乌鲁木齐市大气气溶胶研究的分析

全面论述了大气气溶胶对环境造成的影响、乌鲁木齐市大气气溶胶的研究现状以及国内外的研究现状，并且对乌鲁木齐市大气气溶胶的进一步研究提出了设想。     

华北区域点冬季二次有机气溶胶特征与影响因素

为探明二次有机气溶胶(SOA)的污染特征和影响因素,本研究于2018年11月—2019年1月对华北区域点(德州市郊区点)细颗粒物(PM_(2.5))的化学组成进行了在线测量,并分析了PM_(2.5)中有机碳(OC)、元素碳(EC)和水溶性离子组分的污染特征及PM_(2.5)与气象要素之间的相关性.结果表明,观测期间德州PM_(2.5)污染严重,平均质量浓度为(115.6±24.6)μg·m~(-3);其中,有机碳和元素碳是PM_(2.5)的主要成分,平均质量浓度分别为(8.2±5.8)μg·m~(-3)和(2.6±2.2)μg·m~(-3),占PM_(2.5)总质量的7.1%和2.2%;PM_(2.5)与风速呈负相关,与相对湿度呈正相关,与气温的相关性较差,偏北风对PM_(2.5)浓度影响较大.同时,本研究利用EC示踪OC/EC比值法对PM_(2.5)中的二次有机碳(SOC)进行了估算,通过估算得到的SOC结果表明,华北区域点冬季SOC是OC的重要组成部分,平均浓度为(4.0±2.9)μg·m~(-3),占OC的45.7%,SOC在白天占比较高(62.7%),早晚由于有局地生物质燃烧影响,SOC占比降低,约占OC的42.7%.本研究还分析了SOC生成的影响因素,分析了德州市冬季O_3、含水量、酸度与SOC的相关性.结果表明,SOC受臭氧浓度影响,但在白天和夜晚表现出不同的相关关系,可能存在不同的生成机制.最后,利用ISORROPIA模型估算了颗粒物的含水量和酸度,发现SOC在高含水量和低含水量下存在不同的关系,高含水量更能促进SOC生成;在高含水量下SOC与H~+具有显著相关性,但在低含水量下则不相关,表明颗粒物含水量较高、H~+浓度较高情况下液相酸催化反应可能对SOC具有重要贡献.     

基于卫星遥感气溶胶产品评估体系的气溶胶时空分布及变化趋势表征

卫星遥感气溶胶虽然空间覆盖度高,但不同产品数据在准确性和适用性上存在显著差异.为了能够科学定量的衡量各个产品的优劣,选择最合适的气溶胶产品,该研究以数学统计为基础,提出了一种卫星遥感气溶胶产品评估体系,并依此确定了全球6个人口密集地区的最优卫星数据集,在此基础上开展了近10年的（2009—2018）气溶胶时空变化分析.结果表明暗像元算法在植被覆盖度高的地区表现最好,深蓝算法在亮地表的沙漠干旱地区更占优势,而暗像元-深蓝融合算法在土地类型复杂且气溶胶来源多变时得以突出.人口密集的6个区域中,除了区域A和区域B,其它地区的大气污染水平整体偏高.其中,A、B、E的气溶胶负荷呈下降变化,区域F基本不变,其余区域上升变化.评估体系的建立为气溶胶遥感产品的选取提供了新的衡量方法,且该文关于气溶胶时空分布及变化的分析可以为区域性气溶胶研究提供一定的参考价值.     

近14年西北地区甲醛柱浓度的时空变化研究

基于臭氧监测仪（OMI）卫星反演数据,对2005~2018年西北4省区域大气甲醛柱浓度数据进行提取及分析,探讨其时空变化特征及影响因素.结果表明：在时间变化上,14a甲醛柱浓度整体呈先上升后下降的波动变化趋势,夏秋季显著高于冬春季,且冬季均值略高于春季.在空间分布上,甲醛柱浓度自西向东、自北向南逐渐升高,高值区集中于陕西和甘肃东南部及青海西南部;低值区集中于宁夏、青海和甘肃的西北部;稳定性呈现出东部分散、西部集聚、差异显著的分布格局.影响甲醛柱浓度变化的因素包括自然和人为因素,自然因素中,甲醛柱浓度受地形影响显著,与风向、气温均呈现显著正相关;人为因素中,甲醛柱浓度与人口密度、地区生产总值、工业废气排放量及建筑房屋竣工面积均表现出正相关关系,与工业废气排放量的相关度最高.大气中甲醛分子与气溶胶粒子二者间呈显著正相关关系,这进一步说明甲醛浓度受到了诸多因素的综合影响,但气溶胶粒子、气温及工业废气的排放是主导因素.     

NOx存在条件下相对湿度对甲苯氧化产物的影响

利用流动管反应器模拟甲苯与氧化剂×OH在NO_x存在条件下的反应,定量测定了不同相对湿度条件下（17.5%、35%、50%、70%）反应生成的部分气相产物和颗粒相产物,计算了不同相中产物产率,测量了不同相对湿度下的颗粒相有机碳（OC）产率,推导了相对湿度对甲苯氧化反应的影响机制.结果表明,相对湿度不仅对甲苯与×OH反应途径比例有影响,还对产物的产率及氧化程度有影响.     

北京地区基于化学组分的夏季气溶胶吸湿特性

利用吸湿增长光散射测量系统、黑碳仪和气相色谱质谱联用仪等仪器,于2019年7月15日~8月4日在北京地区开展了为期21d的大气气溶胶观测实验.观测期间北京市区于7月27日出现短暂的轻度污染,并在7月29日出现强降水天气.结果显示：北京市区夏季大气污染变化剧烈且短暂,大气气溶胶散射吸湿增长因子f（RH）呈现平滑连续的特点,并且降水会对f（RH）造成显著影响.7月27日PM_2.5的平均质量浓度为（92.54±47.05）μg/m³;,表现出较为剧烈的污染变化.7月28~30日平均散射吸湿增长因子f（80%±1%）分别为（1.50±0.35）,（1.43±0.36）和（1.48±0.25）,反映了降水对于大气气溶胶的湿清除作用.最后利用实验数据估算粒径吸湿增长因子gf（RH）,并建模研究f（RH）和gf（RH）的关系,模型精度R²最高可达0.698.     

乌鲁木齐市气溶胶光学厚度时空分布特征及潜在来源分析

依据2009年1月—2019年7月MODIS/AQUA C6.1 MYD04_L2 气溶胶光学厚度（Aerosol Optical Depth, AOD）日数据,在宏观视角下对乌鲁木齐市AOD时空分布特征进行分析,利用后向轨迹模式（Hybrid Single Particle Lagrangian Integrated Trajectory,HYSPLIT）和潜在源贡献作用分析方法（Potential Source Contribution Function, PSCF）讨论气溶胶运输的季节性变化,并揭示研究不同季节对AOD影响较为明显的潜在源空间分布.结果表明：①乌鲁木齐市AOD呈显著的季节性差异,四季均值依次为：春季（0.328） > 夏季（0.310） > 秋季（0.273） > 冬季（0.137）,AOD高值区主要集中在市区.②AOD年内呈双峰分布,峰值分别对应为4月（0.402）和8月（0.346）;10 a间AOD呈弱下降趋势,其中2014年最高（0.316）,2017年最低（0.235）,AOD均值为0. 276.③春季和冬季乌鲁木齐市气团输送主要来自中亚地区,夏季和秋季则来自于天山周边地区;AOD主要潜在源区为乌鲁木齐市及其周边地区,对乌鲁木齐市空气质量具有显著影响.     

东南亚生物质燃烧输送影响我国西南气溶胶辐射特性研究

利用2013年地基CE-318太阳光度计观测数据,结合中分辨率成像光谱仪（MODIS）遥感产品和HYSPLIT后向轨迹分析,研究了一次东南亚生物质燃烧污染长距离输送至中国西南昆明站点过程（2013年4月5~8日）中,气溶胶光学特性和辐射特性的变化及其可能来源.结果表明,此次污染过程期间,我国西南地区生物质燃烧活动较少,而中南半岛地区生物质燃烧活动显著.4月5~7日,昆明站点气溶胶光学厚度（AOD）升高,消光波长指数（EAE）和吸收波长指数（AAE）均增大.此外,依据EAE和AAE分类方法,5~6日昆明站点以城市工业气溶胶为主,7~8日以生物质燃烧气溶胶为主,其细模态峰值半径（0.11μm）小于5~6日（0.15μm）,7日细模态粒子体积浓度峰值（约为0.16μm³/μm²）是5日的2倍.气溶胶直接辐射强迫（ARF）日变化结果表明4月7日气溶胶对地表的降温效应达到最大,对大气的加热作用最强.气溶胶直接辐射强迫效率值（ARFE）的变化表明生物质燃烧气溶胶对大气顶的降温作用减弱.MODIS遥感以及HYSPLIT模式后向轨迹表明,此次昆明站点生物质燃烧气溶胶主要来源于东南亚地区（主要是印度北部、印缅北部和不丹地区）.     

珠三角城市群PM2.5和O3污染特征及VOCs组分敏感性分析

系统分析了珠三角城市群PM_2.5、O₃和挥发性有机物（VOCs）的污染特征,并筛选出对二次有机气溶胶（SOA）和O₃影响较大的敏感性组分。结果显示:珠三角城市群PM_2.5和O₃浓度的季节变化具有明显差异,PM_2.5和O₃分别在1月和10月出现浓度最高值。珠三角城市群VOCs主要以烷烃为主,占比为64.2%,其次为芳香烃和烯烃,含量较高的组分为丁烷、异戊烷、异丁烷和环己烷。SOA生成潜势贡献主要以芳香烃为主,占比为78.5%,其中甲苯、间,对-二甲苯和乙苯的SOA生成潜势最大。O₃生成潜势主要以烯烃为主,占比为42.3%,其次为芳香烃（34.2%）和烷烃（23.5%）,其中丙烯、异戊二烯和1-丁烯的O₃生成潜势最大。为有效缓解珠三角城市群PM_2.5和O₃污染,建议优先对机动车尾气、溶剂挥发、涂料使用和石化行业的VOCs敏感组分进行控制。     

基于Stacking的地面PM2.5浓度估算

为了解决地面PM_2.5监测网络在空间和时间覆盖受限的问题,提出了基于宽时空覆盖的卫星气溶胶光学厚度AOD,利用Stacking方法建立地面PM_2.5浓度估算模型,将AOD、PM_2.5和各气象参数以及与PM_2.5排放有关的数据进行训练,使用改进网格搜索对模型超参数进行优化,通过对多重共线性分析,建立基于Stacking的最优PM_2.5浓度估算模型。选取2016-01-01-2016-12-31的数据作为实验对象,结果表明:相比于随机森林、GBRT和XGBoost 3种模型,使用岭回归作为元学习器的Stacking模型性能更优,可见Stacking适用于大范围地理区域的大气污染监测。