共查询到14条相似文献,搜索用时 156 毫秒
1.
基于成都市2017年10~12月AURORA-3000积分浊度计、AE-31黑碳仪和GRIMM180环境颗粒物监测仪的地面逐时观测资料,以及该时段同时次的环境气象监测数据(大气能见度、相对湿度RH和NO2质量浓度),通过Mie散射理论与免疫进化算法反演气溶胶粒径吸湿增长因子Gf(RH),并利用光学综合法测量气溶胶散射吸湿增长因子f(RH),探究了Gf(RH)与f(RH)之间的关系.结果表明:当RH<85%,Gf(RH)和f(RH)随RH的增加均表现为平缓式增长;当RH>85%,Gf(RH)和f(RH)随RH的增加则均呈现出爆发式增长.Sigmoid函数f(RH)=17.34/(1+e-2.43·[Gf(RH)-2.15])较好地拟合了f(RH)随Gf(RH)的变化形态,其f(RH)拟合值与测量值之间的决定系数(R2)和平均相对误差(MRE)分别为0.97和4.01%.利用sigmoid函数计算Gf(RH),模拟了观测时段内一次灰霾演化过程中气溶胶的散射系数bsp(RH)和吸收系数bap,二者的模拟值与测量值基本吻合,对应的R2分别为0.99和0.98,MRE分别为2.94%和5.24%. 相似文献
2.
基于成都市2017年10~12月逐时的“干”气溶胶散射系数和吸收系数观测数据,结合该时段同时次的能见度(V)、相对湿度(RH)以及二氧化氮(NO2)监测资料,利用“光学综合法”计算气溶胶散射吸湿增长因子,并探究了气溶胶散射吸湿增长因子单变量f(RH)模型的适用性及其改进方案.结果表明:幂函数、二次多项式、幂指函数形式的f(RH)模型在低RH条件下(RH<85%)均能很好地模拟气溶胶散射吸湿增长因子随RH的变化特征,但在高RH条件下(RH>85%)的模拟值会出现较大的偏差.黑碳质量浓度(CBC)是影响气溶胶散射吸湿增长因子的另一关键变量,二者之间满足非线性关系.以RH和CBC为自变量构建了气溶胶散射吸湿增长因子双变量f(RH,CBC)模型,模型计算值和实测值之间的决定系数R2为0.763,平均相对误差MRE为14.28%.双变量模型f(RH,CBC)的应用显著改善了气溶胶散射消光系数的模拟效果. 相似文献
3.
将气溶胶复折射率(Aerosol Complex Refractive Index,ACRI)和气溶胶粒径吸湿增长因子(Growth Factor,Gf(RH))参数化方案进行耦合,提出了一种基于Mie散射模型的大气能见度数值改进算法.并利用成都市2017年10~12月WS600一体式气象站、AURORA-3000积分浊度计、AE-31黑碳仪以及GRIMM180环境颗粒物监测仪分别观测获得的相对湿度(RH),干气溶胶散射系数(bsp),干气溶胶吸收系数(bsp),气溶胶质量浓度(PM10,PM2.5,PM1)及其数浓度粒径分布(N[r(RH)])的地面逐时观测资料,通过与两种能见度计算模型(经验参数的Mie散射模型和统计模型)在不同能见度区间(<2km,2~5km,5~10km,>10km)模拟结果的对比分析,评估了该改进算法的适用性.结果表明:三种能见度计算方法均能较好地模拟出能见度的变化特征;改进算法通过本地化参数化方案更准确地估计出DACRI和Gf(RH),从而可更准确地模拟出四类能见度区间,对应模拟值与实测值的相关系数(R)分别为0.62,0.90,0.89,0.93,平均相对误差(MRE)分别为9.86%,10.39%,9.94%,14.06%. 相似文献
4.
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PM2.5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. 相似文献
5.
气溶胶组分、结构以及形态的复杂性对高湿条件下气溶胶散射吸湿增长因子统计模型的适用性提出了挑战。基于成都市2017年10—12月浊度计和黑碳仪的逐时观测资料,结合同时次的环境气象监测数据,利用“光学综合法”计算气溶胶散射吸湿增长因子。以相对湿度(RH)、CBC、CBC/C(PM2.5)、CPM1/C(PM2.5)以及C(PM2.5)/C(PM10)作为输入因子[CBC、CPM1、C(PM2.5)、C(PM10)分别为黑碳(BC)、PM1、PM2.5、PM10的质量浓度],构建了气溶胶散射吸湿增长因子的BP神经网络... 相似文献
6.
利用环境湿度的日变化,对广州市大气气溶胶散射吸湿增长因子进行了观测研究.基于反向轨迹模型HYSPLIT,将2006年7月到达广州市区的气溶胶分为海洋型、海洋/城市混合型、城市型3个类型.整个观测期间,海洋型、海洋/城市混合型、城市型气溶胶的散射吸湿增长因子f(RH=80%)的平均值分别为2.68±0.59、2.29±0.28、2.04±0.28.经验公式f(RH)=1+a(RH/100)b能够较好地拟合3种类型的气溶胶散射吸湿增长因子,海洋型、海洋城市混合型、城市型气溶胶的散射吸湿增长因子的拟合经验参数a分别为4.92、3.26、2.06,经验参数b分别为5.04、3.85、3.60. 相似文献
7.
通过对大气消光系数进行组分分解,并借助米散射理论,构建了以均匀混合气溶胶吸湿增长因子为唯一变量的目标函数.进一步利用免疫进化算法优化该目标函数,提出了一种针对均匀混合气溶胶吸湿增长因子的反演算法.基于成都市2017年10~12月浊度计,黑碳仪和GRIMM180环境颗粒物监测仪的地面逐时观测资料以及该时段同时次的环境气象监测数据(大气能见度,相对湿度RH和NO2质量浓度),评估了算法的性能及其适用性.结果表明:对所有测试样本而言,反演均匀混合气溶胶吸湿增长因子的免疫进化算法均能快速收敛到全局最优解.建立了成都地区秋冬季均匀混合气溶胶吸湿增长模型,该模型显著提升了环境条件下气溶胶散射系数的模拟精度,其模拟值与实测值之间的平均相对误差仅为12.7%.该反演算法的普适性可为气溶胶吸湿性及其辐射强迫效应的后续研究提供算法保障. 相似文献
8.
以黄土高原为例,基于Sentinel-2A影像和地表实测地物光谱与盖度数据,分别在模拟混合场景和野外实测混合场景中,评估4种NPV植被指数(NPVI):SWIR32(短波红外比值指数)、DFI(干枯燃料指数)、STI(土壤耕作指数)和NDTI(归一化差异耕作指数)估算非光合植被盖度(fNPV)的有效性,并利用优化法确定线性光谱混合模型的关键参数端元值,估算研究区光合植被盖度(fPV)和fNPV.结果表明,在模拟混合场景下,4种NPVI与模拟fNPV线性关系的R2是0.365~0.750;在野外场景中,其相关性均有一定程度的降低,R2是0.147~0.211.研究构建NDVI-SWIR32像元三分模型,并确定了最优端元值:NDVIPV=0.80,SWIR32PV=0.60, NDVINPV=0.17,SWIR32NPV=0.77,NDVIBS=0.23,SWIR32BS=0.99.模型对fPV和fNPV估算精度R2分别是0.817和0.463,NSE分别是0.806和0.458.利用该模型估算全区2019年4、8和12月的平均fPV和fNPV,分别为20.3%和59.2%,48.6%和33.1%,10.7%和59.0%.随时间推移,fPV从东南向西北不断增加而后减小,fNPV与之相反. NDVI-SWIR32模型可以用于Sentinel-2A影像数据来监测黄土高原地区fPV和fNPV的时空动态变化. 相似文献
9.
对目前大气环境颗粒物监测中采用的基于光散射法的3种型号传感器进行了评测研究,其中A和B是用于室内环境监测,C用于室外环境监测.对3种型号颗粒物传感器与基于β射线方法的标准仪器MATONE BAM-1020对比,对传感器的变异性、时间序列、传感器与标准仪器的线性相关性、其他因素影响、数据质量五个方面开展了分析.结果表明:各型号颗粒物传感器之间有较强相关性(R2达到了0.95以上);3种颗粒物传感器与标准仪器测量结果吻合度较高,R2分别为0.58,0.80,0.61,且在整个测试时间段内,传感器相对于标准仪器来说高估了PM2.5;高的相对湿度(RH>50%)和PM2.5/PM10(ratio)会对传感器产生影响.A、B、C三种型号传感器PM2.5数据平均绝对误差(MAE)分别为23.31,10.14,28.17μg/m3;归一化均方根误差(RMSE)分别为25.80,14.01,32.98μg/m3,准确性(A%)分别为51.39%,72.97%,46.51%. 相似文献
10.
实验室发生纳米气溶胶吸湿性表征 总被引:4,自引:0,他引:4
气溶胶吸湿特性对于灰霾的形成、气溶胶对气候变化的影响及人体健康效应具有重要意义. 采用加湿迁移差分分析(HTDMA)法,对实验室发生的8种纳米级无机和有机气溶胶进行吸湿特性定量表征,从而判定影响气溶胶吸湿特性的主要因素. 结果表明,NaCl和(NH4)2SO4气溶胶的潮解点为相对湿度(RH)75%±2%,与理论计算结果相接近,说明测试系统具有一定的可靠性. 对以往研究较少的NaNO3,CaCl2,CaSO4,合成海盐,乙二酸和己二酸气溶胶的测试表明,NaNO3,CaCl2以及合成海盐气溶胶随RH的升高粒径逐渐增大;合成海盐气溶胶在RH为86%时吸湿性生长因子(Gf)达到1.80;CaSO4,乙二酸和己二酸气溶胶随着RH增大未见明显吸湿增长. 通过扫描电镜分析了8种化合物气溶液在不同RH下的形态特征,为掌握各种化学组分对气溶胶吸湿特性的影响提供了微观形态分析的依据. 相似文献
11.
12.
13.
在2006年北京加强观测期间,以颗粒物-液体转换采集系统(PILS)测量的气溶胶各可溶性离子组分的质量浓度、颗粒物分级采样器(MOUDI)测量的各可溶性离子组分及有机碳(OC)、碳黑(EC)的分级质量谱分布为基础,对离子组分的可能存在形态进行判断,计算了化学组分质量浓度及各化学物种的粒径数谱浓度;利用Mie模型及各化学物种的密度、折射率、吸湿粒径增长因子等参数计算得到外混、内混的粒子群在干燥状态、不同相对湿度下的散射系数,最终计算得到不同化学组分外混、内混状态下的散射吸湿增长因子;将模型模拟的气溶胶散射吸湿增长因子与观测得到的该因子进行对比,发现模拟值与观测值能够在一定误差范围内吻合,实现了该因子的闭合实验. 相似文献
14.
为探究大气环境中污染物与气象要素交互作用对PM2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型(GAMs)分析不同影响因素对当地PM2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM2.5浓度与平均气温(T)、相对湿度(RH)、平均风速(Wind)、降水量(Prec)、O3、NO2、SO2和CO间均呈非线性关系,其中CO、NO2、SO2、T和Wind对PM2.5浓度影响较大,与全年不同的是,冬季T和O3对PM2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO2、SO2和O3这7个解释变量对PM2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R2=0.759,方差解释率为76.42%,冬季R2=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温(7℃左右)+高相对湿度+高浓度CO+高浓度NO2+高浓度SO2协同作用条件下有利于PM2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO2+高浓度SO2共存条件下有利于PM2.5的生成,即该条件对PM2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM2.5浓度变化的影响特征,对PM2.5浓度污染防控研究具有重要指示意义. 相似文献