-
拉曼激光雷达观测的基本原理是利用出射的激光与大气中空气分子发生相互作用产生的拉曼散射信号来实现对气溶胶光学参量的反演[17]。激光雷达系统可以通过接收在387 nm和607 nm处的氮气拉曼散射信号(分别对应发射波长355 nm和532 nm)并通过公式(1)反演获取在发射波长处的气溶胶消光系数,之后利用氮气拉曼散射信号及对应的弹性散射信号实现对气溶胶后向散射系数的反演,此计算过程称为Raman法[12]。
式中:
$ {\lambda }_{0} $ 和${\lambda }_{\rm R}$ 分别表示激光发射波长和对应的拉曼散射波长;${P}_{\rm R}\left({\textit{z}}\right)$ 为激光雷达接收到的来自距离z在波长${\lambda }_{\rm R}$ 处的拉曼散射回波信号;${N}_{\rm R}\left({\textit{z}}\right)$ 为大气中的氮气分子数密度;${\alpha }_{{\lambda }_{0}}^{\rm mol}\left({\textit{z}}\right)$ 和${\alpha }_{{\lambda }_{\rm R}}^{\rm mol}\left({\textit{z}}\right)$ 分别表示在波长${\lambda }_{0}\mathrm{和}{\lambda }_{\rm R}$ 处的随高度变化的分子消光系数。多波长拉曼激光雷达可以实现独立反演气溶胶消光和后向散射系数[12],但由于拉曼散射回波信号较弱,因此只有在没有强烈太阳背景的夜间条件下进行拉曼散射信号的测量,而对于白天观测期间,通常只有弹性散射信号可以用于观测及研究。通过弹性散射信号反演气溶胶后向散射系数的算法称为弹性散射法[18-19],由于弹性散射激光雷达方程中包含两个未知量(气溶胶消光及后向散射系数),在通过弹性散射信号反演气溶胶后向散射系数时需要对激光雷达比进行假设,不合适的激光雷达比将会对反演结果引入较大的不确定度[20]。此外,红外波段对于光子计数模式下的探测非常具有挑战性[21-22],因此,在红外波段也通常仅探测弹性散射信号。
-
气溶胶的分类是基于不同类型气溶胶的光学参数的差异反映其不同特性[23]。多波长拉曼激光雷达反演获取的气溶胶光学参量(气溶胶消光和后向散射系数)可用于气溶胶分类等后续研究。利用气溶胶消光和后向散射系数可以计算激光雷达比
$ {S}^{\lambda } $ ,该参量与气溶胶颗粒物的形状、大小尺寸以及化学成分有关[24]。当获取多个波长处的激光雷达比,对应的双波长色比可以通过下式计算得到[25]:式中:
$ {S}^{{\lambda }_{1}} $ 和$ {S}^{{\lambda }_{2}} $ 分别表示在波长$ {\lambda }_{1} $ 、$ {\lambda }_{2} $ 处的气溶胶激光雷达比。此外,利用已获取的气溶胶光学参量还可以通过公式(3)反演对气溶胶尺寸敏感的Ångström指数[25]:
式中:X表示在波长
$ {\lambda }_{1} $ 、$ {\lambda }_{2} $ 处的气溶胶消光系数或者后向散射系数。Ångström指数是度量气溶胶颗粒尺度分布的一个重要参量,并且与气溶胶颗粒物的平均半径有较好的相关性[26]。上述的气溶胶激光雷达比、双波长色比以及Ångström指数等参量是进行气溶胶分类的理论基础。而实现气溶胶的分类是基于大量的实验观测结果以及对特殊类型的气溶胶(如沙尘气溶胶等)进行实地探测,再经过大量数据的分析、定标后实现气溶胶的合理分类,并最终确定不同种类气溶胶类型相关特性的典型值[23]。根据Papagiannopoulos等人总结的相关研究资料[25],表1中列举了不同气溶胶类型的激光雷达比和Ångström指数的典型值,可依据此表数据值对气溶胶进行初步分类。由于气溶胶分类是一种定性的类型分配方法,因此,在最终确定气溶胶类型时可能会出现错误[25]。表中,CC表示干净的大陆气溶胶,PC表示污染的大陆气溶胶,D表示沙尘,MD表示混合的沙尘,PD表示污染的沙尘,MM表示混合的海盐气溶胶,S表示烟尘,V表示火山灰。
Type $ {S}^{355} $/sr $ {S}^{532} $/sr $ {\kappa }_{\alpha }\left({355,532}\right) $ ${\kappa }_{\beta }\left({355,1\;064}\right)$ ${\kappa }_{\beta }\left({532,1\;064}\right)$ $ {\kappa }_{\beta }\left({355,532}\right) $ CC 50±8 41±6 1.7±0.6 1.0±0.2 1.0±0.3 1.3±0.3 PC 69±12 63±13 1.7±0.5 1.3±0.3 1.3±0.2 1.4±0.6 D 58±12 55±7 0.3±0.4 0.4±0.1 0.4±0.1 0.3±0.2 MD 42±4 47±6 0.5±0.3 0.5±0.2 0.4±0.3 0.7±0.3 PD 54±8 64±9 0.6±0.2 0.9±0.3 0.8±0.1 1.0±0.5 MM 25±7 24±8 0.9±0.3 0.8±0.1 0.8±0.2 1.0±0.3 S 81±16 78±11 1.3±0.3 1.3±0.1 1.3±0.1 1.2±0.3 V 50±11 48±13 0.2±0.3 0.1±0.1 0.4±0.3 0.2±0.3 Table 1. Mean and standard deviation of typical values of aerosol type related characteristics
-
研究中所使用的多波长拉曼激光雷达预处理数据分别来自:意大利环境分析方法研究所(40.600°N, 15.720°E)、德国莱布尼兹对流层研究所 (51.350°N, 12.433°E)、葡萄牙埃武拉大学 (38.567°N, −7.911°E)以及法国里尔大学 (50.611°N, 3.141°E)。表2中列出了上述各机构的多波长拉曼激光雷达系统基本信息。这4个站点均属于欧洲气溶胶研究激光雷达网(European Aerosol Research Lidar Network, EARLINET)[27]。观测数据选自EARLINET两次集中观测任务:2020年5月1日~31日,ACTRIS 全球新冠大流行欧洲封闭期间观测任务,以及2012年7月9日~12日,EARLINET 72 h连续观测任务[28-29]。
Lidar Elastic scattering/nm Raman/nm Institution 355 532 1 064 387 607 530 MUSA √ √ √ √ √ CNR-IMAA, Potenza, Italy LRD200 √ √ PollyXT √ √ √ √ √ TROPOS, Leipzig, Germany PAOLI √ √ √ √ √ Universidade de Évora, Portugal LILAS √ √ √ √ √ Université de Lille, France Table 2. Basic information of EARLINET observing stations
用于反演的数据均是由EARLINET开发的自动反演程序(Single Calculus Chain, SCC)中的数据预处理模块(EARLINET Lidar Pre-Processor, ELPP)[30]提供的预处理数据产品。这些预处理数据是经过死时间校正、大气背景和系统暗信号的移除、触发延迟校正以及激光雷达信号粘接等处理后的可直接用于后续反演,且已通过EARLINET质量保证的产品。从ELPP获取的不同站点的预处理数据具有相同的距离分辨率(60 m),通常每一条信号廓线的累积时间为1 h。但是不排除特殊情况的出现(如低云或者降雨等),信号累计时间会有所减少。
-
无论是通过Raman法反演气溶胶消光和后向散射系数或者仅通过弹性散射信号反演气溶胶后向散射系数时,大气分子数密度均是一个重要的输入参量。该参量是通过下式反演得到的:
式中:P(z)代表大气压强;T(z)为大气温度;k为玻耳兹曼常量(k=1.38×10−23 J/K)。大气的温度和压强信息可以通过大气模式来获得。目前常用的大气模式主要分为全球预测模式以及全球再分析模式。相较于预测模式,再分析模式可以同化更多的观测数据,因此可提供更为准确的大气信息。但是,再分析模式数据的获取具有一定的滞后性(通常为1~2个月),因此不能用于激光雷达近实时的观测反演,而预测模式成为实现近实时观测反演的最佳选择。
为了研究不同模式(预测和再分析模式)对于气溶胶光学参量反演以及气溶胶分类的影响,再分析模式选用欧洲中尺度天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)的第5代再分析系统(ERA5)提供的大气温度和压强垂直分布数据[14]。预测模式分别来自ECMWF的综合预报系统数据(IFS_ECMWF)[15]以及美国NOAA国家环境预测中心开发的大气模式(GDAS)[16]。其中,IFS_ECMWF模式用于Potenza和Leipzig站点, GDAS模式用于Evora和Lille站点,ERA5模式则用于上述所有4个站点,这是由各站点实际可获取的大气模式源所决定的。此外,ERA5、IFS_ECMWF和GDAS模式提供的温度和压强数据的垂直气压分层是固定的,如表3所示,但是其垂直分辨率随高度的升高而降低,例如,ERA5模式垂直分辨率可以从~20 m降低到~4000 m,而来自不同站点的激光雷达数据在整个观测范围内的垂直分辨率均为60 m。因此,对模式数据进行线性插值处理来获取与激光雷达观测数据对应高度处的温度和压强信息。
Dataset Vertical pressure levels ERA5 137 vertical levels from the surface to 0.02 hPa IFS_ECMWF 137 vertical levels from the surface to 0.01 hPa GDAS 23 vertical levels from the surface to 20 hPa Table 3. Vertical pressure levels of different model data
-
图2所示的是法国里尔站点于2020年5月8日,20:00~21:00 UTC,分子数密度以及通过Raman法获取的355 nm处的气溶胶光学参量(消光和后向散射系数) 的反演结果在使用不同大气模式(GDAS和ERA5)情况下所产生的相对偏差。从图2(a)中可以看出,大气分子数密度相对偏差数值较小且随高度变化缓慢,而在图2(b)中,气溶胶消光系数的相对偏差随高度变化较大,在图中所示高度范围内最大偏差值为~35%。对于气溶胶后向散射系数,图2(c)中出现了明显的突变,这是由于在突变位置高度处,气溶胶后向散射系数数值已经低于系统的探测极限,因此只考虑突变高度以下区域的结果,可以看出使用不同大气模式对反演后向散射系数造成的相对偏差数值较小且随高度变化不大。
Figure 2. The use of different atmospheric models (GDAS and ERA5) for the case of the Lille site in France (8th May, 2020, 20:00 to 21:00 UTC) has an impact on the retrieval results. (a) Relative deviation of the atmospheric molecular number density; (b) Relative deviation of the aerosol extinction coefficient at 355 nm obtained by the Raman method; (c) Relative deviation of the aerosol backscatter coefficient at 355 nm obtained by the Raman method
文中主要针对大气模式在一定高度区间内对气溶胶光学参量反演结果影响的平均效应进行研究。图3为在波长355 nm处,各站点Raman法反演气溶胶消光系数的平均相对偏差(蓝色)及对应分子数密度平均相对偏差(红色)。可以看出,气溶胶消光系数的偏差结果浮动较大,但所有案例的分子数密度偏差结果变化不大,且始终小于±3%。波长532 nm处的结果与355 nm处的结果类似(图未给出)。表4中列出了在所有站点案例中,不同模式的使用对于Raman法获取的在两个不同波长处的气溶胶消光系数所产生的最大偏差及对应的分子数密度偏差。如表所示,在两个波长处最大偏差均可达到~20%,而对应的分子数密度偏差较小。该结果表明,Raman法反演气溶胶消光系数对大气模式的选择较为敏感,不同模式提供的大气温度、压强数据将导致气溶胶消光系数反演结果出现较大的偏差,并且由不同模式引起的分子数密度的差异不是影响气溶胶消光系数产生较大偏差的主要因素。分析其原因是由于在使用公式(1)反演消光系数的过程中需要对
$\mathrm{l}\mathrm{n}\left[{N}_{\rm R}\left({\textit{z}}\right)/\left({P}_{\rm R}\right({\textit{z}}){{\textit{z}}}^{2}\right)]$ 求导数,说明在反演消光系数不仅会受到分子数密度数值差异的影响,也会受到分子数密度廓线斜率的影响,这也印证了Ansmann等人的研究结果[12],并且该文献提到用于计算分子数密度的大气温度数据是重要的影响因素。Figure 3. Mean relative deviation of aerosol extinction coefficient and molecular number density at 355 nm from four stations
Algorithm Raman method Wavelength/nm 355 532 Maximum deviation ${{D} }_{\alpha }$ 20.43% 19.44% Corresponding deviation $ {D}_{N} $ 0.59% 0.44% Table 4. Maximum deviation of different models for aerosol extinction coefficient obtained by Raman algorithm at different wavelengths and corresponding deviation of molecular number density from four stations
对于气溶胶后向散射系数,由不同模式引起的Raman法和弹性散射法反演结果的偏差整体小于气溶胶消光系数的偏差,限于篇幅图未给出。为便于分析,表5中列出了考虑所有站点案例,不同模式对于两种算法在不同波长处获取气溶胶后向散射系数所产生的最大偏差及对应的分子数密度偏差。可以看出,在355 nm处,使用弹性散射法反演后向散射系数时最大偏差值超过10%,而在其他情况下,两种算法获取的后向散射系数的最大偏差均小于±5%。此外,对比两种算法结果发现,对于弹性散射法,随着观测波长的增加,后向散射系数的最大偏差逐渐降低。而Raman法在两个波长处的后向散射系数最大偏差均较小,且与观测波长无明显依赖性。分析认为其原因是通过Raman法反演气溶胶后向散射系数时,需计算两种散射信号(弹性散射信号及对应氮气拉曼散射信号)的比值,此过程降低了不同模式数据的差异对反演结果的影响。此外,相较于白天,夜晚观测获取的散射信号具有更高的信噪比,将有助于降低不同模式引起的后向散射系数偏差对观测波长的依赖性。
Algorithm Raman method Elastic scattering method Wavelength/nm 355 532 355 532 1064 Maximum deviation $ {D}_{\beta } $ −2.22% −2.27% 11.11% 4.80% 2.79% Corresponding deviation $ {D}_{N} $ −2.29% −2.16% −2.02% 0.20% 1.56% Table 5. Maximum deviation of different models for backscatter obtained by two algorithms at different wavelengths and corresponding deviation of molecular number density from four stations
研究还发现,大气气溶胶浓度会对Raman法和弹性散射法获取的气溶胶光学参量反演结果产生影响,并且对于弹性散射法获取的后向散射系数的偏差影响较为显著,下面仅以弹性散射法的偏差结果为例进行详细论述。图4为使用弹性散射法反演获取的在3个波长处的气溶胶后向散射系数平均相对偏差与气溶胶浓度之间的关系,红点表示不同案例的结果,蓝色虚线为图中所示案例线性拟合结果,K为拟合直线的斜率值。从图4(a)中可以看出,气溶胶浓度最低的情况所对应的后向散射系数偏差值最大,在低气溶胶浓度区域(IB<0.0015 sr−1)偏差值较为分散,随着气溶胶浓度的增加,偏差值趋于稳定。在图4(b)中,低气溶胶浓度区域内的偏差值同样较为分散,但相较于图4(a),气溶胶浓度与后向散射系数偏差的相关性降低,而在1064 nm处的后向散射系数的偏差基本不随浓度的变化而改变(如图4(c)所示)。
Figure 4. Relationship between the mean relative deviation of back-scatter coefficient and aerosol concentration
对图4中,各观测波长处在低气溶胶区域内(IB<0.0015 sr−1)所有案例中的最大偏差值、平均偏差值以及标准差分别进行统计,结果如表6所示。可以看出,随着波长的增加,低气溶胶区域内各项统计结果均逐渐减小,表明大气气溶胶浓度对于弹性散射反演结果的影响随激光雷达观测波长的增加而降低。分析其原因可能是在较长波段下,气溶胶散射和分子散射信号的对比度较高所导致的结果。当气溶胶浓度较低时,相较于532 nm和1064 nm,激光雷达在355 nm处获取的弹性散射信号中的分子后向散射信号更占主导作用,因此会使得在较短波长处反演后向散射系数的结果更不稳定。此外,从355 nm处的统计结果可以看出,其平均偏差小于5%,但存在最大偏差超过10%的案例,说明短波长处使用弹性散射信号反演后向散射系数时,在低气溶胶浓度情况下,虽然选取不同的大气模式数据对于反演结果整体的影响较小,但是不排除出现较大偏差的可能性。
Statistics project Results 355 nm 532 nm 1064 nm Maximum deviation 11.11% 4.8% 2.79% Mean value 4.26% 1.58% 0.74% Standard deviation 2.80% 1.27% 1.24% Table 6. Maximum deviation, mean value and standard deviation in the low aerosol concentration region (IB < 0.0015 sr−1) at three wavelengths from four stations
近实时的观测反演气溶胶光学参量对于研究环境污染、大气传输等具有重要意义,而地基、星载激光雷达系统需要通过使用预测模式来实现对气溶胶光学参量近实时的观测反演。但是,相较于预测模式,再分析模式提供的数据通常更加符合真实的大气特征。通过上文分析可以看出,预测模式与再分析模式提供的数据对于气溶胶光学参量的反演,尤其是对Raman法反演气溶胶消光系数的影响较大。此外,大气气溶胶浓度在激光雷达近实时观测反演时也是需要考虑的影响因子。因为在低气溶胶浓度条件下,对于短波长处仅通过弹性散射信号反演气溶胶后向散射系数的情况,其反演结果对选用不同大气模式较为敏感,这也验证了 Ansmann等人的研究结果[32]。因此,在地基、星载激光雷达系统近实时观测反演后,建议有必要使用再分析模式对观测数据进行再次处理以获取更为准确的气溶胶光学参量进而用于后续的研究。
-
从上文中的分析发现,反演气溶胶光学参量时选取不同的大气模式计算结果会产生偏差。而与气溶胶类型相关的参量,如激光雷达比、双波长色比以及Ångström指数等与气溶胶消光和后向散射系数存在直接或间接的联系,因此分析认为不同大气模式也会对以上几个参量的反演结果产生影响,并最终影响气溶胶的分类结果。为了验证此分析内容,对表2中4个站点的观测案例进行了研究,由于篇幅有限,文中仅以Evora观测站点(38.567°N, −7.911°E)于2020年5月21日,20:00~21:00 UTC的观测结果为例进行分析。
图5所示的是使用两种大气模式(GDAS和ERA5)分别通过Raman法反演得到的在355 nm和532 nm处的气溶胶消光系数。红色实线表示使用GDAS模式数据的反演结果,蓝色虚线为使用ERA5模式的反演结果。可以看出,在海拔1.3~2 km范围内,使用不同模式所获取的消光系数廓线在两个观测波段处均具有较大的差异,最大偏差结果分别为~12%@355 nm,~19%@532 nm。
Figure 5. Aerosol extinction coefficient obtained by Raman method using different atmospheric models
图6为使用不同模式分别通过Raman法反演得到的在355 nm和532 nm处的气溶胶后向散射系数以及通过弹性散射法反演得到的在1064 nm处的后向散射系数。可以看出,在反演气溶胶后向散射系数时,使用不同的大气模式所得到的反演结果在3个不同波段处一致性较好,并且相较于图5,不同模式对于两种反演气溶胶后向散射系数算法的结果影响均较小。在海拔1.3~2 km范围内,后向散射系数在3个波段处的最大偏差分别为~−1.8%@355 nm,~−2.0%@532 nm和~−0.78%@1064 nm。
Figure 6. Aerosol backscatter coefficient obtained by the Raman and elastic scattering methods using different models
使用不同模式反演得到的在355 nm和532 nm处的气溶胶激光雷达比
$ ({S}^{532}/{S}^{355}) $ 以及双波长色比结果,如图7所示。图7(a)、(b)中,在两个观测波长处的激光雷达比均具有一定的差异。分析其原因主要是由于不同大气模式对气溶胶消光系数的反演结果影响较大,并最终影响激光雷达比的反演。在海拔1.3~2 km范围内,两波长处的激光雷达比最大偏差分别为~14%@355 nm,~21%@532 nm。文中案例中双波长色比偏差结果较小,如图7(c)所示,在海拔1.3~2 km范围内的最大偏差为~6.5%。Figure 7. Aerosol lidar ratio and color ratio results of dual wavelength obtained by different atmospheric models
图8为在不同模式使用情况下通过公式(3)反演得到的Ångström指数。图8(a)中与气溶胶消光系数相关的两Ångström指数廓线具有一定的差异,而对于与气溶胶后向散射系数相关的Ångström指数,来自两种大气模式的计算结果基本一致(如图8(b)~(d)所示)。在海拔1.3~2 km范围内,不同类型的Ångström指数最大偏差分别为~11%
$ {\mathrm{\kappa }}_{\alpha }\left(\mathrm{355,532}\right) $ ,~0.48%$ {{\kappa }}_{\beta } $ (355, 532), ~−0.96%$ {\mathrm{\kappa }}_{\beta }\left(\mathrm{355,1\;064}\right) $ ,~−1.7%$ {\mathrm{\kappa }}_{\beta } $ (532, 1 064)。根据图5和图6可知,文中案例在海拔1.3~2 km范围内,气溶胶浓度水平较高,并且在两个波段处的激光雷达比变化较小(如图7(a)、(b)所示),分析认为在此高度范围内可能含有同种类型的气溶胶颗粒物。由于Evora站点海拔高度290 m,该站点的PAOLI激光雷达系统收发视场完全重合高度为800 m,此外,在气溶胶消光系数的反演过程中对激光雷达观测数据进行了滑动线性拟合处理,为了排除激光雷达系统几何因子的影响,最终选取海拔1.5~2 km范围内观测结果进行分析。
表7列出了在海拔1.5~2 km范围内,使用两种大气模式(GDAS和ERA5)分别反演得到的气溶胶类型相关参量的平均值及标准差。可以看出,对于与气溶胶消光系数和后向散射系数相关的Ångström指数,使用不同模式反演得到的结果基本一致,且在1附近变化;对于双波长色比,使用两种模式的反演结果均为1.1±0.2;而对于激光雷达比,在两个观测波长处,反演结果表现出较大的差异。
对比表1中所列气溶胶类型及典型值,表7中与气溶胶消光系数和后向散射系数相关的Ångström指数结果与混合类型的海盐颗粒物(海盐颗粒物占主体混有沙尘颗粒物)的典型值具有较好的一致性。但是,该类型的气溶胶与其他气溶胶混合类型的Ång-ström指数典型值存在交集,因此,文中案例中激光雷达比成为确定气溶胶类型的重要依据。可以看出,使用两种大气模式(GDAS和ERA5)分别反演得到的激光雷达比结果在两个波段处均大于混合类型的海盐颗粒物所对应的典型值(
$ {S}^{355} $ =(25±7) sr,$ {S}^{532} $ =(24±8) sr)。对比表1中所列的其他气溶胶类型的激光雷达比典型值可以发现,通过ERA5模式反演得到的结果与混合类型的沙尘颗粒物(沙尘颗粒物占主体并混有海盐气溶胶)的典型值($ {S}^{355} $ =(42±4) sr,$ {S}^{532} $ =(47±6) sr)较为接近,而通过GDAS模式反演得到的结果则介于上述两种气溶胶类型典型值之间。因此,根据ERA5模式反演结果可以初步判定海拔1.5~2 km范围内气溶胶种类为混合类型沙尘颗粒物,而根据GDAS模式反演结果则可能判定为其他气溶胶颗粒物的混合情况。Model Related parameters $ {\mathrm{\kappa }}_{\alpha }\left(\mathrm{355,532}\right) $ $ {\mathrm{\kappa }}_{\beta }\left(\mathrm{355,532}\right) $ ${\mathrm{\kappa } }_{\beta }\left(\mathrm{355,1\;064}\right)$ ${\mathrm{\kappa } }_{\beta }\left(\mathrm{532,1\;064}\right)$ $ {S}^{355} $/sr $ {S}^{532} $/sr ${ {Y} }\left(\mathrm{532,355}\right)$ GDAS 0.9±0.3 1.2±0.2 1.1±0.1 1.0±0.1 36±2 40±7 1.1±0.2 ERA5 0.8±0.3 1.2±0.2 1.1±0.1 1.0±0.1 39±2 45±6 1.1±0.2 Table 7. Mean value and standard deviation of related parameters of aerosol type using different atmospheric models at an altitude of 1.5-2 km
为了印证上述分类结果的合理性,还使用美国NOAA提供的HYSPLIT后向轨迹模式,对本案例中的气溶胶的来源及行进轨迹进行模拟。图9为HYSPLIT模式提供的Evora地区海拔高度1.5 km和2 km处,气溶胶48 h后向轨迹结果。可以看出,在两个高度处的气溶胶来源方向虽然不同,但均是来自于大西洋的海盐颗粒物。由于Evora站点并未与海洋直接相连,当海盐气溶胶通过大气传输至Evora站点上空时,会伴随有陆地沙尘以及烟尘的混入,此过程会减小气溶胶混合物的大小并增加其吸收能力,最终导致观测到的气溶胶激光雷达比数值高于海盐气溶胶的典型值。因此将1.5~2 km范围内气溶胶类型归类于混合类型的沙尘颗粒物(ERA5分析结果)或者其他气溶胶颗粒物的混合情况(GDAS分析结果)均具有一定的合理性。至于传输到Evora上空的气溶胶中哪一种气溶胶颗粒物占主体(海盐颗粒物或者陆地沙尘),还将依赖于后续对气溶胶类型进一步的研究分析。
当气溶胶种类成分较为复杂情况下,仅根据Ångström指数结果无法区分气溶胶种类时,激光雷达比对于气溶胶类型的分类起到重要的作用。通过上述分析可知,使用不同大气模式反演得到的激光雷达比的差异会最终影响气溶胶的分类结果。此外,在对表2中的其他站点观测案例进行分析时,同样发现不同的大气模式会对气溶胶的分类结果产生影响。这表明,在根据不同大气模式反演得到的气溶胶类型相关的参量对气溶胶进行分类时,存在分类结果与真实情况出现偏差的可能性。因此,建议使用更为接近真实大气特征的再分析模式(ERA5)对激光雷达观测数据进行反演,并基于此结果对气溶胶种类进行研究。
Influence of atmospheric models on the aerosol optical parameters inversion and classification
doi: 10.3788/IRLA20220262
- Received Date: 2022-04-18
- Rev Recd Date: 2022-05-13
- Publish Date: 2023-01-18
-
Key words:
- atmospheric model /
- aerosol /
- lidar /
- deviation /
- aerosol classification
Abstract: Aerosols have a significant impact on the global ecosystem, material cycle, so it is important to study the accuracy of basic data such as aerosol optical parameters. Using the data from four observing stations (Potenza, Leipzig, Lille, Evora) of the European Aerosol Research Lidar Network during two intensive measurement campaigns, the effects of temperature and pressure profiles provided by different atmospheric models on the inversion of aerosol optical parameters (extinction and backscatter coefficients) and aerosol classification are analyzed. The results show that: different atmoshpere models have an influence on the retrieval results of aerosol optical parameters, resulting in deviations in the calculation results, more influence can be found from the aerosol extinction coefficients obtained by the Raman method, with the maximum deviation ~20% at both 355 nm and 532 nm. Atmosphere aerosol concentration can also affect the retrieval results of aerosol optical parameter with different models and vary with the wavelength of observation. In addition, different models can influence the retrieval results of the aerosol lidar ratio and Ångström exponent, which are related to aerosol types, and ultimately affect the aerosol classification. The results are significant for revealing the importance of the selection of atmospheric models in the retrieval of aerosol optical parameters, for aerosol classification and related research in atmospheric science.