环境科学学报  2021, Vol. 41 Issue (3): 898-904
基于PCT方法的京津冀冬季PM2.5重污染天气型分析    [PDF全文]
陆汇丞1, 马翠平2, 赵天良1, 孟凯2, 郑小波3, 李嘉鼎1, 路佩瑶1, 刘华英4    
1. 南京信息工程大学气象灾害预报预警与评估协同创新中心, 中国气象局气溶胶-云-降水重点实验室, 南京 210044;
2. 河北省环境气象中心, 石家庄 050021;
3. 贵州山地环境气候研究所, 贵阳 550002;
4. 南京信息工程大学长望学院, 南京 210044
摘要:T模态斜交主成分分析法(PCT)分析的天气过程时间尺度越长,该算法的优势越明显,天气分型结果也更完整,可信度越高.利用京津冀地区2014年冬季-2019年冬季(每年12月-翌年2月)的环境监测资料,以区域平均PM2.5日均值大于150 μg·m-3为标准,筛选出72个京津冀地区PM2.5重污染日,采用ERA5提供的0.25°×0.25°气象再分析资料,应用PCT算法将72个PM2.5重污染日海平面气压场客观地分为高压前部型、锋前低压型、高压后部型、均压场型和弱低压型5种类型,分别占总PM2.5重污染天数的34.72%、20.83%、16.67%、16.67%和11.11%.另外,对2017年2月12-16日京津冀地区PM2.5重污染过程的分析表明,重污染天气过程中随着逐日天气型的演变,污染物浓度特征、近地面风场和大气污染物污染传输路径均发生相应变化.
关键词PCT算法    京津冀    重污染    天气分型    
Analysis of synoptic pattern on PM2.5 heavy pollution over the Beijing-Tianjin-Hebei region in winter based on PCT
LU Huicheng1, MA Cuiping2, ZHAO Tianliang1, MENG Kai2, ZHENG Xiaobo3, LI Jiading1, LU Peiyao1, LIU Huaying4    
1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration, Nanjing University of Information Science and Technology, Nanjing 210044;
2. Hebei Provincial Environment Meteorological Center, Shijiazhuang 050021;
3. Guizhou Mountain Environment and Climate Research Institute, Guiyang 550002;
4. Changwang School of Honor, Nanjing University of Information Science and Technology, Nanjing 210044
Received 10 August 2020; received in revised from 1 December 2020; accepted 1 December 2020
Abstract: The PCT algorithm could provide more complete and more credible classifications of weather-patterns with longer observational data. According to the national standard of PM2.5 heavy pollution with the daily PM2.5 concentration exceeding 150 μg·m-3, 72 heavy PM2.5 pollution days were identified from urban air quality monitoring measurements over the Beijing-Tianjin-Hebei (BTH) region during winters from 2014 to 2019. By employing the PCT(Principle Components in T-mode) method with 0.25°×0.25° mean sea level pressure provided by ERA5 reanalysis data of meteorology, the synoptic patterns of the heavy PM2.5 heavy pollution days were objectively classified with five weather patterns: 1FH (front of high pressure), 2DCF(depression in front of cold front), 3RH(rear of high pressure), 4UP(uniform pressure), and 5WL(weak low pressure) respectively accounting for 34.72%, 20.83%, 16.67%, 16.67%, 11.11% of total heavy pollution days over the BTH region. Furthermore, an analysis on a PM2.5 heavy pollution process in the BTH region over February 12-16, 2017 revealed that the PM2.5 heavy pollution levels, air pollutant concentrations, near-surface winds and air pollutant transport pathways were changed accordingly with the evolution of synoptic patterns during a heavy air pollution event.
Keywords: PCT method    Beijing-Tianjin-Hebei (BTH)    heavy air pollution    synoptic pattern classification    
1 引言(Introduction)

近年来, 我国大气重污染事件在京津冀、珠三角、长三角、四川盆地和关中平原等地区频繁发生(程真等, 2011孙彧等, 2012薛文博等, 2014), 其中, 影响最大的为京津冀区域(苏福庆等, 2004).一些研究发现, 这些PM2.5重污染事件主要受本地排放源与区域输送综合影响(朱彤等, 2010Jiang et al., 2015).京津冀地区的典型重污染过程一般发生在冬季, 多发生于静稳的、高度较低的边界层中.另外, 京津冀地区地形地貌较为复杂, 地形阻挡与陆地-海面的热力差异等会影响当地的热力梯度, 进而影响近地面风场与逆温强度, 这些是容易造成污染物积聚的因素(Miao et al., 2019).大尺度天气背景在很大程度上影响和制约了局地气象条件, 持续型污染天气多发生于典型的高、低空环流背景下(王莉莉等, 2010高晓荣等, 2018;Han et al., 2019).不同天气形势控制下的污染过程特征也不同, 因此, 辨析污染过程对应的天气型是探明污染过程与天气气候关联性的有效措施.

基于天气学原理(戴竹君等, 2016廖国莲等, 2018), 研究人员依据主观经验进行的污染天气分型, 其结果具有一定的主观性.随着科学技术的快速发展, 应用计算机技术和标准化数据集的客观天气分型逐渐兴起, 如主成分分析法、聚类分析法(如K-means算法)、非线性算法(如自组织映射神经网络SOM算法)等, 但应用于空气污染与天气型关系的研究相对较少(许建明等, 2016Chang et al., 2017). Richman于1986年首次提出将主成分分析法应用于天气分型(Richman, 1986).Huth评估了cost733class天气分型软件所收集的所有算法后认为, PCT (Obliquely Rotated Principle Components in T-mode)算法具有良好的一致性和优越的分型稳定性(Huth, 2010), 可用于分析气象要素的长期变化.

PCT算法能够及时有效地得到分型结果, 随着气象资料精度的提高和时间序列的增加, 其准确度也会相应提升, 且分析的天气过程时间尺度越长, PCT算法的优势越明显, 天气分型结果也更完整, 可信度越高(Huth, 2010).杨旭等(2017)运用ERA-Interim提供的0.75°×0.75°再分析资料, 运用PCT客观分型方法将2013-2015年冬半年京津冀地区海平面气压场分为9种类型, 提出了除高压前部和高压南部型2种为不易污染天气类型, 剩余7种均为污染天气类型.

基于此, 本文通过筛选2014-2019年冬季京津冀地区PM2.5重污染过程, 应用ERA5提供的0.25°×0.25°气象再分析资料, 利用PCT算法对该地区海平面气压场进行客观天气分型, 探究重污染天气与天气形势之间的相互关系, 并分析了一次典型重污染天气过程, 讨论天气型在重污染天气过程中所起的作用, 以期为当地重污染天气预警及空气污染治理提供科学依据.

2 资料和方法(Data and methods) 2.1 数据资料

海平面气压场数据来源于欧洲中期天气预报中心(European Centre for Median-Range Weather Forecasts, ECMWF)发布的第5代再分析资料ERA5, 时间长度为2014年冬季-2019年冬季(每年12月-翌年2月), 时间分辨率为6 h, 空间分辨率为0.25°×0.25°, 研究范围为100°~130°E、30°~50°N.

PM2.5浓度数据来源于中国空气质量在线监测分析平台, 由国家级中国环境监测总站的监测站点所测2014年冬季-2019年冬季京津冀地区PM2.5浓度日均值.

2.2 客观分型方法

本文采用天气分型软件(http://www.cost733.org)提供的PCT算法, 对气象再分析资料的气象要素进行斜交旋转分解, 对输入的物理量进行相应的时空展开, 以更稳定地表现气象要素的空间分布与变化, 天气分型结果也较为准确(Huth, 1996)。主要方法为:将原始数据矩阵Z表示为主成分元矩阵F与载荷矩阵A相乘, 即Z=FAT, 其中, 原始数据矩阵Zij列, 主成分元矩阵Fim列, 载荷矩阵Ajm列, i为空间格点数, mj表示数据时次, 即原始数据矩阵Zi行网格点与j列时次组成.载荷是原始数据相关矩阵的特征向量, 由相应特征值的平方根计算而来.主成分按照其特征值的大小排序, 排名靠前的主成分通常会决定分类数量.保留前r(rn, n为输入数据总量)个特征值较大的主成分进行进一步分析, 其对应的特征向量组成载荷矩阵A与保留的主成分斜交旋转, 最后依据载荷大小对每一时次的天气形势分型(Huth, 2000).

3 结果(Results) 3.1 客观天气分型结果

定义京津冀区域当日PM2.5浓度平均值大于150 μg·m-3的天气为该地区冬季PM2.5重污染日.根据这一指标, 从近6年(2014年冬季-2019年冬季)的环境监测资料中筛选出72个PM2.5重污染日.选取的72个PM2.5重污染日, 以该地区14:00BJT的海平面气压场作为当日海平面气压场(李霞等, 2012杨旭等, 2017), 利用PCT方法将其分为5类, 并对每一天气型下所有重污染日的海平面气压场进行平均化处理, 结果如图 1所示.

图 1 5类天气型对应的海平面气压场及近地面风矢量 (黑色框线包含京津冀地区; 图中数据单位为hPa) Fig. 1 Sea level pressure and surface wind vector in corresponding 5 synoptic patterns(BTH region is included in black boxes)
3.1.1 高压前部型

图 1a所示, 当京津冀地区北部处于一高压前等压线密集处, 其地面风场为西风或西北风.高压主体位于西西伯利亚或蒙古国西北部, 且常为一冷高压向东南方向延伸, 京津冀北部地区气压梯度较大, 南部地区等压线稀疏, 且存在一定的辐合, 污染物易在此范围积聚.受西北风影响, 此天气型下该地区污染天气持续时间短, 主要发生于区域重污染的消散阶段, 且京津冀北部城市不易受到污染.

3.1.2 弱低压型

图 1b中, 高压中心位于贝加尔湖附近, 越往南气压梯度越弱, 河套地区以南有一低压中心, 京津冀地区多小风或静风, 在京津冀中部有一风向辐合, 此时该地区易发生污染.

3.1.3 均压场型

图 1c中, 30°N以北由一庞大高压控制, 华中、华东和华北地区出现分散性的小高压中心, 京津冀地区等压线稀疏, 多为小风或静风天气, 不利于污染物扩散.

3.1.4 高压后部型

海平面气压场分布特点为东高西低, 京津冀处于一高压后部.图 1d中, 高压中心位于黄海海面, 京津冀地面为偏南风, 其北侧常出现一小低压.污染物在本地排放和外来输送的共同作用下, 加之京津冀东、北面高山阻挡的独特地形, 导致污染物累积且难以扩散, 易造成重污染.

3.1.5 锋前低压型

图 1e中, 河套地区西北部有一高压中心, 京津冀地区受低压带控制, 气压场较弱, 风力小, 不利于大气污染物扩散.低压中心处于黑龙江以北, 向西南方向伸出一深低压槽穿过京津冀.天气形势辐合与太行山脉地形辐合的叠加, 导致京津冀地区PM2.5浓度爆发增长, 造成短时间的重霾天气过程(马小会等, 2017).

某一天的气压场会变化, 天气形势与空气污染程度也会随着时间变化.本文主要研究PM2.5重污染水平逐日变化的天气分型, 并未考虑一天之内PM2.5重污染水平小时变化的天气分型, 这是因为受到目前环境-气象观测资料的限制.在未来时空高精度观测资料基础上, 可开展PM2.5重污染水平小时变化的天气分型研究.

3.2 天气型与重污染

依据上述5类天气型, 表 1统计了各天气型下每年冬季PM2.5重污染天数.由表 1可知, 2014-2019年冬季, 高压前部型重污染天气总计发生25次, 占总统计次数的34.72%, 为京津冀地区最常见的PM2.5重污染天气型.而弱低压型重污染天气仅发生8次, 占总统计次数的11.11%, 为京津冀地区最不常见的PM2.5重污染天气型.按重污染天气型的发生频率从大到小排序为:高压前部型、锋前低压型、高压后部型、均压场型、弱低压型.

表 1 5类天气型下每年冬季PM2.5重污染天数 Table 1 Annual statistics of PM2.5 heavy pollution for 5 synoptic patterns

不同天气形势下, 空气污染物生成、输送和扩散方式不同.表 2统计了2014-2019年冬季PM2.5重污染发生时5类天气型下, 京津冀13市的PM2.5浓度均值.由表 2可知, 张家口市地处冀西北高原, 在重污染天气发生时, PM2.5浓度远未到达限值, 污染程度较轻, 其余12市均有不同程度的空气污染.

表 2 5类天气型下京津冀13市重污染期间的PM2.5浓度日均值 Table 2 Daily mean value of PM2.5 concentrations in the BTH region during heavy pollution for 5 synoptic patterns

当重污染天气型为高压前部型时, 来自西西伯利亚的冷空气到达京津冀北部, 此时该地区北部城市(如北京、秦皇岛)处于等压线密集处, 偏北风增大有利于污染物扩散, 而该区域的南部城市(如石家庄、邢台、保定)风速未增强, 且存有一定的风场辐合导致污染物累积, 使污染物浓度升高.按照风场, 高压后部型重污染天气以偏南风为主导风向, 区域南部城市的污染物随偏南气流向京津冀地区内部扩散, 但由于西面有太行山脉, 以及北面燕山山脉的阻挡, 大气污染物堆积易造成重污染事件, 如石家庄、邢台和保定等中南部城市的污染物浓度相对较高.均压场型天气控制下, 京津冀地区都缺乏良好的扩散条件, 污染物浓度的高低与不同地区的环境污染累积效应成正比, 可见东部的污染物浓度最低, 中部污染物浓度最高, 西北部次之.锋前低压型天气条件下, 京津冀地区PM2.5平均浓度最低, 但当低压槽穿过廊坊-石家庄-邢台一线时, 气象辐合与地形辐合叠加, 造成能见度持续变差、污染物浓度爆发增长的短时间重霾天气.弱低压型天气的典型特征为, 京津冀地区中南部存有一弱低压, 如图 1b所示, 风场向低压中心辐合, 区域中部、南部城市的风速小, 污染严重, 如石家庄、邯郸的PM2.5浓度分别高达387.38、374.25 μg·m-3.同时, 此种天气型下PM2.5的平均浓度最高, 为225.28 μg·m-3.

应该指出的是, 影响重污染天气的气象条件十分复杂, 若仅考虑海平面气压场, 分析空气污染的气象作用存在较大的缺陷.本文是基于京津冀及其周边中高纬度地区海平面气压场识辨京津冀冬季PM2.5重污染的天气型, 分析近地面大气环流变化对重污染天气的影响.这是基于天气学原理的理解, 近地面大气环流变化是不同高度大气环流垂直配置综合作用的结果, 近地面大气环流决定了近地面局地温度、压力、湿度和风等气象要素的变化, 可直接影响空气污染程度.下一步工作可对不同高度大气环流分型, 以便更详尽地理解大气环流垂直结构对空气污染的影响作用.

3.3 PM2.5重污染个例分析

为进一步探究不同天气型下PM2.5重污染天气的气象条件, 选取2017年2月9-17日的一次较为典型的重污染过程进行详细分析.图 2为此次重污染事件不同阶段(2月13-16日)京津冀地区PM2.5浓度日均值, 以每日14:00的天气型作为当天的重污染天气型并在图中进行相应标注.在此次重污染过程中, PM2.5浓度日均值曲线呈单峰型变化.9-12日为PM2.5浓度快速上升期;之后的13-16日均为PM2.5重污染日, 且在高压后部型天气控制下, 在15日达到污染物浓度峰值;17日之后PM2.5浓度出现快速下降, 为污染物的消散阶段.

图 2 2017年2月13-16日京津冀地区PM2.5浓度逐日均值与对应天气型 Fig. 2 Daily mean value of PM2.5 concentrations over BTH region and corresponding synoptic patterns during February 13-16, 2017

表 3可知, 2017年2月13-16日重污染过程期间, 京津冀地区的南部城市邢台、邯郸与东部城市唐山、天津、沧州、衡水这6个城市的PM2.5浓度有不同程度的下降, 而中部城市保定、石家庄、廊坊、北京4个城市的PM2.5浓度均显著上升.以石家庄、沧州、邢台为例, 分别代表京津冀中部、东部、南部城市, 从图 3中可以清晰地看到, 3个城市的PM2.5浓度峰值出现的时间不同, 沧州于13日、邢台于14日达到区域PM2.5浓度日均值峰值.

表 3 重污染期间京津冀各城市PM2.5逐日均值 Table 3 Daily mean value of urban PM2.5 concentrationsin BTH region during heavy pollution

图 3 污染期间石家庄、沧州与邢台PM2.5浓度逐日均值 Fig. 3 Daily variations of PM2.5 concentration in Shijiazhuang, Cangzhou and Xingtai during air pollution

图 4为2017年2月13-16日重污染过程期间京津冀地区700 hPa高度场与近地面风场叠加图。由图 4a可知, 2月13日京津冀地区主要受弱低压型天气控制, 低压中心位于北京东北侧, 沧州的近地面风场表现为偏东风, 中层的气压梯度较弱, 无明显抬升效应, 污染物沿近地面随偏东气流传输。2月14日(图 4b), 黄海海面生成一高压中心, 此时京津冀地区受高压后部型天气控制, 近地面主要吹偏南风, 对流层中层也有相似的天气形势, 污染物由南向北扩散。可见在高压后部型天气控制下, 京津冀地区存在污染物区域传输的特征, 即由东向西传输、由南向北传输, 且在此次重污染过程中有两条向石家庄地区的传输通道(沧州→衡水→石家庄和邯郸→邢台→石家庄), 两个通道携带的污染物均在2月15日到达石家庄地区, 致使其PM2.5浓度急剧升高.2月15日14:00(图 4c), 此高压中心向东南方向移动, 强度稍有减弱, 而蒙古气旋移动至京津冀北侧, 其海平面气压南高北低, 气压差使地面西南风加强, 污染物随气流向低压中心汇聚, 此时京津冀地区发生大面积重污染事件, 污染物浓度达到峰值, 除邯郸外, 其余12个城市的PM2.5浓度均达到150 μg·m-3, 随后进入消散阶段.2月16日14:00(图 4d), 京津冀地区受西西伯利亚冷高压的影响, 地面天气形势转为西北高压前部型, 该地区都处于等压线密集处, 较强偏北风驱散了大气污染物, PM2.5浓度分布变为北低南高.2月17日京津冀部分地区有阴雨天气, PM2.5浓度降到低值, 之后本次重污染过程结束.

图 4 2017年2月13-16日700 hPa高度场与近地面风矢量叠加图 (黑色框线包含京津冀地区)(a. 2月13日14:00, b.2月14日14:00, c.2月15日14:00, d.2月16日14:00;图中数据单位为hPa) Fig. 4 700 hPa geopotential height fields and near-surface wind vector during February 13-16, 2017(BTH region is included in black boxes)(a.14:00 BJT, February 13, b.14:00 BJT, February 14, c.14:00 BJT, February 15, d.14:00 BJT, February 16)
4 结论(Conclusions)

1) 采用较为客观并高效的PCT方法, 将京津冀地区2014-2019年冬季PM2.5重污染天气形势分为5类天气型, 即:高压前部型、弱低压型、高压后部型、均压场型和锋前低压型.在同一重污染天气过程中, 可以存在不同天气型的演变, 由于不同天气型带来近地面风场的变化会影响污染物扩散输送的方式.

2) 不同天气型下京津冀地区城市间的污染物浓度空间分布特征存在一定差异.在高压前部型、弱低压型天气控制下, 京津冀地区污染物浓度由北向南递增;在高压后部型、均压场型天气控制下, 京津冀地区东部沿海城市的污染较轻, 污染物浓度由东向西递增;在锋前低压型天气控制下, 污染物易在廊坊-石家庄-邢台一带积聚难以扩散, 易形成爆发性重污染天气.

3) 2017年2月15日京津冀地区的一次重污染事件天气过程个例分析表明, 污染过程中主要由高压后部型天气控制, 两条向石家庄地区的污染物传输通道证实了此天气型下存有明显的PM2.5区域传输.

4) PCT算法相比目前多采用的人工分析天气图方法具有较多优势, 前者能够快速且准确地得到分型结果.因此, 除了在分析大气污染天气分型方面具有极大的优势外, 该方法还在区域能见度、雾等气象要素的长期气候变化等与天气类型有关的分析研究中得到广泛应用.

5) PCT算法分析的天气过程时间尺度越长, 其优势越明显, 天气分型结果也更完整, 可信度越高.为了认识大气环流对霾污染的影响, 本文讨论的客观天气分型是基于2014年冬季-2019年冬季(每年12月-翌年2月)的区域PM2.5日均值, 更可信的分型需要更长时间的观测资料.当PCT算法用于气候预测时, 需要用其他年份资料验证分型结果.

参考文献
Chang W, Zhan J. 2017. The association of weather patterns with haze episodes: Recognition by PM 2.5 oriented circulation classification applied in Xiamen, Southeastern China[J]. Atmospheric Research, 197: 425-436. DOI:10.1016/j.atmosres.2017.07.024
程真, 陈长虹, 黄成, 等. 2011. 长三角区域城市间一次污染跨界影响[J]. 环境科学学报, 31(4): 686-694.
戴竹君, 刘端阳, 王宏斌, 等. 2016. 江苏秋冬季重度霾的分型研究[J]. 气象学报, 74(1): 133-148.
高晓荣, 邓雪娇, 谭浩波, 等. 2018. 广东四大区域污染过程特征与影响天气型分析[J]. 环境科学学报, 38(5): 23-31.
Han H, Liu J, Shu L, et al. A2020. Local and synoptic meteorological influences on daily variability in summertime surface ozone in eastern China[J]. Atmospheric Chemistry and Physics, 20(1): 203-222. DOI:10.5194/acp-20-203-2020
Huth R. 1996. An inter comparison of computer-assisted circulation classification methods[J]. International Journal of Climatology, 16(8): 893-922. DOI:10.1002/(SICI)1097-0088(199608)16:8<893::AID-JOC51>3.0.CO;2-Q
Huth R. 2000. A circulation classification scheme applicable in GCM studies[J]. Theoretical and Applied Climatology, 67(1/2): 1-18.
Huth R. 2010. Synoptic-climatological applicability of circulation classifications from the COST733 collection: First results[J]. Physics and Chemistry of the Earth, Parts A/B/C, 35(9/12). DOI:10.1016/j.pce.2009.11.013
Jiang C, Wang H, Zhao T, et al. 2015. Modeling study of PM2.5 pollutant transport across cities in China′s Jing-Jin-Ji region during a severe haze episode in December 2013[J]. Atmospheric Chemistry and Physics, 15: 5803-5814. DOI:10.5194/acp-15-5803-2015
李霞, 杨静, 麻军, 等. 2012. 乌鲁木齐重污染日的天气分型和边界层结构特征研究[J]. 高原气象, 31(5): 1414-1423.
廖国莲, 郑凤琴, 曾鹏, 等. 2018. 广西霾天气系统分型[J]. 气象科技, 46(1): 149-154.
马小会, 廖晓农, 唐宜西, 等. 2017. 北京地区重空气污染天气分型及个例分析[J]. 气象与环境学报, 33(5): 53-60.
Miao Y, Che H, Zhang X, et al. A2020. Integrated impacts of synoptic forcing and aerosol radiative effect on boundary layer and pollution in the Beijing-Tianjin-Hebei region, China[J]. Atmospheric Chemistry and Physics, 20(10): 5899-5909. DOI:10.5194/acp-20-5899-2020
Richman M B. 1986. Rotation of principal components[J]. International Journal of Climatology, 6(3): 293-335. DOI:10.1002/joc.3370060305
苏福庆, 杨明珍, 钟继红, 等. 2004. 华北地区天气型对区域大气污染的影响[J]. 环境科学研究, 17(3): 16-20.
孙彧, 牛涛, 马振峰. 2012. 中国雾霾分布特点以及华北霾环流特征分析[C]. 沈阳: 第29届中国气象学会年会
孙彧, 牛涛, 乔林, 等. 2016. 华北地区雾和霾天气环流特征聚类分析[J]. 气候与环境研究, 21(5): 601-613.
王莉莉, 王跃思, 王迎红, 等. 2010. 北京夏末秋初不同天气形势对大气污染物浓度的影响[J]. 中国环境科学, 30(7): 924-930.
许建明, 常炉予, 马井会, 等. 2016. 上海秋冬季PM2.5污染天气形势的客观分型研究[J]. 环境科学学报, 36(12): 4303-4314.
薛文博, 付飞, 王金南, 等. 2014. 中国PM2.5跨区域传输特征数值模拟研究[J]. 中国环境科学, 34(6): 1361-1368.
杨旭, 张小玲, 康延臻, 等. 2017. 京津冀地区冬半年空气污染天气分型研究[J]. 中国环境科学, 37(9): 3201-3209.
朱彤, 尚静, 赵德峰. 2010. 大气复合污染及灰霾形成中非均相化学过程的作用[J]. 中国科学: 化学, 40(12): 1731-1740.