2020, Vol. 41
大气气溶胶通过吸收和散射太阳辐射以及与云相互作用进而影响云的微物理特性等方式直接或间接影响全球气候变化[1~3].气溶胶也是影响空气质量的关键因素, 短期或长期接触PM2.5会对人体健康产生不同程度的不良影响[4, 5].气溶胶光学厚度(aerosol optical depth, AOD)和Angström指数(AE)是表征大气光学特性的两个基本参量, 是估算气溶胶直接辐射效应的重要参数[6, 7].研究气溶胶对环境和气候的影响在很大程度上取决于对其时空分布的了解[8], 因此, 为了探讨气溶胶对区域气候和空气质量的影响, 需要对AOD和AE的时空分布进行长期系统地估计.
中国作为世界上最大的发展中国家, 经济发展迅速.气溶胶粒子是造成我国大部分城市空气质量差的主要有害污染物.长三角为中国的沿海地区, 近年来, 工业发展和城市化进程加快, 大气污染日益严重.针对长三角地区气溶胶光学特性, 已有学者进行了大量的研究.Kang等[9]利用2002~2014年MODIS C051二级数据和MISR获取的气溶胶数据对南京地区的时空分布进行了分析.Li等[10]对2011年4月到2012年4月南京鼓楼站的气溶胶光学特性进行了研究.Kumar等[11]利用2004~2015年MODIS_C051暗目标法获取长三角地区的AOD和AE并进行分析.Wang等[12]利用2005~2015年MODIS C006深蓝算法获取长三角地区的AOD和AE并进行分析.高嵩等[13]使用空间分辨率为1°×1° MODIS气溶胶产品分析了近10年以来长三角地区气溶胶特性的时空变化.肖钟湧等[14]利用太阳分光光度计(CE-318)对杭州市地面的气溶胶光学特性进行观测, 并基于CE-318地基数据对MODIS反演的气溶胶产品进行验证.
最新发布的MODIS_C061大气产品改进了MODIS_C006 Level 2和Level 3大气产品存在的问题, 并解决了MODIS_C006大气产品中存在的搜索问题[15].本文利用AERONET AOD地基数据对长三角地区分辨率为10 km的MODIS C061 DB AOD产品进行适用性验证, 对2000~2018年长三角地区MODIS C061 DB AOD以及AE的时空分布进行分析, 并讨论两种光学参数的相关性, 通过得到该地区大气污染程度和污染类型, 以期为政府部门治理环境提供参考.
1 材料与方法 1.1 研究区概况研究区域为位于中国东部沿海的长江三角洲地区, 包括安徽省、江苏省、上海市和浙江省, 研究区域及站点分布情况如图 1所示.近年来, 由于经济快速增长, 长三角地区的空气污染加剧, 使得该地区成为中国境内需要对气溶胶研究进行探索的热点地区之一.
|
图 1 长三角地区AERONET站点位置分布示意 Fig. 1 Location of the aerosol ground sites over Yangtze River Delta |
Terra(1999)卫星上的MODIS仪器提供0.405~14.385 μm之间36个光谱波段的陆地、大气和海洋标准产品, 可见光通道1(660 nm)和通道2(860 nm)具有250 m星下点的空间分辨率, 3~7通道具有500 m的空间分辨率, 其他通道的空间分辨率为1 000 km[16].Terra-MODIS在近极地太阳同步圆轨道上飞行了近20年, 白天穿越赤道的时间为10:30, 扫描宽度为2 330 km, 每天提供近全球覆盖.
MODIS DB算法以1 km的分辨率进行反演, 然后将像元聚合到10 km的反演框中.DB算法期望误差(EE)约为±(0.05+20% ·AERONET AOD)[17].与MODIS_C006 DB相比, C061 DB算法在气溶胶模型、期望误差(EE)等各种因素上进行了改进[18].与MODIS_C061 DT产品相比, C061 DB AOD产品覆盖缺失部分少[19].本文选取2000-03-01~2018-12-31的MODIS C061 “Deep_Blue_Aerosol_Optical_Depth_550_Land_Best_Estimate”数据集对长三角地区AOD的时空分布进行分析.Angström指数(AE)利用以下公式[20, 21]计算得出.
|
AERONET AOD地基数据提供了气溶胶长期、连续和高精度的光谱特性[22], 因此被用于验证MODIS_C061 DB AOD产品在长三角地区的适用性.从AERONET网站获取3.0版的太湖、千岛湖、中国矿业大学和南京信息工程大学这4个站点的日平均AOD数据, 与2.0版相比, 3.0版AERONET处理算法在传感器特性和云检测算法等方面进行了改进[23].AERONET的AOD数据分为3级：L1.0没有云过滤和质量验证；L1.5完成了去云处理但没有质量验证；L2.0完成了去云处理和质量验证.由于太湖、中国矿业大学和南京信息工程大学这3个站点缺少部分或者全部的L2.0数据, 因而采用L1.5的数据进行验证, 具体数据情况见表 1.
|
表 1 本文所用的AERONET站点数据 Table 1 Data of AERONET sites in this study |
1.3 数据处理
对MODIS_C061 DB AOD和AERONET AOD数据作如下处理：以AERONET站点为中心, 选取其周围25 km半径范围内MODIS AOD数据并取平均值.与卫星过境时刻前后30 min内AERONET站的AOD数据的平均值相匹配[24].
2 结果与讨论 2.1 MODIS_C061 DB AOD与AERONET AOD的对比分析如图 2所示, MODIS_C061 DB AOD(MYD04_DB AOD)和AERONET AOD值之间具有良好的一致性.在0~4的AOD范围内, MODIS_C061 DB AOD与AERONET AOD匹配的样本数为1401个.落在期望误差(EE)范围内的样本数百分比为68.17%, MODIS_C061 DB AOD与AERONET AOD的相关系数R为0.88, 均方根误差(RMSE)为0.22, 表明该地区的MODIS_C061 DB AOD与AERONET AOD有很好的相关性.验证结果表明, MODIS_C061 DB AOD适合描述长三角地区AOD的长期变化.
|
图 2 MODIS DB AOD卫星数据与AERONET地基数据对比验证 Fig. 2 Validation of MODIS DB AOD product and AERONET AOD product |
本文季节划分如下：春季(3~5月)、夏季(6~8月)、秋季(9~11月)和冬季(12月~次年2月).图 3给出了长三角地区2001~2018年AOD季平均及年平均的空间分布.作为人口密集、工业发达且城市化程度较高的地区, 长三角具有气溶胶排放高的特点.但由于地理位置、地形、气候和人类活动等因素的影响, 不同区域又有所差异.年平均分布中高值区集中在东部和北部, 这与人为产生的细粒子密切相关, 也与自然产生粗粒子有关[25].AOD低值区为南部和西部的丘陵地区, 主要原因可能是受地形因素的影响.此外, 长三角的东部和北部地区也受到来自黄海、东海和渤海的海盐气溶胶的影响, 使东部和北部气溶胶光学特性更加复杂[26].春、夏两季的AOD值都明显高于秋、冬两季.夏季AOD值最高, 平均值为0.57±0.13, 冬季AOD值最低, 平均值为0.43±0.07.春季, 大量的沙尘颗粒从西北方向输送到长江三角洲, 导致长三角AOD值偏高.生物量燃烧的增加和人为活动的增强是导致夏季AOD升高的主要原因.秋冬季节由于大气中水汽条件较低导致气溶胶粒子的生成机制较弱, 因而观测到的AOD值低[27].与C006 MOD04_L2 DB AOD的年平均空间分布[12]相比, 空间分布大致相似, 但北部地区AOD>0.8的面积减小.与C006 MOD04_L2 DB AOD的季平均空间分布[12]相比, 四季的季平均分布中, 长三角南部地区AOD>0.4的面积均减小.
|
图 3 2001~2018年季平均及年平均AOD的空间分布 Fig. 3 Spatial distribution of seasonal and annual average AOD during 2001-2018 |
图 4是长三角地区2001~2018年AE季平均及年平均的空间分布.年平均空间分布中, 长三角AE的高值区为中部和南部.季平均分布中, 春季, 长三角北部地区AE处低值区, 浙江南部AE为高值区, 这是由于长江中下游地区地势平坦, 易于中国西北沙漠地区的沙尘气溶胶的输送与扩散.而浙江以南地区以山脉和丘陵地形为主, 沙尘气溶胶粒子扩散受阻使得对当地气溶胶空间分布的影响没有长江北部强[28].夏、秋和冬三季, 较春季相比AE高值区面积增大, 高AE值表明了大气中由生物量燃烧和化石燃料燃烧引起的人为细气溶胶增加[10].
|
图 4 2001~2018年季平均及年平均AE的空间分布 Fig. 4 Spatial distribution of seasonal and annual average AE during 2001-2018 |
图 5反映了AOD和AE、GDP的年际变化. 2001~2018年AOD的年均值在0.40~0.67之间, 研究区近18年的AOD年均值为0.55, 2011年最高, 2018年最低. 2003~2007年, AOD增长显著, 增长率为23%, 主要是由于经济的快速发展导致的[29]. 2008~2009年, AOD的下降可能与2008年北京奥运会有关, 当时中国的空气污染问题已被媒体关注, 因此政府实施了一系列的减排措施, 除此之外还可能与2008年全球经济危机有关[30]. 2011年以后, AOD逐渐下降, 环保政策的实施效果日益显著.AE的年均值的范围1.04~1.43, 研究区近18年的AE年均值为1.29, 2003年最高, 2001年最低. 2001~2003年, AE增长迅速, 增长率为37%, 经济发展使人为产生的气溶胶增多. 2012年以后, AE逐渐下降, 绿色生态发展使空气中的人为气溶胶减少.
|
图 5 2001~2018长三角地区AOD、AE和GDP的年际变化 Fig. 5 Annual changes of AOD, AE, and GDP in the Yangtze River Delta Region during 2001-2018 |
图 6中AOD和AE有明显的月变化, 表明不同来源区域的气溶胶类型和颗粒大小存在差异.在整个研究期中, AOD月平均值最高为6月, 月平均值为0.84, 可能是由于华北平原处于秸秆焚烧的高峰期以及人类活动强度增强造成的[31, 32].而8月的月均值最低, 为0.40, 可能是由于夏季雨量充沛, 将浑浊的空气进行了冲刷[33]. 2、3月的AOD月均值较高, 7~9月的月平均较低, 而从图 7中可以看出, 春夏两季的AOD季均值高, 而冬季的AOD季均值低, 这可能是由于每月样本的选择与样本数不同造成的.AE月平均最高值出现在9月, 为1.47, 可能由于秸秆焚烧等人类活动产生的人为气溶胶增多造成的, 最低值在3月为1.08, 可能是受到春季沙尘天气的影响.从图 7关于AE的季节变化得出, 秋季AE值最高, 平均值为1.35±0.13, 春季AE值最低, 平均值为1.18±0.16.
|
图 6 2000~2018年长三角AOD和AE的月均值变化 Fig. 6 Monthly mean distribution of AOD and AE in Yangtze River Delta during 2000-2018 |
|
图 7 2001~2018年长三角AOD和AE的季均值变化 Fig. 7 Seasonal mean distribution of AOD and AE in the Yangtze River Delta during 2001-2018 |
图 8是基于AOD和AE日均值得出的频率.结果发现, 有效数据天数中, 50%的天数AOD < 0.3, 大气比较清洁, 34%的天数AOD>0.5, 大气污染较为严重.四季均有数天AOD>2.0. Angström指数是衡量气溶胶粒子大小的一个重要光学参数.AE的值越小, 说明大气中气溶胶粗粒子增加, AE的值越大, 说明大气中污染物以细粒子为主[34]. 47%的天数AE>1.3, 说明影响长三角地区大气气溶胶的主要是细粒子.
|
图 8 2000~2018年每日AOD和AE的频率 Fig. 8 Daily AOD and AE frequencies during 2000-2018 |
了解气溶胶的各种类型在长三角地区的变化有助于对气溶胶模型进行微调, 以减少气溶胶辐射强迫效应和气候效应的不确定性.为了有效地对气溶胶类型进行分类, 采用了AOD和AE的日均值.依据国内外学者对气溶胶的分类方法[11, 35], 将气溶胶类型主要分为清洁海洋型(AOD < 0.2和AE < 0.9)、清洁大陆型(AOD < 0.2和AE>1.0)、城市工业型(AOD>0.3和AE>1.0)、沙漠粉尘型(AOD>0.5和AE < 0.7)和不属于这些类型的混合型5种类型.从图 9中可以看出, 研究区域内存在各种类型的气溶胶.在整个研究期间, 城市工业型所占比重最大, 说明与改革开放以来长三角地区经济持续快速增长密切相关.其次为混合型, 可能与长三角地区气溶胶来源的复杂性相关.而在利用MODIS C5.1暗目标法对长三角地区气溶胶分类的结果中, 混合气溶胶占比最大, 城市工业型其次[11].四季气溶胶类型分类中, 城市工业型所占比重都为最大, 春季中, 沙漠粉尘型气溶胶占比较其他季节大, 可能是受北方沙尘粒子远距离输送的影响[36], 夏季城市清洁型气溶胶占比较其他季节大, 可能与夏季雨水充沛有关.秋冬两季混合型其次, 接着为清洁大陆型, 其他类型占比较小.
|
图 9 2000~2018年主要气溶胶类型的四季日值分类和年度累计日值分类及其贡献百分比 Fig. 9 Seasonal and annual cumulative classification of major aerosol types based on daily data and their contribution percentage during 2000-2018 |
(1) Terra-MODIS C061 DB AOD与AERONET AOD的一致性较高, 相关系数R为0.88, 均方根误差(RMSE)为0.22, 且落在期望误差(EE)范围内的样本数百分比为68.17%, 说明C061 DB算法适用于长三角地区.
(2) 本研究期间, 长江三角洲AOD的空间分布为北部和东部地区高, 南部和西部地区低, 时间分布上, AOD季均值中夏季和春季数值高, 冬季数值低.月平均AOD值显示, AOD月均值6月最高, 8月最低.AE的空间分布为南部地区高北部地区低, 时间分布上, AE季均值秋季最高, 春季最低；AE月均值9月最高, 3月最低.
(3) 在21世纪初, 长三角地区AOD值逐渐增长, AE增长迅速, 主要与该地区经济的增长有关.而近三年的AOD年均值较往年偏低, 这表明该地区贯彻绿色生态可持续的发展理念, 环境整治初见成效.
(4) 长三角地区气溶胶类型分类中, 城市工业型气溶胶类型较其他类型所占比例最大, 其次为混合型和清洁大陆型, 其他类型占比较小.城市工业型气溶胶类型在4个季节气溶胶类型分类中所占比例都为最大, 春季沙漠粉尘型占比较其他季节大, 夏季清洁大陆型占比较其他季节大, 秋冬两季混合型其次, 接着为清洁大陆型, 其他类型占比较小.
| [1] | Stevens B. Rethinking the lower bound on aerosol radiative forcing[J]. Journal of Climate, 2015, 28(12): 4794-4819. DOI:10.1175/JCLI-D-14-00656.1 |
| [2] | Christopher S A. Satellite remote sensing methods for estimating clear sky shortwave top of atmosphere fluxes used for aerosol studies over the global oceans[J]. Remote Sensing of Environment, 2011, 115(12): 3002-3006. DOI:10.1016/j.rse.2011.06.003 |
| [3] |
胡俊, 亢燕铭, 陈勇航, 等. 基于MODIS_C006的乌鲁木齐10年气溶胶光学厚度变化特征[J]. 环境科学, 2018, 39(8): 3563-3570. Hu J, Kang Y M, Chen Y H, et al. Analysis of aerosol optical depth variation characteristics for 10 years in Urumqi based on MODIS_C006[J]. Environmental Science, 2018, 39(8): 3563-3570. |
| [4] | Di Q, Kloog I, Koutrakis P, et al. Assessing PM2.5 exposures with high spatiotemporal resolution across the continental United States[J]. Environmental Science & Technology, 2016, 50(9): 4712-4721. |
| [5] |
徐建辉, 江洪. 长江三角洲PM2.5质量浓度遥感估算与时空分布特征[J]. 环境科学, 2015, 36(9): 3119-3127. Xu J H, Jiang H. Estimation of PM2.5 concentration over the Yangtze Delta using remote sensing:Analysis of spatial and temporal variations[J]. Environmental Science, 2015, 36(9): 3119-3127. |
| [6] | Yu X N, Kumar K R, Lü R, et al. Changes in column aerosol optical properties during extreme haze-fog episodes in January 2013 over urban Beijing[J]. Environmental Pollution, 2016, 210: 217-226. DOI:10.1016/j.envpol.2015.12.021 |
| [7] |
饶加旺, 马荣华, 段洪涛, 等. 太湖上空大气气溶胶光学厚度及其特征分析[J]. 环境科学, 2012, 33(7): 2158-2164. Rao J W, Ma R H, Duan H T, et al. Aerosol optical thickness of the atmospheric aerosol over Taihu Lake and its features:results of in-site measurements[J]. Environmental Science, 2012, 33(7): 2158-2164. |
| [8] |
张勇, 银燕, 刘藴芳, 等. 北京秋季大气气溶胶光学厚度与Angström指数观测研究[J]. 中国环境科学, 2014, 34(6): 1380-1389. Zhang Y, Yin Y, Liu Y F, et al. A observational study of aerosol optical depth and angstrom wavelength exponent over Beijing in autumn[J]. China Environmental Science, 2014, 34(6): 1380-1389. |
| [9] | Kang N, Kumar K R, Hu K, et al. Long-term (2002-2014) evolution and trend in collection 5.1 Level-2 aerosol products derived from the MODIS and MISR sensors over the Chinese Yangtze River Delta[J]. Atmospheric Research, 2016, 181: 29-43. |
| [10] | Li S, Wang T J, Xie M, et al. Observed aerosol optical depth and angstrom exponent in urban area of Nanjing, China[J]. Atmospheric Environment, 2015, 123: 350-356. DOI:10.1016/j.atmosenv.2015.02.048 |
| [11] | Kumar K R, Kang N, Yin Y. Classification of key aerosol types and their frequency distributions based on satellite remote sensing data at an industrially polluted city in the Yangtze River Delta, China[J]. International Journal of Climatology, 2018, 38(1): 320-336. DOI:10.1002/joc.5178 |
| [12] | Wang X Y, Guo Z Y, Wang Y Y, et al. Monitoring temporal-spatial variations of AOD over the Yangtze River Delta, China[J]. Stochastic Environmental Research and Risk Assessment, 2018, 32(9): 2619-2632. DOI:10.1007/s00477-018-1575-4 |
| [13] |
高嵩, 许潇锋, 陶风波, 等. 长三角地区近10年气溶胶时空分布特征[J]. 环境科学与技术, 2017, 40(9): 192-202. Gao S, Xu X F, Tao F B, et al. Temporal and spatial distributions of aerosols over the Yangtze River Delta region in recent 10 years[J]. Environmental Science & Technology, 2017, 40(9): 192-202. |
| [14] |
肖钟湧, 江洪, 陈健, 等. 杭州市大气气溶胶光学特性研究[J]. 环境科学学报, 2011, 31(8): 1758-1767. Xiao Z Y, Jiang H, Chen J, et al. Monitoring the aerosol optical properties over Hangzhou using remote sensing data[J]. Acta Scientiae Circumstantiae, 2011, 31(8): 1758-1767. |
| [15] | Filonchyk M, Yan H W, Zhang Z R. Analysis of spatial and temporal variability of aerosol optical depth over China using MODIS combined dark target and deep blue product[J]. Theoretical and Applied Climatology, 2019, 137(3-4): 2271-2288. DOI:10.1007/s00704-018-2737-5 |
| [16] |
张云, 肖钟湧. 云南省气溶胶光学厚度时空变化特征的遥感研究[J]. 中国环境监测, 2016, 32(2): 127-133. Zhang Y, Xiao Z Y. Temporal-spatial variations characteristics of aerosol optical thickness using satellite remote sensing over Yunnan province, China[J]. Environmental Monitoring in China, 2016, 32(2): 127-133. DOI:10.3969/j.issn.1002-6002.2016.02.021 |
| [17] | Tian X P, Liu Q, Li X H, et al. Validation and comparison of MODIS C6.1 and C6 aerosol products over Beijing, China[J]. Remote Sensing, 2018, 10(12): 2021. DOI:10.3390/rs10122021 |
| [18] | Sayer A M, Hsu N C, Lee J, et al. Validation, stability, and consistency of MODIS collection 6.1 and VIIRS version 1 deep blue aerosol data over land[J]. Journal of Geophysical Research:Atmospheres, 2019, 124(8): 4658-4688. DOI:10.1029/2018JD029598 |
| [19] | Wang Y, Yuan Q Q, Li T W, et al. Evaluation and comparison of MODIS collection 6.1 aerosol optical depth against AERONET over regions in China with multifarious underlying surfaces[J]. Atmospheric Environment, 2019, 200: 281-301. |
| [20] | Rupakheti D, Kang S C, Bilal M, et al. Aerosol optical depth climatology over Central Asian countries based on Aqua-MODIS collection 6.1 data:aerosol variations and sources[J]. Atmospheric Environment, 2019, 207: 205-214. DOI:10.1016/j.atmosenv.2019.03.020 |
| [21] | Remer L A, Kleidman R G, Levy R C, et al. Global aerosol climatology from the MODIS satellite sensors[J]. Journal of Geophysical Research:Atmospheres, 2008, 113(D14): D14S07. |
| [22] | Mhawish A, Banerjee T, Broday D M, et al. Evaluation of MODIS collection 6 aerosol retrieval algorithms over Indo-Gangetic Plain:Implications of aerosols types and mass loading[J]. Remote Sensing of Environment, 2017, 201: 297-313. DOI:10.1016/j.rse.2017.09.016 |
| [23] | Giles D M, Sinyuk A, Sorokin M G, et al. Advancements in the aerosol robotic network (AERONET) version 3 database-automated near-real-time quality control algorithm with improved cloud screening for sun photometer aerosol optical depth (AOD) measurements[J]. Atmospheric Measurement Techniques, 2019, 12(1): 169-209. DOI:10.5194/amt-12-169-2019 |
| [24] | Petrenko M, Ichoku C, Leptoukh G. Multi-sensor aerosol products sampling system (MAPSS)[J]. Atmospheric Measurement Techniques, 2012, 5(5): 913-926. DOI:10.5194/amt-5-913-2012 |
| [25] | Luo Y X, Zheng X B, Zhao T L, et al. A climatology of aerosol optical depth over China from recent 10 years of MODIS remote sensing data[J]. International Journal of Climatology, 2014, 34(3): 863-870. DOI:10.1002/joc.3728 |
| [26] | Deng X L, Shi C N, Wu B W, et al. Analysis of aerosol characteristics and their relationships with meteorological parameters over Anhui province in China[J]. Atmospheric Research, 2012, 109-110: 52-63. DOI:10.1016/j.atmosres.2012.02.011 |
| [27] | Cheng T T, Xu C, Duan J Y, et al. Seasonal variation and difference of aerosol optical properties in columnar and surface atmospheres over Shanghai[J]. Atmospheric Environment, 2015, 123: 315-326. DOI:10.1016/j.atmosenv.2015.05.029 |
| [28] | Yu X N, Lü R, Kumar K R, et al. Dust aerosol properties and radiative forcing observed in spring during 2001-2014 over urban Beijing, China[J]. Environmental Science and Pollution Research, 2016, 23(15): 15432-15442. DOI:10.1007/s11356-016-6727-9 |
| [29] | Qin W M, Liu Y, Wang L C, et al. Characteristic and driving factors of aerosol optical depth over mainland China during 1980-2017[J]. Remote Sensing, 2018, 10(7): 1064. DOI:10.3390/rs10071064 |
| [30] | He Q Q, Zhang M, Huang B. Spatio-temporal variation and impact factors analysis of satellite-based aerosol optical depth over China from 2002 to 2015[J]. Atmospheric Environment, 2016, 129: 79-90. DOI:10.1016/j.atmosenv.2016.01.002 |
| [31] | Kang N, Kumar K R, Yu X N, et al. Column-integrated aerosol optical properties and direct radiative forcing over the urban-industrial megacity Nanjing in the Yangtze River Delta, China[J]. Environmental Science and Pollution Research, 2016, 23(17): 17532-17552. DOI:10.1007/s11356-016-6953-1 |
| [32] |
高雅琴, 王红丽, 景盛翱, 等. 上海夏季PM2.5中有机物的组分特征、空间分布和来源[J]. 环境科学, 2018, 39(5): 1978-1986. Gao Y Q, Wang H L, Jing S A, et al. Chemical characterization, spatial distribution, and source identification of organic matter in PM2.5 in summertime Shanghai, China[J]. Environmental Science, 2018, 39(5): 1978-1986. |
| [33] |
李莹, 朱益民, 夏淋淋, 等. 长江流域夏季不同强度降水日数的时空变化特征[J]. 气象科学, 2017, 37(6): 808-815. Li Y, Zhu Y M, Xia L L, et al. Spatiotemporal variation of different intensity rainfall in the Changjiang River Basin in summer[J]. Journal of the Meteorological Sciences, 2017, 37(6): 808-815. |
| [34] | Dubovik O, Holben B, Eck T F, et al. Variability of absorption and optical properties of key aerosol types observed in worldwide locations[J]. Journal of the Atmospheric Sciences, 2002, 59(3): 590-608. DOI:10.1175/1520-0469(2002)059<0590:VOAAOP>2.0.CO;2 |
| [35] | Boiyo R, Kumar K R, Zhao T L. Spatial variations and trends in AOD climatology over East Africa during 2002-2016:a comparative study using three satellite data sets[J]. International Journal of Climatology, 2018, 38(1): e1221-e1240. |
| [36] |
齐冰, 车慧正, 徐婷婷, 等. 基于地基遥感的杭州地区气溶胶光学特性[J]. 环境科学, 2019, 40(4): 1604-1612. Qi B, Che H Z, Xu T T, et al. Column-integrated aerosol optical properties determined using ground-based sun photometry measurements in the Hangzhou region[J]. Environmental Science, 2019, 40(4): 1604-1612. |