, 王式功1, 贾旭伟2, 连俊标1, 张小玲1,3, 杨旭41. 成都信息工程大学大气科学学院, 高原大气与环境四川省重点实验室, 成都 610225;
2. 中国人民解放军94498部队, 南阳 474350;
3. 京津冀环境气象预报预警中心, 北京 100089;
4. 天津市气象局, 天津 300074
收稿日期: 2018-02-25; 修回日期: 2018-04-10; 录用日期: 2018-04-10
基金项目: 国家自然科学基金（No.91644226）；上海市气象与环境重点实验室开放基金课题（No.QXJK201601）；国家重点研发计划（No.2016YFA0602004）
作者简介: 张莹(1988-), 女, E-mail:zhangy881208@126.com
通讯作者（责任作者）: 张莹
摘要: 利用2013-2016年冬半年ERA-interim再分析资料，以及同期空气污染资料、地面常规气象观测资料和探空资料，采用PCT（Principal Component Analysis in T-mode）客观分型方法对华北地区冬半年海平面气压场进行天气分型，并探究不同月份不同天气型对应的空气污染状况及污染气象参数分布特征，进而从污染气象学的角度揭示重污染潜势天气型的气候特征.结果表明：冬半年海平面气压场共对应9种天气类型，其中，5型（均压场型）、6型（高压内部型）和8型（高压后部型）为3种重污染潜势天气型，冬半年对应的PM2.5均值浓度分别为144.11、136.99和148.26 μg·m-3，而1型（T型高压前部型）和3型（低压底部型）为两种清洁天气型，冬半年对应的PM2.5均值浓度分别为97.12和80.83 μg·m-3；重污染潜势天气型对应的边界层结构呈现出稳定能量大、混合层厚度和通风系数小的大气层结稳定的静稳天气特征，其能够反映大气污染潜势；研究还发现，即使是同一天气型，其在不同月份对污染物的扩散影响也存在差异，因此，建议在今后的污染潜势天气型研究中分月份进行.本研究可为华北地区空气污染潜势预报及大气重污染预报预警的客观化、自动化提供科学依据和技术支持.
关键词:客观天气分型PCT静稳天气重污染潜势型华北地区
Study on an objective synoptic typing method for air pollution weather in North China during winter half year
ZHANG Ying1
, WANG Shigong1, JIA Xuwei2, LIAN Junbiao1, ZHANG Xiaoling1,3, YANG Xu4 1. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, School of Atmospheric Science, Chengdu University of Information Technology, Chengdu 610225;
2. People's Liberation Army 94498, Nanyang 474350;
3. Environmental Meteorology Forecast Center of Beijing-Tianjin-Hebei, Beijing 100089;
4. Tianjin Meteorological Bureau, Tianjin 300074
Received 25 February 2018; received in revised from 10 April 2018; accepted 10 April 2018
Supported by the National Natural Science Foundation of China (No.91644226), the Open Fund of Shanghai Key Laboratory of Meteorology and Health(No.QXJK201601) and the National Key Research and Development Program of China (No.2016YFA0602004)
Biography: ZHANG Ying(1988—), female, E-mail:zhangy881208@126.com
*Corresponding author: ZHANG Ying
Abstract: By using the PCT (principal component analysis in T-mode) objective synoptic typing method to identify the synoptic types in North China during winter half year based on sea surface pressure fields from ERA-Interim reanalysis dataset during 2013 to 2016. Air pollution data, conventional meteorological observations, and sounding data at the same time are also used to explore the characteristics of air pollution and the corresponding air pollution meteorological parameters in different months with different synoptic types. And then to reveal the climatic characteristics of heavy pollution potential types from the perspective of air-pollution meteorology. The study results show that there are mainly 9 synoptic types, of which type 5 (uniform pressure field), type 6 (interior of high pressure), and type 8 (rear of high pressure) belong to heavy air pollution potential types, and the corresponding mean concentration of PM2.5 are 144.11, 136.99, and 148.26 μg·m-3, respectively. On the contrary, type 1 (front of high pressure of T type) and type 3 (bottom of low pressure) are clean types, and the corresponding mean concentration of PM2.5 are 97.12 μg·m-3 and 80.83 μg·m-3, respectively. The boundary layer structure of heavy air pollution potential types indicated typically characteristics of stagnant weather with maximum stable energy, minimum mixed layer thickness and minimum ventilation coefficient, which can also reflect stable atmospheric stratification and air pollution potential. The study also pointed out that even the same weather pattern had different effects on air pollutants diffusion and dispersion in different months. It's suggested that the weather types should be studied monthly in future study. This study could provide scientific basis and technical support for the potential prediction of air pollution, especially for the objectivity and automation prediction and early warning of series air pollution weather in North China.
Keywords: an objective synoptic typing methodprincipal component analysis in T-modestagnant weatherheavy air pollution potential typeNorth China
1 引言(Introduction)随着经济快速发展, 能源消耗量增加, 城市化进程加快, 我国大部分城市(群)的空气污染日趋严重(Bai et al., 2006 吴兑, 2012), 呈现出从以往单一煤烟型污染向复合型污染转变、局地性向区域性拓展的态势, 以细粒子为主要特征的区域性、复合型大气污染问题日渐凸显.华北地区作为我国北方最大的综合性工业基地, 也是我国空气污染的高值中心(张莹, 2016), 其环境问题尤为突出.尤其是近几年冬季以雾霾天气为主要特征的区域持续性重空气污染发生频次明显增加, 受大气污染的影响, 呼吸系统疾病、心脑血管疾病及癌症等现代“文明病”的发病率及死亡率显著升高, 已引起了我国政府、公众及****们的广泛关注(张莹等, 2014).
已有研究表明, 就某一城市(群)而言, 污染物的排放量及大气的稳定度状态是城市大气污染的主要影响因子, 天气变化是城市大气污染物浓度变化的主导因素, 而局地环流是决定城市污染物分布的关键因素(Morbidelli et al., 2011；Hu et al., 2014；王跃思等, 2014).张国琏等(2010)研究发现, 地面天气形势在空气质量预报中有很好的指示作用, 地面L型高压和均压场有助于上海秋冬季节PM10污染的形成, 而高压底部和高压后部则有利于当地空气质量好转；孟燕军等(2002)指出, 当北京地区地面受低压类天气形势控制时, 容易引起污染物的汇聚和累积；戴竹君等(2016)在探讨江苏秋冬季重度霾的形成机制中指出, 均压型、冷锋前部型和低压倒槽型这3类地面天气型有利于重度霾的发生.
以往的研究或针对典型污染个例, 或依据主观经验进行污染天气分型, 而将客观天气分型方法应用于大气污染研究的尚不多见；与此同时, 此前的研究更多是将冬半年或其中的几个月作为一个整体.基于此, 本研究采用T-mode斜交旋转主成分分析法(PCT：Principal Component Analysis in T-mode)对2013—2016年华北地区冬半年地面天气形势进行客观分型, 并统计分析不同月份不同天气型对应的空气污染状况及其污染气象参数分布特征, 从气象学的角度探析重污染潜势天气型的气候特征, 揭示不同天气型所反映的边界层大气结构特征及其污染气象学内涵, 以期为提高华北地区污染潜势预报水平, 尤其为大气重污染的客观化、自动化的预报、预警提供科学依据和技术支持.
2 资料及方法(Materials and methods)2.1 研究区域本研究选取112°~118°E、36°~40°N范围作为污染研究区域, 包含京津冀、山西东部、河南北部及山东西北部地区共19个城市(图 1).选择该研究区域不仅因为其是我国大气污染高值中心, 还因为区域在相同的天气形势下多出现相近的污染现象(倪江波, 2015).天气分型所利用资料的研究区域范围为50°~130°E、20°~70°N.
图 1(Fig. 1)
 |
| 图 1 19个空气污染城市站点空间分布图 Fig. 1The spatial distribution of 19 air-pollution monitoring stations |
2.2 数据资料再分析资料为从欧洲中心(ECMWF)官网下载的2013年1月1日—2016年12月31日的ERA-interim逐日再分析资料, 空间分辨率为0.75°×0.75°, 提取海平面气压(SLP)和10 m水平风(U和V)作为研究对象；气象资料为2013年1月1日—2016年12月31日研究区域的常规地面观测资料；空气污染资料来源于中华人民共和国环境保护部官网(http://datacenter.mep.gov.cn/)发布的2013年1月1日—2016年12月31日空气质量日报资料(包括AQI、首要污染物和污染等级), 以及同期全国空气质量实时发布平台发布的华北地区的6种污染物(PM2.5、PM10、SO2、NO2、CO和O3)逐小时浓度均值资料.
2.3 方法介绍2.3.1 PCT客观分型方法基本原理：将原始高维数据Z分解为F和A 2个低维矩阵Z=FAT, 每行为N个空间格点, 每列为M个观测时次, 其中, F为主成分(称为PC), A为PC载荷.所有的主成分依次按照对应特征值的大小排序, 选取累计贡献率超过一定百分比(一般为85%)的特征值所对应的前K个(K≤M)主成分F, 从而达到降维的目的.该方法可以较为准确地反映原始环流场的特征, 不会因分型对象的调整而有太大变化, 得到的时空场也更加稳定(Huth et al., 1996；2008；Zhang et al., 2012).因此, 本研究选用PCT客观天气分型方法, 采用欧盟cost733项目开发的天气分型软件(http://www.cost733.org)对海平面气压场及10 m风场进行多变量斜交旋转分解, 即将多个物理量作为一个整体进行时空展开, 同时表现要素的空间分布及各要素之间的空间关系, 进而得到较准确的环流分型结果.
2.3.2 稳定能量本文选取了尚可政等(2001)从能量学角度提出的反映大气稳定度的参数—稳定能量, 这是一种新的描述低层大气层结稳定度的参数, 能更合理地反映大气垂直扩散能力.其计算步骤具体如下：①由探空资料求出特定高度H上的气压PH、气温TH, 找出H高度以下的特性层, 假定有N-1层, 并将H高度看作第N个特性层, 地面看作第0个特性层；②应用压高公式逐层计算出各特性层的高度Hi(i=1、2…... N-1), 再由公式(1)计算出各特性层对应的TG；③应用差分格式计算H高度至地面的稳定能量(式(3)).本研究中分别计算了100、200、300、… 1500 m(共15层)高度各自对应的稳定能量(Ew).
 | (1) |
 | (2) |
 | (3) |
2.3.3 最大混合层厚度最大混合层厚度为地面上空某一给定区域污染物可能发生混合的垂直距离, 也是湍流特征不连续界面的高度, 即空气污染物可以垂直扩散上升的最大高度.它表征了大气污染物在垂直方向被热力对流和动力湍流输送所能达到的最大高度, 是影响大气污染物垂直扩散的重要参数.本研究采用王式功等(2002)提出的干绝热曲线图解法求最大混合层厚度的计算方法.
2.3.4 通风系数混合层高度与混合层内平均风速的乘积称为通风系数, 可反映混合层内通风情况(用KV表示, 单位m2·s-1), 该值越小越不利于大气污染物扩散, 它能有效地表征底层大气的静稳特征.其计算公式如下：
 | (4) |
上述3类污染气象参数均通过再分析资料计算得到.
3 结果与讨论(Results and discussion)3.1 天气分型结果利用PCT方法对研究区域2013—2016年冬半年(10月—翌年3月)海平面气压场进行天气分型, 将地面天气形势分为9种类型(图 2), 其分型结果具体如下.
图 2(Fig. 2)
 |
| 图 2 2013—2016年冬半年海平气压场及10 m风场天气分型图 (1~9型依次为T型高压前部型、高后低前型、低压底部型、冷锋前部型、均压场型、高压内部型、倒V型高压前部型、高压后部型和L型高压前部型) Fig. 2The distributions of sea level pressures and 10 m winds for each circulation types during winter half year from 2013 to 2016 |
1、7和9型为3类高压前部型(出现频率共计39.2%)：整体而言, 在这3种类型中, 华北地区均处于高压前部, 但对于高压主体的位置、强度、移动路径及华北地区对应的气压梯度, 不同天气类型又存在各自的特点.具体表现为：在1型中, 高压中心位于贝加尔湖东南部, 华北地区处于高压中心底前部, 有弱的回流, 东北风明显, 将其定义为T型高压前部型；在7型中, 华北地区处于倒V型高压前部, 高压中心位于贝加尔湖南部及内蒙古中西部, 华北地区为弱的西北风, 将其定义为倒V型高压前部型；而在9型中, 华北地区处于西伯利亚高压内前部, 高压中心位于贝加尔湖南部, 华北地区为弱的东北风, 将其定义为L型高压前部型.
2型为高后低前型(频率11.8%)：华北地区处于高后低前的过渡地带, 弱高压环流位于我国东部及沿海地区, 华北地区处于高压后部, 贝加尔湖南部的蒙古气旋伸至河套一带, 研究区域对应的气压场相对较弱, 风速较小.
3型为低压底部型(频率17.8%)：华北地区处于低压底部(高压顶部), 其南部高压的范围较大, 强度较弱, 而北部被中心位于吉林西部的低压控制, 低压底部的西北偏西气流和高压顶部的西南偏西气流有利于该区域大的偏西风维持.
4型为冷锋前部型(频率10.7%)：华北地区处于冷锋前部, 锋面对应的低压中心位于内蒙古东北部, 冷空气主体偏北偏西, 华北地区受偏西西南气流控制.
5型为均压场型(频率8.6%)：华北地区受两高之间弱的均压场影响, 两个高压中心分别位于贝加尔湖西南部和我国东部海域, 华北地区对应的气压梯度较弱, 以弱的西南风为主.
6型为高压内部型(频率7.7%)：华北地区受大范围高压控制影响, 高压中心位于华中及华东地区, 华北具体处于高压环流的顶部, 受偏西西南气流控制.
8型为高压后部型(频率4.1%)：华北地区处于高压环流的西南部, 高压中心位于东北地区, 气压场整体偏弱, 华北地区盛行偏南风.
3.2 天气类型与空气污染的对应关系华北地区冬半年主要以PM2.5污染为主(赵斌, 2007), 表 1为2013—2016冬半年不同月份9类天气型出现频率及对应PM2.5均值、中位数及同一月份9种天气型的PM2.5均值浓度排序(由高到低)统计表.就PM2.5而言, 除10月1型和2、3及10月的3型对应的PM2.5平均浓度在75 μg·m-3(国家空气质量二级标准)以下外, 其它型不同月份对应的PM2.5平均浓度均超过了国家空气质量二级标准, 可见华北地区冬半年空气污染问题十分严重.9种天气型冬半年PM2.5浓度均值从高到低依次为：8型>5型>6型>2型>7型>4型>9型>1型>3型.同时, 由表 1可知, 冬半年5、6和8型对应的AQI距平均为正, 即有利于污染的积累；除10月外, 上述3种天气型在冬半年其它月份对应的PM2.5平均浓度均>115 μg·m-3, 处于中度污染水平以上, 12月和1月尤为显著, 3种天气型对应的PM2.5浓度均值均>150 μg·m-3, 属于重度污染水平；基于不同月份的排放源可能有差异, 对每个月9种天气型对应的PM2.5均值浓度从大到小依次进行排序, 可以看出, 12月5型除外, 其它月份5、6和8型这3种天气型对应的PM2.5浓度均处于同月份PM2.5平均浓度的较高水平, 8型尤为显著, 其不同月份对应的PM2.5浓度均位于前三.因此整体而言, 5、6和8型为3类重污染潜势型, 这3类天气型冬半年一旦出现, 其引发中度及以上级别污染的可能性较大, 应当高度警惕.1和3型对应的AQI距平整体为负(12月1型除外), 即有利于污染物的扩散稀释, 这两种类型在不同月份的出现频率整体较高, 其中, 1月1型和12月3型出现频次均达到最高(为30.6%), 除12月的1型对应的PM2.5浓度较高(147.2 μg·m-3)外, 其它月份整体较小, 空气质量相对较好；同时, 从同一月份不同天气型的排序结果也可以看出, 1和3型对应的PM2.5浓度均较低, 就同一月份不同天气型对应的PM2.5浓度而言, 1和3型均位于后三位, 因此, 冬半年1型和3型属于清洁型.此外, 2、4和7型不同月份出现频率差异较大, 值得注意的是, 这3种天气型在1、11和12月的PM2.5平均浓度>115 μg·m-3, 引发中度及以上等级污染, 相应月份应当引起高度重视.除9型在1和12月会引起重度污染外, 其它月份对应的PM2.5均值浓度都 < 115 μg·m-3.综上所述, 5、6和8型为3类重污染潜势型, 1和3型为两类清洁天气型.
表 1(Table 1)
| 表 1 2013—2016年冬半年各月不同天气型出现频率及对应PM2.5中位数、均值统计表 Table 1 The frequency of different weather types and the corresponding mean value and media value of PM2.5 during winter half year from 2013 to 2016 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 1 2013—2016年冬半年各月不同天气型出现频率及对应PM2.5中位数、均值统计表 Table 1 The frequency of different weather types and the corresponding mean value and media value of PM2.5 during winter half year from 2013 to 2016
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.3 冬半年不同月份不同天气型对应AQI不同等级发生频次分布图图 3为冬半年不同月份9种天气型对应的AQI不同等级发生频次分布图.由图可知, 12月8型和1月7、8型引起中度(Ⅳ级)及以上污染的概率为100%, 将其定义为污染天气型, 相应月份一旦出现应当提早发布预警.同时还发现, 经统计12月中的2、4、5和7型引起中度及以上级别污染的概率分别为81.8%、85.7%、92.3%和77.8%, 1月的5型、3月的6型、11月的6和8型对应的中度及以上污染的概率分别为88.9%、80.0%、87.5%和75.0%, 均为高风险污染天气型(>75%), 相应月份一旦出现都应当高度警惕.此外, 不同月份1和3型出现中度及以上污染的概率均相对较小, 表明这两种天气型较有利于污染物的扩散和清除.其它天气型在不同月份对应的AQI等级基本呈轻度(Ⅲ级)及以下等级和中度及以上等级对半分的分布形势.说明即使是同一天气型, 不同月份其对污染影响的差异也较大.
图 3(Fig. 3)
 |
| 图 3 冬半年不同月份不同天气型对应AQI不同等级发生频次 Fig. 3The distribution of AQI in different levels with different weather types in different months |
3.4 不同天气类型与污染气象参数的关系表 2为不同天气型对应的PM2.5均值浓度及相应污染气象参数的分布特征.经计算, AQI与1200 m稳定能量(除数值大小存在差异外, 不同高度层稳定能量的分布趋势均一致, 此处以1200 m为例)、最大混合层厚度和通风系数的相关系数分别为0.681、-0.581和-0.565, 均通过了α=0.01水平的显著性检验, 即PM2.5浓度分布与污染气象参数密切相关.统计冬半年9种天气型所对应的污染气象参数, 发现1和3型对应的稳定能量较小, 混合层厚度和通风系数均较大；这些污染气象参数反映了不稳定的大气层结, 继而导致这两种类型天气对应的PM2.5浓度相对较低, 从污染气象学的角度揭示了1和3型为污染清洁型的机理.而5、6和8型刚好相反, 三者对应的稳定能量较大、最大混合层厚度和通风系数均较小, 体现了静稳的大气层结, 在这种天气条件下有利于污染物的积累, 继而导致PM2.5浓度较高, 这也从污染气象学的角度揭示了5、6和8型为重污染潜势型的机理.综上所述, 重污染潜势天气型的污染气象学内涵为：大气层结极易趋于稳定, 不利于污染物的输送和扩散, 进而极易导致大气重污染发生.由此表明，重污染潜势天气型代表了边界层大气的静稳特征, 能够反映大气污染潜势.
表 2(Table 2)
| 表 2 2013—2016年冬半年各类天气类型对应PM2.5浓度均值及污染气象参数特征统计表 Table 2 The characteristics of PM2.5 and air-pollution meteorological parameters during winter half year from 2013 to 2016 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 2 2013—2016年冬半年各类天气类型对应PM2.5浓度均值及污染气象参数特征统计表 Table 2 The characteristics of PM2.5 and air-pollution meteorological parameters during winter half year from 2013 to 2016
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||
4 结论(Conclusions)1) 采用PCT客观天气分型方法将2013—2016年华北地区冬半年海平面气压场分为高压型(高压前部型、高压内部型和高压后部型)、高后低前型、低压底部型、冷锋前部型和均压场等9种类型, 其中, 高压前部型出现频率最高，为39.2%.
2) 通过综合分析不同月份不同天气型出现频次及其对应的AQI均值和月均距平值的分布特征, 发现研究区域的5、6和8型对应的PM2.5均值整体偏高、AQI月均距平值为正且较大, 从对应边界层大气结构特征的角度揭示其属于重污染潜势天气型；1和3型对应的PM2.5均值整体偏低且AQI月均距平值为负, 从对应边界层大气结构特征的角度揭示其属于污染清洁型.
3) 通过分析不同月份9类天气型对应的AQI污染等级分布情况, 发现即使是同一天气型, 其在不同月份对污染影响的差异较大, 在今后的污染潜势预报研究中, 应该分月份、分天气型进行研究更为合理.
4) 不同天气型反映的边界层大气结构特征差异较大, 重污染潜势天气型的污染气象学内涵为：大气层结极易趋于稳定, 不利于污染物水平输送和垂直扩散, 进而极易导致大气重污染事件发生.由此表明, 重污染潜势天气型代表了边界层大气的静稳特征, 能够反映大气污染潜势.
参考文献
| Bai Z P, Cai B B, Dong H Y, et al. 2006. Adverse health effects caused by dust haze-a review[J]. Environmental Pollution & Control, 8(3): 198–201. |
| 戴竹君, 刘端阳, 王宏斌, 等. 2016. 江苏秋冬季重度霾的分型研究[J]. 气象学报, 2016, 74(1): 133–148. |
| Hu X M, Ma Z Q, Lin W, et al. 2014. Impact of the Loess Plateau on the atmospheric boundary layer structure and air quality in the North China Plain:A case study[J]. Science of the Total Environment, 499: 228–237.DOI:10.1016/j.scitotenv.2014.08.053 |
| Huth R, Beck C, Philipp A, et al. 2008. Classifications of atmospheric circulation patterns[J]. Annals of the New York Academy of Sciences, 1146(1): 105–152. |
| 孟燕军, 程丛兰. 2002. 影响北京大气污染物变化的地面天气形势分析[J]. 气象, 2002, 28(4): 42–47. |
| Morbidelli R, Corradini C, Saltalippi C, et al. 2011. Atmospheric stability and meteorological scenarios as inputs to air pollution transport modeling[J]. Water Air & Soil Pollution, 218(1/4): 275–281. |
| 倪江波.2015.华北区域性低能见度客观自动识别及预报方法研究[D].兰州: 兰州大学http://cdmd.cnki.com.cn/Article/CDMD-10730-1015354952.htm |
| 尚可政, 达存莹, 付有智, 等. 2001. 兰州城区稳定能量及其与空气污染的关系[J]. 高原气象, 2001, 20(1): 76–81.DOI:10.3321/j.issn:1000-0534.2001.01.013 |
| 王式功, 刘立超. 2002. 干绝热图解法求最大混合层厚度的两种计算方法[M]. 兰州: 兰州大学出版社: 93–95. |
| 王跃思, 姚利, 王莉莉, 等. 2014. 2013年元月我国中东部地区强霾污染成因分析[J]. 中国科学:地球科学, 2014, 44(1): 15–26. |
| 吴兑. 2012. 近十年中国灰霾天气研究综述[J]. 环境科学学报, 2012, 32(2): 257–269. |
| 张国琏, 甄新蓉, 谈建国, 等. 2010. 影响上海市空气质量的地面天气类型及气象要素分析[J]. 热带气象学报, 2010, 26(1): 124–128. |
| Zhang J P, Zhu T, Zhang Q H, et al. 2012. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings[J]. Atmospheric Chemistry & Physics & Discussions, 11(12): 33465–33509. |
| 张莹, 邵毅, 王式功, 等. 2014. 北京市空气污染物对呼吸系统疾病门诊人数的影响[J]. 中国环境科学, 2014, 34(9): 2401–2407. |
| 张莹.2016.我国典型城市空气污染特征及其健康影响和预报研究[D].兰州: 兰州大学http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=D01032925 |
| 赵斌.2007.华北地区大气污染源排放状况研究[D].北京: 中国气象科学研究院http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1045149 |
