图1 京津冀及周边地区的地形与观测站点
Fig.1 Terrain and observation sites in the Beijing-Tianjin-Hebei region and its adjacent regions
北京大学学报(自然科学版) 第62 卷 第4 期 2026 年7 月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 4 (July 2026)
doi: 10.13209/j.0479-8023.2026.053
国家自然科学基金(42322504, 42275198)和中国气象科学研究院科技发展基金(2025KJ002)资助
收稿日期: 2025-05-21;
修回日期: 2026-03-02
Synoptic Classification of Compound Heat-Ozone Events in the Beijing-Tianjin-Hebei Region Using Self-Organizing Map
在全球气候变暖背景下, 极端高温热浪与近地面臭氧(O3)污染复合事件发生的频率和强度显著增加, 成为威胁区域公共健康与生态安全的重要环境问题[1-3]。高温与 O3 污染并非独立发生, 二者在气象驱动机制上存在紧密的协同效应, 高温不仅直接加剧人体热应激风险[4-5], 还通过增强生物源的挥发性有机物(BVOCs)排放、加速光化学反应速率以及抑制污染物扩散等多重途径, 显著地促进 O3 的生成与累积[3,6-8]。这种高温与 O3 污染的复合事件对人体健康的危害具有非线性叠加特征, 其风险远高于单一灾害[9-10]。近年来, 针对复合污染的变化趋势、健康效应及化学机制已开展一系列研究, 认识到在全球升温 1.5～2℃情景下, 复合事件的发生概率将成倍增加[3,11]。
气象条件特别是大尺度环流形势是调控高温与O3 污染复合过程的关键外强迫因子, 特定的环流配置有利于复合事件的形成[12-17]。例如, 西太平洋副热带高压的异常西伸北抬、大陆高压或阻塞高压的维持, 均伴随下沉气流增温和静稳天气, 既有利于热量在边界层内累积, 又为光化学反应提供了稳定的辐射和温度条件[12-15]。对多年观测资料的客观聚类法分析表明, 导致中国 PM2.5 和 O3 事件的典型天气系统包括西太平洋副热带高压、东北阻塞高压和蒙古高压等, 大量极端污染共现事件伴随着静稳天气和极端高温[15]。在东亚季风区, 偏南气流的输送不仅带来暖湿空气, 加剧体感温度, 还可能将前体物输送至下风向地区, 与本地排放叠加[16-17]。热浪期间的高温及其伴随的干旱可以增强植被的生物源排放, 导致生成更多的 O3 和二次有机气溶胶, 与单一极端天气事件相比, 热浪和静稳天气的同时发生可能导致 O3 浓度的额外增加[3]。
已有一些研究揭示京津冀地区 O3 污染的时空分布特征及气象驱动机制[14,16,18]。唐颖潇等[16]通过空气质量模式的模拟和过程分析, 发现京津冀地区春夏季 O3 浓度呈现南高北低的分布特征, 北京、天津和石家庄的 O3 高浓度往往伴随偏南风; 夏季午后化学过程是各城市 O3 浓度增加的主要来源, 垂直混合以及区域输送的贡献存在显著的城市间差异。Hua 等[14]对我国中东部地区 2015—2020 年夏半年的 PM2.5 与 O3 复合污染气象特征进行分析, 发现京津冀及周边地区 O3 污染具有明显的持续性特征, 均压场型和低压控制型是 O3 污染出现时两种主要的地面天气形势。裘彦挺等[18]从全国尺度解析 PM2.5与 O3 相关性的时空分布规律, 发现京津冀地区夏季两类污染物浓度显著正相关。
自组织映射(self-organizing map, SOM)神经网络因其能处理非线性特征并保持资料的拓扑结构, 广泛地应用于气象与环境污染研究中[19-20]。应用SOM 方法, 可识别导致中国东部地区 O3 与 PM2.5 复合污染的大尺度环流驱动因子[21]。然而, 现有研究多集中于长时序的气候趋势分析或单一污染物的气象敏感性研究[22], 对近期极端年份(如 2022—2024年)复合污染事件的具体环流分型及其边界层物理机制的精细化刻画不足。特别是对于京津冀这一地形复杂、人口稠密的区域, 大尺度环流如何与局地地形(如太行山-燕山半包围结构)协同作用, 进而调控边界层热力与动力结构来影响复合污染[23-24], 尚需深入探讨。
尽管“大气十条”等政策的实施使京津冀地区PM2.5 浓度显著下降, 但 O3 污染问题日益凸显, 且高温与 O3 复合事件的频率呈上升趋势[25-29]。既往关于京津冀地区环流分型的研究多侧重雾霾或单一高温过程, 针对高温与 O3 污染复合过程的典型天气型识别较少, 且多采用一些传统聚类方法, 难以充分捕捉环流演变的非线性拓扑特征[30-31]。此外, 现有研究在解释复合事件的发生机制时多侧重近地面气象要素与环流分型[32-34], 缺乏对边界层顶附近暖平流和垂直混合抑制等关键物理过程的垂直结构分析, 导致对灾害成因的理解不够全面。
本研究聚焦于 2022—2024 年京津冀及其周边地区夏季高温与 O3 污染复合事件, 基于多源环境气象资料, 量化高温热指数(heat index, HI)以及地面 O3浓度的时空分布特征, 并引入 SOM 神经网络方法,对长序列的天气形势场进行客观的分型, 旨在识别与复合事件有显著关联的典型环流模式。在此基础上, 结合边界层垂直结构分析, 深入地探讨环流-地形协同作用下热量与污染物的累积机制。期望通过厘清复合事件的环流前兆信号与物理成因, 为京津冀地区极端复合天气的监测预警以及协同防控提供理论依据与决策支持。
本研究基于欧洲中尺度天气预报中心第五代全球再分析资料(ECMWF Reanalysis v5, ERA5)[35], 采用美国国家气象服务中心的 HI 指数计算方法[36],综合考虑 2 m 高度处温度和相对湿度的作用, 计算京津冀及周边地区(30°—45°N, 108°—125°E) 2022 —2024 年夏季(6—8 月)的小时 HI 指数。ERA5 的水平分辨率为 0.25°, 提供 1000～1 hPa 共 37 个垂直分层的逐小时气象数据, 包括位势高度、温度、湿度和水平风等变量。基于 HI 的日最大值, 将热风险水平划分为 4 个等级[24,36]。HI 值介于 27～32℃之间为低热风险, 需要引起关注; HI 值介于 32～ 41℃之间为中热风险, 需要采取措施, 保持人体的热舒适度, 如保持水分充足和避免剧烈活动等; HI值超过41℃为高热风险, 长时间暴露会出现中暑和热衰竭症状; HI 超过 54℃为超高热风险, 长时间暴露会危及生命。本研究重点分析中级及以上热风险的高温与污染复合过程。
对 O3 污染的分析采用清华大学发布的中国大气成分近实时追踪数据集(Tracking Air Pollution in China, TAP)[37]。该数据集基于机器学习算法, 融合地面观测数据、卫星遥感信息、高分辨率排放清单以及空气质量模型模拟等多源数据, 生成覆盖中国区域的分辨率为 10 km 的地面 O3 日最大 8 小时平均浓度值(maximum daily 8-hour average, MDA8)[38]。根据 O3 污染的国家标准, 将 MDA8 O3 超过 160 μg/ m3 作为污染日的判断标准。由于 TAP 与 ERA5 的水平分辨率不同, 为实现空间上的匹配, 将京津冀及周边地区夏季 TAP 的 MDA8 O3 逐日数据线性插值至 ERA5 的网格, 用于综合分析高温与污染复合过程的特征。由于京津冀地区的高温与污染复合过程通常发生在无降水状况下, 因此本研究剔除各个格点降水日(ERA5 日降水量超过 1 mm)后再开展复合过程的分析。
此外, 本研究利用中国环境监测总站提供的站点资料, 对上述格点数据集进行验证, 包括京津冀地区多个城市的 13 个地面气象观测站、65 个空气质量监测站以及北京、唐山和邢台三地的探空站(图1), 其中地面站提供小时观测值, 探空站在每日北京时间 08 时和 20 时观测两次。
图1 京津冀及周边地区的地形与观测站点
Fig.1 Terrain and observation sites in the Beijing-Tianjin-Hebei region and its adjacent regions
本研究基于上述资料的分析结果, 应用 SOM神经网络方法[19], 对京津冀及其周边地区的 ERA5逐日天气形势场进行分类, 并识别导致区域高温与污染复合过程的典型环流形势。SOM 是一种基于竞争学习的无监督人工神经网络方法, 常用于高维场的降维与模式识别[39]。SOM 的网络结构由输入层和二维竞争层构成。由于边界层顶附近的气象场既指示区域性强迫, 又与边界层结构的演变密切相 关[32-33,40], 本研究选取 850 hPa 位势高度场作为输入层, 并进行归一化处理。首先, 计算每个输入环流场与竞争层所有神经元权重向量的欧氏距离, 将距离最小的神经元判定为“获胜神经元”; 随后, 根据距离衰减的邻域函数, 更新获胜神经元及其邻域内神经元的权重向量。训练过程为迭代过程, 学习速率和邻域半径随迭代次数逐步衰减, 直至权重向量收敛为可代表不同环流原型的典型场。与主成分分析[30]或 K 均值等聚类方法[41]相比, SOM 的主要优势在于, 一是能处理非线性特征并保持资料的拓扑结构, 二是二维竞争层能直观地揭示不同天气型之间的连续演变关系, 因此广泛应用于环流分型与气候模态研究中[42-44]。SOM 的不足之处在于, 需要预先设定竞争层的二维网络尺度(即分型数量), 选择设定值时具有一定的主观性。此外, SOM 可能对出现频率极低但影响显著的环流型不敏感。为降低主观性, 提高分型的可靠性, 本研究通过计算平均量化误差(MQE)与拓扑误差(TE), 对不同网络规模进行客观的评估, 筛选 MQE 与 TE 综合取值最小的8 类(2×4 网络)方案作为最终分型结果。为消除SOM 模型初始随机权重对分型结果的影响, 设置多组不同的随机数种子来完成模型的初始化, 各自重复开展 100 次 SOM 迭代训练, 据此评估分型稳定性和代表性。最终, 将每个神经元的权重向量映射回原始物理场, 进行人工判读和环流气象特征注释,以便后续将分型结果与高温-O3 污染复合过程的观测及数值模拟分析相结合。需要指出的是, 对于低频但关键性的环流样例, 仍然需要个例分析进行补充解释。
通过比较上述格点资料中近地面温度、相对湿度、HI 和 MDA8 O3 与 13 个主要城市地面观测值的一致性来检验 ERA5 与 TAP 数据在京津冀地区的适用性。图2 和表1 显示, 格点资料中温度、湿度、HI 和 MDA8 O3 均与实测值变化一致, 相关系数均超过 0.87, 均通过显著性检验。尽管个别时段的格点资料与实测值存在偏差, 但偏差幅度均较小。其中, HI 的格点资料与观测值的相关系数达到 0.95,但偏差不到 2℃, 表明该格点资料适用于北京地区的热风险研究。虽然 MDA8 O3 格点资料与北京地区站点实测值的一致性不如 HI, 但污染水平的波动变化以及高温状况下 O3 浓度的升高均能被准确地刻画出来。除北京外, 2022 年夏季京津冀地区其他12 个城市的格点资料也能很好地再现夏季高温与O3 污染水平的演变过程。
表1 基于格点资料(ERA5 和 TAP)与观测数据得到的京津冀地区 13 个城市 2022 年 6—8 月近地面温度、相对湿度、热指数(HI)和 MDA8 O3的多变量相关系数
Table1 Correlation coefficients between near-surface T, RH, HI, and MDA8 O3 concentrations across 13 cities in the Beijing-Tianjin-Hebei region from June to August in 2022, derived from the gridded datasets (ERA5 and TAP) and observations
城市相关系数温度 湿度 HI指数 MDA8 O3 北京 0.95 0.92 0.95 0.87 承德 0.94 0.90 0.94 0.84 邯郸 0.95 0.92 0.94 0.94 保定 0.93 0.87 0.93 0.91 天津 0.96 0.92 0.96 0.89 唐山 0.95 0.90 0.95 0.78 沧州 0.95 0.90 0.95 0.85 秦皇岛 0.91 0.81 0.92 0.65 衡水 0.95 0.91 0.95 0.89 张家口 0.94 0.92 0.95 0.90 廊坊 0.95 0.92 0.95 0.90 邢台 0.94 0.92 0.93 0.92 石家庄 0.95 0.93 0.95 0.93
图2 基于格点资料(ERA5 和 TAF)与观测数据得到的北京地区 2022 年 6—8 月近地面温度、相对湿度、热指数(HI)和 MDA8 O3的多变量时序变化
Fig.2 Time series of near-surface temperature, relative humidity, heat index (HI) and MDA8 O3 in Beijing from June to August in 2022, derived from the gridded datasets (ERA5 and TAP) and observations
除比较近地面的气象与环境变量外, 本研究还比较京津冀地区探空观测资料与再分析资料垂直方向的差异性和一致性。结果表明, 两套数据的比湿在自由大气中的偏差相较近地层有所增大(图3(c)和(d)), 再分析资料中夜间近地层风速略低于观测值(图3(e)和(f))。这种细微的差异可能与再分析资料的参数化方案有关, 对区域尺度的高温与污染复合过程及其与环流形势的相互作用研究影响不大。观测资料显示, 当北京出现高 HI 事件时, 2000 m 以上的位温显著偏高, 近地层盛行南风或东南风, 并伴随较大的比湿和 O3 浓度(图3(b), (d)和(f))(如 2022年 7 月底至 8 月初的高温与污染复合过程)。上述温度、湿度、风场和污染演变特征在 ERA5 与 TAP 格点资料中均得到较好的再现(图3(a), (c)和(e))。此外, 探空观测与再分析资料中 3000 m 以下的温度、比湿和风速的相关系数均超过 0.90 (p＜0.001), 表明二者在边界层和低层大气中具有高度一致性。在邢台和唐山地区, 同样可以看到探空观测与再分析资料的显著相关性(图4 和表2)。比较北京和邢台地区可以发现, 尽管两地相距超过 350 km, 但经常同时出现 HI 升高和污染加重的现象, 并伴随高空增暖和近地层增湿(图3 和 4), 表明可能存在区域尺度的天气强迫同时调控两地热风险和污染水平的情况。上述高温与污染的演变规律不仅出现在 2022 年夏季, 2023 和 2024 年夏季也存在(图略)。
表2 2022 年 6—8 月逐日 20 时格点资料(ERA5 和 TAP)与探空观测的地面至 3000 m 高度位温(PT)、比湿(Q)、水平风速和风向的多变量相关系数
Table2 Correlation coefficients between the vertical profiles from ground surface to 3000 m altitude of PT, Q,horizontal WS and wind vector at 20:00 (daily, June to August in 2022) derived from gridded datasets (ERA5 and TAP) and sounding measurements
相关系数站点位温 比湿 风速 经向风纬向风北京 0.98 0.95 0.90 0.92 0.95 唐山 0.90 0.90 0.80 0.86 0.92 邢台 0.97 0.92 0.80 0.83 0.89
图3 2022 年 6-8 月北京地区 20 时的位温、比湿和水平风的时间-高度剖面
Fig.3 Time-height sections of PT, Q, horizontal WS and wind vector in Beijing from June to August in 2022
图4 2022 年 6-8 月邢台地区 20 时的位温、比湿和水平风的时间-高度剖面
Fig.4 Time-height sections of PT, Q, horizontal WS and wind vector in Xingtai from June to August in 2022
基于 2022—2024 年夏季的 MDA8 O3 格点资料,对京津冀及周边地区的污染水平和发生频率进行分析。京津冀地区的山前平原是 MDA8 O3 高值区, 最大平均值为 170 μg/m3, 出现在河北南部(图5(a))。这些 MDA8 O3 高值区与污染发生的高频区范围基本上一致, 在河北省南部发生污染的概率可达 60%(图5(b))。
图5 2022-2024 年夏季华北地区臭氧污染的空间分布
Fig.5 Spatial distributions of O3 pollution in North China during summers from 2022 to 2024
当我们将 HI 的中热风险阈值(32℃)作为高温参照时, 整个华北平原均是 O3 污染与高温同时发生的高发区, 平均发生频率接近 30%, 其中最大值出现在河北省的南部(53%)(图6(a))。当高热风险(HI＞41℃)发生时, 其与 O3 污染复合事件的高发区更加集中于京津冀地区的山前平原, 其中河北省南部邢台地区的发生频率最高, 达到 16% (图6(b))。不同环流形势导致的高、低空冷暖平流配置, 以及热量和污染物输送等过程, 对京津冀地区夏季边界层结构以及高温与污染复合事件的发生具有关键调控作用[22,45]。
图6 2022-2024 年夏季华北地区不同程度高温与污染复合事件发生频率的空间分布
Fig.6 Spatial distributions of the frequency of compound heat-pollution events in North China during summers from 2022 to 2024
基于京津冀及其周边地区 2022—2024 年夏季逐日 14 时的 850 hPa 位势高度场, 应用 SOM 方法,得到 8 种环流类型(图7)。对照高热风险与污染复合事件的发生频次, 可以发现环流类型 2 和 3 与京津冀地区复合事件的关系最为密切(图8), 且在京津冀地区发生降水的概率较小(图9)。环流类型 2和 3 的发生频率分别为 19.2%和 15.3% (图7)。在850 hPa 高度, 这两类环流在京津冀地区均呈现东南至西北的气压梯度(图7(b)和(c)), 致使类型 2 盛行偏南风, 类型 3 则盛行西南风。这些偏南盛行风有利于华北平原南部的暖空气向京津冀地区的山前平原输送(图10(a)和(b))。在边界层顶部附近的高空暖平流会增强逆温强度[23,46], 抑制边界层的发展 (图10(e)和(f)), 导致热量与污染物难以向上扩散。此类环流形势使热量在边界层内持续累积, 造成北京地区的极端高温事件[47-48]。同时, 在环流类型 2和 3 的背景下, 来自南部的暖湿气团输送至京津冀地区(图11(a)和(b))。受太行山和燕山地形阻挡以及较低边界层的双重作用, 热量和水汽在山前平原的有限体积内滞留, 并进一步增强热风险(图11(e)和(f))[24,49]。此外, 暖平流伴随的区域污染物输送与本地排放相互叠加[17,24], 在强太阳辐射和高温背景下加速二次污染物的生成[28], 并促进其在山前平原地区累积(图11(i)和(j)), 从而显著地加强高温与污染的复合过程。
图7 利用 SOM 得到的 850 hPa 平均位势高度场环流类型
Fig.7 Dominant circulation types of 850 hPa geopotential height (GH) fields and wind vector fields identified using the SOM
图8 2022-2024 年夏季京津冀地区高温与污染复合事件在不同环流形势下的发生频次
Fig.8 Frequency of compound severe heat-pollution events under different synoptic types in the Beijing-Tianjin-Hebei region during summers from 2022 to 2024
图9 不同环流类型发生降水的频率
Fig.9 Frequency of precipitation occurrence under different synoptic types
图10 不同环流类型下 14 时的位温和边界层高度场
Fig.10 Spatial distributions of PT and boundary layer height fields at 14:00 under different synoptic types
图11 不同环流类型下 14 时的湿度、HI 值和 MDA8 O3 浓度场
Fig.11 Spatial distributions of Q, HI and MDA8 O3 concentrations at 14:00 under different synoptic types
与环流类型 2 和 3 相反, 环流类型 5 和 6 是最不可能发生高热风险与污染复合过程的两类环流(图7和 8)(发生频率分别为 10.6%和 11.5%)。在环流类型 5 和 6 控制下, 京津冀地区降水概率较小(图9)。这两类环流在 850 hPa 高度均表现为京津冀地区西部的高压系统(图7(e)和(f)), 导致西北风盛行, 并有来自北部的清洁、干冷气团入侵(图10(c)和(d)及图11(c)和(d))。该气团的入侵有利于边界层的发展(图10(g)和(h)), 从而抑制近地面热量与污染物的累积, 使热风险水平和 O3 浓度均维持在较低水平(图11)。
本研究利用多源环境气象资料, 系统地分析京津冀及周边地区 2022—2024 年夏季高温与 O3 污染复合事件的时空演变特征及其环流控制机制, 得到如下主要结论。
1) ERA5 与 TAP 资料能准确地反映京津冀地区近地面气象条件与污染分布, 热指数(HI)、MDA8 O3 格点数据和实测值的高度一致性为区域热风险与污染协同研究提供了可靠的数据基础。
2) 高温与污染复合事件的发生在河北南部山前平原最为频繁, 高热风险条件下复合事件的发生频率可达 16%, 表现出显著的区域集聚性。
3) SOM 环流分型结果显示, 850 hPa 东南气压梯度主导下的偏南风型(环流类型 2 和 3)最利于复合事件的形成。这两类环流通过高空暖平流增强边界层逆温, 同时引导南部暖湿气流在太行山和燕山阻挡下于山前平原累积, 导致热风险与污染的叠加程度加剧。
4) 相较之下, 偏西北风型(环流类型 5 和 6)触发较强的垂直混合并引入冷空气, 有效地抑制热风险与污染的叠加。
高温与污染复合风险在京津冀地区受到大尺度环流与地形的共同调控, 因此识别典型复合事件的环流特征不仅有助于改进区域气象灾害的监测与预警, 还可为应对极端天气与空气质量管理提供科学支撑。未来可进一步选取京津冀地区的典型复合事件, 利用空气质量模式 WRF-Chem 设置本地排放源对照试验, 评估区域输送的相对贡献, 定量地解析温度对 O3 生成的贡献。
[1] Masson-Delmotte V, Zhai P, Pirani A, et al. Climate change 2021: the physical science basis // Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 2021: 2391
[2] Guo X, Huang J, Luo Y, et al. Projection of heat waves over China for eight different global warming targets using 12 CMIP5 models. Theoretical and Applied Climatology, 2017, 128: 507-522
[3] Li M, Huang X, Yan D, et al. Coping with the concurrent heatwaves and ozone extremes in China under a warming climate. Science Bulletin, 2024, 69(18):2938-2947
[4] Gu S, Huang C, Bai L, et al. Heat-related illness in China, summer of 2013. International Journal of Biometeorology, 2016, 60: 131-137
[5] Harlan S L, Ruddell D M. Climate change and health in cities: impacts of heat and air pollution and potential co-benefits from mitigation and adaptation. Current Opinion in Environmental Sustainability, 2011, 3(3):126-134
[6] Qin M, She Y, Wang M, et al. Increased urban ozone in heatwaves due to temperature-induced emissions of anthropogenic volatile organic compounds. Nature Geoscience, 18(1): 50-56
[7] Wang L, Yang X, Dong J, et al. Evolution of surface ozone pollution pattern in eastern China and its relationship with different intensity heatwaves. Environmental Pollution, 2023, 338: 122725
[8] Zhang H, Wang Y, Park T W, et al. Quantifying the relationship between extreme air pollution events and extreme weather events. Atmospheric Research, 2017,188: 64-79
[9] Anenberg S C, Horowitz L W, Tong D Q, et al. An estimate of the global burden of anthropogenic ozone and fine particulate matter on premature human mortality using atmospheric modeling. Environmental Health Perspectives, 2010, 118: 1189-1195
[10] Schnell J L, Prather M J. Co-occurrence of extremes in surface ozone, particulate matter, and temperature over eastern North America. Proceedings of the National Academy of Sciences, 2017, 114: 2854-2859
[11] Gao M, Wang F, Ding Y, et al. Large-scale climate patterns offer preseasonal hints on the co-occurrence of heat wave and O3 pollution in China. Proceedings of the National Academy of Sciences, 2023, 120(26): e2218274120
[12] Miao Y, Liang Q, Zhang G, et al. Semi-confined terrain concurrently amplifies heat stress and ozone pollution in Northern China. iScience, 2025, 28(11): 113653
[13] Zong L, Yang Y, Gao M, et al. Large-scale synoptic drivers of co-occurring summertime ozone and PM2.5 pollution in eastern China. Atmospheric Chemistry and Physics, 2021, 21: 9105-9124
[14] Hua C, Jiang Q, Chi X, et al. Meteorological characteristics of PM2.5-O3 air combined pollution in central and eastern China in the summer half years of 2015-2020. Research of Environmental Sciences, 2022, 35(3): 650-658
[15] Wang W, Zhou Y, Li M, et al. Large-scale synoptic and weather drivers for the co-occurrence of fine particulate matter and ozone extremes over China. Science China Earth Sciences, 2025, 55(5): 1504-1514
[16] 唐颖潇, 姚青, 蔡子颖, 等. 基于过程分析的京津冀区域典型城市臭氧成因. 环境科学, 2022, 43(6):2917-2927
[17] Wu J, Li G, Cao J, et al. Contributions of trans-boundary transport to summertime air quality in Beijing,China. Atmospheric Chemistry and Physics, 2017, 17(3): 2035-2051
[18] 裘彦挺, 吴志军, 尚冬杰, 等. 我国城市大气 PM2.5与 O3 浓度相关性的时空特征分析. 科学通报, 2022,67(18): 2008-2017
[19] Hewitson B C, Crane R G. Self-organizing maps: applications to synoptic climatology. Climate Research,2002, 22(1): 13-26
[20] Zhang Y, Ding A, Mao H, et al. Impact of synoptic weather patterns and inter-decadal climate variability on air quality in the North China Plain during 1980-2013. Atmospheric Environment, 2016, 124: 119-128
[21] Zeng J, Xue D, Huang D. Comparison for the characteristics and mechanisms of independent daytime,nighttime, and compound heatwaves over Yangtze-Huaihe River Basin. Journal of Geophysical Research:Atmospheres, 2025, 130(7): e2024JD042683
[22] Gong H, Ma K, Hu Z, et al. Attribution of the August 2022 extreme heatwave in Southern China: role of dynamical and thermodynamical processes. Bulletin of the American Meteorological Society, 2024, 105(1):E193-E199
[23] Miao Y, Guo J, Liu S, et al. Classification of summertime synoptic patterns in Beijing and their associations with boundary layer structure affecting aerosol pollution. Atmospheric Chemistry and Physics, 2017, 17(4):3097-3110
[24] Miao Y, Che H, Liu S, et al. Heat stress in Beijing and its relationship with boundary layer structure and air pollution. Atmospheric Environment, 2022, 282:119159
[25] Xiao X, Xu Y, Zhang X, et al. Amplified upward trend of the joint occurrences of heat and ozone extremes in China over 2013-20. Bulletin of the American Meteorological Society, 2022, 103(5): E1330-E1342
[26] Li K, Jacob D J, Liao H, et al. Anthropogenic drivers of 2013-2017 trends in summer surface ozone in China. Proceedings of the National Academy of Sciences,2019, 116(2): 422-427
[27] Wang Y, Gao W, Wang S, et al. Contrasting trends of PM2.5 and surface-ozone concentrations in China from 2013 to 2017. National Science Review, 2020, 7: 1331-1339
[28] 张涵, 姜华, 高健, 等. 我国大气 O3 污染成因及影响因素综述. 环境科学研究, 2022, 35(12): 2657-2665
[29] 田沛霞, 郭秀锐, 樊守彬, 等. 京津冀地区 2013—2022 年细颗粒物和臭氧污染时空变化及健康效益评估. 环境污染与防治, 2025, 47(2): 14-21
[30] Lin G F, Chen L H. Identification of homogeneous regions for regional frequency analysis using the selforganizing map. Journal of Hydrology, 2006, 324: 1-9
[31] Mangiameli P, Chen S K, West D. A comparison of SOM neural network and hierarchical clustering methods. European Journal of Operational Research, 1996,93(2): 402-417
[32] Miralles D G, Teuling A J, Van Heerwaarden C C, et al.Mega-heatwave temperatures due to combined soil desiccation and atmospheric heat accumulation. Nature Geoscience, 2014, 7(5): 345-349
[33] Stull R B. An introduction to boundary layer meteorology. Dordrecht: Springer Science & Business Media,2012
[34] Miao Y, Hu X M, Liu S, et al. Seasonal variation of local atmospheric circulations and boundary layer structure in the Beijing-Tianjin-Hebei region and implications for air quality. Journal of Advances in Modeling Earth Systems, 2015, 7(4): 1602-1626
[35] Hersbach H, Bell B, Berrisford P, et al. The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 2020, 146: 1999-2049
[36] Rothfusz L P. The heat index “equation” [R]. Technical Attachment SR 90-23. Fort Worth: National Oceanic and Atmospheric Administration, National Weather Service Southern Region Headquarters, 1990: 1-2
[37] Xue T, Zheng Y, Geng G, et al. Estimating spatiotemporal variation in ambient ozone exposure during 2013-2017 using a data-fusion model. Environmental Science & Technology, 2020, 54(23): 14877-14888
[38] Xiao Q, Geng G, Liu S, et al. Spatiotemporal continuous estimates of daily 1 km PM2.5 from 2000 to present under the Tracking Air Pollution in China (TAP)framework. Atmospheric Chemistry and Physics, 2022,22(19): 13229-13242
[39] Kohonen T. Self-organized formation of topologically correct feature maps. Biological Cybernetics, 1982, 43(1): 59-69
[40] 缪育聪, 彭艳玉, 李建, 等. 北京冬奥会和冬残奥会历史同期气溶胶污染的高空环流特征研究. 北京大学学报(自然科学版), 2020, 56(5): 815-823
[41] Liang Q, Miao Y, Yan Y, et al. Winter PM2.5 pollution in China’s largest arid urban agglomeration: impacts of basin terrain and synoptic-scale circulations. Atmospheric Research, 2025: 108728
[42] Shin Y, Kim J H, Chun H Y, et al. Classification of synoptic patterns with mesoscale mechanisms for downslope windstorms in Korea using a self-organizing map. Journal of Geophysical Research: Atmospheres,2022, 127(6): e2021JD035867
[43] Lee Y S, Chun H Y, Ko H C. Lower tropospheric states revealed in high vertical-resolution radiosonde data in Korea and synoptic patterns for instability based on a self-organizing map. Atmospheric Research, 2023,295: 107037
[44] Nishiyama K, Endo S, Jinno K, et al. Identification of typical synoptic patterns causing heavy rainfall in the rainy season in Japan by a self-organizing map. Atmospheric Research, 2007, 83: 185-200
[45] 张小曳, 徐祥德, 丁一汇, 等. 2013—2017 年气象条件变化对中国重点地区PM2.5质量浓度下降的影响.中国科学: 地球科学, 2020, 50(4): 483-500
[46] Li Y, Miao Y, Che H, et al. On the heavy aerosol pollution and its meteorological dependence in Shandong province, China. Atmospheric Research, 2021,256: 105572
[47] Schumacher D L, Keune J, Van Heerwaarden C C, et al. Amplification of mega-heatwaves through heat torrents fuelled by upwind drought. Nature Geoscience,2019, 12(9): 712-717
[48] He X, Wang J, Feng J, et al. Observational and modeling study of interactions between urban heat island and heatwave in Beijing. Journal of Cleaner Production, 2020, 247: 119169
[49] Miao Y, Liu S, Guo J, et al. Unraveling the relationships between boundary layer height and PM2.5 pollution in China based on four-year radiosonde measurements. Environmental Pollution, 2018, 243: 1186-1195