2020, Vol. 40
[PDF全文]
2. 深圳市国家气候观象台, 深圳 518040;
3. 中山大学大气科学学院, 珠海 519082;
4. 深圳市强风暴科学研究院, 深圳 518057
2. Shenzhen National Climate Observatory, Shenzhen 518040;
3. School of Atmospheric Sciences, Sun Yat-Sen University, Zhuhai 519082;
4. Shenzhen Academy of Severe Storms Science, Shenzhen 518057
自改革开放以来, 中国经历了高速经济发展和快速城市化进程, 这一方面提高了中国人民的生活水平, 另一方面也导致了大气污染问题(Chan et al., 2008; 吴兑等, 2010; 2012).从已有文献来看, 过去40余年京津冀、长江三角洲和珠江三角洲等中国重要的经济区域几乎都在不同阶段出现过不同程度的大气环境问题(Wu et al., 2006; 王茜, 2013; Deng et al., 2013; Xin et al., 2014; Zhang et al., 2016).
在中国的快速城市化进程中, 深圳是特别有代表性的一个城市, 在40年前, 它还只是一个人口只有几十万的边陲小城, 而今已经成为人口超过1000万的超级都市(Li et al., 2015).深圳所在的珠江三角洲地区在过去几十年中的大部分时段也都受到空气污染的严重困扰, 因此, 关于本区域大气污染的物理、化学特性及形成机制的研究为数众多(Fan et al.., 2008;吴兑等, 2011a; 2011b;吴蒙等, 2016; Lan et al., 2018).这些研究为区域大气环境污染的治理提供了有针对性的科学依据, 并取得了明显的效果.以深圳为例, 1980年以来每年记录到的灰霾日数经历了先上升后下降的过程, 自2004年以后大气环境质量的提升十分明显(Zhang et al., 2018).根据《深圳市环境状况公报》, 自2012年按照新版《大气环境质量标准》(GB3095- 2012)开展监测以来, 深圳PM2.5浓度总体上呈振荡下降趋势, 并于2019年达到了年均浓度25 μg·m-3的水平.
尽管深圳的大气污染治理已经取得了显著的成效, 但由于其所在区域机动车数量众多, 且仍然有相当数量的工业排放源, PM2.5污染仍然会在不利的气象条件下出现(Li et al., 2020).数据统计表明, 自2012年以来, 虽然深圳的PM2.5年均浓度总体上呈下降趋势, 但在部分年份仍然会回升反弹从而引起政府和公众的广泛关切.而判断这种反弹到底是气象条件年景的变化造成的还是污染排放本身的反弹造成的, 对于环保管理部门十分重要, 因为这将有助于厘清污染反弹的根本原因, 从而有利于深圳环保治理策略的检讨、修订和加强.
在这种背景下, 对2012年以来的PM2.5污染进行回顾评价就显得非常必要, 尤其是在回顾评价中“剥离”气象条件年际变化的影响, 将有助于准确判断PM2.5污染反弹的根本原因.而要想剥离气象条件的年际变化, 一个可能的思路是按照一定标准对污染气象条件进行分级, 然后对比统计相同等级污染气象条件下不同年份的PM2.5浓度, 从而避免不考虑气象条件直接统计年均浓度所带来的问题.
气象条件与大气污染的形成有着密不可分的关系, 在同样强度的污染排放条件下, 大气的大尺度环流特征是一个区域是否会产生污染的根本原因—大尺度环流特征不仅决定了大气是否具备成云致雨的动力、热力条件, 也决定了一个区域的大气输送扩散能力, 并进而影响到该区域的大气环境质量(张小曳等, 2020).深圳地处华南沿海的亚热带季风气候区, 气象条件的变化对于PM2.5浓度的影响同样至关重要.本区域关于气象条件与大气污染的关系研究数量众多, 例如, 范少佳等(2005)分析了珠三角地区空气污染发生时的边界层结构, 提出了区域污染的气象条件概念模型.吴兑等(2008)在综合考虑风速和风向变化的基础上提出了风矢量和的概念, 并分析了矢量和与大气环境的关系(吴蒙等, 2012).这些研究对于提升气象条件与大气环境质量关系的认识有着重要意义, 但将其成果直接用于深圳PM2.5污染的回顾研究仍然显得不够.这是由于大尺度环流特征存在着为数众多的可能, 对于大尺度环流特征容易作定性的判断, 却很难建立客观定量的分级标准, 因此, 直接基于大尺度环流特征难以确定何为相同等级的气象条件.此外, 最近一些研究指出, 近年来深圳的PM2.5污染更多呈现“小尺度局地污染”的态势(张丽等, 2018).大尺度环流尽管仍然是孕育大气污染的背景条件, 但边界层乃至近地面的小尺度气象条件与大气污染之间似乎存在着更直接的联系, 这是因为大气污染的污染源主要来自于近地面, 其扩散和传输直接受边界层中下部气象要素的影响(Liu et al., 2012; Shi et al., 2019; Shi et al., 2020).
事实上, 无论何种大尺度环流形势, 对局地大气扩散能力的影响最终还是能够体现在地面气象要素上, 已有研究指出地面风向、风速等气象要素对空气污染物的扩散起着决定性的作用(甄新蓉等, 2012).张丽和李磊(2016)的前期探索性研究也表明, 主要基于地面气象要素进行深圳污染气象条件分级切实可行, 可以在相当程度上解释深圳灰霾事件的形成.基于上述考虑, 本文拟设计一套基于地面自动气象站观测数据的污染气象条件分级方法, 并在此基础上对2012—2019年深圳的PM2.5污染变化趋势进行回顾评价.
2 数据来源与研究方法(Data sources and methods) 2.1 数据来源本文所用数据包括两大类, 第一类为深圳市环境监测站在11个监测点位上采集的PM2.5浓度日均值, 经过平均处理形成代表深圳全市的PM2.5浓度日均数据.第二类数据是气象数据, 来自深圳市国家气候观象台部署在全市的100个自动气象站, 原始数据频次为每小时一次, 包括风速、风向、雨量、气温等.数据的时间跨度为2012年1月1日—2019年12月30日, 11个PM2.5监测点位和100个气象监测点位如图 1所示.
 |
| 图 1 自动气象站(圆圈)和环境监测站点(三角形)示意图 Fig. 1 Auto weather stations and environmental monitoring sites |
本文研究分3个步骤, 分别是气象数据的预处理、PM2.5浓度与气象数据的关联性分析和不同污染气象等级的PM2.5浓度分析.
2.2.1 气象数据预处理由于本文使用的气象数据来源站点数量较多, 使得研究能够关注全市“面上”的平均情况.对于与扩散能力密切相关的风速和风向数据, 如果简单使用所有站点观测数据的平均值, 往往会抹掉很多有用信息, 甚至得出错误的结论.为避免这种情况, 本文在处理风的数据时提出了一种新的方法, 即统计弱风站点数量占比和偏北风站点数量占比这两个指标.对于雨量、气温等数据则取100个站点的平均值, 通过计算得到全市平均雨量和全市平均气温.由于过往经验表明, 冬季深圳的PM2.5污染事件与弱冷空气活动有关, 因而在全市平均气温基础上进一步计算了逐日的24 h变温.
2.2.2 PM2.5浓度与气象数据的关联性分析将2012—2019年逐日的全市PM2.5浓度日平均数据从大到小进行排序, 然后取浓度值最小的1/6的样本为A组和浓度值最大的1/6的样本为B组.对比分析不同组所对应的气象条件的差异, 包括全市平均雨量、弱风站点数量占比、偏北风站点数量占比及24 h变温等要素.针对两组样本, 分别对上述所有要素绘制概率分布图, 分析所有同组事件样本在气象相关要素不同区间的分布概率, 以进一步明确其是否与PM2.5的浓度存在关联.
2.2.3 不同污染气象等级的PM2.5浓度分析根据2.2.2节分析的结果, 选取对PM2.5浓度比较敏感的气象要素, 按照关联性分析得到的敏感程度, 组合形成一套完整的分级指标, 并通过分析不同等级条件下的PM2.5浓度平均值对指标有关参数进行微调, 取相对最合理的值.确定污染气象条件等级标准后, 根据标准计算不同年份、不同污染气象条件等级下PM2.5的浓度值, 分析其变化趋势.
3 结果与分析(Results and analysis) 3.1 PM2.5年均浓度变化概况图 2给出了2012—2019年深圳PM2.5年均值变化情况, 数据由深圳市11个环境监测站点日观测数据计算得到.从图中不难看出, 在过去8年中深圳市的PM2.5年均浓度总体上确实处于下降趋势, 期间最高值出现在2013年, 为40 μg·m-3, 最低值出现在2019年, 为24 μg·m-3.在这8年中PM2.5年均浓度共出现了两次反弹, 一次是2013年相较于2012年增加了约2.6 μg·m-3, 一次是2017年相较于2016年增加了1.5 μg·m-3.正是因为8年中出现的这两次反弹, 让深圳市政府和公众对环保措施的持续性和有效性产生了质疑, 而本文的主要目的之一正是分析污染气象条件年景变化对这两次反弹可能产生的影响.
 |
| 图 2 2012—2019年深圳PM2.5年均值变化 Fig. 2 The yearly average values of PM2.5 concentration during the period of 2012 to 2019 |
如2.2节所述, 从所有2922个样本中筛选出2组样本, 其中, A组为PM2.5日均浓度最低的1/6(代表污染较轻的情况), B组为PM2.5日均浓度最高的1/6(代表污染较重的情况), 两组样本的数量均为487个.分别统计两组样本对应的气象相关数据的情况, 可以判断PM2.5浓度与气象要素的关联性.
3.2.1 PM2.5浓度与降雨的关系图 3给出了两组样本各自在不同日雨量区间的分布.由图 3a可知, 在所有A组样本中, 有22.75%的样本对应日均雨量在1 mm以下, 可视作无有效降雨；有34.84%的样本对应日均雨量在1~10 mm之间, 意味着当日有中雨以下的有效降雨；有37.91%的样本对应日均雨量在10 mm以上, 意味着当日有中雨以上(含中雨)的有效降雨.A组数据表明, 当PM2.5浓度较低时, 日雨量并没有太明显的规律.图 3b的情况与图 3a相差甚远, 在PM2.5浓度较高时, 雨量几乎都维持在中雨以下, 这意味着PM2.5污染几乎都出现在日雨量小于10 mm的自然日, 其中88.89%的样本出现在无有效降雨的日子.令人意外的是, B组样本中有超过10%的样本出现在日雨量为小到中雨的区间, 过去经验认为只要出现了1 mm以上的有效降水, 就足以对大气中的污染物进行有效清除；而本文的分析表明只有日雨量达到中雨以上量级时, 才能比较“完全”地清除PM2.5.这说明降雨与PM2.5污染的关系远比过去认为的复杂, 尤其是弱降雨条件下为何仍然会出现重污染是一个值得深入探讨的问题.这其中一个可能的原因是雨强较弱导致对PM2.5的冲刷能力不足, 反倒提供了较为充足的水汽, 为PM2.5的吸湿增长创造了条件.当然, 上述猜想还需进一步的研究予以证实.
 |
| 图 3 PM2.5浓度与降雨的关系 (a. A组样本在不同日雨量区间的分布；b. B组样本在不同日雨量区间的分布) Fig. 3 The relationship between the PM2.5 concentration and the precipitation (a.the distribution of the samples in group A on different precipitation ranges; b.the distribution of the samples in group B on different precipitation ranges) |
图 4给出了两组样本与弱风范围的关系, 图像横坐标是记录到的弱风站点数量占总站数的比例, 越靠右表明记录到弱风站点的数量越多.本文所取的弱风的标准为日均风速小于2.0 m·s-1.对比图 4a与图 4b可以发现, 在PM2.5浓度较高时, 出现大范围弱风的样本比例更高, 记录到弱风的站点比例在70%以上的样本数量大大提升, 占样本总数的比例达到54.60%, 这一数据比A组样本高18.20%, 这表明PM2.5浓度的高低确实与弱风影响范围有关, 大范围的弱风确实更容易导致PM2.5的高浓度.另一方面, 由图 4a还可知, 即使是在PM2.5浓度较低的时候, 总计也有66.10%的样本位于大范围弱风的区间, 即有50%以上的站点记录到弱风, 这表明大范围的弱风尽管更容易导致污染, 但却并不必然导致污染, 因此, 单纯考虑风速, 特别是只考虑单站的风速来判断污染气象条件是不妥的.
 |
| 图 4 PM2.5浓度与弱风范围的关系 (a. A组样本对应的弱风站点比例分布；b. B组样本对应的弱风站点比例分布) Fig. 4 The relationship between the PM2.5 concentration and the weak wind range (a.the distribution of the samples in group A on different ranges of weak wind; b.the distribution of the samples in group B on different ranges of weak wind) |
之所以关注偏北风是因为深圳市地处华南沿海, 海岸线总体上呈东西走向, 故偏南风往往带来海上洁净的空气, 而偏北风则更容易带来内陆的污染物.图 5给出了两组样本与偏北风的关系, 图像横坐标是记录到北风分量站点数量占总站数的比例, 越靠右表明记录到北风站点的数量越多.图 5a与图 5b形成了非常明显的反差, 对于PM2.5浓度较低的A组, 记录到偏北风站点的数量比例总体较低, 比例在50%以下的样本占到总样本数量的83.00%；而对于PM2.5浓度较高的B组, 记录到偏北风的站点数量比例较高, 达到50%以上的样本占总样本数的76.30%, 甚至有35.40%的样本在当天有80%以上的站点记录到了偏北风.
 |
| 图 5 PM2.5浓度与北风范围的关系 (a.A组样本对应的北风站点比例分布；b.B组样本对应的北风站点比例分布) Fig. 5 The relationship between the PM2.5 concentration and the north wind range (a.the distribution of the samples in group A on different ranges of north wind; b.the distribution of the samples in group B on different ranges of north wind) |
大气污染扩散能力与温度的垂直结构有关系, 但单纯利用地面气象站的观测数据, 无法获得垂直温度梯度数据.然而以往经验表明, 地面弱的负变温往往伴随弱冷空气渗透活动, 而弱冷空气的渗透容易抬升前期较热的地表空气, 从而形成逆温, 当这种逆温与弱北风同时影响深圳时, 气象条件就会极不利于扩散.若冷空气较强, 则过程往往较为剧烈, 风速较强, 反倒利于大气污染物的清除.图 6给出了不同组样本在日变温不同区间的分布特征, 由图不难看出, A、B两组样本似乎整体上都呈正态分布, 但图形的细节却有显著区别：A组的样本对应的日变温大都集中在-1~1 ℃之间, 绝对值高于1 ℃的负变温样本相对较少；而B组样本中, 变温在-1~1 ℃之间的比例显著降低, 而绝对值高于1 ℃的变温样本比例却从A组的12.70%增加到26.60%, 特别是-2~-1 ℃之间的样本比例显著增加了5.20%.这表明PM2.5高浓度事件确实与弱的负变温有一定关联.当然也必须认识到, 仅用地面变温来分析气温与污染扩散的关系仍然有一定的不确定性, 是在无法获得“面上”气温垂直分布数据情况下的替代手段.
 |
| 图 6 PM2.5浓度与日变温的关系 (a.A组样本在不同日变温区间的分布；b.B组样本在不同日变温区间的分布) Fig. 6 The relationship between the PM2.5 concentration and the daily temperature change (a.the distribution of the samples in group A on different ranges of daily temperature change; b.the distribution of the samples in group B on different ranges of daily temperature change) |
PM2.5浓度与气象要素的关联性分析表明, 日雨量、北风范围、弱风范围及日变温幅度都可以在不同程度上影响PM2.5的浓度.基于这些分析结果, 本文设计了一套指标体系, 用于定量判断污染气象条件的优劣, 具体如图 7所示.根据日雨量的量级、记录到北风站点的比例、记录到弱风站点的比例及24 h变温的幅度, 确定等级.等级共分为6级, 等级数字越高, 对大气环境质量越不利, 其中, 1级为极有利于污染物清除, 2级为有利于污染物清除, 3级为较有利于污染物清除, 4级为较不利于污染物清除, 5级为不利于污染物清除, 6级为极不利于污染物清除.
 |
| 图 7 污染气象条件等级划分标准 Fig. 7 Standard for classification of air pollution meteorological conditions |
需要特别指出的是, 图 7既是污染气象条件的划分标准, 也是实现标准的算法流程图, 具体包括以下步骤：①先判断日雨量数据, 如果大于等于10 mm, 则直接判定为1级, 因为历史数据统计表明, 达到这个量级的日雨量已足够有效清除大气中的PM2.5；②如果雨量小于10 mm, 则考察记录到偏北风分量的站点的比例, 根据比例数值所对应的区间再分别考察记录到弱风站点的比例；③根据弱风站点比例的不同, 分别划定等级为1~6级；④考察是否存在-1~-5 ℃之间的变温, 若存在这种情况则在部分弱风站点比例的取值区间上将污染气象条件等级再加1级.图 7所提供的标准和算法流程总体上体现了以下思路：在少雨或无雨时, 北风站点和弱风站点占比越高, 则污染气象条件等级越高, 越不利于污染扩散；而当配合出现弱的负变温时, 会导致已经不利于扩散的污染气象条件雪上加霜.
3.3.2 不同污染气象条件等级的PM2.5浓度变化趋势分析图 8给出了2012—2019年不同污染气象条件等级的PM2.5年均浓度.由图可知, 不同污染气象条件等级数值越低, 对应的PM2.5年均浓度也越低, 这意味着本文设计的不同污染气象条件等级划分标准是合理的, 与PM2.5浓度有很好的对应关系.在不同污染气象条件等级下, PM2.5的年均浓度总体上均呈振荡下降的趋势, 表明深圳的PM2.5浓度下降趋势总体上是确定的, 污染气象条件年景的变化不能改变PM2.5浓度变化的整体趋势.
 |
| 图 8 2012—2019年不同等级污染气象条件下PM2.5年均浓度的变化 Fig. 8 The yearly average PM2.5 concentration at different air pollution meteorological condition levels during the period of 2012 to 2019 |
具体分析不同污染气象条件等级下的情况, 可以发现一些更有趣的现象：在1~3级条件下, PM2.5的浓度变化趋势相对较为平缓；而在4~6级条件下, PM2.5的浓度起伏变化则相对更为剧烈, 整体的下降幅度也更为明显.这意味着深圳PM2.5年均浓度下降的主要原因在于不利气象条件下PM2.5浓度的显著降低, 特别是在最不利于污染物清除的6级条件下, PM2.5浓度几乎呈单调递减的态势, 在近8年中从未出现过反弹的情况.
计算图 8a~图 8f中数据的平均值, 得到图 9, 该图可视作“剥离”了污染气象条件年景变化(即不考虑不同污染气象等级天数的变化)之后的PM2.5浓度的年际变化情况.图 2和图 9中PM2.5年均浓度的计算公式可分别用式(1)和式(2)表达：
|
(1) |
|
(2) |
 |
| 图 9 剥离污染气象条件年景变化后的深圳PM2.5年均值变化 Fig. 9 The yearly average values of PM2.5 concentration after excluding the change of the air pollution meteorological condition during the period of 2012 to 2019 |
式中, c为不同方法计算得到的PM2.5年均浓度(μg·m-3), N为一年的总天数(d), ci表示每天的PM2.5日均浓度(μg·m-3), nk表示一年中处于不同污染气象条件等级(1~6级)的总天数(d), N=n1+n2+n3+n4+n5+n6.对比两种方法可知, 式(1)为不考虑气象条件等级天数的变化对PM2.5浓度值直接平均；式(2)先按气象等级在等级内平均一次, 接着把所有等级的平均值再平均一次.相比之下, 第2种方法可以去除不同等级的天数多少对年均值的影响, 故可以视为剥离了年景变化.例如, 某年5、6级天数特别多, 则直接按式(1)计算得到的年均浓度肯定会比较高, 但利用式(2)进行计算, 则这个问题就可以避免.
将图 9与图 2对比可知, 即使是剥离了污染气象条件年景变化的影响, 2013年的PM2.5浓度相比2012年仍然出现了明显的反弹, 表明该年的反弹主要是由于污染排放本身的反弹造成的, 与气象条件的变化关系不大.相较而言, 在剥离污染气象条件变化的影响之后, 2017年的PM2.5浓度与2016年基本持平, 这表明图 2中展现出的该年PM2.5浓度的反弹并非是污染排放本身的反弹造成的, 很可能是污染气象条件的变化造成了这种反弹.
为进一步分析过去8年深圳污染气象条件的年景变化, 图 10给出了逐年记录到的不同污染气象条件等级的天数.由图 10可见, 各等级天数的年际变化相当剧烈, 其中特别值得关注的是, 最不利于污染扩散的5级和6级的天数都呈振荡上升趋势.对5级和6级天数的数据进行线性拟合, 发现5级天数的线性增长率约为0.7 d·a-1, 而6级天数的增长则更为明显, 线性增长率达到了约1.8 d·a-1.这表明在2012—2019年期间, 深圳的近地层污染气象条件总体上呈恶化趋势, 在这种情况下深圳的PM2.5年均浓度仍然呈下降趋势, 足以证明深圳市在环保治理方面的成绩.分析近地层污染气象条件恶化的原因, 可能与深圳近年来城市的大力建设有关, 高楼的增多使得深圳的地面粗糙度增加, 从而使得城市出现大范围弱风的概率增加.具体到2017年, 可发现当年污染气象条件等级为5级和6级的天数都比2016年有较大幅度的增加, 而这两个等级下的PM2.5平均浓度较高, 正是在这种情况下2017年的PM2.5年均浓度相对于2016年出现了反弹.
 |
| 图 10 2012—2019年不同等级污染气象条件的天数 Fig. 10 The yearly total number of days recording different air pollution meteorological condition levels during the period of 2012 to 2019 |
1) 2012—2019年深圳PM2.5浓度的年均值总体上呈下降的趋势, 但2013年相对于2012年, 以及2017年相对于2016年出现了反弹.
2) 将PM2.5浓度的日均数据分解到不同污染气象条件等级下再计算平均值, 发现PM2.5浓度在不同等级下也均呈下降趋势, 尤其是在不利于污染扩散的高等级条件下, 下降的幅度更为明显.
3) 剥离污染气象条件年景的年际变化之后, 可发现2013年PM2.5浓度相对于2012年的反弹主要是污染本身的反弹, 而2017年相对于2016年的反弹则更主要是由于不利的污染气象条件天数增加造成的.
4) 在2012—2019年期间, 深圳的污染气象条件总体上呈恶化趋势, 具体体现在不利于环境改善的污染气象条件高等级天数总体上呈增加趋势, 在这种外部条件不利的情况下, 深圳的PM2.5浓度仍然出现了明显的下降, 充分说明了深圳市环保工作的成效.
本文提出的基于地面自动气象站网观测数据的污染气象条件分级标准, 对于华南沿海城市都有参考价值, 未来不仅可以用于大气环境质量的回顾性评价, 还可以用于环境气象条件的实时监测, 为污染排放管理提供参考.
Chan C K, Yao X. 2008. Air pollution in mega cities in China[J]. Atmospheric Environment, 42: 1-42. DOI:10.1016/j.atmosenv.2007.09.003 |
Deng X, Wu D, Yu J, Lau A K H, et al. 2013. Characterization of secondary aerosol and its extinction effects on visibility over the Pearl River Delta Region, China[J]. Journal of Air Waste Management Association, 63: 1012-1021. DOI:10.1080/10962247.2013.782927 |
范少佳, 王安宇, 范琦, 等. 2005. 珠江三角洲大气边界层特征概念模型的建立及其应用[J]. 热带气象学报, 21(3): 286-292. |
Fan S, Wang B, Tesche M, et al. 2008. Meteorological conditions and structures of atmospheric boundary layer in October 2004 over Pearl River Delta area[J]. Atmospheric Environment, 42: 6174-6186. DOI:10.1016/j.atmosenv.2008.01.067 |
Lan Z, Zhang B, Huang X, et al. 2018. Source apportionment of PM2.5 light extinction in an urban atmosphere in China[J]. Journal of Environmental Science, 63: 277-284. DOI:10.1016/j.jes.2017.07.016 |
Li L, Chan P W, Wang D, et al. 2015. Rapid urbanization effect on local climate:intercomparison of climate trends in Shenzhen and Hong Kong, 1968-2013[J]. Climate Research, 63: 145-155. DOI:10.3354/cr01293 |
Li L, Lu C, Chan P W, et al. 2020. Tower observed vertical distribution of PM2.5, O3 and NOx in the Pearl River Delta[J]. Atmospheric Environment, 220: 117083. DOI:10.1016/j.atmosenv.2019.117083 |
Liu L, Hu F, Liu X. 2012. Proper orthogonal decomposition of mesoscale velocity in the convective boundary layer[J]. Boundary-Layer Meteorology, 144: 401-417. DOI:10.1007/s10546-012-9731-8 |
Shi Y, Hu F. 2020. Ramp-like PM2.5 accumulation process and z-less similarity in the stable boundary layer[J]. Geophysical Research Letters, 47(3). DOI:10.1029/2019GL086530 |
Shi Y, Hu F, Xiao Z, et al. 2020. Comparison of four different types of planetary boundary layer heights during a haze episode in Beijing[J]. Science of The Total Environment, 711: 134928. DOI:10.1016/j.scitotenv.2019.134928 |
Wu D, Tie X, Deng X. 2006. Chemical characterizations of soluble aerosols in southern China[J]. Chemosphere, 64: 749-757. DOI:10.1016/j.chemosphere.2005.11.066 |
王茜. 2013. 利用轨迹模式研究上海大气污染的输送来源[J]. 环境科学研究, 26(4): 357-363. |
吴蒙, 范绍佳, 吴兑, 等. 2012. 广州地区灰霾与清洁天气变化特征及影响因素分[J]. 中国环境科学, 32(8): 1409-1415. |
吴蒙, 罗云, 吴兑, 等. 2016. 珠三角干季海陆风特征及其对空气质量影响的观测[J]. 中国环境科学, 36(11): 3263-3272. |
吴兑. 2012. 近十年中国灰霾天气研究综述[J]. 环境科学学报, 32(2): 257-269. |
吴兑, 廖国莲, 邓雪娇, 等. 2008. 珠江三角洲霾天气的近地层输送条件研究[J]. 应用气象学报, 19(1): 1-9. |
吴兑, 吴晓京, 李菲, 等. 2010. 1951-2005年中国大陆霾的时空变化[J]. 气象学报, 68(5): 680-688. |
吴兑, 吴晟, 陈欢欢, 等. 2011a. 珠三角2009年11月严重灰霾天气过程分析[J]. 中山大学学报(自然科学版), 50(5): 120-127. |
吴兑, 吴晟, 李海燕, 等. 2011b. 穗港晴沙两重天-2010年3月17-23日珠三角典型灰霾过程分析[J]. 环境科学学报, 31(4): 695-703. |
Xin J, Zhang Q, Wang L, et al. 2014. The empirical relationship between the PM2.5 concentration and aerosol optical depth over the background of North China from 2009 to 2011[J]. Atmospheric Research, 138: 179-188. DOI:10.1016/j.atmosres.2013.11.001 |
Zhang Y, Ding A, Mao H, et al. 2016. Impact of synoptic weather patterns and inter-decadal climate variability on air quality in the North China Plain during 1980-2013[J]. Atmospheric Environment, 124: 119-128. DOI:10.1016/j.atmosenv.2015.05.063 |
Zhang L, Li L, Chan P W, et al. 2018. Why the number of haze days in Shenzhen, China has reduced since 2005:from a perspective of industrial structure[J]. Mausam, 1: 45-54. |
甄新蓉, 陈镭, 毛卓成, 等. 2012. 2011年上海地区空气污染气象条件分析[J]. 大气科学研究与应用, (1): 51-60. |
张丽, 李磊. 2016. 深圳市空气污染气象条件标准体系的研究[J]. 气象与环境科学, 39(1): 112-116. |
张小曳, 徐祥德, 丁一汇, 等. 2020. 2013-2017年气象条件变化对中国重点地区PM2.5质量浓度下降的影响[J]. 中国科学:地球科学, 50(4): 483-500. |