2008-2010年北京地区云地闪时空分布特征
青海东部闪电活动时空分布特征
青海东部闪电活动时空分布特征作者：刘晓燕王玉娟胡亚男王军来源：《河南科技》2018年第25期摘要：本文利用青海东部地区2010—2014年闪电监测资料，对闪电频次、密度和强度等参数进行分析。
结果表明：青海东部闪电以负地闪为主，具有明显的季节性和日变化特征：6—9月为高发月份，其中8月最多;日变化主要活跃在15：00—22：00，占总地闪的67%，17：00达到最大;闪电强度主要集中在15～50kA，占总地闪的83.7%。
从密度分布图来看，负地闪和总地闪分布较一致，总体呈现出北多南少的地区特征，高值区呈片状或带状分布。
正地闪密度从北到南呈多带状分布，覆盖范围扩大。
关键词：闪电活动;时空分布;闪电特征;闪电密度中图分类号：P446 文献标识码：A 文章编号：1003-5168（2018）25-0157-02闪电因具有大电流、高电压和强电磁辐射的特点，对通信、计算机网络及家用电器等弱电系统影响较大。
了解并掌握闪电活动规律及其分布特征，不仅可以反推雷电天气的发生和演变规律，而且对防御雷电灾害及防灾减灾具有重要意义。
近年来，许多学者分区域研究闪电活动[1，2]，发现因地域跨度大，气候差异明显，使得闪电活动具有明显的区域特征。
本文选用青海东部2010—2014年的闪电资料，从时空变化和密度分布特征揭示闪电的活动规律，为雷电灾害普查和隐患排查工作提供参考依据。
1 资料介绍及处理闪电资料由青海省雷电监测定位系统ADTD获取，基本覆盖了刚察、共和、兴海、玛沁和达日5个监测站连线以东的所有地区（青海东部地区）[3]，有效探测效率为80%～90%，有效探测的平均范围是200km。
由于ADTD定位方式存在多站定位，因此，利用相似性检验方法订正闪电资料在同一时间存在一条闪电被重复记录的现象，以2km×2km网格为单元计算闪电密度。
2 结果与分析2.1 闪电时间变化特征2.1.1 总体特征。
2010—2014年青海东部地区共发生闪电总频次为171 711次（见表1），其中正地闪占总地闪的比例（正闪比）为13.3%;负地闪占总地闪的比例（负闪比）为86.7%。
2009-2012年中国闪电分布特征分析
2009-2012年中国闪电分布特征分析王娟;谌芸【期刊名称】《气象》【年(卷),期】2015(000)002【摘要】Using the cloud-to-ground lightning data from 2009 to 2012 probed by ADTD Lightning Location Monitoring System,we analyze the spatio-temporal distribution characteristics of flashes.The results show that:the negative lightning flashes are over 94% of the total,but the positive lightning accounts for about 5%.Lightning is prone to occur from May to September,most frequently seen in July and August, which is correspondent to rainfall belts.With the advance of monsoons,lightning flashes gradually in-crease from south to north and from east towest.Summer has lightnings the most,followed by spring and autumn,and in winter almost none.The diurnal distributions of lightnings show the single-peak character-istic,and most of them occur in 16:00-17:00BT,corresponding to the time periods of severe convective weather events.The overall distribution of lightning is that there are more in Eastern coast and the South than in western inland and the North.The lightning density distribution has obvious regional differences.The central and eastern regions,South China and the Sichuan Basin are the high lightning density area. The daytime lightning mainly occurs in the coastal areas of Jiangsu,Zhejiang and Guangdong while the night lightning usually appearsin inland areas of Yunnan,Sichuan and Chongqing.The lightning in the af-ternoon (14:00-20:00 BT)is most active,but less active from 08:00 to 14:00 BT.The lightning high value areas in different regions appear in different months.The high lightning value of South China is in June,Sichuan Basin in July and the central and eastern parts in August.Spring lightning of southern Chi-na is most active,which is closely related to the pre-rainy season in the region.The positive and negative lightning intensity is mainly concentrated in the 10 to 40 kA.The positive and negative ground lightning intensities with cumulative probability of more than 60% are less than 60 kA,35 kA respectively.The positive and negative lightning intensities with cumulative probability of more than 90% are less than 140 kA,65 kA respectively.Lightning intensity low value areas mainly distribute in negative lightnings while the high value areas often appear in positive lightnings.%运用全国雷电监测定位系统ADTD获取的2009年1月至2012年12月云地闪电资料，对我国闪电的时空分布特征进行统计分析。
深圳云地闪时空分布特征
关键 词 ： 云地 闪 ； 地 闪 密度 ； 雷暴 日 中图分类号 ： Ｐ ４ ２ ７ ． ３ ２ １ 文 献标 识 码 ： Ａ ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３ ． ５ ０ ３ Ｘ． ２ ０ １ ３ ． ０ ５ ． ０ １ ９
、 、
引 言
引 发 竺
。
，
动和雷 电灾 害的研究 越来越多 ， 部分省市 已建有 闪 强烈的雷暴天气 深 圳 中西部 和北 部 为平 原 和 丘 陵 电探测 系 统 。许 小 峰 ¨ 对 雷 电探 测 的技 术 和 中 国雷 地 带 东南部为山地 ， 西邻珠江 口， 西南为深圳湾 ， 东 电监测系统 的发展做 了综合分析和论述 ， 指 出雷 电 南是南海大亚湾和大鹏湾 海域 海 陆 分 布 和地 形 地 的监 测 有助 于对 强 对 流 天气 的监 测 和预 测 。王学 良 貌 的差 异 引 起 的动 力强 迫 和地 面 热力 差 异直 接 影 响
捅 要： ４ ＇ １ 用１ ９ ９ ７ —２ ０ １ １ 年 云地 闪电 定 位 探 测 资 料 和 深 圳 国 家基 本 气 象 站 １ ９ ５ ３ —２ Ｏ １ １年 观 测 资 料 ， 对深圳 云地 闪电 （ 简
称地 闪） 时空分布特征 和雷暴 日变化趋势进行分析 。结果表 明 ： 深圳 雷暴 日数 近 ５ ９ ａ来呈下降趋势 ， 小波分析显 示年雷暴 日数 存在５ ａ周期和 ｌ ０ —１ ５ ａ次周期 ； 年 内地 闪频 次特征表 现为 ６月和 ８月双峰形特征 ， ８月为全年地 闪次数最 多的 月份 ； 雷暴 的活
第七章、闪电(3)正闪和云闪
佘会莲
日本冬季雷暴中发生的12次正地闪过程进行分析 发现，其中10次有较明显的连续电流过程，而 Takeuti et al.（1978）发现的比例则是8/12 8/12。 8/12 Fuquay（1982）对夏季雷暴的75次正地闪过 程分析发现回击之后全部 全部有连续电流过程， 全部 Rust et al（1981， 1985）对夏季强风暴中的 正地闪过程分析认为只有一半 一半的正地闪回击之后 一半 有连续电流过程，并用光学的办法进行了证实。 郄秀书等（1998）对中国内陆高原夏季雷暴中的 正地闪分析也认为大部分的地闪只有单次回击， 明显的连续电流过程。 且回击之后有较明显 明显
佘会莲
作
业
正、负地闪的主要区别 雷暴小时 闪电密度 总闪密度 落雷密度
佘会莲
1. 雷暴日和雷暴小时
用来表征不同地区雷电活动的频繁程度。 用来表征不同地区雷电活动的频繁程度。 雷暴日： 雷暴日：在一天内只要测站听到雷声则为一个雷 暴日，而不论该天雷暴发生的次数和持续时间。 暴日，而不论该天雷暴发生的次数和持续时间。 不足15天为少雷区； 不足 天为少雷区； 天为少雷区 超过40天为多雷区 天为多雷区， 超过 天为多雷区， 大于90天为强雷区 大于 天为强雷区 •雷暴小时：指该小时内发生过雷暴 雷暴小时： 雷暴小时
佘会莲
佘会莲
云闪的发展过程
Kitagawa and Brook(1960)曾利用云闪产生的电 Brook(1960)曾利用云闪产生的电 场变化波形将云内放电过程区分为初始 初始、 场变化波形将云内放电过程区分为初始、活跃和结 束三个阶段
佘会莲
佘会莲
在偶极电荷结构基础上，提出的不同看法
Ogawa等[1964]认为云闪初始阶段上部正电荷区缓慢向主负电 等 认为云闪初始阶段上部正电荷区缓慢向主负电 认为云闪初始阶段 荷区发展 发展。 荷区发展。 Smith[1957]、Nakana等[1979]利用多站电场变化得出相反的 、 等 利用多站电场变化得出相反的 结论, 结论,即云闪起始于主负电荷区 Liu等[1985]利用折线流光模式对云闪的研究结果也说明云闪 等 ] 起始于负电荷区向上发展的负流光引起 区向上发展的负流光引起。 由起始于负电荷区向上发展的负流光引起。 Weber等[1982]利用雷声定位方法发现云闪既可以起始于正电 等 利用雷声定位方法发现云闪既可以起始于正电 荷区向下发展的正击穿过程， 荷区向下发展的正击穿过程，也可以起始于负电荷区向上发 展的负击穿过程。 展的负击穿过程。 Shao等[1996]利用窄带干涉仪系统首次获得了比较清楚的云 等 ] 向上发展的负击穿过程引起 闪发展图像，发现云闪由向上发展的负击穿过程引起。 闪发展图像，发现云闪由向上发展的负击穿过程引起。云闪 通常呈现出由向上发展通道相连接的两层结构， 通常呈现出由向上发展通道相连接的两层结构，上、下两层 分别对应于雷暴云内上部的正电荷区域和中部的负电荷区域 董万胜等[ 董万胜等[2003]利用宽带干涉系统发现中国广州地区偶极电 ] 结构雷暴中,云闪发生在中负和上正电荷区之间, 结构雷暴中,云闪发生在中负和上正电荷区之间,起始于负电 荷区并首先向上发展。 荷区并首先向上发展。
北京地区GNSS水汽-雾霾时空特征分析
北京地区GNSS水汽-雾霾时空特征分析北京地区GNSS水汽/雾霾时空特征分析随着经济的快速发展和城市化进程的加快，大气污染问题日益突出，雾霾天气频繁发生，给人们的生活和健康带来了不小的影响。
GNSS（全球导航卫星系统）作为一种现代化的大地测量技术，其在气象领域的应用日益广泛，可以用来研究大气中水汽含量的时空变化特征，为雾霾天气的发生和变化提供科学依据。
一、北京地区GNSS水汽时空变化特征分析1. 季节变化特征：通过对北京地区多年的GNSS水汽观测数据进行分析，可以发现北京地区的水汽含量存在明显的季节变化特征。
一般来说，夏季的水汽含量较高，冬季的水汽含量较低。
这是因为夏季北京地区气温较高，水汽的蒸发速度加快，从而导致水汽含量增加；而冬季气温较低，蒸发速度较慢，水汽含量相对较低。
2. 日变化特征：除了季节变化外，北京地区的水汽含量还存在显著的日变化特征。
一般来说，夜间水汽含量较高，白天水汽含量较低。
这是因为夜间气温较低，水汽的凝结速度较慢，而白天气温升高，水汽的蒸发速度加快，从而导致水汽含量减少。
3. 空间分布特征：北京地区的水汽含量在空间上存在一定的差异。
一般来说，城市中心区域的水汽含量较低，而郊区和山区的水汽含量较高。
这是由于城市中心区域的人口密集、工业活动频繁，大量的排放物导致空气质量较差，水汽含量较低；而郊区和山区的人口密度相对较低，排放物较少，水汽含量相对较高。
二、北京地区GNSS雾霾时空分布特征分析1. 雾霾发生频率：通过对北京地区多年的GNSS观测数据进行分析，可以发现北京地区的雾霾发生频率呈现明显的季节变化特征。
一般来说，冬季的雾霾发生频率较高，夏季的雾霾发生频率较低。
这是因为冬季北京地区气温较低，空气稳定，易积累雾霾；而夏季气温较高，空气对流活跃，雾霾形成条件较差。
2. 雾霾时空分布差异：北京地区的雾霾在时空上存在明显的差异。
一般来说，城市中心区域的雾霾较为严重，而郊区和山区的雾霾相对较轻。
1981～2010年北京地区极端降水变化特征
1981～2010年北京地区极端降水变化特征尤焕苓;刘伟东;任国玉【期刊名称】《气候与环境研究》【年(卷),期】2014(019)001【摘要】采用北京地区20个常规气象站1981～2010年逐日降水数据,对北京地区极端降水的空间分布特征进行了分析.得到以下主要结论:1981～2010年,北京地区极端降水百分位数(第90、95和99个百分位数)阈值表现出较一致的空间分布特征,以第95个百分位数阈值计算的极端降水日数与降水阈值和降水量的分布有较大差异,极端降水量对总降水量的贡献可达30％～37％,极端降水强度分布与极端降水阈值分布相似.近30年,北京地区多数站点的极端降水量、降水日数和降水强度呈下降趋势,极端降水量以上甸子、怀柔、平谷和观象台下降较为明显,可达到40mm(l0 a)-1以上,极端降水强度以顺义、海淀、观象台、大兴和上甸子等站下降较为显著,每10a降水强度减小趋势可达4 mm d-1,极端降水日数变化分布与极端降水量变化分布类似,极端降水强度变化与降水量和降水日数变化的分布有明显不同.【总页数】9页(P69-77)【作者】尤焕苓;刘伟东;任国玉【作者单位】中国气象局北京城市气象研究所,北京100089;中国气象局北京城市气象研究所,北京100089;中国气象局气候研究开放实验室,国家气候中心,北京100081【正文语种】中文【中图分类】P446【相关文献】1.1981—2014年南四湖流域极端降水阈值及极端降水日数变化特征 [J], 王晓默;董宁;李瑞芬;姚薇;王丽;王永增;2.1981—2014年南四湖流域极端降水阈值及极端降水日数变化特征 [J], 王晓默;董宁;李瑞芬;姚薇;王丽;王永增3.1961-2010年云南省极端降水时空变化特征 [J], 覃顺萍;吴巩胜;李丽;周跃;张宇4.1961－2010年吉林省作物生长季极端降水时空变化特征 [J], 王秀芬;尤飞5.北京地区夏季极端降水变化特征及城市化的影响 [J], 郑祚芳;王在文;高华因版权原因，仅展示原文概要，查看原文内容请购买。
近12年云南省云地闪活动变化及雷电灾害时空分布特征
２ｏＯ６—２Ｏ１７年全省共发 生雷 电灾 害 １１５９起 ，分布在滇 中 、滇西南地 区 ，雷 电灾害 的时空分布 与地闪活动的分布存在较
ห้องสมุดไป่ตู้
好 的对 应关系 ，６￣８月是雷电灾害高发期 ，普洱 、玉溪 、西 双版纳 、昆明的雷 电致灾因子活跃 ，人 口分布密集 ，经济发展
程度高 ，雷电综合风险较高 ，雷灾频发多发 。通 过分 析云地闪活动与雷电灾 害特征 ，识别雷灾损失类 型和分布特点 ，能
ｉ’ ｎ ｒｅｃｅｎｔ １ ＾ Ｖｅａｒｓ
Ｌｉｕ Ｐｉｎｇｙｉｎｇ ，Ｚｈｏｕ Ｑｉｎｇｑｉａｎ ，Ｈｕ Ｙｉｎｇ ，Ｚｈａｎｇ Ｔｅｎｇｆｅｉ （１．Ｙｕｎｎａｎ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｄｉｓａｓｔｅｒ Ｐｒｅｖｅｎｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｃｅｎｔｅｒ，Ｋｕｎｍｉｎｇ Ｙｕｎｎａｎ ６５００３４；
第 ３９卷 第 ３期 ２０１８年 ９月
气 象 研 究 与 应 用
Ｊ０Ｕ ＲＮＡＬ ０Ｆ Ｍ ＥＴＥＯＲ０ ＬＯ ＧＩＣＡ Ｌ ＲＥＳＥＡ ＲＣＨ ＡＮ Ｄ ＡＰＰＬＩＣＡＴＩＯＮ
文章编 号 ：１６７３～８４１１（２０１８）０３～００８６～０６
Ｖｌ ｏｌ－３９ Ｎ Ｏ．３ Ｓｅｐ．２０１８
够为雷 电灾害风险管理 、城乡规划等提供客观的技术参考。
关键词 ：云地 闪活动；雷电灾害 ；时空分布 ；致灾 因子
中图分类号 ：￥４２９
文献标识码 ：Ａ
Ｃｈａｎｇｅｓ ｉｎ ｃｌｏｕｄ—ｔｏ—ｇｒｏｕｎｄ ｆｌａｓｈｅｓ ａｎｄ ｓｐａｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ １ｉｇｈｔｎｉｎｇ ｄｉｓａｓｔｅｒ ｉｎ Ｙｕｎｎａｎ
2008~2017年北京市PM_(2.5)周期性变化特征与影响机制
中国环境科学 2022,42(3)：1013~1021 China Environmental Science 2008~2017年北京市PM2.5周期性变化特征与影响机制郭滢超1,2,权建农2*,潘昱冰2,蒲维维3,冯琎2,赵秀娟2,袁铁1(1.兰州大学大气科学学院,甘肃兰州 730000；2.北京城市气象研究院,北京 100089；3.京津冀环境预报预警中心,北京 100089)摘要：利用Morlet小波方法分析北京市2008~2017年PM2.5资料,结果表明,北京市PM2.5浓度存在显著的日变化、周变化、以及季节和年变化周期性特征,并且秋冬季的周期性特征显著高于春夏季.结合气象资料,包括水平风速、大气边界层高度、以及大气稳定度指数等,分析PM2.5不同周期性变化对应的主要影响机制表明:大气边界层过程是PM2.5日变化的主要影响机制,导致PM2.5浓度白天低、夜间高.秋冬季PM2.5日变化幅度高于春夏季;天气过程是PM2.5周变化的主要机制,PM2.5浓度与天气变化过程带来的风速变化和边界层高度呈强反相关关系;PM2.5的季节变化与大气扩散能力的季节变化密切相关,秋冬季减弱的大气扩散能力加速了PM2.5在近地面累积,春夏季则相反.关键词：Morlet小波分析；北京；PM2.5；周期性变化；气象机制中图分类号：X513 文献标识码：A 文章编号：1000-6923(2022)03-1013-09Multi-time scale variations of the PM2.5 in Beijing and its key mechanisms during 2008 to 2017. GUO Ying-chao1,2, QUAN Jian-nong2*, PAN Yu-bing2, PU Wei-wei3, FENG Jin2, ZHAO Xiu-juan2, YUAN Tie1 (1.College of Atmospheric Science, Lanzhou University, Lanzhou 730000, China；2.Beijing Institute of Urban Meteorology, Beijing 100089, China；3.Environmental Meteorology Forecast Center of Beijing-Tianjin-Hebei, Beijing 100089, China). China Environmental Science, 2022,42(3)：1013~1021Abstract：The variation of PM2.5 concentration during 2008 to 2017 in Beijing urban area was investigated collectively using the Morlet wavelet method to understand the multi-time scale oscillations of PM2.5. PM2.5 in Beijing owned clear temporal variations (on diurnal, week, to seasonal timescales), especially in autumn and winter. Further analyses of wind, planetary boundary layer (PBL), and air stagnation index (ASI) revealed the mechanisms that affect multi-scale temporal oscillations of the PM2.5. The analyses indicated: the diurnal PM2.5 variation was closely related to boundary layer process with high concentration at nighttime and low concentration at daytime. The diurnal variations of PM2.5 in autumn and winter was higher than that in spring and summer; the weekly PM2.5 variation was closely related to synoptic process, and the PM2.5 concentration was anti-correlated to wind speed and PBL height; the seasonal variation of PM2.5 was caused dominantly by the seasonal variation of atmospheric diffusion capacity with high concentration in autumn and winter and low concentration in summer and spring.Key words：Morlet wavelet analysis；Beijing；PM2.5；periodic variation；meteorological mechanisms大气PM2.5浓度变化在时域中存在多时间尺度特征,这与影响PM2.5的诸多过程的周期性特征密切相关.污染源的排放与人为活动密切相关,交通源和餐饮源排放存在早晚上下班高峰、一日三餐排放峰值,同时还具有典型的周末效应[1].相对较短的时间内,污染源的排放不会有重大变化,气象扩散能力变化直接关系到PM2.5的浓度波动[2].气象因素一方面影响大气污染物的扩散与输送,大气扩散能力的降低导致气溶胶在近地面累积;另一方面气象因素(相对湿度、温度、辐射等)也直接影响二次气溶胶的形成.气象过程由边界层过程、天气过程、气候过程等多尺度过程组成[3].因此,分析PM2.5的周期性变化特征,认识影响其周期性变化的机制,对于认识我国重污染天气的成因、预报、以及治理有重要的科学意义.小波分析是近20年来发展起来的一种时频分析方法,是研究不同时间尺度非平稳时间序列演变规律的有效工具[4].其良好的时频性,能在时域和频域2个维度上展开,既能进行多尺度细化分析,又能排除各种偶然因素对其变化规律的影响[5].相对于传统方法,小波分析方法对PM2.5时间序列的研究具有直观、计算速度快等特点[6],近年来逐步应用到PM2.5的周期性解析.小波分析方法的多时间尺度变化和局部特征可应用于大气污染分析的各个方面.对大气污染周期特征的识别、监测、预测和控制具收稿日期：2021-07-28基金项目：国家重点研发计划(2018YFF0300101-2)* 责任作者, 研究员,*************1014 中国环境科学 42卷有重要的参考价值[7].李梓铭等[8]在对北京城区PM2.5浓度不同时间尺度周期性研究中引入一维连续小波变换,揭示了PM2.5存在多个时间尺度上的变化规律.陈丹青等[9]发现粤东三市PM2.5日平均浓度变化呈3~4d周期性波动.Wu等[10]利用EMD-WA小波重构方法研究表明:长三角地区2015~2019年PM2.5日浓度数据有4个明显的多尺度周期.目前,对于周期性变化背后的影响机制尚缺乏深入分析.本研究采用Morlet小波分析了北京市2008~2017年PM2.5资料,并结合水平风速、大气边界层高度、以及大气稳定度指数等气象资料分析了PM2.5不同周期性变化的影响机制.1数据与方法1.1PM2.5数据来源与资料处理方法PM2.5浓度资料为美国驻华大使馆(以下简称为大使馆, 116.47°E,39.95°N)2008年4月9日~2017年12月31逐小时资料,气象数据为北京市观象台气象站数据(116.46°E,39.78°N).在资料的处理过程中还用到了北京市宝联站PM2.5的逐小时数据,时间为2008年4月9日~2015年12月31日.其中大使馆PM2.5资料有效数据样本数为85296个,样本缺失数为6198个.缺测数据分布情况如表1所示.表1北京大使馆PM2.5连续缺失数据的时间分布Table 1 The distribution of missing data of PM2.5 at the station of the US Embassy at Beijing (USEB)时长(h) 0~3 3~6 6~24 24~72 72~168>168 补充前(h) 430 176 815 1015 1287 2475 补充后(h)213 278 992 125 1287 0 注:其中在2008年11年6日14:00~2009年2月17日16:00连续缺测2475h 数据.1.1.1 数据补充小波要求数据必须连续.由于大使馆站资料存在缺失数据,因此需要进行资料的补充或插值.根据缺失资料连续缺失时间的不同,采用不同的处理方法.对于连续缺失超过24h的数据采用宝联观测数据补充.大使馆和宝联站分别位于北京市的东部和西部,直线距离约为14km.对比2008年10月2个站点PM2.5浓度资料(图1a),显示二者呈相同的变化趋势,相关性较好(R2=0.81,通过99%的显著性检验),但浓度绝对值存在差异,两站点数据差均值达到28.8µg/m3.为了消除2站点之间数据的系统偏差(均值和标准差),对宝联数据进行了zscore标准化[11],具体计算公式如下:112221x xx xσσ−=⋅+ (1) 式中:x1为宝联站原始PM2.5数据,x2为标准化处理之后宝联站点PM2.5数据;1x,2x分别为宝联站,大使馆站数据的平均值;σ1,σ2分别为宝联站,大使馆站数据的标准差.在此基础上,利用2008年4月9日~2015年12月31日期间2站点数据,计算了上述数据均值和标准差,大使馆数据的平均值为94.5µg/m3,标准差为87.8µg/m3;而宝联站数据平均值79.1µg/m3,标准差为73.4µg/m3.标准化之后两站点PM2.5数据一致性增强,线形回归系数更接近1(图1c, d).标准化前后两站点PM2.5数据的概率分布进一步表明标准化处理后宝联站点与大使馆站点数据更加吻合(图2).图1 大使馆和宝联站数据标准化处理前后数据对比Fig.1 Comparison of the PM2.5between the Baolian andUSEB Stations(c)和(d)图中黑色实线为线性拟合的回归直线1.1.2 数据插值对于连续缺失24h内的数据,采用插值的方法补充.插值方法如下:连续缺失不超过3h的数据,直接进行线性插值;连续缺失3~24h的数据,采用周均值日变化特征插值.为确定连续缺失3~24h的数据的插值方法,对比分析了多种插值方法,3期郭滢超等：2008~2017年北京市PM 2.5周期性变化特征与影响机制 1015包括线性插值,多项式拟合插值(y =ax 3+bx 2+cx +d )和日变化特征插值.对于日变化特征,根据缺测值当日前后3日和15日资料计算了周平均和月平均日变化特征.对比结果显示:日变化特征插值法效果最好,显著好于其它2种方法(线性插值和多项式拟合插值);而周均值日变化插值又优于月均值日变化插值.因此,选择利用周均值日变化特征插值方法补充连续缺失3~24h 的数据.图2 北京市2008~2015年大使馆站点和宝联站点PM 2.5浓度数据标准化处理前后概率分布Fig.2 The distributions of PM 2.5 concentration at the Baolian and USEB stations during 2008~2015 before and after standardization表2 不同方法插值结果与观测值的相关系数(R 2) Table 2 The correlation coefficients between the interpolatedPM 2.5 and observations (R 2)日期多项式拟合 线性插值月插值周插值2008-09-28(秋) 0.12 0.044 0.48 0.56 2010-12-17(冬) 0.14 0.32 0.58 0.74 2015-05-25(春) 0.49 0.35 0.03 0.76 2015-08-23(夏) 0.55 0.44 0.48 0.85平均 0.29 0.33 0.4 0.731.2 大气边界层与气象资料气象资料采用连续性较好的北京市观象台气象站地面气象资料(2008~2017年),时间分辨率为小时.考虑到观象台气象站与大使馆之间的距离可能带来的气象资料差异,分析了距离大使馆较近的朝阳站(116.46°E,39.98°N)与观象台气象站气象资料的差异,结果显示二者具有较强的一致性(R 2=0.71).大气边界层观测设备为Vaisala 增强型单镜头云高仪CL51仪器,仪器采用脉冲二极管激光LIDAR 技术来测定大气颗粒物的后向散射廓线和云高,观测站点为北京市朝阳气象站,时间为2016年全年.采用理想廓线法计算大气边界层高度,该方法利用误差函数拟合算法,将激光雷达探测到的后向散射系数拟合为理想大气后向散射系数廓线,之后根据散射系数廓线的梯度变化确定边界层高度[12]. 1.3 Morlet 小波方法小波分析可以获得不同频率波动强度随时间的变化,适用于非平稳时间序列的分析.小波变换可以将时间序列和一个有限长、从中心时间向前后衰减的小波函数进行卷积,从而得到中心时刻附近的波动强度[13].选择不同的中心时刻和不同频率的小波函数,对时间序列进行滑动卷积,便可以得到时间序列在不同频率和时间的相位、振幅情况[14].实际大气中许多波动都呈三角函数型的振荡形式,同时具备发展和衰减周期.因此理论上来讲,Morlet 小波对空气污染的波动具有很好的识别能力.因此采用Morlet 小波进行研究,小波函数的形式如下:201/4/20()πe ei t t t ωψ−−= (2)式中:t 为时间,ω0是无量纲频率.当ω0=6,小波尺度s 与傅里叶周期基本相等,尺度项与周期项可以相互替代.由此可见,Morlet 小波在时间与频率的局部化之间有着很好的平衡.2()X n W s 定义为小波功率谱,为时间系列在给定小波尺度和时间域内的波动量级.将小波功率谱在某一周期上进行时间平均,得到平均小波功率谱:1221()()N n n oW s W s N −==∑ (3)平均小波功率谱能够表明时间系列真实功率谱的无偏、一致估计.由于平均小波功率谱可以显示出背景谱量度,所以小波局地功率谱的峰值可以得1016 中 国 环 境 科 学 42卷到验证.因为该特性,通过小波局地功率谱中可以清晰的辨别时间系列的周期波动特征及其强度[15]. 2 结果与讨论2.1 PM 2.5周期性变化特征利用Morlet 小波分析了北京市2008年4月9日~2017年12月31日逐小时PM 2.5浓度功率谱(图3a).结果显示北京市PM 2.5具有显著的周期性,在1d 、1~2周、以及1年时间周期附近接近或超过95%置信线,并且每年秋冬季PM 2.5周期性特征显著高于春夏季.考虑到小时数据离散度较大,会影响到小波对PM 2.5功率谱的识别.为此,将北京市PM 2.5小时数据处理为日均浓度数据,计算得到基于日均时间序列的小波功率谱(图3b).结果与小时资料吻合,进一步证实了PM 2.5存在显著的周期变化,具有典型日变化、周变化和季节变化周期性特征.图3 北京市2008~2017年PM 2.5小时浓度和日均浓度时间序列的小波局地标准化功率谱和平均小波功率谱曲线 Fig.3 The normalized wavelet power spectrum of PM 2.5 and the averaged wavelet power spectrum curve calculated on hourly (a)and daily (b) mean PM 2.5 during 2008~2017左图中网格线区域表示受边界的影响区域,该区域内结果可信度低,黑点区域表示通过95%可信度检验.右图红色虚线表示95%置信度检验曲线,下同2.2 PM 2.5周期性变化影响机制2.2.1 日变化 2016年4个季节的PM 2.5日变化特征(图4a)表明,PM 2.5浓度呈现白天低,夜间高的特点,最低浓度出现在中午前后(11:00~15:00),最高浓度出现在夜间至清晨(0:00~8:00).秋冬季PM 2.5浓度变化幅度高于春夏季;冬季PM 2.5浓度日较差(最高值和最低值的差值)达54.9µg/m 3,而夏季仅为17.2µg/ m3.这与小波分析结果中秋冬季PM 2.5日时间尺度周期性变化高于春夏季的结果吻合.大气边界层高度和水平风速是表征大气扩散能力的2个气象要素;大气边界层高度的抬升促进污染物在垂直方向扩散,而水平风速的增加有利于增强水平方向污染物的扩散能力[16].为此,分析了2016年4个季节地面水平风速和大气边界层高度日变化特征(图4b,4c).整体来讲,午后边界层高度达到最大值,而水平风速也在午后达到最大值,午后有利的气象扩散条件导致PM 2.5浓度降低;夜间则相反,降低的大气边界层高度和水平风速有利于污染物在近地层累积,浓度增加.值得注意的是PM 2.5浓度并没有在早晚排放高峰出现显著的峰值.PM 2.5组分以二次组分为主,包括硫酸盐、硝酸盐、铵盐等无机盐和二次有机气溶胶等,其在大气中来源于气态前体物的转化.PM 2.5生成速率不仅与气态前体物浓度密切相关,还受大气光化学能力和相对湿度、温度等气象因素影响.这可能是导致PM 2.5浓度并没有在早晚排放高峰阶段出现浓度高值得主要原因,这与NO x 、CO 等一次排放气态污染3期郭滢超等：2008~2017年北京市PM2.5周期性变化特征与影响机制 1017物浓度日变化存在显著差异[17-19].尽管以大气边界层高度和水平风速代表的大气扩散能力能够反应出PM2.5日变化特征,但仍存在不一致现象.以夏季和冬季为例,夏季太阳辐射强于冬季,受热力驱动,夏季边界层发展的更为旺盛,大气边界层最大高度夏季高于冬季(图4c).夏季更高的边界层高度意味着夏季午后的扩散能力强于冬季,这将会带来更大程度的PM2.5浓度下降.然而,夏季PM2.5昼夜变化幅度却远低于夏季(图4a),这意味着气象扩散条件并不能完全解释PM2.5浓度变化.图4 北京地区2016年各季节PM2.5、水平风速、和大气边界层高度日变化特征Fig.4 Diurnal variations of PM2.5, wind speed, and PBL height in different seasons in Beijing in 2016 大气光化学氧化过程和液相非均相过程是二次气溶胶形成的主要过程[20-21],在不同季节或气象条件下,2种过程的贡献和作用也有所差异.以硫酸盐形成为例,Duan等[22]研究显示,夏季硫酸盐形成以大气光化学氧化过程为主,而冬季则以液相非均相过程为主.夏季白天大气光化学能力强,加速了二次气溶胶形成[23],导致PM2.5浓度升高,部分抵消了由于扩散能力提升带来的浓度下降趋势.而液相非均相反应与相对湿度密切相关,夜间伴随着温度降低相对湿度升高,促进液相非均相反应.因此,冬季夜间二次气溶胶生成能力的增强进一步扩大昼夜PM2.5浓度差异.由此可见PM2.5浓度日变化是气象条件和化学过程共同作用的结果.大气边界层过程是PM2.5浓度日变化(夜间高白天低)的主要影响机制,而日变化的季节性差异则主要受化学过程的季节性差异影响,导致秋冬季节PM2.5日变化幅度高于春夏季节.2.2.2 周变化为认识PM2.5周变化的影响机制,分析了2016年12月份资料(图5).期间共发生6次污染过程,PM2.5最高浓度达到550µg/m3.在污染过程初期,风速大,小时平均风速通常超过5m/s,对应的大气边界层高度超过1km[24].良好的扩散能力导致PM2.5浓度较低,每次过程初期PM2.5浓度均低于20µg/m3.之后逐渐转为静稳天气,表现为风速减小、边界层高度降低.PM2.5在此过程中逐步累积、浓度增加,直到下一次冷空气系统将污染物清除.PM2.5和风速、以及PM2.5和边界层高度均存在反位相变化趋势;风速越大、边界层高度越高,对应的PM2.5浓度越低.在中高纬地区,天气过程与长波槽(罗斯贝波)的移动密切相关.由于地球旋转,大气运动要受到地球转动的惯性影响,而惯性的大小随纬度变化,这将产生大气中一种波长达几千km的波动,这种波动将控制着地面高低压的移动、地面风速,以及相应的大气扩散能力变化[25-26].长波槽(罗斯贝波)的波动周期为7d左右.为认识风速变化的周期性特征,利用Morlet小波解析了风速的平均小波功率谱(图6).数据资料为北京观象台2008~2017年地面小时平均风速资料.结果表明,风速存在显著的周变化特征,除此之外还具有显著的日变化和年变化周期性特征,这与PM2.5的周期性变化特征一致.在污染天气过程初期,受高压系统控制[19],整层大气以西北风为主,风速大、扩散能力强,空气质量好.天气系统的周期性变化直接影响到大气扩散能力变化,是导致北京区域PM2.5浓度呈周变化周期的主要影响机制.图7显示,周一开始PM2.5浓度持续增加,至周六达到峰值,周日浓度下降.对工作日(周一至周五)和周末(周六和周日)的平均结果显示,周末PM2.5浓度(73.3µg/m3)略高于工作日(72.4µg/m3).周一至周日1018 中国环境科学 42卷PM2.5浓度日变化进一步显示,周一PM2.5浓度几乎在所有时段均处于最低水平,周六则相反.周六浓度增加的趋势一致延续到周日早晨6点左右,之后浓度大幅下降.上述变化特征与NO x和CO、以及O3存在较大差异[27-28].对于一次排放的气态污染物NO x和CO,其周末浓度通常低于工作日.在城市地区,O3的形成潜势通常为VOC S控制,周末NO x浓度下降导致O3浓度增加,其周末浓度通常高于工作日.PM2.5以二次组分为主,周六大气氧化能力的升高加速了气态气体物向颗粒物转化,这可能是周六PM2.5浓度增加的主要影响机制.由于本文缺乏气态前提物和大气氧化性观测资料,未来需要结合相关资料进一步分析.图5 北京市2016年12月PM2.5、风速、以及边界层高度变化Fig.5 The time series of PM2.5, wind speed and PBL height in Beijing in December 20166块灰色区域分别代表6次污染过程图6 北京市2008~2017年地面水平风速时间序列的小波局地标准化功率谱(a)和平均小波功率谱曲线(b) Fig.6 The normalized wavelet power spectrum of wind speed based on hourly mean data during 2008~2017 (a) and averagedwavelet power spectrum curve (b)2.2.3 季节与年变化由图8可见,PM2.5浓度呈显著的季节变化趋势.整体来讲,夏季浓度最低(78.95µg/m3),春季(81.84µg/m3)和秋季(92.16µg/m3)次之,冬季(103.16µg/m3)最为严重.同时间序列的地面风速资料分析显示,春季风速最大(2.2m/s),冬季(1.77m/s)和夏季(1.6m/s)次之,秋季风速最低(1.4m/s).尽管季节平均的PM2.5和风速资料不是完全的反相关关系,但逐日平均的PM2.5和风速资料仍然显示出二者存在较强的反相关变化趋势,即风速越大PM2.5浓度越低.北京位于东亚季风区,风场季节性变化显著.利用小波对风场的诊断分析也证实了这一点,风速存在显著的年变化周期(图6).在夏季风影响下,风速大、垂直对流深厚,降水频繁,以上因素均有利于气溶胶扩散和沉降,冬季则与之相反.3期郭滢超等：2008~2017年北京市PM 2.5周期性变化特征与影响机制 1019图7 2008~2017年周一至周日平均PM 2.5浓度(a)以及日变化特征(b)Fig.7 The mean PM 2.5 concentration from Monday to Sunday(a) and their diurnal variations (b) during 2008 to 2017水平风速是表征大气扩散能力的因素之一,仅依靠风速不能完全反应出扩散能力变化,这也体现在季节平均的PM 2.5和风速不完全一致(图8b).为此,分析了能够全面反应大气扩散能力的大气稳定度指数(ASI)的季节变化特征.ASI 资料来源于[29],计算ASI 时包含了水平扩散能力、垂直扩散能力和湿沉降等过程,ASI 为无量纲数,数值越大意味着大气扩散能力越低.ASI 计算用到的气象资料来源于MERRA -2全球再分析数据资料,包括风速、位势高度、边界层高度、降水等,具体方法参考文献[29].与春夏季节相比,2008~2017年秋冬季节ASI 大幅增加(图9b),这与PM 2.5季节性变化基本吻合,意味着大气扩散能力对PM 2.5的调控作用.2008~ 2017年季节平均的ASI 分别为:春季(0.61)、夏季(0.66)、秋季(1.17)、冬季(1.73).利用小波对该期间逐日ASI 指数的诊断分析结果进一步显示出ASI 存在与PM 2.5一致的周期性变化,即存在7d 和1年的周期性变化(图9c).季节图8 北京市2008~2017年PM 2.5和风速逐月变化,及季节平均,年平均浓度变化和PM 2.5和风速相关分布Fig.8 The monthly averaged PM 2.5 and wind speed during 2008 to 2017 (a), their seasonal and annual mean concentration, and thecorrelation between PM 2.5 and wind speed(a)灰柱状代表PM 2.5月均浓度, 黑线代表月均风速;(b)灰柱代表PM 2.5四季平均浓度,黑线代表四季平均风速;(c)灰柱为年均PM 2.5;(d)灰色点为PM 2.5和风速分布,黑线为1倍标准偏差除了大气扩散能力变化,PM 2.5浓度变化还与减排密切相关.2008~2017年PM 2.5逐年变化显示,2014年之前PM 2.5年均值维持在相对较高的水平,在90µg/m 3上下,之后PM 2.5浓度逐年下降,至2017年年均PM 2.5浓度下降为60µg/m 3(图11c). 2013年起,我国政府推出了一系列大气污染防治计划,并出台了一系列具体减排措施,包括能源结构优化、产业绿色转型和城市管理精细化要求,重点实施压减燃煤、控车减油、治污减排、清洁降尘等八大污染减排工程.实施的一系列空气质量调控措施取得了显著效果[30],2014年后PM 2.5年均浓度逐年下降.1020 中 国 环 境 科 学 42卷图9 北京市2008~2017年PM 2.5(a),ASI(b)变化、ASI(c)小波局地标准化功率谱,以及PM 2.5和ASI 的相关性(d) Fig. 9 The daily averaged PM 2.5 (a) and ASI (b) during 2008 to 2017, the normalized wavelet power spectrum of ASI (c), and thecorrelation between PM 2.5 and ASI (d)3 结论3.1 采用数据补充和插值相结合的方法获得长时间序列PM 2.5小时浓度数据.对于连续缺失超过24h 的数据采用临近站点数据补充,但需要对不同站点数据进行均值和标准差的订正,以消除数据的系统偏差;对于连续缺失不超过3h 的数据,采用线性插值;对于连续缺失3~24h 的数据,多种插值方式的对比结果显示,采用缺失值当日前后一周内资料平均的日变化特征数据插值效果最佳.3.2 Morlet 小波分析结果显示,北京市PM 2.5浓度存在显著的日变化、周变化以及年变化特征,并且秋冬季日变化和周变化的周期性特征,明显高于春夏季.地面风速和大气稳定度指数与PM 2.5存在类似的周期性变化,表明气象扩散能力是影响PM 2.5重要因素.大气边界层过程是日变化的主要机制,导致PM 2.5浓度白天低、夜间高;天气过程是PM 2.5周变化的主要机制;PM 2.5的季节变化则与大气扩散能力的季节变化密切相关,秋冬季减弱的大气扩散能力加速了PM 2.5在近地面累积,春夏季则相反.3.3 除了气象扩散能力变化,PM 2.5浓度周期性变化还与化学过程和排放密切相关.主要体现在不同季节PM 2.5日变化幅度差异、PM 2.5周末效应、以及PM 2.5年变化趋势.参考文献：[1] 雷 瑜,张小玲,唐宜西,等.北京城区PM 2.5及主要污染气体“周末效应”和“假日效应”研究 [J]. 环境科学学报, 2015,35(5):1520-1528. Lei Y , Zhang X L, Tang Y X, et al. Holiday effects on PM 2.5 and other major pollutants in Beijing [J]. Acta Scientiae Circumstantiae, 2015, 35(5):1520-1528.[2] 翟世贤,安兴琴,刘 俊,等.不同时刻污染减排对北京市PM 2.5浓度的影响 [J]. 中国环境科学, 2014,34(6):1369-1379.Zhai S X, An X Q, Liu J, et al. Effects of emission -sources reduction at different time points on PM 2.5 concentration over Beijing Municipality [J]. China Environmental Science, 2014,34(6):1369-1379.[3] 权建农,徐祥德,贾星灿,等.影响我国霾天气的多尺度过程 [J]. 科学通报, 2020,65(9):810-824.Quan J N, Xu X D, Jia X C, et al. Multi -scale processes in severe haze events in China and their interactions with aerosols: Mechanisms and progresses [J]. Chinese Science Bulletin, 2020,65(9):810-824. [4] 孙春媛,李令军,赵文吉,等.基于小波变换的北京市PM 2.5时空分布特征及成因分析 [J]. 生态环境学报, 2016,25(8):1343-1350. Sun C Y , Li L J, Zhao W J, et al. Temporal and spatial characteristic and factors analysis of PM 2.5 on the basis of wavelet transformation in Beijing [J]. Ecology and Environmental Sciences, 2016,25(8):1343-1350. [5] Hermida L, Lopez L, Merino A, et al. Hailfall in southwest france:relationship with precipitation, trends and wavelet analysis [J]. Atmospheric Research, 2015,156:174-188.3期郭滢超等：2008~2017年北京市PM2.5周期性变化特征与影响机制 1021[6] 孙杰,高庆先,周锁铨.2002年北京PM10时间序列及其成因分析[J]. 环境科学研究, 2007,20(6):83-86.Sun J, Gao Q X, Zhou S H. Analysis for PM10 concentration using time series method and its formation in Beijing, 2002 [J]. Research of Environmental Sciences, 2007,20(6):83-86.[7] Su Y N, Sha Y Z, Zhai G Y, et al. Comparison of air pollution inShanghai and Lanzhou based on wavelet transform [J]. Environmental Science and Pollution Research, 2019,26(17):16825-16834.[8] 李梓铭,孙兆彬,邵勰,等.北京城区PM2.5不同时间尺度周期性研究 [J]. 中国环境科学, 2017,37(2):407-415.L i Z M, Sun Z B, Shao X, et al. Using Morlet wavelet analysis to analyze multiple time scale periodically in PM2.5 in Beijing [J]. China Environmental Science, 2017,37(2):407-415.[9] 陈丹青,师建中,肖亮洪,等.粤东三市PM2.5和PM10质量浓度分布特征 [J]. 中山大学学报(自然科学版), 2012,51(4):73-78.Chen D Q, Shi J Z, Xiao L H, et al. The Distribution of PM2.5 and PM10 levels at three cities in eastern Guangdong Province [J].Shanghai Environmental Sciences, 2012,51(4):73-78.[10] Wu X H, He S L, Guo J, et al. A multi-scale periodic study of PM2.5concentration in the Yangtze River Delta of China based on empirical mode decomposition-wavelet Analysis [J]. Journal of Cleaner Production, 2021,81:124853.[11] Wilks D. Statistical Methods in the Atmospheric Sciences [J].Technometrics, 2006,102(477):380-380.[12] Steyn D, Baldi M, Hoff R. The detection of mixed layer depth andentrainment zone thickness from lidar backscatter profiles [J]. Journal of Atmospheric and Oceanic Technology, 1999,16:953–959.[13] Grinsted A, Jevrejeva S, Moore J. Application of the cross wavelettransform and wavelet coherence to geophysical time series [J].Nonlinear Processes in Geophysics, 2004,11:561-566.[14] Torrence C, Webster P. Interdecadal changes in the ENSO-monsoonsystem [J]. Journal of Climate, 1999,12(8):2679-2690.[15] Torrence C, Compo G P. A practical guide to wavelet analysis [J].Bulletin of the American Meteorological Society, 1998,79(1):61-78. [16] Zhang Q, Quan J, Tie X, et al. Effects of meteorology and secondaryparticle formation on visibility during heavy haze events in Beijing, China [J]. Science of The Total Environment, 2015,502:578-584. [17] 张子曰,李艳,戴高菊,等.北京市朝阳区主要大气污染物浓度变化特征 [J]. 气象与环境学报, 2016,(2):44-51.Zhang Z Y, Li Y, Dai G J, et al. Characteristics of concentrations of main air pollutants at Chaoyang District, Beijing [J]. Journal of Meteorology and Environment, 2016,32(2):44-51.[18] 唐宜西,张小玲,徐敬,等.北京城区和郊区本底站大气污染物浓度的多时间尺度变化特征 [J]. 环境科学学报, 2016,36(8):2783-2793.Tang Y X, Zhang X L, Xu J, et al. Multi-temporal scale variations of atmospheric pollutants concentrations in nural and urban areas of Beijjing [J]. Acta Scientiae Circumstantiae, 2016,36(8):2783-2793. [19] 王莉莉,王跃思,王迎红,等.北京夏末秋初不同天气形势对大气污染物浓度的影响 [J]. 中国环境科学, 2010,30(7):924-930.Wang L L, Wang Y S, Wang Y H, et al. Relationship between different synoptic weather patterns and concentrations of atmospheric pollutants in Beijing during summer and autumn [J]. China Environmental Science, 2010,30(7):924-930. [20] Quan J, Tie X, Zhang Q, et al. Characteristics of heavy aerosolpollution during the 2012~2013 winter in Beijing, China [J].Atmospheric Environment, 2014,88:83-89.[21] Wang Y S, Yao L, Wang L L, et al. Mechanism for the formation of theJanuary 2013 heavy haze pollution episode over central and eastern China [J]. Science China Earth Sciences, 2014,57(1):14-25.[22] Duan J, Huang R J, L i Y J, et al. Summertime and wintertimeatmospheric processes of secondary aerosol in Beijing [J].Atmospheric Chemistry & Physics, 2019,20:3793-3807.[23] 邓利群,李红,柴发合,等.北京东北部城区大气细粒子与相关气体污染特征研究 [J]. 中国环境科学, 2011,31(7):1064-1070.Deng L Q, L i H, Cai F H, et al. The pollution characteristics of the atmospheric fine particles and related gaseous pollutants in the northeastern urban area of Beijing [J]. China Environmental Science, 2011,31(7):1064-1070.[24] 徐虹,肖致美,孔君,等.天津市冬季典型大气重污染过程特征[J]. 中国环境科学, 2017,37(4):1239-1246.Xu H, Xiao Z M, Kong J, et al. The pollution characteristics of the atmospheric fine particles and related gaseous pollutants in the northeastern urban area of Beijing [J]. China Environmental Science, 2011,31(7):1064-1070.[25] 张美根,胡非,邹捍,等.大气边界层物理与大气环境过程研究进展 [J]. 大气科学, 2008,32(4):923-934.Zhang M G, Hu F, Zou H, et al. An overview of recent studies on atmospheric boundary layer physics and atmospheric environment in L APC [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 2008,32(4):923-934.[26] 徐国强,朱乾根.大气低频振荡研究回顾与概述 [J]. 气象科技,2003,31(4):193-200.Xu G Q, Zhu Q G. Review and overview of low-frequency oscillation studies in the atmosphere [J]. Meteorological Science and Technology, 2003,31(4):193-200.[27] Bronnimann S, Neu U. Weekend-weekday differences of near-surfaceozone concentrations in Switzerland for different meteorological conditions [J]. Atmospheric Environment, 1997,31(8):1127-1135. [28] 石玉珍,徐永福,王庚辰,等.北京市夏季O3,NO x等污染物“周末效应”研究 [J]. 环境科学, 2009,30(10):2832-2838.Shi Y Z, Xu Y F, Wang G C, et al. Study of the "weekend effect" of O3, NO x and other pollutants in summer of Beijing [J]. Environmental Science, 2009,30(10):2832-2838.[29] Feng J, Quan J N, L iao H, et al. An air stagnation index to qualifyextreme haze events in Northern China [J]. Journal of the Atmospheric Sciences, 2018,75:3489-3505.[30] 刘俊,安兴琴,朱彤,等.京津冀及周边减排对北京市PM2.5浓度下降评估研究 [J]. 中国环境科学, 2014,34(11):2726-2733.Liu J, An X Q, Zhu T, et al. Evaluation of PM2.5 decrease in Beijing after emission restrictions in the Beijing-Tianjin-Hebei and surroundingregions [J]. China Environmental Science, 2014,34(11): 2726-2733.作者简介：郭滢超(1997-),女,山西长治人,兰州大学和北京城市气象研究院联合培养硕士研究生,主要从事城市气象与环境方向的研究.发表论文1篇.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2008-2010年北京地区云地闪时空分布特征
李如箭;逯曦;张华明;李京校;张宇龙
【期刊名称】《气象与环境科学》
【年(卷),期】2013(036)002
【摘要】利用北京地区ADTD地闪定位资料,分析了2008-2010年北京地闪的时空分布特征.研究发现,正地闪次数占总地闪次数的6％,地闪的平均电流强度为24.55 kA,正地闪的平均电流强度为负地闪的3倍.北京地区地闪月变化呈双峰结构,频次高峰月份为6-8月,正地闪呈单峰结构,峰值出现在7月.日变化的闪电频次高峰期主要出现在16-19时和00-05时两个时段.地闪频次高的区域主要集中在密云、平谷、顺义东北部和房山西部.有些地区呈现出地闪密度不高,但高回击电流的地闪频次和比例较高的特点.
【总页数】5页(P52-56)
【作者】李如箭;逯曦;张华明;李京校;张宇龙
【作者单位】北京市避雷装置安全检测中心北京100044;北京市避雷装置安全检测中心北京100044;山西省雷电防护监测中心太原030002;北京市避雷装置安全检测中心北京100044;北京市避雷装置安全检测中心北京100044
【正文语种】中文
【中图分类】P427.3
【相关文献】
1.深圳云地闪时空分布特征 [J], 江崟;谭明艳;李磊;曹春燕
2.近12年云南省云地闪活动变化及雷电灾害时空分布特征 [J], 刘平英;周清倩;胡颖;张腾飞
3.北京地区地闪活动时空分布特征 [J], 梁丽;庞文静;雷勇;王志超;梁存
4.基于2014～～2017年Ka毫米波雷达数据分析北京地区云宏观分布特征 [J], 霍娟; 吕达仁; 段树; 毕永恒
5.浙江省云地闪活动及其时空分布特征分析 [J], 张意权;郑建卫
因版权原因，仅展示原文概要，查看原文内容请购买。