2023, Vol. 44
2. 南京信息工程大学气象灾害教育部重点实验室, 气象灾害预报预警与评估协同创新中心, 南京 210044;
3. 南京大学大气科学学院, 南京 210023;
4. 南京气象科技创新研究院中国气象局交通气象重点开放实验室, 南京 210041
2. Key Laboratory of Meteorological Disaster(KLME), Ministry of Education, Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(CIC-FEMD), Nanjing University of Information Science & Technology, Nanjing 210044, China;
3. School of Atmospheric Sciences, Nanjing University, Nanjing 210023, China;
4. Key Laboratory of Transportation Meteorology of China Meteorological Administration, Nanjing Joint Institute for Atmospheric Sciences, Nanjing 210041, China
以细颗粒物(PM2.5, 空气动力学直径小于2.5 μm的颗粒物)和臭氧(O3)为主要污染物的大气复合污染是当今社会的热点问题之一.细颗粒物是大气边界层内的重要污染物, 颗粒物污染会导致心脑血管疾病、呼吸系统疾病、肺癌甚至过早死亡[1].对流层臭氧同样是重要的大气污染物, 它能够危害人体健康, 影响植被生长, 并对区域气候产生重要的影响[2].近年来, 随着《大气污染防治行动计划》和《打赢蓝天保卫战三年行动计划》等计划的实施, 我国空气质量持续改善, 大气颗粒物污染逐渐减轻.然而, 大气臭氧浓度逐渐升高, 重点城市地区的臭氧污染抬头, 并呈现出细颗粒物与臭氧共同作用的大气复合污染.目前, 复合污染问题已成为制约我国空气质量持续改善的关键问题.为解决这一问题, 首先要深入理解城市大气PM2.5和O3的污染结构特征, 其次要发展相关探测手段与智能算法, 实现对污染的精准溯源, 最终才能针对不同地区不同污染源设计合理的污染防治手段, 实现对大气细颗粒物与臭氧污染的协同控制, 推进大气环境治理.
随着空气动力技术、复合材料、信息化技术和传感器技术等的发展, 无人机技术发展迅速, 为大气污染探测与溯源提供了新的实验平台.无人机技术的应用, 可以弥补传统探测方法的不足, 大大提高大气污染探测的空间广度和时空分辨率精度, 有助于建立完整的城市尺度大气污染的三维结构模型, 强化大气污染靶向定位, 为溯源治理提供科学依据.本文回顾了传统的大气污染探测方法, 从无人机飞行平台类型、无人机载大气污染探测仪器、无人机PM2.5和O3污染探测、无人机大气污染溯源等角度, 总结了无人机技术在大气污染探测与溯源领域的应用, 并探讨了无人机技术在大气污染监测领域的发展前景.
1 传统大气污染探测方法 1.1 地面站点监测传统的大气污染探测主要基于离散的地面监测点位, 使用自动或手动的监测仪器对环境空气质量进行样品采集、处理和分析.2012年, 中国环境保护部发布了《环境空气质量标准(GB 3095-2012)》[3], 规定了环境空气功能区分类、各项环境空气污染物浓度限值、监测方法、数据统计的有效性等行业标准.2013年以来, 随着国控站点数量的增加, 逐渐建立了大气污染国控质量监测站点网络, 实时监测6种大气污染物, 即PM2.5、PM10(空气动力学直径小于10 μm的颗粒物)、二氧化硫(SO2)、二氧化氮(NO2)、O3和一氧化碳(CO).近年来, 有大量基于监测站点数据的空气质量研究, 董佳丹等[4]研究发现, 2015~2019年, PM2.5是6种大气污染物中唯一年均值超标的污染物, 但PM2.5的年均浓度整体呈现下降趋势, 2019年与2015年相比降低了4.5%, 而O3的年均浓度上升了0.79%, 目前中国大气污染以PM2.5和O3为主.Zhang等[5]分析了近20年来的大气污染变化趋势, 同样发现了颗粒物浓度的明显下降趋势.地面站点监测的时间连续性高, 有利于大气污染的趋势分析和预报, 然而站点检测方法还具有一定的局限性: 首先, 空间代表性有限, 例如长三角地区国控点对PM2.5的空间分布代表范围仅占总面积的63.23%[6]; 其次, 探测高度有限, 国控点等传统地面监测站点仅探测地表污染物浓度, 铁塔观测虽然可以进行垂直探测, 但一般局限于500 m以内[7].
1.2 卫星遥感探测基于卫星的大气成分遥感探测能够获取更大空间范围上的大气成分信息, 并反演出不同高度上的细颗粒物和臭氧浓度.已经成功发射的美国Aqua、Aura和CALIPSO(cloud-aerosol lidar and infrared pathfinder satellite observation)卫星, 日本葵花八号卫星(Himawari-8), 中国风云四号卫星(FY-4)等均搭载了相关的大气成分探测器, 能够对大气细颗粒物或臭氧进行浓度的探测和反演.Prijith等[8]使用CALIPSO卫星数据分析了颗粒物在全球6 km以下各高度层的分布, 发现陆地地区颗粒物分布季节变化较大, 颗粒物垂直分布的最大高度出现在北半球夏季的非洲东北部和西北部地区.CALIPSO的星下点分辨率高达330 m, 但是受空间覆盖率的影响, 在实际研究中可使用的卫星数据水平分辨率仅为2°×5°[8].Shen等[9]将OMI探测仪(ozone mapping instruments, 搭载于Aura卫星)获得的卫星数据与中国地面环境监测站的臭氧浓度监测数据进行了对比分析, 发现OMI能较好地再现中国东部地区多年平均的夏季午后臭氧浓度的空间分布, 但卫星观测在大气边界层内的灵敏度有限.
1.3 系留气球探空系留气球探空可以有效解决卫星探测在对流层内分辨率较低的问题, 尤其是在人类活动旺盛的边界层内.Zhang等[10]使用系留气球探测边界层内不同粒径颗粒物数浓度的垂直分布, 发现粒径在200 nm以内的颗粒物主要分布于近地面层, 粒径为200~661.2 nm的粗颗粒物主要分布于400 m以上的高度.Zhang等[11]针对O3和NOx在春季的垂直分布, 在上海市开展了为期12 d的系留气球探空, 结果发现在0~1 000 m高度内, O3的垂直廓线呈现明显的昼夜特征.然而气球探空受天气影响较大, 释放频率有限, Zhang等[11]在探空实验中每日释放探空气球2~12次, 探测高度和时间存在一定的不稳定性.
1.4 地基激光雷达地基激光雷达系统较为稳定, 与探空相比, 不受气球释放频率和风速大小的影响.激光雷达发射系统中的激光器激发激光脉冲, 向大气发射激光光束, 激光光束在大气中产生后向散射, 由接收系统接受回波信号, 并通过信号解析系统进行分析.通常使用532 nm波长的激光对颗粒物进行探测, 并根据接收到的后向散射信号进行PM2.5浓度反演.Tao等[12]利用激光雷达探测发现, 在边界层内PM2.5的垂直分布具有多层结构, 并且在重污染天气下, 颗粒物被抬升到较高高度, 便于进一步传输到其他区域.O3等污染气体的探测通常基于差分吸收激光雷达技术(DIAL), 利用气体对不同波长激光的吸收差异反演待测气体的浓度.Xing等[13]在上海使用地基臭氧激光雷达进行垂直探测, 观测结果表明, O3不仅在地表生成, 在1.1 km左右高度处也有较强生成, O3在对流层内的浓度分布主要和挥发性有机物(VOCs)浓度相关.但是, 由于发射系统和望远镜接收系统的视场几何重叠问题, 激光雷达在近地面几百米内的探测仍存在不确定性[14, 15].
1.5 有人飞机探测基于有人飞机的大气污染物观测出现于20世纪80年代初[16], 一般使用改装的民航客机或多用途运输机, 搭载相关的大气气溶胶和污染气体探测设备进行探测.陈鹏飞等[17]使用轻型双发多用途运输机Y-12(运-12)搭载大气探测设备, 在北京地区上空进行了氮氧化物(NOx)、SO2、CO和O3等污染物的飞行探测, 发现在1 500 m左右存在污染气体浓度分界线.运-12飞机的最大升限为7 000 m, 最大载重1 700 kg, 续航时间4.4 h, 然而运-12的飞行高度性能较差, 在实际飞行中往往达不到理想的高度[18].改装后的夏延ⅢA飞机飞行高度较高, 最大升限为10 925 m, 董晓波等[19]在华北地区重度霾过程期间使用夏延ⅢA搭载机载PMS粒子测量系统, 分析了气溶胶粒子的微物理垂直特征.郑博华等[20]使用空中国王350i飞机, 搭载DMT粒子测量系统, 在吐鲁番和若羌地区开展冬季气溶胶垂直分布探测, 该飞机的最大升限为8 400 m, 最大载重7 200 kg.我国的有人飞机探测通常基于改装的人工增雨飞机, 建造和使用成本较高, 且飞行航线一般结合人工降雨作业设计, 灵活度较低.此外, 有人飞机需要一定数量的机组成员, 存在人员安全风险, 无法在高风险地区或有害区域执行观测任务.
1.6 传统探测方法的局限性传统的大气污染探测方法还包括差分吸收光谱技术(DOAS)、舰载或车载激光雷达等.但传统的探测方法存在着不同的问题(表 1), 例如存在时间和空间上的局限性, 无法兼顾时间分辨率、空间分辨率和空间探测广度; 并且, 观测灵活度有限, 无法深入高风险地区或有害区域; 另外, 传统的大气污染探测代价高昂, 布点探测需要大量的传感器和设备, 探测卫星的发射和维护成本高昂, 激光雷达也需要不菲的研发和维护费用.而无人机成本相对较低, 其飞行高度可达几百至几十千米, 可以搭载大气污染传感器进行边界层内垂直或水平大气污染探测, 能够弥补激光雷达在近地面几百米内的探测盲区, 可以进行高时间、空间分辨率的重污染事件加密观测和跟踪溯源, 并且可以在危险环境下进行探测作业.因此, 无人机在大气环境监测和污染探测领域具有巨大优势.
|
表 1 传统大气污染物探测方法及其特征 Table 1 Traditional air pollutant detection methods and their characteristics |
2 无人机飞行平台
常见的无人机飞行平台有固定翼无人机、旋翼无人机和扑翼无人机等.在大气环境监测和污染溯源领域, 通常使用固定翼型和旋翼型无人机, 其中旋翼型又可分为无人直升机和多旋翼无人机(表 2).
|
|
表 2 固定翼无人机和旋翼型无人机的特征 Table 2 Characteristics of fixed wing UAV and rotary wing UAV |
2.1 固定翼无人机
固定翼无人机的外观和传统民航飞机相似, 在机身两侧有固定的机翼, 由动力系统和机翼实现飞行.固定翼无人机的飞行稳定性高、续航时间长、载重能力强, 能够进行长时间高强度的作业.在传感器搭载方面, 由于其高载重能力和高稳定性, 固定翼无人机可以搭载更多的传感器, 并且安装灵活[21].固定翼无人机的航速高, 飞行覆盖范围更大, 探测区域更广.Harrison等[22]首次使用零排放的AMR Payload Master 100固定翼无人机搭载气溶胶光谱仪, 在不同的高度进行了4次飞行, 定量测量了颗粒物的尺寸分布及其垂直、水平和时间变化.Corrigan等[23]使用Manta固定翼无人机在印度洋上空进行颗粒物浓度探测, Manta最大起飞重量为27 kg, 有效载荷为5 kg, 巡航速度最大为31 m ·s-1, 可以飞行5 h, 航程高达550 km.然而, 固定翼无人机的高空间覆盖度是以降低空间分辨率为代价的, 并且需要起飞和降落跑道, 例如德国不伦瑞克技术大学研发的Carolo P360 ALADINA固定翼无人机, 需要尺寸约60 m×25 m的表面平坦的机场跑道[24].此外, 固定翼无人机有最低的工作高度限制, 不能在某一指定地点实现空中悬浮[25].
2.2 旋翼型无人机旋翼型无人机, 如无人直升机(单旋翼)和多旋翼飞机(四旋翼、六旋翼、八旋翼等), 运行速度相对较低, 但可以实现垂直起降、空中悬停, 起飞着陆场地小, 飞行方向灵活, 空间分辨率较高, 可用于污染的近距离监测[26].
无人直升机只有一个主动力桨, 其飞行动力主要由系统顶部的大型螺旋桨提供, 此外, 在飞机尾部有一个小型螺旋桨用于抵消主动力桨所产生的反扭力.与有人直升机相比, 无人直升机造价更低、体积更小, 在危险环境下(如军事侦查、火山喷发、森林大火)的生存能力更强, 且不存在人员伤亡. 2013~2019年期间, 樱岛火山频繁喷发, 日本的研究团队使用无人直升机Yamaha RMAX G1搭载Multi-GAS多成分气体分析系统, 对火山烟羽进行测量, 估算火山气体成分[27].2018年草津白根火山喷发后, Koyama等[28]使用Yamaha FAZER R G2无人直升机对火山附近地区进行了磁场强度探测和分析.针对大气边界层内的污染气体, Lin等[29]利用无人直升机平台Gaui-X7对中国台湾高雄高污染地区的气溶胶和臭氧开展探测. Düsing等[30]使用无人直升机搭载ACTOS探测器, 针对气溶胶粒径分布、气溶胶数浓度、云凝结核数浓度以及气象参数进行了测量, 并结合地面激光雷达验证了无人直升机探空的有效性.
多旋翼无人机有多个动力桨, 例如四旋翼无人机(DJI M300和Hi-Drone M600), 六旋翼无人机(DJI M600和CEEWA X8), 八旋翼无人机(DJI S1000和Prodrone PD8-AW-HR).与无人直升机相似, 多旋翼无人机可以通过螺旋桨的高速旋转产生向上的升力, 实现垂直起降.不同的是, 无人直升机依靠主动力桨的桨距变化, 改变旋翼的拉力方向, 从而实现前后飞行, 并通过改变尾桨的桨距实现转向; 而多旋翼无人机的螺旋桨都是不可变距的, 主要依靠多个螺旋桨的不同转速实现平飞和转向.多旋翼无人机的机械结构可靠性高, 固定翼无人机和无人直升机的机身都有活动关节, 在飞行过程中容易产生磨损, 而多旋翼无人机机架多为固定结构, 机械磨损小, 结构可靠且容易维护.但需要注意的是, 多旋翼无人机搭载传感器进行探测时, 旋翼形成的扰流场可能会对探测结果产生影响, 导致探测误差.沈奥等[26]发现探测设备在多旋翼无人机上的安装位置会对探测精度产生影响, 例如颗粒物与气体的惯性差异会导致传感器采集的空气样本中颗粒物的含量与真实值不一致, 结合流场分析发现, 气象和污染物探测传感器应当安装在靠近无人机中心轴的位置, 并且在高度上应当靠近旋翼旋转平面的相对静风区, 重量较轻、精度要求较高的探测设备可安装在无人机上方, 重量较大、精度要求较低的设备可安装在无人机下方.
3 无人机载探测仪器无人机平台可以搭载多种PM2.5和O3探测仪器(表 3)开展浓度监测或样本收集, 本节介绍当今主流的无人机载PM2.5和O3探测仪器.
|
|
表 3 无人机平台可搭载的大气颗粒物与臭氧探测仪器类型 Table 3 Types of UAV-based detection instruments for monitoring fine particulate matter and ozone |
3.1 PM2.5探测仪器
在传统的站点监测中, 颗粒物的探测方法主要为微量振荡天平法和β射线法.无人机探测中, 常用的大气颗粒物实时探测仪大多是基于光的散射原理, 此类仪器体积小、重量轻和响应速度快, 适用于多种无人机平台.牛记等[34]设计的基于六旋翼无人机的PM2.5测量系统搭载了美国GE公司生产的SM-PWM-01A粉尘传感器, 该传感器是基于红外光设计的, 当颗粒物通过LED发射的红外光时会产生散射光, 接收传感器检测到该光线, 根据光强的大小计算空气中PM2.5和PM10的浓度, 测量范围为0.01~2.0 mg ·m-3.与红外型传感器相比, 激光型传感器的启动速度更快, 测量分辨率更高.美国TSI公司生产的基于光散射激光光度计的SIDEPAK AM520型个体暴露粉尘仪, 可搭载于多旋翼无人机飞行平台, 使用波长为650 nm的激光, 能够提供粉尘、烟、雾的实时气溶胶质量浓度读数, 并可以通过更换切割头, 进行PM10、PM2.5和PM1等的测量, 测量范围为1~100 mg ·m-3, 分辨率1 μg ·m-3[35].北京攀藤科技生产的激光型PM2.5传感器PMS3003, 可搭载于多旋翼无人机平台, 其测量范围为0~1.0 mg ·m-3, 分辨率为1 μg ·m-3[36].欧盟塞浦路斯研究所(Cyprus)无人系统研究实验室(USRL)研发的Cruiser固定翼无人机, 搭载了基于激光散射原理的MetOne 212-2颗粒物传感器, 用于检测直径范围为0.5~10.0 μm的大气颗粒物[37].有些研究使用的传感器采用多波段的激光, 如Skywalker固定翼无人机所搭载的COBALD气溶胶检测器结合了红外光(波长940 nm)和蓝光(波长455 nm), 可检测来自空气分子、颗粒物或云滴的后向散射光[38, 39].还有研究使用集成式多参数大气环境探测器, 如深圳市腾威测控技术有限公司生产的多参数大气环境探测器, 可以同时测量温度、相对湿度、高度和PM2.5浓度[31], 其中颗粒物浓度的测量基于激光型传感器, 测量误差为±10 μg ·m-3.
除了光散射原理外, 另一种主流的无人机载颗粒物探测仪器是基于多通道空气颗粒物采样的方法, 此类探测仪器体积和重量较大, 一般搭载于载重能力较强的固定翼无人机平台[40].例如, 美国Brechtel生产的Filter Sampler Model 9401包含8个过滤器通道, 可以获得多个样本并进行颗粒物分析.欧盟项目BACCHUS在地中海地区的野外探测实验中使用了FRIDGE PEAC单/多通道静电气溶胶采集器, 由Skywalker X8固定翼无人机搭载单通道PEAC(仪器重量0.6 kg), 由Cruiser固定翼无人机搭载多通道PEAC(仪器重量2.5 kg), 其中多通道PEAC可一次最多收集7个样本[40].此类仪器分多粒径通道将气流中的颗粒物静电吸附在石英膜或特氟龙膜上, 并通过透射电镜(TEM)或扫描电镜(SEM), 对采集的样本进行自动相分析、颗粒物分析以及形态学分析.
3.2 O3探测仪器一般情况下, 国控点或环境监测站使用紫外光度法和差分吸收光谱分析法进行O3探测.在无人机平台上, 常见的气体传感器有电化学传感器、半导体传感器、紫外吸收法传感器、催化燃烧式传感器、非分散红外(NDIR)传感器和光离子化检测(PID)传感器等.
电化学臭氧传感器是目前臭氧垂直探空和无人探测中的主流探测仪器类型之一.在电化学臭氧传感器中, O3在工作电极上发生电化学氧化还原反应, 产生一定强度的电流, 通过测定电流强度的大小即可判定O3的浓度.英国EN-SCI公司生产的ECC臭氧探空仪[41], 以及英国Alphasense公司生产的OX-B431传感器[42]均为电化学气体传感器.OX-B431传感器的测量范围(体积分数)为0~20×10-6, 灵敏度为-225×106~-550 ×106 nA.基于O3与碘化钾(KI)溶液发生的电化学反应, 中国科学院大气物理研究所研制的电化学臭氧探测仪IAP O3已在探空领域得到充分验证和应用[43].
半导体传感器一般使用在清洁空气中具有高导电性的半导体金属氧化物, 当待测气体O3存在时, 半导体的电导率会随着O3浓度的增加而降低, 通过电导率的变化即可反演O3的浓度.Alvear等[44]设计的六旋翼无人机探测平台上, 搭载了郑州炜盛电子科技有限公司生产的MQ-131气体传感器, 该传感器所使用的气敏材料为二氧化锡, 对O3的灵敏度高, 测量范围(体积分数)为10×10-9~1 000×10-9.
紫外吸收法臭氧传感器的设计基于比尔朗伯定律, O3对波长为253.7 nm的紫外光有特征吸收, 当该波长下的紫外光通过O3时会发生衰减, 通过测量吸收后的光强变化就可以反演出O3的浓度.王东升等[35]设计的六旋翼无人机大气污染观测平台使用美国2B POM袖珍式臭氧监测器, 2B POM为一种紫外臭氧传感器, 测量范围为0~10 mg ·m-3, 分辨率0.1 mg ·m-3.
除臭氧检测传感器外, 无人机还可以搭载其他小型气体传感器, 进行大气污染气体的测量, 例如基于催化燃烧热效应原理的催化燃烧式传感器可用于测量甲烷(CH4)浓度, 基于非分散红外技术的NDIR传感器可用于测量CO2气体浓度, 光离子化传感器可用于检测空气中的挥发性有机物(VOCs).上述气体的无人机测量对于大气环境监测和治理也有着重要意义.
4 基于无人机的PM2.5和O3污染探测无人机以其高灵活性、时效性、可操作性等优点, 已被逐渐应用于环境探测领域.目前, 国内外已有大量研究将固定翼、旋翼无人机与大气污染物探测设备相结合, 开展大气PM2.5和O3污染探测.
4.1 PM2.5探测Wang等[45]研制了基于六旋翼无人机的PM2.5和PM10三维立体监测系统, 系统主要由数据采集与处理、无线数据传输、全球定位系统(GPS)、地面测控子系统等模块组成, 通过与国家空气质量监测站进行对比校准发现, 无人机系统测量的PM2.5和PM10浓度的平均相对误差分别为6.2%和6.6%, 结果可靠.王东生等[35]研制的多旋翼无人机PM2.5监测系统与大载荷系留气艇平台探测结果进行对比, 发现不同探测平台得到的PM2.5浓度呈现较高的一致性, 相关系数达0.94以上, 证明无人机系统可有效用于大气环境中PM2.5浓度的监测.
在长三角地区, Li等[46]使用固定翼无人机搭载微型传感器开展颗粒物垂直探测, 发现对流层下部的PM2.5颗粒可能来自化石燃料燃烧, 夏季和秋季主要来自长三角地区的本地排放, 冬季来自中国北部和西北部的远距离传输.Peng等[47]使用固定翼无人机搭载移动监测设备, 在杭州进行1 000 m高度内的三维PM2.5质量浓度数据采集, 结果发现, 一般情况下PM2.5浓度随着高度的增加而降低, 但出现逆温层时例外, 并且上午PM2.5浓度的垂直递减率大于下午.苏春艳[48]使用四旋翼无人机平台在杭州市开展了颗粒物探测, 发现该地区的PM2.5浓度随高度上升呈波动增加的趋势, 与Peng等[47]的观测结果相反, 这可能是白天人为排放和气象条件变化共同作用的结果.Zhou等[49]在南京市开展了基于六旋翼无人机的观测实验, 研究发现气象要素与PM2.5质量浓度之间存在相关性, 高相对湿度、低风速和低温度的地面气象条件有利于PM2.5的累积, 同时在污染过程中观测到地表至4 000 m之间的沙尘气溶胶层, 结合轨迹分析判断颗粒物污染事件受到了西北风的长距离传输的影响.曹云擎等[31]在相似地区开展的基于六旋翼无人机的颗粒物观测实验同样发现了气象条件对污染物的影响, 研究发现逆温层的出现能有效地抑制PM2.5和水汽的垂直向上输送, 在夜间, 边界层高度降低和逆温层生成导致近地面PM2.5累积, 结合外部输送, 将进一步加重近地面的颗粒物污染.
在中国北部地区, Xin等[50]通过六旋翼无人机的探测发现, 相对湿度对PM2.5垂直廓线的影响最大, PM2.5在水面和绿地表面的垂直廓线呈先缓慢上升后下降的趋势, 距离水面和绿地表面10~30 m高度处的PM2.5浓度较高.
除常规垂直探测外, 无人机探测平台也被用于重度PM2.5污染过程的探测分析.Liu等[32]使用Hi-Drone M600型四旋翼无人机探测2017年冬季南京市重污染过程中的PM2.5垂直分布, 发现PM2.5垂直分布具有明显的三层结构特征, 混合层内接近恒定, 过渡层内局部梯度较大, 自由大气层内浓度低、梯度小, PM2.5浓度在边界层顶部附近出现累积.无人机探测数据还可以应用于大气数值模式结果的对比验证, Liu等[51]发现, 在重污染过程中, WRF-Chem数值模式对夜间边界层PM2.5浓度的模拟存在明显高估, 结合四旋翼无人机平台的观测数据, 增加参数化方案中涡流扩散率的最小值可以改善重污染过程中夜间PM2.5的模拟效果.
4.2 O3探测与PM2.5探测相比, 针对O3的无人机探测研究相对较少.在国际上, Illingworth等[52]使用Skywalker固定翼无人机在英国曼切斯特地区探测了局地O3浓度和大气热力学参数, 发现城市环境中存在局部的空间和时间变化, 而传统的地面仪器因分辨率较低则无法捕捉到这些变化梯度.在雨季期间, Guimarães等[53]在亚马逊中部城市地区使用无人直升机, 针对夜间边界层及大气O3浓度开展了垂直探测.研究采集了从地面到500 m高度的57个O3浓度、位温和绝对湿度的垂直廓线, 发现从地表到边界层顶部, O3浓度随高度的增加而增加, 可以根据O3浓度的突然变化来判断夜间边界层高度, 亚马逊雨林中部的城市地区夜间边界层高度大约在255~350 m之间.
在国内研究中, Li等[54]研究发现, 基于固定翼无人机的大气污染探测平台能够准确地捕捉中国东部地区O3和气象因素的时空变化, O3的垂直变化主要与气温的垂直分布以及其他地区的水平输送有关.在没有主要排放源的情况下, O3的水平分布变化与对流层下部气团的垂直对流强度有关.当O3的水平分布差异较小时通常伴随着较高的气温, 且底层地表多样性的影响较弱.通过对无人机采集的样本进行插值, 可以获得三维O3分布图, 能够清楚地表现对流层低层1 000 m以内O3的昼夜变化.Chen等[33, 55]在上海地区使用六旋翼无人机进行了臭氧探测实验, 结果表明, 地表臭氧浓度平均相对较低, 但是在高空, 臭氧浓度较高、变化较强, 最大臭氧体积分数可达220×10-9.根据无人机探测结果, 冬季中国东部地区的臭氧垂直廓线可以分为四类, 即均匀混合型、随高度增加型、分层型和峰值型.
4.3 PM2.5和O3协同探测近年来, 随着PM2.5和O3的复合污染问题的出现, 单一的PM2.5或O3观测已无法满足复合污染研究和治理的需求.为了深入理解大气PM2.5和O3的污染结构特征, 我国科学家利用最新的大气探测手段开展了一系列大气PM2.5和O3协同立体观测.Wu等[56]使用六旋翼无人机平台探测深圳城市地区的黑碳颗粒物(BC)和O3浓度的垂直分布, 发现BC浓度随探测高度的增加而降低, 而O3浓度随高度的增加而增加, 并且BC和O3浓度垂直廓线会受到边界层高度和气团来源的影响.在G20峰会期间, Li等[57]应用六旋翼无人机研究了输送过程对边界层PM2.5和O3垂直分布的影响, 结果表明, 区域输送主要发生在中上边界层, 导致边界层PM2.5和O3的垂直变化与高度正相关, 而再循环输送主要发生在下边界层, 导致边界层PM2.5和O3的垂直变化与高度呈负相关.Qu等[14]结合六旋翼无人机探测平台和地基激光雷达系统, 对南京市边界层PM2.5和O3进行垂直探测, 结果发现, O3浓度随高度增加而增加并在上边界层达到最大值, 而PM2.5浓度随高度下降, PM2.5和O3在650 m以下是负相关的, 相关系数随高度增加, 在1 875 m处达到最大值0.379.在边界层内, PM2.5和O3在有颗粒物污染[日平均ρ(PM2.5)>35 μg ·m-3]时呈现负相关, 而在无颗粒物污染时呈正相关.此类基于无人机平台的PM2.5和O3协同探测, 具有高时效性、高灵活性、高时空分辨率的特征, 有助于了解PM2.5和O3污染的分布特征、变化趋势以及相互关联, 为大气复合污染的协同控制提供了科学依据.
5 基于无人机的大气污染溯源为了进一步治理PM2.5和O3污染, 在实现污染物实时探测的基础上, 开展大气污染的精准溯源是精准治污的重要先决条件.在传统的大气污染研究中, 污染物排放源定位和分析常使用同位素、气相色谱-质谱、源解析数值模式等方法, 但传统的污染物来源解析方法存在时间滞后性, 无法进行污染源实时定位和分析, 导致溯源结果时效性较差, 且产生一定的不确定性.无人机作为移动监测平台, 通过搭载多种污染物传感器, 结合算法按照给定的搜寻策略进行路径规划, 可以实现对PM2.5、O3和其他大气污染的实时溯源定位和排放源跟踪.
5.1 经典算法广泛使用的经典溯源方法有Z字形算法和螺旋搜索算法.在Z字形算法(又称“之”字形算法)中[58], 无人机以一定的角度向上风方向飞行, 穿过烟羽.当无人机传感器检测到污染物浓度低于某个阈值时, 判定无人机已经飞抵烟羽的边缘.此时, 无人机重新测量风向并再次以一定到角度向上风方向飞行, 重复此过程, 形成Z字形的飞行轨迹, 直至到达源头时停止.Hayes等[59]提出了螺旋算法, 在该算法中探测仪器沿着逆风方向前进, 并根据污染物浓度变化和风向来判断下一步运行方向, 其运动轨迹呈螺旋形.但这类算法容易陷入局部最优, 并且依赖于稳定的流场信息.谢丽华等[60]基于Z字形溯源法和浓度梯度算法, 提出了变步长Z字形-浓度梯度大气污染物溯源算法, 改进后的算法在污染烟羽发现过程中的全局搜索能力更高, 并且在跟踪溯源过程中, 局部搜索能力更强, 误差更小.
5.2 仿生算法生物对气味的搜寻行为简单且高效, 仿生算法通过研究和模仿生物的行为来改进溯源算法.常见的污染源仿生搜寻策略有化学趋向性(chemotaxis)和风趋向性(anemotaxis).在化学趋向性算法中, 生物通过嗅觉等感官, 依据信息素的浓度梯度变化来搜寻气味源头, 此类算法模仿该过程进行污染物溯源.路光达等[61]基于扁形虫动态刺激反应和趋激性行为, 提出了一种仿生味源定位算法, 即通过对比多个传感器同时测得的浓度梯度, 对浓度变化差做出方向估计, 从而调整转向率, 在仿真实验中, 经过19步迭代可搜寻到污染源.这类刺激趋应性机制不依赖于绝对浓度, 并且不依赖于风向.风趋向性算法模仿生物在感知气味时逆风而上搜寻源头的行为, 来进行污染物溯源, 其缺陷是容易在气旋处陷入局部最优解.孟庆浩等[62]结合蚁群算法和逆风搜索, 提出了一种基于主动嗅觉协同搜索算法.路光达等[63]研究漂泊信天翁的捕猎行为, 发现漂泊信天翁能够在海域上空结合视觉和嗅觉联合搜索并捕食, 提出了基于漂泊信天翁的仿生主动搜索策略, 包含随机搜索、嗅觉跟踪、趋近、逆风搜索、味源判定和避障等行为模块.与单一化学趋向性或风趋向性算法相比, 这种视觉与嗅觉结合的仿生算法的目标信息资源更加丰富, 信息空间的分辨率更高, 提升了算法的鲁棒性和可信度.
5.3 智能算法近年来, 基于信息理论的智能算法逐渐应用于无人机污染物溯源中.魏顺成[36]提出了一种基于爬山算法的污染物溯源方法.爬山算法是一种局部择优的算法, 模拟整个爬山的过程, 以任意位置作为登山(检测)起始点, 将该点与感知范围内的临近点进行对比, 取更优解作为下一步的起始点, 确保每一步都在朝向山顶(最优解, 即源头)移动, 重复上述步骤直至在临近空间中没有比该点更优的点, 则搜寻到污染源头.爬山算法结构简单, 通过仿真实验发现, 在复杂紊流浓度场内爬山算法的定位误差平均不超过1 m, 结果可靠, 且可以避免风向信息的影响.但是爬山算法的步长会影响计算效率与溯源精度, 需要经过试验反复调整.崔学林等[64]提出了一种基于模糊控制的溯源算法, 在烟羽内的溯源效率与成功率较高, 稳态条件和复杂紊流条件下均表现出优越的性能, 具有良好的适用性和鲁棒性, 但是如果在初始状态时无人机未处于污染物的烟羽中, 可能会导致溯源任务的效率降低甚至失败.在污染溯源问题中, 由于浓度测量的稀疏性较高, Vergassola等[65]提出了基于贝叶斯估计和信息测度的Infotaxis搜寻算法.不同于传统基于梯度法的低鲁棒性, Infotaxis策略能够提升测量稀疏的情况下的污染溯源效果, 但计算复杂度较高.Hutchinson等[66]在Infotaxis的基础上, 应用基于KL散度的信息路径规划, 提出了Entrotaxis信息驱动算法, 实现了无人机探测平台的源参数估计和污染溯源.信息驱动算法的鲁棒性较强, 不依赖于污染物浓度梯度的信息, 但是计算负荷较大, 多数实验需要远程计算平台的协助, 限制了无人机溯源平台的灵活度和实用性.此外, 无人机探测结果还可以应用于大气数值模式中[67, 68], 对数值模式结果进行验证和修正, 提升城市大气环境污染物扩散数值模式的计算准确性和有效性, 提升数值模式的溯源效果.
6 展望 6.1 无人机平台性能提升无人机融合了多学科技术手段, 在大气PM2.5和O3污染探测领域有着广阔的发展前景.同时, 无人机平台还面临着动力源改进、高精度微型传感器研发、数据传输能力提升等方面的挑战.
动力源改进.固定翼无人机的动力源大多为燃气或燃油, 续航时间长且载重能力强.然而, 燃料燃烧产生的碳排放不仅会对公众健康、环境和地球的生态系统产生不利影响, 还会导致传感器进气管中采集到部分排放尾气, 进而使得污染物测量结果产生误差.轻型多旋翼无人机的动力源主要为锂聚合物电池, 续航时间较短.为减轻自身的起飞重量, 多旋翼无人机无法携带更重的大容量电池, 且无法携带较重的污染物探测设备, 导致探测时长较短、搭载传感器数量有限.较短的探测时长, 不仅限制了飞行距离和空间覆盖性, 还会带来飞行稳定性减弱、探测连续性降低等问题.因此, 改进无人机动力源、提高多旋翼无人机电池续航时间是当前亟待解决的问题.
高精度微型传感器研发.无人机的负载能力影响着飞行探测实验中探测仪器和设备的选取, 限制探测物种的数量.在提升动力源与负载能力的同时, 使用新型材料, 开发轻量化探测仪器, 发展微型传感器, 降低传感器的尺寸和重量, 有助于在无人机探测平台上搭载更多仪器设备, 并提升飞行的稳定性与续航.此外, 无人机飞行速度较高, 目前市售的气体传感器的响应时间仍较长, 探测实验中需要调整无人机飞行平台的移动速度, 以获得具有足够分辨率的数据.同时, 一些传感器存在着基线漂移、传感器中毒等问题.因此, 在传感器轻量化、小型化发展的同时, 提高传感器测量精度和反应灵敏度是十分重要的.
数据传输能力提升.在进行大气污染遥感探测与实时溯源时, 需要无人机平台将大量远程数据快速传输至地面控制站, 在溯源过程中, 还需要进行数据的快速运算与分析处理, 并对无人机的飞行方向进行实时调整, 这对无人机的地空通讯能力提出了更高的要求.提升高速宽带数据的传输能力、加强信息传输的抗干扰性、保证控制链路的稳定可靠性, 是基于无人机的大气污染监测技术的重要发展方向之一.
6.2 无人机大气污染探测无人机已成为大气污染探测的重要新兴技术手段.然而, 在当前的大气PM2.5和O3污染探测中, 通常使用单一的无人机平台搭载少量传感器开展个例研究.在未来研究中, 无人机平台可以进一步发挥高移动性、高效率、低风险、低成本、可编队的优势, 进一步增强污染探测的灵活性、构建精细化的PM2.5和O3同步三维立体探测、开展无人机探测与数值模式的联合研究, 促进PM2.5和O3的协同控制.
增强污染探测的灵活性.当前基于无人机平台的大气PM2.5和O3污染探测多为有计划性、有针对性的探测实验, 机动性较低, 尚未充分发挥无人机平台的高移动性和高灵活性优势.面对突发性污染事件, 如重污染传输、工厂泄漏、秸秆焚烧、突发火情等现象, 可组建无人机应急监测平台, 结合污染物探测传感器和污染溯源算法, 远程控制无人机在第一时间进行现场监测, 迅速回传污染物数据, 精准定位污染源头, 提升对突发事件的响应速度和应急处置能力.
构建精细化的PM2.5和O3同步三维立体探测.无人机不仅可以作为单一探测平台开展观测实验, 还可以开展联合观测, 进一步提升PM2.5和O3探测的数据精细度和完整性.一方面, 可以与地面监测站点、激光雷达等多种探测平台开展联合观测.无人机能够弥补地面监测站点空间代表性差、激光雷达存在探测盲区的缺点.包含无人机在内的多平台联合观测数据可以互相验证、互为补充, 有助于深入了解典型地区PM2.5和O3的污染结构.另一方面, 可以由多架无人机搭载相同的探测设备, 组建无人机编队在多点开展同步飞行, 形成立体化的三维污染探测网格, 构建污染物空间分布的精细三维结构.
开展无人机探测与数值模式的联合研究.无人机探测平台的发展可以为大气PM2.5和O3污染研究提供更为丰富的真实大气数据.在深入认识大气PM2.5和O3污染特征的基础上, 可以将无人机探测结果应用于模式验证和模式改进中, 无人机探测结合大气数值模式模拟, 针对大气PM2.5和O3复合污染现象开展机制分析, 剖析污染形成的内在机制, 探究复合污染协同控制的有效措施, 并借助无人机平台, 对PM2.5和O3污染事件或协同控制减排方案进行监测和实时数据反馈, 促进PM2.5和O3的协同控制.
7 结论(1) 与传统大气污染探测方法相比, 无人机具有灵活性高、可操作性高、探测时空分辨率高等优势, 在大气环境监测和污染探测领域具有巨大的发展潜力.在大气细颗粒物与臭氧污染探测与溯源研究中, 通常使用固定翼无人机、无人直升机和多旋翼无人机作为探测平台.各类无人机平台可以搭载多种PM2.5和O3探测仪器开展污染物浓度监测或样本收集, 如光散射型颗粒物传感器、多通道空气颗粒物采样仪、电化学臭氧传感器、半导体传感器、紫外吸收法臭氧传感器等仪器设备.结合大气污染探测设备, 基于无人机的大气PM2.5和O3的单物种探测或多物种协同探测在大气复合污染问题的研究中起到了重要作用.同时, 无人机移动监测平台能够按照搜寻策略进行路径规划, 实现对大气污染的溯源定位和排放源跟踪, 提升污染物溯源的时效性.
(2) 基于无人机的大气PM2.5和O3污染探测与溯源研究为大气复合污染的协同控制提供了科学依据, 然而, 在无人机平台性能及其应用方案等方面还有较大的发展空间.未来研究中, 值得进一步探索的方向包括: 改进无人机动力源、研发高精度微型传感器、提升数据传输能力、增强污染探测的灵活性、构建精细化的PM2.5和O3同步三维立体探测和开展无人机探测与数值模式的联合研究.
| [1] | Gao J H, Woodward A, Vardoulakis S, et al. Haze, public health and mitigation measures in China: A review of the current evidence for further policy response[J]. Science of the Total Environment, 2017, 578: 148-157. DOI:10.1016/j.scitotenv.2016.10.231 |
| [2] | Sahu S K, Liu S C, Liu S, et al. Ozone pollution in China: Background and transboundary contributions to ozone concentration & related health effects across the country[J]. Science of the Total Environment, 2021, 761. DOI:10.1016/j.scitotenv.2020.144131 |
| [3] | GB 3095-2012, 环境空气质量标准[S]. |
| [4] |
董佳丹, 陈晓玲, 蔡晓斌, 等. 基于中国大气环境监测站点的2015—2019年大气质量状况时空变化分析[J]. 地球信息科学学报, 2020, 22(10): 1983-1995. Dong J D, Chen X L, Cai X B, et al. Analysis of the temporal and spatial variation of atmospheric quality from 2015 to 2019 based on China atmospheric environment monitoring station[J]. Journal of Geo-Information Science, 2020, 22(10): 1983-1995. DOI:10.12082/dqxxkx.2020.200212 |
| [5] | Zhang F Y, Shi Y, Fang D K, et al. Monitoring history and change trends of ambient air quality in China during the past four decades[J]. Journal of Environmental Management, 2020, 260. DOI:10.1016/j.jenvman.2019.110031 |
| [6] |
苏玲, 高婵婵, 曹闪闪, 等. 长三角地区空气质量国控环境监测点空间代表性评价——以PM2.5为例[J]. 环境科学学报, 2021, 41(11): 4377-4387. Su L, Gao C C, Cao S S, et al. Spatial representative evaluation of ambient air quality monitoring stations in the Yangtze River delta: Taking PM2.5 as an example[J]. Acta Scientiae Circumstantiae, 2021, 41(11): 4377-4387. |
| [7] |
姚青, 马志强, 林伟立, 等. 天津夏季边界层低层大气中PAN和O3的输送特征分析[J]. 环境科学, 2019, 40(1): 67-75. Yao Q, Ma Z Q, Lin W L, et al. Transport characteristics of PAN and O3 in the lower atmosphere of the boundary layer in Tianjin in summer[J]. Environmental Science, 2019, 40(1): 67-75. |
| [8] | Prijith S S, Aloysius M, Mohan M, et al. Elevated aerosols and role of circulation parameters in aerosol vertical distribution[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 2016, 137: 36-43. DOI:10.1016/j.jastp.2015.11.014 |
| [9] | Shen L, Jacob D J, Liu X, et al. An evaluation of the ability of the ozone monitoring instrument(OMI) to observe boundary layer ozone pollution across China: application to 2005-2017 ozone trends[J]. Atmospheric Chemistry and Physics, 2019, 19(9): 6551-6560. DOI:10.5194/acp-19-6551-2019 |
| [10] | Zhang K, Wang D F, Bian Q G, et al. Tethered balloon-based particle number concentration, and size distribution vertical profiles within the lower troposphere of Shanghai[J]. Atmospheric Environment, 2017, 154: 141-150. DOI:10.1016/j.atmosenv.2017.01.025 |
| [11] | Zhang K, Zhou L, Fu Q Y, et al. Vertical distribution of ozone over Shanghai during late spring: A balloon-borne observation[J]. Atmospheric Environment, 2019, 208: 48-60. DOI:10.1016/j.atmosenv.2019.03.011 |
| [12] | Tao Z M, Wang Z Z, Yang S J, et al. Profiling the PM2.5 mass concentration vertical distribution in the boundary layer[J]. Atmospheric Measurement Techniques, 2016, 9(3): 1369-1376. DOI:10.5194/amt-9-1369-2016 |
| [13] | Xing C Z, Liu C, Wang S S, et al. Observations of the vertical distributions of summertime atmospheric pollutants and the corresponding ozone production in Shanghai, China[J]. Atmospheric Chemistry and Physics, 2017, 17(23): 14275-14289. DOI:10.5194/acp-17-14275-2017 |
| [14] | Qu Y W, Zhao M, Wang T J, et al. Lidar- and UAV-based vertical observation of spring ozone and particulate matter in Nanjing, China[J]. Remote Sensing, 2022, 14(13). DOI:10.3390/rs14133051 |
| [15] | Qu Y W, Wang T J, Wu H, et al. Vertical structure and interaction of ozone and fine particulate matter in spring at Nanjing, China: The role of aerosol's radiation feedback[J]. Atmospheric Environment, 2020, 222. DOI:10.1016/j.atmosenv.2019.117162 |
| [16] | Lo K K, Passarelli R E. The growth of snow in winter storms: An airborne observational study[J]. Journal of the Atmospheric Sciences, 1982, 39(4): 697-706. DOI:10.1175/1520-0469(1982)039<0697:TGOSIW>2.0.CO;2 |
| [17] |
陈鹏飞, 张蔷, 权建农, 等. 北京地区臭氧时空分布特征的飞机探测研究[J]. 环境科学, 2012, 33(12): 4141-4150. Chen P F, Zhang Q, Quan J N, et al. Temporal and spatial distribution of ozone concentration by aircraft sounding over Beijing[J]. Environmental Science, 2012, 33(12): 4141-4150. DOI:10.13227/j.hjkx.2012.12.017 |
| [18] | 王广河, 李淑日, 刘卫国. 新一代人工增雨综合监测、催化作业飞机(夏延ⅢA)改装及其在人工增雨中的应用[A]. 见: 第十四届全国云降水物理和人工影响天气科学会议(上册)[C]. 贵阳: 中国气象学会, 2005. |
| [19] |
董晓波, 杨军, 杨洋, 等. 华北重度霾过程期间大气气溶胶粒子的微物理垂直特征[J]. 科学技术与工程, 2018, 18(2): 204-211. Dong X B, Yang J, Yang Y, et al. Microphysical characteristics in the vertical direction of atmospheric aerosol particles of North China during the heavy haze process background[J]. Science Technology and Engineering, 2018, 18(2): 204-211. DOI:10.3969/j.issn.1671-1815.2018.02.030 |
| [20] |
郑博华, 陈胜, 李圆圆, 等. 吐鲁番和若羌冬季气溶胶垂直分布的飞机观测分析[J]. 干旱区地理, 2022, 45(5): 1426-1439. Zheng B H, Chen S, Li Y Y, et al. Aircraft observation and analysis of vertical distribution of aerosols in winter in Turpan and Ruoqiang[J]. Arid Land Geography, 2022, 45(5): 1426-1439. |
| [21] | Lambey V, Prasad A D. A review on air quality measurement using an unmanned aerial vehicle[J]. Water, Air, & Soil Pollution, 2021, 232(3). DOI:10.1007/s11270-020-04973-5 |
| [22] | Harrison W A, Lary D J, Nathan B J, et al. Using remote control aerial vehicles to study variability of airborne particulates[J]. Air, Soil and Water Research, 2015, 8(1): 43-51. |
| [23] | Corrigan C E, Roberts G C, Ramana M V, et al. Capturing vertical profiles of aerosols and black carbon over the Indian Ocean using autonomous unmanned aerial vehicles[J]. Atmospheric Chemistry and Physics, 2008, 8(3): 737-747. DOI:10.5194/acp-8-737-2008 |
| [24] | Altstädter B, Platis A, Wehner B, et al. ALADINA-an unmanned research aircraft for observing vertical and horizontal distributions of ultrafine particles within the atmospheric boundary layer[J]. Atmospheric Measurement Techniques, 2015, 8(4): 1627-1639. DOI:10.5194/amt-8-1627-2015 |
| [25] | Villa T F, Gonzalez F, Miljievic B, et al. An overview of small unmanned aerial vehicles for air quality measurements: Present applications and future prospectives[J]. Sensors, 2016, 16(7). DOI:10.3390/s16071072 |
| [26] |
沈奥, 周树道, 王敏, 等. 旋翼无人机大气探测设备布局仿真优化设计[J]. 计算机测量与控制, 2018, 26(2): 165-169, 174. Shen A, Zhou S D, Wang M, et al. Simulation and optimization design of atmospheric detection equipment layout based on UAV[J]. Computer Measurement & Control, 2018, 26(2): 165-169, 174. |
| [27] | Shinohara H, Kazahaya R, Ohminato T, et al. Variation of volcanic gas composition at a poorly accessible volcano: Sakurajima, Japan[J]. Journal of Volcanology and Geothermal Research, 2020, 407. DOI:10.1016/j.jvolgeores.2020.107098 |
| [28] | Koyama T, Kanda W, Utsugi M, et al. Aeromagnetic survey in Kusatsu-Shirane volcano, central Japan, by using an unmanned helicopter[J]. Earth, Planets and Space, 2021, 73(1). DOI:10.1186/s40623-021-01466-5 |
| [29] | Lin P H, Chen W N. The study of aerosol and ozone measurements in lower boundary layer with UAV helicopter platform[A]. In: EGU General Assembly 2013[C]. Vienna: EGU, 2013. |
| [30] | Düsing S, Wehner B, Seifert P, et al. Helicopter-borne observations of the continental background aerosol in combination with remote sensing and ground-based measurements[J]. Atmospheric Chemistry and Physics, 2018, 18(2): 1263-1290. DOI:10.5194/acp-18-1263-2018 |
| [31] |
曹云擎, 王体健, 高丽波, 等. 基于无人机垂直观测的南京PM2.5污染个例研究[J]. 气候与环境研究, 2020, 25(3): 292-304. Cao Y Q, Wang T J, Gao L B, et al. A case study of PM2.5 pollution in Nanjing based on unmanned aerial vehicle vertical observations[J]. Climatic and Environmental Research, 2020, 25(3): 292-304. |
| [32] | Liu C, Huang J P, Wang Y W, et al. Vertical distribution of PM2.5 and interactions with the atmospheric boundary layer during the development stage of a heavy haze pollution event[J]. Science of the Total Environment, 2020, 704. DOI:10.1016/j.scitotenv.2019.135329 |
| [33] | Chen Q, Wang D S, Li X B, et al. Vertical characteristics of winter ozone distribution within the boundary layer in Shanghai based on hexacopter unmanned aerial vehicle platform[J]. Sustainability, 2019, 11(24). DOI:10.3390/su11247026 |
| [34] |
牛记, 王仁波. 基于六旋翼无人机的PM2.5低空测量系统[J]. 科学技术与工程, 2014, 14(36): 72-76. Niu J, Wang R B. PM2.5 Low altitude measurement system based on six-rotor UAV[J]. Science Technology and Engineering, 2014, 14(36): 72-76. |
| [35] |
王东生, 彭仲仁, 李白, 等. 基于多旋翼无人机平台的大气PM2.5垂直结构观测技术[J]. 装备环境工程, 2019, 16(6): 35-40. Wang D S, Peng Z R, Li B, et al. Vertical atmospheric structure observation technology based on multi-rotor unmanned aerial vehicle(UAV) Platform[J]. Equipment Environmental Engineering, 2019, 16(6): 35-40. |
| [36] |
魏顺成. 基于无人机的大气污染应急监测与溯源[D]. 杭州: 浙江工业大学, 2020. Wei S C. Emergency monitoring and tracing of atmospheric pollution based on UAV[D]. Hangzhou: Zhejiang University of Technology, 2020. |
| [37] | Mamali D, Marinou E, Sciare J, et al. Vertical profiles of aerosol mass concentration derived by unmanned airborne in situ and remote sensing instruments during dust events[J]. Atmospheric Measurement Techniques, 2018, 11(5): 2897-2910. |
| [38] | Brabec M, Wienhold F G, Luo B P, et al. Particle backscatter and relative humidity measured across cirrus clouds and comparison with microphysical cirrus modelling[J]. Atmospheric Chemistry and Physics, 2012, 12(19): 9135-9148. |
| [39] | Cirisan A, Luo B P, Engel I, et al. Balloon-borne match measurements of midlatitude cirrus clouds[J]. Atmospheric Chemistry and Physics, 2014, 14(14): 7341-7365. |
| [40] | Schrod J, Weber D, Drücke J, et al. Ice nucleating particles over the Eastern Mediterranean measured by unmanned aircraft systems[J]. Atmospheric Chemistry and Physics, 2017, 17(7): 4817-4835. |
| [41] | Deshler T, Stübi R, Schmidlin F J, et al. Methods to homogenize electrochemical concentration cell(ECC) ozonesonde measurements across changes in sensing solution concentration or ozonesonde manufacturer[J]. Atmospheric Measurement Techniques, 2017, 10(6): 2021-2043. |
| [42] |
戴上, 周呈祥, 庞小兵, 等. 基于无人机观测研究杭州湾化工园区近地面层臭氧垂直廓线[J]. 中国环境科学, 2022, 42(6): 2514-2522. Dai S, Zhou C X, Pang X B, et al. Vertical profiles characteristics of near surface layer ozone in Shangyu Economic Development Zone of Hangzhou Bay based on unmanned aerial vehicle[J]. China Environmental Science, 2022, 42(6): 2514-2522. |
| [43] |
郑向东, 宣越键, 林伟立, 等. 国产ECC型O3探空仪性能测试及室外比对观测[J]. 应用气象学报, 2018, 29(4): 460-473. Zheng X D, Xuan Y J, Lin W L, et al. Performance tests and outdoor comparison observations of domestic remade ECC ozonesondes[J]. Journal of Applied Meteorological Science, 2018, 29(4): 460-473. |
| [44] | Alvear O, Zema N R, Natalizio E, et al. Using UAV-based systems to monitor air pollution in areas with poor accessibility[J]. Journal of Advanced Transportation, 2017, 2017. DOI:10.1155/2017/8204353 |
| [45] | Wang T H, Han W T, Zhang M F, et al. Unmanned aerial vehicle-borne sensor system for atmosphere-particulate-matter measurements: Design and Experiments[J]. Sensors, 2019, 20(1). DOI:10.3390/s20010057 |
| [46] | Li X B, Wang D S, Lu Q C, et al. Investigating vertical distribution patterns of lower tropospheric PM2.5 using unmanned aerial vehicle measurements[J]. Atmospheric Environment, 2018, 173: 62-71. |
| [47] | Peng Z R, Wang D S, Wang Z Y, et al. A study of vertical distribution patterns of PM2.5 concentrations based on ambient monitoring with unmanned aerial vehicles: A case in Hangzhou, China[J]. Atmospheric Environment, 2015, 123: 357-369. |
| [48] |
苏春艳. 基于四旋翼无人机的PM2.5浓度实时监测系统开发[D]. 杭州: 中国计量大学, 2018. Su C Y. Development of real-time monitoring system for the PM2.5 concentration based on quad-rotor unmanned aerial vehicles[D]. Hangzhou: China Jiliang University, 2018. |
| [49] | Zhou S D, Peng S L, Wang M, et al. The characteristics and contributing factors of air pollution in Nanjing: A case study based on an unmanned aerial vehicle experiment and multiple datasets[J]. Atmosphere, 2018, 9(9). DOI:10.3390/atmos9090343 |
| [50] | Xin K, Zhao J Y, Ma X, et al. Effect of urban underlying surface on PM2.5 vertical distribution based on UAV in Xi'an, China[J]. Environmental Monitoring and Assessment, 2021, 193(5). DOI:10.1007/s10661-021-09044-8 |
| [51] | Liu C, Huang J P, Hu X M, et al. Evaluation of WRF-Chem simulations on vertical profiles of PM2.5 with UAV observations during a haze pollution event[J]. Atmospheric Environment, 2021, 252. DOI:10.1016/j.atmosenv.2021.118332 |
| [52] | Illingworth S, Allen G, Percival C, et al. Measurement of boundary layer ozone concentrations on-board a Skywalker unmanned aerial vehicle[J]. Atmospheric Science Letters, 2014, 15(4): 252-258. |
| [53] | Guimarães P, Ye J H, Batista C, et al. Vertical profiles of ozone concentration collected by an unmanned aerial vehicle and the mixing of the nighttime boundary layer over an Amazonian urban area[J]. Atmosphere, 2019, 10(10). DOI:10.3390/atmos10100599 |
| [54] | Li X B, Wang D S, Lu Q C, et al. Three-dimensional investigation of ozone pollution in the lower troposphere using an unmanned aerial vehicle platform[J]. Environmental Pollution, 2017, 224: 107-116. |
| [55] | Chen Q, Li X B, Song R F, et al. Development and utilization of hexacopter unmanned aerial vehicle platform to characterize vertical distribution of boundary layer ozone in wintertime[J]. Atmospheric Pollution Research, 2020, 11(7): 1073-1083. |
| [56] | Wu C, Liu B, Wu D, et al. Vertical profiling of black carbon and ozone using a multicopter unmanned aerial vehicle(UAV) in urban Shenzhen of South China[J]. Science of the Total Environment, 2021, 801. DOI:10.1016/j.scitotenv.2021.149689 |
| [57] | Li X B, Peng Z R, Wang D S, et al. Vertical distributions of boundary-layer ozone and fine aerosol particles during the emission control period of the G20 summit in Shanghai, China[J]. Atmospheric Pollution Research, 2021, 12(1): 352-364. |
| [58] | Ishida H, Suetsugu K, Nakamoto T, et al. Study of autonomous mobile sensing system for localization of odor source using gas sensors and anemometric sensors[J]. Sensors and Actuators A: Physical, 1994, 45(2): 153-157. |
| [59] | Hayes A T, Martinoli A, Goodman R M. Distributed odor source localization[J]. IEEE Sensors Journal, 2002, 2(3): 260-271. |
| [60] |
谢丽华, 丁涛. 基于无人机的大气污染物变步长溯源算法研究[J]. 中国计量大学学报, 2020, 31(1): 79-84. Xie L H, Ding T. Research on air pollutant variable step tracing algorithm based on UAV[J]. Journal of China University of Metrology, 2020, 31(1): 79-84. |
| [61] |
路光达, 张明路. 一种机器人仿生气味源定位策略[J]. 河北工业大学学报, 2010, 39(5): 48-52. Lu G D, Zhang M L. A biological—inspired gas/odor source localization strategy for mobile robot[J]. Journal of Hebei University of Technology, 2010, 39(5): 48-52. |
| [62] |
孟庆浩, 李飞, 张明路, 等. 湍流烟羽环境下多机器人主动嗅觉实现方法研究[J]. 自动化学报, 2008, 34(10): 1281-1290. Meng Q H, Li F, Zhang M L, et al. Study on realization method of multi-robot active olfaction in turbulent plume environments[J]. Acta Automatica Sinica, 2008, 34(10): 1281-1290. |
| [63] |
路光达, 张小俊, 李建华. 基于漂泊信天翁行为的机器人仿生主动嗅觉策略[J]. 机械设计, 2010, 27(11): 43-47. Lu G D, Zhang X J, Li J X. Robot bionic active olfaction strategy based on wandering albatross behavior[J]. Journal of Machine Design, 2010, 27(11): 43-47. |
| [64] |
崔学林, 丁涛, 魏顺成. 基于无人机的大气污染物模糊控制溯源算法的仿真实现[J]. 科学技术与工程, 2019, 19(35): 370-374. Cui X L, Ding T, Wei S C. Simulation implementation of fuzzy control traceability algorithm for air pollutants based on unmanned aerial vehicle[J]. Science Technology and Engineering, 2019, 19(35): 370-374. |
| [65] | Vergassola M, Villermaux E, Shraiman B I. 'Infotaxis' as a strategy for searching without gradients[J]. Nature, 2007, 445(7126): 406-409. |
| [66] | Hutchinson M, Liu C J, Chen W H. Information-based search for an atmospheric release using a mobile robot: Algorithm and experiments[J]. IEEE Transactions on Control Systems Technology, 2019, 27(6): 2388-2402. |
| [67] |
张晓旭, 王丹. 无人机监测在城市环境大气污染物扩散数值模拟中的应用[J]. 环境监测管理与技术, 2019, 31(2): 44-46. Zhang X X, Wang D. Application of UAV monitoring in numerical simulation of urban ambient atmospheric pollutants diffusion[J]. The Administration and Technique of Environmental Monitoring, 2019, 31(2): 44-46. |
| [68] |
杨旭, 蔡子颖, 韩素芹, 等. 基于无人机探空和数值模拟天津一次重污染过程分析[J]. 环境科学, 2021, 42(1): 9-18. Yang X, Cai Z Y, Han S Q, et al. Heavy pollution episode in Tianjin based on UAV meteorological sounding and numerical model[J]. Environmental Science, 2021, 42(1): 9-18. |