成渝城市群PM2.5的时空分布及其影响因素研究

随着工业化与城镇化的深入推进,成渝城市群的PM_2.5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（PM_2.5）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（PM_2.5）的时空分布差异,采用Moran's I指数与LISA指数探索了ρ（PM_2.5）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（PM_2.5）的影响.结果表明:①成渝城市群ρ（PM_2.5）分布存在明显的时空差异.时间上,2015年PM_2.5污染最严重,ρ（PM_2.5）年均值为54.38 μg/m3,2016年、2017年PM_2.5污染状况逐年减轻,ρ（PM_2.5）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（PM_2.5）较低,而南部ρ（PM_2.5）较高.②空间自相关分析结果表明,PM_2.5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（PM_2.5）呈高值-高值聚集,成渝城市群北部ρ（PM_2.5）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（PM_2.5）平均值增加1%时,该地区ρ（PM_2.5）将上升至少0.38%.城镇化率对ρ（PM_2.5）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（PM_2.5）呈负相关,而第一产业增加值、工业增加值占比与ρ（PM_2.5）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PM_2.5污染的重要手段.      

基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究

京津冀地区大气PM_2.5污染严重.为揭示区域PM_2.5时空分布规律,使用2013-2014年河北省地面站点PM_2.5监测数据、MODIS AOD（气溶胶光学厚度）遥感数据、地面气象站点数据和土地利用调查数据,基于线性混合效应模型（LME）,建立了ρ（PM_2.5）时空变化与AOD因子、气象因子、土地利用因子之间的关系模型.采用十折交叉验证法对模型精度进行检验,并利用计算得到的校正因子[全部实测的ρ（PM_2.5）年均值除以参与建模的所有实测ρ（PM_2.5）年均值]纠正因AOD非随机性缺值导致的抽样偏差.结果表明:①河北省区域模拟精度R2（决定系数）为0.85,经交叉验证后R2为0.77,RMSE（均方根误差）和RPE（相对预测误差）分别为18.28 μg/m3和28.68%.②ρ（PM_2.5）年均值模拟结果的校正因子范围为1.24~2.05,校正后的研究区ρ（PM_2.5）年均值为89.84 μg/m3,与实际监测数据相近.③ρ（PM_2.5）空间分布呈平原高、山区低,平原地区西南高、东北低的趋势.④ρ（PM_2.5）与AOD、温度、相对湿度呈正相关,与风速、大气能见度呈负相关.研究显示,线性混合效应模型能有效对ρ（PM_2.5）进行时空变化模拟,并实现对非地面监测地区ρ（PM_2.5）时空变化的预测,恰当的预测因子组合和模型校正有助于模型预测精度的提升.      

2015年福州市大气颗粒物污染特征

为了解福州市大气颗粒物污染状况,利用中国环境监测总站发布的实时大气环境监测资料,结合气象资料和HYSPLIT4轨迹模式,分析了2015年福州市大气颗粒物污染特征和典型污染过程.结果表明:2015年福州市ρ（PM₁₀）、ρ（PM_2.5）年均值分别为55.8和29.2μg/m3,均低于GB 3095-2012《环境空气质量标准》二级标准限值.颗粒物浓度季节性变化特征明显,表现为冬春季高、夏秋季低的变化特征. ρ（PM_2.5）/ρ（PM₁₀）为52%,普遍低于我国东部其他大中城市;日际变化明显,受混合层高度日变化和机动车排放的影响,呈双峰形态. ρ（PM_2.5）/ρ（PM₁₀）日变化趋势与ρ（PM₁₀）日变化特征相反,即ρ（PM₁₀）高时ρ（PM_2.5）所占比例低,ρ（PM₁₀）低时ρ（PM_2.5）所占比例高,表明早晚高峰机动车排放所造成的颗粒物污染以粗颗粒物贡献为主.福州市颗粒物污染天气成因主要有"积累型"和"输送型"污染. 2015年1月5-6日发生的污染过程,是在一次静稳、高湿天气形势下,本地排放的污染物在不利于扩散的气象条件下聚集、二次转化,导致颗粒物浓度升高、能见度降低. 2015年1月17-19日的污染过程主要是北方污染物随冷空气输送南下,导致本地颗粒物浓度迅速升高、能见度迅速降低.研究显示,福州市PM₁₀和PM_2.5优良率较高,颗粒物污染主要发生于冬季,污染成因包括局地累积和区域输送.      

2017年汾渭平原东部大气颗粒物污染特征分析

高度集中的煤炭产业和繁忙的交通运输使得汾渭平原成为全国污染最严重的地区之一.利用中国环境监测总站发布的大气环境监测资料,以统计的方法分析了2017年汾渭平原东部三门峡市、运城市、渭南市、洛阳市的颗粒物质量浓度演变特征,并与北京市开展对比分析.结果表明:①2017年汾渭平原东部颗粒物污染形势较为严峻,ρ（PM_2.5）年均值范围为61~75 μg/m3,高于北京市（58 μg/m3）,ρ（PM_2.5）/ρ（PM₁₀）范围为0.47~0.57,远低于北京市的0.66,说明汾渭平原东部一次颗粒物的贡献更为显著.②与北京市相比,汾渭平原东部重污染有效时数较长,在三门峡市、运城市、渭南市和洛阳市出现PM_2.5重度及以上污染过程的时数分别占全年总时数的6.56%、8.91%、9.23%和9.10%.但由于汾渭平原东部重污染期间颗粒物质量浓度较北京市低,因此造成汾渭平原东部和北京市重度及以上污染过程中颗粒物质量浓度平均值在颗粒物质量浓度年均值中占比基本相同.③汾渭平原东部颗粒物质量浓度的周变化特征与北京市有显著区别.④重污染期间,汾渭平原东部ρ（PM_2.5）和ρ（PM₁₀）的日变化特征与ρ（SO₂）相同,均呈白天高、夜间低的特征,而北京市ρ（PM_2.5）和ρ（PM₁₀）的日变化特征与ρ（SO₂）相反,呈白天低、夜间高的特征,说明汾渭平原东部特殊的能源结构、边界层动力演变和局地环流造成高架点源对重污染期间污染物质量浓度的影响较显著.研究显示,汾渭平原东部应该加强重污染期间高架点源的管控.      

北京大气PM2.5遥感监测业务化方法探讨

为探索卫星遥感监测大气ρ(PM_2.5)业务化方法,以北京为例,利用2013年MODIS卫星资料和北京35个地面自动监测站(下称自动站)的实时观测数据,以目前国内外应用最广泛的3种卫星反演大气气溶胶的方法——AOD(气溶胶光学厚度)、K_drya,0(气溶胶干消光系数)和R_a(气溶胶表观反照率)反演地面ρ(PM_2.5)的方法(分别称为AOD法、K_drya,0法和R_a法)为基础,结合地面ρ(PM_2.5)实测数据,建立了气溶胶反演参数与ρ(PM_2.5)统计关系,进一步测算了全市区域ρ(PM_2.5)的分布情况.结果表明:3种方法都具有较高的反演精度,其获取的全年ρ(PM_2.5)与地面实测数据的相关系数分别达到0.80、0.81和0.85,其中R_a法结果精度最高.从季节来看,R_a法在除夏季外的其他季节与地面监测数据相关系数都在0.70以上,优于其他2种方法.建议在春、秋、冬三季以R_a法,夏季以AOD法或K_drya,0法为基础进行北京PM_2.5业务化遥感监测.基于R_a法探讨了在2013年11月20—23日区域性大气重污染过程中北京PM_2.5区域分布特征和变化过程,卫星反演结果相对误差低于20%,直观地反映了区域大气颗粒物污染的时空分布规律.研究显示,三者都可以用来反演北京地区ρ(PM_2.5),其中R_a法最简便易行,尤其适用于业务化遥感监测.      

中国典型城市群PM2.5污染特征研究进展

为进一步梳理近年来我国城市区域大气PM_2.5污染防治方面的研究成果,基于我国31个城市PM_2.5污染现状,以城市群为视角,总结了京津冀城市群、长三角城市群与川渝城市群PM_2.5组成与污染特征,分析了PM_2.5及其含碳气溶胶、水溶性无机离子、地壳元素等的整体特征,并在城市群间进行对比分析.结果表明:①3个城市群的ρ（PM_2.5）高低顺序依次为京津冀城市群>川渝城市群>长三角城市群,长距离传输使PM_2.5污染成为京津冀城市群、长三角城市群与川渝城市群面临的共同问题.②3个城市群的PM_2.5中均以SNA和OC为主,尽管ρ（PM_2.5）水平有下降趋势,但个别污染物（如SNA）略呈上升趋势.③京津冀城市群与川渝城市群的ρ（OC）接近,并且均高于长三角城市群的80%,较高的ρ（OC）/ρ（EC）反映我国城市群普遍存在SOC污染.④各城市群PM_2.5监测网（如监测时间和采样方法）发展水平迥异,城市群之间的相互影响和传输机制尚不清楚.建议今后的研究向以下几个方面扩展:①对城郊乡村等大气背景点,以及水库、湖泊等地化循环的重要源汇区域开展研究.②针对同一区域开展采样时段更长且研究方法和分析手段上保持一致的研究.③借用国外经验公式时需考虑我国国情,对基础研究方法开展一系列优化,建立符合我国国情的标准化研究方法.      

天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析

天津市多发生以PM_2.5为首要污染物的重污染事件,明确ρ（PM_2.5）时空分布特征及重污染过程来源对PM_2.5的综合治理意义深远.利用天津市2014-2017年环境资料和2016年气象资料,结合WRF-Chem模式研究了天津市ρ（PM_2.5）时空分布特征及重污染过程来源.结果表明:①自2014年以来,天津市ρ（PM_2.5）呈逐年下降趋势.②ρ（PM_2.5）月变化曲线呈"U"型分布,呈冬春季高、夏秋季低的季节性特征;ρ（PM_2.5）日变化呈双峰型分布,主峰值出现在08:00-09:00,次峰值出现在21:00-翌日00:00.③各季节天津市ρ（PM_2.5）空间分布不同,春季、夏季、秋季和冬季高值中心分别位于天津市西南部的静海区、中心城区北部的北辰区、西部的武清区及北部的蓟州区.④WRF-Chem模式模拟的天津市秋冬季污染物来源结果表明,本地源贡献率为56%,外来源输送贡献率为44%,其中以河北省和山东省的输送为主.2016年12月16-22日天津市一次重污染过程的模拟结果表明,天津市本地源贡献率为49.6%,河北省、北京市和山东省的外来源输送贡献率分别为32.2%、7.0%和2.2%.污染前期,不利气象条件和外来源输送造成天津市ρ（PM_2.5）聚集并形成重度污染;污染持续过程中,本地源贡献率逐渐增大并占主导地位.研究显示,近年来天津市ρ（PM_2.5）呈下降趋势,并有明显的空间分布特征.      

石家庄市冬季一次重污染过程分析与反馈效应研究

为深入探究高ρ（PM_2.5）地区重污染过程的发展变化规律,以石家庄市一次重污染过程（2017年1月13-20日）为例,结合空气质量监测数据、PM_2.5组分测试数据、气象观测资料,从重污染发展阶段（简称"P1阶段"）、维持阶段（简称"P2阶段"）和清除阶段（简称"P3阶段"）分析PM_2.5及其化学组分的变化特征、气象条件和高低空天气形势演变特征,并利用WRF-Chem模型定量研究重污染过程气溶胶反馈效应对典型气象要素的影响.结果表明:①此次重污染过程属于逐步累积增长、快速清除型,在P2阶段ρ（PM_2.5）平均值为241.0 μg/m3,最大值为367.5 μg/m3.②P1和P2阶段高低空大气环流配置稳定,大气边界层高度范围为620.6~712.2 m,风速范围为1.3~2.5 m/s,相对湿度范围为60%~80%.③P2阶段SOR（硫氧化率）和NOR（氮氧化率）均为0.3,ρ（SNA）（SNA为SO₄2-、NO₃-和NH₄+的统称）为128.8 μg/m3,占ρ（PM_2.5）的56.2%;OM[有机质,ρ（OM）=ρ（POA）+ρ（SOA）,其中,POA为一次有机气溶胶,SOA为二次有机气溶胶]是除SNA以外的第二大组分,在P1和P3阶段ρ（POA）大于ρ（SOA）,而在P2阶段ρ（SOA）与ρ（POA）相等,均为28.0 μg/m3,表明在重污染过程中二次污染严重;整个污染过程ρ（NO₃-）/ρ（SO₄2-）为1.0,表明石家庄市移动源和固定源对ρ（PM_2.5）贡献相当.④WRF-Chem模型模拟结果表明,太阳辐射量、温度和大气边界层高度受气溶胶反馈效应的影响在P2阶段的下降量分别为75.1 W/m2、2.7℃和109.9 m,比P1阶段分别高33.6%、91.4%和18.6%,比P3阶段分别高147.0%、305.3%和24.1%.研究显示,此次静稳天气下的重污染过程二次污染严重,气溶胶反馈效应整体使得太阳辐射量、温度和大气边界层高度均向不利于污染扩散的趋势发展,造成石家庄市的ρ（PM_2.5）进一步增加.      

基于AGRI颗粒物浓度遥感反演及季节变化分析

基于AGRI数据反演区域PM_2.5浓度.利用6S辐射传输模式,分析气溶胶光学厚度AOD与能见度相关性,建立AOD、气溶胶标高和能见度模型;通过对大气柱AOD垂直订正,构建AOD与近地面PM_2.5浓度关系的物理模型;同时引入了地面相对湿度数据.结果表明,FY-4A遥感的PM_2.5浓度与地面空气质量监测站的PM_2.5浓度变化趋势一致,算法计算效率较高.利用AGRI估算近地面PM_2.5与地面观测网对比分析,其结果不亚于于MODIS以及VIIRS的对比结果,AGRI估算的均方根误差和相对误差较小.从季节分析,冬季近地面颗粒物浓度是影响整层大气柱AOD值的主要因素,AGRI反演结果精度较好,夏季相关系数相对于其他三个季节偏低.总体而言,采用FY-4A/AGRI反演颗粒物浓度精度可靠,有利于实现区域气溶胶全天候实时监测.     

基于AOD数据和GWR模型估算京津冀地区PM2.5浓度

利用MODIS气溶胶光学厚度（AOD）数据针对不同土地覆盖类型的适用性,提出了一种基于土地覆盖类型的AOD融合方法,生成了一种新的3km AOD数据集.在此基础上,通过地理加权回归（GWR）模型估算了京津冀地区2016年PM_2.5浓度,并用交叉验证的方法对模型性能进行评价.结果表明：利用融合后的AOD数据建立的模型可解释PM_2.594.85%的浓度变化,交叉验证R²为0.94,RMSE为9.27μg/m³,MPE为6.72μg/m³,明显优于多元线性回归（MLR）模型;基于GWR模型估算的京津冀地区2016年年均PM_2.5浓度为58.57μg/m³,其中冬季PM_2.5浓度最高,春秋季次之,夏季浓度最低,PM_2.5月均浓度变化范围32.78~140.83μg/m³,8月份浓度最低,12月份浓度最高;空间分布南北差异显著,衡水市PM_2.5污染最为严重,张家口市PM_2.5浓度较低.利用此方法成功弥补了PM_2.5空间缺失,为城市尺度的健康效应和环境流行病学研究提供数据支持.     

四川盆地PM2.5与PM10高分辨率时空分布及关联分析

为深入了解四川盆地PM_2.5与PM₁₀污染情况，通过机器学习的方法，基于卫星遥感气溶胶产品（MAIAC）与国家环境空气质量监测网数据以及气象、地理、社会经济变量等，构建2个随机森林机器学习模型（R²均为0.86），反演四川盆地2013~2017年间1km网格逐日PM_2.5与PM₁₀浓度时空分布，并分析两者的时空关联性.结果表明：2013~2017年四川盆地地面PM_2.5与PM₁₀平均浓度分别为47.8，75.2μg/m³.PM_2.5与PM₁₀浓度空间上均整体呈现"倒月牙"状分布，西部与南部区域浓度值较高.5a间，区域颗粒物浓度逐年递减，总降幅均达到27%，季节上则均具有"冬高夏低"的特点；PM_2.5与PM₁₀浓度空间相关性显著（相关系数0.96），呈现"内强外弱"的格局，春夏季相关系数（0.91、0.90）低于秋冬季（0.96、0.96）.盆地西南部PM_2.5与PM₁₀比值较高，比值高低的季节性排序为冬季 > 秋季 > 夏季 > 春季.     

2001～2017年全国气溶胶光学厚度时空分布及变化趋势

为探究全国大气气溶胶光学厚度（AOD）的分布及变化特征,利用最新的MODIS/Terra C6.1 550 nm AOD月数据分析了2001~2017年全国AOD的时空分布及变化趋势.结果表明,空间特征：年均AOD空间分布呈现两个显著的高值中心和低值中心,第一高值中心位于以人为气溶胶为主的华北平原、华中地区、长三角地区、珠三角地区和四川盆地,第二高值中心位于以尘埃气溶胶为主的塔克拉玛干沙漠地区,两个低值中心分别位于内蒙古地区东部至东北地区北部以及青藏高原.时间特征：各区域AOD峰值主要出现在春、夏季,塔克拉玛干沙漠地区、四川盆地和珠三角地区AOD在3~4月达到峰值,华北平原、华中地区和长三角地区AOD在5~7月达到峰值.趋势特征：2001~2006年,我国西北地区和内蒙古地区AOD呈现减少趋势,我国中东部地区和西南地区东部AOD呈现增长趋势.2007~2012年,青藏高原和塔克拉玛干沙漠地区AOD变化趋势由减少转为增长,华北平原和四川盆地AOD的增幅减弱,长三角地区AOD呈现弱的下降趋势.2013~2017年,我国大部地区AOD呈显著地下降趋势.     

京津冀地区典型城市大气细颗粒物碳质组分污染特征及来源

为研究京津冀地区典型城市大气细颗粒物及其碳质组分的时空变化特征及来源,于2016年12月28日—2017年1月22日及2017年7月1—26日,对北京市与石家庄市PM_2.5（细颗粒物）及PM₁（亚微米颗粒物）进行采集,使用DRI（热光碳分析仪）检测PM_2.5与PM₁中ρ（OC）与ρ（EC）,并对其碳质组分来源进行分析.结果表明:①采样期间,冬、夏两季PM_2.5与PM₁中ρ（OC）均为石家庄市采样点远高于北京市采样点;冬季PM_2.5与PM₁中ρ（EC）均为石家庄市采样点高于北京市采样点,夏季则略有不同.②冬季污染日,北京市采样点ρ（PM_2.5）与ρ（PM₁）均为石家庄市采样点的1.08倍,PM_2.5与PM₁中的ρ（OC）分别为石家庄市采样点的1.14和1.12倍,石家庄市采样点PM_2.5与PM₁中ρ（EC）分别为北京市采样点的1.15和1.28倍;冬季重污染日,北京市采样点的ρ（PM_2.5）与ρ（PM₁）分别为石家庄市采样点的1.03和1.04倍,PM_2.5和PM₁中的ρ（OC）分别为石家庄市采样点的1.23和1.22倍,石家庄市采样点PM_2.5和PM₁中的ρ（EC）分别为北京市采样点的1.03和1.16倍.夏季污染日,石家庄市采样点ρ（PM_2.5）与ρ（PM₁）分别为北京市采样点的1.16和1.30倍,PM_2.5与PM₁中ρ（OC）分别为北京市采样点的1.64和2.71倍,两个采样点ρ（EC）相近.③冬、夏两季PM_2.5与PM₁中ρ（SOC）/ρ（OC）均较高,冬季北京市采样点分别为48.09%和54.29%,石家庄市采样点分别为44.98%和48.09%,夏季北京市采样点分别为48.47%和61.50%,石家庄市采样点分别为61.52%和63.55%,表明SOC更易富集于亚微米粒子中.④冬季北京市和石家庄市两个采样点PM_2.5与PM₁中碳质组分均主要来源于生物质燃烧、燃煤和机动车尾气;夏季北京市采样点PM_2.5与PM₁中碳质组分主要来源于机动车尾气,石家庄市采样点PM_2.5与PM₁中碳质组分主要来源于燃煤和机动车尾气.研究显示,北京市和石家庄市两个采样点大气细颗粒物及其碳质组分浓度存在时空分布和污染来源差异.      

江淮地区湿沉降对颗粒物清除能力的影响

为了解单次降水总量、降水时长、降水前颗粒物质量浓度对颗粒物清除能力的影响,对江淮地区2017年气象资料与颗粒物质量浓度资料展开分析.分析江淮地区2017年ρ（PM_2.5）、ρ（PM₁₀）及降水特征,综合对比各季节不同单次降水总量对颗粒物的清除能力,对比不同季节、不同降水时段对颗粒物清除能力的变化特征,以及不同季节降水前颗粒物质量浓度与清除率对应阈值关系.研究表明:江淮地区北部颗粒物质量浓度高于南部,南部单次降水总量和降水总时长较北部高.单次降水总量越大对颗粒物的清除率越高.当单次降水总量大于1.5 mm时,清除率提升最明显,并且秋、冬两季清除率高于春、夏两季;当单次降水总量低于1.5 mm时,春、夏两季清除率高于秋、冬两季.总体上,降水对PM₁₀的清除率高于对PM_2.5.降水时长对颗粒物的清除率具有明显的季节性变化特征.春、秋两季存在降水时长阈值,分别为10和20 h.春季低于该阈值（10 h）清除率为正清除率,高于该阈值清除率为负清除率;秋季低于该阈值（20 h）清除率为负清除率,高于该阈值为正清除率.夏、冬两季总体表现为正清除率.分析降水前颗粒物质量浓度对清除率的影响得知,降水对PM_2.5清除率由负转正的阈值较PM₁₀低,并且冬、春两季清除率阈值较夏、秋两季高,春季、夏季、秋季、冬季的ρ（PM_2.5）清除率阈值分别为35、15、25、30 μg/m3,ρ（PM₁₀）清除率阈值分别为60、50、60、60 μg/m3.单次降水过程中颗粒物所处高度由2 200 m降至1 000 m,并且此次降水对非球形粒子清除效果明显,粒径在2.5 μm以下粒子质量浓度显著下降,其中,粒径在0.7~1.2和1.5~2.5 μm粒子数浓度下降明显;另外,降水对颗粒物中NO₃-和NH₄+去除明显,并且降水后光学EC、光学OC及金属元素质量浓度和占比显著增长.研究显示,当冬季单次降水总量大于1.5 mm,降水前ρ（PM_2.5）大于30 μg/m3、ρ（PM₁₀）大于60 μg/m3时颗粒物的清除率最佳.      

2003~2018年四川盆地气溶胶光学厚度空间分异及驱动因子

为揭示四川盆地气溶胶光学厚度（AOD）的空间分布格局并定量评估影响其时空分异的驱动因子,基于2003~2018年（16a） MODIS气溶胶产品数据,采用Mann-Kendall突变检验法,空间自相关,空间热点探测分析和地理探测器等地统计方法分析研究.结果表明：2003~2018年四川盆地AOD总体呈现下降趋势,且突变年为2015年,并依据趋势变化将2003~2018年分为6个时段.四川盆地气溶胶区域性污染特征明显,AOD高值区主要聚集在盆地中部低海拔地区,而AOD低值区则多聚集在盆地边缘高海拔地区.AOD空间分布具有显著的聚集性规律（空间正相关,Moran's I指数>0）,自2012年以来高-高值聚集区面积不断减小,且不同时段聚集区AOD年际变化与AOD值分布变化态势一致.利用主成分分析法优选出8个因子,经地理探测器分析表明,16a来盆地区域AOD时空分异主要是由于城市化和工业化发展水平不均衡引起的.2014~2015年所有驱动因子的驱动力较之前时间段出现11.2%~59.2%的减小,且社会经济因子尤为明显,与2015年为突变年的结论相一致.     

四川盆地冬季两次典型大气污染过程对比分析

为探究四川盆地冬季污染天气过程气溶胶分布和垂直气象场特征,利用MODIS MCD19A2大气气溶胶光学厚度数据、实况格点融合分析数据、环境空气质量监测数据以及探空气象观测数据,对四川盆地2017年12月19日—2018年1月3日以及2018年1月11—24日两次污染天气过程的气溶胶光学厚度(AOD)空间分布以及气象条件进行分析.结果表明:①四川盆地冬季两次污染天气过程中,成都市一直为AOD高值区.②霾天气过程(2018年1月11—23日)中,四川盆地AOD高值区分布区域更广,高低空环流形势稳定,混合层高度偏低,近地层逆温和高湿环境均有利于霾天气的形成与持续.③沙尘天气过程(2017年12月29日—2018年1月1日)中,四川盆地AOD值呈“南高北低”的空间分布特征;冷空气携带沙尘气溶胶自北向南影响四川盆地,对混合层高度有小幅抬升作用,空气质量得到轻微改善;但混合层高度始终偏低,干冷空气使近地层相对湿度下降,本地气溶胶粒子数减少,但沙尘气溶胶粒子数增加,伴随近地层逆温稳定维持,有利于沙尘天气的形成与持续.研究显示,冬季四川盆地混合层高度偏低、近地层逆温稳定维持,均不利于气溶胶粒子垂直扩散,导致四川盆地易出现污染天气.