统计绘制的清洁日占比最高的3种天气型和污染日占比最高的3种天气型对应的PBLH结果.本研究主要以灰霾天气发生概率从低到高分析这6种天气型下PBLH的演变情况.
 |
| 图 9 各种类型天气在2013年9月—2014年11月清洁日和灰霾日的统计 (图中频率分别为灰霾日和清洁日在各天气型中的发生频率) Fig. 9 The statistics of each weather type of clean days and haze days from September 2013 to November 2014 (Frequency represents haze days and clean days occurred in each weather type respectively) |
 |
| 图 10 不同天气类型下广州地区PBLH日变化规律 (a.西南低压槽控制型(Type 3), b.北部湾低压槽控制型(Type 4), c.季风低压槽控制型(Type 12), d.冷高压脊控制型(Type 5), e.冷锋前部型(Type 6), f.变性高压脊控制型(Type 1)) Fig. 10 The diurnal variation pattern of PBLH in different weather types over Guangzhou (a.Controlled by southwest low pressure trough (Type 3), b.Controlled by Beibu Gulf low low pressure trough (Type 4), c.Controlled by though of monsoon (Type 12), d.Controlled by ridge of cold pressure (Type 5), e. Controlled by the front of front (Type 6), f. Controlled by ridge of denatured pressure (Type 1)) |
当珠三角地区出现西南低压槽控制型(Type 3)、北部湾低压槽控制型(Type 4)和季风低压槽控制型(Type 12)天气时, 广州地区PBLH较高, 峰值高度在1200~1600 m, 日间边界层发展极为明显, 其控制下广州地区的灰霾日占比均低于12%.在这3种低压天气系统控制下, 近地面主要受低值系统影响, 低层有明显偏南暖湿气流, 位势不稳定, PBLH较高, 有利于污染物扩散, 出现灰霾天气的概率相对较低.
当珠三角地区出现冷高压脊控制型(Type 5)、冷锋前部型(Type 6)和变性高压脊控制型(Type 1)天气时, 广州地区PBLH较低, 峰值高度均低于1000 m, PBLH低值出现概率大幅增加, 大多数边界层结构日变化相对较弱, 3种天气型控制下广州地区的清洁日占比分别为51%、37%和32%, 灰霾天气较易出现.冷高压脊控制型出现时, 高压中心一般位于大陆125°E以西的青藏高原或内蒙古地区, 冷锋过境的广州地区地面受高压系统控制, 等压线为平直东西方向.由于下沉气流作用, 气压梯度力和风速较小, 此时PBLH平均值和中位数均介于400~1000 m间, 变化范围不大.由于此类天气形势较为稳定, 其持续时间相对较长.冷锋前部型易出现在干季, 广州地区近地面以弱偏东风为主, 天气温暖, 不利于对流活动, 此时边界层发展较弱, 平均PBLH峰值不足900 m, 易于导致污染物的累积.但随着冷空气南下, 对流活动增强, 这类污染天气一般能得到较快改善, 持续时间不长.变性高压脊控制型易出现在干季, 广州地区近地面受弱的偏东、偏南气流控制, 风速较小, 易形成气流停滞区, 中低空为辐散下沉气流控制, 平均PBLH峰值不足1000 m, 且始终保持较低水平, 变化幅度较小, 污染物垂直扩散和输送能力都较差, 此时容易造成污染物累积.
从上述分析中可知, 污染天气发生频率越高的天气型, 对应的PBLH相对较低, 对应的PBLH日变化相对微弱.从统计结果离散程度来看, 污染天气发生概率越高的天气型, 其PBLH极小值的出现明显较多, 特别是日间PBLH低于500 m的情况凸显, 低的PBLH使污染物被压缩到一个有限的混合空间内, 导致大气污染事件发生的可能性增加.值得注意的是, 低压天气系统控制下灰霾天气发生概率相对较低, 对应的PBLH明显较高, 这与气旋与反气旋垂直气流方向不同有关, 低压天气系统控制的气流方向是自下而上的, 因此, 底层稳定能量较弱, 边界层更易发展；而受高压天气系统控制的气流方向是自上而下的, 导致边界层发展容易受到抑制.
5 结论(Conclusions)1) 利用小波分解可以更加简单且明确地选出合适的尺度因子a.通过对NRB廓线的小波分解, 小波分析尺度因子a取300较为合适.同时, 利用小波分解可以更加容易地判别边界层垂直方向的多层结构.
2) 灰霾过程中PBLH均存在日变化.从平均结果来看, PBLH最高值出现在13:00, 为850 m, 最低值出现在5:00, 为483 m, 其日变化大体表现为中午高、早晚低.较低的PBLH、较小的风速和较高的相对湿度均是诱发能见度降低和空气质量下降的重要原因.
3) 灰霾过程PBLH与PM2.5之间呈现显著负相关, 相关系数r=-0.62(p < 0.01), 灰霾过程前期PBLH较低, 污染物垂直扩散空间较小, 有利于污染物的累积.后期PBLH得到有效发展, 污染物垂直扩散空间较大, 为灰霾过程结束创造了有利条件.风速与PM2.5之间也呈显著负相关, 相关系数r=-0.39(p < 0.01), 近地面风速在2.5 m·s-1以下的风对污染物的清除作用较小.复杂多变的风向非常不利于污染物的远距离输送, 加剧了污染程度.
4) 灰霾过程末期, 边界层垂直结构较为明显, 对流边界层、稳定边界层和剩余层不断发展和更迭.对流边界层平均高度约为稳定边界层的1.5倍, 峰值高度约为稳定边界层的3倍.
5) 统计表明, 低压天气系统控制下灰霾天气发生的概率较低, 对应的PBLH明显较高, 峰值高度在1200~1600 m, 日间边界层发展极为明显.而高压天气系统控制下, 边界层发展容易受到抑制, 峰值高度均低于1000 m.
Bravo-Aranda J A, Moreira G D A, Navas-Guzmán F, et al. 2017. A new methodology for PBL height estimations based on lidar depolarization measurements:analysis and comparison against MWR and WRF model-based results[J]. Atmospheric Chemistry and Physics, 17(11): 6839–6851.
DOI:10.5194/acp-17-6839-2017
|
Brooks I M. 2003. Finding boundary layer top:Application of a wavelet covariance transform to lidar backscatter profiles[J]. Journal of Atmospheric and Oceanic Technology, 20(8): 1092–1105.
DOI:10.1175/1520-0426(2003)020<1092:FBLTAO>2.0.CO;2
|
Davies F, Middleton D R, Bozier K E. 2007. Urban air pollution modelling and measurements of boundary layer height[J]. Atmospheric Environment, 41(19): 4040–4049.
DOI:10.1016/j.atmosenv.2007.01.015
|
Deng T, Deng X J, Li F, et al. 2016. Study on aerosol optical properties and radiative effect in cloudy weather in the Guangzhou region[J]. Science of the Total Environment, 568: 147–154.
DOI:10.1016/j.scitotenv.2016.05.156
|
Deng T, Wu D, Deng X J, et al. 2014. A vertical sounding of severe haze process in Guangzhou area[J]. Science China Earth Sciences, 57(11): 2650–2656.
DOI:10.1007/s11430-014-4928-y
|
邓涛, 吴兑, 邓雪娇, 等. 2013. 一次严重灰霾过程的气溶胶光学特性垂直分布[J]. 中国环境科学, 2013, 33(11): 1921–1928.
|
Ding A J, Huang X, Nie W, et al. 2016. Enhanced haze pollution by black carbon in megacities in China[J]. Geophysical Research Letters, 43(6): 2873–2879.
DOI:10.1002/grl.v43.6
|
Hayden K L, Anlauf K G, Hoff R M, et al. 1997. The vertical chemical and meteorological structure of the boundary layer in the Lower Fraser Valley during Pacific '93[J]. Atmospheric Environment, 31(14): 2089–2105.
DOI:10.1016/S1352-2310(96)00300-7
|
He Q, Li C, Mao J, et al. 2008. Analysis of aerosol vertical distribution and variability in Hong Kong[J]. Journal of Geophysical Research:Atmospheres.
DOI:10.1029/2008JD009778
|
Heese B, Baars H, Bohlmann S, et al. 2017. Continuous vertical aerosol profiling with a multi-wavelength Raman polarization lidar over the Pearl River Delta, China[J]. Atmospheric Chemistry and Physics, 17(11): 6679–6691.
DOI:10.5194/acp-17-6679-2017
|
Korhonen K, Giannakaki E, Mielonen T, et al. 2014. Atmospheric boundary layer top height in South Africa:measurements with lidar and radiosonde compared to three atmospheric models[J]. Atmospheric Chemistry and Physics, 14(8): 4263–4278.
DOI:10.5194/acp-14-4263-2014
|
Levy H, Horowitz L W, Schwarzkopf M D, et al. 2013. The roles of aerosol direct and indirect effects in past and future climate change[J]. Journal of Geophysical Research:Atmospheres, 118(10): 4521–4532.
DOI:10.1002/jgrd.50192
|
Li H, Yang Y, Hu X M, et al. 2017. Evaluation of retrieval methods of daytime convective boundary layer height based on lidar data[J]. Journal of Geophysical Research:Atmospheres, 122(8): 4578–4593.
DOI:10.1002/2016JD025620
|
Liao Z, Sun J, Yao J, et al. 2018. Self-organized classification of boundary layer meteorology and associated characteristics of air quality in Beijing[J]. Atmospheric Chemistry and Physics, 18(5): 6771–6783.
|
刘建, 范绍佳, 吴兑, 等. 2015. 珠江三角洲典型灰霾过程的边界层特征[J]. 中国环境科学, 2015, 35(6): 1664–1674.
|
Matthais V, Freudenthaler V, Amodeo A, et al. 2004. Aerosol lidar intercomparison in the framework of the EARLINET project.1.Instruments[J]. Applied Optics, 43(4): 961–976.
DOI:10.1364/AO.43.000961
|
Petäjä T, Järvi L, Kerminen V, et al. 2016. Enhanced air pollution via aerosol-boundary layer feedback in China[J]. Scientific Reports, 6: 18998.
DOI:10.1038/srep18998
|
Steyn D, Baldi M, Hoff R. 1999. The detection of mixed layer depth and entrainment zone thickness from lidar backscatter profiles[J]. Journal of Atmospheric and Oceanic Technology, 16(16): 953–959.
|
Stull R B.1988.An introduction to boundary layer meteorology[M].Dordretch: Kluwer Academic Publishers
|
Tie X, Wu D, Brasseur G. 2009. Lung cancer mortality and exposure to atmospheric aerosol particles in Guangzhou, China[J]. Atmospheric Environment, 43(14): 2375–2377.
DOI:10.1016/j.atmosenv.2009.01.036
|
van Donkelaar A, Martin R V, Brauer M, et al. 2010. Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth:development and application[J]. Environmental Health Perspectives, 118(6): 847–855.
DOI:10.1289/ehp.0901623
|
Wang G, Deng T, Tan H, et al. 2016. Research on aerosol profiles and parameterization scheme in Southeast China[J]. Atmospheric Environment, 140: 605–613.
DOI:10.1016/j.atmosenv.2016.06.027
|
Welton E J, Voss K J, Quinn P K, et al. 2002. Measurements of aerosol vertical profiles and optical properties during INDOEX 1999 using micropulse lidars[J]. Journal of Geophysical Research:Atmospheres, 107(D19): 8019.
DOI:10.1029/2000JD000038
|
Wu C, Wu D, Yu J. 2018. Quantifying black carbon light absorption enhancement with a novel statistical approach[J]. Atmospheric Chemistry and Physics, 18(1): 289–309.
DOI:10.5194/acp-18-289-2018
|
吴兑, 毕雪岩, 邓雪娇, 等. 2006. 珠江三角洲大气灰霾导致能见度下降问题研究[J]. 气象学报, 2006, 64(4): 510–517.
|
吴兑, 陈位超, 游积平, 等. 1995a. 海口西郊海岸地带低层大气结构研究[J]. 热带气象学报, 1995a, 11(2): 123–132.
|
吴兑, 陈位超, 游积平. 1995b. 海口地区近地层流场与海陆风结构的研究[J]. 热带气象学报, 1995b, 11(4): 306–314.
|
Wu D, Deng X J, Bi X Y, et al. 2007. Study on the visibility reduction caused by atmospheric haze in Guangzhou area[J]. Journal of Tropical Meteorology, 13(1): 77–80.
|
Wu D, Tie X, Li C, et al. 2005. An extremely low visibility event over the Guangzhou region:a case study[J]. Atmospheric Environment, 39(35): 6568–6577.
DOI:10.1016/j.atmosenv.2005.07.061
|
Wu M, Wu D, Fan Q, et al. 2013. Observational studies of the meteorological characteristics associated with poor air quality over the Pearl River Delta in China[J]. Atmospheric Chemistry and Physics, 13(11): 10755–10766.
|