趙麗斌 郭瀠孺 范蕊

收稿日期：2023-12-21

基金項目：基于地面降水量的區(qū)域歷史回歸等統(tǒng)計方法對一次人工增雨的效果檢驗研究（黑龍江省氣象局科學技術(shù)研究項目HQZC2020052）。

作者簡介：趙麗斌（1985-），女，黑龍江省哈爾濱市，碩士，工程師，研究方向為人工影響天氣。

摘 要：為研究西北干旱地區(qū)大氣氣溶膠物理特性，以新疆烏魯木齊、阿勒泰、和田三個城市為研究對象，通過采用反向軌跡、潛在貢獻因子（PSCF）和濃度權(quán)重軌跡（CWT），以及氣溶膠吸收Angstrom指數(shù)計算方法，基于多源數(shù)據(jù)開展了大氣氣溶膠時空分布特征研究分析。相較于沿海城市，和田地區(qū)PM污染物濃度最高，阿勒泰地區(qū)PM污染物濃度最低，新疆內(nèi)陸地區(qū)的SO2和CO污染程度更嚴重，而NO2污染程度有所減輕，O3污染程度出現(xiàn)波動狀態(tài)。

關(guān)鍵詞：氣溶膠；多源數(shù)據(jù)；物理特性；反向軌跡

中圖分類號：X51文獻標志碼：A文章編號：1673-9655（2024）03-00-07

0 引言

氣溶膠是大氣系統(tǒng)的重要組成部分，指懸浮在大氣中不同形狀、不同成分、半徑為0.0005～50 μm的固液顆粒，對氣候影響意義重大。研究發(fā)現(xiàn)，人類活動產(chǎn)生的氣溶膠顆粒是污染大氣環(huán)境的主要原因。為分析人類活動與自然氣候條件對大氣氣溶膠顆粒的生成關(guān)系，進一步保護大氣環(huán)境，雷佩玉等以2017—2020年西安市兩城區(qū)大氣細顆粒物中4種水溶性離子為研究對象進行研究，認為霾天氣相較于正常天氣，PM2.5主要成分SO42-、NO3-、NH4+離子占總水溶性離子的百分比較高，因此，要減少大氣中的PM2.5濃度，需控制SO42-、NO3-、NH4+離子排放[1]；李世浩等分析了西安城市主干道黑碳排放特征及源解析，認為交通出行碳排放對大氣中PM2.5濃度具有較大貢獻，為政府有效能源規(guī)劃提供依據(jù)[2]；韓朋等分析了太原盆地某地冬季PM2.5中OC和EC污染特征，認為燃煤和機動車尾氣排放是污染天碳質(zhì)氣溶膠的主要來源[3]。

本文以新疆烏魯木齊、阿勒泰、和田三個城市為研究對象，基于多源數(shù)據(jù)，從PM2.5、PM10顆粒污染物及SO2、O3、NO2、CO氣體污染物多方面對大氣氣溶膠時空分布特征和污染進行對比研究，為完善分析西北干旱地區(qū)大氣氣溶膠物理特性提供依據(jù)。

1 數(shù)據(jù)來源

本文所使用的氣象數(shù)據(jù)來自全球數(shù)據(jù)同化系統(tǒng)（GDAS）采集的2020年全球溫度、降水、氣壓等氣象要素數(shù)據(jù)。所使用的空氣質(zhì)量數(shù)據(jù)來自中國空氣質(zhì)量在線檢測分析平臺，包括PM2.5、PM10、SO2、O3、CO濃度數(shù)據(jù)。此外，為對比分析上述三個地區(qū)空氣污染情況，還選取了杭州、廈門、青島三個沿海地區(qū)的數(shù)據(jù)作為對比。其中，烏魯木齊和青島設(shè)置11個監(jiān)測點，阿勒泰和廈門設(shè)置6個監(jiān)測點，和田設(shè)置2個監(jiān)測點，杭州設(shè)置16個監(jiān)測點。氣溶膠柱數(shù)據(jù)來自NASA MERRA-2提供的再分析數(shù)據(jù)，時間段為1980—2020年。OMI數(shù)據(jù)來自NASA地球觀測系統(tǒng)Aura衛(wèi)星觀測的數(shù)據(jù)，時間段為2005—2020年。CALIPSO數(shù)據(jù)來自美宇航局ESSP衛(wèi)星提供的云層和氣溶膠數(shù)據(jù)，時間段為2020年11月30日—12月3日。

2 研究方法

2.1 后向軌跡分析

后向軌跡分析可反演采樣點大氣團的運輸特征及來源。本文采用TrajStat模型對大氣團軌跡進行計算和聚類。TrajStat模型是一種混合拉格朗日和歐拉方法優(yōu)勢，可計算空氣塊對流過程和擴散過程以及污染物濃度的后向軌跡計算方法，廣泛應(yīng)用于各個地區(qū)的污染物傳輸和擴散研究中[4]。利用TrajStat模型計算反向軌跡的具體操作如下：首先利用每天間隔6 h的氣象數(shù)據(jù)計算前72 h的氣團反向軌跡，檢查氣團歷史，然后設(shè)置高度為距離地面500 m，利用層次聚類對日變化或季節(jié)變化軌跡進行分類。

2.2 PSCF與CWT方法

PSCF與CWT方法是用于定量統(tǒng)計分析反軌跡模型網(wǎng)絡(luò)的方法，可確定較強污染源的分布[5]。其中PSCF通過逆向軌跡計算概率函數(shù)確定污染源地理位置空間分布。假設(shè)研究區(qū)域劃分為i×j個網(wǎng)格，節(jié)點數(shù)為N，節(jié)點nij落在第ij個網(wǎng)格中，則隨機選取的氣團在ij網(wǎng)格上消耗的相對時間的概率可表示為：

（1）

式中： —給出時間。

假設(shè)節(jié)點對應(yīng)軌跡到達時污染物濃度高于設(shè)定值，則發(fā)生的概率為：

（2）

因此，PSCF定義為條件的概率可表示為：

（3）

CWT主要計算的是每個網(wǎng)格（i， j）的濃度平均值，計算方法如式（4）[6]：

（4）

式中：l—特征軌跡；M—軌跡總數(shù)；Cl—軌跡l的濃度值；τijl—軌跡l經(jīng)過（i， j）的時間；的高值—網(wǎng)格點對研究區(qū)域具有較高的潛在貢獻濃度。

為減小nij值不確定性的影響，可引入權(quán)重函數(shù)Wij。本文中定義Wij如下[7]：

（5）

采用WPSCF和WCWT結(jié)合PM2.5和PM10的濃度進行相關(guān)性分析，即可對PM污染物的來源和含量進行確定。

2.3 氣溶膠吸收Angstorm指數(shù)計算

定量氣溶膠參數(shù)（AAOD）和氣溶膠總消光系數(shù)（AOD）與單次散射反照率（SSA）相關(guān)，可通過式（6）計算[8]：

（6）

AAE是推斷大氣中主要氣溶膠類型的參數(shù)，可通過式（7）計算。

（7）

式中：[9]，表示波長。

3 結(jié)果與分析

3.1 PM2.5與PM10分析結(jié)果

PM2.5和PM10是衡量顆粒物污染程度的重要指標。為驗證所提方法的有效性，實驗選取2020年全年烏魯木齊、阿勒泰、和田三個地區(qū)的污染物濃度數(shù)據(jù)評估以上城市的空氣污染情況。三個地區(qū)的PM2.5和PM10季節(jié)與年平均濃度見表1。由表可知，烏魯木齊、和田的PM2.5和PM10濃度分別為57.5 μg/m3

和119.4 μg/m3、116.3 μg/m3和429.3 μg/m3，高于NAAQS的II級年平均限值（35 μg/m3和70 μg/m3）[10]，而阿勒泰的PM2.5和PM10濃度為9.2 μg/m3和19.3 μg/m3，低于標準限值，分析原因可能是烏魯木齊與和田地區(qū)的沙塵暴所致。不同季節(jié)不同地區(qū)的PM2.5和PM10濃度具有明顯的差異，烏魯木齊最大值和最小值分別出現(xiàn)在冬季和夏季，和田地區(qū)最大值與最小值分別出現(xiàn)在春季和秋季，阿勒泰地區(qū)最大值與最小值分別出現(xiàn)在冬季和秋季。分析烏魯木齊與阿勒泰地區(qū)在冬季PM污染物濃度變化明顯的原因可能與排放的熱源有關(guān)，而和田地區(qū)在春季變化明顯，可能與沙塵暴增加有關(guān)。

由于烏魯木齊PM污染物濃度在冬季處于較高水平，在夏季PM10小時濃度最高值在23：00—1：00，最低值在12：00—22：00。分析原因是夜間跨省份貨物交通運輸量增加，汽車尾氣排放量增多。烏魯木齊夏秋兩季比冬春兩季夜間PM濃度值低，其原因是夏秋季空氣相對濕度較高，干沉降增加。阿勒泰地區(qū)PM污染物濃度變化差異較小，其原因是該地區(qū)幾乎不存在沙塵暴，但由于其與和田塵源較近，因此PM10濃度較高，每小時超過300 μg/m3。

和田地區(qū)PM污染物濃度日變化存在兩個谷值，分別在7：00—9：00和16：00—20：00，最高值在11：00—12：00。分析兩個谷值出現(xiàn)的原因與風速和人為活動相關(guān)，風速大，人為活動少，PM濃度低，反之PM濃度高。整體來看，和田地區(qū)相較于烏魯木齊與阿勒泰地區(qū)，日變化最劇烈，且隨季節(jié)變化明顯。原因是和田地區(qū)人為活動和工業(yè)較多，且作為沙塵源，容易受到沙塵暴的影響[11]。

烏魯木齊的PM2.5和PM10濃度超過NAAQS的II級日均值標準（75 μg/m3和15 μg/m3）24.5%和23.2%[12]。原因是烏魯木齊為新疆省會城市，人為活動頻繁，工業(yè)、交通發(fā)達；和田PM2.5和PM10濃度超過NAAQS的II級日均值標準46.3%和76% ，是三個城市中PM污染物最嚴重的地區(qū)，原因是研究期間和田地區(qū)沙塵暴嚴重；阿勒泰地區(qū)PM污染物均低于NAAQS的II級日均值標準，說明該地區(qū)空氣質(zhì)量良好，是三個城市中質(zhì)量最好的城市。

PM2.5與PM10的比值是衡量顆粒污染物特征的指標，其值越大，表示污染通常由人為活動引起，反之則由沙塵暴等環(huán)境因素引起。烏魯木齊PM2.5/PM10=0.47，阿勒泰PM2.5/PM10=0.45，和田PM2.5/PM10=0.29，表明上述三個城市的主要顆粒污染物為PM10，主要受到干旱和裸地的沙漠產(chǎn)生的沙塵暴影響。設(shè)定PM2.5＞75 μg/m3為污染日，研究期間烏魯木齊、阿勒泰、和田地區(qū)的污染日與非污染日的年平均值和標準差，得出烏魯木齊與和田地區(qū)的污染日與非污染日的差異明顯，

PM2.5污染日平均濃度分別為144 μg/m3和203 μg/m3，

相較于非污染日平均濃度29 μg/m3和43 μg/m3高出約5倍；阿勒泰地區(qū)無污染日。

圖1為烏魯木齊、阿勒泰、和田地區(qū)的

PM2.5/PM10在污染日與非污染日的季節(jié)性變化。由圖可知，烏魯木齊PM2.5/PM10在夏季和冬季分別達到最低值與最高值，與該地區(qū)的PM2.5濃度變化趨勢一致。分析原因是穩(wěn)定的大氣環(huán)境積累了更多的二次氣溶膠，有利于PM10粗顆粒污染物沉降，導致該地區(qū)冬季PM10中細顆粒較多。阿勒泰地區(qū)污染日較少，主要與當?shù)靥鞖猸h(huán)境改善有關(guān)。和田地區(qū)PM2.5/PM10值在春季最低，說明該地區(qū)春季污染由粗顆粒主導。

CO是一種可歸一化PM2.5的示蹤劑，能排除一次燃燒影響的氣象因素[13]。因此，為進一步推斷PM2.5產(chǎn)生的原因，本文還計算了PM2.5與CO的比值，結(jié)果如圖2所示。PM2.5/CO在污染日與非污染日存在明顯變化，說明氣溶膠貢獻不同。相較于PM2.5/PM10，PM2.5/CO在夏季最大，在冬季最小，說明冬季污染嚴重時氣溶膠占比更大，進一步說明次要成分對PM2.5濃度的影響隨季節(jié)變化。

3.2 污染氣體分析

CO和O3是常見的大氣污染氣體[14]。根據(jù)烏魯木齊、和田地區(qū)的CO和O3的日頻濃度隨時間分布情況可知，除阿勒泰地區(qū)，烏魯木齊與和田的CO質(zhì)量濃度日頻率分布超過II級標準（4 mg/m3）；三個地區(qū)的O3日頻率均超過II級標準（160 μg/m3）。

CO濃度和O3是烏魯木齊、阿勒泰、和田地區(qū)的主要污染物，其隨季節(jié)變化明顯。其中，O3的濃度在春夏季最高，在秋冬季最低，與PM污染隨季節(jié)變化存在較大的差異；烏魯木齊的O3濃度差異最大，阿勒泰O3濃度差異最小。

分析烏魯木齊、阿勒泰、和田地區(qū)的SO2和NO2的日頻率和隨時間分布圖。并且由三個地區(qū)SO2和NO2隨時間分布可知，SO2和NO2質(zhì)量濃度均低于II級日均標準（150 μg/m3），烏魯木齊與和田地區(qū)的NO2質(zhì)量濃度超過II級標準（80 μg/m3）；三個地區(qū)的SO2和NO2隨時間分布差異明顯。

3.3 氣溶膠來源分析

為分析三個地區(qū)的氣溶膠來源，實驗對研究期間三個地區(qū)的氣團進行了72 h反軌跡分析，結(jié)果如圖3所示。圖中，紅色線條為傳輸途徑。線條越長，表示傳輸速度越快[15]。由圖可知，烏魯木齊地區(qū)大部分軌跡來自該地區(qū)西北部和正北方向。其中，春季氣團39.84%來自博爾塔拉。該軌跡最短，不利于空氣污染物擴散；48.9%來自哈薩克斯坦，11.26%來自俄羅斯。夏季氣團均來自哈薩克斯坦，42.31%來自哈薩克斯坦東部，34.34%來自哈薩克斯坦東部，15.56%來自哈薩克斯坦東北部，7.69%來自哈薩克斯坦南部。秋季氣團與夏季氣團軌跡起源一致，均來自哈薩克斯坦。冬季氣團68.82%來自塔城南部，17.89%來自哈薩克斯坦東南部，10.96%來自昌吉，2.25%來自俄羅斯西北部。由此可以看出，烏魯木齊地區(qū)受到哈薩克斯坦的顆粒物濃度影響較大。

阿勒泰地區(qū)大部分軌跡來自該地區(qū)東北部和西部。其中，春季氣團軌跡39.73%來自該地區(qū)東北部，24.38%來自其西部，20.82%來自俄羅斯西南部，15.07%來自俄羅斯南部。夏季氣團68.96%來自哈薩克斯坦，31.04%來自俄羅斯南部。秋季氣團均來自哈薩克斯坦，最長一條軌跡來自哈薩克斯坦東南部。冬季氣團由35.96%來自哈薩克斯坦，28.65%來自俄羅斯，35.89%來自蒙古國西北部。

和田地區(qū)大部分軌跡來自該地區(qū)西北部，通過東北方向到達。分析原因，和田地區(qū)處于內(nèi)陸，位于蒙古高原東部，造成了東方傳輸性氣溶膠增加。其中，42.86%氣團來自阿克蘇西南部，25.82%氣團來自巴音郭楞，19.51%氣團來自哈薩克斯坦南部，11.81%氣團來自哈薩克斯坦東部；夏季氣團軌跡82.36%阿克蘇地區(qū)，11.54%來自克孜勒蘇柯爾克孜，1.1%來自巴音郭楞與吐魯番交界處；秋季氣團軌跡35%來自巴音郭楞西北部，27.78%來自阿克蘇南部，18.61%來自昌吉回族自治州，18.61%來自克孜勒蘇柯爾克孜；冬季氣團軌跡主要來自巴音郭楞西南部和北部，分別占總量的39.89%和32.02%，剩余26.97%和1.12%氣團分別來自和田中西部氣團和俄羅斯西南部。

綜上可知，烏魯木齊、阿勒泰、和田三個地區(qū)的氣團軌跡各不相同。其中，烏魯木齊主要受到哈薩克斯坦和俄羅斯的顆粒物影響，阿勒泰受到哈薩克斯坦、俄羅斯、蒙古國顆粒物影響，和田地區(qū)受到其周邊西北和東北方向地區(qū)顆粒物影響。烏魯木齊是離海洋最遠的城市，屬大陸性干旱氣候，受到特殊地形與氣候的影響，容易受到境外顆粒物影響。阿勒泰地區(qū)緯度較高，屬大陸性寒冷氣候，同樣受到境外顆粒物影響。和田地區(qū)周圍群山環(huán)繞，在帕米爾高原和昆侖山的阻擋下，氣流不容易擴散，因此其軌跡主要來自周邊地區(qū)。通過分析三個地區(qū)的后向軌跡可知，氣團不僅與當?shù)叵嚓P(guān)，同樣也和世界其他國家相關(guān)。因此，要解決空氣污染問題，提高空氣質(zhì)量，不僅需要當?shù)卣⒔∪姆煞ㄒ?guī)政策，同時還需要與跨行政區(qū)域進行合作。

3.4 與沿海地區(qū)對比

為充分反映我國整體空氣質(zhì)量，本文對比了烏魯木齊、阿勒泰、和田三個新疆內(nèi)陸干旱地區(qū)和我國沿海城市杭州、青島、廈門三個濕潤區(qū)/半濕潤區(qū)空氣污染狀況。

新疆三個地區(qū)的PM2.5在2018年和2020年分別達到了最大值和最小值，2020年P(guān)M2.5相較于2018年

PM2.5分別下降了26%、36%、46%。針對PM10，三個地區(qū)均在2015年達到最高值，而烏魯木齊與和田在2019年達到最低值，分別為146 μg/m3和105 μg/m3，

阿勒泰地區(qū)在2020年達到最低值，為18 μg/m3。分析烏魯木齊與和田地區(qū)與阿勒泰地區(qū)最低值出現(xiàn)不同時間的原因是，2019年烏魯木齊與和田地區(qū)整體氣溫更高，降水量也較高，顆粒物容易擴散。沿海三個地區(qū)的PM2.5和PM10的年平均值逐年下降的趨勢，均在2017年達到最高值，在2020年降低到最低值，分析其原因與我國對環(huán)境保護宣傳和人們意識增強有關(guān)。三個沿海城市中，杭州PM2.5污染最嚴重，2017年達到55 μg/m3，2020年為39 μg/m3；

青島PM10污染最嚴重，2017年達到98 μg/m3，2020年為50 μg/m3；廈門PM污染物最輕。對比三個內(nèi)陸地區(qū)與沿海地區(qū)PM污染物可知，PM污染程度為：阿勒泰＜廈門＜青島＜杭州＜烏魯木齊＜和田，說明阿勒泰地區(qū)空氣質(zhì)量較好，這與當?shù)卦袣夂驐l件和政府的治理有關(guān)；而沿海城市由于遠離沙塵，空氣對流容易擴散PM污染物；對于烏魯木齊和和田，受到塔里木盆地影響，PM污染程度嚴重。

圖4為六個地區(qū)SO2和CO污染物2017—2020年變化情況。由圖可知，三個干旱區(qū)的SO2質(zhì)量濃度均逐年下降，2017—2020年間，僅和田地區(qū)在2017年超過了NAAQS的II級標準（60 μg/m3），為68 μg/m3；針對CO質(zhì)量濃度，三個干旱地區(qū)的年平均濃度均低于II級標準（4 mg/m3）。對于三個沿海地區(qū)，杭州與青島SO2質(zhì)量濃度在2017年達到最大值，為16 μg/m3和27 μg/m3，廈門在2019年達到最大值為11 μg/m3；針對CO質(zhì)量濃度，杭州呈周期性變化，在2020年達到最高值0.93 mg/m3，2018年最低為0.84 mg/m3，青島逐年減小，2020年最低為0.64 mg/m3，廈門存在小峰型變化，在2018年

少量增加。綜合來看，六個地區(qū)SO2污染程度為：廈門＜杭州＜烏魯木齊＜阿勒泰＜青島＜和田；CO污染程度為：廈門＜青島＜杭州＜阿勒泰＜和田＜烏魯木齊。

圖5為六個地區(qū)NO2和O3污染物2017—2020年變化情況。由圖可知，烏魯木齊和杭州NO2污染物在2017—2020年均超過了II級年平均標準

（40 μg/m3），但整體呈逐年下降趨勢，說明該地區(qū)對NO2污染物排放進行了管控，阿勒泰、和田、青島、廈門地區(qū)NO2污染物均低于II級年平均標準。O3濃度烏魯木齊與廈門在研究期間逐年遞增，其他地區(qū)出現(xiàn)波動的狀態(tài)。整體來看，NO2污染程度為：阿勒泰＜和田＜廈門＜青島＜杭州＜烏魯木齊，O3污染程度為：烏魯木齊＜阿勒泰＜和田＜廈門＜杭州＜青島。

由六個地區(qū)污染日與非污染日PM2.5/PM10在2017—2020年的變化可知，和田PM2.5/PM10在所有地區(qū)中最低，說明該地區(qū)粗顆粒污染更嚴重。從污染日與非污染日看出，烏魯木齊PM2.5/PM10差異明顯，廈門與阿勒泰幾乎沒有污染日，說明該兩個地區(qū)空氣質(zhì)量良好。

圖6為六個地區(qū)污染日與非污染日PM2.5/CO在2017—2020年的變化情況。由圖可知，PM2.5/CO變化最大為和田地區(qū)，最高值在2017年為0.16；

PM2.5/CO變化最低為杭州，最高值在2018年為0.021從污染日與非污染日來看，烏魯木齊

PM2.5/CO變化差異較小，廈門變化差異明顯，阿勒泰地區(qū)始終維持在一個較低值，說明阿勒泰地區(qū)二次氣溶膠對其貢獻較小。

4 結(jié)論

（1）烏魯木齊和阿勒泰地區(qū)PM污染物濃度最高在冬季，主要由家庭供暖和低風速氣象造成，而和田地區(qū)PM污染物濃度最高在春季，主要是由沙塵天氣引起。

（2）三個城市的SO2和O3濃度均低于II級標準（150 μg/m3），烏魯木齊與和田的NO2濃度超過II級標準（80 μg/m3），和田CO濃度超過II級標準（4 μg/m3）。

（3）根據(jù)PM2.5/PM10和PM2.5/CO值可知，一次氣溶膠對城市的污染日空氣污染具有重要的影響，和田空氣顆粒物污染主要是粗粒子。相較于沿海城市，和田PM污染物濃度最高，阿勒泰地區(qū)PM污染物濃度最低，新疆內(nèi)陸地區(qū)的SO2和CO污染程度更嚴重，而NO2與O3污染程度呈波動狀態(tài)。

參考文獻：

[1] 雷佩玉，鄭晶利，賈茹，等. 2017—2020年西安市兩城區(qū)大氣細顆粒物中4種水溶性離子污染特征[J].衛(wèi)生研究，2022，51（2）：233-238.

[2] 李世浩，譚志海，秦韓淼，等.西安城市主干道黑碳排放特征及源解析[J].化學工程師，2022，36（3）：42-45.

[3] 韓朋，田曉，郭利利，等.太原盆地某地冬季PM2.5中OC和EC污染特征研究[J].太原科技大學學報，2022，43（2）：103-108.

[4] 劉更生，李軍狀，李小龍，等.北京周邊地區(qū)典型超低排放燃煤機組顆粒物特征研究[J].電力科技與環(huán)保，2022，38（2）：128-134.

[5] 金健.基于改進算法的HJ-1氣溶膠厚度反演研究[J]. 地理空間信息，2022，20（3）：55-58.

[6] 吳會娟，鹿化煜，王菁菁，等.全球沙漠面積和粉塵排放量的新估算[J].科學通報，2022，67（9）：860-871.

[7] 劉波，舒霞云，常雪峰，等.雙層鞘氣聚焦對氣溶膠噴印粉末匯聚特性的影響[J].微納電子技術(shù)，2022，59（4）：365-372，378.

[8] 高鑫，胡秀清，方偉，等.利用POLDER多角度偏振數(shù)據(jù)反演陸上氣溶膠光學厚度的群組殘差最優(yōu)方法[J].遙感學報，2022，26（3）：505-515.

[9] 高溪遠.2015—2019年長三角地區(qū)高空“干”過程大氣水汽含量時空分布特征及天氣分型[J].黑龍江科學，2022，13（6）：26-30.

[10] 王安，孟亞萍，曹夢妲，等.北京市石景山區(qū)PM2.5中典型水溶性離子分布特征及其致敏效應(yīng)研究[J].環(huán)境科學學報，2022，42（3）：334-341.

[11] 黃敏.上海浦東新區(qū)城區(qū)大氣PM2.5中水溶性離子污染特征研究[J].環(huán)境監(jiān)控與預(yù)警，2022，14（2）：70-77.

[12] 李玉強，陳云，曹雯婕，等.全球變化對資源環(huán)境及生態(tài)系統(tǒng)影響的生態(tài)學理論基礎(chǔ)[J].應(yīng)用生態(tài)學報，2022，33（3）：603-612.

[13] 程昊，康娜，張佳欣，等.南京冬季典型霾天氣過程多元對比分析[J].中國環(huán)境科學，2022，42（3）：993-1004.

[14] 汪飛，王濤，常淼，等.春節(jié)期間煙花爆竹燃放對烏魯木齊市區(qū)PM2.5及其組分影響分析[J].干旱環(huán)境監(jiān)測，2022，36（1）：19-25.

[15] 韓琨，劉汝海，徐紅霞，等.青島市降塵中水溶性離子的特征及來源分析[J].環(huán)境工程，2022，40（3）：111-117，193.

tudy on Atmospheric Aerosol Spatial and Temporal Distribution Characteristics and Pollution Compare Based on Multi-source Data

ZHAO Li-bin1， GUO Ring-ru2

（1.Heilongjiang Weather Modification Office， Harbin Heilongjiang 150000， China）

Abstract： In order to study and analyze the physical characteristics of atmospheric aerosols taking Urumqi， Altay and Hotan in the arid area of Northwest China as the research objects， the temporal and spatial distribution characteristics of atmospheric aerosols were studied and analyzed based on multi-source data by using the reverse trajectory， potential contribution factor （PSCF） and concentration weight trajectory （CWT）. Compared with coastal cities， Hotan had the highest concentration of PM pollutants and Altay had the lowest concentration of PM pollutants. The pollution degree of SO2 and CO in inland areas of Xinjiang was more serious， while the pollution degree of NO2reduced to some extent， and the pollution degree of O3appeared fluctuated. The research results provided a basis for analyzing and studying the physical characteristics of atmospheric aerosols in arid areas of northwest China.

Key words： aerosol; multi source data; physical characteristics; reverse trajectory