合肥市PM10浓度的后向轨迹_聚类分析_统计分析_石春娥

合肥市PM10浓度的后向轨迹-聚类分析-统计分析

石春娥 姚叶青 邱明燕 张平

安徽省气象科学研究所，合肥，230031

摘要

应用聚类分析的方法对2001-2005年合肥市逐日72h后向轨迹按季节分类，结合PM

10

日均浓度观测资

料研究了不同输送态势与该地区PM

1010

浓度之间的关系。结果表明：不同方向后向轨迹所对应的PM平均浓

度有显著不同；最高PM

10

平均浓度对应的后向轨迹在春、秋和冬季都是来自西北方向，它们与季节平均的

相对距平分别为44%、20%和31%；夏季为东北方向，与季节平均的相对距平为20%；其次为本地轨迹，各

季的相对距平分别为5%、16%、18%和17%。得出6组有利于出现高浓度PM10的后向轨迹及对应的天气形势。

气溶胶的远程输送主要发生在自由对流层，区域输送主要发生在边界层内，移动快的气团不一定对应低浓

度的PM

10

。

关键词：

空气质量；后向轨迹；聚类分析；天气形势；PM

10

；合肥。

1引言

可吸入性颗粒物（PM），是悬浮于大气中空气动力学直径<10µm的粒子。由于其粒径小，

10

能直接进入呼吸道，其中的细粒子甚至能进入人的肺泡底部，从而对人体健康造成较大危害。

研究表明

[1-3]

，空气中可吸入性颗粒物与医院就诊率、心肺疾病人人数等诸多不利健康效应

之间关系密切。因此对PM

1022

污染的危害,形成机理及其与天气条件的关系研究是继SO，NO，

O

3

之后的又一研究热点，已引起不同领域科学家们广泛的关注 。这些研究结果加深了人

[1-13]

们对PM

10

对人体健康、生态环境以及天气气候的负面作用及其在大气中形成机理的理解。

近20年来，随着我国东部地区经济、人口的快速增长，人为大气污染物的排放大量增

加，从而产生了一系列的环境问题， 如区域空气质量下降和人为气候变化等

[14-15]

。另外，

春季产生于中国西北、内蒙和蒙古沙漠的沙尘暴也会对中国东部地区的大气气溶胶浓度产生

较大影响。研究

[16-18]

表明大气气溶胶的时空分布和输送态势与气象条件密切相关。因此，应

用一些客观方法，如轨迹分析，来研究一个地区的大气气溶胶的输送通道对理解该地区的大

气气溶胶来源非常重要。

轨迹分析是研究区域性空气污染问题中常用的方法

[19，20]

。计算到达某地气团的后向轨

[20]

迹，可以了解气团到达该地之前经过的地区，从而可以定性地了解污染物的潜在来源

。由

于单根轨迹的精度总会受到气象场的时空分辨率、观测误差、分析误差以及模式所用的一些

假定的影响。很多学者讨论过轨迹计算的不足和精度

[21-22]

。为避免单根轨迹的误差影响，大

家常采用大量轨迹和聚类分析的（CA）方法来研究空气质量、气溶胶的理化特征和光学特征、

降水的化学特征等与不同输送态势之间的关系

[20,18]

。本文应用后向轨迹分析-聚类分析-统计

分析的方法，利用合肥市西郊董铺水库的逐日PM10浓度观测资料研究大尺度输送态势与我

合肥地区PM10浓度之间的关系。

2 资料来源

330

本文所用PM浓度资料来自合肥市环境监测站。从2000年6月起PM成为城市空气质

1010

量监测的三种大气污染物之一。合肥市环境监测站在合肥的不同功能区设了四个空气自动监

测点：三里街（工业交通频繁区）、长江中路（商业交通混合区）、琥珀山庄（居民区）和董

铺水库（清洁对照点）。董铺水库PM

10

平均浓度在各季都低于其他测站，比市区三个测站的

平均浓度低0.015mg/m

(15%)~0.025 mg/m (27%)。各测站都是冬、春季高，夏季低于其他

季节。

本文所用气象资料为美国国家海洋和大气管理局(NOAA)的FNL资料 (191 km grid)，可

直接从网上下载（/ss/transport/

）。

33

3研究方法

3.1后向轨迹分析

应用美国NOAA研制的轨迹模式HYSPLIT4（Hybrid Single Particle Lagrangian

Integrated）

计算从2001年1月1日到2005年12 月31日逐日72小时后向轨迹，并用

于聚类分析。该模式被广泛应用于大气污染物输送研究

[7,18,24-26]

[23]

。

根据中国环境保护总局的规定，各重点城市每天发布的空气质量指数是由前一天12时

到当天11时监测的逐时浓度平均后用公式换算而成。因此，本文计算后向轨迹的开始时间

为每天的北京时间00时（对应的格林威治时间为前一天的16GMT），为一天记录时段的中间

时间；考虑到边界层内的扩散与混和，轨迹起始点设在海拔1000米，对应于该地区的边界

层中上部。

3.2聚类分析

聚类分析是一种多元统计技术，近年来，被广泛应用于大气污染研究中对大量轨迹进

行分类

[20]

。该方法根据气团水平移动速度和方向对大量轨迹进行分组，分组的原则是达到

组间差异极大，组内差异极小。因此，该方法可用于估计大气污染物（如气溶胶）的潜在源

区和对不同的输送态势分类。由于合肥属于典型的季风气候，而且PM

10

浓度存在明显的季节

变化，本文首先应用Dorling et al

[27]

提出的聚类分析方法按季节对合肥5年逐日的72小

时后向轨迹进行分类。为了解有利于造成该地区高浓度PM

10

污染的输送态势，本文也对5年

来达到大气污染日子的后向轨迹进行分类。后向轨迹资料的时间间隔为6小时，每一根轨迹

可以得到12组（24个）x（经度）-y（纬度）坐标，这些坐标值作为聚类分析算子的输入

参数。具体计算步骤见文献[27]，同时为便于后面的进一步分析，所得到的总组数不能太多

又要能描述不同流场形式之间的重要差别，这里参照Brankov et al

[20]

做法，以TRMSD发生

5%变化为选择标准，同时又希望所得的组数在10组以下。因此春、夏、秋、冬四季的所有

的轨迹分别被分为8、7、7、6组。输出详细的分组结果，如每一组的平均轨迹，每一组内

的所有轨迹。得到四季平均轨迹的水平分量分布（图1）。图中数字为轨迹序号。轨迹水平

分量经过的路线和方向表示气团在到达本地以前所经过的地区，根据其长短可以判断气团移

动的速度，长的轨迹对应快速移动的气团，短的轨迹表示气团移动缓慢。在同一季节同一方

向可能因为气团运动速度的快慢存在多个轨迹组。

331

3.3组内大气污染物日均浓度的统计分析

为了解不同输送条件下合肥市PM

1010

日均浓度的差异，对每一组内轨迹所对应的PM浓度

进行统计分析，计算了包括平均浓度、标准偏差、最大浓度、最小浓度等传统的统计量，详

细结果见表1。为讨论方便，表中不仅给出了轨迹序号，同时还给出了以英文字母表示的大

致方向。同一方向存在多组轨迹时，用下标L、M、S分别表示长、中、短轨迹，本地轨迹用

Local表示。

虽然不应用数值模式很难定量估计远程输送对某地大气污染物浓度的贡献，但是通过轨

迹分析，并结合地面观测资料，可以定性地估计出受远程输送影响而出现大气污染的几率。

图1 四季各族平均后向轨迹分布

Fig.1 The cluster-mean back-trajectories in four asons. The number (outside the bracket) indicate the

cluster number in table 1and the occurrence percentage of each cluster

4结果和讨论

4．1平均后向轨迹分布

由图1 可知合肥四季的平均后向轨迹分布情况。春、秋、冬三季的平均后向轨迹分布

比较接近。春季的后向轨迹分为8组；夏、秋季的后向轨迹都分为7组，夏季的平均轨迹分

布比较分散；冬季的后向轨迹分为6组。根据平均轨迹的长短以及组内轨迹的分布状况，春

季的第8组，夏季的第7组，秋季的第5组和冬季的第4组轨迹所对应的移动缓慢的气团定

义为本地气团。

332

图1中合肥各季平均轨迹的分布与合肥的季风气候是相适应的，例如冬季以西北、偏北

风为主，夏季以南风和东南风为主，秋季和春季是季风变换的季节，主要以西北风为主，但

也有其他方向的轨迹存在。在夏季以外的季节，西北方向的轨迹比其他方向的轨迹长，表明

来自西北方向的气团移动都比较快。

4.2 不同输送条件下合肥市平均PM

10

浓度

由表1可见，不同大方向轨迹所对应的平均浓度在四季都存在显著差异。下面按季节讨

论不同输送条件下合肥市PM

10

浓度变化情况。

4.2.1 春季

春季各组平均浓度按大小顺序排列为：NW

L M S S L

> NW> NW> Local > E > N> N> SW。西

北方向轨迹对应的平均浓度最大(143±102ug/m

)；西南轨迹的平均浓度最低(76±40ug/m)，

约是西北长轨迹平均浓度的一半；本地轨迹和偏东轨迹对应的平均浓度在中间。同一大方向

不同组的平均浓度与轨迹长度之间的关系因方向不同而有差异。例如：西北方向，轨迹越长

平均浓度越大，而且西北长轨迹对应的平均浓度比短轨迹对应的平均浓度大得多；偏北方向，

长短轨迹对应的平均浓度相差不大，但长轨迹对应的平均浓度略低。

从各组内最大24小时平均浓度看，本地轨迹对应值在各组中最大，达到0.78mg/m

, 超

过大气污染等级6级的标准（0.6 mg/m

），五年中本地轨迹造成中度以上大气污染的个例仅

此一次，而且当天合肥其他测站PM

10

浓度也很高，其形成原因有待于进一步研究；西南轨迹

对应值在各组中最小（0.177mg/m

）；其他方向差别不大，在0.33 和0.47 mg/m之间。西

北（中、短）轨迹所对应的最小24小时平均浓度，在各组中最大；其他方向的最小24小时

平均浓度差别不大。

春季各组都可以出现大气污染，出现大气污染的后向轨迹主要是本地轨迹、西北轨迹和

偏东轨迹，但出现大气污染组内频率最高的是西北轨迹，尤其是西北长轨迹，达到50%。而

且中度以上大气污染基本上都是出现在春季。

合肥春季的后向轨迹主要为本地（5年130天，年均26天）和西北方向（5年108天，

年均21天），这两类轨迹出现的几率超过了50%，而这两类轨迹对应着最高的平均浓度，可

见春季有一半的输送条件有利于在合肥地区形成高浓度PM

10

。春季是沙尘暴易发季节，本文

的统计结果也充分证明了沙尘气溶胶的远程输送对合肥地区PM

10

浓度的影响。

4．2．2 夏季

夏季各类轨迹所对应的PM

10

浓度都比春季低。各组平均浓度按大小顺序排列为：

NNE>Local>NNW>SW

SL

>E>S>SW。西南长轨迹对应的平均浓度最低，约是偏北方向（NNE）平均

浓度的一半。同是西南方向的轨迹，长轨迹对应的平均浓度比短轨迹对应的平均浓度略低，

这一点与春季西北轨迹不同，但与春季北方轨迹的情形一致。这可能是由于这几个地区污染

源性质不同，以及所对应的气象条件不同所致。夏季各组中的最大24小时平均浓度比春季

低得多，这反映了夏季多雨、扩散条件好等气候条件以及我国大部分地区夏季普遍植被覆盖

率高的特点。夏季出现大气污染的几率很小，几乎都属于本地轨迹和偏北轨迹。

33

3

3

33

333

表1 董铺水库测站PM平均浓度在四季各组的统计结果

10

Table 1 Statistical comparison of 24-hr PM10 concentrations of each ason by clusters for the rural sites at Hefei

季组号（方平均浓

节 向） 度

标准偏最大浓最小浓发生概率轻度以

差 度 度 （%） 上污染

(ug/m日数 (ug/m(ug/m

3333

)) ) )

8 13.08 8 13.56 1 春1-E 90 75 351

34 7.32 9 27.27 0 2-NW 134 69 332

17 12.20 2 3.64 0 3-SW 76 40 177

9 8.43 2 5.26 1 4-N 80 75 468

40 12.64 11 19.30 1 5-NW 110 63 408

2 13.53 7 11.48 1 6-N 88 73 372

10 3.99 9 50.00 1 7-NW 143 102 358

15 28.82 21 16.15 1 8-Local 105 81 780

5 16.30 1 1.33 0 夏1-SW 43 25 184

12 15.00 5 7.25 0 2-NNE 79 45 250

10 5.22 1 4.17 0 3-NNW 70 39 210

15 18.04 1 1.20 0 4-SW 64 31 161

10 6.96 0 0.00 0 5-S 50 17 84

3 11.30 0 0.00 0 6-E 63 33 150

10 27.17 6 4.80 0 7-Local 75 39 182

25 12.09 9 16.36 0 秋1-NW 118 44 235

15 12.75 12 20.69 1 2-NNW 110 68 383

15 15.60 6 8.45 0 3-N 82 43 197

11 26.15 5 4.20 0 4-NE 81 39 197

18 22.42 25 24.51 0 5-Local 116 62 321

28 9.01 7 17.07 0 6-NW 112 62 279

17 1.98 0 0.00 0 7-SE 52 7 75

4 23.73 4 3.74 0 冬1-NE 55 42 215

7 16.41 13 17.57 0 2-NW 99 57 289

32 6.87 7 22.58 0 3-NW 118 64 308

20 25.72 23 19.83 0 4-Local 105 51 264

5 7.54 1 2.94 0 5-N 74 39 151

10 19.73 13 14.61 0 6-NW 96 44 196

污染概率中度以

（%） 上污染

日数

(ug/m

季

M

L

S

S

L

季

L

S

季

S

L

季

M

L

S

4．2．3秋季

西北和偏北各组所对应的平均浓度比春季低，本地轨迹所对应的平均浓度比春季略高。

各组平均浓度按大小顺序排列为：NW

SL

>Local>NW>NNW>N>NE>SE。西北方向和本地轨迹所对应

的平均浓度最高，东南方向轨迹所对应的平均浓度最低，偏东北方向居中。西北方向长短轨

迹之间平均浓度差异不大，而且西北短轨迹所对应的平均浓度比长轨迹输送条件下略高，这

反映了春、秋季西北方向污染源性质、植被条件等不同。各组中单次最大浓度存在很大差异，

334

但最小浓度差异不大。出现大气污染的几率比春季低，尤其是西北方向的轨迹。

4．2．4 冬季

西北轨迹和本地轨迹对应的平均浓度明显高于其他轨迹，但西北轨迹所对应的平均浓度

比春季低。各组平均浓度按大小顺序排列为：NW

LMS

>Local>NW>NW>N>NE。与春季相同的是西

北长轨迹对应的平均浓度在各组中最高，西北轨迹组内出现大气污染的几率在各组中最高；

不同的是，冬季西北轨迹出现的几率比春季高得多，超过全季的三分之一。

通过以上分析，西北轨迹输送条件下，合肥地区的PM

10

平均浓度在春、秋、冬三季均为

最高，而且其出现的比例达到24%到43%。本地轨迹在四季中占的比例也比较高，在22%与

29%之间，本地轨迹所对应的平均浓度在各组中偏高。除夏季外，本地轨迹所对应的平均浓

度其他三季变化不大。西北长轨迹所对应的平均浓度在三季变化较大，春季最大，秋季最小。

如果说因为西北轨迹普遍较长，因而反映了远程输送的影响，本地轨迹反映了区域输送和本

地排放源的影响，那么这两种轨迹所对应的PM

10

平均浓度的季节变化分别反映了沙尘暴发生

情况的季节变化特征和东部地区区域性工业污染源排放的稳定性。

4.3 污染型输送态势

一般而言,大家对大气污染事件比较关注，因此，有必要对形成大气污染的输送条件进

行研究。对合肥市五年期间空气质量达到轻度以上污染的338天后向轨迹用聚类分析进行分

类，得到6组，平均轨迹分布见图2。图3b是轨迹的垂直分量，提供了气团在到达本地之

前垂直混合和垂直运动的信息。表2给出了合肥市四个测站的各组内平均PM

10

浓度的统计结

果。

4.3.1 后向轨迹特征

由图2可见，有三组集中在西北方向（1、2、3），其他三组分别在西南（5），东（6）

和北（4）。来自西北和北方的轨迹都比西南和东边的轨迹长得多，实际上，西南和东边的轨

迹都属于移动缓慢的气团，与上节的本地气团类似。比较各组内轨迹的水平分量和垂直分量

发现，西北轨迹和北方轨迹有几个共同之处：第一，水平方向都比较长，且比较平直，结构

简单；第二，在垂直方向跨度大，尤其是西北长轨迹，最高达到了350hPa的高度。另外，

西北长轨迹有明显的先上升后下沉的过程。这些说明造成本地大气污染的来自西北和北方的

气团在到达本地之前首先是从源地上升到自由对流层，在自由对流层内向下游输送，因而速

度较快，到达本地上空后在垂直混合和下沉运动的作用下进入边界层内。这与前文对雷达观

测的气溶胶消光系数廓线的分析结果是一致的，与Iwasaka Y.

[28]

得出沙尘气溶胶远距离输送

通道也很一致。相比之下，西南和偏东的轨迹不具备以上三个特点，这两个方向的水平轨迹

结构复杂，基本上都是围绕本地打圈、拐弯，因而平均轨迹在水平方向上很短；在垂直方向

跨度不大，72小时基本上都保持在700hPa以下，大部分都在800hPa以下，这说明，在这

两种输送态势下，影响本地的气团在过去72小时一直在边界层内缓慢运动，有利于污染物

的累积。

335

基于上述事实，可以认为在西北、偏北轨迹输送条件下形成的高浓度大气污染反映了长

距离输送的影响，而在西南和东边轨迹输送条件下形成的高浓度大气污染反映了区域性源的

影响。

450

500

550

600

Cluster2

Cluster3

Cluster1

气

压

（

m

b

)

650

700

750

800

850

900

950

0-5-10-15-20-25-30-35-40-45-50-55-60-65-70-75

Cluster4

Cluster5

Cluster6

时间（

h

）

图2 出现轻度以上大气污染各族平均后向轨迹（上：水平；下：垂直）

Fig.2 Cluster-mean back-trajectories for light polluted days

由表2可见，西北三组的组内平均浓度在各测站都是最高的，位于市区的三个测站在西

北三组轨迹内平均浓度相差不大，但作为清洁对照点的董铺水库测站在西北长轨迹组内平均

浓度明显比其他组内平均浓度高。而且，在所有6组中，唯有西北长轨迹组内平均浓度在董

铺水库测站与市区测站不相上下，这充分说明在西北长轨迹的输送条件下，远程输送对本地

PM

10

浓度的贡献起着非常重要的作用。从表2中还可以看到，西北、北方轨迹和西南、偏

东轨迹出现的天数几乎相当，西北、北方轨迹出现的天数略高，可见合肥地区大气污染事件

几乎超过50%受远程输送控制。

336

表 ２ 污染日子合肥市各测站 ＰＭ 各组内平均浓度（单位：ｕｇ／ｍ）

１０

Table 2 Cluster-mean PM10 concentrations of all polluted days for all sites at Hefei （unit: ug/m)

3

ClusterNO

出现天数 东市城建局市工商局西园新村董铺水库

1-NW 65 221 213 204 173

S

2-NW 14 220 237 212 222

L

3-NW 46 218 210 207 177

M

4-N 50 208 201 192 162

5-SW 94 205 193 188 164

6-E 69 221 209 196 177

３

图3有利于出现大气污染的各组后向轨迹所对应的850hPa高度场（位势10米）

Fig. 3 Composite map of geopotential height fields at 850hPa of each cluster favorable to accumulate

pollutants at Hefei

337

4.3.2低层天气形势分析

为了解造成本地区大气污染的各组轨迹与天气尺度形势之间的关系，利用FNL资料计算

了各组轨迹所对应的850hPa平均高度场（图3）。这些综合高度场反映了每一组轨迹所对应

的天气尺度大气环流形势。

对应于西北和北方轨迹（组1-4）的高度场分布形势很相似。这四组形势场的典型特征

是：日本以北的西北太平洋地区有一低压系统；除东北以外的中国其他地区都在一个大的高

压系统中，整个中国东部100ºE以东地区等高线都很稀疏。这几组的主要差别是高压在新疆

北部和蒙古地区的强度略有差别。与前三组相比，第四组中的1520等高线在东边的范围变

小了，蒙古中部出现了一个独立的高压系统。第五、六两组的形势场与前四组有很大的不同，

大陆上完整的高压系统退缩到青藏高原，东部地区已不再处于高压脊内，但这里仍然是等压

线稀疏，气压梯度很低，导致这里的气团移动非常缓慢，风速较低。在第五组图上，华南被

副热带高压控制，整个安徽省处于一个弱低压区内。在第六组图上，整个华东地区是一个气

压梯度极低的均压区，但进一步减小等值线间隔后发现，从安徽北部到江苏北部有一强度很

弱的高压脊，上海以东的东海洋面上有一个弱低压，因而第六组的轨迹来向为偏东方向。

4.4远程输送对合肥市PM浓度的影响的初步估计

10

如上文所述，在不同的输送条件下，合肥地区PM

10

浓度会有显著不同。为了解不同输

送条件下各轨迹组浓度的差异程度，本小节计算了四季不同轨迹组的PM

10

平均浓度与该季

节PM

10

平均浓度之间的距平（

C−C

ClusterrSeason

）和相对距平百分比

(

(C−C)/C×100CC

ClusterrSeasonSeasonClusterrSeason

)（图5），其中是组内平均浓度（见表1），

是季节平均浓度。

由图4可见，四季不同方向轨迹组的距平之间存在较大差异，正、负相对距平的跨度（绝

对值之和）在夏季最小（54%），春、冬季节为70%。正距平主要出现在西北方向轨迹和本

地轨迹。西北长轨迹在春、冬两季伸展的方向和距离很接近，都具有该季的最大距平，分别

达到44ug/m

33

(44%)和28 ug/m (31%)。秋季的西北长轨迹长度只相当于春季的西北中轨迹，

其距平与本地和西北短轨迹的距平相差不大，约为10（13%）~20 ug/m

3

（20%）。本地轨迹

四季的相对距平分别为5%、16%、18%和17%。因此，远程输送对合肥PM

10

浓度的贡献在

春季最大。

5 结论与讨论

本文应用轨迹分析和聚类分析的方法，结合合肥市环境监测站提供的逐日PM平均浓

10

度，研究了不同输送态势与合肥地区PM

10

浓度之间的关系，对该地区空气质量预报业务有较

好的指导作用。

四季的聚类分析结果分别得到6到8组不同的后向轨迹来代表不同的输送态势，不同输

送条件下的PM

1010

平均浓度显著不同。最高PM平均浓度的后向轨迹在春季、秋季和冬季都是

来自西北方向，与季节平均的相对距平分别为44%、20%和31%；夏季为东北方向，相对距平

338

0.05

0.04

(a)-Spring

0.03

0.02

0.01

0

-0.01

-0.02

-0.03

-0.04

距平

距平百分比

50

40

30

20

10

0

-10

-20

-30

-40

L

)

S

)

S

W

N

W

(

M

N

W

(

S

N

W

(c

La

L

o

N

(

N

(

相

对

距

平

(

%

)

距

平

(

m

g

/

m

3

)

E

40

0.02

(b)-Summer

距平

30

0.015

距平百分比

20

0.01

10

0.005

0

0

NNWSW(S)SELocalSW(L)NE

-10

-0.005

-20

-0.01

-30

-0.015

-40

-0.02

-50

-0.025

)

)

)

l

相

对

距

平

(

%

为20%；其次为本地，各季的相对距平分别为5%、16%、18%和17%；最低平均PM浓度

10

的后向轨迹在春、夏、秋、冬依次为西南、西南、东南、和东北。远程输送对合肥的影响在

春季最大。

对五年中出现大气污染日期所对应的后向轨迹进行聚类分析，得出有6组不同的有利于

污染物在合肥汇集的后向轨迹。对应的850hPa平均高度场显示,来自西北和北方的4组后向

轨迹所对应的天气形势很相似，他们的共同特征是：整个中国都在一个大的高压系统中，整

个中国东部100ºE以东地区等压线都很稀疏。来自西南和偏东方向2组轨迹所对应的大尺度

天气形势中，长江下游地区已不再处于从新疆北部延伸过来的高压脊内，但这里依然存在极

低的气压梯度，导致这里的气团移动非常缓慢，风速较低，有利于大气污染物的累积。

综合考虑轨迹水平分量的长度和垂直分量分布等特征，我们认为远程输送主要发生在自由对

流层，区域输送主要发生在边界层内。合肥地区大气污染事件几乎超过50%受远程输送控制。

由于污染气溶胶和沙尘气溶胶来源的时空分布特征不同，不同方向不同季节PM

10

平均浓度大

小与后向轨迹长度之间的关系没有必然的联系。如春、冬季西北方向都存在三组不同长度的

后向轨迹，轨迹越长对应的PM

10

平均浓度越大，而在其它季节或其他方向（春季偏北方向、

秋季西北方向和夏季西南方向）则是轨迹越短对应的PM

10

平均浓度越大。所以，移动快的气

团不一定对应低浓度的PM

10

。

参考文献：

[1] Linn，William S.; Szlachcic， Yaga; Gong， Henry， Jr.; Kinney， Patrick L.; Berhane，Kiros T. Air pollution and daily

hospital admissions in metropolitan Los Angeles, Environmental Health Perspectives , 2000，108(5): 427-434。

[2] Tellez-Rojo，M. M.; Romieu，I.; Ruiz-Velasco， S.; Lezana， M. –A.; Hernandez-Avila，M. –M.，Daily respiratory mortality

and PM10 pollution in Mexico City: Importance of considering place of death, European Respiratory Journal ,2000， 16(3):

391-396。

[3]贾健，徐伟，阚海东，陈秉衡，上海市闸北区大气PM10对居民健康影响的定量评价，环境与职业医学，2005，22（5）：399-402。

[4]A.G. Triantafyllou， PM10 pollution episodes as a function of synoptic climatology in a mountainous industrial area，

Environment Pollution，2001，112：491-500

[5]Grazia M. Marcazzan, Stefano Vaccario, Gianluigi Valli, Roberta Vecchi, Characterisaction of PM10 and PM2.5 particulate

matter in the ambient air of Milan (Italy)，Atmospheric Environment, 2001,35：4639-4650

[6]Francis S. Binkowski, The regional particulate matter model---1. Mode description and preliminary results, Journal of

Geophysical Rearch, 1995, 100(D12)：26191-26209

[7]Pedro Salvador, Begona Artinano, Diana G. Alonso, et al, Identification and characterization of sources of PM10 in

Madrid(Spain) by statistical methods, Atmospheric Environment ,2004,38：435-447

[8] Joph M. Prospero, Ilhan Olmez and Michael Ames, Al and Fe in PM2.5 and PM10 Suspended particles in South-Central Florida: the

Impact of the Long range Transport of African Mineral Dust, Water, Air and Soil Pollution, 2001，125：291-317

：133-137 的污染水平，中国环境科学，1999，19（2）

[9] 吴国平，胡伟，腾恩江，魏复盛，我国4个城市空气中PM 和 PM

2.510

[10]魏复盛，腾恩江，吴国平，胡伟等，我国4个大城市空气PM

2.510

、PM污染及其化学，中国环境监测，2001，17（7）：1-6

[11]黄鹂鸣，王格慧，王荟，高士祥，王连生，南京市空气中颗粒物PM

102.5

、PM污染水平,中国环境科学，2002，22（4）：334-337

340

[12]王淑英，张小玲，北京地区PM10污染的气象特征，应用气象学报，2002， 13（特刊）：177-184

[13]丁国安，陈尊裕，高志球等，北京城区低层大气PM10和PM2.5垂直结构及其动力特征，中国科学D辑,2005,35(增刊)：31-44

[14]Akimoto,H.,Global air quality and pollution. Science,2003, 302:1716-1719

[15]Menon,S., Hann,J., Nazarenko,L., Luo,Y., Climate effects of black carbon aerosols in China and India,

Science,2002,297（27）:2250-2253

[16]Chen,L.-L., Carmichael, G.R., Hong, M.-S., et al, Influences of continental outflow events on the aerosol composition at

Cheju Island, South Korea, Journal of Geophysical Rearch,1997, 102(D23),28551-28574

[17]Merrill,J.T., Kim,J., Meteorological events and transport patterns in ACE –Asia, Journal of Geophysical Rearch,2004,

109(D19S18)

[18] Kim J.,Soon-Chang Yoon, Anne Jefferson, et al, Air mass characterization and source region analysis for the Gosan

super-site, Korea, during the ACE-Asia 2001 field campaign, Atmospheric Environment,2005,39:6513-6523

[19]Miller,M.J. The u of back air trajectories in interpreting atmospheric chemistry data: a review and bibliography. NOAA Technical

Memorandum ERL ARL-155, Air Resources Laboratory, Silver Spring, Maryland. 1987

[20]Brankov E.,S. Trivikrama and P. Steven Porter, A Trajectory-Clustering-Correlation Methodology for Examining the Long-Range

Transport of Air Pollutants, Atmospheric Environment,1998, 32:1525-1534

[21] Stunder, B. J. B.,An Asssment of the quality of forecast trajectories. Journal of Applied Meteorology, 1996, 35:1319-1331

[22]Kahl, J. D., On the prediction of trajectory model error, Atmospheric Environment, 1996, 30: 2945-2957.

[23] Draxler,RR. Description of the HYSPLIT_4 Modeling System. NOAA Technical Memorandum. 24pp. 1997. Ref Type: Report

[24] L-W. Antony Chen, Brunce G. Doddridge, Rusll R. Dickerson, Judith C. Chow, Ronald C. henry, Origins of fine aerosol mass in

the Baltimore-Washington corridor: implications from obrvation, factor analysis, and enmble air parcel back trajectories, Atmospheric

Environment, 2002,36:4541-4554

[25] Zhang R. J., Arimoto,R, An,J.L., Yabuki,S, Sun,J.H, Ground obrvations of a strong dust storm in Beijing in March 2002. Journal of

Geophysical Rearch-Atmospheres 110.D18 (2005).

[26]徐祥德，周丽，周秀骥等，城市环境大气重污染过程周边源影响域，中国科学，2004 ，34（D10）:958-966

[27] Dorling, S. R., T. D. Davies, and C. E. Pierce. "Cluster-Analysis - A Technique for Estimating the Synoptic Meteorological Controls

on Air and Precipitation Chemistry - Method and Applications." Atmospheric Environment Part A-General Topics 26.14 (1992): 2575-81.

[28] Iwasaka Y., G.-Y. Shi, M. Yamada, A. Matsuki, D. Trochkine et al, Importance of dust particles in the free troposphere over the

Taklamakan Dert: Electron microscopic experiments of particles collected with a balloonborne particle impactor at Dunhuang, China,

Journal of Geophysical Rearch,2003,108(23):8644-8654

341