2020, Vol. 40
[PDF全文]
2. 新疆大学绿洲生态教育部重点实验室, 乌鲁木齐 830046
2. Key Laboratory of Oasis Ecology, Xinjiang University, Urumqi 830046
气溶胶是悬浮在大气中的固体或液体微粒, 它通过改变地球-大气系统中的辐射收支和云微物理性质, 对区域气候产生重要影响(Kaufman et al., 2002).此外, 近地表大气气溶胶还会引起空气污染而影响人类健康(Pope et al., 2006).作为气溶胶气候效应最重要的光学参数, AOD可计算气溶胶含量, 用于定量评估空气质量等级, 一定程度上可作为局域空气污染程度的指示特征(Chu et al., 2003; Donkelaar et al., 2010；范学花等, 2013).现有的AOD数据源包括卫星数据和地基数据, 其中地基数据虽精度高, 但站点分布稀疏且不均匀, 无法满足区域性研究需要.而卫星遥感数据具有广覆盖、更速快等特点, 可弥补地基观测的不足, 此外, 国内外大量卫星均有提供AOD产品数据, 为AOD研究开拓了有利条件.
目前已有的众多AOD产品中, MODIS AOD产品时空分辨率和数据质量较高(Levy et al., 2009), 算法更新速度较快, 前期版本(C5、C5.1、C6)的气溶胶数据已在大气污染研究领域得到广泛应用(He et al., 2010；单楠等, 2012；Sayer et al., 2014；Mhawish et al., 2017；王晓玲等, 2018).2017年秋季C6.1 AOD产品发布, 国内外陆续开展针对新版本AOD的学术研究, 2019年Wei等(2019)利用MODIS C6.1数据开展全球大气气溶胶监测；Wang等(2019)基于AERONET站点数据对中国不同下垫面MODIS C6.1 AOD产品进行验证；Tian等(2018)对比分析了C6.1版与C6.0版AOD数据在北京市的适用性；Zhang等(2019)对2001—2017年中国5个国家级城市群AOD变化进行多时间尺度分析.目前国内针对最新版MODIS C6.1 AOD数据的研究已从全国范围转向区域范围, 但大多聚焦在中国发达地区, 关于西北干旱半干旱城市区的AOD研究较少.
乌鲁木齐市是“一带一路”倡议重点发展城市, 是新疆发展速度最快, 经济规模最大的经济板块.随着乌鲁木齐城市人口陆续增加, 工业化进程持续加快也带来了日益严重的大气污染问题.乌鲁木齐市在2011年世界卫生组织公布的全球城市空气质量排名中, 位列全国倒数第三(李霞等, 2016).研究显示, 大气污染具有区域性, 城市大气不仅受本地排放源的影响, 还受外地污染物传输的影响(苏彬彬等, 2014), 气溶胶时空分布与污染物来源密切相关.相关学者利用后向轨迹以及潜在源贡献因子分析法分析了北京(任传斌等, 2016)、郑州(段时光等, 2019)、重庆(梁丹等, 2015)和华东(刘璇等, 2017)等地区的大气污染潜在源区.上述研究同样是重点关注我国中东部地区, 且多为针对某大气污染过程或某季节性污染要素进行分析, 对于长时间尺度的潜在源区探究鲜少.
基于此, 本研究利用MODIS C6.1 AOD数据, 探讨2009年1月—2019年7月乌鲁木齐市AOD时空变化特征, 基于AOD进行后向轨迹的聚类, 并且应用潜在源区贡献因子方法(PSCF)进行综合分析, 研究乌鲁木齐市大气污染物传输来向和潜在源区, 以期为遥感监测技术在典型干旱半干旱城市区域的大气污染监测和控制提供参考.
2 材料与方法(Materials and methods) 2.1 研究区概况乌鲁木齐市(42°45′~45°20′N, 86°37′~88°58′E)是位于中国西北部的典型内陆城市, 其东、南、西三面环山, 地势起伏较大, 呈现从北到南延伸的峡谷地形特征, 平均海拔为800 m(图 1), 城市土地总面积为13788 km2, 属典型温带大陆性气候, 年均温度为7 ℃, 年降水量为250 mm(木尼拉等, 2018).冬季采暖期(10月—次年3月)燃煤供暖排放的大量污染物因乌鲁木齐市特有的地形特征和气象条件导致水平和垂直扩散不佳, 此外, 频繁出现的逆温条件也加剧了污染物的积累, 因此该地区相较于新疆其他城市更容易出现大气污染天气.
 |
| 图 1 研究区概况图 Fig. 1 Map of the study area |
AOD遥感数据是美国NASA Aqua卫星搭载的MODIS C6.1版二级气溶胶产品数据MYD04_L2, 数据空间分辨率为10 km.2017年发布的最新版本C6.1产品与前期其他版本产品相比, 改进了反演算法并保留了C6.0版的暗像元法(Dark Target, DT)(Kaufman et al., 1997)与深蓝算法(Deep Blue, DB)(Hsu et al., 2013)相融合的算法模式, 新版本的产品准确度和空间覆盖范围均有提高(Wang et al., 2019).
根据乌鲁木齐市的地形地貌特征, 选取2009年1月1日—2019年7月31日的DT/DB融合产品(AOD_550_Dark_Target_Deep_Blue_Combined)获取AOD数据.当AOD＞0.1时, 该区域存在轻度大气污染(胡俊等, 2018), 基于此, 将10 a的MODIS数据以0.1为临界值界定出乌鲁木齐市大气污染(轻度及以上)的像素点, 通过IDL结合MODIS影像处理工具MTCK编程, 对影像拼接、叠合、重投影和裁剪等预处理工作, 得到乌鲁木齐市AOD月均值、季度均值以及年均值, 并对其进行分布和变化趋势的分析.
2.2.2 气象数据气象场数据来源于NCEP(美国环境预报中心)的全球资料同化系统(GDAS)数据(ftp://arlftp.arlhq.noaa.gov/pub/archives/gdas1).数据水平分辨率为1° × 1°, 时间分辨率为1周, 以gdas格式保存, 内含温度、气压、相对湿度及水平和垂直风速等信息.
气象站数据选取来自中国气象科学数据网的乌鲁木齐站2009—2017年气温、气压、相对湿度、降水量及风速的月均值数据.将其以每3个月为一季的标准划分出四季：即春(3—5月)、夏(6—8月)、秋(9—11月)以及冬季(12—次年2月).
2.2.3 Microtops Ⅱ太阳光度计采样数据实测AOD数据来自手持式多波段太阳光度计Microtops Ⅱ, 本文获取440、675、870、936、1020 nm波段处的AOD数据(张喆等, 2017c).在乌鲁木齐市新疆大学本部图书馆前布设太阳光度计观测点, 观测时间为2019年3月25日—7月16日, 日观测时段为12:30—16:00, 采样间隔为15 min.为与MODIS遥感数据相匹配, 利用Ångström指数公式(Ångström, 1964)推演出550 nm处的AOD值.
2.3 研究方法 2.3.1 趋势分析方法本研究采用最小二乘法令年序号i与AOD年平均值Xi组成点集{(i, Xi)|i=1, 2, …, 10}, 选出点集的估计误差平方和最小的曲线X= f (i), 线条斜率slope就是2009—2018年AOD变化趋势, 斜率计算见式(1).以上过程均利用ENVI中的Band math实现.
|
(1) |
HYSPLIT是一种分析气流运动, 沉降和扩散轨迹的专业模型, 目前广泛应用于研究大气污染物的传输和来源分析(Yu et al., 2019；梁晓宇等, 2019).本研究利用HYSPLIT模型, 将乌鲁木齐市环境空气质量监测站设为(43.83°E, 87.58°N)后向轨迹起始点, 500 m设为模拟起始高度, 计算乌鲁木齐市2009年1月—2018年12月每日气团的72 h后向移动轨迹.使用TrajStat软件(Wang et al., 2009)对大量后向轨迹进行聚类分析, 得到不同季节的主要传输路径并估算每条路径的贡献比例.
2.3.3 潜在源贡献作用(PSCF)分析法潜在源区贡献函数(PSCF)是利用后向轨迹和某要素值(比如AOD)来计算潜在源区地理位置空间分布的条件概率函数(Ashbaugh et al., 1985).PSCF将研究区划分成i×j的均匀网格, 通过计算某一网格ij的污染轨迹数(mij)与计算期间所有落在该网格内的轨迹数(nij)之比, 来确定格点ij的污染源贡献值(PSCFij).具体计算如式(2)所示.
|
(2) |
利用PSCF对AOD进行分析, 按0.5°×0.5°格网对研究区(38°~63°N, 50°~93°E)网格化, 并对AOD阈值设定为各个季节的AOD平均值, 以此求出每个网格的PSCF值.为减少条件概率函数PSCF因nij值较小时造成的误差, 引入经验权重函数(Wij)对其进行区间化赋权和降误差处理(Polissar et al., 2001), 如式(3)所示：
|
(3) |
Wij的定义见公式(4)：
|
(4) |
为验证MODIS/Aqua C6.1气溶胶产品(MYD04_L2)在乌鲁木齐市的适用性, 以卫星过境前后30 min手持太阳光度计观测结果的平均值匹配观测点位置± 25 km半径范围内的MODIS C6.1 AOD进行相关性分析(赵仕伟等, 2017)(图 2).研究受手持太阳光度计观测自身的限制, 可匹配的样本数较少, 结果只能作为参考.通过将地面观测获取的AOD与MODIS C6.1 AOD产品对比验证, 发现R2= 0.717, RMSE = 0.108, 地面观测获取的AOD与MODIS C6.1 AOD之间存在一定差异但整体趋势较为一致, 该数据在乌鲁木齐市的适用性得到验证.
 |
| 图 2 MODIS AOD产品与手持太阳光度计观测值对比图 Fig. 2 The comparison between MODIS AOD and AOD sunphotometer |
通过对MODIS C6.1 AOD产品(空间分辨率为10 km)的计算, 获取2009年1月—2019年7月乌鲁木齐市AOD的季节性分布(四季划分标准与气象数据一致), 结果如图 3所示.乌鲁木齐市AOD空间分布呈现显著的季节性差异, 春季时AOD高值区集中分布于市区和盐湖附近, 而低值区散布在达坂城区和乌鲁木齐县, 这与人类活动关系密切(3月是燃煤期), 另一方面是因为春季是西北地区沙尘输送高峰期(赵仕伟等, 2017), 山谷地形致使污染物富集, 导致AOD偏高, 此时气溶胶粒径较大(刘新春等, 2016；Meng et al., 2019), 城市空气质量状况整体下降.夏季高温高湿条件不仅有利于“气-粒”转化和气溶胶粒子吸湿增长过程, 更便于气溶胶垂直和水平输送, 因此夏季高值区范围明显扩大.秋季虽湿度减少, 冷空气入侵频繁, 但由于乌鲁木齐市从10月中旬开始进入燃煤期, 污染物排放量增大, 且受地形影响在磨沟区、新市区和头屯河区等位置聚集形成AOD高值区, 乌鲁木齐市东部及西南部分地区为AOD低值区.冬季除东南部盐湖周边出现AOD高值区外, 其余区域AOD大范围缺失, 这是由于冬季地表被雪覆盖不满足反演算法造成(Kaufman et al., 1997).
 |
| 图 3 2009年1月—2019年7月乌鲁木齐气溶胶季节平均AOD分布 Fig. 3 Spatial distribution of seasonal mean AOD in Urumqi from January 2009 to July 2019 |
乌鲁木齐AOD季节时间变化特征如图 4所示, 乌鲁木齐市10年的AOD存在较大的季节性差异.主要表现为:四季均值由高至低依次为春＞夏＞秋＞冬.春、夏季AOD浮动明显, 而秋、冬季渐趋平稳.春季AOD均值处全年高水平且波动变化可能与春季经常发生沙尘暴且天气状况多变有关, 分别统计10年间四季均值和增幅, 春季AOD均值为0.328, 年增幅为4.129%.虽然夏季降雨对AOD有清洗作用但同时水汽对AOD也有贡献作用(冯芳等, 2013), 因此夏季AOD仍能维持在高值水平, AOD均值为0.310, 年增幅为-3.028%.秋、冬季AOD季节波动幅度不明显, AOD均值分别为0.273、0.137, 年增幅为0.514%、-0.590%.
 |
| 图 4 2009年1月—2019年7月乌鲁木齐AOD季节变化特征 Fig. 4 Characteristics of seasonal variation of AOD in Urumqi from January 2009 to July 2019 |
2009年1月—2019年7月AOD年内变化趋势整体呈双峰分布(图 5).1—4月AOD逐渐增大, 4月达到全年峰值0.402.4—6月, AOD整体表现为下降趋势, 主要是因为降雨对气溶胶的冲刷作用, 使AOD迅速降低, 随后的8月雨带逐渐北移, 研究区AOD出现次高峰为0.346.9—11月, AOD明显下降, 且波动幅度显著, 入冬季后的12月—次年2月, AOD分布并没有明显规律, 这是由于受降雪覆盖影响, 地表反照率提高, 再加上城市区域为反演亮背景, 增大了AOD反演难度, 导致MODIS遥感数据出现大量缺失, 影响空间上的判读.
 |
| 图 5 2009年1月—2019年7月乌鲁木齐AOD年内变化特征 Fig. 5 Intra-annual variation of AOD in Urumqi from January 2009 to July 2019 |
图 6为10 a间AOD变化趋势图, 从图可知, 新市区、头屯河区、水磨沟区及米东区北部AOD呈现出微弱的减少趋势.米东区南部、达坂城区及乌鲁木齐县AOD略有增加, 其中达坂城区盐湖周围和米东区东南部年均增幅度达到2.001%, 因与该地区受下垫面状况影响显著, 易扬沙, 此外米东区地处工业园区, 受地形影响在风力作用下易汇积大气污染物.
 |
| 图 6 2009—2018年平均AOD变化趋势分布图 Fig. 6 Spatial distribution of annual mean AOD trends during 2009—2018 |
2009—2018年间乌鲁木齐市AOD年均值为0.276, 年均增幅为-0.200%, 呈现弱下降趋势(图 7).乌鲁木齐市10 a AOD年际变化特征与刘莹等(2019)、刘海知等(2019)分析的中国大陆AOD年际变化特征表现出良好的一致性, 但其指出10 a中国大陆AOD均值维持在0. 250~0. 290, 而乌鲁木齐市10 a的AOD均值均高于此值, 由此可见, 乌鲁木齐市大气污染状况在中国大陆地区中较为严重.2009—2013年, AOD值起伏明显, 2010年乌鲁木齐市区PM10年平浓度由前年的600 μg · m-3下降至536 μg · m-3, 出现10 a平均AOD次小值0.250, 这表明乌鲁木齐市实施的能源结构改善政策初起成效(Meng et al., 2019).随后由于乌鲁木齐市城市化进程加快, 伴随人类、工业活动增加, 机动车尾气排放加剧了乌鲁木齐大气污染程度, AOD均值逐渐增大. 2012—2013年乌鲁木齐市城市取暖系统从燃煤改为天然气, 大气CO2浓度减少(李霞等, 2016), AOD值有所下降.10 a AOD峰值0.316出现在2014年, 年均增幅达11.597%, 主要由于机动车保有量年均增幅达较大, 大气PM2.5和PM10浓度严重超标(PM2.5主要来源为机动车尾气和化石燃料燃烧(祝婕等, 2017)), 使AOD曲线在2014年达到波峰.
 |
| 图 7 2009—2018年乌鲁木齐市AOD年际变化趋势 Fig. 7 Annual variability of AOD in Urumqi during 2009—2018 |
在本研究期的后4年(2015—2018年), 乌鲁木齐市AOD年均值以波动式下降为主, 2015—2017年PM10和SO2年均增幅分别为-6.3%和-10.1%(Yin et al., 2019).2017年是乌鲁木齐市老城区(棚户区)改造工作的重要节点, 完成征收217369户(第51期中青年领导干部理论培训班课题组等, 2018), 间接减少了燃煤供暖对乌鲁木齐市AOD增长贡献, 出现了10 a的AOD最小值0.235, 从“新疆2018年环境状况公报” (http://www.xjepb.gov.cn/)可知2017全年优良天数比例为72.9%, 较上年增长6.3个百分点.表明乌鲁木齐市开展的老城区(棚户区)改造工作对大气环境的改善起到促进作用.
3.4 AOD与其他因素变化特征分析区域污染源相对稳定时AOD浓度大小主要受气象条件制约(张喆等, 2016).全年和四季平均AOD与气象因素的简单相关性分析结果如表 1所示, 全年AOD与气温、风速、水汽压呈显著正相关, 与相对湿度、降水量呈显著负相关；在春季, AOD仅与降水量呈显著负相关, 其余气象因素与AOD均无明显相关性；与春季相比, 夏季气温虽与AOD的相关系数略有增大, 但夏季所有气象因素均与AOD无显著相关；秋季气象因素与AOD均呈显著相关, 与气温、风速、水汽压是正相关, 与相对湿度和降水量是负相关；冬季AOD与各气象因素相关性均不显著.偏相关分析(表 1)与简单相关分析结果差异较大, 只有全年和春季降水量与AOD呈显著负相关, 其余时期AOD与气象因素的相关性不显著.结合上述分析可知, 降水量在全年和春季的AOD变化中起主导作用, 降水量大时, 大气颗粒物会由于自身的重量而沉降, 从而造成AOD减小(张喆等, 2017a).夏季温度与AOD相关系数略有增加, 可能是由于夏季温度升高引起的垂直气流运动将下垫面气溶胶输送到大气造成的(张喆等, 2017b).秋季AOD的变化受多种因素综合影响.
| 表 1 不同季节AOD与气象因素之间简单相关系数和偏相关系数 Table 1 The correlation and partial correlation coefficients of AOD and meteorological factors in different seasons |
 |
利用HYSPLIT模型500 m设为初始计算高度, 对乌鲁木齐市2009—2018年逐日到达的后向气流轨迹进行聚类, 并计算各类轨迹数占总轨迹数的比例, 得到不同季节主要气团流向, 结果如图 8所示.
 |
| 图 8 2009年1月—2019年7月乌鲁木齐市四季后向轨迹聚类分布 Fig. 8 The seasonal distributions of airflow back-trajectories clusters in Urumqi during January 2009 to July 2019 |
春季(3—5月)来自哈萨克斯坦东部中哈交界处和东南部的西北气流轨迹占气流轨迹总数的比例最大, 分别达32.17%和29.89%(聚类2和聚类1), 由于春季中亚沙尘天气频繁该气流具有将大流量沙尘气溶胶携带至本研究区的能力；其次是源自阿勒泰地区南部, 先向东南方向移动, 被天山山脉阻隔, 后回旋至乌鲁木齐市的气流轨迹, 占比为17.93%(聚类6)；再次是来自西伯利亚的长距离西北气流, 占比分别为7.17%和6.52%(聚类3和聚类5)；来自里海附近的气流传输轨迹最长, 沿途受地形作用因素, 衰弱较快, 占比最小, 为6.30%(聚类4).
夏季(6—8月), 来自哈萨克斯坦中南部, 东南部和西部的长距离西北气流轨迹最多, 占总轨迹线的49. 13%(聚类4、聚类1、聚类2)；其次是来自新疆伊犁州和阿勒泰地区的短距离西部和北部气流, 占比分别是24. 24%和16.41%(聚类6和聚类3)；源自西伯利亚的气流占比10.22%(聚类5), 比例最低.
秋季(9—11月), 来源于新疆阿勒泰地区的最短西北气流占气流轨迹总数的比例最高, 为27.02%(聚类3)；其次是源于中哈东南边界的气流轨迹, 占比为21.88%(聚类1)；来自哈萨克斯坦中部和东部的两条轨迹与来自乌兹别克斯坦的气流轨迹占比相当, 分别为17.24%、13.94%和15.77%(聚类4、聚类6和聚类5)；来自西伯利亚的长距离气流占比最小, 为4.16%(聚类2).
冬季(12—次年2月)受西伯利亚冷高压影响, 以西部与西北气流为主, 其中, 来自伊犁州的气流占总轨迹数的比例最高, 为32.48%(聚类3)；其次24.17%的气流来自哈萨克斯坦东南部, 21.84%的气流来自哈萨克斯坦与乌兹别克斯坦交界处(聚类2和聚类1)；再次是来自昌吉, 途径吐鲁番输入到乌鲁木齐的东南气流, 占总气流轨迹的11.53%(聚类5)；轨迹最长的西部气流, 占比为6.65%(聚类4)；从西伯利亚输入的气流轨迹, 占比最低, 为3.33%(聚类6).
综上所述, 春, 夏, 秋三季中, 长距离西北气流所占比例最高, 冬季来自西部的气流占比最高；春季北方气流轨迹较冬季多；春季和冬季乌鲁木齐市气流轨迹输送距离普遍比夏季和秋季长, 气团输送主要来自中亚地区；夏季和秋季乌鲁木齐市主要受到天山周边干旱区局地的近距离气团影响.气团传输的污染物信号包括途经的市区人类生产生活排放物, 中亚生物质燃烧产物, 沙尘和盐尘等.
3.6 潜在源区分析由于乌鲁木齐市特殊的地理位置和自然条件, 冬季(12月—次年2月)因后向轨迹起始点AOD数据出现大量缺失, 研究的意义有限.故以下着重对乌鲁木齐市春, 夏, 秋三季AOD开展污染气流潜在源区分析, 图 9为PSCF计算结果.乌鲁木齐市PSCF分布的季节性特征十分明显, 潜在源区的季节变化存在显著差异.本研究按PSCF值轻度(0~0.3)、中度(0.3~0.7)、重度(0.7~1.0)污染来标示潜在源区属性.
 |
| 图 9 2009年1月—2019年7月年乌鲁木齐市四季PSCF分布 Fig. 9 The seasonal distributions of potential source zones of AOD at Urumqi during January 2009 to July 2019 |
春季(3—5月), 潜在源区最为集中, 重度污染格网位于乌鲁木齐市、昌吉州、塔城地区东南部及博尔塔拉蒙古自治州艾比湖流域.这与春季盛行西北风, 气象条件有利于该地区的盐尘气溶胶(张喆等, 2017c)及工业气溶胶向乌鲁木齐方向扩散、沉降有关；夏季(6—8月), 潜在源区向西北转移, 重度污染格网除集中在乌鲁木齐市、昌吉州、塔城地区之外, 增加了克拉玛依市、伊犁州东部、哈萨克斯坦与塔城交界处和哈萨克斯坦东部；秋季(9—11月), 潜在源区向西延伸, 重度污染格网位于乌鲁木齐市全境、昌吉州、塔城地区南部、博尔塔拉蒙古自治州东部、伊犁州中部、阿勒泰地区西南部和吐鲁番地区西北部, 中度污染格网延伸至哈萨克斯坦东部和吉尔吉斯斯坦东北部广大地区.秋季AOD的PSCF高值区域相比于春季和夏季有明显增加.
4 结论(Conclusions)1) 乌鲁木齐市10 a间AOD均值呈显著的季节性差异, 具体表现为：春季(0.328)＞夏季(0.310)＞秋季(0.273)＞冬季(0.137), 其中春、夏季AOD波动幅度明显, 秋、冬季变化趋势较为稳定.
2) 乌鲁木齐市10 a间AOD月际变化呈双峰分布趋势, 峰值分别对应为4月(0.402)和8月(0.346)；10a间AOD总体呈微弱下降趋势, 其中2014年达到最大值0.316, 2017年出现最小值0.235, 年均降幅为0.200%.
3) 利用HYSPLIT轨迹模型得出, 春季和冬季乌鲁木齐市气团输送主要来自中亚地区, 夏季和秋季则来自天山周边的局地近距离气流.
4) 乌鲁木齐市AOD潜在源区集中在乌鲁木齐西北部盐尘策源地和沙尘天气多发区, 其中主要贡献源为乌鲁木齐市及周边地区, 故乌鲁木齐近距离污染物防控对于大气治理意义深远.
Ångström A. 1964. The parameters of atmospheric turbidity[J]. Tellus, 16(1): 64-75. |
Ashbaugh L L, Malm W C, Sadeh W Z. 1985. A residence time probability analysis of sulfur concentrations at Grand Canyon National Park[J]. Atmospheric Environment, 19(8): 1263-1270. |
Chu D A, Kaufman Y J, Zibordi G, et al. 2003. Global monitoring of air pollution over land from the Earth Observing System-Terra Moderate Resolution Imaging Spectroradiometer (MODIS)[J]. Journal of Geophysical Research:Atmospheres, 108(D21): 4661. |
Donkelaar A V, 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. |
单楠, 杨晓晖, 时忠杰, 等. 2012. 基于MODIS的中国陆地气溶胶光学厚度时空分布特征[J]. 中国水土保持科学, 10(5): 24-30. |
第51期中青年领导干部理论培训班课题组, 王凤丽, 王常亮, 等. 2018. 乌鲁木齐市老城改造工作存在的问题分析及对策研究[J]. 中共乌鲁木齐市委党校学报, (3): 67-72. |
段时光, 姜楠, 杨留明, 等. 2019. 郑州市冬季大气PM2.5传输路径和潜在源分析[J]. 环境科学, 40(1): 86-93. |
范学花, 陈洪滨, 夏祥鳌. 2013. 中国大气气溶胶辐射特性参数的观测与研究进展[J]. 大气科学, 37(2): 477-498. |
冯芳, 李忠勤, 金爽, 等. 2013. 天山乌鲁木齐河流域山区降水δ18O和δD特征及水汽来源分析[J]. 水科学进展, 24(5): 634-641. |
He Q, Li C, Tang X, et al. 2010. Validation of MODIS derived aerosol optical depth over the Yangtze River Delta in China[J]. Remote Sensing of Environment, 114(8): 1649-1661. |
Hsu N C, Jeong M J, Bettenhausen C, et al. 2013. Enhanced Deep Blue aerosol retrieval algorithm:The second generation[J]. Journal of Geophysical Research:Atmospheres, 118(16): 9296-9315. |
胡俊, 亢燕铭, 陈勇航, 等. 2018. 基于MODIS__C006的乌鲁木齐10年气溶胶光学厚度变化特征[J]. 环境科学, 39(8): 3563-3570. |
Kaufman Y J, Tanré D, Boucher O. 2002. A satellite view of aerosols in the climate system[J]. Nature, 419(6903): 215. |
Kaufman Y J, Tanré D, Remer L A, et al. 1997. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectroradiometer[J]. Journal of Geophysical Research:Atmospheres, 102(D14): 17051-17067. |
Levy R C, Leptoukh G G, Kahn R, et al. 2009. A critical look at deriving monthly aerosol optical depth from satellite data[J]. IEEE Transactions on Geoscience and Remote Sensing, 47(8): 2942-2956. |
李霞, 郭宇宏, 卢新玉. 2016. 乌鲁木齐市大气污染治理成效的综合评估分析[J]. 中国环境科学, 36(1): 307-313. |
梁丹, 王彬, 王云琦, 等. 2015. 重庆市冬季PM2.5及气态污染物的分布特征与来源[J]. 环境科学研究, 28(7): 1039-1046. |
梁晓宇, 单春艳, 孟瑶, 等. 2019. 唐山一次冬季重污染过程污染特征及成因分析[J]. 中国环境科学, 39(5): 1804-1812. |
刘海知, 郭海燕, 马振峰, 等. 2019. 2001-2017年全国气溶胶光学厚度时空分布及变化趋势[J]. 环境科学, 40(9): 3886-3897. |
刘新春, 陈红娜, 赵克蕾, 等. 2016. 乌鲁木齐气溶胶粒径分布及细颗粒物(PM2.5)浓度变化分析[J]. 生态环境学报, 25(4): 605-613. |
刘璇, 朱彬, 关学锋, 等. 2017. 华东地区气溶胶分布和变化特征研究[J]. 沙漠与绿洲气象, 11(1): 11-21. |
刘莹, 林爱文, 覃文敏, 等. 2019. 1990~2017年中国地区气溶胶光学厚度的时空分布及其主要影响类型[J]. 环境科学, 40(6): 2572-2581. |
Meng X, Wu Y, Pan Z, et al. 2019. Seasonal characteristics and particle-size distributions of particulate air pollutants in Urumqi[J]. International journal of environmental research and public health, 16(3): 396. |
Mhawish A, Banerjee T, Broday D M, et al. 2017. Evaluation of MODIS Collection 6 aerosol retrieval algorithms over Indo-Gangetic Plain:Implications of aerosols types and mass loading[J]. Remote Sensing of Environment, 201: 297-313. |
木尼拉·阿不都木太力甫, 玉米提·哈力克, 塔依尔江·艾山, 等. 2018. 乌鲁木齐市主要大气污染物浓度变化特征研究[J]. 生态环境学报, 27(3): 533-541. |
Polissar A V, Hopke P K, Harris J M. 2001. Source regions for atmospheric aerosol measured at Barrow, Alaska[J]. Environmental Science & Technology, 35(21): 4214-4226. |
Pope III C A, Dockery D W. 2006. Health effects of fine particulate air pollution:lines that connect[J]. Journal of the Air & Waste Management Association, 56(6): 709-742. |
任传斌, 吴立新, 张媛媛, 等. 2016. 北京城区PM2.5输送途径与潜在源区贡献的四季差异分析[J]. 中国环境科学, 36(9): 2591-2598. |
Sayer A M, Munchak L A, Hsu N C, et al. 2014. MODIS Collection 6 aerosol products:Comparison between Aqua's e-Deep Blue, Dark Target, and "merged" data sets, and usage recommendations[J]. Journal of Geophysical Research:Atmospheres, 119(24): 965-989. |
苏彬彬, 许椐洋, 张若宇, 等. 2014. 区域传输对华东森林及高山背景点位大气污染物浓度的影响[J]. 环境科学, 35(8): 2871-2877. |
Tian X, Liu Q, Li X, et al. 2018. Validation and comparison of MODIS C6.1 and C6 aerosol products over Beijing, China[J]. Remote Sensing, 10(12): 2021. |
Wang Y Q, Zhang X Y, Draxler R R. 2009. 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 and Software, 24(8): 938-939. |
Wang Y, Yuan Q, Li T, et al. 2019. Evaluation and comparison of MODIS Collection 6.1 aerosol optical depth against AERONET over regions in China with multifarious underlying surfaces[J]. Atmospheric Environment, 200: 280-301. |
Wei J, Li Z, Peng Y, et al. 2019. MODIS Collection 6.1 aerosol optical depth products over land and ocean:validation and comparison[J]. Atmospheric Environment, 201: 428-440. |
王晓玲, 吕睿, 王艳杰, 等. 2018. 基于MODIS C6产品研究湖北省气溶胶光学特性的时空分布[J]. 生态环境学报, 27(6): 1099-1106. |
Yin Z, Cui K, Chen S, et al. 2019. Characterization of the air quality index for Urumqi and Turfan cities, China[J]. Aerosol and Air Quality Research, 19: 282-306. |
Yu H, Yang W, Wang X, et al. 2019. A seriously sand storm mixed air-polluted area in the margin of Tarim Basin:Temporal-spatial distribution and potential sources[J]. Science of the Total Environment, 676: 436-446. |
Zhang L, Zhang M, Yao Y. 2019. Multi-time scale analysis of regional aerosol optical depth changes in national-level urban agglomerations in China Using Modis Collection 6.1 Datasets from 2001 to 2017[J]. Remote Sensing, 11(2): 201. |
张喆, 丁建丽, 王瑾杰, 等. 2016. 新疆干旱区气溶胶间接效应区域性分析[J]. 中国环境科学, 36(12): 3521-3530. |
张喆, 丁建丽, 王瑾杰. 2017a. 中亚地区气溶胶时空分布及其对云和降水的影响[J]. 环境科学学报, 37(1): 61-72. |
张喆, 丁建丽, 王瑾杰. 2017b. 中亚沙尘气溶胶时空分布特征及潜在扩散特性分析[J]. 地理学报, 72(3): 507-520. |
张喆, 丁建丽, 王瑾杰, 等. 2017c. 艾比湖盐尘气溶胶光学特性卫星和地基遥感观测[J]. 遥感学报, 21(5): 665-678. |
赵仕伟, 高晓清. 2017. 利用MODIS C6数据分析中国西北地区气溶胶光学厚度时空变化特征[J]. 环境科学, 38(7): 2637-2646. |
祝婕, 马俊英, 邓文叶, 等. 2017. 2014年乌鲁木齐市PM2.5排放清单研究[J]. 新疆环境保护, 39(1): 46-54. |