利用太阳光度计进行北京地区气溶胶光学性质研究

利用2011年到2014年北京太阳光度计数据对北京地区的气溶胶光学特性进行了研究。北京地区气溶胶光学厚度（AOD）全年较高,四年440nm波长的AOD年均值分别是0.67±0.70,0.69±0.71,0.73±0.66,0.75±0.66。AOD月均值表现出一定的季节变化,最大值和最小值一般出现在春季和秋季。通过气溶胶类型分类可知,除了春季受沙尘大颗粒气溶胶影响外,北京地区高气溶胶主要是由城市细粒子气溶胶引起,且四季小粒子增长现象明显,其中夏秋季主要为吸湿性增长,其他季节主要为静稳天气下的增长。通过对比沙尘和霾天气下气溶胶性质进行对比,结果表明:霾天气下AOD一般高于沙尘天气。Hysplit风场后向轨迹模型结果表明,沙尘天气下气团为穿过蒙古草原和沙漠的西北风场。在灰霾天气下风场风速较小且主要以东南和西南风场为主,高气溶胶状态为本地积累和外来输送共同作用产生。     

基于MAX-DOAS的对流层NO2和气溶胶光学厚度遥测反演

随着全球工业化速度加快和人口的增多,大气环境问题日益突出,NO2和气溶胶在大气化学中扮演着重要的角色。地基多轴差分吸收光谱技术（MAX-DOAS）基于被动DOAS原理,近年来已成功应用于大气痕量气体柱浓度和气溶胶光学厚度（AOD）测量方面。本文基于被动DOAS算法对合肥秸秆燃烧期间NO2柱浓度以及气溶胶光学厚度进行了观测,并把对流层柱浓度和臭氧监测仪(Ozone Monitoring Instrument, OMI)结果进行对比;测量的气溶胶光学厚度和太阳光度计（CE318）进行了对比。结果表明,MAX-DOAS测量结果要高于卫星值,11月6日MAX-DOAS测量NO2柱浓度日均值为OMI的1.9倍;二者在无云条件下一致性较好;MAX-DOAS反演AOD和太阳光度计结果相关性在0.9以上。     

基于OMI数据的中国中部平原地区NO2对流层柱浓度2007～2014年时空变化特征分析

利用OMI（Ozone Monitoring Instrument）NO₂ 2级数据产品通过采用面积权重得到OMI NO₂对流层柱浓度网格化分布,研究了中部地区3个代表性区域（工业集中区域,黄河流域,以及农业区域）2007²014年NO₂柱浓度时空分布特征.结果表明,NO₂对流层柱浓度年均值在2009年最小,2013年最大,2014年相对2013年降低大于25%.同时分析了典型时间段（中国农历新年2月以及秸秆焚烧6月）内3个区域NO₂柱浓度变化特征,2月期间3个区域柱浓度都有不同程度的下降,6月农业区NO₂柱浓度上升约80%.NO₂柱浓度相对变化率进一步反映了3个区域NO₂柱浓度近8年内的变化特征,2008年年中至2009年年中工业区域以及沿河流域NO₂柱浓度相对往年同期都有高于15%的下降而农业区没有体现,但2014年以后3个区域NO₂柱浓度都出现明显下降,下降比例都在20%以上.     

基于MAX-DOAS的大气对流层SO2垂直柱浓度遥测

基于多轴差分吸收光谱技术（MAX-DOAS）获得了对流层SO2垂直柱浓度。采用不同参考谱和不同波段来获得SO2差分斜柱浓度,通过对比发现,当圈天顶光谱作为参考谱的反演误差最小,且全天相对稳定波动小,误差小于5%。通过六个波段的对比选取了最优反演波段为307.5~315 nm。结合地面气象数据对2015年10月14日~18日的污染过程进行了研究,数据分析表明风速和风向是影响监测点SO2浓度的两个重要因素,城市和电厂产生的SO2会在东风和南风的影响下向监测点输送。通过研究表明,MAX-DOAS能够准确反演大气对流层SO2垂直柱浓度信息,对于探究城市大气对流层SO2垂直柱浓度、卫星校验、模型校验以及污染输送的研究具有重要意义。     

某钢铁企业分装置排放通量的车载被动DOAS遥测研究

利用车载被动DOAS测量系统,对某钢铁企业进行分装置绕行观测。采用了计算参与拟合截面相关性的方法,确定痕量气体最优反演波段,获取观测路径上的垂直柱浓度后,结合测量时间内的车速以及风速风向信息,计算得出区域内SO2及NO2排放净通量。实验得出某钢铁企业厂区内轧钢冶炼区域SO2与NO2排放净通量均值分别为149kg/h和372kg/h;焦化区域SO2与NO2排放净通量均值分别为260kg/h和286kg/h;电厂区域SO2与NO2排放净通量均值为21kg/h和26kg/h;石灰烧培区域SO2与NO2排放净通量均值为64kg/h和79kg/h;烧结区域SO2与NO2排放净通量均值为34kg/h和99kg/h。     

基于MAX-DOAS 的淮北地区NO2柱浓度观测研究

基于多轴差分吸收光谱技术 (MAX-DOAS) 反演 NO2 柱浓度的方法, 构建了相应的地基 MAX-DOAS 系统, 开 展了 NO2 柱浓度变化特征的观测。反演中选取天顶方向的光谱作为参考光谱, 通过非线性最小二乘法反演出 NO2 斜柱浓度 (SCD), 结合不同观测方向的斜柱浓度得到 NO2 差分斜柱浓度 (dSCD), 再利用几何近似法得到大气质量 因子 (AMF), 最终获取 NO2 垂直柱浓度 (VCD)。于 2019 年 6 月至 2020 年 5 月在淮北地区开展了为期一年的外场 实验, 研究结果表明淮北地区 NO2 VCD的月均值在观测期间内呈现倒“U”型变化, 在 12 月份达到最高值 2.13×1016 molecules·cm−2, 在 8 月份达到最低值 5.23×1015 molecules·cm−2。将 MAX-DOAS 观测结果的日均值与 OMI 卫星 (云 系数分别为 0 < FeC ≤ 0.1 和 0 < FeC ≤ 0.3) 测量结果进行对比, 发现两者具有较好的相关性 (R2 = 0.88, R2 = 0.90), 表明 MAX-DOAS 不仅可以准确反演出 NO2 垂直柱浓度, 还可以验证卫星数据。     

基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。     

利用CE318太阳光度计资料反演合肥气溶胶光学特性

利用2012年9月~2014年8月年合肥市西北郊的CE318型太阳光度计观测资料,分析了合肥地区气溶胶光学厚度(AOD)和Angstrom波长指数()的时间变化特征。结果表明,合肥地区AOD全年较高,2012年9月~2013年8月和2013年9月~2014年8月两个时段的年平均值分别为0.600.15和0.730.23。春季受沙尘天气影响气溶胶波长指数最小,秋季受西北高空气团影响AOD最低。研究了AOD和大气水汽含量之间的关系,结果表明AOD和大气水汽含量呈正相关关系。利用Hysplit风场轨迹模型对各个季节的风场进行了研究,合肥春季主要受西北气流(约42%)影响,夏季风场主要受偏南风场(约50%)影响,秋季受北风风场(约39%)影响较大,冬季受西北高空气团影响较大。CE318和MODIS对比结果表明,两者具有较好的一致性,相关系数在0.7以上。     

基于主成分分析的 RBF 神经网络预测 SO2 浓度

利用基于主成分分析 (PCA) 算法的径向基 (RBF) 神经网络对大气中 SO2 浓度进行滚动预测。以北京大兴地 区 2019 年 9 月 1 日至 2020 年 10 月 31 日的气象数据和空气质量参数为基础, 结合逐步回归法筛选出与 SO2 线性相 关的参数作为输入样本, 构建 PCA-RBF 预测模型。利用该模型预测北京大兴地区某天的 SO2 浓度, 将预测值保留并 作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测, 从而实现 SO2 浓度的滚动预测。 对比 RBF 网络和 PCA-RBF 网络两种模型的预测结果, 其中 PCA-RBF 模型期望值和预测值的误差及相关系数分别为 0.03 µg·m−3 和 0.9989。表明 PCA-RBF 网络模型能精准预测 SO2 浓度变化趋势, 为进一步解决大气污染问题提供技术 支持。     

基于MAX-DOAS观测的淮北冬季NO2变化特征

基于2018年12月8日~12月31日淮北地区多轴差分吸收光谱技术(MAX-DOAS)获得的太阳散射光谱观测数据,反演了该地区NO2对流层柱浓度,并分析了冬季不同天气下NO$_2$浓度日变化特征。观测结果表明NO2浓度高值出现在12月18日~12月27日期间,日均值最大值6.83×10¹⁶molecules/cm²出现在12月27日,约为日均值最低值的2.9倍。结合风场轨迹模型研究了不同大气条件下的风场,发现在NO2浓度较低时段主要为偏北风场, NO2浓度高值时段偏南风场增加,表明城区产生的污染向观测区域进行了输送。将MAX-DOAS结果与OMI卫星结果进行了对比,发现两者具有较好的一致性(R²=0.88)。