Том 38, номер 02, статья № 2

Аннотация:

Для количественной оценки радиационного воздействия на климатическую систему важнейшим фактором является определение типов атмосферного аэрозоля. В настоящее время существуют различные способы классификации аэрозольных частиц, но большинство из них не учитывают региональные особенности параметров атмосферного аэрозоля. На основе архивных данных фотометрических наблюдений сети мониторинга AERONET на Среднем Урале предложена версия классификации ключевых типов аэрозольных частиц по спектральным значениям аэрозольной оптической толщи методом k-средних. В качестве начальных центров кластеров задавались спектральные значения коэффициентов ослабления излучения, рассчитанные с помощью пакета MOPSMAP по данным региональной аэрозольной модели MUrA и глобальной модели CALIPSO. Выделено пять типов аэрозолей: пыль, чистый континентальный (фоновый), загрязненный континентальный/дым, загрязненная пыль, высокие дымы. Анализ данных, полученных за период 2004–2021 гг., показал, что чистый континентальный аэрозоль и пыль наиболее распространены на территории Среднего Урала (26 и 25% наблюдений соответственно), а доля загрязненных континентальных/дымов составляет 20%. Предлагаемый подход позволяет оценить преобладающий тип аэрозоля в столбе атмосферы в пунктах мониторинга и тем самым существенно дополнить информацию, получаемую при выполнении спектральных наземных фотометрических измерений.

Ключевые слова:

тип аэрозоля, региональная аэрозольная модель MUrA, AERONET, Средний Урал

Список литературы:

1. IPCC, 2021: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change / V. Masson-Delmotte, P. Zhai, A. Pirani, S.L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M.I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J.B.R. Matthews, T.K. Maycock, T. Waterfield, O. Yelekçi, R. Yu, B. Zhou (eds.). Cambridge, United Kingdom; New York, USA: Cambridge University Press, 2021. DOI: 10.1017/9781009157896.
2. Choudhury G., Tesche M. Estimating cloud condensation nuclei concentrations from CALIPSO lidar measurements // Atmos. Meas. Tech. 2022. V. 15. P. 639–654. DOI: 10.5194/amt-15-639-2022.
3. Russell P.B., Kacenelenbogen M., Livingston J.M., Hasekamp O.P., Burton S.P., Schuster G.L., Johnson M.S., Knobelspiesse K.D., Redemann J., Ramachandran S. A multiparameter aerosol classification method and its application to retrievals from spaceborne polarimetry // J. Geophys. Res.: Atmos. 2014. V. 119, N 16. P. 9838–9863. DOI: 10.1002/2013JD021411.
4. Ma X., Huang Z., Qi S., Huang J., Zhang S., Dong Q., Wang X. Ten-year global particulate mass concentration derived from space-borne CALIPSO lidar observations // Sci. Total Environ. 2020. V. 721. P. 137699. DOI: 10.1016/j.scitotenv.2020.137699.
5. Виноградова А.А., Иванова Ю.А. Атмосферный перенос черного углерода в Российскую Арктику от различных источников (зима и лето 2000–2016 гг.) // Оптика атмосф. и океана. 2023. Т. 36, № 6. С. 425–432. DOI: 10.15372/AOO20230601; Vinogradova A.A., Ivanova Yu.A. Atmospheric transport of black carbon to the Russian Arctic from different sources: Winter and summer 2000–2016 // Atmos. Ocean. Opt. 2023. V. 36, N 6. P. 758–766.
6. Omar A.H., Winker D.M., Vaughan M.A., Hu Y., Trepte C.R., Ferrare R.A., Lee K.P., Hostetler C.A., Kittaka C., Rogers R.R., Kuehn R.E. The CALIPSO automated aerosol classification and lidar ratio selection algorithm // J. Atmos. Ocean. Technol. 2009. V. 26. P. 1994–2014. DOI: 10.1175/2009JTECHA1231.1.
7. Панченко М.В., Козлов В.С., Полькин В.В., Терпугова С.А., Тумаков А.Г., Шмаргунов В.П. Восстановление оптических характеристик тропосферного аэрозоля Западной Сибири на основе обобщенной эмпирической модели, учитывающей поглощающие и гигроскопические свойства частиц // Оптика атмосф. и океана. 2012. Т. 25, № 1. С. 46–54.
8. Panchenko M.V., Kozlov V.S., Polkin V.V., Terpugova S.A., Polkin V.V., Uzhegov V.N., Chernov D.G., Shmargunov V.P., Yausheva E.P., Zenkova P.N. Aerosol characteristics in the near-ground layer of the atmosphere of the city of Tomsk in different types of aerosol weather // Atmosphere. 2020. V. 11, N 1. DOI: 10.3390/atmos11010020.
9. Holben B.N., Eck T.I., Slutsker I., Tanre D., Buis J.P., Setzer A., Vemote E., Reagan J.A., Kaufman Y.J., Nakajima T., Lavenu F., Jankowiak I., Smirnov A. AERONET – a federated instrument network and data archive for aerosol characterization // Remote Sens. Environ. 1998. V. 66, N 1. P. 1–16. DOI: 10.1016/S0034-4257(98)00031-5.
10. Estevan R., Martínez-Castro D., Suarez-Salas L., Moya A., Silva Y. First two and a half years of aerosol measurements with an AERONET sunphotometer at the Huancayo Observatory, Peru // Atmos. Environ. X. 2019. V. 3. P. 100037. DOI: 10.1016/j.aeaoa.2019.100037.
11. Verma S., Prakash D., Ricaud P., Payra S., Attié J.L., Soni M.A. New classification of aerosol sources and types as measured over Jaipur, India // Aerosol Air Qual. Res. 2015. V. 15. P. 985–993. DOI: 10.4209/aaqr.2014.07.0143.
12. Holben B.N., Tanré D., Smirnov A., Eck T.F., Slutsker I., Abuhassan N., Newcomb W.W., Schafer J.S., Chatenet B., Lavenu F., Kaufman Y.J., Van Castle J., Setser A., Markham B., Clark B., Frouin R., Halthore R., Karneli A., O'Neill N.T., Pietras C., Pinker R.T., Voss K., Zibordi G. An emerging ground-based aerosol climatology: Aerosol optical depth from AERONET // J. Geophys. Res. 2001. V. 106, N D11. P. 12067–12097. DOI: 10.1029/2001JD900014.
13. Russell P.B., Bergstrom R.W., Shinozuka Y., Clarke A.D., DeCarlo P.F., Jimenez J.L., Livingston J.M., Redemann J., Dubovik O., Strawa A. Absorption Angstrom exponent in AERONET and related data as an indicator of aerosol composition // Atmos. Chem. Phys. 2010. V. 10, N 3. P. 1155–1169. DOI: 10.5194/acp-10-1155-2010.
14. Giles D.M., Holben B.N., Eck T.F., Sinyuk A., Smirnov A., Slutsker I., Dickerson R.R., Thompson A.M., Schafer J.S. An analysis of AERONET aerosol absorption properties and classifications representative of aerosol source regions // J. Geophys. Res. 2012. V. 117, N D17. DOI: 10.1029/2012JD018127.
15. Lee J., Kim J., Song C.H., Kim S.B., Chun Y., Sohn B.J., Holben B.N. Characteristics of aerosol types from AERONET sunphotometer measurements // Atmos. Environ. 2010. V. 44, N 26. P. 3110–3117. DOI: 10.1016/j.atmosenv.2010.05.035.
16. Tiwari S., Srivastava A.K., Singh A.K., Singh S. Identification of aerosol types over Indo-Gangetic Basin: Implications to optical properties and associated radiative forcing // Environ. Sci. Pollut. Res. 2015. V. 22. P. 12246–12260. DOI: 10.1007/s11356-015-4495-6.
17. Dubovik O., King M. A flexible inversion algorithm for retrieval of aerosol optical properties from Sun and sky radiance measurements // J. Geophys. Res. D. 2000. V. 105, N 16. P. 20673–20696. DOI: 10.1029/2000JD900282.
18. Holben B.N., Eck T.F., Slutsker I., Smirnov A., Sinyuk A., Schafer J., Giles D., Dubovik O. Aeronet's Version 2.0 quality assurance criteria // Remote Sens. Atmos. Clouds. 2006. V. 6408. DOI: 10.1117/ 12.706524.
19. Winker D.M., Vaughan M.A., Omar A., Hu Y., Powell K.A., Liu Z., Hunt W.H., Young S.A. Overview of the CALIPSO mission and CALIOP data processing algorithms // J. Atmos. Ocean. Technol. 2009. V. 26. P. 2310–2323. DOI: 10.1175/2009JTECHA1281.1.
20. Kim M.H., Omar A.H., Tackett J.L., Vaughan M.A., Winker D.M., Trepte C.R., Hu Y., Liu Z., Poole L.R., Pitts M.C., Kar J., Magill B.E. The CALIPSO Version 4 automated aerosol classification and lidar ratio selection algorithm // Atmos. Meas. Tech. 2018. V. 11, N  11.  P. 6107–6135.  DOI:  10.5194/amt-11-6107-2018.
21. Omar A.H., Won J.-G., Winker D.M., Yoon S.C., Dubovik O., McCormick M.P. Development of global aerosol models using cluster analysis of Aerosol Robotic Network (AERONET) measurements // J. Geophys. Res. 2005. V. 110. P. D10S14. DOI: 10.1029/2004JD004874.
22. Nagovitsyna E.S., Dzholumbetov S.K., KarasevA.A., Poddubny V.A. A Regional aerosol model for the Middle Urals based on CALIPSO measurements // Atmosphere. 2024. V. 15, N 1. DOI: 10.3390/atmos15010048.
23. Поддубный В.А., Лужецкая А.П., Маркелов Ю.И., Береснев С.А., Горда С.Ю., Сакерин С.М. Особенности оптических характеристик атмосферного аэрозоля на Среднем Урале // Изв. РАН. Физика атмосферы и океана. 2013. Т. 9, № 3. С. 1–9. DOI: 10.7868/S0002351513030103.
24. Luzhetskaya A.P., Nagovitsyna E.S., Poddubny V.A. Impact of meteorological parameters on the daily variability of the ground-level PM_2.5 concentrations according to measurements in the Middle Urals // Geography, Environment, Sustainability. 2023. V. 16, N 4. P. 172–179. DOI: 10.24057/2071-9388-2023-2824.
25. Angström A. On the atmospheric transmission of Sun radiation and on dust in the air // Georg. Ann. 1929. N 11. P. 156–166.
26. Gasteiger J., Wiegner M. MOPSMAP v1.0: A versatile tool for the modeling of aerosol optical properties // Geosci. Model Dev. 2018. V. 11. P. 2739–2762. DOI: 10.5194/gmd-11-2739-2018.
27. Jin J., Henzing B., Segers A. How aerosol size matters in aerosol optical depth (AOD) assimilation and the optimization using the Ångström exponent // Atmos. Chem. Phys. 2023. V. 23, N 2. P. 1641–1660. DOI: 10.5194/acp-23-1641-2023.
28. Stein A.F., Draxler R.R., Rolph G.D., Stunder B.J.B., Cohen M.D., Ngan F. NOAA’s HYSPLIT atmospheric transport and dispersion modeling system // Bull. Am. Meteorol. Soc. 2015. V. 96, N 12. P. 2059–2077. DOI: 10.1175/BAMS-D-14-00110.1.
29. MacQueen J. Some Methods for Classification and analysis of multivariate observations // Proc. 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967. V. 1. P. 281–297.