基于多源数据的大气气溶胶时空分布特征和污染对比研究

赵丽斌 郭潆孺 范蕊

收稿日期：2023-12-21

基金项目：基于地面降水量的区域历史回归等统计方法对一次人工增雨的效果检验研究（黑龙江省气象局科学技术研究项目HQZC2020052）。

作者简介：赵丽斌（1985-），女，黑龙江省哈尔滨市，硕士，工程师，研究方向为人工影响天气。

摘 要：为研究西北干旱地区大气气溶胶物理特性，以新疆乌鲁木齐、阿勒泰、和田三个城市为研究对象，通过采用反向轨迹、潜在贡献因子（PSCF）和浓度权重轨迹（CWT），以及气溶胶吸收Angstrom指数计算方法，基于多源数据开展了大气气溶胶时空分布特征研究分析。相较于沿海城市，和田地区PM污染物浓度最高，阿勒泰地区PM污染物浓度最低，新疆内陆地区的SO2和CO污染程度更严重，而NO2污染程度有所减轻，O3污染程度出现波动状态。

关键词：气溶胶；多源数据；物理特性；反向轨迹

中图分类号：X51文献标志码：A文章编号：1673-9655（2024）03-00-07

0 引言

气溶胶是大气系统的重要组成部分，指悬浮在大气中不同形状、不同成分、半径为0.0005～50 μm的固液颗粒，对气候影响意义重大。研究发现，人类活动产生的气溶胶颗粒是污染大气环境的主要原因。为分析人类活动与自然气候条件对大气气溶胶颗粒的生成关系，进一步保护大气环境，雷佩玉等以2017—2020年西安市两城区大气细颗粒物中4种水溶性离子为研究对象进行研究，认为霾天气相较于正常天气，PM2.5主要成分SO42-、NO3-、NH4+离子占总水溶性离子的百分比较高，因此，要减少大气中的PM2.5浓度，需控制SO42-、NO3-、NH4+离子排放[1]；李世浩等分析了西安城市主干道黑碳排放特征及源解析，认为交通出行碳排放对大气中PM2.5浓度具有较大贡献，为政府有效能源规划提供依据[2]；韩朋等分析了太原盆地某地冬季PM2.5中OC和EC污染特征，认为燃煤和机动车尾气排放是污染天碳质气溶胶的主要来源[3]。

本文以新疆乌鲁木齐、阿勒泰、和田三个城市为研究对象，基于多源数据，从PM2.5、PM10颗粒污染物及SO2、O3、NO2、CO气体污染物多方面对大气气溶胶时空分布特征和污染进行对比研究，为完善分析西北干旱地区大气气溶胶物理特性提供依据。

1 数据来源

本文所使用的气象数据来自全球数据同化系统（GDAS）采集的2020年全球温度、降水、气压等气象要素数据。所使用的空气质量数据来自中国空气质量在线检测分析平台，包括PM2.5、PM10、SO2、O3、CO浓度数据。此外，为对比分析上述三个地区空气污染情况，还选取了杭州、厦门、青岛三个沿海地区的数据作为对比。其中，乌鲁木齐和青岛设置11个监测点，阿勒泰和厦门设置6个监测点，和田设置2个监测点，杭州设置16个监测点。气溶胶柱数据来自NASA MERRA-2提供的再分析数据，时间段为1980—2020年。OMI数据来自NASA地球观测系统Aura卫星观测的数据，时间段为2005—2020年。CALIPSO数据来自美宇航局ESSP卫星提供的云层和气溶胶数据，时间段为2020年11月30日—12月3日。

2 研究方法

2.1 后向轨迹分析

后向轨迹分析可反演采样点大气团的运输特征及来源。本文采用TrajStat模型对大气团轨迹进行计算和聚类。TrajStat模型是一种混合拉格朗日和欧拉方法优势，可计算空气块对流过程和扩散过程以及污染物浓度的后向轨迹计算方法，广泛应用于各个地区的污染物传输和扩散研究中[4]。利用TrajStat模型计算反向轨迹的具体操作如下：首先利用每天间隔6 h的气象数据计算前72 h的气团反向轨迹，检查气团历史，然后设置高度为距离地面500 m，利用层次聚类对日变化或季节变化轨迹进行分类。

2.2 PSCF与CWT方法

PSCF与CWT方法是用于定量统计分析反轨迹模型网络的方法，可确定较强污染源的分布[5]。其中PSCF通过逆向轨迹计算概率函数确定污染源地理位置空间分布。假设研究区域划分为i×j个网格，节点数为N，节点nij落在第ij个网格中，则随机选取的气团在ij网格上消耗的相对时间的概率可表示为：

（1）

式中： —给出时间。

假设节点对应轨迹到达时污染物浓度高于设定值，则发生的概率为：

（2）

因此，PSCF定义为条件的概率可表示为：

（3）

CWT主要计算的是每个网格（i， j）的浓度平均值，计算方法如式（4）[6]：

（4）

式中：l—特征轨迹；M—轨迹总数；Cl—轨迹l的浓度值；τijl—轨迹l经过（i， j）的时间；的高值—网格点对研究区域具有较高的潜在贡献浓度。

为减小nij值不确定性的影响，可引入权重函数Wij。本文中定义Wij如下[7]：

（5）

采用WPSCF和WCWT结合PM2.5和PM10的浓度进行相关性分析，即可对PM污染物的来源和含量进行确定。

2.3 气溶胶吸收Angstorm指数计算

定量气溶胶参数（AAOD）和气溶胶总消光系数（AOD）与单次散射反照率（SSA）相关，可通过式（6）计算[8]：

（6）

AAE是推断大气中主要气溶胶类型的参数，可通过式（7）计算。

（7）

式中：[9]，表示波长。

3 结果与分析

3.1 PM2.5与PM10分析结果

PM2.5和PM10是衡量颗粒物污染程度的重要指标。为验证所提方法的有效性，实验选取2020年全年乌鲁木齐、阿勒泰、和田三个地区的污染物浓度数据评估以上城市的空气污染情况。三个地区的PM2.5和PM10季节与年平均浓度见表1。由表可知，乌鲁木齐、和田的PM2.5和PM10浓度分别为57.5 μg/m3

和119.4 μg/m3、116.3 μg/m3和429.3 μg/m3，高于NAAQS的II级年平均限值（35 μg/m3和70 μg/m3）[10]，而阿勒泰的PM2.5和PM10浓度为9.2 μg/m3和19.3 μg/m3，低于标准限值，分析原因可能是乌鲁木齐与和田地区的沙尘暴所致。不同季节不同地区的PM2.5和PM10浓度具有明显的差异，乌鲁木齐最大值和最小值分别出现在冬季和夏季，和田地区最大值与最小值分别出现在春季和秋季，阿勒泰地区最大值与最小值分别出现在冬季和秋季。分析乌鲁木齐与阿勒泰地区在冬季PM污染物浓度变化明显的原因可能与排放的热源有关，而和田地区在春季变化明显，可能与沙尘暴增加有关。

由于乌鲁木齐PM污染物浓度在冬季处于较高水平，在夏季PM10小时浓度最高值在23：00—1：00，最低值在12：00—22：00。分析原因是夜间跨省份货物交通运输量增加，汽车尾气排放量增多。乌鲁木齐夏秋两季比冬春两季夜间PM浓度值低，其原因是夏秋季空气相对湿度较高，干沉降增加。阿勒泰地区PM污染物浓度变化差异较小，其原因是该地区几乎不存在沙尘暴，但由于其与和田尘源较近，因此PM10浓度较高，每小时超过300 μg/m3。

和田地区PM污染物浓度日变化存在两个谷值，分别在7：00—9：00和16：00—20：00，最高值在11：00—12：00。分析两个谷值出现的原因与风速和人为活动相关，风速大，人为活动少，PM浓度低，反之PM浓度高。整体来看，和田地区相较于乌鲁木齐与阿勒泰地区，日变化最剧烈，且随季节变化明显。原因是和田地区人为活动和工业较多，且作为沙尘源，容易受到沙尘暴的影响[11]。

乌鲁木齐的PM2.5和PM10浓度超过NAAQS的II级日均值标准（75 μg/m3和15 μg/m3）24.5%和23.2%[12]。原因是乌鲁木齐为新疆省会城市，人为活动频繁，工业、交通发达；和田PM2.5和PM10浓度超过NAAQS的II级日均值标准46.3%和76% ，是三个城市中PM污染物最严重的地区，原因是研究期间和田地区沙尘暴严重；阿勒泰地区PM污染物均低于NAAQS的II级日均值标准，说明该地区空气质量良好，是三个城市中质量最好的城市。

PM2.5与PM10的比值是衡量颗粒污染物特征的指标，其值越大，表示污染通常由人为活动引起，反之则由沙尘暴等环境因素引起。乌鲁木齐PM2.5/PM10=0.47，阿勒泰PM2.5/PM10=0.45，和田PM2.5/PM10=0.29，表明上述三个城市的主要颗粒污染物为PM10，主要受到干旱和裸地的沙漠产生的沙尘暴影响。设定PM2.5＞75 μg/m3为污染日，研究期间乌鲁木齐、阿勒泰、和田地区的污染日与非污染日的年平均值和标准差，得出乌鲁木齐与和田地区的污染日与非污染日的差异明显，

PM2.5污染日平均浓度分别为144 μg/m3和203 μg/m3，

相较于非污染日平均浓度29 μg/m3和43 μg/m3高出约5倍；阿勒泰地区无污染日。

图1为乌鲁木齐、阿勒泰、和田地区的

PM2.5/PM10在污染日与非污染日的季节性变化。由图可知，乌鲁木齐PM2.5/PM10在夏季和冬季分别达到最低值与最高值，与该地区的PM2.5浓度变化趋势一致。分析原因是稳定的大气环境积累了更多的二次气溶胶，有利于PM10粗颗粒污染物沉降，导致该地区冬季PM10中细颗粒较多。阿勒泰地区污染日较少，主要与当地天气环境改善有关。和田地区PM2.5/PM10值在春季最低，说明该地区春季污染由粗颗粒主导。

CO是一种可归一化PM2.5的示踪剂，能排除一次燃烧影响的气象因素[13]。因此，为进一步推断PM2.5产生的原因，本文还计算了PM2.5与CO的比值，结果如图2所示。PM2.5/CO在污染日与非污染日存在明显变化，说明气溶胶贡献不同。相较于PM2.5/PM10，PM2.5/CO在夏季最大，在冬季最小，说明冬季污染严重时气溶胶占比更大，进一步说明次要成分对PM2.5浓度的影响随季节变化。

3.2 污染气体分析

CO和O3是常见的大气污染气体[14]。根据乌鲁木齐、和田地区的CO和O3的日频浓度随时间分布情况可知，除阿勒泰地区，乌鲁木齐与和田的CO质量浓度日频率分布超过II级标准（4 mg/m3）；三个地区的O3日频率均超过II级标准（160 μg/m3）。

CO浓度和O3是乌鲁木齐、阿勒泰、和田地区的主要污染物，其随季节变化明显。其中，O3的浓度在春夏季最高，在秋冬季最低，与PM污染随季节变化存在较大的差异；乌鲁木齐的O3浓度差异最大，阿勒泰O3浓度差异最小。

分析乌鲁木齐、阿勒泰、和田地区的SO2和NO2的日频率和随时间分布图。并且由三个地区SO2和NO2随时间分布可知，SO2和NO2质量浓度均低于II级日均标准（150 μg/m3），乌鲁木齐与和田地区的NO2质量浓度超过II级标准（80 μg/m3）；三个地区的SO2和NO2随时间分布差异明显。

3.3 气溶胶来源分析

为分析三个地区的气溶胶来源，实验对研究期间三个地区的气团进行了72 h反轨迹分析，结果如图3所示。图中，红色线条为传输途径。线条越长，表示传输速度越快[15]。由图可知，乌鲁木齐地区大部分轨迹来自该地区西北部和正北方向。其中，春季气团39.84%来自博尔塔拉。该轨迹最短，不利于空气污染物扩散；48.9%来自哈萨克斯坦，11.26%来自俄罗斯。夏季气团均来自哈萨克斯坦，42.31%来自哈萨克斯坦东部，34.34%来自哈萨克斯坦东部，15.56%来自哈萨克斯坦东北部，7.69%来自哈萨克斯坦南部。秋季气团与夏季气团轨迹起源一致，均来自哈萨克斯坦。冬季气团68.82%来自塔城南部，17.89%来自哈萨克斯坦东南部，10.96%来自昌吉，2.25%来自俄罗斯西北部。由此可以看出，乌鲁木齐地区受到哈萨克斯坦的颗粒物浓度影响较大。

阿勒泰地区大部分轨迹来自该地区东北部和西部。其中，春季气团轨迹39.73%来自该地区东北部，24.38%来自其西部，20.82%来自俄罗斯西南部，15.07%来自俄罗斯南部。夏季气团68.96%来自哈萨克斯坦，31.04%来自俄罗斯南部。秋季气团均来自哈萨克斯坦，最长一条轨迹来自哈萨克斯坦东南部。冬季气团由35.96%来自哈萨克斯坦，28.65%来自俄罗斯，35.89%来自蒙古国西北部。

和田地区大部分轨迹来自该地区西北部，通过东北方向到达。分析原因，和田地区处于内陆，位于蒙古高原东部，造成了东方传输性气溶胶增加。其中，42.86%气团来自阿克苏西南部，25.82%气团来自巴音郭楞，19.51%气团来自哈萨克斯坦南部，11.81%气团来自哈萨克斯坦东部；夏季气团轨迹82.36%阿克苏地区，11.54%来自克孜勒苏柯尔克孜，1.1%来自巴音郭楞与吐鲁番交界处；秋季气团轨迹35%来自巴音郭楞西北部，27.78%来自阿克苏南部，18.61%来自昌吉回族自治州，18.61%来自克孜勒苏柯尔克孜；冬季气团轨迹主要来自巴音郭楞西南部和北部，分别占总量的39.89%和32.02%，剩余26.97%和1.12%气团分别来自和田中西部气团和俄罗斯西南部。

综上可知，乌鲁木齐、阿勒泰、和田三个地区的气团轨迹各不相同。其中，乌鲁木齐主要受到哈萨克斯坦和俄罗斯的颗粒物影响，阿勒泰受到哈萨克斯坦、俄罗斯、蒙古国颗粒物影响，和田地区受到其周边西北和东北方向地区颗粒物影响。乌鲁木齐是离海洋最远的城市，属大陆性干旱气候，受到特殊地形与气候的影响，容易受到境外颗粒物影响。阿勒泰地区纬度较高，属大陆性寒冷气候，同样受到境外颗粒物影响。和田地区周围群山环绕，在帕米尔高原和昆仑山的阻挡下，气流不容易扩散，因此其轨迹主要来自周边地区。通过分析三个地区的后向轨迹可知，气团不仅与当地相关，同样也和世界其他国家相关。因此，要解决空气污染问题，提高空气质量，不仅需要当地政府建立健全的法律法规政策，同时还需要与跨行政区域进行合作。

3.4 与沿海地区对比

为充分反映我国整体空气质量，本文对比了乌鲁木齐、阿勒泰、和田三个新疆内陆干旱地区和我国沿海城市杭州、青岛、厦门三个湿润区/半湿润区空气污染状况。

新疆三个地区的PM2.5在2018年和2020年分别达到了最大值和最小值，2020年PM2.5相较于2018年

PM2.5分别下降了26%、36%、46%。针对PM10，三个地区均在2015年达到最高值，而乌鲁木齐与和田在2019年达到最低值，分别为146 μg/m3和105 μg/m3，

阿勒泰地区在2020年达到最低值，为18 μg/m3。分析乌鲁木齐与和田地区与阿勒泰地区最低值出现不同时间的原因是，2019年乌鲁木齐与和田地区整体气温更高，降水量也较高，颗粒物容易扩散。沿海三个地区的PM2.5和PM10的年平均值逐年下降的趋势，均在2017年达到最高值，在2020年降低到最低值，分析其原因与我国对环境保护宣传和人们意识增强有关。三个沿海城市中，杭州PM2.5污染最严重，2017年达到55 μg/m3，2020年为39 μg/m3；

青岛PM10污染最严重，2017年达到98 μg/m3，2020年为50 μg/m3；厦门PM污染物最轻。对比三个内陆地区与沿海地区PM污染物可知，PM污染程度为：阿勒泰＜厦门＜青岛＜杭州＜乌鲁木齐＜和田，说明阿勒泰地区空气质量较好，这与当地原有气候条件和政府的治理有关；而沿海城市由于远离沙尘，空气对流容易扩散PM污染物；对于乌鲁木齐和和田，受到塔里木盆地影响，PM污染程度严重。

图4为六个地区SO2和CO污染物2017—2020年变化情况。由图可知，三个干旱区的SO2质量浓度均逐年下降，2017—2020年间，仅和田地区在2017年超过了NAAQS的II级标准（60 μg/m3），为68 μg/m3；针对CO质量浓度，三个干旱地区的年平均浓度均低于II级标准（4 mg/m3）。对于三个沿海地区，杭州与青岛SO2质量浓度在2017年达到最大值，为16 μg/m3和27 μg/m3，厦门在2019年达到最大值为11 μg/m3；针对CO质量浓度，杭州呈周期性变化，在2020年达到最高值0.93 mg/m3，2018年最低为0.84 mg/m3，青岛逐年减小，2020年最低为0.64 mg/m3，厦门存在小峰型变化，在2018年

少量增加。综合来看，六个地区SO2污染程度为：厦门＜杭州＜乌鲁木齐＜阿勒泰＜青岛＜和田；CO污染程度为：厦门＜青岛＜杭州＜阿勒泰＜和田＜乌鲁木齐。

图5为六个地区NO2和O3污染物2017—2020年变化情况。由图可知，乌鲁木齐和杭州NO2污染物在2017—2020年均超过了II级年平均标准

（40 μg/m3），但整体呈逐年下降趋势，说明该地区对NO2污染物排放进行了管控，阿勒泰、和田、青岛、厦门地区NO2污染物均低于II级年平均标准。O3浓度乌鲁木齐与厦门在研究期间逐年递增，其他地区出现波动的状态。整体来看，NO2污染程度为：阿勒泰＜和田＜厦门＜青岛＜杭州＜乌鲁木齐，O3污染程度为：乌鲁木齐＜阿勒泰＜和田＜厦门＜杭州＜青岛。

由六个地区污染日与非污染日PM2.5/PM10在2017—2020年的变化可知，和田PM2.5/PM10在所有地区中最低，说明该地区粗颗粒污染更严重。从污染日与非污染日看出，乌鲁木齐PM2.5/PM10差异明显，厦门与阿勒泰几乎没有污染日，说明该两个地区空气质量良好。

图6为六个地区污染日与非污染日PM2.5/CO在2017—2020年的变化情况。由图可知，PM2.5/CO变化最大为和田地区，最高值在2017年为0.16；

PM2.5/CO变化最低为杭州，最高值在2018年为0.021从污染日与非污染日来看，乌鲁木齐

PM2.5/CO变化差异较小，厦门变化差异明显，阿勒泰地区始终维持在一个较低值，说明阿勒泰地区二次气溶胶对其贡献较小。

4 结论

（1）乌鲁木齐和阿勒泰地区PM污染物浓度最高在冬季，主要由家庭供暖和低风速气象造成，而和田地区PM污染物浓度最高在春季，主要是由沙尘天气引起。

（2）三个城市的SO2和O3浓度均低于II级标准（150 μg/m3），乌鲁木齐与和田的NO2浓度超过II级标准（80 μg/m3），和田CO浓度超过II级标准（4 μg/m3）。

（3）根据PM2.5/PM10和PM2.5/CO值可知，一次气溶胶对城市的污染日空气污染具有重要的影响，和田空气颗粒物污染主要是粗粒子。相较于沿海城市，和田PM污染物浓度最高，阿勒泰地区PM污染物浓度最低，新疆内陆地区的SO2和CO污染程度更严重，而NO2与O3污染程度呈波动状态。

参考文献：

[1] 雷佩玉，郑晶利，贾茹，等. 2017—2020年西安市两城区大气细颗粒物中4种水溶性离子污染特征[J].卫生研究，2022，51（2）：233-238.

[2] 李世浩，谭志海，秦韩淼，等.西安城市主干道黑碳排放特征及源解析[J].化学工程师，2022，36（3）：42-45.

[3] 韩朋，田晓，郭利利，等.太原盆地某地冬季PM2.5中OC和EC污染特征研究[J].太原科技大学学报，2022，43（2）：103-108.

[4] 刘更生，李军状，李小龙，等.北京周边地区典型超低排放燃煤机组颗粒物特征研究[J].电力科技与环保，2022，38（2）：128-134.

[5] 金健.基于改进算法的HJ-1气溶胶厚度反演研究[J]. 地理空间信息，2022，20（3）：55-58.

[6] 吴会娟，鹿化煜，王菁菁，等.全球沙漠面积和粉尘排放量的新估算[J].科学通报，2022，67（9）：860-871.

[7] 刘波，舒霞云，常雪峰，等.双层鞘气聚焦对气溶胶喷印粉末汇聚特性的影响[J].微纳电子技术，2022，59（4）：365-372，378.

[8] 高鑫，胡秀清，方伟，等.利用POLDER多角度偏振数据反演陆上气溶胶光学厚度的群组残差最优方法[J].遥感学报，2022，26（3）：505-515.

[9] 高溪远.2015—2019年长三角地区高空“干”过程大气水汽含量时空分布特征及天气分型[J].黑龙江科学，2022，13（6）：26-30.

[10] 王安，孟亚萍，曹梦妲，等.北京市石景山区PM2.5中典型水溶性离子分布特征及其致敏效应研究[J].环境科学学报，2022，42（3）：334-341.

[11] 黄敏.上海浦东新区城区大气PM2.5中水溶性离子污染特征研究[J].环境监控与预警，2022，14（2）：70-77.

[12] 李玉强，陈云，曹雯婕，等.全球变化对资源环境及生态系统影响的生态学理论基础[J].应用生态学报，2022，33（3）：603-612.

[13] 程昊，康娜，张佳欣，等.南京冬季典型霾天气过程多元对比分析[J].中国环境科学，2022，42（3）：993-1004.

[14] 汪飞，王涛，常淼，等.春节期间烟花爆竹燃放对乌鲁木齐市区PM2.5及其组分影响分析[J].干旱环境监测，2022，36（1）：19-25.

[15] 韩琨，刘汝海，徐红霞，等.青岛市降尘中水溶性离子的特征及来源分析[J].环境工程，2022，40（3）：111-117，193.

tudy on Atmospheric Aerosol Spatial and Temporal Distribution Characteristics and Pollution Compare Based on Multi-source Data

ZHAO Li-bin1， GUO Ring-ru2

（1.Heilongjiang Weather Modification Office， Harbin Heilongjiang 150000， China）

Abstract： In order to study and analyze the physical characteristics of atmospheric aerosols taking Urumqi， Altay and Hotan in the arid area of Northwest China as the research objects， the temporal and spatial distribution characteristics of atmospheric aerosols were studied and analyzed based on multi-source data by using the reverse trajectory， potential contribution factor （PSCF） and concentration weight trajectory （CWT）. Compared with coastal cities， Hotan had the highest concentration of PM pollutants and Altay had the lowest concentration of PM pollutants. The pollution degree of SO2 and CO in inland areas of Xinjiang was more serious， while the pollution degree of NO2reduced to some extent， and the pollution degree of O3appeared fluctuated. The research results provided a basis for analyzing and studying the physical characteristics of atmospheric aerosols in arid areas of northwest China.

Key words： aerosol; multi source data; physical characteristics; reverse trajectory