张亦舒,徐 达,何 秦,李冬会,秦 凯*

浙江省气溶胶垂直分布及区域传输分析

张亦舒1,徐 达2,何 秦1,李冬会1,秦 凯1*

(1.中国矿业大学环境与测绘学院,江苏 徐州 221116；2.浙江省生态环境监测中心,浙江 杭州 310012)

利用6个激光雷达站点数据从年际和季节变化尺度对浙江省2017～2018年气溶胶垂直分布特征进行研究,并结合污染物浓度数据分析了浙江省主要颗粒物类型的季节差异. 结果表明,大部分站点2018年气溶胶消光系数整体小于2017年; 边界层内消光系数空间上呈中部高东西低的分布形态; 消光系数季节变化表现为冬季最高,秋季其次,而春夏较低;气溶胶在春、夏季集中在地面上方1～2km以内,冬季主要分布在1km以下,秋季受高空气溶胶影响,6个站点呈现出不同的垂直分布模式. 进一步, 选取发生在2018年4月和7月两次气溶胶跨区域传输过程,综合CALIPSO和MODIS卫星数据、以及后向轨迹､PSCF与CWT模式对污染物来源与传输机制进行探索, 发现来自AOD高值区的气团显著加重本地污染.

微脉冲激光雷达；气溶胶；消光系数；垂直分布；浙江

大气气溶胶可直接或间接影响地球气候系统,一方面通过吸收和散射太阳辐射直接影响地气系统的辐射收支平衡;还可作为云凝结核和冰核引起间接辐射强迫,继而影响气候变化.对流层气溶胶垂直分布和光学特性对于研究气溶胶对气候的影响非常重要[1],其垂直分布特征更是评估气溶胶辐射效应的关键因素之一.长江三角洲地区作为中国重要的经济文化中心,正面临着严重的空气污染问题[2-3],而浙江作为长江三角洲的一部分,研究其气溶胶垂直结构对于探究长江三角洲的污染源和传输机制具有重要价值.

微脉冲激光雷达(MPL)作为一种典型的主动遥感手段,可连续获取气溶胶在垂直方向上的信息[4].近年来,已有众多学者利用微脉冲激光雷达在气溶胶垂直分布方面开展了科学研究.丁辉[5]利用2008年5月14日～12月28日微脉冲激光数据研究了安徽寿县地区气溶胶消光系数垂直廓线的分布特征;Fan等[6]利用3a的激光雷达探测数据分析了长江三角洲地区气溶胶的垂直分布特征,并结合潜在源贡献函数和浓度加权轨迹模型探讨了气溶胶的来源;Sun等[7]利用微脉冲激光雷达和CE-318太阳光度计对2013～2015年长江三角洲上空气溶胶直接辐射强迫(ADRF)与气溶胶垂直结构的月变化及相互作用进行了研究,并结合中分辨率成像光谱仪(MODIS)与云气溶胶激光雷达红外探索观测系统(CALIPSO)卫星产品讨论了2015年8月的一起生物质燃烧事件.然而,以往研究多局限于单个地面激光雷达站点,代表区域有限,难以获得大范围气溶胶的垂直分布特征.

气溶胶来源与形成机制错综复杂,不同地区的气溶胶受地理位置、气象条件和人类活动等因素影响,其水平与垂直分布呈显著差异[8-10].因此,本文选取位于浙江省的6个激光雷达站点数据,首先对2017～2018年垂直方向上的气溶胶消光系数进行多站点、长时间序列的连续观测与数据反演,旨在探究不同站点的空间差异性,为大尺度范围的气溶胶垂直分布研究提供重要依据.其次,为进一步了解长江三角洲地区的污染传输机制,选取2018年4月24～28日和7月25～29日浙江省两次典型高空气溶胶传输过程,结合地基激光雷达数据,MODIS气溶胶光学厚度(AOD)产品和火点资料以及HYSPLIT4后向轨迹模型对两例事件中气溶胶空间分布情况与污染来源进行综合分析.最后,利用CALIPSO L2产品对垂直方向上的气溶胶进行识别与分类,并对污染输送路线进行探讨,有助于加深了解浙江省颗粒物来源,以期为长江三角洲跨区域污染物的联合防控提供一定借鉴与参考.

1 数据与方法

1.1 研究区域

图1 浙江省激光雷达站点的地理位置

本文使用的激光雷达分别位于浙江省的嘉兴市南湖区善西站点(30.82°N,120.87°E);金华市塘雅中学站点(29.16°N,119.80°E);杭州市富阳区渔山乡(30.08°N,120.09°E);杭州市淳安县千岛湖站点(29.61°N,119.03 °E);宁波市奉化区滕头村站点(29.704°N,121.38°E);诸暨市陈蔡水库站点(29.58°N, 120.39°E).

浙江省位于我国的东南沿海､长江三角洲南翼,气候较为温和湿润.地形自西南向东北方向呈现阶梯状变化,西南多为山地,中部以丘陵为主,东北部是冲积平原.图1给出了激光雷达站点的具体空间位置分布.其中千岛湖与陈蔡水库站点眦邻水库,生态环境良好,车辆较少且树木繁多,无明显排放源;而塘雅站点位于塘雅中学附近,人口密集,人类活动较为频繁.

1.2 地基激光雷达数据

本文所使用的气溶胶垂直结构观测仪器为微脉冲激光雷达(Micro Pulse LiDAR, MPL),其激光发射器的工作波长为532nm,空间垂直分辨率为30m,时间分辨率为1min,最大探测高度可达45km,探测盲区约为270m.选取数据时段为2017～2018年,对原始测量数据取小时平均值以提高信噪比,根据消光系数大于2km-1和退偏比的大小删除云､雨时段[11-12].

由于激光雷达接收的信号是能量值,通常通过求解雷达方程获得光学特性值. 在对激光雷达信号处理前应先对相应的雷达因子进行修正,修正后的雷达方程如下:

式中:()是激光雷达接收到高度(km)处的大气后向散射回波功率, W;是激光雷达发射的能量, μJ;代表激光雷达系统常数, W·km3·sr;是高度变量,范围从0到r;()和()分别是在高度(km)处的大气总后向散射系数(SR/km)和消光系数(km−1).

由于散射系数和消光系数都为未知数,因此需要选用一定的反演方法.本文采用 Fernald 算法[13]反演激光雷达信号.Fernald方法考虑了气溶胶和空气分子,激光雷达方程因此可以表示为:

式中:下标a和m分别代表气溶胶和大气分子.定义大气气溶胶的消光后散射比即激光雷达比a()=a()/a(),空气分子的消光后散射比m()=m()/m().基于Fernald算法,假设m(km)高度不存在气溶胶,得到处的气溶胶消光系数为:

激光雷达比a假设为不随高度变化的常数[14],变化范围通常在20～70之间,这里取为50;空气分子的消光后散射比m根据瑞利散射理论得出为(8π/3)sr.

气溶胶光学厚度(AOD)可由消光系数积分得到,将激光达的探测盲区(270m)等同于地表,计算公式如下:

1.3 星载激光雷达数据

2006年发射的云气溶胶激光雷达红外探索观测系统(CALIPSO)是A-Train卫星编队的成员之一.其搭载的主要探测设备CALIOP是一台偏振双波长米散射激光雷达,可输出波长为532和1064nm的脉冲.CALIOP通过接收大气中不同层的后向散射,能够较为准确地测量气溶胶和云的光学性质及其形态的垂直分布廓线.本文使用的数据为 CALIPSO L2产品中4.20版本的垂直结构特性(VFM)和气溶胶分类(AS)图像,这些产品可从美国兰利研究中心(NASA Langley Research Center https://www-CALIPSO.larc.nasa. gov/)获得.

1.4 MODIS卫星数据

中分辨率成像光谱仪(MODIS)是搭载在Terra和Aqua卫星上的重要传感器之一.MODIS卫星每隔1～2d实现对整个地球表面的重复观测,可收集范围从0.4～14.4µm之间共36个波段的光谱辐照度数据,以分辨率高､覆盖范围广等优点被广泛运用于气溶胶监测.为了获取气溶胶在中国东部的空间分布,选择MODIS L2中Terra 和Aqua C6.1版本中融合暗像元(dark target) 和深蓝算法(deep blue)的10km×10km分辨率的550nm波段AOD数据[15-16],时间范围分别是2018年4月25～ 29日和7月24～28日.与此同时,选用MODIS C6的火点产品(https://firms.modaps.eosdis.nasa. gov/)了解2018年4月25～29日和7月24～28日中国东部地区生物质燃烧的分布情况.

1.5 污染物浓度数据

本文使用的PM2.5、PM10以及空气质量指数(AQI)来自中国国家环境监测中心(http://106.37.208. 233:20035/).选取与各激光雷达站点距离最近的环境监测站点数据,以此代表激光雷达站点的污染物浓度水平.

1.6 后向轨迹与潜在源分析

为了明确浙江省污染气团的来源与传输机制,通过基于美国国家海洋和大气管理局(NOAA) HYSPLIT4模型的TrajStat软件(http://www.arl.noaa. gov/ready/hysplit4.html),以6个激光雷达站点的位置作为起点,起始高度选择两次污染事件中高空气溶胶层中心所在高度(1400和1500m),以NECP-FNL (国家环境预测中心,Final Analysis)数据作为气象数据输入,每隔6h (00:00,06:00,12:00,18:00UTC)对浙江省2次外来传输事件的高空气团来源进行72h后向轨迹分析.基于后向轨迹结果[17],结合PM2.5小时浓度数据,进一步利用潜在源贡献函数(PSCF)和浓度加权轨迹(CWT)模型确定污染物的来源与位置,将PM2.5浓度等于35μg/m3作为污染阈值,具体算法与模型参数介绍可参考文献[6].

2 结果与分析

2.1 年均气溶胶垂直分布特征

气溶胶消光系数表示气溶胶粒子通过散射和吸收作用,对某一波段太阳辐射单位面积､单位长度的削减程度.消光系数的大小可间接反映大气污染程度:通常,排除云等因素影响,气溶胶消光系数越小,表明污染越轻,反之,污染重.区别于先前研究只采用单个激光雷达代表整个研究区域气溶胶垂直分布的局限,采用同型号多站点激光雷达细化浙江省不同区域的气溶胶垂直分布的空间差异性,如图2、图3所示.

图2 由微脉冲激光雷达(MPL)反演得到的年均气溶胶消光系数垂直廓线

水平误差棒对应每个站点的标准差

图3 由微脉冲激光雷达(MPL)反演得到的2017～2018年年均气溶胶消光系数垂直廓线

图2表示浙江省激光雷达站点2017, 2018年年均气溶胶消光系数的垂直分布特征.不难看出,大部分站点消光系数在2018年整体小于2017年且呈相似的垂直廓线形态.而在渔山站,0.5km以下2018年消光系数整体较高;0.5～3km,2017年消光系数整体较高;以1.3km为界,陈蔡水库站点呈现出与之相反的变化趋势.此外,塘雅和渔山站消光系数年均值最高可达0.58km-1和0.61km-1,明显大于其它站点,忽略相对湿度对颗粒物消光的影响,可间接反映出塘雅和渔山站点近地面污染情况较为严重.图3展现的是各激光雷达站点2017～2018气溶胶消光系数年均值的垂直分布情况.边界层内(大概在1km以下)气溶胶消光系数年均值由高到低依次为:塘雅>渔山>滕头村>善西>陈蔡水库>千岛湖,空间分布整体为中部高,东西低,地形地貌和经济活动强度是近地面气溶胶消光系数存在显著空间差异的主要原因:塘雅站点位于塘雅中学附近,人口密集,人为气溶胶的大量排放造成近地面消光系数较高;渔山站位于杭州市,为浙江省经济、金融中心,人类活动频繁,污染排放较为严重;陈蔡水库和千岛湖站点生态环境良好并临近水域,温和的气候条件更有利于去除大气颗粒物,且无明显排放源,因此底层消光较低.

2.2 季均气溶胶垂直分布特征

为进一步研究浙江省气溶胶的季节垂直分布特征,以月均值作为时间变化规律基础,按照3～5月,6～8月,9～11月,12月～次年2月划分为春季、夏季、秋季和冬季.

激光雷达站点气溶胶消光系数垂直分布和大气边界层高度的季节特征如图4所示,其中大气边界层高度采用梯度法[18]反演得到.夏季边界层高度达到峰值,可超过1.2km,春秋次之,冬季边界层高度仅维持在0.5km左右,太阳辐射减少加之静稳天气居多抑制了大气边界层发展.对比各站点的四季消光系数垂直廓线,发现消光系数大多集中在1km以下,与之前的研究结论一致[7,19].这可能是由于长江三角洲地区工业发达,加之强烈的人为活动导致气溶胶主要积聚于对流层低空大气中[19].气溶胶消光系数季节变化范围存在明显差异,冬季近地面的消光系数显著高于其他季节,消光系数整体表现为冬季最高,秋季其次,而春夏较低.秋冬季节由于气温较低,相对稳定的天气形势导致低层的气溶胶层消光更强,气溶胶更易集中在近地面[20].在1～3km高度上,气溶胶消光系数在冬季快速衰减并趋近于0;夏季,观察到各站点消光廓线在约1.5km高度出现明显凸起,春秋季峰值稍弱,其中以滕头村和陈蔡水库站尤为明显.沈吉等[19]研究发现长江三角洲地区6～9月大气垂直分布不均,大气垂直运动剧烈使夏秋季对流层高空出现多处较大峰值.综上所述,出现高空气溶胶峰值可能是本地排放或其他污染地区输送所致,具体原因值得进一步探究.

总体而言,气溶胶集中分布在2km以下(图5),最低占78.79%,最高达94.80%.具体而言,在春､夏两季,除善西站点,气溶胶多集中在地面上方1～2km处,占比超40%,最高至50.25%,这与夏季对流旺盛,强烈的垂直混合使更多的气溶胶从边界层被带到自由对流层有关[21-22];其次分布在1km以下,占比达42.17%.秋季,6个站点呈现出2种不同的空间分布模式:对于善西､塘雅和渔山站点,气溶胶在1km以下比率明显超过1～2km,可达60.82%,气溶胶在近地面出现聚集情况;相反,对于千岛湖,滕头村和陈蔡水库站点,气溶胶在1～2km的占比大于1km以下.在冬季, 1km以下的气溶胶比例远超1～2和2～3km,这可能是冬季多静稳天气,较低的大气边界层和太阳辐射加之大气湍流活动减弱,导致污染物被困在边界层内难以扩散和清除

图4 由微脉冲激光雷达(MPL)反演得到的2017～2018年季均气溶胶消光系数垂直廓线及边界层高度

水平误差棒对应每个站点的标准差

图5 各季节激光雷达站点不同高度内AOD与总AOD的比值

从图6可见,各站点颗粒物浓度具有如下特征:首先,PM2.5和PM10质量浓度呈现一致的季节变化规律,从高到低依次为冬季,春季,秋季,夏季.冬季各站点颗粒物浓度水平显著高于其他季节,这主要归因于供暖期燃煤等能源消耗的增加使人为颗粒物排放显著上升;春季受风沙等污染源因素影响使颗粒物尤其是PM10浓度普遍较高;夏季由于大气边界层较高且温度升高,垂直方向的空气对流较强,为颗粒在垂直方向上扩散和稀释提供有利条件,PM浓度水平较低.

PM2.5/PM10比值较PM10和PM2.5更能准确地表示二次污染程度,可作为判断大气污染程度和污染源的依据:PM2.5在PM10中所占比重越高,污染越严重[23].许多研究将PM2.5/PM10比值0.5作为区分自然污染和人为污染的分界线[24-25].图6各站点PM2.5/ PM10始终保持在51%以上,最高可达76.50%,反映出浙江省局地细颗粒污染严重.冬季,PM2.5/PM10在65.71%～76.50%间变化,表明污染气团以细颗粒为主导,且最高值出现在塘雅站点,该地人口密集,人为污染严重,故而细颗粒物富集.此外,渔山、滕头村、塘雅、善西站点PM2.5/PM10在春夏秋变化较为平稳且以夏季为谷值;千岛湖、陈蔡水库的变化趋势与之不同,PM2.5/PM10在夏季转为峰值,达63%,细颗粒物占比仅次于冬季,推测产生这种空间变化的原因为:一方面,气象因素通过一系列相互矛盾的过程影响PM浓度,最终取决于当地气候,地形和PM成分的综合作用结果[26-27].考虑到浙江省各地区经济发展程度不均,污染排放类型也存在相应差异.另一方面,有研究表明PM10与气象因子的相关系数高于PM2.5与气象因子的相关系数,即气象条件对PM10的影响更显著:当气象条件转好时,有助于颗粒物沉降或扩散且粗粒子更易被清除[28].结合图6发现PM10在夏季的下降幅度明显大于PM2.5,这也可能是千岛湖､陈蔡水库在夏季细颗粒物占比上升的成因之一.

图6 2017～2018年各站点PM2.5和PM10的质量浓度及其比值的季均变化

2.3 气溶胶跨区域传输事件分析

在区域污染源排放相对稳定的情况下,污染物浓度的高低主要取决于大气扩散能力,区域气象条件的变化会直接影响污染物累积以及重污染天气的形成、发展和消散[29].大量研究表明,长江三角洲区域性污染时常发生,除了受到区域内部污染的交互影响外,京津冀鲁豫等长江三角洲以北城市群的跨区域污染输送也不容忽视[30-31].

2018年4月24～28日以及7月25～29日在浙江省上空发生了两起气溶胶跨区域传输事件,多个激光雷达站点同时观测到高空气溶胶层存在,如图7所示.滕头村站在4月25日早晨06:00左右最先观测到高空气溶胶;除渔山站由于噪声影响导致数据缺失外,其余站点于25日08:00前后出现高空气溶胶层.对比各站点时间-高度的消光系数变化可知,该气溶胶层位于1000～1800m高度且明显与地面气溶胶层相脱离,可知为高空气溶胶层;善西和滕头村对应高度上退偏比大于0.12,说明高空颗粒物不规则程度较高,可能是混入部分沙尘所致;其余站点退偏比在0.06～0.1之间,不规则程度相对较低.随时间推移,1000m以上气溶胶消光系数显著增大,超过2km-1.近地面层消光系数在25日白天始终高于0.5km-1,鉴于此时高空气溶胶还未发生沉降,因此推测为局地排放引发污染所致;25日20:00过后,各站点近地面消光系数逐渐减小,污染程度有所缓解;27日高空气溶胶层高度不断下降,19:00开始降至1000m以下并逐步与大气边界层内气溶胶相混合; 28日00:00前后,随着空中气溶胶层与近地面气溶胶层混合均匀,底层消光系数急剧上升至1km-1以上,与之对应的高空消光系数明显减小,近地面退偏比受沉降颗粒物影响略有上升,污染传输过程至此趋于结束.

图8描述了2018年4月24～28日期间PM2.5, PM10质量浓度和空气质量指数(AQI)的变化情况.依据主要污染来源不同可划分为两阶段:24～25日为第一阶段,以本地污染排放为主引发重度污染;26日为短暂间歇期;27～28日为第二阶段,高空气溶胶沉降导致污染程度再次加重并达到严重污染.4月24～25日上午,浙江省各站点PM质量浓度持续攀升并于25日陆续达到峰值,其中善西站点的PM2.5和PM10浓度高达232和297μg/m3;各站点AQI也不断上升并超过200,最高达282,造成重度污染.25日12:00后PM2.5和PM10浓度开始快速回落,26日PM2.5和PM10浓度在50～100μg/m3之间震荡,表明污染进入间歇期,27日凌晨前后,各站点PM浓度开始大幅增加并在27日夜间至28日上午陆续达到峰值,这与气溶胶沉降时间吻合.值得注意的是,在善西、滕头村和陈蔡水库站点,由跨区域传输引发的第二次污染强度明显超过第一阶段因区域内部污染累积而导致的污染,PM2.5和PM10浓度甚至高达271和322μg/m3,说明高空气溶胶沉降引起污染物再次累积,是导致污染程度更为恶化的主要成因.

激光雷达在2018年7月25～29日观测到浙江上空有一段连续的污染物输送过程(渔山站对应观测时段数据缺失),高空气溶胶所在高度为1000～ 2000m,退偏比在0.04～0.08之间,颗粒物较为规则. 27～29日高空气溶胶层消光系数明显上升,污染输送强度呈增加趋势,其中千岛湖站点的传输强度明显弱于其余站点.得益于夏季大气边界层较高,良好的气象条件利于污染物扩散,尽管高空气溶胶发生了沉降,但环保监测站点数据显示在此期间PM2.5和PM10浓度始终保持在75μg/m3以下,高空粒子的输送并未明显引发当地污染.

2018年4月24～28日及7月25～29日MODIS气溶胶光学厚度以及火点位置如图9a和图9e所示.4月24～28日中国东部地区多为AOD高值区且与火点分布位置大致吻合,其中江苏,安徽和浙江北部地区火点分布较为密集(图9a),说明这些区域存在大量的生物质燃烧气溶胶.7月25～29日浙江,安徽东部,山东和河南东北部表现为AOD高值区;火点集中分布在江苏,浙江和安徽北部地区的同时,还广泛分布在浙江以南地区.

图8 4月24～28日PM2.5、PM10质量浓度和AQI的逐小时变化

图9 2018年4月24～28日和7月25～29日AOD和火点位置、72h后向轨迹聚类分析、WPSCF以及WCWT的空间分布

为进一步明确两次气溶胶跨区域传输事件的污染来源,利用HYSPLIT4模式分别计算2018年4月24～28日以及7月25～29日的72h后向轨迹,时间间隔为6h,模拟起始高度选取为海拔高度1400和1500m,分别对应两次传输事件中高空气溶胶层中心位置所在高度.依据聚类分析结果,4月的污染输送事件主要被分为4轨迹,如图9b所示.从水平输送方向来看,来自山西、河北方向的轨迹1占总轨迹比重最大,为44.17%,来自湖北、江西方向的轨迹3次之,占23.33%,说明浙江省春季主要受大陆气团控制;从垂直方向看,轨迹1和4从2800m以上的高度不断沉降至1400m,为下沉气团,轨迹2和3的气团表现出先上升后沉降的过程.为降低计算误差,将权重函数与潜在源贡献(PSCF)模型和浓度加权轨迹模型(WCWT)相结合,得出加权后的WPSCF和WCWT结果[32-35].如图9c～d所示,潜在源贡献区域与PM2.5浓度加权轨迹贡献呈现出较好的一致性,潜在源区域集中在江浙沪以及湖北和江西的交界地带, WCWT值均高于75μg/m3,表明相应地区对浙江省此次污染输送PM2.5贡献最大.7月传输事件的72h后向轨迹聚类成4类,如图9f所示.水平输送方向看,轨迹大部分来自浙江西南方向:江西安徽方向的轨迹2占据比重最高,达40%,其次是来自福建江西方向的轨迹1;从垂直方向看,3类轨迹均呈先升后降态势.由图9g～h可见,潜在源贡献与PM2.5浓度加权轨迹贡献区域存在一定差异,对污染物输送贡献最高的是江西北部以及安徽和江苏南部地区,PM2.5贡献超40μg/m3.

图10 气溶胶类型随高度的分布情况

上图代表中国范围内气溶胶类型随高度的分布情况,虚线框为浙江省范围,下图为浙江省局部放大图;1.洁净海洋型;2.沙尘;3.污染大陆型/烟;4.洁净大陆型;5.污染沙尘型;6.烟尘型;7.污染海洋型

为研究两次跨区域传输气溶胶在垂直方向上的分布特征,选取中国范围内CALIPSO卫星穿过浙江上空时的L2产品,对应北京时间分别为2018年4月28日13:07～13:21,7月26日02:02～02:16和7月28日01:50～02:04.CALIPSO L2产品通过不同高度的后向散射数据推导出532nm后向散射系数、体积退偏比、区域类型以及抬升现象等特征雷达信号,对大气层内不同高度的气溶胶类型进行区分[36],利用CALIPSO的AS产品可清晰地揭示气溶胶在不同垂直高度上的类别.浙江省AS分布如图10虚线框及下图所示,结果显示在2018年4月28日(图10a),浙江以北地区诸如内蒙、辽宁地区出现大范围沙尘,高度从1km蔓延至6km以上;浙江区域纬度内,在1.4km以下表现为洁净海洋型与污染海洋型混杂,1.4～2km以污染大陆型/烟为主,其次为污染海洋型和沙漠沙尘型;浙江以南地区在1km以下多为洁净海洋型而高空夹带部分烟尘型气溶胶.结合HYSPLIT模型的72h后向轨迹及AOD和火点空间分布(图9),可看出2018年4月24～28日以西北方向为主的气流(轨迹1)经过河北、山东和浙江等AOD高值区,易将这些地区的大气污染物诸如生物质燃烧气溶胶输送至浙江上空,加重本地污染.春季,东亚沙尘事件频发,中国西北地区由于戈壁沙漠和黄土分布广泛,是亚洲扬尘的主要来源地区之一,起源于塔克拉玛干和戈壁沙漠的沙尘气溶胶可长距离运输到中国东部,韩国和日本[37-39].因此,外来沙尘极可能在高空西北气流的输送下到达浙江上空,沉降后对浙江PM10浓度增加具有重要贡献.7月26～28日,苏鲁地带出现大量烟尘型气溶胶(图10b),与AOD高值区和火点密集区分布相吻合,随时间推移同时向南北扩张至浙江、吉林和辽宁.26日,浙江省内1～2km的气溶胶为污染大陆型/烟,28日转变为烟尘型,其次为洁净海洋型和污染大陆型/烟(图10c).值得注意的是,7月25～29日气流均来自浙江的西南方向,尽管这些地区属于AOD低值区但存在大量火点,生物质燃烧气溶胶随西南气流不断输送至研究区域,导致其上空出现大规模烟尘型气溶胶.生物质燃烧作为大气污染的主要来源之一,不仅能够恶化区域空气质量、降低大气能见度,还可显著影响生态系统的循环,对人类健康和环境产生不利效应.

3 结论

3.1 大部分站点2018年气溶胶消光系数整体小于2017年.边界层内消光系数年均值表现为塘雅>渔山>滕头村>善西>陈蔡水库>千岛湖,在空间上呈现中部高而东西低的分布形态,这主要归因于地形地貌以及经济活动强度差异.

3.2 气溶胶消光系数存在明显季节变化,整体表现为冬季最高,秋季其次,而春夏较低.从垂直分布上看,春季和夏季大部分站点的气溶胶集中在地面上方1～2km处,冬季则分布在1km以下.秋季,千岛湖,滕头村和陈蔡水库站点气溶胶在1～2km占比更多,高空气溶胶的存在使垂直分布形态发生改变.各站点PM2.5和PM10质量浓度的季节变化规律一致表现为冬季>春季>秋季>夏季,浙江省细粒子污染严重且受人为排放影响较高.

3.3 2018年4月24～28日,高空气溶胶沉降促使局地排放引发污染加重,人为污染产生的细粒子占主要地位,西北方向气流经AOD高值区时易将人为排放气溶胶携带至浙江本地,污染强度明显增加.7月25～29日,西南方向气流途经江西、福建等广泛存在火点的地区,导致浙江上空出现大规模烟尘型气溶胶.

[1] Kaufman Y J, Tanre D, Gordon H R, et al. Passive remote sensing of tropospheric aerosol and atmospheric correction for the aerosol effect [J]. Journal of Geophysical Research, 1997,102(14):16815-16830.

[2] Cai Q L, Dai X R, Li J R, et al. The characteristics and mixing states of PM2.5during a winter dust storm in Ningbo of the Yangtze River Delta, China [J]. Science of the Total Environment, 2019,709:136- 146.

[3] Du W, Zhang Y, Chen Y. Chemical characterization and source apportionment of PM2.5during spring and winter in the Yangtze River Delta, China [J]. Aerosol and Air Quality Research, 2017,17(9):2165- 2180.

[4] 贺千山,毛节泰.微脉冲激光雷达及其应用研究进展 [J]. 气象科技, 2004,32(4):219-224. He Q S, Mao J T. Micro-pulse lidar and its applications [J]. Meteorological Science and Technology, 2004,32(4):219-224.

[5] 丁 辉.利用微脉冲激光雷达(MPL)探测气溶胶消光系数廓线和大气混合层高度的初步研究 [D]. 南京:南京信息工程大学, 2012. Ding H. Measurements of aerosol vertical profiles and the mixed layer height using a micro pulse lidar [D]. Nanjing: Nanjing University of Information Science & Technology, 2012.

[6] Fan W, Qin K, Xu J, et al. Aerosol vertical distribution and sources estimation at a site of the Yangtze River Delta region of China [J]. Atmospheric Research, 2019,217:128-136.

[7] Sun T, Che H, Qi B, et al. Characterization of vertical distribution and radiative forcing of ambient aerosol over the Yangtze River Delta during 2013～2015 [J]. Science of the Total Environment, 2019,650(2): 1846-1857.

[8] 李正强,谢一凇,张 莹,等.大气气溶胶成分遥感研究进展 [J]. 遥感学报, 2019,23(3):359-373. Li Z Q, Xie Y S, Zhang Y, et al. Advance in the remote sensing of atmospheric aerosol composition [J]. Journal of Remote Sensing, 2019,23(3):359-373.

[9] 邱 昀,安欣欣,刘保献,等.北京市气溶胶消光系数垂直特征及影响因子探讨[J]. 环境科学研究, 2020,33(3):519-525. Qiu Y, An X X, Liu B X, et al. Vertical distribution of aerosol extinction coefficient and its influencing factor in Beijing [J]. Research of Environmental Sciences, 2020,33(3):519-525.

[10] 吴 仪,邓孺孺,秦 雁,等.秋冬季节珠三角典型区域气溶胶浓度垂直分布的激光雷达反演 [J]. 遥感学报, 2020,24(3):302-318. Wu Y, Deng R R, Qin Y, et al. Vertical distribution of aerosol mass concentration over Pearl River Delta observed by Lidar during autumn and winter [J]. Journal of Remote Sensing, 2020,24(3):302-318.

[11] Zhao C, Wang Y, Wang Q, et al. A new cloud and aerosol layer detection method based on micropulse lidar measurements [J]. Journal of Geophysical Research: Atmospheres, 2014,119(11):6788-6802.

[12] Zhang J L, Liu P, Zhang F, et al. CloudNet: Ground‐based cloud classification with deep convolutional neural network [J]. Geophysical Research Letters, 2018,45(16):8665-8672.

[13] Fernald F G. Analysis of atmospheric lidar observations: some comments [J]. Applied Optics, 1984,23(5):652-652.

[14] Bucci S, Cristofanelli P, Decesari S, et al. Vertical distribution of aerosol optical properties in the Po Valley during the 2012 summer campaigns [J]. Atmospheric Chemistry & Physics, 2018,18(8):5371- 5389.

[15] Levy R C, Remer L A, Mattoo S, et al. Second-generation operational algorithm: Retrieval of aerosol properties over land from inversion of Moderate Resolution Imaging Spectroradiometer spectral reflectance [J]. Journal of Geophysical Research-Atmospheres, 2007,112(D13): 319-321.

[16] Levy R C, Remer L A, Dubovik O. Gobal aerosol optical models and lookup tables for the new MODIS aerosol retrieval over land [Z]. Journal of Geophysical Research-Atmospheres, 2006.

[17] Wang Y Q, Zhang X Y, Draxler R R. TrajStat: GIS-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data [J]. Environmental Modelling & Software, 2009,24(8):938-939.

[18] 张艳品,陈 静,钤伟妙,等.石家庄冬季典型污染过程气溶胶激光雷达观测 [J]. 中国环境科学, 2020,40(10):4205-4215. Zhang Y P, Chen J, Qian W M, et al. Aerosol lidar observation of typical pollution process in Shijiazhuang in Winter [J]. China Environmental Science, 2020,40(10):4205-4215.

[19] 沈 吉,曹念文.2018年中国长江三角洲地区气溶胶的垂直分布特征 [J]. 环境科学, 2019,40(11):4743-4754. Shen J, Cao N W. Characteristics of aerosol vertical distribution over the Yangtze River Delta region of China in 2018 [J]. Environmental Science, 2019,40(11):4743-4754.

[20] Leng C, Duan J, Xu C, et al. Insights into a historic severe haze weather in Shanghai: synoptic situation, boundary layer and pollutants [J]. Atmospheric Chemistry and Physics Discussions, 2015,15(22): 32561-32605.

[21] 高星星,陈 艳,张 镭,等.华北地区气溶胶的季节垂直分布特征及其光学特性 [J]. 兰州大学学报(自然科学版), 2018,54(3):395-403. Gao X X, Chen Y, Zhang L, et al. Vertical distribution of seasonal aerosols and their optical properties over Northern China [J]. Journal of Lanzhou University: Natural Sciences, 2018,54(3):395-403.

[22] 唐志伟,许潇锋,杨晓玥,等.基于卫星资料的华东地区气溶胶三维分布特征研究[J]. 中国环境科学, 2019,39(9):3624-3634. Tang Z W, Xu X F, Yang X Y, et al. Characteristics of three- dimensional aerosol distribution in Eastern China based on satellite data [J]. China Environmental Science, 2019,39(9):3624-3634.

[23] 杨文涛,姚诗琪,邓 敏,等.北京市PM2.5时空分布特征及其与PM10关系的时空变异特征[J]. 环境科学, 2018,39(2):684-690. Yang W T, Yao S Q, Deng M, et al. Spatio-temporal distribution characteristics of PM2.5and spatio-temporal variation characteristics of the relationship between PM2.5and PM10in Beijing [J]. Environmental Science, 2018,39(2):684-690.

[24] 邓发荣,康 娜,Kanike R K,等.长江三角洲地区大气污染过程分析 [J]. 中国环境科学, 2018,38(2):401-411. Deng F R, Kang N, Kanike R K, et al. Analysis of air pollution episodes over different cites in the Yangtze River Delta [J]. China Environmental Science, 2018,38(2):401-411.

[25] 李 敏,何红弟,郝杨杨.上海市大气环境中PM2.5/PM10时空分布特征[J]. 云南大学学报(自然科学版), 2019,41(2):323-332. Gehrig R, Buchmann B. Characterising seasonal variations and spatial distribution of ambient PM10and PM2.5concentrations based on long-term Swiss monitoring data [J]. Atmospheric Environment, 2003, 37(19):2571-2580.

[26] Yang Q Q, Yuan Q Q, Li T W, et al. The relationships between PM2.5and meteorological factors in China: Seasonal and regional variations [J]. arXiv e-prints, 1708.06072.

[27] 李 瑞,李 清,徐 健,等.秋冬季区域性大气污染过程对长三角北部典型城市的影响 [J]. 环境科学, 2020,41(4):1520-1534. Li R, Li Q, Xu J, et al. Regional air pollution process in winter over the Yangtze River Delta and its influence on typical northern cities [J]. Environmental Science, 2020,41(4):1520-1534.

[28] Hua Y, Cheng Z, Wang S, et al. Characteristics and source apportionment of PM2.5during a fall heavy haze episode in the Yangtze River Delta of China [J]. Atmospheric Environment, 2015,123:380- 391.

[29] Tang L, Yu H, Ding A, et al. Regional contribution to PM1pollution during winter haze in Yangtze River Delta, China [J]. Science of the Total Environment, 2016,541:161-166.

[30] Wang M, Cao C, Li G, et al. Analysis of a severe prolonged regional haze episode in the Yangtze River Delta, China [J]. Atmospheric Environment, 2015,102:112-121.

[31] Seibert P, Kromp-Kolb H, Baltensperger U, et al. Trajectory analysis of high-alpine air pollution data [J]. Air Pollution Modeling and Its Application X, 1994,18:595-596.

[32] Polissar A. The aerosol at Barrow, Alaska: long-term trends and source locations [J]. Atmospheric Environment, 1999,33(16):2441- 2458.

[33] Hsu Y K, Holsen T M, Hopke P K. Comparison of hybrid receptor models to locate PCB sources in Chicago [J]. Atmospheric Environment, 2003,37(4):545-562.

[34] 孙天泽.杭州地区气溶胶光学—辐射特性垂直观测研究 [D]. 北京:中国气象科学研究院, 2018. Sun T Z. Vertical observation and analysis of aerosol optical properties and direct radiative forcing over Hangzhou [D]. Beijing: Chinese Academy of Meteorological Sciences, 2018.

[35] 于彩霞,杨元建,邓学良,等.基于CALIOP探测的合肥气溶胶垂直分布特征[J]. 中国环境科学, 2017,37(5):1677-1683. Yu C X, Yang Y J, Deng X L, et al. Vertical distribution characteristics of aerosol optical properties on haze and clear day in Hefei based on CALIOP satellite measuring [J]. China Environmental Science, 2017, 37(5):1677-1683.

[36] Uematsu M, Yoshikawa A, Muraki H, et al. Transport of mineral and anthropogenic aerosols during a Kosa event over East Asia [J]. Journal of Geophysical Research-Atmospheres, 2002,107(D7):AAC3-1- AAC3-7.

[37] Sheng Z, Ramesh S. Aerosol and meteorological parameters associated with the intense dust event of 15 April 2015 over Beijing, China [J]. Remote Sensing, 2018,10(6):957.

[38] Zhang Z, Huang J, Chen B, et al. Three-year continuous observation of pure and polluted dust aerosols over northwest China using the ground-based lidar and sun photometer data [J]. Journal of Geophysical Research Atmospheres, 2019,124(2):1118-1131.

Vertical distribution and regional transport of aerosols in Zhejiang Province.

ZHANG Yi-shu1, XU Da2, HE Qin1, LI Dong-hui1, QIN Kai1*

(1.School of Environment and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China；2.Zhejiang Ecological and Environmental Monitoring Center, Hangzhou 310012, China)., 2021,41(5)：2097～2107

The interannual and seasonal changes of aerosol vertical distributions in Zhejiang Province from 2017 to 2018 were studied using Micro Pulse Lidar (MPL) measurements in six sites. Air quality data were combined to analyse the dominant particulate matter types in terms of seasonal differences. Aerosol extinction coefficients of most sites in 2018 were lower than that in 2017. Spatially, the extinction coefficient within the boundary layer was high in central Zhejiang and low in the eastern and western Zhejiang. Seasonally, the extinction coefficient was the highest in winter, second in autumn, and lower in spring and summer; aerosols were concentrated within 1～2km above the ground in spring and summer, and mainly distributed below 1km in winter; in autumn, affected by high-altitude aerosols, the six stations showed different vertical distribution patterns. Furthermore, the aerosol sources and transmission mechanisms of two trans-regional transport episodes in April and July 2018 were revealed, by using the CALIPSO and MODIS satellite data, as well as the backward trajectory, PSCF and CWT models. It was found thatair masses from high AOD areas can significantly increase local pollution in Zhejiang.

micro pulse LiDAR；aerosol；extinction coefficient；vertical distribution；Zhejiang

X513

A

1000-6923(2021)05-2097-11

张亦舒(1995-),女,河南焦作人,中国矿业大学环境与测绘学院硕士研究生,主要从事大气环境遥感研究.

2020-10-09

徐州市重点研发计划(社会发展)项目(KC18225);国家自然科学基金资助项目(41975041)

* 责任作者, 教授, qinkai@cumt.edu.cn