共查询到20条相似文献,搜索用时 125 毫秒
1.
文章基于PM2.5遥感反演数据和人口格网分布数据,构建人口暴露风险指数模型,采用Theil-Sen Median与Mann Kendall检验法,识别2000-2020年间黄河流域PM2.5质量浓度值和人口暴露风险指数时间演化特征,通过空间探索工具,刻画其空间变化特征。研究结果表明:(1)PM2.5质量浓度平均值为46.53μg/m3,研究期内呈现出“快速增长—波动变化—持续下降”的态势。PM2.5污染不同等级面积比例变化明显,总体呈现出高浓度区域减少、低浓度区域增加的态势。(2)PM2.5年均质量浓度空间上东高西低。历年PM2.5年均质量浓度空间局部自相关显著。低值区域主要分布在青海、甘肃、宁夏、内蒙古等省份。高值区域集中分布在山西南部、陕西关中地区、河南中部、山东北部区域。(3)除2000年和2020年外,研究时段内均有90%以上人口暴露于PM2.5年均质量浓度35μg/m3限值以上,且... 相似文献
2.
乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ(PM2.5)、ρ(PM10)监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM2.5、PM10的时空分布特征.结果表明:ρ(PM2.5)从2015年(66.60 μg/m3)到2016年(76.93 μg/m3)呈上升趋势,在2016—2018年呈单一下降趋势;ρ(PM10)从2015年(132.74 μg/m3)到2016年(125.93 μg/m3)呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ(PM2.5)、ρ(PM10)平均值比城市中心(商业区、居民区)分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ(PM2.5)、ρ(PM10)均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ(PM2.5)/ρ(PM10)呈先增后降的趋势,冬季以PM2.5污染为主,其他季节以PM10污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系. 相似文献
3.
PM2.5时空分异特征认知对大气污染联防联控意义重大,本文从空间多尺度的视角出发,利用空间模式分析方法与地理探测器,对2011~2017年中国大陆地区PM2.5年均浓度时空分布格局及成因进行探究,从而揭示PM2.5多尺度时空分异特征.结果表明:①2011~2017年PM2.5年均浓度相对稳定,无明显趋势,国家与区域尺度PM2.5变化特征基本一致,呈现"W"型变化,整体上看,污染程度由高到低依次为:中部、东部、西部与东北.②由空间模式分析结果可知,高值聚集区主要位于中国的东部、中部以及新疆的西南地区,低值聚集区则集中在青藏、云贵高原以及大兴安岭地区.③地理探测器分析结果证实:城市化因素中人口密度是国家与区域尺度上PM2.5时空分异的主导因素,同时,产业、能耗与交通因素对PM2.5分布格局存在不同程度影响.在区域尺度上,除了人口密度因素之外,工业用电量与公车总量对中部地区PM2.5年均浓度影响较大,东部地区是工业烟粉尘排放量与道路面积,东北地区则为第二产业产值占比与城市绿地率,社会经济因素对西部地区的PM2.5年均浓度影响不显著. 相似文献
4.
以长沙市主城区为例,在203个地面点通过加密观测并获取PM2.5浓度小时观测值,辅以同步常规稀疏国控点PM2.5浓度观测数据,在点、面尺度对比分析加密、稀疏两种观测模式下城市微环境PM2.5浓度空间分布的特征差异.结果表明:地面加密观测模式下PM2.5浓度高值区主要集中在道路、地表扬尘、住宅小区、医院和工业园等人群、车辆活动的微环境场景;低值区主要出现在公园景区等高植被覆盖度区域.同一空间点位,地面加密观测PM2.5浓度值均高于常规稀疏国控点PM2.5浓度观测值,平均高出29.71μg/m3.反距离权重空间插值制图揭示地面加密观测模式下的PM2.5浓度呈现明显的西北部高(>75μg/m3)、中部和南部居中(65~75μg/m3)、东部低(<55μg/m3)的三级阶梯式异质特征,剖面分析各向波动较大.相比,稀疏国控观测模式空间分布图仅能反映主城区PM2.5浓度整体较低(<55μg/m3)、除北-南向之外各向剖面PM2.5浓度相对无明显变化的格局.与此同时,稀疏国控观测模式在地面加密观测点估算的PM2.5浓度同样显著低于实际观测值,所揭示的研究区高值PM2.5浓度微环境为道路、地表扬尘、汽车站.研究结果证实,出于环境保护目标建立的空气质量国控监测点难以精确反映同点位近地面PM2.5浓度,所识别的城市高低PM2.5浓度值微环境与真实情景存在偏差,空气质量越优等级下偏差越大. 相似文献
5.
珠三角区域PM2.5时空变异特征 总被引:3,自引:0,他引:3
珠三角区域PM2.5污染严重,以 2012年9月─2013年8月62个大气监测站的PM2.5联网数据为基础,采用地统计学方法定性、定量分析了该区域ρ(PM2.5)的时空变异特征. 定性分析结果表明,基底效应在0.12~0.30之间,相应ρ(PM2.5)变异属于以结构性变异为主的Ⅰ、Ⅱ类,对应的空间自相关程度为强、较强,说明珠三角区域的ρ(PM2.5)分布差异主要由区域结构所致. 定量分析结果表明:①空间自相关距离受气象因素影响,随方向和时间在51~85 km之间变化,东西方向的影响距离(75~85 km)最大. ②ρ(PM2.5)在南北方向的变异幅度指数(0.34~0.70)和变异速度指数〔0.14~0.38 μg/(m3·km)〕在各方向中均为最大;而东北─西南方向的2个指标则均为最小,其中变异幅度指数为0.25~0.42,变异速度指数在0.13~0.34 μg/(m3·km)之间,即南北方向的ρ(PM2.5)变化大于其他方向.③综合异质指数介于0.14~0.54之间,说明ρ(PM2.5)总体保持在中等异质水平. 鉴于珠三角区域ρ(PM2.5)的空间变异特征,在进行监测站布设时,矩形网格相较于方形网格更适合于对该区域地理空间进行划分,其中网格的长为东西方向平均空间自相关距离(78 km)的2倍,宽为南北方向平均空间自相关距离(56 km)的2倍. 相似文献
6.
PM2.5和PM10浓度超标引发的空气质量问题严重影响公众健康,研究PM2.5和PM10浓度对制定有效的污染防控和治理措施具有重要意义.运用时空分析法,分析2018年季度PM2.5和PM10浓度时空分布,并用GWR探究浓度差异的原因.结果表明:(1)PM2.5和PM10的浓度均呈冬春高、夏秋低的季节性规律;四季污染物浓度在胡焕庸线两侧存在显著差异,该线以东地区高浓度聚集在京津冀地区,该线以西地区高浓度聚集在新疆中南部.(2)PM2.5和PM10浓度的Moran’s I在四季均为正,且均在冬季增至最大值;PM2.5和PM10的分布格局基本一致,“高-高”类和“低-低”类集中分布现象明显.(3)各因素对PM2.5和PM10浓度的影响存在较大空间异质性.温度和坡度对PM2.5 相似文献
7.
为探讨冬季珠江三角洲(下称珠三角)区域污染物的空间传输延迟性及其与气象、地理的关联性,利用2014年12月1日-2015年1月9日天气图、珠三角区域4个典型城市——韶关、广州、深圳、香港的地面气象数据及ρ(PM2.5),采用时间序列、相关性分析等方法,分析了2014年冬季各城市大气ρ(PM2.5)变化关联特征以及受天气过程的影响.结果表明:在研究时段内,受11次冷空气南下和3次西南暖湿气流控制的典型天气过程影响,4个典型城市的ρ(PM2.5)小时均值、日均值的时间序列变化趋势具有一致性,并且4个城市间的ρ(PM2.5)相关性均呈现深圳与香港>广州与深圳>韶关与广州的现象.在冷空气南下的典型天气过程中,4个城市ρ(PM2.5)小时均值存在显著相关,其中,韶关与广州的相关系数为0.84,广州与深圳的相关系数为0.80,深圳与香港的相关系数为0.92;4个城市间ρ(PM2.5)变化存在一定的滞后现象,其中,广州较韶关延迟4 h,深圳较广州延迟3 h,香港较深圳延迟1 h;而在西南暖湿气流控制的典型天气过程中,4个城市间ρ(PM2.5)变化的关联特征不明显.研究显示,冬季珠三角区域污染物在典型冷空气南下过程中存在较明显的空间传输延迟特征,并且各典型城市间浓度变化相关性较显著. 相似文献
8.
为分析京津冀及其周边区域2013年典型污染事件中PM2.5的时空分布特征及污染风险因素,根据国家城市环境空气质量实时发布数据和京津冀地区地理国情信息监测成果,采用空间数据挖掘方法对PM2.5污染的热点区域进行了划分;并采用地理探测器定量分析了PM2.5污染风险因子及其影响程度. 结果表明:在选取的京津冀6个城市中,在PM2.5污染事件统计上存在保定—廊坊—北京—天津—承德—张家口的污染顺序. PM2.5污染在空间上呈河南省(山东省)—河北省—北京市(天津市)一线的带状分布特征,在单次污染事件中,城市间的PM2.5污染存在空间运移关系. 空间热点探测表明,京津冀及其周边区域主要分为5个热点聚集区,其中3个高值区分布在北京市、天津市、河北省和山东省的中部,面积分别为5.31×104、10.26×104、5.04×104 km2. 在8个污染风险因子中,污染企业总数(影响力为0.97,下同)、降水量(0.93)、地形坡度(0.89)对PM2.5污染的影响显著高于其他风险因子;其他风险因子影响力排序依次为人口数量(0.60)、降水量大于0.1 mm的降水日数(0.57)、地表覆盖类型(0.52)、年均相对湿度(0.51)、年均风速(0.33),但风险因子间相比没有显著性差异. 研究显示,京津冀地区PM2.5污染的主要因素是污染物排放,其次,气象要素中的年降水量和自然地理环境中的地形坡度也是影响PM2.5污染特征的重要风险因子. 相似文献
9.
为了研究焦作市大气中PM2.5和PM10污染状况,基于2018—2020年焦作市50个环境空气质量监测站点的PM2.5和PM10浓度逐时观测资料,结合气象资料,分析了焦作市PM2.5和PM10浓度的时空分布特征及气象因素影响。结果表明:1)焦作市PM2.5和PM10呈双峰型日变化,且具有显著的U形逐月变化规律及冬高夏低、春秋居中的季节性特征。2)2018—2020年PM2.5和PM10浓度年均值呈西南高东北低的空间差异性特征。与2018年相比,2020年修武县PM2.5和PM10浓度的下降幅度最大,分别为30.25%、22.72%。3) Spearman相关性分析表明,PM2.5和PM10浓度与气温、风速呈显著负相关;与气压呈显著正相关;相对湿度与PM2.5浓度呈显著正相关,与PM10浓度呈显著负相关。焦作市环保局监测站在东北风、西南风风向PM2.5和PM10浓度污染较重,博爱县清化镇、沁阳市西万镇和武陟县乔庙乡监测站在西南风风向易出现高浓度颗粒物。该研究结果可为日后工业地区大气污染防治,生产生活的合理规划与布局提供重要参考。 相似文献
10.
目前有关中国新疆地区PM2.5化学组分特征及其来源的研究较少,为深入了解新疆典型城市PM2.5的化学组分特征与来源构成,该研究于2016年4个季节代表月份在阜康市5个点位采集PM2.5样品,分析了PM2.5质量浓度及主要化学组分(包括水溶性离子、碳组分和无机元素)。分析结果显示,阜康市PM2.5年均浓度达140.77μg/m3,超标较为严重。各组分浓度由高至低依次是SO42->NH4+>NO3->元素总和>OC>Cl->EC>Na+>K+>F->Ca2+>Mg2+,其中SO42-浓度显著高... 相似文献
11.
随着工业化与城镇化的深入推进,成渝城市群的PM2.5污染不断加剧,呈明显的区域性与复合性特征.该研究以2015—2017年成渝城市群空气质量监测站的日均ρ(PM2.5)数据为基础,结合区域气象、遥感与统计年鉴等多源数据,采用反距离插值法分析了ρ(PM2.5)的时空分布差异,采用Moran's I指数与LISA指数探索了ρ(PM2.5)的全局和局部空间自相关性,并利用空间回归模型研究了自然、经济社会等因素对ρ(PM2.5)的影响.结果表明:①成渝城市群ρ(PM2.5)分布存在明显的时空差异.时间上,2015年PM2.5污染最严重,ρ(PM2.5)年均值为54.38 μg/m3,2016年、2017年PM2.5污染状况逐年减轻,ρ(PM2.5)年均值分别为53.68与47.56 μg/m3;空间上,成渝城市群东北部ρ(PM2.5)较低,而南部ρ(PM2.5)较高.②空间自相关分析结果表明,PM2.5污染在成渝城市群存在显著的空间聚集性,成渝城市群南部ρ(PM2.5)呈高值-高值聚集,成渝城市群北部ρ(PM2.5)则呈低值-低值聚集.③空间回归结果表明,成渝城市群范围内某一地区邻近区域的ρ(PM2.5)平均值增加1%时,该地区ρ(PM2.5)将上升至少0.38%.城镇化率对ρ(PM2.5)的影响最大,其次是第一产业增加值,再次是工业增加值占比和降水量.城镇化率、降水量与ρ(PM2.5)呈负相关,而第一产业增加值、工业增加值占比与ρ(PM2.5)呈正相关.研究显示,加快城镇化进程、减少第一产业排放、降低工业增加值占比(尤其是重污染工业)是有效解决成渝城市群PM2.5污染的重要手段. 相似文献
12.
13.
北京市PM2.5时空分布特征及其与PM10关系的时空变异特征 总被引:1,自引:0,他引:1
PM_(2.5)时空分布特征及其与其它污染物的相关关系是PM_(2.5)时空统计分析的主要研究内容.然而,现有的方法直接从监测站点的角度对时空分布特征进行分析,难以有效地揭示PM_(2.5)浓度的聚集分布特征;同时,常用的地理加权回归在对PM_(2.5)与其它污染物间关系进行建模的过程中,缺乏同时考虑时间异质性与空间异质性,从而不能准确地描述依赖关系的时空变异特征.为此,首先借助于空间聚类分析技术,对北京市2014年PM_(2.5)浓度的聚集结构进行探测,在此基础上,通过聚集结构来分析PM_(2.5)季节性时空分布特征.然后,利用地理时空加权回归对北京市PM_(2.5)与PM_(10)季节平均浓度间关系进行建模,依据回归结果分析PM_(2.5)-PM_(10)间关系的时空变异特征.实验结果表明,春夏季节PM_(2.5)污染程度及空间变异程度均低于秋冬季节,各季节PM_(2.5)浓度均表现为北部浓度低、南部浓度高的空间分布特征;地理时空加权回归具有更好的拟合效果,由回归系数进一步可发现,春夏季PM_(2.5)-PM_(10)相关性低于秋冬季PM_(2.5)-PM_(10)相关性;各季节均表现为西北部PM_(2.5)-PM_(10)的相关性高于东南部PM_(2.5)-PM_(10)的相关性. 相似文献
14.
对2013年南昌市区9个自动空气质量监测点的ρ(PM2.5)数据进行分析,探讨了PM2.5浓度水平及时空分布特征,并采用轨迹聚类、PSCF(潜在源贡献因子)、CWT(浓度权重轨迹分析)进行了大气PM2.5的来源分析.结果显示:2013年南昌市区ρ(PM2.5)年均值为69.1μg/m3,超过GB 3095-2012《环境空气质量标准》二级标准限值(35μg/m3)的97%;ρ(PM2.5)昼夜变化呈双峰型分布,峰值位于09:00-11:00和20:00-22:00;月际变化呈两边高、中间低的"V"型趋势;ρ(PM2.5)有明显的季节性变化特征,由高到低依次为冬季、春季、秋季和夏季;ρ(PM2.5)空间分布呈由东南至西北递减的分布特征.气流轨迹聚类结果表明,南昌市气流输送季节性变化特征明显,夏季来自南方或东南方向的气流比例高达65.6%,而在另外三个季节,东北和偏北方向的气流分别占62.0%(冬)、59.6%(春)、54.7%(秋),对南昌市ρ(PM2.5)影响较大;夏季南方或东南方向的气流所占比例较高,为65.6%;PM2.5的PSCF和CWT的高值主要集中在南昌本地和邻近的浙江省及福建省北部地区,但周边的河南南部、江苏中部也是南昌市PM2.5的潜在来源地. 相似文献
15.
运用统计方法研究常州市区2013~2014年6个国控点六项基本污染物(SO_2、NO_2、CO、O_3、PM_(2.5)和PM_(10))月平均浓度变化,结果表明,除O_3外,其它五项污染物月平均浓度夏季较低冬季较高.颗粒物与风速之间的关系为PM_(2.5)浓度随风速的升高一直降低,PM_(10)随风速的升高浓度先降低后升高.采用快速聚类分析(k-means)并运用SWV和DIV指数对六项基本污染物进行分类,得到4个样本分类.与依据颗粒物化学成分或粒径谱对PM进行源解析方法不同,本研究更多是从PM_(2.5)与其它污染物相关关系以及污染程度等角度按照欧式距离进行分类.不同类中PM_(2.5)来源明显不同,类1中PM_(2.5)与化石燃料燃烧排放密切相关,类2与O_3密切相关,类3与城市不完全燃烧排放、区域灰霾污染密切相关,类4可以归类于城市"背景"类.快速聚类分析结果也表明常州市区PM_(2.5)有着复杂的来源. 相似文献
16.
海陆风环流对沿海和内陆城市的大气污染物浓度有重要作用,基于风廓线雷达数据、大气PM2.5和O3质量浓度数据等分析了上海及周边地区海陆风局地环流的特征及其对区域大气污染物PM2.5和O3浓度变化的影响.研究结果表明:该区一年四季均会发生海陆风,海陆风发生的年平均日数为37.8 d.海陆风频率和强度在滨海高于内陆.海风持续时间在滨海大于内陆,而陆风持续时间滨海小于内陆.夏季的海风强度最强,其内陆地区风速和强度均小于沿海地区.海陆风导致该区的PM2.5浓度降低和沿海地区O3浓度升高.风向风速对污染物PM2.5和O3的影响在滨海地区比内陆地区更加显著.滨海地区的PM2.5污染主要来自西北方向(WNW、NW 、和NNW),西北风(NW)和偏南方向的风 (SSW、S、和SSE)会分别导致夏季和春季的O3浓度增大.随着风速增加,O3浓度增大,大约当风速在 3~4 m?s-1 时增加到峰值,然后逐渐减小.海陆风对沿海地区的O3及其前体物等污染物的循环输送及其引起的湍流混合使得沿海地区的O3变化变得很复杂. 相似文献
17.
松花江流域是我国氮污染较为严重的流域之一,为了研究松花江流域氮时空变化特征和主要来源,结合松花江流域2003-2018年国控断面NH4+-N、TN及相关指标的监测数据和典型断面采样检测数据,采用季节性Kendall检验法分析了松花江流域ρ(NH4+-N)、ρ(TN)和ρ(CODMn)的历史变化趋势,利用Origin 8.0软件绘制了ρ(NH4+-N)、ρ(TN)和ρ(CODMn)的沿程分布图及水期规律图,并采用氮氧稳定同位素技术解析了水体中氮的主要来源.结果表明:①松花江流域城市污染排放对水体氮浓度具有较大影响,城市下游断面氮浓度远高于城市上游断面,并且松花江流域支流氮浓度高于干流.②时间维度上,松花江流域水体中不同水文期ρ(NH4+-N)和ρ(TN)变化规律为枯水期>平水期>丰水期,ρ(CODMn)变化规律为枯水期 < 平水期 < 丰水期.③季节性Kendall检验法分析结果显示,松花江流域90.0%的断面ρ(NH4+-N)呈下降趋势,62.5%的断面ρ(TN)呈上升趋势,且上升趋势断面主要集中在支流伊通河、阿什河上.④13个典型采样断面δ15N-NO3(硝酸盐氮同位素)和δ18O-NO3(硝酸盐氧同位素)值域范围分别为1.52‰~11.15‰、-13.82‰~1.32‰,水体氮主要来源于含氮肥料、土壤侵蚀造成的有机氮输入以及人畜排泄物和城市生活污水输入.研究显示,近15年来松花江流域干流水体氮污染情况呈好转趋势,但重要支流水体氮污染仍严重,城市污染排放是流域水体氮污染的重要影响因素之一,需要加强对城市生活污水及化肥和粪肥等农业面源输入的管控. 相似文献
18.
2005年四季在北京市不同功能区9个采样点采集大气PM10和PM2.5样品,并对其中有机物污染水平、分布特征及不同功能区PM10和PM2.5中有机物的相关性进行了探讨.结果表明,市区PM10和PM2.5中有机物年均值分别为41.39 μg/m3和34.84 μg/m3,是对照区十三陵的1.44倍和1.26倍;冬季有机物污染最严重,分别为春季的1.15、 1.82倍,秋季的2.06、 2.26倍,夏季的4.53、 6.26倍.不同季节PM2.5与PM10中EOM的比值超过0.60, 并呈现一定季节差异.各功能区有机污染表现出工业区(商业区)>居民区(交通区、对照区)的变化趋势,且不同功能区PM2.5中EOM对PM10中EOM的影响程度各异.有机组分的年均值有非烃>沥青质>芳烃>饱和烃的变化规律,而污染源的季节性排放是造成有机物组分季节变化的主要原因. 相似文献
19.
利用重庆市大气污染物监测站2013年冬季(2013年11月—2014年1月)的实测数据,分析PM2.5及相关气态污染物(SO2、NO2、O3)的时空特征,并采用轨迹聚类与PSCF(潜在源贡献因子)分析污染物来源.结果表明:除ρ(O3)以外,其他3种污染物质量浓度的月际变化趋势基本一致,均呈12月升高、1月降低的特征;污染物空间分布不均,其中ρ(PM2.5)和ρ(NO2)在工业区和人口密集区较高,ρ(SO2)南高北低,ρ(O3)城区低于郊区.ρ(SO2)、ρ(NO2)与ρ(PM2.5)均呈显著正相关,其中ρ(SO2)与ρ(PM2.5)的R(相关系数)在城、郊区分别为0.71、0.65,ρ(NO2)与ρ(PM2.5)在城、效区的R分别为0.73、0.56;而ρ(O3)与ρ(PM2.5)未表现出显著相关.ρ(SO2)、ρ(NO2)与ρ(PM2.5)的相关性高低可在一定程度上说明二次气溶胶的污染程度,ρ(O3)与ρ(PM2.5)的相关性受到PM2.5来源和污染程度的影响.轨迹分析结果显示,重庆市2013年冬季主要受东北方向气流影响;聚类分析表明,重庆市11月没有表现出明显的PM2.5外来输送特征,但12月和1月的PM2.5外来输送特征明显,并且不同方向的气流污染物浓度差异也较大.PSCF分析发现,重庆市冬季PM2.5、SO2、NO2、O3主要来源于本地和周围城市局地传输,同时还受南宁、贵阳、遵义、达州等地的影响. 相似文献
20.
对2017~2019年晋中盆地主要城市PM10和PM2.5逐时浓度资料进行了分析,给出了晋中市和太原市颗粒物浓度主要分布特征;此外利用PM2.5逐时浓度资料,结合HYSPLIT后向轨迹模型,通过轨迹密度分析(TDA)、轨迹停留时间分析(RTA)和潜在源贡献因子分析(PSCF),并对PM2.5逐时浓度资料和对应时刻风向数据进行分析,探讨了晋中盆地主要城市冬季PM2.5传输特征.结果表明,太原市颗粒物浓度整体水平高于晋中市,月、季变化特征类似,均呈现冬季高,夏季低的特征,最高值出现在1月.晋中市受静稳型天气形势引起的颗粒物污染较受沙尘型天气形势导致的颗粒物污染相较太原市更普遍一些;颗粒物的分布呈现出晋中市中间值较多,太原市高值偏多、低值偏少的特点,冬季为晋中盆地PM2.5污染高发季节.晋中盆地主要城市冬季PM2.5传输通道均可分为4类:第一类通道沿太行山横谷传输,第二类通道为偏东南方向传输通道,第一、二类均为近距离传输通道,气团会携带较多... 相似文献