-
一氧化碳(CO)是一种重要的空气污染物，具有分布广、数量多和积累性强等特点[1]，于2012年被正式列入环境空气质量监测范围内，2013年起在全国逐步开展监测工作。大气中的CO污染物主要来源于自然和人为活动：自然源主要包括CH4的氧化以及海洋和植物的排放；人为源主要是含碳物质的不完全燃烧（如机动车尾气和工业生产排放）和森林砍伐[2-3]。CO主要影响人体的心血管和中枢神经系统[4-5]，轻度CO中毒可产生头痛、头晕和恶心呕吐等非特异性症状[5]。长期接触高浓度CO可造成心律失常，诱发或加重冠心病[4]，导致神经损伤[6]，产生永久性神经后遗症[5]，严重时可导致意识障碍、昏迷甚至死亡[6]。CO还是一种重要的反应性气体，可参与光化学反应生成O3，造成二次污染[7-8]。此外，CO可与羟基·OH发生氧化反应，消耗大量的·OH，减弱大气的氧化能力，间接影响其他温室气体的反应，加剧温室效应[9-10]。
王占山等[2]对2014年北京市35个地面监测站点的CO数据进行分析发现，CO浓度的月度变化呈“U字型”分布特征，采暖季浓度高于非采暖季，日变化则呈双峰型，峰值分别出现在07:00～09:00和23:00左右，气象要素中相对湿度对CO浓度影响最大。方双喜等[11]在浙江省临安市大气本底站对CO进行了在线观测，结果表明人为活动对CO浓度日变化有显著的影响，四季中分别在07:00～10:00和19:00～20:00出现峰值，全年CO浓度呈现出冬、春季高，夏季低的趋势，而城市区域向临安输送的CO对观测结果有明显影响。杨继东等[12]分析了天津市12个国控监测站点的CO数据，发现CO日变化规律明显，呈典型双峰型，09:00和23:00出现峰值，16:00出现谷值，冬季CO浓度最高，夏季反之最低，CO和O3、CO和气温间均呈现出较好的负相关性。冯鑫媛等[13]研究了川渝地区大气污染物浓度的时空分布特征及区域差异，结果表明CO浓度冬季高夏季低，与除O3外的其他污染物变化特征一致，其日变化同样也呈双峰型，高峰出现在夜间和上午，同时，日变化特征还存在区域和季节上的差异，高原地区双峰型污染物的上午高峰通常高于夜间，盆地各区域则相反。王叶琳等[14]利用2010～2018年西安市的监测数据，分析了大气污染物的时空变化特征，研究发现CO浓度自2013年起逐年下降，月度变化为开口向上的抛物线型，冬季高夏季低，因具有高度的同源性，CO与SO2、NO2、PM2.5和PM10间均存在着不同程度的正相关。
兰州市地处中国西北部，是重要的工业城市，人口众多，机动车保有量大，冬季燃煤供暖时间长，同时兰州市还是典型的河谷城市，特殊的地形条件导致逆温静风天气频率高[15]，污染物的扩散条件差，易形成严重的污染天气。近些年来，民众普遍将注意点放在了颗粒物和O3上，却忽略了对CO污染的研究。兰州作为一个发展中的城市，其机动车保有量在不断地增加，2019年年末全市机动车保有量109.50万辆[16]，较2015年年末的80.46万辆增加了36.1%[17]。而机动车的尾气排放恰恰是CO的重要来源之一，因此有必要对兰州市近几年的CO污染情况做一个统计分析。本研究利用2015年1月1日～2020年12月31日兰州市6个国控空气质量监测站点的CO污染物浓度数据和同期的气象观测数据，探究了兰州市CO浓度时空分布特征、CO与其他污染物、气象要素之间的关系，以期为兰州市的CO污染防治提供参考依据。
-
本研究所使用的空气污染物(CO、O3、NO2、SO2、PM2.5和PM10)逐小时浓度数据来自于兰州生态环境监测中心，共收集了2015年1月1日～2020 年12月31日兰州市6个国控空气质量监测站点的数据资料，包括职工医院(2015 年1月1日～2018 年11月15日)、兰炼宾馆、生物制品所、铁路设计院、教育港(2019 年6月1日～2020 年12月31日)和榆中兰大校区。其中，生物制品所、铁路设计院位于城关区,职工医院位于七里河区，教育港位于安宁区，兰炼宾馆位于西固区，榆中兰大校区位于榆中县，该站点远离主城区，受主城区影响较小，是清洁对照点。监测站点的位置分布，见图1。
2015年1月1日～2020年12月31日兰州市气象观测资料来源于兰州市气象局，收集的信息包括逐日平均气温（℃）、相对湿度（%）、气压（hPa）和风速（m/s）。
-
利用CO逐小时浓度资料，统计分析了兰州市区(主城区内所有站点浓度均值)和榆中兰大校区CO浓度的时间分布特征，讨论了CO与其他污染物、气象要素之间的关系，并在兰州市区、榆中兰大校区和不同监测站点之间进行了对比分析。比较了采暖期(11月1日至次年4月1日)和非采暖期兰州市区、榆中兰大校区和不同监测站点之间CO浓度的差异。此外，还利用兰州市环境空气质量监测报告中的相关记录进行了首要污染物天数的统计分析。
-
兰州市首要污染物天数的统计，见表1。
表1可知，2015～2020年，颗粒物作为首要污染物的天数最多，总计为1 176 d，O3为565 d，NO2为401 d，CO仅有1 d。一直以来，颗粒物都是影响兰州市空气质量的重要污染物，尽管近几年，其作为首要污染物的天数呈现出下降趋势，但直到2020年仍有145 d，这说明目前兰州市颗粒物污染状况依旧严峻。值得注意的是，O3作为首要污染物的天数正逐年增加，2020年的天数为2015年的2.6倍，可见兰州市O3污染状况逐渐加重，O3成为继颗粒物之后影响空气质量的又一重要污染物。而CO作为首要污染物的天数仅有1 d，表明兰州市CO污染相对较轻，对空气质量的影响较小。
研究期间兰州市区CO平均浓度为1.182 mg/m3，有7 d超过环境空气质量二级标准，榆中兰大校区作为对照点，CO平均浓度为0.850 mg/m3，仅有2 d超过二级标准。其余站点中，铁路设计院和职工医院位于兰州市城关区和七里河区，是主要的居民生活场所，交通繁忙，汽车尾气排放较重，CO平均浓度超过二级标准的天数也相对较多。教育港CO平均浓度<1 mg/m3，这是因为近几年兰州市CO污染状况整体上有所好转，而该站点自2019年6月1日起开始监测，数据的时间范围较短，因此其CO平均浓度明显低于主城区内其他站点浓度。整体上看，兰州市的CO污染较轻，表2。
-
兰州市区和榆中兰大校区CO浓度的年际变化特征，见图2。兰州市区的CO 年均浓度呈现平稳下降趋势，由2015年1.425降至2020年的0.981 mg/m3，CO污染逐 年减轻，表明兰州市能源结构优化、污染治理措施成效显著。榆中兰大校区作为对照点，远离主城区，研究期间CO 年均浓度均低于兰州市区。就其年际变化可知，2015～2017年CO 年均浓度下降比较明显，2017年达到最低值0.700 mg/m3后，又出现增加趋势，2020年，其 年均浓度增加到0.803 mg/m3，和兰州市区的差距为历 年最小，CO污染有所加重。这可能是因为榆中县近几年大力发展经济，构建“三区三园四带”产业布局，其本地CO排放较以前有所增加。
-
兰州市区和榆中兰大校区CO浓度的月度变化特征，见图3。
图3可知，兰州市区和榆中兰大校区的CO月均浓度变化趋势基本一致，呈现出“U字型”。在11、12、1和2月，兰州市区CO浓度整体上较高，在12月达到峰值为2.201 mg/m3，5月浓度最低为0.689 mg/m3；而榆中兰大校区在12、1和2月CO浓度较高，峰值出现在1月，为1.407 mg/m3，6月浓度最低为0.594 mg/m3。整体上兰州市CO浓度冬季较高而夏季较低。冬季由于燃煤供暖，CO排放强度大，而兰州市的河谷地形导致冬季逆温层厚且稳定，逆温天数多，限制了CO的垂直扩散，同时兰州市冬季静风频率高，平流输送扩散的能力也较弱，源强而汇弱，使得其浓度显著高于其他月份。而在夏季，CO排放强度较弱，且由于地表温度高，对流活动旺盛，垂直扩散条件较好，利于CO的稀释。此外，CO还是O3的前体物之一，夏季光照条件好，光化学反应速率高，消耗了更多的CO。
-
不同监测站点和兰州市区CO浓度日变化特征，见图4。
整体来看，主城区内不同监测站点CO浓度呈现出双峰型日变化，日间高峰主要出现在09:00，是由交通早高峰时期机动车尾气排放导致的。随后CO浓度迅速下降，在17:00左右达到谷值，这和CO的排放减少而消耗增加有关。夜间高峰主要出现在21:00，除了受交通晚高峰影响外，还因为兰州市实施货车日间限行政策。虽然存在2个高峰值，但夜间高峰明显低于日间高峰，冯鑫媛等[13]对于川渝地区大气污染物的研究也发现了这一现象。这种差异可能和兰州市地面风速的日变化有关，主城区地面风速在19:00～20:00间最大[18]，对CO起到了很大的稀释作用。
相较于市区的双峰，榆中兰大校区的CO浓度仅存在日间高峰，12:00达到峰值后缓慢减小。榆中县的CO污染主要由市区输送造成，经过不断扩散稀释,到达榆中县时浓度已相对较小。同时夜间受极大风速影响[18]，榆中县CO浓度呈现出日间单峰且峰值小、峰值出现的时间滞后于市区。
兰州市区和榆中兰大校区CO浓度四季的日变化特征，见图5。四季中，兰州市区的CO浓度均呈现出双峰型日变化，春、夏、秋季日间高峰出现在09:00，冬季则出现在11:00，可能是因为冬季昼短夜长，交通早高峰的时间有所延后。春、夏季的夜间高峰出现在22:00，秋、冬季由于交通晚高峰提前且车流量较为集中，17:00起CO浓度就有了非常明显的增加，21:00便达到了高峰。总的来说，夜间高峰均低于日间高峰，秋季两者之间的差异相对最小。榆中兰大校区的CO浓度在春、夏季呈现出单峰型日变化，日间高峰出现在12:00，秋、冬季日变化幅度较小，秋季在13:00有一个相对高值，冬季则没有明显的高值。不同季节里，兰州市区的CO浓度均高于榆中兰大校区，秋、冬季两者的差异较大，主要原因为排放强度有所不同。
-
兰州市采暖期和非采暖期间CO浓度分布情况，见图6。
采暖期，兰州市区CO浓度为1.687 mg/m3，榆中兰大校区为1.109 mg/m3，主城区站点中CO浓度较高的是职工医院和铁路设计院，分别为2.019和1.932 mg/m3。非采暖期，兰州市区CO浓度为0.820 mg/m3，榆中兰大校区为0.663 mg/m3，主城区CO浓度较高的是铁路设计院和生物制品所，分别为0.898和0.874 mg/m3。采暖期间任何站点和兰州市区的CO浓度值均显著高于非采暖期，是非采暖期的2倍左右，除了因为燃煤加强了CO的排放强度外，兰州市冬季逆温和静风频率高，污染物难以扩散，造成了累积，同时太阳辐射强度弱，光化学反应不活跃，CO消耗量也较少。
-
兰州市区6种空气污染物的浓度变化特征，见图7。CO、NO2的日变化趋势基本一致，为双峰型。日间高峰出现在09:00～10:00，夜间高峰出现在21:00～22:00，谷值出现在16:00～17:00，进一步计算CO与NO2浓度之间的相关系数为0.718，且通过了双侧0.01水平的显著性检验，说明两者之间存在着显著的正相关性，这是因为CO、NO2均来自于燃料燃烧和机动车尾气。O3则呈现出单峰型日变化，峰值出现在15:00，谷值出现在08:00，和CO、NO2近乎相反，其与CO、NO2的相关系数分别为−0.439和−0.533且均通过了双侧0.01水平的显著性检验，即呈现出显著的负相关。这是因为CO和NO2是O3的前体物，08:00起，交通早高峰机动车尾气排放较重，而此时的光化学反应并不强，CO、NO2进一步累积，直至09:00～10:00，排放有所减弱，光化学反应又进一步加强，消耗增加，因此CO、NO2浓度开始下降，当O3浓度达到峰值之后，CO、NO2的浓度也相继下降至谷值。由于具有高度相似的排放源，CO、SO2和PM2.5的月度变化特征也比较相似，图7(b)可知，呈现出11、12、1和2月浓度较高，其他月浓度较低的“U字型”特征，经计算，CO与SO2、PM2.5之间存在显著的正相关性，相关系数均>0.850。PM10除了具有相似的特征外，其在春季还存在浓度高值，这是因为兰州市春季沙尘天气频发，对PM10浓度的贡献较大[19]。
-
兰州市区CO污染物与气象要素的Person相关系数，见表3。
表3可知，气温和风速是与兰州市区CO最相关的2个气象要素。CO和气温在全年为负相关，相关系数为−0.603且通过了双侧0.01水平的显著性检验。随着日均气温的降低，CO浓度呈上升趋势，见图8(a)。当日均气温<5 ℃时，CO浓度均值即超过1.500 mg/m3，当日均气温<0 ℃时，浓度均值可达1.945 mg/m3。进一步对采暖期和非采暖期内两者的关系进行研究，发现CO和气温间仍具有良好的负相关性，其相关系数分别为−0.314和−0.109且均通过了双侧0.01水平的显著性检验，同时对其进行了线性回归，回归系数分别为−0.049 (p<0.01)和−0.005 (p<0.01)。在气温较低的采暖期，由于供暖的需求[20]，燃煤量随着气温降低而增加，导致CO排放加强。而在气温较高的非采暖期，CO排放强度较小，浓度显著降低。且研究表明，高温、强太阳辐射利于·OH自由基的生成[21]，可与CO发生反应，进而消耗大量的CO，因此在非采暖期CO与气温也呈现出负相关，但其回归系数较小，这可能和兰州市干燥的气候相关，在一定程度上限制了·OH自由基的生成。
而CO和风速在四季和全年均为负相关，这和赵敬国等[20]的研究结论一致。冬季两者之间的相关性最大，相关系数为−0.557并通过了双侧0.01水平的显著性检验，可能是因为冬季CO浓度相对较高，风的稀释扩散作用对污染物浓度的影响就更加显著。随着日均风速的降低，CO浓度也呈现出上升的趋势，见图8(b)，当日均风速<0.5 m/s时，CO浓度均值为1.877 mg/m3，而当日均风速≥2.5 m/s时，CO浓度均值仅为0.600 mg/m3。对两者进行回归分析，回归系数为−0.911 (p<0.01)，可见风速大对降低CO浓度的作用比较明显。
-
（1）2015～2020年间，兰州市区CO平均浓度为1.182 mg/m3，榆中兰大校区为0.850 mg/m3。长期来看，兰州市区的CO年均浓度平稳下降，污染状况逐 年减轻，然而榆中兰大校区自2017年起，CO浓度又出现了上升的趋势。
（2）兰州市区和榆中兰大校区CO浓度的月度变化呈现出“U字型”，整体上冬季较高而夏季较低，这和冬季燃煤供暖有关，采暖期间CO浓度显著高于非采暖期，是非采暖期的2倍左右。
（3）主城区不同监测站点CO浓度呈现出双峰型日变化，日间高峰主要出现在09:00，夜间高峰主要出现在21:00，榆中兰大校区仅存在日间高峰，峰值比兰州市区滞后3 h出现在12:00。
（4）CO、NO2浓度的日变化呈双峰型特征，相关系数为0.718；O3与CO的日变化趋势近似相反，相关系数为−0.439。由于污染源一致，CO、SO2和PM2.5具有相似的月度变化特征，PM10在春季还存在浓度高值，主要和兰州市春季沙尘天气频发有关。
（5）气温和风速是与兰州市区CO最相关的2个气象要素，均为显著负相关性，气温主要影响人们对于供暖的需求，而风可以有效稀释和扩散CO。
兰州市CO污染分布特征
Distribution characteristics of carbon monoxide pollution in Lanzhou
-
摘要: 为探究兰州市CO的分布特征，利用2015～2020年兰州市国控空气质量监测站点的CO等6项空气污染物逐小时质量浓度资料，并结合同期兰州市常规气象观测资料，分析了兰州市CO污染的特征，探讨了CO浓度与其他空气污染物和气象要素的关系。结果表明，2015～2020年间，兰州市区的CO平均浓度逐年下降，而榆中兰大校区却在2017年之后出现了上升趋势；兰州市区和榆中兰大校区的CO浓度呈现出冬季高夏季低的“U字型”月度变化特征，采暖期CO浓度值是非采暖期的2倍左右；兰州市区CO浓度呈现出双峰型日变化，峰值主要出现在09:00和21:00，榆中兰大校区则为单峰型，峰值出现在12:00；CO和NO2具有相似的双峰型日变化特征，两者之间的相关系数为0.718，而CO与SO2、PM2.5和PM10具有相似的“U字型”月度变化特征；气温和风速是影响兰州市CO浓度的主要气象要素。Abstract: In order to investigate the distribution characteristics of carbon monoxide (CO) in Lanzhou, the hourly concentration data of six air pollutants including CO obtained from the national air quality monitoring sites in Lanzhou from 2015 to 2020 were used, considering the regular meteorological observation data in the same period, the characteristics of CO pollution in Lanzhou and the relationship between CO concentration and other air pollutants as well as meteorological elements were analyzed. The results showed that the average concentration of CO in Lanzhou city decreased year by year from 2015 to 2020, while Yuzhong county showed an upward trend after 2017. The CO concentration in Lanzhou city and Yuzhong county showed a "U-shaped" monthly change characteristic with a high concentration in winter and a low concentration in summer, and the CO concentration during the heating period was about twice than that of the non-heating period. The CO concentration in Lanzhou city had a bimodal diurnal variation with the peaks appearing mainly at 09:00 and 21:00, while the Yuzhong county had a single peak appearing at 12:00. CO and NO2 had similar bimodal diurnal variation characteristics with a correlation coefficient of 0.718, while CO and SO2, PM2.5, PM10 had similar "U-shaped" monthly variation characteristics. Air temperature and wind speed were the main meteorological elements which affected the CO concentration in Lanzhou.
-
Key words:
- Lanzhou /
- CO concentration /
- change of time /
- spatial distribution
-
-
表 1 2015～2020年兰州市首要污染物天数统计 d
t/a CO O3 SO2 NO2 PM10 PM2.5 2015 1 45 0 43 200 75 2016 0 74 0 53 193 52 2017 0 99 0 53 168 45 2018 0 106 0 67 142 35 2019 0 121 0 102 96 25 2020 0 120 0 83 109 36 共计 1 565 0 401 908 268 
下载: 导出CSV
表 2 2015～2020年不同监测站点和兰州市区CO浓度的统计学特征
站点 均值±标准差 最小值 P25 P50 P75 最大值 占比 职工医院 1.323±0.910 0.100 0.700 0.982 1.592 5.135 26/1357 兰炼宾馆 1.024±0.573 0.183 0.600 0.805 1.200 3.700 0 生物制品所 1.156±0.673 0.100 0.700 1.000 1.500 5.198 8/2119 铁路设计院 1.329±0.876 0.100 0.700 1.000 1.600 6.300 32/2128 教育港 0.941±0.564 0.200 0.600 0.700 1.100 3.500 0 榆中兰大校区 0.850±0.468 0.003 0.600 0.800 1.000 4.410 2/2101 兰州市区 1.182±0.704 0.267 0.725 0.949 1.384 4.633 7/2135 注：P25、P50和P75分别为第25、50和75百分位数；占比为研究期间CO浓度超过国家环境空气质量二级标准(4 mg·m−3)的天数所占比例。
下载: 导出CSV
表 3 2015～2020年兰州市区CO污染物与气象要素的Person相关系数
气象要素 相关系数 春季 夏季 秋季 冬季 全年 气温/℃ −0.346** 0.138** −0.512** −0.085 −0.603** 气压/hPa −0.167** −0.020 −0.004 −0.146** 0.272** 风速/m·s−1 −0.368** −0.133** −0.423** −0.557** −0.423** 相对湿度/% −0.138** −0.193** 0.012 0.109* 0.018 注：**为p＜0.01；*为p＜0.05。
下载: 导出CSV
-
[1] 郭倩, 潘海婷, 黄河仙, 等. 娄底市2015年—2018年一氧化碳时空分布特征研究[J]. 环境科学与管理, 2019, 44(12): 116 − 119. doi: 10.3969/j.issn.1673-1212.2019.12.026 [2] 王占山, 李云婷, 张大伟, 等. 2014年北京市CO浓度水平和时空分布[J]. 中国环境监测, 2018, 34(3): 14 − 20. [3] 安俊琳, 王跃思, 李昕, 等. 北京大气中CO体积分数与风速关系[J]. 生态环境, 2008, 17(1): 153 − 157. [4] LEE F Y, CHEN W K, LIN C L, et al. Carbon monoxide poisoning and subsequent cardiovascular disease risk: A nationwide population-based cohort study[J]. Medicine, 2015, 94(10): 624 − 631. doi: 10.1097/MD.0000000000000624 [5] NG P C, LONG B, KOYFMAN A. Clinical chameleons: An emergency medicine focused review of carbon monoxide poisoning[J]. Internal and Emergency Medicine, 2018, 13(2): 223 − 229. doi: 10.1007/s11739-018-1798-x [6] BELL M L, PENG R D, DOMINICI F, et al. Emergency hospital admissions for cardiovascular diseases and ambient levels of carbon monoxide: results for 126 United States urban counties, 1999—2005[J]. Circulation, 2009, 120(11): 949 − 955. doi: 10.1161/CIRCULATIONAHA.109.851113 [7] BHUYAN P K, BHARALI C, PATHAK B, et al. The role of precursor gases and meteorology on temporal evolution of O3 at a tropical location in northeast India[J]. Environmental Science & Pollution Research International, 2014, 21(10): 6696 − 6713. [8] SUTHAWAREE J, KATO S, TAKAMI A, et al. Observation of ozone and carbon monoxide at Cape Hedo, Japan: Seasonal variation and influence of long-range transport[J]. Atmospheric Environment, 2008, 42(13): 2971 − 2981. doi: 10.1016/j.atmosenv.2007.12.053 [9] SAHU L K, SHEEL V, KAJINO M, et al. Variability in tropospheric carbon monoxide over an urban site in Southeast Asia[J]. Atmospheric Environment, 2013, 68: 243 − 255. doi: 10.1016/j.atmosenv.2012.11.057 [10] KHALIL M, RASMUSSEN R A. Global decrease in atmospheric carbon monoxide concentration[J]. Nature, 1994, 370(6491): 639 − 641. doi: 10.1038/370639a0 [11] 方双喜, 周凌晞, 栾天, 等. 浙江临安大气本底站CO浓度及变化特征[J]. 环境科学, 2014, 35(7): 2454 − 2459. doi: 10.13227/j.hjkx.2014.07.003 [12] 杨继东, 刘佳泓, 杨光辉, 等. 天津市环境空气中一氧化碳污染特征及变化趋势研究[J]. 环境科学与管理, 2012, 37(6): 89 − 90. doi: 10.3969/j.issn.1673-1212.2012.06.024 [13] 冯鑫媛, 张莹. 川渝地区大气污染物质量浓度时空分布特征[J]. 中国科技论文, 2018, 13(15): 1708 − 1715. doi: 10.3969/j.issn.2095-2783.2018.15.004 [14] 王叶琳, 程燕, 严璐, 等. 2010—2018年西安市大气污染物变化特征分析[J]. 地球环境学报, 2020, 11(1): 99 − 111. [15] 高鸿欣, 陈海旭, 陈兴鹏. 兰州环境空气污染特征及治理经验[J]. 甘肃科技, 2015, 31(2): 41 − 45. doi: 10.3969/j.issn.1000-0952.2015.02.014 [16] 兰州市统计局, 国家统计局兰州调查队. 2020兰州统计年鉴[M]. 北京: 中国统计出版社, 2020. [17] 兰州市统计局, 国家统计局兰州调查队. 2016兰州统计年鉴[M]. 北京: 中国统计出版社, 2016. [18] 刘宇, 王式功, 尚可政, 等. 兰州市低空风时空变化特征及其与空气污染的关系[J]. 高原气象, 2002, 21(3): 322 − 326. doi: 10.3321/j.issn:1000-0534.2002.03.015 [19] 马敏劲, 谭子渊, 陈玥, 等. 近15a兰州市空气质量变化特征及沙尘天气影响[J]. 兰州大学学报(自然科学版), 2019, 55(1): 33 − 41. [20] 赵敬国, 王式功, 王嘉媛, 等. 兰州市空气污染与气象条件关系分析[J]. 兰州大学学报(自然科学版), 2013, 49(4): 491 − 496. doi: 10.13885/j.issn.0455-2059.2013.04.005 [21] 张丹瑜婷, 廖宏, 李柯, 等. 大气国十条以来我国夏季大气OH浓度变化的数值模拟[J/OL]. 大气科学, 2022, http://www.iapjournals.ac.cn/dqkx/article/doi/10.3878/j.issn.1006-9895.2112.21218. -
点击查看大图
图( 8) 表( 3)
计量
- 文章访问数: 1781
- HTML全文浏览数: 1781
- PDF下载数: 16
- 施引文献: 0
