2016, Vol. 36文章信息
- 张淑平, 韩立建, 周伟奇, 郑晓欣
- ZHANG Shuping, HAN Lijian, ZHOU Weiqi, ZHENG Xiaoxin.
- 冬季PM2.5的气象影响因素解析
- Relationships between fine particulate matter (PM2.5) and meteorological factors in winter at typical Chinese cities
- 生态学报[J]. 2016, 36(24): 7897-7907
- Acta Ecologica Sinica[J]. 2016, 36(24): 7897-7907
- http://dx.doi.org/10.5846/stxb201505020901
-
文章历史
- 收稿日期: 2015-05-02
- 网络出版日期: 2016-04-12
2. 中国科学院大学, 北京 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
我国快速、大规模的工业化和城市化进程，给城市及其周边区域带来了一系列的生态环境问题。尤其是PM2.5浓度升高导致的雾霾问题在我国的京津冀、长三角、珠三角、成渝等地区普遍存在，严重限制了该区域经济的可持续发展。PM2.5空气动力学直径小，可通过呼吸道进入人体，沉积肺部，并可以穿过肺泡进入循环系统，对人体健康产生严重危害。仅京津冀地区2013年1月份就因严重的空气污染超额死亡2725人[1]。同时，PM2.5还会通过影响太阳辐射强度和增强散射，影响大气透明度，改变大气热力学性质，进而影响气候变化[2]。PM2.5的危害和影响具有“同呼吸，共命运”的特点，即危害严重、影响广泛且无法有效预防，成为政府、学者和公众关注的焦点。
城市作为我国PM2.5污染最为严重的区域[3]，不仅对自身，同时也对其周边区域产生严重的影响[4-5]。张淑平等[6]就根据该特点对PM2.5在全国重点城市的空间分布进行了研究。然而城市PM2.5的浓度变化除了受汽车尾气、工业排放等人为排放影响，还受到大气环流条件，以及日均温、风速、降雨量等地面气象条件影响。后者对雾霾的形成和扩散有决定性作用，因此了解不同城市地面气象条件对PM2.5浓度的影响不仅可以为其空间分布研究提供更有利的划分依据，也能够提高这些城市严重雾霾事件的监测和预报精度[7]。目前已经有一些气象条件对PM2.5浓度影响的研究。Xu等[8]通过对城区和郊区站点的对比分析发现风对北部平原区雾霾发生就有强的依赖影响关系。孟昭阳等[9]的研究结果表明PM2.5质量浓度日变化与风速、能见度和气压呈负相关，与相对湿度呈正相关。然而，这些研究的城市选择未考虑到PM2.5在全国的空间分布状况，气象因素的选择也不够全面。
不同城市PM2.5形成的物理化学过程有所不同，甚至截然相反，那么不同空间分布区的城市PM2.5浓度受那些气象因素影响？其相对重要性如何？各气象因子影响的重要性是否一致？这些问题在已有的研究中也较少涉及。本文基于全国PM2.5浓度空间分布[6]，选择了5个PM2.5浓度不同的典型城市，首先采用相关性分析解析多个气象因子与PM2.5浓度的关系，进而采用多元逐步回归的方法研究气象因素对PM2.5浓度变异解释度的差异，以及气象因子对PM2.5浓度影响的相对重要性，进一步对比分析气象因素对PM2.5浓度的影响在不同污染程度的城市之间差异，揭示不同城市的主要气象影响因素和综合影响程度。为城市PM2.5控制和预测精度提高提供理论参考，并可为区域生态环境规划和城市协调发展提供科学依据。
1 数据和方法 1.1 数据及预处理冬季地面温度低，不利于空气上下对流，细粒子更多地积聚在距地面较近的范围内，对居民的暴露影响更大。同时，受到燃煤供暖和春节等人类活动影响，我国大气污染在冬季最为严重[10]，它的研究也更为迫切，因此选择冬季数据开展研究。采用的PM2.5浓度数据为全国空气质量实时发布平台发布的2013年12月—2014年2月和2014年12月—2015年2月两年的空气质量日浓度数据。该数据根据环保部《环境空气颗粒物(PM10和PM2.5)连续自动监测系统技术要求及检测方法》(HJ 653—2013)新标准检测获得，具有时间连续性好、监测范围广等优点。人为排放和气象条件均会影响PM2.5浓度，但在季节范围内可以认为人为排放是稳定的，因此选择日均温、最低温、最高温、平均风速、最大持续风速、相对湿度、降雨量等地面气象因素进行研究。该部分城市气象数据源自美国气候数据中心(National Climate Data Center)发布的全球日产品汇总数据(Global Summary of the Day) (图 1)。数据包含了气象站监测的日均温、最低温、最高温、平均风速、最大持续风速、露点温度、降雨量7项气象指标。然后基于日均温、露点温度和钱同生等[11]提出的相对湿度算法计算出日相对湿度。气象数据截取的是同PM2.5数据相对应的2013年12月—2014年2月和2014年12月—2015年2月两年冬季的日浓度数据。其中石家庄、西安、北京、太原和广州5个城市的降雨天数分别为25、5、17、21d和56d。5个典型城市的人口总数数据、第二产业比例数据、万元GDP能耗数据来自各城市2013年的统计年鉴。
|
| 图 1 各典型城市空气质量和气象监测站位置 Fig. 1 Maps showing the locations of meteorological and air quality stations in the five cities |
基于PM2.5浓度的区域空间分布图[6]，结合影响PM2.5浓度的城市人口总量、用电量、GDP、万元GDP能耗、二产比例等指标，分别从5个污染区域各选取一个典型城市(石家庄、西安、北京、太原和广州)进行分析(表 1)。具体的分析包括有显著相关性的气象影响因素差异分析和气象因素综合影响程度分析。气象影响因素差异分析是从日均温、最高温、最低温、相对湿度、平均风速、最大持续风速和降雨量中筛选出与各典型城市PM2.5浓度有显著相关关系的气象因素，并比较不同城市气象因素种类的差异。David等[12]认为多元线性逐步回归可以用于气象因素对PM2.5浓度影响程度的研究，尤其是冬季的研究。因此综合影响程度分析采用多元线性逐步回归的方法了解气象因素对PM2.5的影响程度，即气象因素对PM2.5日浓度变异的解释程度。本文以PM2.5日浓度为因变量，以有显著相关性的气象要素为自变量进行逐步线性回归分析(式1)。建立5个典型城市气象因素对PM2.5浓度日变化的多元线性方程。
|
(1) |
式中，
| 类型 Type | 城市 City | PM2.5平均浓度/(μg/m3) PM2.5 concentrations | 备注 Reference |
| 严重污染区Severely polluted area | 石家庄 | 221.54 | 省会 |
| 重污染地区Heavy polluted area | 西安 | 165.43 | 省会 |
| 中污染地区Moderately polluted area | 北京 | 98.01 | 首都 |
| 污染地区Polluted area | 太原 | 88.02 | 省会 |
| 低污染地区Mild polluted area | 广州 | 72.87 | 省会 |
按照我国空气质量二级标准(75μg/m3)，石家庄冬季PM2.5超标率为83.72%，超标倍数达7.57(表 2)；西安、北京、太原和广州冬季PM2.5浓度超标率依次降低，最高超标倍数也逐渐减小；广州超标率为52.33%，最高超标倍数为1.08。按照WHO标准(25μg/m3)石家庄和西安冬季日PM2.5浓度超标率为100%，超标倍数分布达到24.71和22.98；北京冬季超标率为81.40%，超标倍数为0.04—13.21；太原和广州的冬季PM2.5浓度超标率为91.86%和93.02%。
| 类型 Type | 城市 City | PM2.5平均浓度 PM2.5 concentrations/ (mg/m3) | 中国标准(75 mg/m3) Air quality standard of China | WHO标准(25 mg/m3) Air quality guideline of WHO | ||
| 超标率 Over standard rate | 超标倍数 Superstandard multiple | 超标率 Over standard rate | 超标倍数 Superstandard multiple | |||
| 严重污染区Severely polluted area | 石家庄 | 221.54 | 83.72 | 0.02—7.57 | 100.00 | 0.06—24.71 |
| 重污染地区Heavy polluted area | 西安 | 165.43 | 77.90 | 0.02—6.99 | 100.00 | 0.29—22.98 |
| 中污染地区Moderately polluted area | 北京 | 98.01 | 50.00 | 0.06—3.74 | 81.40 | 0.04—13.21 |
| 污染地区Polluted area | 太原 | 88.02 | 58.14 | 0.00—1.62 | 91.86 | 0.04—6.86 |
| 低污染地区Mild polluted area | 广州 | 72.87 | 52.33 | 0.03—1.08 | 93.02 | 0.02—5.24 |
从图 2中可以看出，5个重点城市中冬季PM2.5浓度最高的是石家庄，波动范围为31.27—396.30μg/m3，最高值出现在12月23日；其次为西安，浓度波动范围33.27—367.80μg/m3，最高值出现在12月24日；接下来是北京，浓度波动范围7.71—108.33μg/m3，最高值出现在2月19日；再然后是太原，浓度波动范围12.21—75.02μg/m3，最高值出现在12月23日；最后是广州，浓度波动范围23.50—66.08μg/m3，最高值出现在1月6日，该结果与平均浓度(表 2)结果相似。
|
| 图 2 各典型城市相对湿度同PM2.5浓度的变化特征 Fig. 2 Fluctuation of PM2.5 concentration and humidity |
从总体上来看(图 2)，5个城市的PM2.5浓度变化同相对湿度有紧密的联系。石家庄、西安、北京和太原4个城市的冬季PM2.5浓度同相对湿度呈相似的变化趋势，广州冬季PM2.5浓度同相对湿度呈相反的变化趋势。在无降雨时PM2.5浓度同相对湿度有很相似的变化趋势，当有降雨时PM2.5浓度同相对湿度有相反的变化趋势。
无论是高污染区的城市还是低污染区的城市，相对湿度在其细颗粒物的监测和预报中起着重要作用。当无降雨空气相对湿度在60%—80%以下时，颗粒物的二次生成作用较强，PM2.5的浓度同相对湿度呈正比关系。当空气湿度大于80%时，容易形成降雨，对空气中的颗粒物有冲刷作用，颗粒物的浓度同空气相对湿度呈反比。随着湿度的增加颗粒物中的水溶性组分和有机碳中水溶性有机碳的组分比例增加，在高相对湿度的条件下水溶性有机碳和元素碳的比例显著升高[13]，冬季城市相对湿度的升高对重雾霾的形成有直接关系。
2.2.2 平均风速风对颗粒物的影响主要是物理作用，包括颗粒物的传输和分布等。通过对颗粒物的扬起和传输过程研究，Han等[14]人认为风速对颗粒物浓度的影响不是呈线性变化，而是呈自然对数的趋势变化。经非线性拟合发现，石家庄、西安、北京、太原和广州5个城市风速与PM2.5的关系如表 3。
| PM2.5 | 风速和PM2.5浓度拟合方程 Fitting equation of wind speed and PM2.5 concentration |
| 石家庄 | y=-2873.98ln(x+78.86)+12780.70 |
| 北京 | y=-29.93ln(x-1.16)+92.75 |
| 广州 | y=-17.56ln(x+0.07)+80.78 |
| 西安 | y=-54.91ln(x-0.71)+128.63 |
| 太原 | y=-32.87ln(x-0.62)+94.98 |
在石家庄、西安、北京、太原和广州5个城市平均风速同PM2.5浓度呈对数的变化关系(图 3,图 4)。一方面是因为在低风速情况下颗粒物扩散速度慢；另一方面是低风速导致细颗粒物混合均匀，二次生成速率升高[15]。另外，湿气流在风的作用下跨界传输是形成区域性雾霾的重要原因。
|
| 图 3 各典型城市PM2.5浓度同平均风速变化特征 Fig. 3 Fluctuation of PM2.5 concentration and wind speed |
|
| 图 4 各典型城市PM2.5浓度同平均风速关系 Fig. 4 The relationship between PM2.5 concentration and wind speed |
从折线图(图 5)可以看出石家庄、北京和太原3个城市的冬季PM2.5浓度同日均温呈相似的变化趋势，尤其是在发生降雨前后。
|
| 图 5 各典型城市日均温同PM2.5浓度变化特征 Fig. 5 Fluctuation of PM2.5 concentration and temperature |
严重污染城市 在PM2.5浓度最高的石家庄(表 4)，与冬季PM2.5浓度相关的气象因素为相对湿度(r=0.53,P<0.01)、平均风速(r=-0.22,P<0.01)；
| PM2.5 | 日均温 Temperature | 相对湿度 Relative humidity | 平均风速 Wind speed | 最大持续风速 Maximum sustained wind speed | 最高温 Maximum temperature | 最低温 Minimum temperature | 降雨量 Precipitation |
| 石家庄 | -0.18* | 0.53** | -0.22** | -0.19* | |||
| 西安 | 0.43** | -0.37** | -0.26** | ||||
| 北京 | 0.24** | 0.61** | -0.47** | -0.25** | 0.36** | ||
| 太原 | 0.29** | 0.36** | -0.47** | -0.39** | 0.36** | 0.23** | |
| 广州 | -0.28** | -0.32** | 0.34** | -0.26** | |||
| *显著相关；**极显著相关 | |||||||
重污染城市 在冬季PM2.5浓度次高的西安，与其PM2.5浓度相关的主要气象因素为相对湿度(r=0.43,P<0.01)、平均风速(r=-0.37,P<0.01)和最大持续风速(r=-0.26,P<0.01)；
中度污染城市 与北京PM2.5浓度相关的主要气象因素相对湿度(r=0.61,P<0.01)、平均风速(r=-0.47,P<0.01)、最低温(r=0.36,P<0.01)、最大持续风速(r=-0.25,P<0.01)和日均温度(r=0.24,P<0.01)；
一般污染城市 与太原PM2.5浓度相关的主要气象因素为平均风速(r=-0.47 P<0.01)、最大持续风速(r=-0.39,P<0.01)、相对湿度(r=0.36,P<0.01)、最高温(r=0.36,P<0.01)、日均温(r=0.29,P<0.01)和最低温(r=0.23,P<0.01)；
低污染城市 与广州PM2.5浓度相关的主要气象因素为最高温(r=0.34,P<0.01)、平均风速(r=-0.32,P<0.01)、相对湿度(r=0.28,P<0.01)和降雨量(r=0.26,P<0.01)。
2.3.2 气象因素的综合影响从以上分析可以看出影响不同城市的地面气象因素有所不同，为了深入研究各城市气象条件的综合影响程度，本文采用与PM2.5具有显著相关性的气象因子，对PM2.5日浓度进行逐步回归，并将结果标准化(表 5,表 6)。
| 城市 City | 调整R2 Adjusted R2 | 标准化回归方程 Standardization regression equation |
| 石家庄 | 0.27(P<0.01) | Y=0.53X1；X1：相对湿度； |
| 西安 | 0.29(P<0.01) | Y =0.38X1-0.30X2；X1：相对湿度；X2：平均风速 |
| 北京 | 0.46(P<0.01) | Y =0.53X1+0.29X4+0.2X2；X1：相对湿度；X4：日均温；X2：平均风速 |
| 太原 | 0.67(P<0.01) | Y =-0.27X2+0.44X1-0.40X5；X2：平均风速；X1：相对湿度；X5：最高温 |
| 广州 | 0.18(P<0.01) | Y =0.21 X5-0.25X1-0.22X2；X5：最高温；X1：相对湿度；X2：平均风速 |
| PM2.5 | 日均温 Temperature | 相对湿度 Relative humidity | 平均风速 Wind speed | 最大持续风速 Maximum sustained wind speed | 最高温 Maximum temperature | 最低温 Minimum temperature | 降雨量 Precipitation |
| 石家庄 | 0.073 | 0.527 | -0.061 | 0.026 | |||
| 西安 | 0.400 | 0.330 | 0.05 | ||||
| 北京 | 0.376 | 0.522 | 0.330 | 0.255 | -0.019 | ||
| 太原 | -0.017 | 0.467 | 0.402 | 0.195 | 0.483 | -0.036 | |
| 广州 | -0.264 | 0.204 | -0.025 | 0.195 | -0.065 |
在石家庄，对PM2.5浓度变异解释度最大气象因素是相对湿度。在西安，对PM2.5浓度变异解释度最大气象因素也是相对湿度，但是平均风速对PM2.5浓度影响也较大，达到30%。在北京，对PM2.5浓度变异解释度最大气象因素也是相对湿度，日均温和平均风速也分别有29%和20%的影响。在太原，对PM2.5浓度变异解释度最大气象因素也是相对湿度，平均风速和最高温分别有27%和40%的影响。位于南方的广州，对PM2.5浓度变异解释度最大气象因素还是相对湿度，最高温和平均风速分别有21%和22%的变异解释度。
5个城市可决系数R2的大小依次为广州<石家庄<西安<北京<太原，即气象因素对PM2.5日浓度变异解释能力依次为广州<石家庄<西安<北京<太原。北方的四个城市中，PM2.5浓度越高的城市气象因素对其变异解释能力越低。严重污染区的石家庄线性回归分析的R2为0.27，重污染区的西安气象因素多元回归分析R2为0.29，中污染区的北京气象因素多元回归分析R2为0.46，污染区的太原气象因素多元回归分析R2为0.67，低污染区的广州气象因素多元回归分析R2为0.18。
3 讨论由相关性分析可以看出气象条件和PM2.5浓度有较强的相关性。相对湿度和平均风速对城市PM2.5浓度影响较大。平均风速、降雨量同PM2.5浓度呈负相关，相对湿度、日均温、最高温、最低温同PM2.5浓度呈正相关。大风可以通过水平输送和稀释扩散效应[16]降低细颗粒物浓度。降水主要通过惯性碰并过程和布朗扩散作用，捕获颗粒物和气溶胶粒子，使之从大气中清除[5]。相对湿度能够通过吸湿增长促使核模态粒子(0.005—0.050μm)转化为积聚模态(0.05—2.00μm)[17]，导致PM2.5的不断积累。高温期间活跃的光化学反应应产生大量的VOC、SO2-4、NO-3，增加了PM2.5的来源，从而导致PM2.5的浓度升高[18]。因此气象因素能够显著影响PM2.5浓度的日变化。
不同污染程度的城市，影响PM2.5浓度的主导气象因子不同。从本文的研究结果来看，影响石家庄PM2.5浓度的主要气象因素为相对湿度；影响西安PM2.5浓度的主要气象因素为相对湿度和平均风速；影响北京PM2.5浓度的主要气象因素为相对湿度、日均温和平均风速；影响太原PM2.5浓度的主要气象因素为相对湿度、最高温和平均风速；影响广州PM2.5浓度的主要气象因素为相对湿度、平均风速和最高温。相对湿度和风速对石家庄、西安、北京、太原、广州5个城市的PM2.5浓度均有影响，日均温仅对北京、太原、广州3个城市的PM2.5浓度有影响。该结果同车瑞俊[19]、韩婧[20]、孟昭阳[5]、朱倩茹等[21]在北京、西安、太原和广州的研究结果相似。因此在建立各城市的PM2.5浓度预报系统时，应根据各城市PM2.5浓度和气象因子建立不同的预报系统。
气象因素对PM2.5日浓度的综合影响程度随着PM2.5浓度的升高逐渐减弱。从本文多元线性回归的调整R2结果来看，石家庄<西安<北京<太原。调整R2是多元线性回归的可决系数，也是对PM2.5浓度日变异的解释度。所以，气象因素对PM2.5日浓度变异解释度大小依次为石家庄<西安<北京<太原。而这4个城市的PM2.5浓度为石家庄>西安>北京>太原。因此，PM2.5浓度越高的地区气象因素能够解释的日变异度越小。出现该现象可能是因为存在气象因素以外的其它因素强烈影响PM2.5浓度变化。广州的PM2.5浓度低于北京和太原，但其气象因素的变异解释度比石家庄要低。这是因为广州冬季PM2.5浓度波动范围(11.25—156.34μg/m3)明显小于石家庄(22.46—642.8μg/m3)、北京(5.6—355.14μg/m3)、太原(14.41—196.46μg/m3)。在PM2.5波动范围较大的城市中，气象因素能够解释的日变异度越小。
尽管本文的结果说明地面表层气象条件对PM2.5浓度有重要影响，但是大气边界层和垂直结构对PM2.5的浓度也有重要影响。相关的研究也应该深入进行。气象条件不仅能够影响城市尺度的PM2.5浓度还能够影响区域尺度的污染物浓度分布。该方面研究对于污染物的跨区域联防联控研究和长距离输送研究有重要的意义。
4 主要结论本文采用重点城市典型大气污染物-PM2.5浓度的实时监测数据，分析在不同污染区域的城市，影响PM2.5浓度的主要气象因子，解析多种气象因子对PM2.5浓度的综合影响程度，主要结论如下:
(1) 气象条件与PM2.5日浓度显著相关，且在不同污染区域的城市，与PM2.5浓度相关的气象因子不同。影响石家庄市冬季PM2.5浓度的主要气象因素为相对湿度；西安是相对湿度、和平均风速；北京是相对湿度、日均温和平均风速；太原市是相对湿度、平均风速和最高温；广州是相对湿度、平均风速、最高温和降雨量。
(2) PM2.5浓度越高的地区，气象因素能够解释的PM2.5浓度变异越小，说明污染严重的地区主要受到人为排放因素的影响。严重污染区的石家庄市多元回归分析的R2为0.27，重污染区的西安市气象因素多元回归分析R2为0.29，中污染区的北京市气象因素多元回归分析R2为0.46，太原市气象因素多元回归分析R2为0.67，广州市气象因素多元回归分析R2为0.18。
| [1] | 张衍燊, 马国霞, 於万, 曹东. 2013年1月灰霾污染事件期间京津冀地区PM2.5污染的人体健康损害评估. 中华医学杂志 , 2013, 93 (34) : 2707–2710. |
| [2] | Chen L W A, Watson J G, Chow J C, Green M C, Inouye D, Dirk K. Wintertime particulate pollution episodes in an urban valley of the Western US: a case study. Atmospheric Chemistry Physics , 2012, 12 : 10051–10064. DOI:10.5194/acp-12-10051-2012 |
| [3] | Han L J, Zhou W Q, Li W F. City as a major source area of fine particulate (PM2.5) in China. Environmental Pollution , 2015, 206 : 183–187. DOI:10.1016/j.envpol.2015.06.038 |
| [4] | Han L J, Zhou W Q, Li W F. Increasing impact of urban fine particles (PM2.5) on areas surrounding Chinese cities. Scientific Reports , 2015, 5 : 12467. DOI:10.1038/srep12467 |
| [5] | Han L J, Zhou W Q, Li W F, Li L. Impact of urbanization level on urban air quality: A case of fine particles (PM2.5) in Chinese cities. Environmental Pollution , 2014, 194 : 163–170. DOI:10.1016/j.envpol.2014.07.022 |
| [6] | 张淑平, 韩立建, 周伟奇. 城市规模对大气污染物NO2和PM2.5浓度的影响. 生态学报 , 2015 . |
| [7] | Xu J M, Yan F X, Xie Y, Wang F Y, Wu J B, Fu Q Y. Impact of meteorological conditions on a nine-day particulate matter pollution event observed in December 2013, Shanghai, China. Particuology , 2015, 20 : 69–79. DOI:10.1016/j.partic.2014.09.001 |
| [8] | Xu W Y, Zhao C S, Ran L, Deng Z Z, Liu P F, Ma N, Lin W L, Xu X B, Yan P, He X, Yu J, Liang W D, Chen L L. Characteristics of pollutants and their correlation to meteorological conditions at a suburban site in the North China Plain. Atmospheric Chemistry Physics , 2011, 11 (9) : 4353–4369. DOI:10.5194/acp-11-4353-2011 |
| [9] | 孟昭阳, 张怀德, 蒋晓明, 颜鹏, 王雁, 林伟立, 周春红, 刘洪利, 闫世明, 梁丽明. 太原地区冬春季PM2.5污染特征及影响因素. 中国科学院研究生院学报 , 2007, 24 (5) : 648–656. |
| [10] | 何友江. 2002年我国城市大气环境污染的区域性特征研究[D]. 南京: 南京信息工程大学, 2005. http://cdmd.cnki.com.cn/Article/CDMD-10300-2005066328.htm |
| [11] | 钱同生. 湿度计算公式的简化计算方法. 南京化工大学学报: 自然科学版 , 1998, 20 (2) : 69–71. |
| [12] | Whiteman C D, Hoch S W, Horel J D, Charland A. Relationship between particulate air pollution and meteorological variables in utah's salt lake valley. Atmospheric Environment , 2014, 94 : 742–753. DOI:10.1016/j.atmosenv.2014.06.012 |
| [13] | Cheng Y, He K B, Du Z Y, Zheng M, Duan F K, Ma Y L. Humidity plays an important role in the PM2.5 pollution in Beijing. Environmental Pollution , 2015, 197 : 68–75. DOI:10.1016/j.envpol.2014.11.028 |
| [14] | Han L J, Zhou W Q, Li W F, Meshesha D T, Li L, Zheng M Q. Meteorological and urban landscape factors on severe air pollution in Beijing. Journal of the Air & Waste Management Association , 2015, 65 (7) : 782–787. |
| [15] | Tao M H, Chen L F, Su L, Tao J H. Satellite observation of regional haze pollution over the North China Plain. Journal of Geophysical Research , 2012, 117 (D12) : D12203. |
| [16] | 吴兑. 近十年中国灰霾天气研究综述. 环境科学学报 , 2012, 32 (2) : 257–269. |
| [17] | 宋明, 韩素芹, 张敏, 姚青, 朱彬. 天津大气能见度与相对湿度和PM10及PM2.5的关系. 气象与环境学报 , 2013, 39 (2) : 34–41. |
| [18] | 唐孝炎. 大气环境化学. 北京: 高等教育出版社, 1990343. |
| [19] | 车瑞俊, 刘大锰, 袁杨森. 北京冬季大气颗粒物污染水平和影响因素研究. 中国科学院研究生院学报 , 2007, 24 (5) : 556–563. |
| [20] | 韩婧, 代志光, 李文韬. 西安灰霾天气下PM2.5浓度与气象条件分析. 环境污染与防治 , 2014, 36 (2) : 52–56. |
| [21] | 朱倩茹, 刘永红, 徐伟嘉, 黄敏. 广州PM2.5污染特征及影响因素分析. 中国环境监测 , 2013 (2) : 15–21. |