2018, Vol. 48
2. 陆军防化学院，北京 102205
在沿海地区，气溶胶是陆源物质和人类活动影响海洋环境的重要媒介。一方面，由于从陆地向海洋的传输，以及从低层大气向海表的沉降，气溶胶已成为影响沿海空气质量和近岸海域水体环境质量的重要因子[1]；另一方面，由于海洋上缺乏气溶胶监测站点，海洋气溶胶研究受制于观测资料的时空连续性[2]，研究受到极大限制，其时空分布及其干沉降通量的研究结果均具有较大的不确定性[3-5]。
相比于直接采样，卫星遥感资料由于具有较好时空连续性，为海域气溶胶研究提供了可能的手段。为更全面的观测地球表面的气溶胶分布与变化，美国航空航天管理局(National Aeronautics and Space Administration，NASA)发射了数颗用于气溶胶空间观测的卫星，其中Terra和Aqua卫星携带的MODIS光谱仪，由于遥感的气溶胶光学厚度(Aerosol Optical Depth，AOD)数据准确，监测方法成熟，已成为气溶胶卫星监测的主要工具[6]。在美国曾开展数个城市地面颗粒物(Particulate Matters，PM)质量浓度与AOD相关性的研究，发现AOD与PM2.5质量浓度之间线性关系的相关系数在0.1~0.8之间[7]。另有研究显示，纽约、香港和悉尼等城市AOD和PM2.5质量浓度之间的线性相关系数在0.11~0.85之间，二者的相关关系除依赖于PM质量浓度之外，还与混合层高度(气溶胶垂向分布)、相对湿度和云覆盖率相关[8]。其他在美国[9-10]和欧洲[11-12]进行的研究均发现，AOD与PM浓度很大程度上具有一致变化性。总体来看，尽管有着诸多干扰因素，利用AOD反演地面气溶胶浓度是可行的。
在此基础上，可能影响AOD与PM质量浓度关系的大气结构和气象因素得到了更多研究。Boyouk等提出了一种使用激光雷达数据订正AOD的方法[13]。研究利用大气垂向消光系数剖面反映气溶胶垂向分布，并使用激光雷达对消光系数进行遥感。结果显示，经消光系数订正后，AOD与PM2.5质量浓度之间线性关系的相关系数从0.61提高到0.73。研究还发现气溶胶的垂向分布极不均匀，近地面(0~240 m)消光系数能够与地表PM2.5质量浓度监测值取得最大的相关系数(0.80)，说明了在气溶胶浓度的卫星反演中对AOD进行垂向订正的重要性。Engel-Cox等同样发现，气溶胶垂向分布的不均匀性降低了AOD与地面PM质量浓度的相关程度，并指出使用激光雷达订正AOD可显著提升AOD和地面PM质量浓度之间的相关性[14]。
针对地面激光雷达观测站点数量及资料时空连续性的限制，NASA发射了搭载有激光雷达的CALIPSO卫星。Omar等以非洲北部的遥感数据为例，指出CALIPSO数据具有很好的可信度，其遥感的气溶胶垂向分布信息与地面激光雷达十分一致[15]。Chiang等将CALIPSO过境台湾桃园市中坜区的遥感数据与地面激光雷达进行了比对，结果显示卫星与地面激光雷达的消光系数垂向剖面有很好的一致性，并且二者均反映出一个事实，即自然状态下气溶胶主要分布于近地表高度[16]。Kim等在韩国首尔大学使用地表激光雷达与CALIOPO数据比较，说明两种数据反映了相似的气溶胶层结构[17]。从这些研究可以看出，CALIPSO卫星提供的资料能够很好地反映大气气溶胶的垂直结构，可用于研究气溶胶的垂直分布，并为降低利用AOD资料反演地面气溶胶浓度的不确定性提供了可靠依据。
上述反演气溶胶浓度研究均在陆地进行，而利用AOD和CALIPSO激光雷达资料开展海洋上空低层大气气溶胶反演的工作尚不多见，尤其在中国近海气溶胶反演研究十分缺乏，只有AOD时空分布的研究[18-19]。因此，本研究基于以Aqua卫星MODIS遥感AOD资料和CALIPSO卫星数据产品中的大气消光系数和相对湿度剖面为基础，反演了2014年3月—2015年2月中国近海海表大气气溶胶浓度，并讨论了气溶胶浓度的空间分布及季节变化。并通过干沉降模型计算了气溶胶粒子干沉降速率，估算了中国近海海表气溶胶干沉降通量，讨论了其空间分布及季节变化。
1 数据和方法 1.1 研究区域和时段本研究的目标区域为中国近海，包括渤海、黄海、东海和南海四个海域，范围为5°N~45°N、105°E~135°E。为建立和验证气溶胶反演模型，本研究选取了沿海39个城市，这些城市的名称和位置如图 1所示。其中30个大陆城市的数据用于气溶胶浓度反演模型的建立(红色点位)，9个韩国和台湾的城市的气溶胶监测数据用于模型的校验(蓝色点位)。
|
(①大连，②营口，③葫芦岛，④秦皇岛，⑤天津，⑥东营，⑦莱州，⑧蓬莱，⑨烟台，⑩荣成，⑪青岛，⑫胶南，⑬日照，⑭连云港，⑮盐城，⑯海门，⑰舟山，⑱台州，⑲温州，⑳泉州，㉑厦门，㉒汕头，㉓汕尾，㉔深圳，㉕珠海，㉖阳江，㉗湛江，㉘海口，㉙三亚，㉚北海，㉛金浦，㉜木浦，㉝济州，㉞基隆，㉟桃园，㊱新竹，㊲花莲，㊳台南，㊴高雄。 ①Dalian, ②Yingkou, ③Huludao, ④Qinhuangdao, ⑤Tianjin, ⑥Dongying, ⑦Laizhou, ⑧Penglai, ⑨Yantai, ⑩Rongcheng, ⑪ Qingdao, ⑫ Jiaonan, ⑬ Rizhao, ⑭ Lianyungang, ⑮ Yancheng, ⑯ Haimen, ⑰ Zhoushan, ⑱ Taizhou, ⑲ Wenzhou, ⑳ Quanzhou, ㉑ Xiamen, ㉒ Shantou, ㉓ Shanwei, ㉔ Shenzhen, ㉕ Zhuhai, ㉖ Yangjiang, ㉗ Zhanjiang, ㉘ Haikou, ㉙ Sanya, ㉚ Beihai, ㉛ Gimpo, ㉜ Mokpo, ㉝ Jeju, ㉞ Keelung, ㉟ Taoyuan, ㊱ Hsinchu, ㊲ Hualien, ㊳ Tainan, ㊴ Kaohsiung.) 图 1 研究区域和所选沿海城市 Fig. 1 Research area and selected coastal cities |
研究时间为2014年3月—2015年2月，所用数据均对应该时段，气溶胶浓度反演和气溶胶干沉降通量计算也针对该时段。
1.2 数据本研究中所涉及的数据主要包括地面监测站PM10质量浓度、AOD、CALIPSO消光系数和相对湿度剖面，以及美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)气象资料。
1.2.1 PM10地面监测本研究使用地面观测的PM10质量浓度作为气溶胶浓度指标，数据来自中国国家环保部空气质量监测网络(http://www.pm25.in/)，中国台湾中央气象局(http://www.cwb.gov.tw/V7/index.htm)和韩国环境部(https://www.me.go.kr/home/web/main.do)，时间分辨率为1 h。数据均为气溶胶颗粒样品烘干后测量，由此与AOD产生的差异由AOD的湿度订正弥补。
1.2.2 AOD数据AOD来自于NASA发布的Aqua-MODIS每日气溶胶产品(MYD04_3K，https://ladsweb.nascom.nasa.gov/search/)。数据来自该产品的“Optical_Depth_Land_and_Ocean”数据集，空间分辨率为3 km，时间分辨率为24 h，卫星过境时间为每天北京时间13:30。与地基监测站资料的对比发现其陆上的期望误差约为±0.05±0.25，海上的期望误差为±0.03±0.05[20]。AOD在由卫星信号转换为数据的过程中已通过质量控制，不可靠的数据已被排除，因此本研究不再进行质量控制。
1.2.3 消光系数和相对湿度剖面消光系数和相对湿度剖面来自CALIPSO卫星“CAL_LID_L2_05 km APro-Prov-V3-30”数据产品。由NASA大气科学数据中心(Atmospheric Science Data Center，https://www-calipso.larc.nasa.gov/search/index.php)提供。消光系数和相对湿度剖面分别来自该产品的“Extinction_Coefficient_532”和“Relative_Humidity”数据集。该产品空间分辨率同一为水平5 km，垂直60 m(垂直覆盖范围约为30 km)。CALIPSO与Aqua同属于“A-Train”卫星阵列，两颗卫星运行轨道相同，过境时间相差1分15秒，故两颗卫星的数据有极高的时空一致性。本研究引入了相同数据产品中的“CAD_Score”和“Extinction_QC_Flag_532”数据集，用于消光系数和相对湿度剖面数据的质量控制。质量控制的方法与之前的研究相同[21-22]。
1.2.4 气象数据计算干沉降速率使用的气象数据为海表气温、海表水温、水平风速和相对湿度，来自NCEP再分析资料。其中海表气温、水平风速和相对湿度数据的参考高度为1 008 hPa大气压(sigma = 0.995)，空间分辨率为2.5°(https://www.esrl.noaa.gov/psd/data/gridded/data.ncep.reanalysis.surface.html)，海表水温水平分辨率为0.25°(https://www.esrl.noaa.gov/psd/data/gridded/data.noaa.oisst.v2.highres.html)。四套数据时间分辨率为24 h。
1.3 数据处理 1.3.1 PM10监测和卫星数据的时空匹配本研究选择每天13:00~14:00平均PM10质量浓度监测数据，与13:30过境的Aqua和CALIPSO卫星遥感资料在时间上一致。为实现Aqua和CALIPSO卫星数据的空间匹配，将两套数据插值到0.1°×0.1°网格。选择城市数据时，取该城市所有PM10监测站所属网格的卫星数据平均值作为该城市的数据，以实现卫星资料与地面观测资料的空间匹配。
对于CALIPSO卫星数据，考虑到激光雷达覆盖范围狭窄，本研究以CALIPSO轨道为中轴，将消光系数和相对湿度剖面在纬向向东、西各拓延5°，之后插值到0.1°×0.1°网格。
1.3.2 AOD订正本研究自行建立了一套使用消光系数和相对湿度剖面订正AOD的方法。AOD的订正包括：(1)用消光系数剖面订正AOD，使AOD可以表征地表气溶胶浓度；(2)利用相对湿度剖面订正AOD，使AOD可以表征干气溶胶颗粒浓度。由于CALIPSO数据产品垂向分辨率为60 m，本研究以60 m为订正AOD的单位高度，称为“高度层”。订正过程中用到的计算公式如下：
| $ \tau (i) = {\tau _{total}} \times \frac{{\alpha (i)}}{{{\alpha _{total}}}}, $ | (1) |
| $ {\tau ^\prime }(i) = \tau (i) \times {[1 - RH(i)]^{0.55}}, $ | (2) |
| $ {\tau _f} = \sum\limits_{i = 1}^n {\tau ^\prime }(i) {\rm{。}} $ | (3) |
其中：αtotal和α(i)分别表示当前网格的总消光系数和第i高度层的消光系数；τ(i)表示当前网格第i高度层的AOD；τtotal表示当前位置的总AOD(AOD数据产品中的数值)；RH表示当前位置第i高度层的相对湿度；n表示订正过程使用的高度层数量。式(1)实现了第i层的消光系数订正，式(2)实现了第i层的相对湿度订正(订正算法来自之前的研究[13])。式(3)将订正高度内每层订正后的AOD叠加，得到最终订正后的Revised-AOD(τf)。
为了选取能达到最佳订正效果的订正层数n，使n取1~200之间的整数对AOD进行订正得到Revised-AOD，与PM10质量浓度进行线性回归，比较不同n值条件下二者的相关系数与反演误差，选择相关系数尽可能大且反演误差尽可能大且反演误差尽可能小的情况所确定的n值。
1.4 气溶胶浓度反演模型的建立和验证为在中国近海反演气溶胶浓度，本研究建立了一套近海气溶胶反演方法。对中国沿海30个城市分别使用1.3节方法订正AOD，得到2014年3月—2015年2月每天Revised-AOD，并与该城市PM10质量浓度监测值进行线性回归，获得相关关系后利用这些关系反演各个城市2015年3—5月的PM10质量浓度并与检测结果比较，计算反演误差。然后以线性相关关系的相关系数大于0.5，置信水平高于99.9%，反演误差小于50%为标准进行筛选。按照地理位置，将通过筛选的城市分为渤海/黄海/东海/南海4个组，每组(多个城市)Revised-AOD和PM10浓度再次进行线性回归，得到线性拟合关系式，作为该海域的气溶胶反演模型。
为验证该反演模型在海上反演的气溶胶浓度的准确度，本文选择了9个中国台湾和韩国城市，利用建立的气溶胶浓度反演模型反演这些城市2014年3月—2015年2月每天气溶胶浓度，与这些城市的PM10质量浓度监测值对比，以评价模型反演结果的可靠性。特选择海上岛屿城市和中国近海另一侧海岸城市的数据进行验证，以便更能说明该气溶胶反演模型在海上反演气溶胶浓度的准确度。
本研究中，PM10浓度被用来表征海表气溶胶的总浓度，这种近似会在一定程度低估海洋低层大气中的气溶胶浓度。
1.5 气溶胶干沉降通量的计算大气颗粒物在自然水体表面的干沉降通量的算法如下：
| $ f = {v_{dz}}({c_z} - {c_0}){\rm{。}} $ | (4) |
式中：vdz为z高度处的干沉降速率；cz和c0分别表示大气颗粒物在z高度处和水面的浓度。对于气溶胶颗粒，水面是一个完全的汇，因此c0=0，干沉降通量则可用干沉降速率与水面高度处的气溶胶浓度乘积来计算[23]。
本研究中干沉降速率的计算使用了Williams提出的大气颗粒物在自然水体表面干沉降模型[23]。该模型使用相对湿度、风速、气温和水温为输入参数，输出干沉降速率。本研究使用NCEP再分析资料获取上述4个参数，计算了中国近海气溶胶干沉降速率，进而结合气溶胶反演浓度计算了中国近海的气溶胶干沉降通量。
2 结果和讨论 2.1 中国近海AOD和PM10时空变化中国近海AOD的时空分布如图 2。从图中可见中国近海AOD的空间差异较为显著，近岸海域的AOD明显高于开阔海域，尤其以京津冀沿岸、江苏省沿岸和长江三角洲沿岸海域AOD值较高。4个不同海区中，渤海、黄海海域的AOD浓度远大于东海和南海。此外，AOD还表现出春季较高，夏季和冬季次之，秋季最低的季节变化特征。
|
图 2 中国近海四季AOD空间分布 Fig. 2 Spatial distribution of AOD over coastal seas of China in spring (a), summer (b), autumn (c) and winter (d) |
Revised-AOD的时空分布如图 3。从订正前后AOD的对比可以看出，最明显的变化是AOD数值的整体减小；渤海和黄海的AOD高值有了幅度较大的降低，夏季尤其明显。而近岸海域气溶胶浓度高于开阔海域的特征没有改变。
|
图 3 中国近海四季Revised-AOD空间分布 Fig. 3 Spatial distribution of revised-AOD over coastal seas of China in spring (a), summer (b), autumn (c) and winter (d) |
4个海区沿海城市PM10质量浓度月变化如图 4。可以看出，PM10质量浓度的时空分布特征与AOD相似。空间变化上，渤海、黄海、东海和南海的PM10浓度逐渐降低，尤其在供暖造成大气污染的冬季和沙尘传播事件频发的春季月份。时间变化上，4个不同海区沿海城市PM10浓度均有冬季和春季高于夏秋季的趋势。
|
图 4 中国近海4个海域沿海城市PM10浓度监测值的月变化 Fig. 4 Monthly variation of PM10 monitoring values in coastal cities of China |
对30个城市的Revised-AOD和PM10质量浓度分别进行线性回归以获得各自的相关关系。在所有城市中，有最大相关系数的城市为营口(r=0.81，p＜0.001)，而有最小相关系数的城市为日照(r=0.32，p＜0.1)；反演误差最小的城市是汕尾(相对误差为-0.25%)，最大反演误差出现在珠海(81.73%)。共有15个城市通过筛选，这些城市的位置如图 5所示。这15个城市分为4组，以组为单位再次对Revised-AOD和PM10质量浓度进行线性回归，所建立的4个海域气溶胶浓度反演模型(见表 1)。
|
(①大连，②营口，③葫芦岛，④蓬莱，⑤烟台，⑥荣成，⑦胶南，⑧连云港，⑨盐城，⑩海门，⑪舟山，⑫台州，⑬厦门，⑭汕尾，⑮三亚。①Dalian, ②Yingkou, ③Huludao, ④Penglai, ⑤Yantai, ⑥Rongcheng, ⑦Jiaonan, ⑧Lianyungang, ⑨Yancheng, ⑩Haimen, ⑪ Zhoushan, ⑫ Taizhou, ⑬ Xiamen, ⑭ Shanwei, ⑮ Sanya.) 图 5 通过筛选的城市 Fig. 5 Cities that passed the screening |
|
表 1 中国近海海表气溶胶浓度反演模型 Table 1 Aerosol concentration retrieving model for coastal seas of China |
使用该模型对2014年3月—2015年2月的近海海上气溶胶浓度进行了初步反演，结果如图 6所示。可以看出，黄海和东海的海表气溶胶反演结果存在分界，界线两侧气溶胶浓度反演值有约20~30 μg/m3的差异。该现象主要是由于在黄海和东海使用不同的公式反演气溶胶浓度，而不能反映气溶胶实际分布情况。为使反演结果更能表征气溶胶真实浓度，本研究以该分界线为中轴，划定宽度为3°(经度)的条带，条带与研究区域的交集作为“过渡区域”，该区域中的网格点上的气溶胶浓度值取黄海和东海气溶胶反演公式反演的两个气溶胶浓度值的加权平均值，权重为该网格点到条带黄海侧和东海侧的相对距离的倒数，由此给过渡区域内的气溶胶空间分布带来平滑效果。
|
图 6 中国近海四季气溶胶浓度初步反演结果 Fig. 6 First result of aerosol mass concentration retrievals over coastal seas of China in spring (a), summer (b), autumn (c) and winter (d) |
为确定过渡区域的最佳宽度，分界线两侧气溶胶浓度的差值随过渡区域宽度的变化如图 7所示。能够看出加入过渡区域平滑处理减小了分界线两侧的气溶胶浓度差异，且减小的程度随过渡区域宽度增加而增加。然而当过渡区域宽度超过3°(经度)时平滑效果不再显著增大，因此本研究最终选定3°(经度)为过度区域宽度。
|
图 7 分界线两侧气溶胶浓度差异随过渡区域宽度的变化 Fig. 7 Variation of the difference of aerosol concentrations on each side of the separation line |
本研究使用9个中国台湾和韩国城市的PM10质量浓度监测值对所建立的气溶胶反演模型的反演结果进行了验证，结果如图 8所示。在PM10反演值和实测值之间使用线性回归建立线性拟合关系，以评价模型反演气溶胶的准确度，拟合结果如图中红色实线所示；蓝色虚线表示反演值与实测值趋势相同的理想情况。验证结果表明该模型的反演PM10浓度的平均值较实际值约高出61%。由于中国近海尚无使用台湾和别国城市气溶胶监测结果验证气溶胶反演模型的案例，因此无法通过比较评价此误差的大小。
|
图 8 中国台湾和韩国城市PM10反演值与实测值的比较 Fig. 8 Comparison of PM10 monitoring and retrieving values over cities in Taiwan, China and Korea |
使用该模型对2014年3月—2015年2月共12个月的中国近海PM10质量浓度进行了反演，以表征气溶胶浓度及其变化情况，反演结果如图 9所示。中国近海2014年3月—2015年2月平均气溶胶浓度为38.15 μg/m3，春季(2014年3—5月)、夏季(2014年6—8月)、秋季(2014年9—11月)和冬季(2014年12月—2015年2月)4个季节平均气溶胶浓度分别为38.82，37.92，37.11和38.99 μg/m3，渤海、黄海、东海和南海年平均气溶胶浓度分别为73.79、60.67、42.81和29.59 μg/m3。
|
图 9 中国近海四季气溶胶浓度最终反演结果 Fig. 9 Final result of aerosol mass concentration retrievals over coastal seas of China in spring (a), summer (b), autumn (c) and winter (d) |
从中国近海气溶胶浓度反演结果空间能够看出三个特征：(1)海上的气溶胶浓度表现出北部海域高于南部海域的趋势，渤海区域的年平均气溶胶浓度比南海高约149%；(2)沿岸海域气溶胶浓度高于远海海域，二者相差约32.3%；(3)时间变化上，夏秋两季气溶胶浓度较低，而冬春两季较高，2014年12月—2015年5月的平均气溶胶浓度比2014年6—11月高约3.7%。利用2014—2015作为研究时段，本研究提出了反演中国近海气溶胶浓度的方法，可以定量描述海洋上空气溶胶的时空分布特征。
2.3 中国近海气溶胶干沉降通量中国近海气溶胶干沉降通量估算结果如图 10所示。2014年3月—2015年2月，中国近海气溶胶干沉降通量年平均值约为0.028 g·m-2·d-1。渤海、黄海、东海和南海气溶胶干沉降通量年平均值分别为0.054、0.042、0.032和0.021 g·m-2·d-1。春夏秋冬4个季节(时段划分与2.2节相同)气溶胶干沉降通量平均值分别为0.028、0.025、0.028和0.031 g·m-2·d-1。渤海年均气溶胶干沉降通量比南海高166%，近岸海域高于开阔海域19.6%，冬季春季比夏季秋季高16.1%。
|
图 10 中国近四季海气溶胶干沉降通量的空间分布 Fig. 10 Spatial distribution of aerosol dry deposition flux over coastal seas of China in spring (a), summer (b), autumn (c) and winter (d) |
为验证计算结果的准确性，其他研究提供的气溶胶干沉降通量被用来与本研究比较。闫涵等使用2002年春季航测数据指出黄海地区粒径小于11 μm的大气颗粒物(PM11)的干沉降通量在沙尘条件下为31.70~58.59 mg·m-2·d-1，在非沙尘条件下为8.33~15.94 mg·m-2·d-1[24]，其平均值与本研究PM10干沉降通量平均值差异约为2.3%。Qi等在黄海进行了气溶胶干沉降研究，指出2005年7月—2006年3月黄海气溶胶颗粒物干沉降通量为164.2~1970.8 mg·m-2·month-1(0.005~0.066 g·m-2·d-1)[25]，本研究估算结果也在此范围内，误差可能主要由气溶胶颗粒物与PM10的概念和采样方法的差异引起。通过这些比较可以看出，本研究PM10干沉降通量估算结果较准确。
2.4 方法分析本研究中，未订正的AOD与PM10质量浓度之间的线性关系有0.37的相关系数。这一数值低于美国几个城市AOD与PM2.5质量浓度线性回归取得的平均0.50的相关系数[7]和全球城市获得的0.46的相关系数[8]，但高于国内城市[26]，因此这种差异可能与各地不同的气溶胶采样监测方法有关。订正后Revised-AOD与PM10质量浓度取得了相关系数为0.49的线性关系，相关系数有0.12的提升，证明该订正AOD方法效果较好。且由于使用消光系数和相对湿度剖面进行订正，效果较之前仅仅使用经验性的“气溶胶标高”和地表相对湿度订正AOD有所提升[27]。
气溶胶反演过程中可能引入的误差如下：
(1) 用PM10质量浓度代表气溶胶浓度。常规监测中PM10质量浓度这一指标是最接近总的大气颗粒物浓度的数字，因而能获得足量数据支持计算。但此过程将粒径大于10 μm的大气颗粒物排除在研究之外，势必造成气溶胶浓度的低估。因此，这种反演计算得到的结果包含了由PM10代指气溶胶而产生的负向偏差。
(2) 纬向扩展激光雷达数据。为了获得尽可能多的Revised-AOD，本研究将CALIPSO消光系数剖面和相对湿度剖面在纬向扩展了10个经度(东、西各5°)。由于无法获知扩展范围内实际的消光系数和相对湿度结构，这种“以线代面”的做法引入的误差大小无法估计。
(3) 在沿海城市把AOD-PM10相关关系直接用于近海，这一过程没有针对陆地和海上的差异进行修正。根据Koelemeijer等的研究，在陆地城市，人类生产和生活排放的气溶胶占多数；而在海上海盐气溶胶和飞沫产生的气溶胶占主流[11]。这两种气溶胶的光学性质可能存在差异，因此在陆地城市建立的气溶胶反演模型用于近海可能带来偏差。
3 结语本研究实现了中国近海气溶胶浓度的卫星数据反演，提出了使用消光系数和相对湿度垂向剖面订正AOD，并使用订正后的AOD反演低层大气气溶胶浓度的方法。AOD来自Aqua卫星MODIS光谱成像仪，消光系数和相对湿度剖面来自CALIPSO卫星。使用沿海城市气溶胶浓度监测值作为基准，拟合了AOD和气溶胶浓度监测值之间的线性相关关系，建立了中国近海气溶胶浓度的反演模型。模型的验证表明，反演结果约有61%的高估。由于该方法打破了气溶胶采样监测的限制，因而有更加广泛的使用范围。中国近海2014年3月—2015年2月平均气溶胶浓度为38.15 g/m3，表现出北部海域高于南部海域(渤海比南海高约149%)，沿岸海域高于远海(约32.3%)，冬春季节高于夏秋季节(约3.7%)的特征。根据气溶胶浓度反演结果计算了气溶胶干沉降通量，全年平均值为0.028 g·m-2·d-1，且同样表现出北部高于南部、冬春季高于夏秋季的趋势。
本研究方法一方面可拓展应用到其它年份，从而可以反演我国海洋气溶胶浓度的长期历史数据，对进一步剖析我国近海过去气溶胶变化特征及气溶胶对海洋的影响提供强有力的数据。同时，本研究方法可应用到其它海域，甚至应用到全球范围，从而为了分析全球海洋气溶胶的特征提供有力工具。
| [1] |
Duce R, Liss P, Merrill J, et al. The atmospheric input of trace species to the world ocean[J]. Global Biogeochemical Cycles, 1991, 5(3): 193-259. DOI:10.1029/91GB01778
(  0) |
| [2] |
文彬, 孔少飞, 银燕, 等. 秋季南通近海大气气溶胶水溶性离子粒径分布特征[J]. 中国环境科学, 2014, 34(1): 49-57. Wen B, Kong S F, Yin Y, et al. Size distribution of water-soluble ions in aerosol from an offshore site of Nantong in autumn[J]. China Environmental Science, 2014, 34(1): 49-57. ( 0) |
| [3] |
Jickells T, An Z, Andersen K K, et al. Global iron connections between desert dust, ocean biogeochemistry and climate[J]. Science, 2005, 308(5718): 67-71. DOI:10.1126/science.1105959
( 0) |
| [4] |
Jickells T. Nutrient biogeochemistry of the coastal zone[J]. Science, 1998, 281(5374): 217-222. DOI:10.1126/science.281.5374.217
( 0) |
| [5] |
Paerl H W, Whitall D R. Anthropogenically-derived atmospheric nitrogen deposition, marine eutrophication and harmful algal bloom expansion[J]. Ambio, 1999, 28(4): 307-311.
( 0) |
| [6] |
Hoff R M, Christopher S A. Remote sensing of particulate pollution from space: have we reached the promised land?[J]. Journal of the Air & Waste Management Association, 2009, 59(6): 645-675.
( 0) |
| [7] |
Engel-Cox J A, Holloman C H, Coutant B W, et al. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J]. Atmospheric Environment, 2004, 38(16): 2495-2509. DOI:10.1016/j.atmosenv.2004.01.039
( 0) |
| [8] |
Gupta P, Christopher S A, Wang J, et al. Satellite remote sensing of particulate matter and air quality assessment over global cities[J]. Atmospheric Environment, 2006, 40(30): 5880-5892. DOI:10.1016/j.atmosenv.2006.03.016
( 0) |
| [9] |
Hutchison K D, Faruqui S J, Smith S. Improving correlations between MODIS aerosol optical thickness and ground-based PM 2. 5 observations through 3D spatial analyses[J]. Atmospheric Environment, 2008, 42(3): 530-543. DOI:10.1016/j.atmosenv.2007.09.050
( 0) |
| [10] |
Wang J, Christopher S A. Intercomparison between satellite-derived aerosol optical thickness and PM2. 5 mass: Implications for air quality studies[J]. Geophysical Research Letters, 2003, 30(241): 267-283.
( 0) |
| [11] |
Koelemeijer R, Homan C, Matthijsen J. Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe[J]. Atmospheric Environment, 2006, 40(27): 5304-5315. DOI:10.1016/j.atmosenv.2006.04.044
( 0) |
| [12] |
Yahi H, Santer R, Weill A, et al. Exploratory study for estimating atmospheric low level particle pollution based on vertical integrated optical measurements[J]. Atmospheric Environment, 2011, 45(23): 3891-3902. DOI:10.1016/j.atmosenv.2010.11.047
( 0) |
| [13] |
Boyouk N, Léon J F, Delbarre H, et al. Impact of the mixing boundary layer on the relationship between PM2. 5 and aerosol optical thickness[J]. Atmospheric Environment, 2010, 44(2): 271-277. DOI:10.1016/j.atmosenv.2009.06.053
( 0) |
| [14] |
Engel-Cox J A, Hoff R M, Rogers R, et al. Integrating lidar and satellite optical depth with ambient monitoring for 3-dimensional particulate characterization[J]. Atmospheric Environment, 2006, 40(40): 8056-8067. DOI:10.1016/j.atmosenv.2006.02.039
( 0) |
| [15] |
Omar A H, Winker D M, Vaughan M A, et al. The CALIPSO automated aerosol classification and lidar ratio selection algorithm[J]. Journal of Atmospheric and Oceanic Technology, 2009, 26(10): 1994-2014. DOI:10.1175/2009JTECHA1231.1
( 0) |
| [16] |
Chiang C W, Das S K, Shih Y F, et al. Comparison of CALIPSO and ground-based lidar profiles over Chung-Li, Taiwan[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2011, 112(2): 197-203. DOI:10.1016/j.jqsrt.2010.05.002
( 0) |
| [17] |
Kim S W, Berthier S, Raut J C, et al. Validation of aerosol and cloud layer structures from the space-borne lidar CALIOP using a ground-based lidar in Seoul, Korea[J]. Atmospheric Chemistry and Physics, 2008, 8(13): 3705-3720. DOI:10.5194/acp-8-3705-2008
( 0) |
| [18] |
赵崴, 唐军武, 高飞, 等. 黄海、东海上空春季气溶胶光学特性观测分析[J]. 海洋学报, 2005, 27(2): 46-53. Zhao W, Tang J W, Gao F, et al. Measurement and study of aerosol optical properties over the Huanghai Sea and the East China Sea in the spring[J]. Acta Oceanologica Sinica, 2005, 27(2): 46-53. ( 0) |
| [19] |
麻金继, 乔延利, 杨世植, 等. 利用MODIS图像反演中国近海海域的气溶胶光学特性[J]. 光学学报, 2009, 29(8): 2039-2045. Ma J J, Qiao Y L, Yang S Z, et al. Using MODIS image to retrieve aerosol optical characteristic over coast of China[J]. Acta Optica Sinica, 2009, 29(8): 2039-2045. ( 0) |
| [20] |
Remer L A, Mattoo S, Levy R C, et al. MODIS 3 km aerosol product: algorithm and global perspective[J]. Atmospheric Measurement Techniques, 2013, 6(6): 69-112.
( 0) |
| [21] |
Winker D, Tackett J, Getzewich B, et al. The global 3-D distribution of tropospheric aerosols as characterized by CALIOP[J]. Atmospheric Chemistry and Physics, 2013, 13(6): 3345-3361. DOI:10.5194/acp-13-3345-2013
( 0) |
| [22] |
Amiridis V, Wandinger U, Marinou E, et al. Optimizing CALIPSO Saharan dust retrievals[J]. Atmospheric Chemistry and Physics, 2013, 13(23): 12089-12106. DOI:10.5194/acp-13-12089-2013
( 0) |
| [23] |
Williams R M. A model for the dry deposition of particles to natural water surfaces[J]. Atmospheric Environment (1967), 1982, 16(8): 1933-1938. DOI:10.1016/0004-6981(82)90464-4
( 0) |
| [24] |
闫涵, 高会旺, 姚小红, 等. 沙尘传输路径上气溶胶浓度与干沉降通量的粒径分布特征[J]. 气候与环境研究, 2012, 17(2): 205-214. Yan H, Gao H W, Yao X H, et al. Size-dependent mass and dry deposition fluxes of atmospheric aerosols along dust transport routes[J]. Climatic and Environmental Research, 2012, 17(2): 205-214. DOI:10.3878/j.issn.1006-9585.2011.10076 ( 0) |
| [25] |
Qi J H, Shi J H, Gao H W, et al. Atmospheric dry and wet deposition of nitrogen species and its implication for primary productivity in coastal region of the Yellow Sea, China[J]. Atmospheric Environment, 2013, 81(2): 600-608.
( 0) |
| [26] |
王中挺, 陈良富, 张莹, 等. 利用MODIS数据监测北京地区气溶胶[J]. 遥感技术与应用, 2008, 23(3): 284-288. Wang Z T, Chen L F, Zhang Y, et al. Urban surface aerosol monitoring using DDV method from MODIS data[J]. Remote Sensing Technology and Application, 2008, 23(3): 284-288. DOI:10.11873/j.issn.1004-0323.2008.3.284 ( 0) |
| [27] |
陶金花, 张美根, 陈良富, 等. 一种基于卫星遥感AOT估算近地面颗粒物的方法[J]. 中国科学:地球科学, 2013, 43(1): 143-154. Tao J H, Zhang M G, Chen L F, et al. Method to estimate concentration of surface-level particulate matter from satellite-based aerosol optical thickness[J]. Science China: Earth Sciences, 2013, 43(1): 143-154. ( 0) |
2. NBC Defense Institute of Land Army, Beijing 102205, China