《Atmospheric Environment》:Estimation of carbonaceous aerosol concentrations by means of a 3D-air mass residence time multiple linear regression model (3D-MLRM): A four-year study at a rural site in Germany
编辑推荐:
摘要:研究人员构建了一种多元线性回归模型(Multiple Linear Regression Model, MLRM),该模型考虑了气团在传输过程中的高度(3D-MLRM),用于估算每日PM2.5、PM2.5结合态元素碳(Elemental Carbon,
摘要:研究人员构建了一种多元线性回归模型(Multiple Linear Regression Model, MLRM),该模型考虑了气团在传输过程中的高度(3D-MLRM),用于估算每日PM2.5、PM2.5结合态元素碳(Elemental Carbon, EC)和PM2.5结合态有机碳(Organic Carbon, OC)的浓度,并利用2021至2024年间德国TROPOS Melpitz研究站点的测量数据进行了验证。3D-MLRM的自变量基于到达气团在混合层(Mixed Layer, ML)内外的驻留时间,分布于15个不同的地理扇区。在所有季节中,来自局地/区域扇区的人为EC贡献与ML上方的气流相关,而自然局地/区域源排放的OC累积主要出现在暖季。研究区域内最盛行的西向气流平均而言对Melpitz站点的气溶胶水平有显著贡献,然而较少发生的ML上方的东向大气环流与更强的每日气溶胶传输事件相关。研究还识别出罕见的北非沙尘入侵事件。实测与估算的PM2.5、EC和OC日浓度之间的Pearson相关系数在0.01水平上具有统计学显著性(分别为0.58、0.60和0.69),而与经典2D-MLRM版本相比,结果有所改善,尤其是对于EC(Pearson相关系数:0.60对比0.43)。本研究证明,相对简单的模型如MLRM能够提供有用信息,应被考虑用于空气质量法规的制定。
基于三维气团驻留时间多元线性回归模型的碳质气溶胶浓度估算研究解读
**研究背景与问题**
元素碳(EC)和有机碳(OC)是大气细颗粒物(PM2.5,空气动力学直径≤2.5 μm的颗粒物)的重要组成成分,其浓度与人体心血管和呼吸系统疾病等多种健康风险密切相关。已有研究表明,PM2.5结合态EC主要来源于交通、生物质燃烧和煤炭燃烧等直接人为排放,而OC除了一次性人为和自然排放外,还包含复杂的二次来源,其浓度具有明显的季节变化,与采样点的背景特征密切相关。在挪威南部乡村站点Birkenes的观测发现,自然/生物源对PM2.5结合态OC的贡献在夏季达到峰值(77%),冬季降至最低(22%)。此外,欧洲北部和中部的多项研究显示,来自东向的气团以及中欧区域的中尺度大气环流与碳质气溶胶浓度升高有关。然而,以往用于估算气溶胶浓度的多元线性回归模型(MLRM)仅考虑气团在地理扇区上的驻留时间,未包含气团的垂直高度信息,无法区分气团在混合层(ML)内外的传输特征。因此,研究人员开发了一种三维版本的气团驻留时间MLRM(3D-MLRM),将气团高度和混合层高度纳入模型,旨在更精确地估算PM2.5、EC和OC的日浓度,并识别其潜在源区。
**研究内容与结论**
研究人员利用德国TROPOS Melpitz乡村背景站点2021至2024年共1399天的PM2.5、PM2.5结合态EC和OC日浓度数据,结合HYSPLIT模型生成的72小时后向轨迹,将气团驻留时间按0.5°×0.5°网格分配至15个地理扇区,并根据气团轨迹点相对于混合层的位置分为“ML内”和“ML外”两个子网格,从而构建了包含30个自变量(15个扇区×2个高度层)的3D-MLRM。模型截距设为零,以强制每个扇区参与估算。研究同时对比了经典2D-MLRM(仅15个自变量)的性能。结果表明,3D-MLRM对PM2.5、EC和OC的日浓度估算值与实测值的Pearson相关系数分别为0.58、0.60和0.69(均在0.01水平显著),其中对EC的改善最为显著(相关系数从2D版本的0.43提升至0.60)。模型识别出局地/区域扇区(1-4)、西欧扇区(5)和东欧扇区(7)是Melpitz站点气溶胶的主要贡献源区,三者合计平均贡献了PM2.5、EC和OC日浓度的78.6%、69.7%和82.9%。研究发现,来自局地/区域人为燃烧源的EC主要通过ML上方的气流传输至站点,而来自自然源(如生物源排放)的OC则在暖季于ML内累积。东向气流(扇区7)虽然出现频率较低,但其ML上方的传输可导致强烈的PM2.5、EC和OC日浓度增强事件,而西向气流(扇区5)虽频率高但单次贡献较小。此外,模型还识别出罕见的北非撒哈拉沙尘入侵事件,这些事件与ML上方的气流相关,并显著影响PM2.5及碳质组分浓度。模型在冷季的表现优于暖季,但对极端污染事件(尤其是超过第90百分位数的浓度)存在低估,导致平均绝对误差(MAE)较高(PM2.5:3.87 μg/m3,EC:0.11 μg/m3,OC:0.74 μg/m3)。
**主要技术方法**
本研究采用了以下关键技术方法:1)利用NOAA的HYSPLIT模型结合GDAS气象数据,生成每日24条、每条72小时的到达Melpitz站点的后向轨迹,并提取每个轨迹点的经纬度、海拔和混合层高度(MLH);2)将轨迹点按0.5°×0.5°网格分配至覆盖16.0°W-37.0°E、30.0°N-70.0°N的驻留时间网格,并根据轨迹点相对于ML的位置将驻留时间分为ML内和ML外两个子网格;3)将15个扇区(每个扇区分为ML内外)的驻留时间作为自变量,通过多元线性回归建立3D-MLRM,估算PM2.5、EC和OC日浓度;4)采用方差膨胀因子(VIF)和条件指数进行多重共线性诊断,确保模型稳定性;5)将3D-MLRM结果与经典2D-MLRM对比,并计算Pearson相关系数和MAE评估模型性能。样本数据来源于EBAS数据库(挪威空气研究所NILU维护)的Melpitz站点测量,气溶胶采样采用DIGITEL DHA-80大流量采样器(流速500.0 L/min,采样高度4 m AGL),样品依据EUSAAR-2协议分析碳质组分。气象数据(风速、温度)来自莱比锡-施科伊迪茨气象站(距Melpitz约48.7 km)。
**研究结果**
**3.1 气溶胶浓度、季节变化与气象变量的关联**
2021-2024年期间,Melpitz站点PM2.5、EC和OC的平均浓度分别为13.2±6.6 μg/m3、0.27±0.21 μg/m3和2.5±1.6 μg/m3。冷季(10月16日至4月15日)EC平均浓度(0.34 μg/m3)高于暖季(4月16日至10月15日,0.19 μg/m3),而OC平均浓度在暖季(2.8 μg/m3)高于冷季(2.2 μg/m3)。温度与EC浓度呈负相关(冷季-0.27,暖季-0.14),与OC浓度在冷季为-0.22,暖季为0.45(均显著),表明冷季燃烧排放(尤其是木材取暖)影响明显,暖季OC升高与生物源排放相关。风速与EC、OC呈负相关,冷季更显著(EC:-0.46,OC:-0.45),说明局地/区域排放的累积主要发生在冷季。
**3.2 MLRM性能评估**
3D-MLRM对PM2.5、EC和OC日浓度的估算相关系数分别为0.58、0.60和0.69(p<0.01),冷季相关系数(0.61、0.65和0.71)高于暖季(0.57、0.42和0.65)。冷季EC相关系数较高归因于长距离人为气溶胶传输增强。MAE值在冷季较高(PM2.5:4.46 μg/m3,EC:0.13 μg/m3,OC:0.75 μg/m3),而暖季较低(3.29、0.10和0.74 μg/m3),表明模型对极端高浓度事件存在低估。与2D-MLRM相比,3D-MLRM对EC的估算改善显著(相关系数0.60 vs 0.43,MAE降低15.4%),PM2.5和OC改善较小。VIF均低于5.0,最大条件指数为5.522,表明不存在多重共线性问题。
**3.3 特定区域对PM2.5、EC和OC浓度的贡献**
在2210864个轨迹点中,40.7%位于ML内,59.3%位于ML外。局地/区域扇区(1-4)、扇区5(西欧)和扇区7(东欧)贡献了大部分气溶胶浓度。ML外气流贡献普遍高于ML内(除EC在扇区5的ML内贡献略高外)。局地/区域扇区ML内的EC贡献为负值,表明ML内停滞气流导致EC稀释,而ML外气流则输运人为燃烧源EC。暖季局地/区域扇区ML内的PM2.5和OC贡献增加,归因于生物源气溶胶累积。扇区7(东欧)的ML外气流贡献了最高的日平均浓度(PM2.5:4.14 μg/m3,EC:0.11 μg/m3,OC:0.88 μg/m3),但出现频率低(23.2%-26.4%的日数),而扇区5(西欧)的贡献频率高(75.9%-78.6%),但平均贡献较低(PM2.5:1.83 μg/m3,EC:0.04 μg/m3,OC:0.33 μg/m3)。沙尘事件主要来自扇区8-9(北非),通过ML以上气流传输,例如2024年6月27日PM2.5、EC和OC贡献分别达14.20 μg/m3、0.24 μg/m3和1.67 μg/m3。
**讨论与结论**
研究证明,将气团驻留时间按ML内外分层并纳入MLRM,能显著改善碳质气溶胶的估算,尤其是对EC。模型揭示了局地/区域燃烧源EC主要通过ML以上气流传输,而自然源OC在暖季于ML内累积。东向气流虽频率低,但可导致强效长距离传输事件。3D-MLRM可作为空气质量管理的有效工具,但其对极端污染事件存在低估,未来需纳入额外变量或调整垂直分层阈值以适应复杂大气动力学区域。该模型可推广至地理、气象和排放特征相似的站点。