基于GOSAT卫星的中国CO2浓度时空特征分析

采用温室气体观测卫星(GOSAT) 傅里叶变换光谱仪(FTS)发布的CO₂柱浓度L₃级别数据集产品,利用TCCON地基站点的CO₂柱浓度数据对卫星遥感数据进行验证,分析中国CO₂柱浓度时空变化特征及其影响因素。研究结果表明,GOSAT卫星的CO₂柱浓度产品精度较高,线性回归的r²为0.99,线性方程斜率为0.98,平均偏差为0.11 mg/L。中国CO₂柱浓度呈现逐年增长的趋势,存在12个月的周期性季节性变化。2010、2020年区域年平均CO₂柱浓度分别约为389.30、412.62 mg/L,增长了23.32 mg/L,年平均增长率大约为0.58%。中国区域大气CO₂柱浓度的月变化存在明显的时空差异,最大值和最小值分别出现在4月和8月,2020年4月和8月的区域平均值分别为415.09、409.13 mg/L。中国区域CO₂柱浓度从东部沿海向西部逐级递减,且呈现明显的季节性变化,夏季高值主要集中在东南部沿海地区,冬季高值主要集中在华北地区。     

郑州市对流层NO2柱浓度时空变化及其影响因素

基于郑州市2005—2015年的OMI遥感反演资料以及地面相关监测数据,研究了郑州市对流层NO_2的时空分布特征,并利用灰色关联法对郑州市NO_2柱浓度变化的主要影响因素进行分析。与地面观测数据对比检验显示,对流层NO_2柱浓度年均值数据与近地面监测站NO_2浓度的实测年均值数据呈显著的正相关,相关系数分别为0.884 6和0.940 2,表明OMI数据资料可以较好地反映地面NO_2浓度的变化。郑州市的对流层NO_2柱浓度在2005—2013年间呈现波动变化且2013—2015年NO_2柱浓度显著减小的特征。季节变化上NO_2柱浓度主要表现为冬季秋季春季夏季的特点。郑州市对流层NO_2柱浓度的空间变化分布主要表现为由北部向南部逐渐递减的趋势,年际变化上高值区与低值区变化不够显著,中值区近年来不断扩大。灰色关联度分析结果显示,汽车保有量与对流层NO_2柱浓度的灰色关联度最低为0.571,而标准煤消耗量、工业用电量以及采暖供热量与对流层NO_2柱浓度的灰色关联度比较高,分别为0.956、0.828、0.862,即大气中工业过程及采暖期煤炭燃烧排放的NO_2占较大比例,汽车尾气排放所占的比例相对较小。     

江苏省霾污染遥感监测业务化运行研究

从霾污染遥感监测业务化流程出发,选取EOS/MODIS为主要数据源,MODIS气溶胶产品及气象数据为辅,在数据预处理的基础上,利用LM-BP人工神经网络模型算法反演区域大气颗粒物浓度,分析了可获取的遥感监测指标及气象指标对霾污染的贡献率,筛选出可业务化的霾污染遥感评价指标。对2013年1月江苏省2次典型的霾污染进行了星地同步分析,从分析结果来看,霾污染遥感监测结果与地面实测结果基本一致,霾污染遥感监测可以作为地面监测的有效补充,宏观反映区域霾污染空间分布,为大气污染防治提供有力的技术支撑。     

2001年～2008年及奥运会期间天津市大气污染特征分析

根据天津市大气质量监测数据,对2001年～2008年及奥运会期间天津市大气污染特征和主要大气污染物的变化规律进行了分析。结果表明,2001年～2008年天津市的PM10、SO2和NO2污染总体呈下降趋势,但质量浓度仍相对较高。2008年8月奥运会期间天津市PM10和SO2质量浓度达到国家空气质量二级标准,NO2质量浓度达到国家空气质量一级标准,空气质量良好。天津市PM10污染相对稳定,SO2和NO2的污染分布呈现明显的季节性,时间上表现为冬强夏弱。气象条件对污染物浓度影响明显,沙尘、大雾等天气可使污染物浓度急剧升高。     

“十一五”时期乌鲁木齐市大气污染特征及影响因素分析

为全面了解"十一五"时期(2006—2010年)乌鲁木齐市大气污染状况,评估污染源治理及气象条件对空气质量变化的影响,利用2001年1月—2010年12月主要大气污染物浓度数据和同期地面气象资料,总结"十一五"时期乌鲁木齐市大气污染变化特征,重点分析其变化原因。结果表明:"十一五"时期PM10和SO2年均浓度分别比"十五"下降1.7%和10.3%,采暖季降幅最明显,分别达到2.2%和21.9%;而NO2年均浓度比"十五"升高8.9%,非采暖季增幅最大,为11.7%。2006—2010年PM10、SO2年均浓度整体呈下降趋势,NO2浓度有升高趋势。5年中非采暖季各污染物浓度均达标,采暖季PM10和SO2超标倍数逐年减小,煤烟型污染特征仍然典型。污染源管控(特别是减排工程实施)是"十一五"时期SO2和PM10浓度下降的重要原因,气象条件作用相对有限。NO2浓度升高主要与机动车保有量逐年增加和氮氧化物治理启动滞后有关。     

基于Landsat TM/ETM+/OLI遥感大数据分析南京市1984—2015年大气能见度变化趋势

对南京市1984—2015年Landsat 4／5／7／8卫星TM／ETM＋／OLI传感器获取的遥感数据，利用ENVI遥感软件的FLAASH大气校正模块，进行了区域大气能见度（ VIS）遥感反演。结果表明，时间跨度达30余年的Landsat卫星遥感数据影像序列反演的VIS呈明显的下降趋势，20世纪80年代数值较高，“差”能见度（＜10 km）的观测率不到6％，21世纪以来VIS下降明显，“差”能见度的观测率为20％～25％。与2010—2015年南京市PM10、PM2．5监测数据进行了对比，在城市空气清洁及污染较轻时，星地监测结果有较好的一致性，但中到重污染天气时FLAASH算法反演VIS偏高，侧重于代表离主城区距离远的偏远乡野山林地区的能见度状况。     

基于Landsat 8卫星OLI影像遥感反演盐城市区域大气能见度状况

利用遥感软件ENVI 5.2的FLAASH大气校正模块,对盐城市2013—2014年共22景Landsat 8卫星OLI影像进行了区域大气能见度遥感反演,并与盐城市环境监测中心站的空气自动监测子站的PM10、PM2.5以及当地气象部门的能见度观测数据进行了对比。结果表明,OLI遥感影像可以对区域尺度大气能见度进行有效的观测,反演的区域性大气能见度水平与地面空气质量自动监测结果存在消长关系,与地面能见度数据有近70%的一致性。     

焦作市大气污染物特征和相关性分析

为研究焦作市大气污染特征及其相关性,对2015—2017年焦作市4个国控空气监测点位的监测数据进行统计分析。结果表明:2015—2017年城区环境空气污染SO_2、NO_2、CO、PM_(10)、PM_(2.5)浓度均呈逐年下降趋势;大气污染浓度季节变化特征明显,PM_(10)、PM_(2.5)、SO_2、NO_2、CO的浓度均为冬季最高、夏季最低,空气质量指数也在冬季达到最高值; O_3浓度则为夏季最高、冬季最低。2017年焦作市沙尘天气共计36 d,严重影响了环境空气中颗粒物的浓度。由PM_(2.5)与PM_(10)的比值说明大气颗粒物污染以PM_(2.5)为主。通过SPSS软件分析,SO_2、NO_2、CO、PM_(10)、PM_(2.5)浓度间呈两两正相关,O_3浓度与NO_2、CO呈负相关。     

一次典型灰霾天气过程及成因分析

结合2008年10月28日南京市出现的灰霾天气，利用环境空气自动监测数据、气象观测数据、卫星遥感监测秸秆焚烧信息及后向轨迹模型等资料，对灰霾天气过程及成因进行分析。结果表明，由于当晚大气扩散条件不利，周边地区秸秆焚烧产生的大量气溶胶污染物在地面东北气流的引导下向南京市城区输送，使得大气监测点颗粒物浓度异常上升，导致能见度恶化，形成了典型性重度灰霾污染天气。     

北京地区不同季节PM2.5和PM10浓度对地面气象因素的响应

利用2013年1月—2014年12月北京地区PM_(2.5)和PM_(10)监测数据和同期近地面气象观测数据,采用非参数分析法(Spearman秩相关系数)研究了北京地区PM_(2.5)和PM_(10)的浓度对不同季节地面气象因素的响应。结果表明:北京地区大气颗粒物浓度水平具有明显的季节特征,冬季大气颗粒物污染最严重,夏季最轻。不同季节影响颗粒物浓度水平的气象因素各不相同,其中风速和日照时数为主要影响因素。PM_(2.5)和PM_(10)质量浓度对气象因素变化的响应程度也有较大区别,PM_(2.5)/PM_(10)比值冬季最高,PM_(2.5)影响最大,春季最低,PM_(10)影响最大。这些结论可对制订科学有效的大气污染控制策略提供参考。     

遥感技术在大气环境监测中的应用综述

综合论述了近20多年来国内外对大气环境遥感监测的研究现状,介绍了应用于大气环境遥感监测的多种方法并着重阐述了被动式空基遥感和主动式地基遥感在大气环境遥感中的应用以及探测气溶胶的卫星传感器的发展历程和特点。最后,对我国大气环境遥感研究中存在问题和发展前景进行了讨论。     

灰霾期间武汉城市区域大气污染物的理化特征

利用湖北省大气复合污染自动监测站2013年的全年监测数据,分析了灰霾期间武汉城市区域大气污染物的理化特征。霾日主要出现在春季、秋季和冬季。霾日与非霾日大气污染物质量浓度和气象参数的对比分析结果显示:高湿度、静风是武汉城市区域霾日的重要气象特征;PM1、PM_(2.5)、PM_(10)、NO_2、CO、NH3的质量浓度,SOR、NOR值以及PM_(2.5)中的二次无机离子(SO2-4、NO-3、NH+4)和部分元素(Pb、Se、Cd、Zn、K)的质量浓度均在霾日明显高于非霾日,而霾日SO2质量浓度仅在冬季略高于非霾日。选取2013年1月的连续灰霾日进行相关性分析,结果表明:污染组分主要来自当地排放(包括直接排放和二次形成),并受当地气象条件影响。此次灰霾过程中PM_(2.5)中的硫酸盐和硝酸盐主要来自气相反应,气态NO_2主要生成了气态HNO_3,而不是HNO_2。     

Meteorological influence on predicting surface SO2 concentration from satellite remote sensing in Shanghai,China

In this study, we explored the potential applications of the Ozone Monitoring Instrument (OMI) satellite sensor in air pollution research. The OMI planetary boundary layer sulfur dioxide (SO₂_PBL) column density and daily average surface SO₂ concentration of Shanghai from 2004 to 2012 were analyzed. After several consecutive years of increase, the surface SO₂ concentration finally declined in 2007. It was higher in winter than in other seasons. The coefficient between daily average surface SO₂ concentration and SO₂_PBL was only 0.316. But SO₂_PBL was found to be a highly significant predictor of the surface SO₂ concentration using the simple regression model. Five meteorological factors were considered in this study, among them, temperature, dew point, relative humidity, and wind speed were negatively correlated with surface SO₂ concentration, while pressure was positively correlated. Furthermore, it was found that dew point was a more effective predictor than temperature. When these meteorological factors were used in multiple regression, the determination coefficient reached 0.379. The relationship of the surface SO₂ concentration and meteorological factors was seasonally dependent. In summer and autumn, the regression model performed better than in spring and winter. The surface SO₂ concentration predicting method proposed in this study can be easily adapted for other regions, especially most useful for those having no operational air pollution forecasting services or having sparse ground monitoring networks.     

中国高分辨率近地面NO2浓度反演

通过分析2010年全国333个县级以上城市卫星遥感的NO2对流层年均柱浓度与地面实际观测浓度之间的相关性,发现两者具有一定的线性相关性(r=0.54,n=333),并建立了NO2"遥感柱浓度"与"地面观测浓度"之间的关联方程,通过该方程反演了中国0.125°分辨率近地面NO2污染分布特征。结果表明,全国近地面NO2浓度超过《环境空气质量标准》(GB 3095—2012)要求的年均浓度二级标准(0.04 mg/m3)的区域约为5.95万平方千米,超标地区主要集中在华北平原、长三角地区、四川盆地和珠三角地区,这些地区NO2污染水平远高于333个城市的年平均值(0.028 mg/m3)。NO2污染极不平衡,以大中型城市为中心的区域污染特征显著。NO2人口加权浓度分析结果表明,NO2人口加权浓度高值区主要集中在能源消费量大、机动车保有量大及人口密集的地区,全国约5.7%的人口暴露在NO2超标区域。     

大同市大气颗粒物浓度与水溶性离子季度分布特征

为研究大同市大气颗粒物质量浓度与水溶性离子组成特征,于2013年2、7、9、12月,分别对大同市及其对照点庞泉沟国家大气背景点进行了PM2.5及PM10的采样,通过超声萃取-IC法测定了样品中的9种水溶性离子,结果表明,大同市大气颗粒物污染1、4季度重于2、3季度,PM2.5季度均值全年均未超标,PM10仅第1季度超标1.4倍,污染状况总体良好,PM2.5与PM10相关系数R为0.75,说明大同市颗粒物污染有较为相近的来源,且不同季节均以粗颗粒物为主;大同市PM2.5中水溶性离子浓度分布为SO2-4、NO-3、NH+4Cl-、Ca2+K+、Na+F-、Mg2+,PM10中Ca2+浓度仅次于SO2-4、NO-3,控制扬尘将有效降低PM10的浓度;PM2.5及PM10中的9种水溶性离子在不同季度的浓度与颗粒物浓度分布规律类似,1、4季度较高,2、3季度较低;由阴阳离子平衡计算结果可知,相关性方程的斜率K为1.045,表明大同市大气颗粒物中阳离子相对亏损,大气细粒子组分偏酸性。NO-3与SO2-4浓度比值均小于1,大同市以硫酸型污染为主,大气中的SO2-4主要来源于人类活动排放。     

Spatio-Temporal Variations of Sulphur Dioxide Patterns with Wind Conditions in Central Taiwan

Sulphur dioxide (SO₂) is one of the main atmospheric pollutants in central Taiwan. This article analyses the SO₂ concentration seasonal variations and spatial distribution using data obtained from ten air quality monitoring stations and the Taiwan Weather Bureau. It reveals that SO₂ concentration is high in winter and low in summer and that high concentration centers are located south of the Taichung coal-fired power plant, the main source of SO₂ emissions in the region.The location of high concentration centers changeswith different prevailing winds. SO₂ variations due towind direction are not unique. During short periods,when meteorological conditions are constant, variationin the pollution sources cause variations in thespatial distribution. This has been deduced byappreciation of Intervention analysis to time seriesof hourly data.     

Modeling of SO<Subscript>2</Subscript> distribution in Istanbul using artificial neural networks

Urban air pollution is a growing problem in developing countries. Some compounds especially sulphur dioxide (SO₂) is considered as typical indicators of the urban air quality. Air pollution modeling and prediction have great importance in preventing the occurrence of air pollution episodes and provide sufficient time to take the necessary precautions. Recently, various stochastic image-processing algorithms such as Artificial Neural Network (ANN) are applied to environmental engineering. ANN structure employs input, hidden and output layers. Due to the complexity of the problem, as the number of input–output parameters differs, ANN model settings such as the number of neurons of these layers changes. The ability of ANN models to learn, particularly capability of handling large amounts (or sets) of data simultaneously as well as their fast response time, are invariably the characteristics desired for predictive and forecasting purposes. In this paper, ANN models have been used to predict air pollutant parameter in meteorological considerations. We have especially focused on modeling of SO₂ distribution and predicting its future concentration in Istanbul, Turkey. We have obtained data sets including meteorological variables and SO₂ concentrations from Istanbul-Florya meteorological station and Istanbul-Yenibosna air pollution station. We have preferred three-layer perceptron type of ANN which consists of 10, 22 and 1 neurons for input, hidden and output layers, respectively. All considered parameters are measured as daily mean. The input parameters are: SO₂ concentration, pressure, temperature, humidity, wind direction, wind speed, strength of sunshine, sunshine, cloudy, rainfall and output parameter is the future prediction of SO₂. To evaluate the performance of ANN model, our results are compared to classical nonlinear regression methods. The over all system finds an optimum correlation between input–output variables. Here, the correlation parameter, r is 0.999 and 0.528 for training and test data. Thus in our model, the trend of SO₂ is well estimated and seasonal effects are well represented. As a result, we conclude that ANN is one of the compromising methods in estimation of environmental complex air pollution problems.