2019, Vol. 39
[PDF全文]
2. 新疆大学绿洲生态教育部重点实验室, 乌鲁木齐 830046;
3. 新疆智慧城市与环境建模普通高校重点实验室, 乌鲁木齐 830046;
4. 美国孟菲斯大学地球科学系, 孟菲斯 38152
2. Key Laboratory of Oasis Ecology, Xinjiang University, Urumqi 830046;
3. Key Laboratory of Xinjiang Wisdom City and Environment Modeling, Urumqi 830046;
4. Department of Earth Sciences, the University of Memphis, Memphis TN 38152
大气中的气溶胶(Aerosol)通常是指悬浮于大气中的固态、液态微粒, 粒径范围是0.001~100 μm, 其来源主要分为自然源和人为源(Prosch et al., 1982).气溶胶光学厚度(AOD, Aerosol Optical Depth)作为表征大气浑浊度的重要物理量, 不仅是衡量气溶胶的关键指标之一, 也是确定大气气溶胶辐射气候效应的关键因子(Kaufman et al., 2002; Anderson et al., 2003; Liu et al., 2010).针对气溶胶的长期观测方法主要以地基观测与卫星遥感为主, 其中, 遥感技术可提供大尺度、大范围、多通道、高时空分辨率的气溶胶监测(Li et al., 2009; Hu et al., 2009); 地基气溶胶观测站可提供局部地区高精度、长时间序列的观测数据, 可用于卫星遥感监测数据的验证, 为卫星遥感反演估算提供支持.气溶胶地面观测站在地理地貌较为复杂的地区设点受限, 且不能针对大范围空间区域进行连续的气溶胶监测, 而利用卫星遥感可以弥补这一不足.目前国际上时间序列较长、能够很好地表达气溶胶信息的几种卫星资料中, NASA发布的MODIS AOD产品得到了广泛应用(Ahn et al., 2008; Yu et al., 2009; De Meij et al., 2010; 韦晶等, 2015; 刘秀位等, 2016), 并且已有大量研究验证了MODIS AOD产品在中国地区的适用性和可靠性(Li et al., 2009; Yu et al., 2013).
夜光遥感在反映人类社会活动上具有独特的能力(李德仁等, 2015a).20世纪70年代, 人类发射了首次搭载OLS传感器的F1卫星, 该传感器可对城市夜间灯光进行探测.夜间灯光能很好地反映城市化水平和城市经济的活跃程度(李德仁等, 2015b), 同时, 许多研究表明, 城市建设、工业生产、交通运输和居民生活等会产生大量气溶胶(Peng et al., 2012; Thalman et al., 2017).DMSP/OLS夜间灯光数据可作为城市化水平及人类活动的指标用于分析区域夜间灯光与AOD之间的关系.有学者利用DMSP/OLS夜间灯光数据, 分析了广东省夜间灯光与AOD时空分布的关系(张磊等, 2017).张宸赫等(2017)分析研究了东北三省的AOD时空分布与夜间灯光图, 发现二者之间存在相关关系.张西雅等(2017)建立了京津冀地区夜间灯光与AOD的地理权重回归模型, 结果表明, 城市化发展水平和人类活动对气溶胶的分布有着明显的影响.
近10年来, 中国正处于较快速的城镇化发展过程中, 城市、气候和环境之间的矛盾突出, 大气环境问题也较为严峻(方创琳等, 2017).人类在日常生活和工农业生产过程中向大气中排放了大量的气溶胶粒子.城市化进程中由于人类活动引起的气溶胶颗粒物的来源众多而且复杂, 空间分布也相差很大, 如何积极应对气候及环境变化, 改善大气质量, 从而创造舒适健康的居住环境, 这些都是迫切需要解决的问题(Xin et al., 2015).因此, 分析中国陆地AOD时空变化特征及分析AOD人为影响因素有助于全面了解我国大气环境.本文基于MODIS AOD数据, 选取中国陆地作为研究区, 分析2008—2017年中国陆地AOD时空变化特征, 结合DMSP/OLS夜间灯光数据分析城市化水平对AOD时空分布的影响, 以期为国家及地方制定相应的减排措施、有针对性地进行污染控制提供一定的参考.
2 材料与方法(Materials and methods) 2.1 研究区概况如图 1a所示, 中国盆地、平原约占陆地面积的33%, 高原、丘陵、山地约占陆地面积的67%, 总体东部地势低、西部地势高.气候方面受东亚季风影响较大, 夏季多雨、冬季干燥.在中国黄河流域、长江流域、南部地区年降雨量分别达600、1200、1500 mm以上, 相较于同纬度其他地区的同季节降水更为丰富(高江波等, 2010).研究表明, 我国华南、华中地区繁荣的经济生产活动与其季风影响有很大关系(郑小波等, 2012).同时, 我国的大陆性气候非常典型, 夏季炎热、冬季寒冷; 而且我国的陆地面积居世界第3, 东西跨越5个时区, 南北纬度较广, 由南至北跨热带、亚热带、暖温带、中温带、寒温带, 且大部分地区四季分明; 北至漠河, 南至南沙群岛, 且高原高山、丘陵盆地众多(高江波等, 2010).近些年中国的大气环境污染日趋严重, 社会公众对区域的大气污染问题也非常关注, 尤其在城市化进程中工业生产和交通排放等人类活动引发了更多的大气污染问题.
 |
| 图 1 研究区及行政区划图 Fig. 1 Map of study area |
“胡焕庸线”在人文地理学、自然地理学、人口学等方面都具有重要意义(李佳洺等, 2017).“胡焕庸线”以东, 36%的国土面积居住着96%的人口, 地势较平缓, 平原、丘陵较多, 工农业生产发达, 经济发展较快, 城市化进程超过全国平均水平; “胡焕庸线”以西, 人口密度较低, 多为草原、高原、沙漠等地理地貌, 工业生产较为落后, 经济发展水平有限, 城镇化水平低于全国平均水平.“胡焕庸线”划分出截然不同的人文、自然区域, 是城镇化水平的分割线(陈明星等, 2016).
如图 1b所示, 中国包括23个省、5个自治区、4个直辖市及2个特别行政区, 共34个省级行政区.本文为了更清晰地分析近10年中国各地区AOD变化特征, 根据自然地理和气候特点将中国陆地分为四大区域：①北部(京、津、冀、晋、陕、蒙、黑、吉、辽); ②中部(沪、苏、皖、鄂、豫、鲁); ③南部(川、渝、赣、湘、贵、云、浙、闵、粤、桂、琼、港、澳、台); ④西部(宁、甘、青、新、藏).
2.2 材料与方法 2.2.1 气溶胶数据NASA发布的MODIS C006产品, 其中包含第二代深蓝算法(Deep Blue, DB)、暗像元算法(Dark Target, DT)和数据融合多种产品.DB、DT算法的双融合算法产品, 是根据NDVI(归一化植被指数)数据将地表分为3种类型进行的AOD产品融合, 这3个类型分别是NDVI＜0.2、0.2≤NDVI≤0.3及NDVI>0.3.MYD08_M3月产品数据是由MYD04日产品数据科学计算得到的三级产品, 并经过大气校正, 具备一定的可靠性和科学性.气溶胶光学特性受气候影响较大, 进行长时间序列的气溶胶监测具有很大的困难.本文旨在分析中国陆地多年的AOD时空变化, 因此, 主要针对年平均、季节平均和月平均AOD数据进行分析.
本文选取2008年1月—2017年12月MODIS Aqua C006版MYD08_M3全球1°×1°格点月均值产品(http://ladsweb.nascom.nasa.gov/), 提取“AOD_550_Dark_Target_Deep _Blue_Combined_Mean_Mean”波段, 得到研究时间跨度内120个月中国陆地AOD月平均栅格图120幅、季节平均栅格图40幅、年平均栅格图10幅.将选取的影像地图投影转换为WGS84-UTM投影, 使用由Exelis Visual Information Solutions公司开发的ENVI 5.3拓展工具Modis conversion tool对数据进行校正和筛选, 读取550 nm处的陆地AOD栅格影像数据.中国四大区域、各省级行政区的AOD使用Arcgis10.3通过影像裁剪、数据提取并统计分析后得到.本研究使用线性倾向估计法对中国陆地AOD时空变化趋势进行分析, 其中, x轴为年份(时间序列), y轴为AOD, 建立的一元线性回归方程为y=a+bx, 其中, 方程斜率(b)即为倾向率, 当b >0时, 说明AOD呈增长趋势, 反之呈减少趋势.方程斜率的计算公式为：
|
(1) |
式中, b为斜率; n为研究时段年数, 本文为10;i代表第i年(2008年为第1年); Xi表示第i年的AOD年平均值.
2.2.2 夜间灯光数据NOAA(美国国家海洋和大气管理局, National Oceanic and Atmospheric Administration)与NGDC(美国国家地理数据中心, National Geophysical Data Center)发布的DMSP/OLS全球夜间灯光数据(https://www.ngdc.noaa.gov/eog/dmsp/downloadV4composites.html), 是通过搭载OLS传感器的气象卫星, 从宇宙中所观测到的地球不同地区一定时间段(20：00—22：00 PM)的灯光亮度, 观测数据消除了月光、云量、火光等偶然噪声影响.已有研究显示, DMSP/OLS夜间灯光数据直接且真实地表现了人类活动, 可用于城市化水平、经济发展状况的表达, 能直观地反映人类活动强度(Tan et al., 2017).夜间灯光数据可从生产、服务、居民消费等多领域表征现代化经济生活水平, 并在人口流动、经济聚集、城市土地利用及城市扩张等方面反映一个区域的城市化发展水平(Wu et al., 2017).
本文选取2008—2013年DMSP/OLS夜间灯光的Stable Lights数据集(稳定灯光数据产品), 该数据集已进行辐射定标、重采样及去云处理, 合成得到1 km空间分辨率逐年时间序列数据集.由于2008、2009年数据由F16卫星探测得到, 而2010—2013年数据由F18卫星探测得到.不同年份数据由不同卫星获得, 数据之间存在显著差异, 因此, 本文选择2010—2013年的DMSP/OLS夜间灯光数据与同期MODIS AOD进行拟合分析.选择的数据首先进行WGS-84投影变换, 数据取值范围为0~63, 0值为背景值.
3 结果与讨论(Results and discussion) 3.1 中国陆地AOD时空变化特征利用2008—2017年MODIS Aqua C006 MYD08_M3产品, 探析中国陆地AOD时空分布特征, 分析高、低值区域的影响因素.通过2008—2012年和2013—2017年前后5年AOD差值分布, 讨论中国陆地AOD显著变化区域及其影响因素.
图 2a是中国陆地2008—2017年多年平均AOD分布图, 从图中可知：中国陆地AOD分布基本符合“胡焕庸线”划分规律, “胡焕庸线”以东的大部分区域为AOD高值区, 以西的大部分区域为AOD低值区.由于塔克拉玛干沙漠的存在, “胡焕庸线”以西的新疆塔里木盆地, 沙尘气溶胶含量较高(张喆等, 2017), 因此属于AOD高值区.气溶胶污染较为严重的地区是京津冀、长三角、华中地区, 这些地区均为人口密集且工业发达地区, 造成AOD高值的原因主要包括工农业生产、建筑、交通运输等人类活动产生的各类污染气体转化成的细颗粒气溶胶、扬尘、烟尘等(齐月等, 2014).四川盆地受北方地区远距离沙尘输送影响, 且盆地内部近地面湿度较大、空气对流差, 因而气溶胶不易扩散, AOD值较高.气溶胶光学厚度低值区域为西部地区(除新疆塔里木盆地)、北部地区的内蒙古自治区、黑龙江省, 这些区域地广人稀、工业生产活动较为有限.云贵高原、青藏高原由于海拔高大气厚度受影响, 以及人口密度低、经济发展较缓, 因而AOD值较低.对比2008—2012年(图 2b)和2013—2017年(图 2c)结果发现, 研究区大部分区域的AOD值有较为明显的下降, 尤其是川渝地区和华南地区.从图 2d中可知, 前后5年对比增量区主要为中国内蒙古东北部、黑龙江中北部、西藏西南地区、新疆部分地区等, 增量在0~0.1之间; 对比减量区主要为中国中部地区、西南地区, 其中, 成渝地区明显减少, 减量在-0.1~-0.18之间.中国绝大部分地区的AOD均减少, 说明近些年大气环境污染状况有所缓解, 空气环境质量整体有所提升.
 |
| 图 2 中国陆地2008—2017年AOD (550 nm)年平均及前后5年差值分布 Fig. 2 Distribution of yearly averaged AOD(550 nm) over China a in 2008—2017, and the difference pattern of 2008—2012 and 2013—2017 |
图 3是2008—2017年中国陆地AOD季节分布图, 本研究根据研究区气候特征进行季节划分, 其中, 3—5月为春季, 6—8月为夏季, 9—11月为秋季, 12月—次年2月为冬季.将图 3与图 2进行比较分析, 发现我国AOD高值区、低值区在季节分布中与多年平均AOD分布大致相同, 只是各区域的中心强度随季节发生具体变化.春季是四季中AOD值最高的季节, 夏季次之, 秋、冬季较低.图 3a表明, 春季中部地区、京津冀地区、四川盆地、塔里木盆地为AOD高值区, 为0.8~1.0左右, 这些地区春季易受到沙尘污染, 受地形、气压气温影响, 气溶胶不易扩散; 南部地区处于低纬度地区, 春季为该地区AOD最高的季节.春季AOD最低值区处于青藏高原与四川、云南交界地区, 西部地区(除塔里木盆地)AOD值均较低.如图 3b所示, 夏季全国AOD值整体下降, 表明污染状况有所改善, 这可能与季风气候有关.但中部地区、京津冀依然为高值区, 该区域人口稠密、生产工业活动较多, 且夏季温度高, 最大程度地提高了二次有机气溶胶的转化(郑玫等, 2014; 韦晶等, 2015).青藏高原与川、滇交界地区虽然一年四季是AOD低值区, 但在夏季受到了孟加拉湾带来的暖流影响(肖志祥等, 2015), 因此, 夏季AOD出现下降.春、夏两季, 陕西、山西的AOD值较高, 这与当地大风沙尘天气有关, 此外, 煤炭开采也对气溶胶污染贡献很大.图 3c、3d显示, 秋季、冬季中国西部地区、北部地区(除京津冀)均为AOD低值区.秋季开始, 全国范围降水增多, 大气气溶胶通过湿沉降去除, 使得AOD值下降.秋、冬两季AOD最高值位于四川盆地、长三角地区和京津冀地区; 秋季随着降雨带的北移, 南方地区出现高温、高湿等天气, 大气边界湿度和降水对气溶胶的干湿沉降具有很大影响, 因此, 南部地区的江西、广西、广东、湖南、贵阳等部分地区相较于夏季AOD整体有所增加.
 |
| 图 3 中国陆地2008—2017年AOD (550 nm)季节分布图 Fig. 3 Seasonal mean AOD(550 nm) over China for 2008—2017 |
如表 1所示, 2008—2017年, 研究区近10年平均AOD为0.332, AOD年均值最高的年份是2011年(0.368), 最低的年份是2017年(0.279).在这10年中, 春季AOD年均值在2008年最高(0.500), 2017年最低(0.341);夏季AOD年均值在2011年最高(0.407), 2016年最低(0.283);秋季AOD年均值在2009年最高(0.273), 2017年最低(0.216);冬季AOD年均值在是2011年最高(0.336), 2016年最低(0.255).多年平均AOD在春、夏、秋、冬四季中分别为0.434、0.344、0.248、0.304, 春、夏两季高于秋、冬两季.中国陆地AOD值在四季中的最大值和最小值分别出现在2008年春季(0.500)和2017年秋季(0.216).中国中部地区、南部地区多年平均AOD超过0.4, 分别为0.697和0.401;中国北部地区和西部地区多年平均AOD分别为0.218和0.212.中国四大区域的AOD季节变化特征明显：春、夏两季高, 秋、冬两季低, 与全国季节变化表现一致.其中, 中部地区是全年AOD高值区, 夏季平均AOD最高, 为0.828;秋、冬两季平均AOD分别为0.582和0.627, 甚至高于其他3个区域的春、夏两季AOD平均值.西部地区春、夏、秋、冬四季平均AOD分别为0.337、0.226、0.141、0.161, 在四季中AOD均低于其他区域.在AOD增长率方面, 2008—2017年全国AOD增长率为-0.234, 表现为负增长, 这与图 2d所得结论一致; 2008—2012年增长率为-0.033, 2013—2017增长率为-0.149, 这说明相比于前5年, 后5年AOD下降较快.在这10年中, 春季AOD增长率为-0.318, 冬季AOD增长率为-0.130, 春季AOD在这10年中降幅最大, 冬季AOD虽有降低但整体变化不大.
| 表 1 中国陆地AOD(550 nm)年平均、季节平均及不同年段AOD增长率 Table 1 Annual and seasonal averages of AOD(550 nm) and the increasing rate of AOD during different time periods |
 |
图 4是2008—2017年中国陆地MODIS AOD逐年变化和月变化箱式图.从图 4a可知, 近10年中国陆地AOD随时间变化具有一定的周期性.2010年3月是这10年来AOD最高的月份, AOD最低值出现在2014年12月.除2013、2016、2017年, 其余每年的2—6月的AOD均在AOD多年平均值以上.2016、2017年全年仅3个月份AOD超过AOD多年平均值.AOD逐年变化趋势线为：y=-0.0009x+0.385, 倾向率b < 0, 说明AOD在2008—2017年呈负增长, 这与表 1结论一致.图 4b为箱式图, 箱中小方块表示平均值, 箱中“—”表示中值, 箱的大小表示该月AOD的取值范围.由图 4b可知, 多年AOD月平均值在1—4月逐渐增长, 4月达到全年最高, 5、6月保持不变, 之后开始持续下降, 一直到12月最低.3、4月两个月份的AOD值较高, 6月次之, 9—12月AOD值均较低, 其中, 6月的AOD值范围波动较大, 11月的AOD值较相近; 3—8月AOD值波动范围较大.这是由于我国大部分地区处于副热带高气压带, 在春、夏两季深受季风影响, 降水量较多, 且气温、气湿、气流、气压等气候因素变化较大(吴国雄等, 2015).
 |
| 图 4 2008—2017年中国陆地AOD (550 nm)的逐年变化(a)与月均值(b)的逐年变化 Fig. 4 Year by year changes(a) and monthly changes(b) of China′ AOD for 2008—2017 |
2012年12月5日国家制定《重点区域大气污染防治“十二五”规划》, 其中划定了京津冀、长三角、珠三角地区, 以及辽宁中部、山东、武汉及其周边、长株潭、成渝、海峡西岸、山西中北部、陕西关中、甘宁、乌鲁木齐城市群等全国13个大气污染防治重点区域, 简称“三区十群”(图 5).这些重点区域大多分布在我国东部沿海地区, 这些地区的工业发达, 有很多对大气环境影响较大的产业.根据规划, 国家在大气污染治理项目、重点污染源治理、政策资金等方面给予支持, 同时严格限制这些区域进行高污染项目, 包括钢铁、水泥、化工、有色等行业.
 |
| 图 5 重点区域大气污染防控区 Fig. 5 Air quality monitoring sites and key region for air pollution prevention and control in China |
2008—2017年, “三区十群”大气污染防治区域相较于“非三区十群”区域的AOD普遍偏高(图 6).其中, 京津冀、长三角地区, 以及山东、武汉及其周边、成渝、长株潭、陕西关中等城市群AOD值相较于其他区域最高, 这些地区人口稠密, 经济生产活动较多.辽宁中部、海峡西岸、陕西中北部地区的AOD较高, 而甘宁、乌鲁木齐及其周边地区的AOD相对较低.甘宁、乌鲁木齐及其周边城市群在冬季受到西伯利亚冷风的影响, 大气污染扩散较快, 污染物不易聚集, 同时这两个地区的工业数量远远不及其他“三区十群”城市群, 因此, AOD值较低.在2008—2012年, “三区十群”区域AOD普遍有所增加, 而在2013年之后, AOD值开始逐渐降低, 这与国家2012年公布的“重点区域大气污染防治”政策有关.在该政策下, “三区十群”城市群开始降低污染能源消耗, 增加清洁能源使用范围, 逐渐淘汰、转移高污染、高消耗产业, 使得重点区域的大气环境逐年改善.截止到2017年底, “三区十群”重点大气污染防治区域的AOD值明显下降, “非三区十群”区域的AOD值虽有所降低, 但降低程度不及“三区十群”区域.
 |
| 图 6 “三区十群”2008—2017年AOD (550 nm)年平均分布图 Fig. 6 Distribution of yearly averaged AOD(550 nm) over "three districts and ten groups" in 2008—2017 |
图 7是NASA对全球夜间灯光做的一个拍摄汇总中有关中国地区的图像.夜间灯光亮度值(DN)范围为0~63, 黑色区域为背景区域(DN=0), 说明该区域无灯光, 黄色区域为灯光区域(DN＞0).灯光强弱体现在颜色的亮度范围上, 亮度值为63时, 说明像元达到饱和, 为城市的中心区域.DN高值区域为城市化发展较快的地区, 经济发展速度快、社会基础设施到位、工农业生产活动频繁.相反, DN值较低的区域, 为城市发展较慢、经济发展水平有限的地区.
 |
| 图 7 2008—2013年中国DMSP/OLS夜间灯光分布特征 Fig. 7 Characteristics of DMSP/OLS nighttime light distribution in China for 2008 to 2013 |
研究分析图 7可知, 研究区夜间灯光亮度分布特征在2008—2013年期间大体保持一致, 夜间灯光强度也符合“胡焕庸线”, 除了内蒙-北京的部分区域, “胡焕庸线”与灯光强度是大致对应的, 中国东部沿海地区(“胡焕庸线”以东)比西部内陆(“胡焕庸线”以西)要亮很多.同时, 与中国陆地AOD空间分布大致相同, 除新疆塔里木盆地受沙尘气溶胶影响, AOD值居高不下外, 其余地区二者空间分布相似.京津冀地区、长三角地区、珠三角地区及东部沿海地区等都有大量亮值分布; 与此形成鲜明对比的是, 在青藏地区、西北地区大部分等城市密度较低的区域, 亮值分布稀少.中国东部沿海地区有大量亮值像元聚集, 形成具有大斑块的链状分布特点; 中部城市群亮值像元连成网状; 北京、上海、南京、成都、广州、香港、澳门、深圳、台北等地区亮度值很高, 这些均为国内经济非常发达的城市.在新疆, 天山北坡城市群中, 城镇化较快的区域亮度也较高.东北地区以省会城市(哈尔滨、长春、吉林)的亮度值较高.台湾省内夜间灯光亮度值表现为西强东弱, 这是由于台湾省主要城市均分布在西边, 东部山脉居多, 城市稀少.比较2008年(图 7a)、2013年(图 7f)发现, 中国的省会城市、直辖市、特别行政区及各省内的发达城市的亮度值始终保持闪耀, 其中, 大城市的夜间灯光虽有消长, 但总体的亮度范围有着不同程度的扩大, 这反映出中国的城市化进程有进一步的发展.
3.3 AOD与城市化水平的关系为了分析城市发展及人类经济活动对AOD时空变化的影响, 利用空间统计的方法, 根据其行政边界进行裁剪, 得到中国陆地23个省会城市、5个首府城市、4个直辖市、2个特别行政区2010—2013年DMSP/OLS夜间灯光数据, 然后与对应地区及年份的MODIS AOD数据进行相关性分析.通过SPSS 20.0对DMSP/OLS夜间灯光数据与MODIS AOD数据进行相关性分析, 结果表明, 二者相关系数较高(表 2), 2010、2011、2012、2013年的相关系数分别为0.571、0.841、0.806、0.826(p＜0.01);4年平均的相关系数最高, 为0.864(p＜0.01).
| 表 2 2010—2013年DMSP/OLS与AOD间的相关性 Table 2 Correlation coefficient between DMSP/OLS and AOD for 2008—2013 years |
|
对研究区上述4个年份及4年平均的各城市AOD与对应的夜间灯光数据进行拟合模型分析.每个年份均有34个样点, 故选用22个样点依次建立拟合模型, 剩余样点数据进行模型精度验证.本研究采用多种回归方法进行分析, 以夜间灯光数据为自变量x, AOD值为因变量y, 建立拟合回归模型, 分别建立指数函数模型、线性模型、对数模型、幂函数模型4种模型.研究区上述年份夜间灯光值与AOD的p值均通过了显著水平检验(p < 0.01), 故通过决定性系数R2的大小来判定最优模型.通过R2值的高低从不同拟合模型中选出最优模型进行估算AOD值.
由表 3综合分析可知, 2010、2011、2012、2013年及4年平均的夜间灯光值与AOD拟合模型均为幂函数模型拟合效果最佳, R2分别为0.8036、0.8263、0.7701、0.8277、0.8331, 均大于0.7.最优模型为4年平均的幂函数模型, R2为0.8331, 拟合效果较好.
| 表 3 DMSP/OLS与AOD的拟合模型比较 Table 3 Comparison of fitting model of DMSP/OLS and AOD |
|
如图 8所示, 对AOD预测值与剩余样点AOD实测值进行验证.图 8中由实测值与预测值拟合形成5种趋势线, 2010、2011、2012、2013年的R2分别为0.7651、0.7915、0.7741、0.7332, 4年平均的R2为0.7252.其中, 2011年拟合模型效果最佳, 能够较好地表达研究区不同城市的AOD值.同时, 本研究将4年平均最优拟合模型进行应用, 基于幂函数模型, 利用ArcGIS 10.3软件对中国陆地夜间灯光数据进行反演, 得到区域AOD分布图.
 |
| 图 8 预测值与实际值的关系及AOD模型反演 Fig. 8 Relationships between measured and predicted values and inversion |
城市化进程加快、工业生产活动增多等人类活动是导致AOD值升高的重要影响因素, 体现为“AOD-人类活动-大气污染程度”.其中, 京津冀、华中、珠三角、长三角地区长期气溶胶含量高, 空气污染较为严重.但随着城市化的发展及环境政策的逐渐落实, 很多发达地区的环境治理取得显著效果, 使得AOD有所下降.需要注意的是, MODIS会遗漏浓度过高的大气颗粒物, 因而导致某些地区极度低估.不过在城市化进程中, 城市建设规划对区域地表的粗糙程度和摩擦系数的改变提高了气溶胶中扬尘来源的比例, 且人类活动产生了更多的气溶胶, 城市中空气流动受阻, 大气较为静稳, 使得污染物不易扩散(吴国雄等, 2015).
夜间灯光能够在一定程度上反映人口及能源消耗分布, 说明AOD与人口分布、能源消耗呈正相关.对比图 2和图 5可以看出, 城市集中、人口稠密、经济生产活动发达的中部地区、南部地区及京津冀地区是AOD的高值区, 城市分布较稀疏、人口密度低、工农业活动较弱的西北地区、青藏高原、内蒙古高原等地区, 其AOD高值区也较少.随着夜间灯光亮度值的增加, AOD逐渐增加, 而达到一定的高值时, AOD增加的速率变缓, 趋势变得平稳.经过统计分析可知, 夜间灯光亮度值较高的城市(如北京、上海等)AOD偏高, 而夜间灯光亮度值较低的城市(如拉萨、西宁等)AOD偏低, 说明人类经济生产活动对AOD有一定的影响.DMSP/OLS夜间灯光数据在上海、香港、澳门、台北4个城市与AOD拟合分析时存在较大误差, 通过对异常点数据进行分析, 发现其均为中国经济科技非常发达、人口高度密集的城市, 夜间灯光指数相较于其他一线城市高出很多.这些城市能源结构友好, 清洁能源使用量高于传统能源使用量.因此, 夜间灯光突然升高, 使得发达区域的数据与其他城市的数据相关性减弱.
由表 4可知, 近年来我国能源结构由煤炭为主向多元化转变, 进入“煤、油、气、可再生、核”等共存协调发展的多元结构阶段.作为人类社会经济活动的集中体现, 区域能源结构变化对大气环境的影响发生了显著的变化.清洁能源持续扩容, 清洁低碳、安全高效的能源体系正加快构建, 2008年煤炭资源占能源消费总量的75.0%, 石油、天然气、水电、核电占比分别为17.4%、3.5%、2.3%、0.3%.而到了2016年, 煤炭资源占比降到了68.1%, 石油、天然气、水电、核电占比分别提升到19.9%、6.7%、3.6%、0.6%.能源结构调整初见成效, 清洁能源、可再生能源占比明显增加, 使得大气环境污染有所控制, 气溶胶浓度逐年下降.相较于其他区域, 京津冀地区高耗能产业较多, 大气环境污染严重, 需要加大力度优化能源结构; 珠三角地区产业结构、能源结构调整较早, 节能减排、改善空气质量效果明显; 而在香港、澳门、台湾等经济发达的沿海区域, 煤炭消费比重下降明显, 天然气消费比重提高, 新能源利用快速增长, 政策环境优化完善到位, 节能降耗成效显著, 煤电节能减排在全国范围领先.
| 表 4 2008—2016年中国能源消费总量和构成 Table 4 Total energy consumption and composition in China for 2008—2016 |
|
由表 5可知, 2012—2016年电力消费量是煤气消费量的5.7倍左右, 且2016年电力消费量相较于2012年有所提升, 而煤气消费量提升不明显.香港地区在住宅、商业、工业等领域基本依靠电力、水作为主要能源进行消费.澳门地区在2012—2016年期间, 电力消费始终高于燃料消费, 2016年电力消费达到了503709万kWh, 相较于2012年提升了21.5%, 而燃料消费仅提升了5.6%(表 6).在2008—2016年, 台湾省能源供给总量中煤炭资源所占比重有所下降, 而清洁能源所占比重提升较为明显(表 7), 其中, 2016年天然气能源供给量占比由8.7%上升到13.7%, 能源结构逐步优化, 对大气环境有着积极作用.香港、澳门、台湾地区相较于中国内地其他城市能源结构更加合理, 多元化能源结构转型较快, 因此, 空气环境质量整体改善明显, 因而AOD值低于周边地区, 且这些城市经济发达, 城市化程度高于其他城市, 因此, 夜间灯光亮度值很高.
| 表 5 2012—2016年香港电力、煤气、水消费量 Table 5 Consumption of electricity, gas and water of Hong Kong for 2012—2016 |
|
| 表 6 2012—2016年澳门电力、煤气、水消费量 Table 6 Consumption of electricity, gas and water of Macao for 2012—2016 |
|
| 表 7 2008—2016年台湾省能源供给总量及构成 Table 7 Taiwan Province energy supply and composition for 2008—2016 |
|
近10年是中国快速发展时期, 中国城市群以前所未有的高强度、高密度、高尺度快速发展, 人类生活与活跃的工业生产向大气排放的气溶胶日渐增多, 已有研究通过DMSP/OLS夜间灯光数据估算地面PM2.5细颗粒物浓度(Li et al., 2017).但目前国内外有关大尺度DMSP/OLS夜间灯光与AOD关系的研究十分有限, 因此, 研究中国陆地AOD时空变化及城市化的关系尤为重要.本研究从年变化、季节变化、月变化角度分析中国陆地及四大区域多年平均AOD时空变化特征, 利用DMSP/OLS夜间灯光数据与AOD进行关系研究, 探讨城市化对AOD的影响, 以期为气候变化评估、气候效应评估、城市化大气环境研究等工作提供重要科学支撑.
4 结论(Conclusions)1) 中国陆地AOD多年平均、季节分布特征符合“胡焕庸线”, 京津冀、长三角、华中地区AOD为高值区, 西部地区(除新疆塔里木盆地)为AOD低值区; 2008—2017年, 中国陆地多年平均AOD为0.332;多年平均AOD在春、夏、秋、冬四季中分别为0.434、0.344、0.248、0.304, 春、夏季高于秋、冬季; 2008—2012年AOD年增长率为-0.033, 2013—2017年AOD年增长率为-0.149, 后5年AOD降速大于前5年; 春季AOD增长率为-0.318, 冬季AOD增长率为-0.130, AOD春季降幅较大.“三区十群”区域内外AOD值差异较大, 区域内AOD值较高, 但总体呈下降趋势, 表明大气污染防控区的空气状况有所改善.
2) 中国夜间灯光亮度分布特征与AOD空间分布特征大致相同, 符合“胡焕庸线”.中国东部沿海地区相较于西部地区亮度值更高, 人口密集省市都被大片的光点覆盖, 网状光斑明显.相较于西北地区, 长三角、珠三角、京津冀地区的亮度值很高; 东部沿海等城市有着链状的大块光斑分布, 这些区域的城市化水平最高; 而在我国中部地区, 夜间灯光亮度分布呈现出网状结构, 说明该地区的城市化水平较高.发达城市的夜间灯光在2008—2013年中虽有消长, 但亮度范围有一定程度的增大, 展现出中国的城市化进程.
3) 经模型拟合, 2010、2011、2012、2013年及4年平均的AOD均值与夜间灯光幂函数拟合结果理想, 二者呈现显著的正相关, R2分别为0.8036、0.8263、0.7701、0.8277、0.8331.模型精度验证结果较为理想, R2最高达到0.7915.统计分析可知, 经济较发达的城市夜间灯光亮度值与AOD呈显著正相关, 说明城市化进程对大气气溶胶浓度具有显著影响.
Ahn C, Torres O, Bhartia P K. 2008. Comparison of ozone monitoring instrument UV aerosol products with aqua/moderate resolution imaging spectroradiometer and multiangle imaging spectroradiometer observations in 2006[J]. Journal of Geophysical Research Atmospheres, 113.
DOI:10.1029/2007JD008832
|
Anderson T L, Charlson R J, Schwartz S E, et al. 2003. Climate forcing by aerosols:A hazy picture[J]. Science, 300(5622): 1103–1104.
DOI:10.1126/science.1084777
|
陈明星, 李扬, 龚颖华, 等. 2016. 胡焕庸线两侧的人口分布与城镇化格局趋势-尝试回答李克强总理之问[J]. 地理学报, 2016, 71(2): 179–193.
|
De Meij A, Pozzer A, Lelieveld J. 2010. Global and regional trends in aerosol optical depth based on remote sensing products and pollutant emission estimates between 2000 and 2009[J]. Atmospheric Chemistry & Physics Discussions, 10(12): 30731–30776.
|
方创琳, 任宇飞. 2017. 京津冀城市群地区城镇化与生态环境近远程耦合能值代谢效率及环境压力分析[J]. 中国科学:地球科学, 2017, 47(7): 93–106.
|
高江波, 黄姣, 李双成, 等. 2010. 中国自然地理区划研究的新进展与发展趋势[J]. 地理科学进展, 2010, 29(11): 1400–1407.
DOI:10.11820/dlkxjz.2010.11.032 |
Hu R M, Sokhi R S, Fisher B E A. 2009. New algorithms and their application for satellite remote sensing of surface PM2.5 and aerosol absorption[J]. Journal of Aerosol Science, 40(5): 394–402.
DOI:10.1016/j.jaerosci.2009.01.005
|
Kaufman Y J, Tanre D, Boucher O. 2002. A satellite view of aerosols in the climate system[J]. Nature, 419(6903): 215–223.
DOI:10.1038/nature01091
|
Li B G, Yuan H S, Nan F. 2009. Comparing MODIS and AERONET aerosol optical depth over China[J]. International Journal of Remote Sensing, 30(24): 6519–6529.
DOI:10.1080/01431160903111069
|
李德仁, 李熙. 2015a. 论夜光遥感数据挖掘[J]. 测绘学报, 2015a, 44(6): 591–601.
|
李德仁, 李熙. 2015b. 夜光遥感技术在评估经济社会发展中的应用-兼论其对"一带一路"建设质量的保障[J]. 宏观质量研究, 2015b, 3(4): 1–8.
|
李佳洺, 陆大道, 徐成东, 等. 2017. 胡焕庸线两侧人口的空间分异性及其变化[J]. 地理学报, 2017, 72(1): 148–160.
|
Li X, Zhang C, Li W.Evaluating the use of DMSP/OLS nighttime light imagery in predicting PM2.5 concentrations in the Northeastern United States[J].Remote Sensing, 9(6): 620
https://www.researchgate.net/publication/317635835_Evaluating_the_Use_of_DMSPOLS_Nighttime_Light_Imagery_in_Predicting_PM25_Concentrations_in_the_Northeastern_United_States |
Liu C M, Liu X M, Zheng H X, et al. 2017. Change of the solar radiation and its causes in the Haihe River Basin and surrounding areas[J]. Journal of Geographical Sciences, 20(4): 569–580.
|
Li Z, Zhao X, Kahn R, et al. 2009. Uncertainties in satellite remote sensing of aerosols and impact on monitoring its long-term trend:A review and perspective[J]. Annales Geophysicae, 27(11): 2755–2770.
|
刘秀位, 张小雨, 张喜英. 2016. 大气气溶胶增加对作物的影响研究进展[J]. 生态学报, 2016, 36(7): 2084–2090.
|
Peng H, Weiguo J, Cao G Z. 2012. Aerosol retrieval with satellite image and correlation analyses between aerosol distribution and urban underlying surface[J]. International Journal of Remote Sensing, 33(10): 3232–3251.
DOI:10.1080/01431161.2010.547883
|
Prosch T, Hennings D, Raschke E. 1982. Imaging polarimetry for the remote sensing of the aerosol content of the atmosphere[J]. Kleinheubacher Berichte, 25: 223–229.
|
齐月, 房世波, 周文佐. 2014. 近50年来中国地面太阳辐射变化及其空间分布[J]. 生态学报, 2014, 34(24): 7444–7453.
|
Tan L, Zhou Y, Bai L. 2017. Human activities along southwest border of China:Findings based on DMSP/OLS nighttime light data[J]. Social Science Electronic Publishing, 31(5): 75–90.
|
Thalman R, De Sá S S, Palm B B, et al. 2017. CCN activity and organic hygroscopicity of aerosols downwind of an urban region in central Amazonia:seasonal and diel variations and impact of anthropogenic emissions[J]. Atmospheric Chemistry & Physics, 17(19): 1–60.
|
吴国雄, 李占清, 符淙斌, 等. 2015. 气溶胶与东亚季风相互影响的研究进展[J]. 中国科学:地球科学, 2015, 45(11): 1609–1627.
|
Wu J, Ma L, Li W. 2017. Dynamics of urban density in China:Estimations based on DMSP/OLS nighttime light data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 7(10): 4266–4275.
|
韦晶, 孙林, 刘双双, 等. 2015. 大气颗粒物污染对土地覆盖变化的响应[J]. 生态学报, 2015, 35(16): 5495–5506.
|
肖志祥, 段安民. 2015. 孟加拉湾热带风暴对青藏高原降水和土壤湿度的影响[J]. 中国科学:地球科学, 2015, 45: 625–638.
|
Xin J, Wang Y, Pan Y, et al. 2015. The campaign on atmospheric aerosol research network of China:CARE-China[J]. Bulletin of the American Meteorological Society, 96(7): 1137–1155.
DOI:10.1175/BAMS-D-14-00039.1
|
Yu H, Chin M, Remer L A, et al. 2009. Variability of marine aerosol fine-mode fraction and estimates of anthropogenic aerosol component over cloud-free oceans from the moderate resolution imaging spectroradiometer(MODIS)[J]. Journal of Geophysical Research Atmospheres, 114.
DOI:10.1029/2008JD010648
|
Yu L, Jin M, Huang J P. 2013. Spatial and temporal distribution of MODIS and MISR aerosol optical depth over northern China and comparison with AERONET[J]. Science Bulletin, 58(20): 2497–2506.
DOI:10.1007/s11434-013-5678-5
|
张宸赫, 赵天良, 王富, 等. 2017. 2003-2014年东北三省气溶胶光学厚度变化分析[J]. 环境科学, 2017, 38(2): 476–484.
|
张磊, 江洪, 陈诚, 等. 2017. 广东省MODIS气溶胶光学厚度时空分布及其影响因素[J]. 地理空间信息, 2017, 15(1): 46–49.
DOI:10.3969/j.issn.1672-4623.2017.01.014 |
张西雅, 扈海波. 2017. 京津冀地区气溶胶时空分布及与城市化关系的研究[J]. 大气科学, 2017, 41(4): 797–810.
|
郑小波, 罗宇翔, 赵天良, 等. 2012. 中国气溶胶分布的地理学和气候学特征[J]. 地理科学, 2012, 32(3): 265–272.
|
郑玫, 闫才青, 李小滢, 等. 2014. 二次有机气溶胶估算方法研究进展[J]. 中国环境科学, 2014, 34(3): 555–564.
|
张喆, 丁建丽, 王瑾杰. 2017. 中亚沙尘气溶胶时空分布特征及潜在扩散特性分析[J]. 地理学报, 2017, 72(3): 507–520.
|