图1 北京地区 2016 年 3 月至 2019 年 4 月 MLH 和PM2.5 浓度日变化
Fig. 1 Diurnal variation of MLH and PM2.5 in Beijing from March 2016 to April 2019
摘要 利用微脉冲激光雷达观测资料, 运用人工辅助算法, 获得 2016―2019 年白天混合层高度(MLH), 并分析其变化特征及其与空气污染物 PM2.5 浓度的关系。结果表明, 混合层高度表现出明显的季节变化和日变化, 春季高度明显大于其他季节, 最大值均发生在 5 月。混合层高度在 08:00―15:00 BJT 的变化趋势与 PM2.5 浓度负相关。线性拟合结果表明, 当考虑风速的影响时, 通风指数与 PM2.5 具有更强的负相关关系; 当考虑风向的影响时, 西南风情况下, 混合层高度与 PM2.5 具有更强的负相关关系。对天气分型后, 每个天气类型的PM2.5 浓度与混合层高度的相关性更加显著。
关键词 混合层高度(MLH); PM2.5; 通风指数; 线性拟合; 天气分型
大气边界层发生的物理、化学和生态过程与天气及气候变化、环境变化、温室气体和污染物扩散机理密切相关[1]。混合层高度(mixing layer height, MLH)是研究大气边界层特征的重要参数之一, 其对应的日最大混合层高度(daily maximum mixing layer height, MMH)决定来自地面的各种物质在垂直方向混合后扩散至当日所能达到的最大高度, 在环境监测和空气质量预报等的研究和实际应用中都具有重要意义[2]。
Xie 等[3]发现, 较高的 MLH 通常对应较强的湍流, 后者将更多的空气污染物从地面提升至高空, 可以减轻地面附近的空气污染。尤焕芩等[4]利用探空数据计算 MMH, 结果显示 2004—2007 年北京地区空气质量等级与 MMH 负相关。张建忠等[5]利用欧洲中期天气预报中心(European Centre for Medium- Range Weather Forecasts, ECMWF)再分析场计算MLH, 将北京地区 2013 年 1—2 月的 MLH 与空气质量指数(air quality index, AQI)进行比较, 结果显示MLH 与 AQI 负相关。李梦等[6]利用云高仪计算MLH, 与 2014 年污染严重的 2 月京津冀区域 4 个站点的 PM2.5 进行比较, 认为 MLH 是石家庄近地面长时间高浓度污染的主要原因。Murthy 等[7]利用云高仪和探空仪分析印度首都德里 2017 年冬季 3 个月的MLH, 发现在风速较小的情况下, MLH 是空气污染物浓度的主要影响因素。Tie 等[8]、Tang 等[9]、Quan 等[10]、Yan 等[11]和 Xu 等[12]通过探空数据探测行星边界层(planetary boundary layer, PBL), 认为空气污染物与 PBL 之间的相互作用是加剧中国大城市雾霾事件的关键因素。
常规探空观测只有 08 时和 20 时数据, 不足以研究混合层高度的日变化特征[13]。近年来, 利用激光雷达等地面遥感技术探测北京地区 MLH 的研究逐渐增多。杨东伟[14]证明激光雷达测量可以有效地探测混合层高度的变化; 初奕琦[15]利用激光雷达探测数据开发出自动算法, 很好地测算出北京地区的混合层高度; Pan 等[16]利用微脉冲激光雷达(micro pulse lidar, MPL)反演得到 MLH, 发现较高的 PM2.5导致太阳辐射减少, 从而降低 MLH, 进一步压低混合层中气溶胶, 产生较高的 PM2.5; Xu 等[17]利用2017 年冬季 MPL 的雷达数据计算 MLH, 并转换成高通风系数(ventilation coefficient, VC)与 PM2.5 进行对比, 得到活跃天气情况下的高 MLH 与高 VC 有利于污染物扩散的结论。
前人使用激光雷达数据, 多以研究混合层高度的算法为主, 且时间序列较短, 对 MLH 与 PM2.5 的长时间变化、季节变化和日变化关系的研究较少。本文利用 2016―2019 年北京地区 MPL 数据反演的MLH, 与 PM2.5 做定量的线性拟合分析。同时, 引入风场和通风指数, 进一步探究 MLH 与 PM2.5 的关系。最后进行天气分型, 探究不同天气类型下这种关系的表现。
本研究使用的激光雷达是美国 Sigma Space 公司生产的 MPL 4246 型微脉冲激光雷达。该激光雷达为单波长双偏振米散射雷达[18], 布置在北京大学物理学院楼顶(39.99°N, 116.31°E)的一个雷达舱室中, 距离地面约 20m。激光雷达软件将探测数据以15s 的平均值存储作为一个记录, 垂直空间分辨率设为 15m。本研究使用的观测数据进行 30min 的时间平均。本文利用的数据覆盖 2016 年 3 月 20 日至2019 年 4 月 30 日, 共 1137 天。由于仪器调试、云雾覆盖或降水等天气原因, 存在一定的缺测时段。为了保证整体数据的可靠性, 剔除缺测时段较长、无法有效地表征日变化过程的 225 天数据。混合层高度利用激光雷达探测资料反演获得[15]。
本研究还用到以下 4 种气象和大气环境观测资料以及再分析气象资料。
1)北京大学物理楼顶的自动气象站提供的近地面气温、相对湿度、气压、风速和风向的 1min分辨率连续观测资料, 时间覆盖 MPL 的整个观测时段。
2)万柳环境监测站的气溶胶颗粒物 PM2.5 浓度监测资料, 数据时间覆盖整个观测时段, 时间分辨率为 1h。该数据每日发布在北京市环境保护监测中心网站(http://www.bjmemc.com.cn)。
3)美国国家环境预报中心(National Center of Environmental Prediction, NCEP)每天业务化发布(每 6 小时发布一次)的全球数值分析资料(final op-erational global analysis, FNL), 空间分辨率为 1°×1°等经纬度格点, 被用做全球预报系统(global fore-cast system, GFS)预报的初值场, 广泛应用于气象气候的分析中[19]。数据网址为 https://rda.ucar.edu/data sets/ds083.2/index.html?hash=sfol-wl-/data/ds083.2。本文使用该数据, 通过天气分型软件 Cost733Class[20], 对北京地区 2016 年 3 月至 2019 年 4 月冬季天气进行分型计算。
4)通风指数(ventilation index, VI), 即风速与混合层高度的乘积, 表征大气扩散能力, 是测量空气污染物通量的有用参数[21]。本文使用逐日最大混合层高度时刻对应的地面风速(windspeed, WS)和MMH 数据进行计算, 作为当日混合层扩散能力的指征。
从图 1 可以看出, 07:00—08:00, MLH 和 PM2.5浓度都呈上升趋势; 08:00—15:00, MLH 仍然呈上升趋势, 而 PM2.5 浓度总体上呈下降趋势, 与文献[14‒ 15]的结论一致。
基于污染物在边界层扩散的典型模型可知, MLH 决定污染物垂直扩散的区域, 在污染物总量固定的情况下, MLH 越大, 污染物浓度越低。08:00后, 地面 PM2.5 浓度的下降与 MLH 的升高过程很好地对应, 说明这一时段 PM2.5 浓度的变化主要与混合层升高的过程有关。07:00—08:00, 尽管 MLH 快速增大, PM2.5 浓度仍然持续升高, 说明这一过程不由垂直扩散主导。综合分析各方面因素, 这一时段PM2.5 浓度的增加应与交通早高峰的大量污染物排放有关。
选用 MPL 反演的北京地区 2016 年 3 月至 2019年 4 月 MLH 和 MMH, 设定春季为 3—5 月, 夏季为6—8 月, 秋季为 9—11 月, 冬季为 12—次年 2 月。从表 1 可见, 北京地区 2017 和 2018 两年春季均出现当年最大的日平均 MLH 和 MMH, 3 年日平均 MLH 为 1145m。2017 年日平均 MLH 最大值(3194m)出现在 5 月 6 日, MMH (4140m)出现在当日 16:00。2018 年日平均 MLH 最大值(2987m)出现在 5 月 3 日, MMH (3600m)出现在当日 15:30。
图1 北京地区 2016 年 3 月至 2019 年 4 月 MLH 和PM2.5 浓度日变化
Fig. 1 Diurnal variation of MLH and PM2.5 in Beijing from March 2016 to April 2019
从理论上讲, PM2.5 与 MMH 两组数据之间是一次函数关系。因此, 本文以 e 为底数, 分别对 MLH和 PM2.5 浓度的逐日平均值取对数, 生成散点图(图2)。可以看出, 各季节 MLH 与 PM2.5 均呈现负相关关系, 且均通过显著性检验(p<0.001), 秋季和春季的相关性较强, 夏季最弱。图 3 显示, MMH 与 PM2.5浓度的相关性(R=−0.345)比 MLH 与 PM2.5 浓度的相关性(R=−0.324)略强。
MLH 日均值受太阳辐射、地形地貌、局地污染和人为活动等诸多因素影响, 例如 MLH 在早晨快速上涨时段受城市交通早高峰空气质量影响而滞后。本文在使用 MMH 时, 消除了 MLH 日变化过程中各种高频变化因素的影响。与 MLH 日均值相比, MMH 日均值可以直观地代表当日污染物垂直廓线的上限, 能更好地体现混合层垂直扩散能力与 PM2.5浓度的关系, 因此下面主要使用 MMH 进行计算。
除混合层高度外, 风速也显著地影响空气污染物的水平扩散, 风切变是产生动力混合的根本原因。本文选取北京地区 2016 年 3 月至 2019 年 4 月逐小时的 PM2.5 浓度数据做日平均, 代表空气污染状况。将地面风速分为 4 档(WS<1.0m/s, WS=1.0～1.5m/s, WS=1.5～2.0m/s, WS>2.0m/s), 对 MMH 和PM2.5 浓度分别取对数后进行拟合, 结果见图 4。可以看出, MMH 与 PM2.5 浓度均负相关, 但相关系数较小, 表明 WS 对 PM2.5 浓度有重要影响。同时, 在WS 较大的区间, MMH 与 PM2.5 浓度相关系数很小, 说明水平扩散对 PM2.5 有显著影响。
除风速外, 因北京三面环山的地形, 风向也带来一定的影响。在西南风(180°～270°)和东南风(90°～180°)两种情况下, 对 MMH 和 PM2.5 浓度分别取对数后进行拟合, 结果如图 5 所示。可以看到, MMH 与 PM2.5 的浓度的相关性西南风时(R=−0.406)比东南风时(R=−0.274)更显著, 原因是西南输送带来更多的污染物, 与局地污染物叠加后, 会降低风的扩散作用对 PM2.5 浓度的影响。
表1 北京地区 2016 年 3 月至 2018 年 12 月日平均 MLH和MMH的季节平均值
Table 1 Mean of MLH and MMH for four seasons in Beijing from March 2016 to December 2018
年份MLH/mMMH/m 春夏秋冬春夏秋冬 20161120119010409401520167013201310 20171410980107013002400170016901990 20181230960115010702330178020402010 平均值13101110109010702070172016901820
图2 北京地区2016年3月至2019年4月MLH与PM2.5浓度取对数后分季节线性拟合结果
Fig. 2 Linear fitting of double logarithms of MMH and PM2.5 for four seasons in Beijing from March 2016 to April 2019
图3 北京地区2016年3月至2019年4月逐日平均的MLH和MMH与PM2.5浓度取对数后线性拟合结果
Fig. 3 Linear fitting of double logarithms of daily average MLH and PM2.5 in Beijing from March 2016 to April 2019
将 VI 和 MMH 分别与 PM2.5 浓度进行拟合, 结果如图 6 所示。可以看出, MMH 与 PM2.5 浓度不是线性关系, 当 MMH 趋于极小值时, PM2.5 趋于极大值, 反之亦然; VI 与 PM2.5 浓度的关系也呈现相同的趋势。同时, 在 MMH 值较低(图 6(a)中小于 800m)时, PM2.5 浓度对 MMH 的变化比较敏感。当 MMH从 1000m 降至 800m 时, PM2.5 浓度从 100μg/m3急剧增加到 250μg/m3。这一结果表明, 在较低的 MMH范围内, MMH 影响的垂直扩散条件在 PM2.5 污染水平中起着重要的作用, 与 Tie 等[8]和 Tang 等[9]的结论一致。图 6(b)显示, WS 较大值均对应着较低的PM2.5 浓度值, 表明大风对降低 PM2.5 浓度起着重要作用。对比图 6(a)与(b)可以看出, VI 与 PM2.5 的拟合性较好, 且数据点更集中, 所以通风指数 VI 与PM2.5 浓度的相关性更好。
图4 北京地区2016年3月至2019年4月不同风速条件下MMH与PM2.5浓度取对数后线性拟合结果
Fig. 4 Linear fitting of double logarithms of MMH and PM2.5 at different wind speed conditions in Beijing from March 2016 to April 2019
图5 北京地区2016年3月至2019年4月西南风和东南风下MMH与PM2.5浓度取对数后线性拟合结果
Fig. 5 Linear fitting of double logarithms of MMH and PM2.5 in southwest wind and southeast wind in Beijing from March 2016 to April 2019
图6 北京地区2016年3月至2019年4月日平均MMH与PM2.5浓度、VI与PM2.5浓度拟合结果
Fig. 6 Daily average MMH and PM2.5, VI and PM2.5 fit the distribution of different wind speeds in Beijing from March 2016 to April 2019
图7 北京地区2016年3月至2019年4月MMH与PM2.5浓度、VI与PM2.5浓度取对数后线性拟合结果
Fig. 7 Linear fitting of double logarithms of MMH and PM2.5, VI and PM2.5 in Beijing from March 2016 to April 2019
图8 2016年3月至2019年4月北京地区冬季的4种天气类型
Fig. 8 Four weather classification during winter in Beijing from March 2016 to April 2019
对 MMH 和 VI 与 PM2.5 分别取对数, 用最小二乘法进行线性拟合, 结果如图 7 所示。去除空值及异常值后, 有效数据样本数为 910 组。图 7(a)中, 数据点比较均匀地分布在拟合线两侧, 呈现一定的负相关线性关系(R=−0.345); 图 7(b)中, 数据点更加均匀地分布在拟合线两侧, 呈现更好的负相关线性关系(R=−0.537)。两组数据均通过 Spearman 显著性检验(p<0.001), 图 7(b)中 R 的绝对值大于文献[5]中北京地区 2013 年 1—2 月 MLH 与空气质量指数的相关系数−0.511。可见, VI 的对数与 PM2.5 浓度日均值的对数明显负相关, 说明通风指数 VI 与 PM2.5 浓度的相关性更强, 大气扩散能力对 PM2.5 污染水平的影响更大。
上述拟合结果表明, 取全年的日平均值数据和各季节的日平均值数据时, MLH 与 PM2.5 浓度的相关系数均未显著提高, 因此我们考察不同天气形势下 MLH 与 PM2.5 浓度的相关性。由于冬季的天气较稳定, PM2.5 与风速之间的相关性也不大, 本文选择2016—2019 年冬季进行天气分型研究。
本文使用 Cost733Class 软件, 通过读取 NCEP每天发布的 2016—2019 年 FNL 全球数值分析资料中的海平面气压(sea level pressure, SLP)数据, 对北京地区冬季天气形势进行分型。如图 8 所示, 将2016—2019 年北京地区冬季天气分为 4 个类型。
类型 1 (139 个数据): 西北高压南下, 北京地区在高压前部, 地面受东北气流控制, 天气较好。
类型 2 (110 个数据): 位于西部的较强高压前部控制下, 北京地区受西北和偏北气流控制, 地面风速较大, 不利于污染物累积, 天气以晴好为主。
类型 3 (44 个数据): 高压东移, 低压移入, 北京地区受高压后部和低压前部控制, 地面受西南气流夹带暖湿气流影响, 是污染较容易累积的天气。
类型 4 (36 个数据): 受弱高压控制, 大气较为稳定, 混合层发展受抑制, 有利于污染物累积。
从表 2 可以看出, 类型 1 和类型 2 不利于空气污染物生成, 其中类型 2 的 PM2.5 浓度最低, WS 最大(2.27m/s), MLH 也最大(1.321km), MMH 则达到2.09km; 类型 3 和类型 4 则相对有利于污染物累积, 其中类型 3 在 4 种天气形势中 PM2.5 平均浓度最大, WS最小(1.37m/s), MLH 最低(0.932km), MMH 也最低(1.55km)。同时可见所有天气类型中, VI 越大, PM2.5 浓度越小。
由于 PM2.5 浓度与通风指数 VI 的相关性最强, 本文将 4 个天气类型中的 VI 与 PM2.5 浓度分别取对数后进行拟合, 结果如图 9 所示。可以看到, 所有天气类型下, 通风指数与地面 PM2.5 浓度都显著负相关(相关系数 R 均通过显著性检验, p<0.001)。天气类型 1 受西北高压前部控制型, 混合层较低, 拟合斜率仅为−0.339, 此时影响 PM2.5 浓度的重要因子是风速。天气类型 2 为典型的高压控制型, 混合层较高, PM2.5 浓度最低。天气类型 3 为小风型, 虽然边界层不是很低, 但风速较小, 不利于水平输送和扩散, 导致 PM2.5 浓度较高。天气类型 4 为弱高压的均压场类型, 风速不大, 天气形势较为稳定, 不利于水平和垂直的扩散, 导致 PM2.5 浓度较高。我们发现, 在显著有利于污染物清除或有利于污染物累积的两种天气类型, MLH 与 PM2.5 浓度有着更显著的负相关关系, 与 Zhou 等[20]得出的不同天气类型能够提升 PM2.5 浓度预测效果的结论一致。
本文基于北京大学物理学院的微脉冲激光雷达2016 年 3 月至 2019 年 4 月的混合层高度探测数据, 分析混合层高度的变化特征及其与 PM2.5 浓度的关系, 得到如下初步结论。
1)北京地区的混合层高度表现出明显的季节变化和日变化。2016—2019 年, 北京地区日平均混合层高度春季明显高于其余季节, 每年日平均混合层高度的最大值发生在 5 月。混合层高度在 07:00—15:00 呈现单调变化, 07:00 开始上升, 15:00 达到日最大值, 然后开始降低。07:00—15:00, 除交通早高峰时段外, 地面 PM2.5 浓度大体上与混合层高度的变化趋势相反。
表2 北京地区2016年3月至2019年4月4种天气类型下PM2.5浓度、MLH、WS、MMH和VI的年平均值
Table 2 Mean of PM2.5, MLH, WS, MMH and VI in four weather types in Beijing from March 2016 to April 2019
天气类型PM2.5/(μg·m−3)MLH/kmWS/(m·s−1)MMH/kmVI/(m2·s−1) 156.90.9921.521.642490 233.61.3212.272.094740 381.40.9321.371.552020 464.21.0421.421.692400
图9 2016年3月至2019年4月冬季北京地区VI和PM2.5浓度取对数后线性拟合结果
Fig. 9 Linear fitting of double logarithms of VI and PM2.5 in winter in Beijing from March 2016 to April 2019
2)直接使用 PM2.5 浓度数据分别和日最大混合层高度以及通风指数拟合时, 发现在较低的 MMH范围内, PM2.5 浓度对 MMH 的变化比较敏感, 垂直扩散条件在 PM2.5 污染水平中起着重要作用。在风速较大时, PM2.5 浓度较低, 表明水平扩散对清理PM2.5, 提高 MMH 起着重要作用。在西南风的风向条件下, 混合层高度与 PM2.5 浓度具有更显著的相关性。
3)通风指数与 PM2.5 浓度线性拟合结果呈现的负相关性, 远高于混合层高度与 PM2.5 浓度的拟合结果。
4)天气分型后的各组拟合结果中, 通风系数与PM2.5 浓度的相关性有显著的提升, 且当出现显著有利于污染物清除或有利于污染物累积两种类型天气时, 混合层高度与 PM2.5 浓度有着更显著的负相关关系。
本文使用激光雷达反演的混合层高度仅有 3 年时间的数据, 只对应北京地区的污染物变化, 且仅使用北京地区的冬季天气进行天气分型。未来工作中, 将使用更长时间序列以及不同的季节对天气进行分型, 更深入地探究混合层高度与 PM2.5 浓度的关系。
参考文献
[1] 盛裴轩, 毛节泰, 李建国, 等. 大气物理学. 北京: 北京大学出版社,2003
[2] 王存贵, 李成才, 贺千山, 等. 结合激光雷达评估常规探空资料反演青藏高原混合层高度的适用性. 北京大学学报(自然科学版), 2017, 53(3): 579‒587
[3] Xie B, Fung J C H, Chan A, et al. Evaluation of nonlocal and local planetary boundary layer schemes in the WRF model. Journal of Geophysical Research: Atmospheres, 2012, 117: D12103
[4] 尤焕苓, 刘伟东, 谭江瑞. 北京地区平均最大混合层厚度的时间变化特征. 气象, 2010, 36(5): 51‒55
[5] 张建忠, 孙瑾, 王冠岚, 等. 北京地区空气质量指数时空分布特征及其与气象条件的关系. 气象与环境科学, 2014, 37(1): 33‒39
[6] 李梦, 唐贵谦, 黄俊, 等. 京津冀冬季大气混合层高度与大气污染的关系. 环境科学, 2015, 36(6): 1935‒1943
[7] Murthy B S, Latha R, Tiwari A, et al. Impact of mixing layer height on air quality in winter. Journal of Atmospheric and Solar-Terrestrial Physics, 2019, 197: 105157
[8] Tie Xuexi, Zhang Qiang, He Hui, et al. A budget analysis of the formation of haze in Beijing. Atmos-pheric Environment, 2015, 100: 25‒36
[9] Tang Guiqian, Zhang Jinqiang, Zhu Xiaowan, et al. Mixing layer height and its implications for air pollu-tion over Beijing, China. Atmospheric Chemistry and Physics, 2016, 16(4): 2459–2475
[10] Quan Jiannong, Gao Yang, Zhang Qiang, et al. Evolution of planetary boundary layer under different weather conditionsand its impact on aerosol concen-trations. Particuology, 2013, 11(1): 34‒40
[11] Yan Qing, Hua Dengxin, Wang Yufeng, et al. Obser-vations of the boundary layer structure and aerosol properties over Xi’an using an eye-safe Mie scattering lidar. Journal of Quantitative Spectroscopy and Radia-tive Transfer, 2013, 122: 97‒105
[12] Xu Jianming, Yan Fengxia, Xie Ying, et al. Impact of meteorological conditions on a nine-day particulate matter pollution event observed in December 2013, Shanghai, China. Particuology, 2015, 20(3): 69‒79
[13] Wang X, Wang K. Estimation of atmospheric mixing layer height from radiosonde data. AtmosMeas Tech, 2014, 7: 1701–1709
[14] 杨东伟. 大气边界层和气溶胶的激光雷达探测研究[D]. 北京: 北京大学, 2013
[15] 初奕琦. 大气混合层高度的微脉冲激光雷达探测研究[D]. 北京: 北京大学, 2018
[16] Pan Liang, Xu Jianming, Tie Xuexi, et al. Long-term measurements of planetary boundary layer height and interactions with PM2.5 in Shanghai, China. Atmos-pheric Pollution Research, 2019, 10(3): 989‒996
[17] Xu X, Jiang Z, Li J, et al. Impacts of meteorology and emission control on the abnormally low particulate matter concentration observed during the winter of 2017. Atmospheric Environment, 2020, 225: 117377
[18] Campbell J R, Hlavka D L, Welton E J, et al. Full-time, eye-safe cloud and aerosol lidar observation at atmospheric radiation measurement program sites: in-struments and data processing. Journal of Atmos-pheric and Oceanic Technology, 2002, 19(4): 431‒442
[19] Andreas P, Judit B, Christoph B, et al. Cost733Cat —a database of weather and circulation type classifica-tions. Physics and Chemistry of the Earth, 2009, 35 (9): 360‒373
[20] Zhou Chengjun, Wei Gang, Xiang Jie, et al. Effects of synoptic circulation patterns on air quality in Nanjing and its surrounding areas during 2013–2015. Atmosp-heric Pollution Research, 2018, 9(4): 723‒734
[21] Pasch A, Macdonald C, Gilliam R, et al. Meteoro-logical characteristics associated with PM2.5 air pollu-tion in cleveland, Ohio, during the 2009–2010 cleve-land multiple air pollutants study. Atmos Environ, 2011, 45: 7026–7035
Research on Relations between Atmospheric Mixing Layer Heights and Fine Particle Concentrations with Lidar Measurements
Abstract Based on the observations of amicro-pulse lidar in Beijing, the MLH is retrieved by using the artificial assistance algorithm during the day from 2016 to 2019. Then the seasonal and diurnal variations of MLH and its relationship with PM2.5 mass concentration are analyzed. The results show that the MLH shows obvious seasonal and diurnal changes, and the daily averaged MLH is significantly higher in spring than that in other seasons. The daily maximum MLH height inevery year occurs in May of the year. The variation trend of the MLH is opposite to the concentration of PM2.5 from 08:00 am to 03:00 pm. Through linear fitting of the data, it is shown that the negative correlation is stronger when the ventilation index and wind speed are induced. When considering the influence of wind direction, the MLH has a stronger negative correlation with PM2.5 in the case of southwesterly wind. In addition, after weather classification, the correlation between PM2.5 and the MLH in each same weather group can be significantly improved.
Key words mixing layer height(MLH); PM2.5; ventilation index; linear fitting; weather classification
doi: 10.13209/j.0479-8023.2022.022
国家重点研发计划(2016YFC0202004)和国家自然科学基金(42030607, 42075133)资助
收稿日期: 2021-03-26;
修回日期: 2021-05-12