星-地激光雷达联合观测合肥地区的气溶胶垂直分布 
下载： 1244次
Objective As aerosols easily spread biological organisms (such as viruses and germs) and exert an extinction effect, they pose serious threats to public health and travel. In addition, with the rapid development of China's economy, intensive industrial carbon emissions and automobile exhaust caused the increase of the amounts of man-made aerosols in many areas of China. Therefore, monitoring these aerosols by remote sensing is necessitated. Joint observations by space-borne and ground-based lidars can capture the temporal and spatial changes in aerosol emissions. The comparative studies under various weather conditions were rarely reported. The differences among the different weather conditions are still unclear. In this paper, we filtered the observation Aerosol-lidar data by matching the time at which the spaceborne CALIOP transits through Hefei under four typical weather conditions: dusty, cloudy, moderately polluted without clouds, and moderately polluted with clouds. We conducted joint aerosol observations in Hefei, and analyzed the types of aerosols, their changes, and the causes and sources of aerosol pollution.
Methods We compared the vertical distributions and profiles of the aerosols in the observation data of Aerosol-lidar and CALIOP. Using the PM2.5and PM10 concentration data at the ground stations, we also determined the changes, vertical distributions, and causes of aerosols. The horizontal aerosol distributions were determined from the remote-sensing true-color images of MODIS. The causes of aerosol changes were deduced from the wind speeds and directions near the ground. Finally, the backward trajectories in the four study cases were analyzed in HYPSLIT mode. The lidar equation by the traditional Fernald algorithm was used in this article.
Results and Discussions According to the joint observations, the polluted dust aerosol in dusty (lightly polluted) weather was concentrated in the 0.8- to 1.6-km height range, and the dust type were dust and polluted dust. The depolarization ratio was concentrated in the 0.18--0.20 range. In cloudy weather, the main dust type was polluted continental type concentrated in the 0.4- to 1.2-km height range, with depolarization ratios between 0.015 and 0.020. The aerosol content was very small and the particles were fine and spherical. In moderately polluted cloudless weather, polluted dust coexisted with polluted continental-type aerosols. The particles were concentrated in the 0.3- to 1.3-km height range, and the depolarization ratio was below 0.080, indicating an obvious spherical attribute. In moderately polluted cloudy weather, polluted dust coexisted with polluted continental-type aerosols again, but the main height range was 0.8--1.4km, and the depolarization ratio ranged from 0.075 to 0.100, indicating small-sized spherical particles. Small aerosols showed the properties of spherical particles with low depolarization ratios. The joint observations of space-borne and ground-based lidar more accurately captured and characterized the aerosol distributions at different time and from different locations than single observations. Although the ground-based lidar results were more accurate, the space-borne lidar provided better resolution for observing the spatial changes of aerosols. NOAA provided the HYSPLIT backward trajectory model for analyzing the sources and transport paths of the aerosols in the four weather cases. The HYSPLIT results confirmed different sources of the aerosols, to determine different conditions of aerosol formation by combining with the wind speeds and directions.
Conclusions Cloudy weather conditions affected the detection of the bottom aerosols by the space-borne lidar. To better obtain the aerosol content and the characteristics of its change, the range-corrected signal was continuously observed at fixed point by the ground-based lidar. The aerosol changes largely differed under different weather conditions, and the types, causes and sources of aerosols were also highly variable. When the stratification of the atmosphere is stable, aerosols tend to accumulate locally and cannot diffuse; in contrast, when the atmospheric fluidity is strong, a small amount of pollutant dust mixes with the local aerosols and the weather becomes hazy, resulting from the change and transmission of aerosols. The combination of various data, such as lidar observations and ground particle-concentration data, wind speed, and wind direction, can explain the changes and causes of aerosols. In future work, we should combine these data into comprehensive observations of weather changes, and thereby build a model for monitoring urban aerosol pollution.
1 引言
气溶胶由悬浮在大气中的固体(沙尘、浮尘)或液体(水滴、雾等)微粒组成,气溶胶的直接效应和间接效应影响着天气与气候的变化[1-3]。由于生物有机体(例如病毒、病菌)容易借助气溶胶扩散传播,以及气溶胶具有消光作用,气溶胶污染已经严重影响人体健康和人们出行[4-5]。另外,伴随中国经济的快速发展,工业废气、汽车尾气密集排放等造成我国许多地区人为气溶胶增加[6-8]。在人口密集的城市,特别是特大型城市群,气溶胶污染的影响日益显著[9-12]。因此有必要对气溶胶进行遥感监测,激光雷达因其具有很高的分辨率和探测精度,被广泛使用[13]。激光雷达利用激光在大气中传输时与大气中介质相互作用获得的回波信号,可以有效获得气溶胶随时空的垂直分布特征[13-15]。
目前对气溶胶进行观测的常用工具有星载激光雷达和地基激光雷达。星载激光雷达由于观测范围大,可以遥感观测不同地区的气溶胶垂直分布[16-17]。CALIPSO卫星携带的载荷CALIOP激光雷达,由于分辨率较高,且可以实现全球范围内的云和气溶胶的常年监测,常被人们使用[16-18]。而地基激光雷达可以长期定点观测,探测精度高,可以用于某一地区气溶胶垂直分布的常年遥感监测[19]。因此,星-地激光雷达联合观测可以更真实地反映气溶胶的时空变化特点。
合肥作为长三角特大型城市群西部重要经济发展的桥头堡,近年来污染不断加剧,引起了广大科学家们的关注,而激光雷达作为气溶胶污染遥感观测的有效手段发挥了重要作用,特别是合肥西郊的地基激光雷达在长三角西部地区的空气污染遥感观测过程中发挥了重要作用[20-23]。本文利用星-地激光雷达联合观测的合肥西郊的地基激光雷达数据,分析了多种天气下激光雷达对气溶胶的探测效果的影响,通过激光雷达的弹性散射回波信号准确地反映气溶胶含量和变化特点,从而有助于更好地了解气溶胶对合肥地区大气环境、气候变化的影响。
2 数据来源和测量方法
2.1 数据来源
地基激光雷达数据使用了中国科学院安徽光学精密机械研究所研制的气溶胶-水汽探测激光雷达(以下论文中简称Aerosol-lidar)观测数据,
本研究将Aerosol-lidar安放于合肥市西郊(31.90°N,117.16°E)进行联合观测。Aerosol-lidar采用3个波长(1064nm、532nm和355nm)和6个采集通道进行观测和采集,其垂直分辨率为7.5m,可以对观测点上空进行24h的连续垂直观测,具体参数见
表 1. 气溶胶探测激光雷达和CALIOP的主要技术参数
Table 1. Main parameters of CALIOP and Aerosol-lidar
|
星载CALIOP探测的气溶胶和云的数据,采用分层分类。本文使用了CALIOP的Level1B分类产品中的532nm后向散射系数剖面数据、Level2的5km气溶胶廓线产品和Level2的气溶胶垂直分类特征数据(见
为了更好地说明气溶胶的变化、垂直分布及成因,需通过结合近地面PM2.5和PM10颗粒物浓度数据(数据采用安徽省生态环境厅提供的激光雷达观测点对应的董铺水库站点的数据http://sthjt.ah.gov.cn/site/tpl/5391?cityCode=340100),以及向当地气象部门了解的近地面风速v、风向θ的情况作联合分析。为了判断气溶胶污染物的轨迹和来源,利用NOAA(https://ready.arl.noaa.gov/hypub-bin/trajasrc.pl)提供的HYSPLIT模型对气溶胶的后向轨迹进行分析。
2.2 测量方法
激光雷达测量大气气溶胶,用后向散射系数、消光系数来表征气溶胶特性,激光雷达的弹性散射回波信号方程可写为[13,19,24]
式中:P(z)为距离z处的大气后向散射信号,单位为W,用P(z)·z2表示激光雷达的距离平方修正信号,单位为W·km2;C为设备常数,单位为W·km3·sr;α(z)为距离z处的大气消光系数,单位为km-1;β(z)为距离z处的大气后向散射系数,单位为km-1·sr-1;下标m和a分别表示空气分子和气溶胶粒子。激光雷达以大气中的气溶胶粒子作为探测目标,气溶胶外部与自由大气交界处,气溶胶粒子流动性大,气溶胶浓度下降非常快,即表现为接收到的距离校正信号廓线快速变化,回波信号的大小与气溶胶的浓度高低呈正比,因此采用距离平方校正信号观测气溶胶变化的准确率较高[19,25]。
通过大量实际观测可得α(z)和β(z)满足
式中:S1为一个经验常数,取60;k为一个常数,典型值取1。
气溶胶粒子存在偏振和退偏振特性,先前的研究指出对于多分散系的沙尘气溶胶粒子,如果非球形特征越明显,则线退偏振比越大[26]。利用532nm波长的偏振光研究气溶胶粒子的偏振和退偏振特性,当激光在大气中传输时,激光雷达探测的退偏振比可表示为[27-28]
式中δ(z)为激光雷达探测的退偏振比,k为增益常数比,Ps(z)和Pp(z)分别表示大气后向散射回波功率在高度z处的垂直分量和平行分量。
3 星-地激光雷达联合观测分析
3.1 天气状况概述
基于近两年Aerosol-lidar观测的数据,匹配CALIPSO卫星过境合肥的时间地点,选取典型的4个天气个例进行观测分析。4个天气个例分别是2018年4月17日的沙尘天气(轻度污染)、2018年7月17日的多云天气(空气质量优)、2018年12月13日中度污染(无云)、2019年1月25日中度污染(多云)。
图 2. 典型天气个例的MODIS遥感真彩图[蓝色框为所测的合肥地区范围(30°57'N~ 32°32'N,116°41'E~ 117°58'E),直线为 CALIPSO卫星过境轨迹] 。(a) 2018年4月17日;(b) 2018年7月17日;(c) 2018年12月13日;(d) 2019年1月25日
Fig. 2. MODIS remote sensing true color map of a typical weather cases [The blue frame is the area of Hefei (30°57'N to 32°32'N, 116°41'E to 117°58'E), and the line is CALIPSO Satellite transit trajectory]. (a) April 17, 2018; (b) July 17, 2018; (c) December 13, 2018; (d) January 25, 2019
图 3. 典型天气个例的颗粒物浓度逐时间序列图(部分时段PM10数据缺失)。(a) 2018年4月17日; (b) 2018年7月17日; (c)2018年12月13日;(d)2019年1月25日
Fig. 3. Time-series graphs of particulate matter concentration in typical weather cases(PM10 data is missing in some periods). (a) April 17, 2018; (b) July 17, 2018; (c) December 13, 2018; (d) January 25, 2019
结合
3.2 联合观测与分析
通过以上颗粒物浓度数据可以较好地说明主要污染物的类型、污染物浓度随时间的变化情况,而通过激光雷达可以直观地看出气溶胶的垂直分布、气溶胶的变化情况。
图 4. Aerosol-lidar对典型天气个例观测的距离校正信号垂直剖面图:(a)2018年4月17日;(b)2018年7月17日;(c)2018年12月13日;(d)2019年1月25日
Fig. 4. Vertical profile of the range correctted signal of Aerosol-lidar in typical weather cases: (a) April 17, 2018;(b) July 17, 2018; (c) December 13, 2018; ( d) January 25, 2019
结合
图 5. 典型天气个例近地面风速风向(部分时段风向变化较快、或者风速为0时,风向未给出)。(a)2018年4月17日;(b)2018年7月17日;(c)2018年12月13日;(d)2019年1月25日
Fig. 5. Examples of wind speed and direction for typical weather near the ground, in which the wind direction is not given when the wind direction changes rapidly during certain periods, or the wind speed is 0. (a) April 17, 2018; (b) July 17, 2018; (c) December 13, 2018; (d) January 25, 2019
图 6. CALIOP对典型天气个例观测的后向散射信号垂直剖面图。(a)2018年4月17日; (b)2018年7月17日; (c)2018年12月13日; (d)2019年1月25日
Fig. 6. Vertical profile of the backscattered signal observed by CALIOP on typical weather cases. (a) April 17, 2018; (b) July 17, 2018; (c) December 13, 2018; (d) January 25, 2019
由于星-地激光雷达探测的视角、距离、分辨率等要素存在差异,探测结果存在一定的不确定度。地基激光雷达从地面向上探测,遇到云层后激光能量迅速衰减。对气溶胶的探测结果分辨率高、观测精度高,可以很好地捕捉上空气溶胶随时间序列的垂直分布。而星载激光雷达由于是从上往下来探测,如果遇到云层,激光的能量会迅速衰减,从而对底层气溶胶探测不利,且卫星时刻移动,因此探测精度较低、分辨率不如地基激光雷达。但卫星扫描范围大,对气溶胶随时空的分布、成因可以提供较好的数据支撑。
综合以上分析可以得出,星-地激光雷达联合观测可以从时间、空间不同维度,更加准确地捕捉刻画气溶胶随时空的分布情况。从观测结果来看,地基激光雷达观测结果的精度更高,星载激光雷达分辨率较好,能看出气溶胶的空间变化情况。星地联合观测,可以更好地分析多种复杂天气的气溶胶变化,其结果和地面颗粒物浓度数据具有很高的一致性。
激光雷达的532nm波长的激光有垂直和平行两个分量,当激光照射到大气中的气溶胶粒子时,其后向散射光的偏振特性可以用来表征气溶胶层的粒子特性、高度分布等。
从
图 7. CALIOP和Aerosol-lidar对典型天气个例观测的气溶胶粒子的退偏振比。(a)2018年4月17日; (b)2018年7月17日; (c)2018年12月13日; (d)2019年1月25日
Fig. 7. Depolarization ratio of aerosol particles observed by CALIOP and Aerosol-lidar for typical weather cases. (a) April 17, 2018; (b) July 17, 2018; (c) December 13, 2018; (d) January 25, 2019
由于星-地激光雷达在气溶胶观测数据的选择上存在时间、空间差异,因此探测结果会存在一定差异,但从以上结果来看,此次星-地激光雷达的退偏振比廓线变化趋势、高度信息基本一致,由此说明星-地激光雷达对气溶胶观测的一致性较好。
3.3 气溶胶类型与后向轨迹分析
CALIOP提供了气溶胶分类产品数据,将气溶胶层分为8个不同类型。通过Level2的Vertical Feature Mask产品数据获取此次典型天气个例的气溶胶分类垂直剖面图,如
图 8. 基于CALIOP探测得到的典型天气个例的气溶胶分类垂直剖面图。(a)2018年4月17日;(b)2018年7月17日;(c)2018年12月13日;(d)2019年1月25日
Fig. 8. Vertical profile of aerosol classification for typical weather cases observed by CALIOP. (a) April 17, 2018; (b) July 17, 2018; (c) December 13, 2018; (d) January 25, 2019
图 9. 由HYSPLIT模式提供的气溶胶48h后向轨迹。(a) 2018-04-17;(b) 2018-07-17;(c) 2018-12-13;(d) 2019-01-25
Fig. 9. 48-hour backward trajectory of aerosol provided by HYSPLIT mode. (a) 2018-04-17; (b) 2018-07-17; (c) 2018-12-13; (d) 2019-01-25
结合
4 结论
通过星-地激光雷达联合观测沙尘天气、多云天气、中度雾霾(无云)、中度雾霾(有云)气溶胶的垂直分布,并对探测结果进行分析,得出以下结论。
1)多云天气下,星载激光雷达对气溶胶探测时会受到天气影响,而地基激光雷达不受天气的影响,可以通过距离校正信号垂直剖面图准确地反映气溶胶的垂直分布。星-地激光雷达在无云天气的气溶胶探测结果具有很高的一致性,星-地激光雷达联合观测,可以更准确地反映气溶胶随时间、空间的变化。
2)不同天气状况的气溶胶变化存在很多不同之处,气溶胶的类型、气溶胶成因及来源也存在很大差异,通过激光雷达观测的气溶胶垂直分布,以及地面的颗粒物浓度数据、风速、风向等可以很好地解释气溶胶的变化及成因。
3)沙尘天气的气溶胶中存在粒径较大的颗粒物,因此退偏振比数值较大,气溶胶层中因气溶胶传输和沉降常伴有污染浮尘型的气溶胶。在多云天气下,即使地表空气质量优良,少量的气溶胶也会因人为活动的增加而出现。在中度污染天气下,如果云层较低,气溶胶和云层可以剧烈混合,相互作用。当大气层结稳定时,气溶胶容易在本地累积并无法扩散;当大气流动性较强时,雾霾天气中会有少量的污染浮尘型气溶胶和本地气溶胶混合,进而对气溶胶的变化和传输产生一定的作用。气溶胶中的粒子粒径较小时,常具有球形粒子属性,此时气溶胶的退偏振比的数值较小。
[2] 张芝娟. 基于多源数据的气溶胶光学特性及时空分布特征的研究[D]. 兰州: 兰州大学, 2019: 11- 16.
Zhang ZJ. Study on characteristics of aerosol optical property and spatio-temporal distribution based on multi-source datasets[D]. Lanzhou: Lanzhou University, 2019: 11- 16.
[4] Seinfeld JH, Pandis SN. Atmospheric chemistry and physics: from air pollution to climate change[M]. Hoboken, New Jersey: John Wiley & Sons, 2006: 15- 27.
[5] Pöschl U. Atmospheric aerosols: composition, transformation, climate and health effects[J]. Angewandte Chemie International Edition, 2005, 44(46): 7520-7540.
[6] 刘毅, 王明星, 张仁健. 中国气溶胶研究进展[J]. 气候与环境研究, 1999, 4(4): 406-414.
Liu Y, Wang M X, Zhang R J. The present status of aerosol research in China[J]. Climatic and Environmental Research, 1999, 4(4): 406-414.
[7] 苏倩欣, 李婧, 陈敏瑜. 大气气溶胶卫星遥感反演研究综述[J]. 科技创新导报, 2019, 16(36): 108-112, 114.
Su Q X, Li J, Chen M Y. A review of atmospheric aerosol satellite remote sensing inversion research[J]. Science and Technology Innovation Herald, 2019, 16(36): 108-112, 114.
[8] 贺欣, 周茹, 姚媛, 等. 基于AERONET的中国地区典型站点气溶胶类型变化特征[J]. 中国环境科学, 2020, 40(2): 485-496.
[9] Sun Y L, Zhuang G S, Tang A H, et al. Chemical characteristics of PM2.5 and PM10 in haze-fog episodes in Beijing[J]. Environmental Science & Technology, 2006, 40(10): 3148-3155.
[11] 杨军, 牛忠清, 石春娥, 等. 南京冬季雾霾过程中气溶胶粒子的微物理特征[J]. 环境科学, 2010, 31(7): 1425-1431.
Yang J, Niu Z Q, Shi C E, et al. Microphysics of atmospheric aerosols during winter haze/fog events in Nanjing[J]. Environmental Science, 2010, 31(7): 1425-1431.
[12] Yang Y J. Yim S H L, Haywood J, et al. Characteristics of heavy particulate matter pollution events over Hong Kong and their relationships with vertical wind profiles using high-time-resolution Doppler lidar measurements[J]. Journal of Geophysical Research: Atmospheres, 2019, 124(16): 9609-9623.
[13] 刘东, 陶宗明, 吴德成, 等. 三波长拉曼偏振激光雷达系统研制及探测个例[J]. 光学学报, 2013, 33(2): 0228001.
[14] 伯广宇, 刘东, 吴德成, 等. 双波长激光雷达探测典型雾霾气溶胶的光学和吸湿性质[J]. 中国激光, 2014, 41(1): 0113001.
[15] 王玉峰, 曹小明, 张晶, 等. 基于小波去噪算法的全天时大气水汽拉曼激光雷达探测与分析[J]. 光学学报, 2018, 38(2): 0201001.
[16] 罗卉卉, 陈臻懿, 张天舒, 等. 基于CALIPSO卫星和地面观测资料的气溶胶垂直分布对比[J]. 中国激光, 2019, 46(12): 1201003.
[17] 陈晓磊, 金莲姬. 基于CALIPSO卫星的不同天气类型下气溶胶垂直分布特征对比研究[J]. 激光与光电子学进展, 2018, 55(2): 020101.
[18] 徐成鹏, 葛觐铭, 黄建平, 等. 基于CALIPSO星载激光雷达的中国沙尘气溶胶观测[J]. 中国沙漠, 2014, 34(5): 1353-1362.
Xu C P, Ge J M, Huang J P, et al. Observations of dust aerosol over China based on CALIPSO spaceborne lidar[J]. Journal of Desert Research, 2014, 34(5): 1353-1362.
[19] Fu S L, Xie C B, Zhuang P, et al. Study of persistent foggy-hazy composite pollution in winter over Huainan through ground-based and satellite measurements[J]. Atmosphere, 2019, 10(11): 656.
[20] Wu D, Wang Z, Wang B, et al. CALIPSO validation using ground-based lidar in Hefei (31.9°N, 117.2°E), China[J]. Applied Physics B, 2011, 102(1): 185-195.
[21] 张辉, 陶宗明, 麻晓敏, 等. 合肥地区PM2.5质量浓度与气溶胶后向散射系数之间吸湿因子的拟合[J]. 中国激光, 2018, 45(7): 0704006.
[22] 何文英, 凌超, 陈洪滨, 等. 合肥地区平流层气溶胶地基激光雷达与SAGE卫星探测比较[J]. 遥感学报, 2016, 20(4): 540-548.
He W Y, Ling C, Chen H B, et al. Comparison of stratospheric aerosol derived from ground LiDAR and SAGE in Hefei[J]. Journal of Remote Sensing, 2016, 20(4): 540-548.
[23] 方欣, 王敏, 胡顺星. 合肥梅雨季节大气污染物分布特征的激光雷达探测[J]. 中国激光, 2019, 46(1): 0110003.
[24] Fernald F G. Analysis of atmospheric lidar observations: some comments[J]. Applied Optics, 1984, 23(5): 652-653.
[25] 谭敏, 谢晨波, 王邦新, 等. 北京2014年冬季边界层高度与颗粒物浓度的相关性研究[J]. 红外与激光工程, 2018, 47(7): 0717007.
[26] 张小林. 沙尘气溶胶粒子模型的线退偏比特性[J]. 光学学报, 2016, 36(8): 0829001.
[28] Mao F Y, Gong W, Li J. Geometrical form factor calculation using Monte Carlo integration for lidar[J]. Optics & Laser Technology, 2012, 44(4): 907-912.
Article Outline
杨昊, 谢晨波, 方志远, 王邦新, 邢昆明, 曹也. 星-地激光雷达联合观测合肥地区的气溶胶垂直分布[J]. 中国激光, 2021, 48(1): 0110001. Hao Yang, Chenbo Xie, Zhiyuan Fang, Bangxin Wang, Kunming Xing, Ye Cao. Joint Observations of Vertical Distribution of Aerosols in Hefei Area by Spaceborne and Ground-Based Lidars[J]. Chinese Journal of Lasers, 2021, 48(1): 0110001.
PDF全文
