基于GF-4卫星的长三角城市群PM2.5遥感反演

基于静止卫星高分四号（GF-4）遥感数据,利用6SV辐射传输模型与暗目标算法进行高空间分辨率气溶胶光学厚度（AOD）遥感反演;在此基础上,结合地面监测站大气细颗粒物（PM_2.5）浓度、气象资料等数据,采用物理订正方法及线性混合效应模型,实现长三角城市群区域大尺度空间连续的PM_2.5浓度遥感反演;最后利用十折交叉验证法对反演精度进行验证.结果表明：GF-4反演的AOD结果分辨率较高,空间连续性好,与AERONET地基监测相关性R达到0.82;利用GF-4 AOD的PM_2.5估算模型精度较高,模型估算PM_2.5浓度与地面实测数据拟合度R²为0.74;在分春夏秋冬4个季节建模情景下,交叉验证R²依次为0.67,0.59,0.63和0.72,平均绝对误差MAE为10.40,7.42,10.10,13.34μg/m³,表明GF-4卫星适用于区域PM_2.5浓度监测.     

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.     

基于时空混合效应模型的京津冀PM2.5浓度变化模拟

为揭示京津冀地区高精度PM_2.5的时空分布特征,以空间分辨率为1 km的MAIAC AOD数据为主要预测因子,以气象数据、植被指数、夜间灯光数、人口密度和海拔数据作为辅助因子,构建了一种新的时空混合效应模型（STLME）,在拟合最优次区域划分方案基础上对京津冀地区PM_2.5浓度进行预测分析.结果表明,基于STLME模型的ρ(PM_2.5)预测精度高于传统的线性混合效应模型（LME）,其十折交叉验证（CV）R²为0.91,明显高于LME模型的0.87,说明STLME模型在同时校正PM_2.5-AOD关系的时空异质性方面具有优势.最优次区域划分方案识别出PM_2.5-AOD关系的空间差异,并结合缓冲区平滑方法,提高了STLME模型预测精度.京津冀PM_2.5浓度时空变化差异显著,高值区主要分布在以石家庄、邢台和邯郸为中心的河北南部,低值区则位于燕山-太行山区;冬季PM_2.5污染最严重,其次是秋季和春季,夏季污染最轻.STLM...     

基于混合效应模型的京津冀地区PM2.5日浓度估算

利用2016年182d的MODIS 3km AOD数据与地面监测数据,评估了混合效应模型不同参数组合的模拟性能,得出模型在解释AOD-PM_2.5关系时,对时间序列变异的解释能力要比空间差异更佳.在此基础上,利用混合效应模型建立京津冀地区每日的AOD-PM_2.5关系,模型拟合R²为0.92,交叉验证调整R²为0.85,均方根误差（RMSE）为12.30 μg/m³,平均绝对误差（MAE）为9.73 μg/m³,说明模型拟合精度较高.基于此模型估算的2016年京津冀地区年均PM_2.5浓度为42.98 μg/m³,暖季（4月1日~10月31日）为43.35 μg/m³,冷季（11月1日~3月31日）为38.52 μg/m³,与同时期的地面监测数据差值分别为0.59,0.7,5.29 μg/m³.空间上,京津冀地区的PM_2.5浓度呈现南高北低的特征,有一条明显的西南-东北走向的高值区.研究结果表明,基于每日混合效应模型可以准确评估京津冀地区的地面PM_2.5浓度,且模型估算的PM_2.5浓度分布状况为区域大气污染防治提供了基础的数据支撑.     

运用地理探测器研究京津冀城市群PM2.5浓度变化及影响因素

研究京津冀城市群PM_2.5浓度时空格局变化和影响因素,对区域大气环境保护和经济可持续发展具有十分重要的意义.基于PM_2.5遥感数据、地面站点气象数据、DEM数据、MODIS NDVI数据、夜间灯光数据、人口密度数据、土地利用类型数据和路网数据,利用Theil-Sen Median趋势分析、Mann-Kendall显著性检验和Getis-Ord G_i*分析,运用地理探测器分析京津冀城市群PM_2.5浓度时空变化和空间聚集特征,并探究影响其空间分异的影响因素.结果表明：(1)2000—2021年京津冀城市群PM_2.5污染严重,全年平均PM_2.5浓度为59.94μg/m³,冬季是京津冀城市群PM_2.5污染的高发季,但京津冀城市群PM_2.5浓度总体呈下降趋势,变化斜率为–0.85μg/(m³·a).(2)PM_2.5浓度在空间上呈东南高、西北低的分布格局,且P...     

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.     

面向场景的城市PM2.5浓度空间分布精细模拟

针对传统PM_2.5浓度空间分布模拟方法忽略了城市内部如道路、工厂、居民区、景区等不同微环境整体对PM_2.5浓度影响机制的缺陷,本研究提出一种微环境PM_2.5浓度场景分异的理论假设,并以湖南长沙主城区为例,结合基于污染先验知识划分的城市微环境场景空间分布与自主设计加密观测场获取的203个监测点小时PM_2.5浓度加密数据,分析城市微环境PM_2.5浓度场景时空分异特征.在此基础上,耦合地理加权回归（GWR）与人工神经网络（ANN）方法,构建微环境场景增强下的PM_2.5浓度空间分布精细模拟GWR-ANN模型,开展城市内部高空间分辨率PM_2.5污染制图.结果表明：不同微环境场景间PM_2.5浓度存在显著时空差异,地表覆盖类型相同但分别位于2个不同场景的监测点间PM_2.5浓度差会随时间发生变化;耦合微环境场景变量的GWR-ANN模型能够有效精细模拟PM_2.5浓度的空间分布,模型拟合效果与交叉检验精度指标整体优于无场景变量参与的GWR-ANN模型（除部分时相较为接近外,检验R²：0.76~0.84vs.0.57~0.81）;场景增强下的PM_2.5浓度空间分布100m级分辨率模拟估算结果可以较好揭示研究区PM_2.5浓度高低值局地变化特征.     

基于GTWR-XGBoost模型的四川省PM2.5小时浓度估算

卫星气溶胶光学厚度(AOD)和气象数据已被广泛用于估算空气动力学直径≤2.5μm的地表颗粒物(PM_2.5)浓度.研究高时间分辨率、高精度的PM_2.5浓度估算方法,对及时准确的空气质量预报和大气污染的预防及缓解具有重要意义.使用Himawari-8 AOD小时产品和ERA5气象再分析资料作为估算变量,提出GTWR-XGBoost组合模型,对四川省PM_2.5小时浓度进行估算.结果表明：(1)提出的组合模型运用于全数据集的性能优于KNN、 RF、 AdaBoost、 GTWR、 GTWR-KNN、 GTWR-RF和GTWR-AdaBoost模型,拟合精度指标R²、 MAE和RMSE分别为0.96、 3.43μg·m^-3和5.52μg·m^-3,验证精度指标R²、 MAE和RMSE分别为0.9、 4.98μg·m^-3和7.92μg·m^-3.(2)该模型作用于PM_2.5浓度小时估算...     

基于LME/BME的珠江三角洲PM2.5星地融合技术研究

收集并处理了遥感反演的气溶胶光学厚度（AOD）、归一化植被指数（NDVI）和气象数据,采用贝叶斯最大熵（BME）结合线性混合模型（LME）估算了2015年10月~2016年3月珠江三角洲地区近地表旬平均PM_2.5质量浓度.结果表明,LME+BME模型的预测精度比LME模型有较大提升,LME+BME模型的交叉验证结果R²为0.751,RMSE为6.886μg/m³,MAE为4.52μg/m³,而LME模型的交叉验证结果R²为0.703,RMSE为7.546μg/m³,MAE为4.927μg/m³.空间分布看,PM_2.5高浓度地区主要集中在广州、佛山、东莞等地区,低浓度地区主要集中在肇庆、惠州、江门的南部等地区;时间变化看,PM_2.5污染比较严重的时间为2015年10月中旬、2015年11月下旬以及2016年3月下旬,而2015年10月上旬、2015年12月上旬和2016年1月下旬污染则相对较低.     

基于遥感数据估算近地面PM2.5浓度的研究进展

卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD与PM_2.5的相关关系来估算PM_2.5浓度已成为监测近地面PM_2.5的有效途径,其估算结果较可靠,能够为治理PM_2.5污染提供数据基础和科学依据. 从反演AOD数据集和PM_2.5浓度估算模型2个方面进行梳理归纳,从卫星轨道运行类型角度分析各类传感器的产品特征,并对缺失AOD的插补方法进行分类评价;对PM_2.5浓度的估算模型进行比较分析,指出不同模型的优缺点和适应性. 结果表明:①各类卫星传感器均具有特定功能及优缺点,其中地球同步轨道(GEO)卫星的快速发展,使其在估算PM_2.5浓度的应用上越来越广泛. ②插补后的AOD比AOD初始产品具有更连续的时空分布和更高的准确性,基于模型的多变量估算不仅可以实现数据的全面覆盖,还可以获得更好的估算精度. ③组合模型成为估算PM_2.5浓度的重要方法,机器学习模型的加入能够有效提高PM_2.5浓度的估算精度. 研究显示,利用AOD估算近地面PM_2.5浓度不仅弥补了地面PM_2.5监测的空间不连续性,更有助于解析PM_2.5浓度的时空分布特征及污染来源.      

Observation of the nighttime nitrate radical in Hefei, China

Observation of nighttime nitrate radical (NO3) was performed by using long path differential optical absorption spectroscopy (LP-DOAS), on the outskirts of Hefei, China. The time series of NO3 and supporting parameters were simultaneously measured for a week (31 May-7 June 2006). The results indicated that the average concentration of NO3 was 15.6 pptv with an average lifetimes of 96 s, whereas, NO3 production rates varied from 8×105/(cm3·s)to 2.98×107/（cm3·s）. Furthermore, the calculated N2O5 concentration averaged at 380 pptv. Analysis of data indicated that direct sinks were probably dominating the NO3 loss process during this campaign. Finally, the results were compared with other campaigns in the boundary layer.     

基于DMSP/OLS数据的中国碳排放时空模拟与分异格局

精准模拟和精细尺度获取碳排放的时空动态信息，对于合理制定差别化的区域碳减排政策具有重要意义.利用DMSP/OLS夜间灯光数据在完成年内和跨年数据的校正、像元去饱和、异常值剔除的基础上，提取了城市建成区范围，并以中国大陆为研究对象，根据夜间灯光数据和碳排放统计数据之间的定量关联，构建面板数据模型模拟了2000~2013年中国的碳排放量；采用Theil-Sen Median趋势分析方法与Mann-Kendall检验，探讨了14年间中国碳排放量的时空变化趋势及空间分布特征.结果表明：系统校正后的DMSP/OLS夜间灯光影像构建面板模型模拟的碳排放量拟合精度较高，2002，2007和2012年多尺度回归检验的决定系数R²值分别为0.893，0.955和0.951.2000~2013年中国碳排放时空演化差异显著，稳慢增长型和迅猛增长型分别占碳排放区域总面积的77.6%和19.4%，稳慢增长型面域宽广，迅猛增长型主要位于都市区及都市连绵区.受城市规模及城市化发育程度的影响，迅猛增长型空间结构呈"空心型"与"中心型"空间指向性分异.研究提出，促进经济增长方式和发展模式的实质性转变、因地制宜差别化的减排措施与省区联动策略的实施是"精准减排"目标实现的重要途径.     

基于NPP/VIIRS夜间灯光遥感数据估算上海地区PM2.5浓度

随着工业化和城市化的迅速发展,中国面临着越来越严重的大气污染危机,以细颗粒物(PM_(2.5))为标志的区域性大气复合污染问题已经成为我国大气环境污染治理的核心工作.目前,传统的地面监测站监测PM_(2.5)浓度的方法空间分辨率较差且耗费人力物力,而卫星遥感数据监测PM_(2.5)浓度的方法大部分只能应用于白天.由于PM_(2.5)浓度在时间上存在周期性变化,因此利用卫星遥感数据监测的夜间PM_(2.5)浓度可以作为表征PM_(2.5)日变化规律的重要补充.本研究采用Suomi National Polar-orbiting Partnership(Suomi NPP)卫星搭载的可见红外成像辐射计套件(Visible Infrared Imaging Radiometer Suite, VIIRS)中Day/Night波段(DNB)夜间灯光影像数据,依据大气气溶胶消光原理和站点气象数据,建立PM_(2.5)浓度的预测模型,基于多元线性回归分析对上海地区9个空气质量监测站在2014—2018年冬季无月无云的晴朗夜间的PM_(2.5)浓度值进行估计,并对PM_(2.5)浓度的空间分布进行模拟.结果表明,在研究时段上海地区PM_(2.5)实际浓度与模型估算PM_(2.5)浓度之间R~2=0.767,均方根误差(RMSE)为19.210μg·m~(-3),验证了VIIRS/DNB夜间灯光影像数据在估算PM_(2.5)浓度方面有巨大潜力.     

中国能源消费碳排放的空间化与时空动态

近年来全球多地遭遇极端天气,给人类社会的生产生活带来极大影响,共同应对全球气候变化已成为国际共识,在此背景下如何通过科学方法摸清二氧化碳排放情况成为响应国家"双碳"战略的重要工作.通过省级尺度的碳排放统计数据,综合夜间灯光数据和人口数据,将碳排放量分配到栅格尺度,并对中国2000、2005、2010、2015和2018年碳排放的时空格局、演变特征及碳排放与经济增长的关联性进行综合分析.结果表明：①从2000~2018年,中国的CO₂排放总量持续增长,但增长速率呈现放缓的趋势,碳排放年均增长速率由2000~2010年的9.9%下降至2010~2018年的7.4%.从空间分布来看,无碳排放地区主要分布在西北无人区及东北的林区和山区,低碳排放主要分布在广大的中小城镇地区,高碳排放则集中分布于华北、华中、东部沿海以及西部的省会城市及城市群附近;②碳排放在地级市尺度上存在高值聚集或低值聚集现象,且该聚集现象整体趋于稳定,在2005年之后有所加强;低低集聚区主要分布在西部的连片地区和海南岛,且随着经济社会的发展,低低集聚区开始破碎,规模减小;高高集聚区主要分布在京津冀城市群、太原城市群、长江三角洲城市群和珠江三角洲城市群地区且规模在逐步加强巩固;高低、低高集聚区则主要出现在社会经济发展水平差异较大的邻近城市;③中国大部分地区的碳排放量相对稳定,碳排放发生较大变化的地区主要分布在省会城市和重点城市的外围地区,即存在中心城区碳排放无变化,外围区域碳排放变化的圈层结构;④在2000~2018年中国城市发展进程中,整体上遵循一个由"低排放-低收入"转向"高排放-低收入"再转向"高排放-高收入"最终转向"低排放-高收入"的发展规律.从整体来看,中国碳排放的增速在放缓,在实行"双碳"战略的大背景下,各地区由于不同的社会经济发展情况和能源需求情况所面临的碳减排任务与压力也不尽相同,因而应分地区和分行业实施差异化的碳减排政策.     

南京北郊地区昼夜大气PM2.5中硫同位素的组成及来源

为研究南京地区昼夜大气PM_2.5中的硫同位素组成情况,采用Delta V Advantage同位素质谱仪技术对2016年3-4月南京北郊地区大气PM_2.5中昼夜δ34S（硫同位素值）进行分析,结合大气颗粒物化学组成,追溯昼夜大气PM_2.5及SO₄2-的来源.结果表明:南京北郊地区PM_2.5和SO₄2-的整体变化趋势一致,具有同源性.南京北郊地区白天大气PM_2.5的δ34S范围为4.23‰~7.16‰,平均值为5.45‰±0.91‰;晚上δ34S的范围为4.20‰~6.73‰,平均值为5.22‰±0.83‰.相较于晚上,白天δ34S略高主要与NO_x对SO₂的异相氧化反应和机动车尾气的排放有关.重霾天δ34S范围为4.20‰~7.16‰,平均值为5.39‰±0.87‰;清洁天δ34S范围为3.14‰~5.14‰,平均值为4.03‰±0.57‰.重霾天的硫源与燃煤、机动车尾气排放及NO_x对SO₂的异相氧化反应有关;而清洁天主要受到机动车尾气排放及SO₂与O₃均相氧化反应的影响.研究显示,南京北郊地区ρ（PM_2.5）昼大于夜,而ρ（SO₄2-）夜大于昼,重霾天大气PM_2.5的δ34S高于清洁天,这主要与NO_x、SO₂、O₃的相互转化有关.      

霾与城市化发展的关系

利用遥感夜间灯光数据,结合地面观测资料,以浙江省为例,研究了城市发展与气候条件、大气污染物质量浓度及霾天气之间的关系. 结果表明:当前粗放型城市发展引起的干岛、热岛、低湿、低能见度等气候效应,使1980—2010年杭州年均气温的线性增长率达到0.70 ℃/10 a、风速下降率为0.11 m/(s·10 a)、能见度下降率为1.40 km/10 a,分别高于临安的0.41 ℃/10 a、0.06 m/(s·10 a)、0.92 km/10 a. 城市发展改变大气污染物组成,对于城市化水平较高的杭州,大气中ρ(PM_2.5)/ρ(PM₁₀)的月均值介于0.52~0.69之间,明显高于临安的0.45~0.59,NO₂、SO₂等二次气溶胶前体物的质量浓度也明显高于临安. 浙江省大气中ρ(NO₂)较ρ(SO₂)高,其中临安大气中ρ(NO₂)年均值较ρ(SO₂)高出5.8 μg/m3,杭州的则高出21.0 μg/m3,同时杭州大气中ρ(NO₂)与ρ(SO₂)年均值的比值(1.70)也高于临安(1.57). 城市发展引起的气候效应及大气污染物组成变化可以解释浙江省霾日数与夜间灯光在空间分布和年代际长期变化趋势上的高度一致性. 在空间上,城市发展快、夜间灯光密集的浙北、浙江沿海、金衢盆地也是霾天气高发地区,而1960—2010年年霾日数出现的2个大跃变与改革开放及2000年后城市快速发展阶段相吻合,年霾日数与夜间灯光总灰度值之间的相关系数达到0.99. 研究显示,粗放型城市化发展是当前浙江省霾污染加剧的根本原因.      

快速城市化时期中国城市建成区植被状况的时空分异特征

基于植被变化视角,以中国656 个建制城市的建成区为研究对象,选择1992、2000 和2010 年DMSP/OLS 夜间灯光数据和植被数据,选用城市建成区内归一化植被指数（Normalized Difference Vegetation Index,NDVI）的均值反映建成区植被的状况;用建成区内NDVI均值和背景区内NDVI均值的比值（NDVI比值）衡量人为因素对城市建成区植被的影响情况。结果表明：①同一年份,城市规模越大,建成区植被越差;近20 a 来,除小城市植被变差外,其他等级城市植被总体在变好。②同一年份,规模小的城市人为因素产生的不利影响相对较小。近20 a 来,人为因素对特大城市和大城市植被产生的不利影响在减小,而中等城市基本不变,小城市则变大。③同一年份,从湿润半湿润森林带、半干旱草原带到干旱荒漠带的城市建成区内的植被逐渐变差;近20 a 来,干旱荒漠带的建成区植被状况略微变差,其余植被带内建成区植被变好。④同一年份,从湿润半湿润森林带、半干旱草原带到干旱荒漠带人为因素对建成区植被的不利影响逐渐减小;近20 a 来,湿润半湿润森林带内人为因素对建成区植被的不利影响在减小,而其他植被带内,人为因素的不利影响在增加。     

基于葵花影像中国地区夜间云识别方法研究

目的实现适用于中国地区的夜间云识别。方法根据红外波段云与非云的亮温差异,采用亮温阈值法研究适用于中国地区的夜间云识别算法。中国地形高程差异明显,其地表辐射能量也存在较大差异,影响云检测结果精度,因而提出基于三个高程阶梯的云识别方法。由于云检测结果验证缺少可见光波段,使用MODIS云数据产品和雷达数据CALIPSO分别做定性和定量验证。结果云检测区域与MODIS的MYD06云产品基本一致,CALIPSO雷达数据四个月的平均验证结果为:非云区域的提取精度约77.86%,云区域的提取精度为79.67%,将有云区域错提为非云的误差率为2.76%,而将非云区域误提取为有云区域的错误率为12.31%。结论利用日本静止气象卫星Himawari-8影像数据,根据阈值法提出的基于三个高程阶梯的云检测算法,较好地实现了适用于中国地区的夜间云识别。     

广州秋季HONO污染特征及夜间来源分析

大气亚硝酸(HONO)光解是对流层大气中OH自由基(·OH)的主要来源,对光化学过程具有重要作用,但其夜间化学过程的研究较为薄弱.本文利用2015年10月暨南大学大气超级站的HONO及相关参数的观测数据,针对夜间HONO的污染过程和来源进行了分析.结果表明广州秋季HONO夜间浓度平均值为4.32μg·m~(-3),是日间浓度平均值(1.67μg·m~(-3))的2.6倍;夜间HONO平均转化率CHONO为0.006 8 h-1;夜间机动车直接排放对HONO的平均贡献为15.1%,并在20:00左右出现峰值(37.8%);夜间NO和·OH反应生成HONO的净速率平均值为0.44μg·(m~3·h)~(-1);相关性分析,发现大气颗粒物对HONO的生成不重要,但相对湿度(33%RH78%)对HONO生成具有显著促进作用.相关计算表明沉降的NO_2与水汽在地表的非均相反应可能是夜间HONO的主要来源.     

典型华北农村地区冬季HONO的浓度水平及来源分析

气态亚硝酸(HONO)容易光解,是对流层大气羟基自由基(·OH)的重要来源之一,对区域二次污染的形成具有重要作用.我国在大气HONO观测研究方面主要集中在一些城市区域,而在我国北方农村区域的研究还鲜见报道.为此,本文利用亚硝酸在线分析仪(long path absorption photo meter,LOPAP)于2017年11月在中国科学院农村环境研究站(河北省望都县东白陀村)开展了为期一个月的HONO外场观测,并分析了HONO的浓度水平、变化特征及收支情况.大气HONO的浓度在观测期间呈现夜间高、白天低的日变化特征,夜间最高浓度(体积分数,下同)可达约3. 70×10-9,中午最低浓度也维持在0. 10×10-9以上,表明农村区域存在比较强的HONO来源.采暖前后CO浓度显著提高,而HONO浓度无显著变化,说明供暖燃烧对HONO的贡献较小;夜间机动车直接排放在污染天气和清洁天气条件下对HONO的贡献分别为23. 20%和31. 20%,说明在污染天气条件下存在着某些较强的HONO源;夜间·OH与NO的均相反应HONO平均生成速率可高达0. 40×10-9h-1,比NO2的非均相反应HONO生成速率(0. 24×10-9h-1)高0. 67倍,是HONO的主要来源; HONO在白天存在着很强的未知源,其强度可达1. 37×10-9h-1,对于HONO的贡献达到50%左右.