基于卫星遥感的甘肃省吸收性气溶胶的研究

李逢帅,巨天珍,马 超,咸 龙

基于卫星遥感的甘肃省吸收性气溶胶的研究

李逢帅,巨天珍*,马 超,咸 龙

(西北师范大学地理与环境科学学院,甘肃 兰州 730070)

基于OMAERUV数据日产品,对甘肃省2008～2017年吸收性气溶胶指数(UVAI)的时空分布进行了分析,并对其相关因素进行了探讨,结果表明:该省近10a UVAI空间格局为由西北向东南区域逐步递减,UVAI的高值区域一直分布在酒泉市及邻近区域,为吸收性气溶胶污染源中心;甘肃省UVAI的稳定性呈现从东北向西南区域逐渐降低的规律;UVAI月均值呈现出明显的规律性,每年的月变化均呈现“V”型;四季UVAI水平为:冬季>春季>秋季>夏季,四季变化规律基本同步,十年来四季的UVAI呈逐渐上升趋势,且四季中主导的吸收性气溶胶来源不同.基于PM2.5的UVAI指示的空气质量等级分析,甘肃省空气质量以良为主;从气象因素与UVAI相关性分析来看,降水量、气温均与UVAI之间呈现显著正相关,风向也对其空间分布有重要影响;植被覆盖度与UVAI呈现正相关的区域主要分布在甘肃省西北部、武威市中部区域,呈现负相关的甘肃南部天水、陇南等区域为较高的植被覆盖区域.从人类活动因子与UVAI相关性来看,地区生产总值、各产业产值与UVAI有着明显的正相关性,尤其以第二产业与UVAI相关性最高;UVAI与汽车保有量、能源消耗总量及人口密度均存在较强的正相关,说明汽车尾气和工业排放及建筑粉尘也是吸收性气溶胶的重要来源.针对甘肃省UVAI时空分布特点、自然及人类活动因素分析情况,提出了减少人类活动强度等建议.

OMI；甘肃省；UVAI；时空分布；稳定度；相关性分析；空气质量指数

大气气溶胶是液态或固态微粒在空气中的悬浮体系,能作为水滴和冰晶的凝结核(大气凝结核、大气冰核)、太阳辐射的吸收体和散射体,并参与各种化学循环,是大气的重要组成部分[1].其中部分物质不仅可通过人体呼吸活动直接进入人体肺部,还可以进一步渗透到人体血液甚至通过血液输送到脑部,严重影响人类健康[2].由太阳辐射的吸收程度,可以将气溶胶分为吸收性气溶胶和非吸收性气溶胶.吸收性气溶胶的主要来源包括自然过程如沙尘暴、火山喷发、生物的燃烧以及人为过程如化石燃料燃烧过程,是对地球气候和环境都有重要影响的大气组成成分[3].吸收性气溶胶由于对太阳辐射有着较强的吸收,还能通过加热大气、改变大气稳定度、蒸发云滴、减少云量等“半直接方式”影响气候[4].由于这些吸收性气溶胶经常会从它们的源头产生长距离的输送,又因其短暂的生命周期以及物理、化学特征的高度时空可变性,利用地基观测它们的空间分布特征具有很大的局限性,而卫星则可以很大程度克服这一约束.相对于地基观测来说,卫星观测具有足够空间覆盖能力来反应气溶胶的空间分布特征和输送过程[5].最重要的是大尺度遥感数据容易与气象、人为活动要素建立关系式,分析它们之间的联系,增加对气溶胶变化的认识.

目前,吸收性气溶胶还未列入我国大气污染物的常规监测,国外在20世纪末就已经运用卫星监测大气气溶胶.1997年Heraman等[6]研究全球吸收性气溶胶分布源,这些分布源包括森林和秸秆等生物燃烧、沙尘暴等.Dong 等[7]发现了中国吸收性气溶胶与行星边界层存在相互作用,并进一步影响气溶胶的垂直分布.Bibi等[8]在非洲卡罗亚研究了吸收性气溶胶并对其进行了分类,比如黑炭气溶胶、沙尘气溶胶等;张芝娟等[9]利用OMI资料分析了京津冀地区在亚太经合组织领导人会议(APEC)前、APEC期间和APEC后的吸收性气溶胶的光学特性时空分布特征及北京地区历史同期气溶胶光学特性的变化;Tan等[10]揭示了在印度尼西亚森林火灾期间,与西南季风季节相关的烟雾颗粒对该地区的紫外线吸收特性;王爽等[11]利用OMI传感器的气溶胶产品,分析了2006~2015年甘肃天水市紫外吸收性气溶胶的分布动态.

甘肃省作为联通中西部地区的枢纽,近几年社会经济快速发展,甘肃大气中各种污染物浓度都有缓慢上升的趋势,作为沙尘暴传输的重要通道之一[12],与其关系密切的气溶胶研究成为甘肃省大气污染防治重要内容,甘肃省自然地理诸多要素的地带性规律是否会影响到大气气溶胶的分布是一个值得探究的问题.因此本文利用OMI遥感数据,结合气象数据、统计年鉴,选取甘肃省分析了其2008～2017年吸收性气溶胶指数的变化规律,为西部地区吸收性气溶胶的研究提供参考.

1 研究区概况

甘肃省地处中国西北地区,境内为黄土高原、青藏高原和内蒙古高原三大高原的交汇地带,境内地形复杂,山脉纵横,海拔相差悬殊,地势由东南向西北倾斜[13](图1).全省陆域面积42.59万km2,2017年全年全省实现生产总值(GDP)7677亿元,常住人口2609.95万人.各地气候类型多样,从南向北包括了亚热带季风气候、温带季风气候、温带大陆性(干旱)气候和高原高寒气候等四大气候类型,年平均气温0~15℃.全省各地年降水量在36.6~734.9mm,大致从东南向西北递减[14].受季风影响,降水多集中在6~8月份,占全年降水量的50%~70%.

图1 研究区概况

2 数据与方法

2.1 数据来源及数据产品

吸收性气溶胶数据来源于搭载在EOS—Aura卫星上的OMI传感器.Aura卫星是一颗由多国共同研制的极轨、太阳同步科学探测卫星,轨道高度705km,过赤道的时间为13:45(当地时间),每天经过西北地区上空约为06:00(协调世界时)[15].继GOME和SCIAMACHY之后,OMI作为新一代大气成分探测传感器,由荷兰宇航计划总局和荷兰气象研究所提供,波长范围270~500nm,平均波谱分辨率0.5nm,星下点分辨率13km×24km,扫描宽度2600km,覆盖全球只需1d[16-18],可以对臭氧等大气痕量气体以及气溶胶进行有效观测,为研究大气污染提供了新的视野.

选用UVAI资料为2008~2017年L2 V003数据产品,是在紫外波段下获得的数据,该产品名称为OMAERUV.003,此产品由比利时太空大气研究所(BIRA—ISAB)反演,并发布在NASA官网上的GES DISC,数据相对不确定性约为25%[19-20].OMI反演的紫外吸收性气溶胶指数(ultraviolet aerosol index, UVAI)是利用两个紫外通道光谱的辐射通量之比来定义的[21-22].

通常,对紫外辐射有较强吸收性的气溶胶指数UVAI是大于零的,UVAI在(0±0.2)表示云或较大粒径(P³0.2mm)的非吸收性气溶胶,UVAI为负值表示的较小粒径(P<0.2mm)的非吸收性气溶胶,粒径在0.2mm

2.2 数据处理

选取2008~2017年每天的OMI Level 2数据产品进行研究区UVAI的研究,其空间分辨率与OMI原始资料星下点分辨率相同,由于Level 2数据是以HDF—EOS条带(swath)数据格式存储的,因此需要以研究区经纬度、时间为条件提取研究区内日气溶胶数据,并为保证研究区边界的插值精度,将边界扩大了0.5个经纬度,该步骤是以Excel为软件工具和Vb、python编程语言运行完成的[25-26].对得到的点数据运用空间插值、栅格计算等方法处理(分辨率不变),在此基础上进行年、季、月的平均.利用得到的结果对研究区内吸收性气溶胶的时空分布特征进行分析.

同时采用稳定性分析的方式来计算2008~2017年每个栅格AOD的变异系数,并用其反映时间序列上的稳定性,计算式为:

C

ｖ

=

(1)

在分析UVAI与植被覆盖度的相关性时,采用了基于像元的空间分析法,其相关性系数计算公式如下:

回到“烟箱子”，我们哥几个谁也不说话，只是抽烟。一根接一根地抽。想打架，就打了起来。原因是胡麻说他早就预料到哥们儿朝洛蒙会出事，但没想会出这么大的事！稻谷说你这是事后诸葛亮，马后炮！胡麻说你放屁！稻谷给胡麻一脚，胡麻就嚎叫着扑过去。“烟箱子”顿时乱成一团，成了逞英雄的战场。你来我往，洗脸盆刷牙缸叮叮当当直响。没一会又平静了。打完架，都捂着脸。虽然皮肉受了伤痛，心里却好受些。

3 结果与讨论

3.1 甘肃省UVAI值月变化

为了研究UVAI的时间变化特征,根据时间序列绘制了甘肃省2008年1月~2017年12月,共计120个月的UVAI的月均值变化趋势.由图2可以看出,UVAI呈现出明显的规律性,每年的月变化均呈现“V”型.10年中最大的UVAI值出现在2017年的12月份,UVAI值为1.942,每年的最高值出现在1、2、12月份;十年中最低的UVAI值出现在2008年6月份,UVAI值为0.013,每年的最低值出现在6、7月份.

图2 2008~2017年甘肃省UVAI月均值变化趋势

3.2 甘肃省UVAI值季节变化

由图3可见,2008~2017年甘肃四个季节中冬季(12~1月)UVAI最高,春(3~5月)、秋季(9~11月)次之,夏季(6~8月)最低,四个季节变化规律基本同步.其中冬季UVAI的最大值在2017年,为1.295.春、秋两个季节的UVAI最大值分别出现在2017年、2016年,分别为0.99、0.542.夏季一直处于波动上升状态,UVAI最小值出现在2008年,最大值出现在2016年,为0.281.十年来,四季的UVAI呈现逐渐上升的趋势,说明吸收性气溶胶在逐渐增加.

图3 2008~2017年甘肃省UVAI季节变化特征

为便于说明将UVAI数值分为五级(一级-0.2~ 0、二级0~0.3、三级0.3~0.6、四级0.6~0.9、五级0.9~1.2),来表示UVAI在季度上的空间分布情况.由图4可见,2008~2017年甘肃春季UVAI值普遍较高,敦煌市全境为五级,酒泉市、嘉峪关市大部和张掖市及金昌市的部分区域均为四级,其余区域属于二、三级,此时气温回升,且天气干燥,地表解冻后土质疏松,而且表面植被稀少,为沙尘暴高发期,沙尘性气溶胶对UVAI贡献较大[29-30];夏季时,酒泉、嘉峪关及张掖市部分区域UVAI数值等级为三级,其他区域为一、二级,全境UVAI值成为一年当中最低时期.进入秋季时,UVAI开始升高,全境UVAI值以三级为主,二级次之.冬季时,UVAI数值全面升高,全境UVAI值有三个等级,即三级、四级、五级,其中,UVAI六级区域为甘肃西北部,包括酒泉市及嘉峪关市的大部区域、张掖市、武威市及金昌市部分区域,并且UVAI分布呈现由甘肃西北部向东南区域依次递减的趋势,此时吸收性气溶胶的主要来源为采暖期产生的黑炭气溶胶.

图4 2008~2017年甘肃省UVAI季节分布

3.3 甘肃省UVAI年际变化

图5 2008~2017年甘肃省UVAI空间整体分布

由图5可知:甘肃2008~2017年UVAI空间格局为由西北向西南区域逐步递减.其中UVAI一(0.0~0.2)、二(0.2~0.4)等级主要分布在甘南藏族自治州及陇南高海拔区域、定西、兰州市、天水市等.UVAI数值的三级(0.4~0.6)中等水平主要分布在省内中部狭长区域(金昌、武威、张掖、嘉峪关等市),UVAI的四级(0.6-0.8)主要分布在酒泉的中部、嘉峪关的大部、张掖及武威市的西北部区域.UVAI的五级(>0.8)主要分布在酒泉市的中部及敦煌市的大部分区域.

由图6可知:2008~2017年,研究区UVAI高值一直在酒泉市、嘉峪关、张掖、武威、金昌市及临近区域.2008~2012年UVAI在逐年增加,高值区域也逐年在扩大.2013年酒泉市中部、东、西部(敦煌市)达到了吸收性气溶胶的最高污染等级(5级),占省内面积的12.8%,这可能与敦煌近年来旅游业的发展,及本地植被覆盖率较低,引起的扬尘气溶胶有关; 2014~2016年UVAI数值在波动中降低,区域内浓度分布不均,有4个数值等级,二(0~0.3)、三(0.3~0.6)和四级(0.6~0.9)区域占据了研究区的大部分面积.2016~2017年,UVAI等级均上升一个等级,2017年中,省内UVAI三级区域同样分布在甘南藏族自治州及陇南高海拔区域、定西、兰州市、白银市等东南区域,四、五级区域分布在省内狭长区域及酒泉市全部区域.

图6 2008~2017年甘肃省UVAI逐年均值分布

3.4 UVAI变化的稳定性分析

由图7可知,甘肃省UVAI稳定性整体呈现东北向西南区域逐渐降低,高低差异显著的分布格局. UVAI稳定性存在显著的空间差异,稳定性差、较差区域分布在甘南藏族自治州及邻边边缘区域,这些地区受自然因素(降水、海拔)和人为活动(畜牧)扰动大,吸收性气溶胶稳定性程度低.中等稳定区大多分布在张掖市西南部、武威市等部分区域,为由差、较差稳定区域向良好、较好稳定区域的过渡地带,表明受人类活动和自然因素干扰少于稳定性差、较差区域.稳定性好、较好区域主要分布在酒泉市、嘉峪关市、张掖市、金昌市等的大部分区域.

图7 2008~2017年甘肃省UVAI变化稳定程度

3.5 甘肃省UVAI变化的影响因素

气溶胶作为一种多来源的物质,其在空间和时间上的变化除了受污染源和污染源强度的影响外,还与甘肃省的气象条件、植被覆盖度及人类活动等诸要素有着密切关系.

3.5.1 风向对UVAI的影响 风作为大气污染的主要动力之一,其强度和方向直接影响着污染物扩散速度与方向,由于风向与所处的地理位置和气候特征相关联,某些特定的风向往往会导致污染物浓度升高[31].风速主要影响大气的水平扩散.当风速较大时,大气流动加强,扩散加快,可以有效减小污染物浓度;而静风或风速小时,大气水平流动能力减弱,大气污染物容易聚积[32].

通过统计2013~2018年的甘肃省各地市风向数据,绘制西北部地区(酒泉市、嘉峪关市)、中部狭长地区(张掖市、武威市、兰州市、白银市、定西市等)风频玫瑰图.西南部(临夏州、甘南藏族自治州、陇南市等)由于无持续风向,在此不做分析.西北部、中部风频玫瑰图(其中径向坐标代表频率),图8可见,甘肃省西北部地区以东风和西风为主,频率为70%,此区域沙地、戈壁滩分布广泛且地势开阔,容易形成局部沙尘气溶胶,因此对UVAI的贡献率较高;中部地区东北风和西北风频率总共占76%,此地区常年主导风向为西北风,尤其在冬季,风速等级较高,此时吸收性气溶胶的来源除本地污染源之外,在西北风的裹挟下,且在山地(祁连山脉群)阻隔、汇集作用下不利于吸收性气溶胶向外扩散,因而冬季UVAI较高,反之夏季,UVAI数值较低,污染程度较轻.此外中部地区(腾格里沙漠边缘)常年受沙尘暴侵扰,大气中的吸收性气溶胶维持在较高水平.

西北部 中部

图8 甘肃省风频玫瑰

Fig.8 The wind frequency chart of Gansu

3.5.2 气温对UVAI的影响 气温条件的不同对各种大气污染物的影响不同.温度较高时,大气垂直对流作用加剧,有利于大气扩散,因而一般与吸收性气溶胶呈负相关[33].

表1 四季温度、降水量、UVAI的月均值变化

图9 UVAI月均值与月平均气温散点图

气温条件的不同对各种大气污染物的影响不同,温度较高时,大气垂直对流作用加剧,有利于大气扩散,因而一般与吸收性气溶胶呈负相关.表1 统计了甘肃省近十年四季温度、降水量、UVAI的月均值,以期给出三者之间的定量关系.春季到夏季,在温度升高10.5℃,增长75%的情况下,UVAI大幅降低,降低约67.4%,夏季到秋季、秋季到冬季, 温度分别降低10.1℃、12.8℃,UVAI增长率分别为149%、98.6%.可以看出,UVAI随着温度的降低而增加的反向变化.图9为UVAI月均值与月平均气温散点图,是依据2012~2018年月平均气温及2008~2017年UVAI月均值绘制的,分析了两者之间的相关性,发现UVAI月均值与月平均气温之间存在明显的负相关,平均拟合优度2达到了91.91%,为0.005.甘肃UVAI数值存在明显的冬春高,夏秋低的季节差异,UVAI数值的变化趋势,一方面是因为当平均气温低于3℃时,甘肃地区开始进入采暖期,煤炭等燃料消耗大幅度增加,此时产生的吸收性气溶胶主要类型为黑炭气溶胶;另一方面可能是因为在地表温度较低时,对流较弱,容易形成逆温[34-35],不利于污染物的扩散.

3.5.3 降水量对UVAI的影响 稳定性降水对吸收性气溶胶颗粒具有稀释沉降作用,从而降低了吸收性气溶胶指数数值.从表1可得出,春季到夏季,在降水量增加71mm,增长98%的情况下,UVAI降低约67.4%,夏季到秋季、秋季到冬季, 降水量分别降低88.9mm、32.1mm,UVAI增长分别为0.23、0.379, UVAI随着降水量降低而增加的反向变化.为了更加清晰的表明两者之间的相关性,统计了2008~2017年甘肃UVAI月均值和2008~2018年月均降水量的相互关系(图10),发现UVAI与甘肃月均降水量之间存在较高的负相关,最高发生在六月份,且为0.005.由此可知,降水量集中的夏季,甘肃省UVAI数值普遍低于其他三个季节.

3.5.4 植被因素分析 植被对大气污染具有净化作用,其主要是通过叶片实现,对扬尘气溶胶和其它颗粒物具有滞留过滤作用,从而一定程度上降低吸收性气溶胶浓度[36].图11为2017年甘肃省UVAI与植被覆盖度的相关性,其中67.9%的格点数据通过了=0.05的置信度检验,与吸收性气溶胶指数呈现正相关的区域面积占总面积的26.04%,从空间上看,与UVAI呈现正相关的区域主要分布在甘肃省西北部(酒泉市大部分区域)、武威市中部区域,相关性多在0~0.6之间变动.对于呈现负相关的区域,相关性多在-0.8~0之间变动,如兰州、陇南、定西市等,说明植被覆盖率低的地区,UVAI较高;植被覆盖率高的地区,UVAI较低,可见植被有降低吸收性气溶胶的作用.

图10 UVAI月均值与降水量散点图

图11 UVAI月均值与植被覆盖度的相关性

3.5.5 人类活动分析 甘肃省的经济发展水平主要由地区生产总值及各产业值来衡量,其中第二产业是主要影响UVAI的指标之一,同时机动车尾气的排放作为吸收性气溶胶的主要来源之一,也是影响UVAI变化的重要因素.除此之外,人口密度的增加,造成本地区能源消耗的增加,化石燃料的燃烧所产生的各类气溶胶无疑会对大气环境造成压力.

表2为2008~2017年UVAI与甘肃省生产总值、第一、二、三产业值、汽车保有量、能源消费总量及人口密度的相关性分析结果,其中人类活动因子数据从甘肃省统计年鉴获取.地区生产总值及各产业值,在一定程度上可以反映当地生产活动对UVAI的贡献程度,是吸收性气溶胶增加的重要因素,从表2可知,地区生产总值、各产业产值与UVAI有着明显的正相关性,尤以第二产业与UVAI相关性最高.这也从一定程度上反映了工业、建筑业的发展与吸收性气溶胶的增加有密切联系.

表2 2008~2017年UVAI与人类活动因子的相关性矩阵

注:** 在0 .01 水平(双侧)上显著相关.* 在 0.05 水平(双侧)上显著相关.

UVAI与汽车保有量、能源消耗总量均存在较强的正相关,分别为86.8%,83.9%,说明汽车尾气的排放,能源消耗所产生的废气是吸收性气溶胶的重要来源之一.

甘肃经济较发达的地市一般处于盆地及河谷地带,人类的生产、生活活动在该区域也较为频繁,形成了经济发达地区人口密度较高的特点,尤其城市的工业区和混合功能区的人口密度最高,对大气环境造成的影响也最大.由表2可知,人口密度与UVAI存在一定的正相关性,相关性89.9%.一般认为相关系数在0.8以上,认为两者有强的相关性.

人类活动强度直接影响了吸收性气溶胶来源大小,进而影响吸收性气溶胶指数数值,自然因素则对吸收性气溶胶指数产生了间接影响.研究区内工业、建筑业发展产生的黑炭、扬尘气溶胶是吸收性气溶胶的主要来源,对吸收性气溶胶指数的增加具有重大贡献.因此在诸多因素中,第二产业对吸收性气溶胶指数数值影响最大.

3.6 PM2.5为首要污染物的空气质量等级与UVAI的关系

目前,尚未有UVAI的空气质量标准,考虑到PM2.5是吸收性气溶胶的重要组成部分,以甘肃为例,结合中国气象网空气质量数据,探讨两者关系.选取2016年的PM2.5为首要污染物的天数,以及对应的各天的AQI指数,与对应日期的UVAI日均值进行二元拟合分析,取得UVAI的空气质量标准值[37].如图12为甘肃省AQI与UVAI日均值拟合图,平均拟合优度²达到了82.94%,具有较强的相关性.根据AQI等级划分情况,按照拟合关系,得到对应的UVAI等级划分,详见表3.并以这三个UVAI的空气质量等级,将图5转换为甘肃省UVAI空气质量等级图(图13),由图13可看出,2008~2017年甘肃省空气质量分为优、良和轻度污染3个等级,优、良和轻度污染所占面积分别占兰州市总面积的9.4%、78.8%和11.6%,其中质量等级为优的地区主要分布在甘南藏族自治州及邻边区域(陇南市西部、定西市南部区域),质量为轻度污染的地区主要分布在酒泉市中西部及东部、嘉峪关与张掖市的交界处,其余区域质量等级为良.综上所述,以UVAI为指示的甘肃省空气质量以良为主.

图12 甘肃省AQI与UVAI日均值拟合

表3 空气质量等级与UVAI对应关系

图13 2008~2017年甘肃省UVAI空气质量等级

4 结论

4.1 从UVAI值变化来看,UVAI月均值呈现出明显的规律性,每年的月变化均呈现“V”型;季节变化特征为:冬季UVAI最高,春、秋季次之,夏季最低,十年来四季的UVAI呈现逐渐上升的趋势,说明吸收性气溶胶在逐渐增加.从UVAI的分布来看,甘肃近10a UVAI空间格局为由西北向东南区域逐步递减, UVAI的高值区域一直分布在酒泉市的中部及敦煌市的大部分区域.

4.2 甘肃省UVAI稳定性整体呈现东北向西南区域逐渐降低,高低差异显著的分布格局;基于PM2.5的UVAI指示的空气质量等级分析,甘肃省空气质量以良为主.

4.3 从气象因子与UVAI的相关性结果来看,气温与UVAI的相关性更为密切,降水量次之;风的强度和方向直接影响着污染物扩散速度与方向,进而影响甘肃省各地的UVAI的大小与分布.由植被与UVAI相关性来看,与UVAI呈现正相关的区域主要分布在甘肃省西北部、武威市中部区域.

4.4 从人类活动因子与UVAI相关性来看,地区生产总值、各产业产值与UVAI有着明显的正相关性;汽车保有量、能源消耗总量及人口密度与UVAI亦存在较强的正相关,说明工业排放、汽车尾气和建筑粉尘均是吸收性气溶胶的重要来源.

[1] 张晓通.全球陆表下行短波辐射和光合有效辐射反演算法研究[D]. 武汉:武汉大学, 2010. Zhang Xiaotong. Inversion algorithm of global terrestrial surface downlink short-wave radiation and photosynthetic active radiation [D]. Wuhan: Wuhan university, 2010.

[2] 张亮林,潘竟虎.基于MODIS数据的中国气溶胶光学厚度时空分布特征[J]. 环境科学学报, 2018,38(11):4431-4439. Zhang Lianglin, Pan jinghu. Spatial-temporal distribution characteristics of aerosol optical thickness in China based on MODIS data [J]. Journal of environmental science, 2008,38(11):4431-4439.

[3] 陈莎莎.基于微脉冲激光雷达反演整层气溶胶光学厚度[D]. 合肥:中国科学技术大学, 2017. Chen Shasha. Inversion of whole layer aerosol optical thickness based on micro-pulse lidar [D]. Hefei: University of Science and Technology of China, 2017.

[4] 宿兴涛,许丽人,张志标,等.基于卫星观测的我国北方地区紫外吸收性气溶胶的时空分布研究[J]. 气候与环境研究, 2015,20(1):11-20. Su Xingtao, Xu Liren, Zhang Zhibiao, et al. Spatial-temporal distribution of ultraviolet absorbent aerosols in northern China based on satellite observations [J]. Climate and Environment Research, 2015, 20(1):11-20.

[5] 赵富强,王维和,邓小波,等.大气臭氧总量与吸收性气溶胶指数的关系[J]. 遥感学报, 2017,21(4):500-508. Zhao Fuqiang, Wang Weiwei, Deng Xiaobo, et al. Relationship between total atmospheric ozone and absorbability aerosol index [J]. Journal of Remote Sensing, 2017,21(4):500-508.

[6] Herman J R, Bhartia P K, Torres O, et al. Global distribution of UV-absorbing aerosols from Nimbus 7/TOMS data [J]. Journal of Geophysical Research Atmospheres, 1997,102(D14):16911-16922.

[7] 刘 状,孙曦亮,刘 丹,等.2001~2017年中国北方省份气溶胶光学厚度的时空特征[J]. 环境科学学报, 2018,38(8):3177-3184. Liu, Sun Xiliang, Liu Dan, et al. Spatio-temporal characteristics of aerosol optical thickness in northern China from 2001 to 2017 [J]. Journal of Environmental Science, 2008,38(8):3177-3184.

[8] Bibi S, Alam K, Chishtie F, et al. Characterization of absorbing aerosol types using ground and satellites based observations over an urban environment [J]. Atmospheric Environment, 2016:S1352231016309438.

[9] 张芝娟,陈 斌,等.利用OMI资料分析APEC期间吸收性气溶胶的时空分布特征[J]. 兰州大学学报(自然科学版), 2017,53(1):93-100. Zhang Zhijuan, Chen Bin, et al. Analysis of spatial and temporal distribution characteristics of absorbant aerosols during APEC using OMI data [J]. Journal of lanzhou university (natural science edition), 2017,53(1):93-100.

[10] Tan K C, Lim H S, Mat Jafri M Z. Remote sensing assessment of absorbing aerosol over Peninsular Malaysia from OMI onboard Aura satellite [J]. Journal of Physics: Conference Series, 2017,852:012027.

[11] 王 爽,巨天珍,谢顺涛,等.天水市紫外吸收性气溶胶时空动态的遥感监测[J]. 环境监测管理与技术, 2018,30(1):46-49. Wang Shuang, Ju Tianzhen, Xie shuntao, et al. Remote sensing monitoring of spatial and temporal dynamics of ultraviolet absorption aerosols in tianshui city [J]. Environmental monitoring management and technology, 2008,30(1):46-49.

[12] 王丽军.甘肃省生态足迹与能源消费年度变化关系研究[D]. 兰州:兰州大学, 2013. Wang Lijun. Research on the relationship between ecological footprint and energy consumption in gansu province [D]. Lanzhou: Lanzhou University, 2013.

[13] 岳军伟.甘肃主要森林类型固碳动态、潜力及影响机制[D]. 杨凌:中国科学院大学(中国科学院教育部水土保持与生态环境研究中心), 2018. Yue Junwei. Carbon sequestration dynamics, potential and impact mechanism of major forest types in gansu [D]. Yangling: University of Chinese Academy of Sciences (Research Center of Soil and Water Conservation and Ecological Environment, Ministry of Education, Chinese Academy of Sciences), 2018.

[14] 张 宁,张武平,张 萌.沙尘暴降尘对甘肃大气环境背景值的影响研究[J]. 环境科学研究, 2005,(5):6-10. Zhang N, Zhang W P, Zhang M. study on the influence of dust storm on atmospheric background value in gansu [J]. Environmental Science Research, 2005,(5):6-10.

[15] 杜君平,朱玉霞,刘 悦,等.基于OMI数据的中国臭氧总量时空分布特征[J]. 中国环境监测, 2014,30(2):191-196. Du Junping, Zhu Yuxia, Liu Yue, et al. Spatial and temporal distribution characteristics of total ozone in China based on OMI data [J]. China Environmental Monitoring, 2014,30(2):191-196.

[16] Smedt I D, Stavrakou T, Müller J F, et al. H2CO columns retrieved from GOME—2: first scientific results and progress towards the development of an operational product [C]//Eumetsat Meteorological Satellite Conference.

[17] 游志强,尉 鹏,邱雄辉,等.基于卫星观测的2005~2015年京津冀地区NO2柱浓度分布及变化趋势[J]. 环境科学研究, 2016,29(10): 1400-1407. You Zhiqiang, Wei Peng, Qiu Xionghui, et al. Distribution and change trend of NO2column concentration in beijing-tianjin-hebei region from 2005 to 2015 based on satellite observation [J]. Environmental science research, 2016,29(10):1400-1407.

[18] 谢顺涛,巨天珍,葛建团,等.基于卫星遥感中国甲醛的时空分布及影响因子[J]. 中国环境科学, 2018,38(5):1677-1684. Xie Shuntao, Ju Tianzhen, Ge jiantuan, et al. Spatial-temporal distribution and influencing factors of formaldehyde in China based on satellite remote sensing [J]. Chinese Journal of Environmental Sciences, 2008,38(5): 1677-1684.

[19] Baek K H, Kim J H, Park R J, et al. Validation of OMI HCHO data and its analysis over Asia. [J]. Science of the Total Environment, 2014, 490:93-105.

[20] 刘宏庆,巨天珍.黑龙江省近12年甲醛柱浓度时空变化及其影响因素[J]. 中国环境科学, 2018,38(6):2001-2011. Liu Hongqing, Ju Tianzhen. Spatial-temporal variation of formaldehyde column concentration and its influencing factors in heilongjiang province in recent 12 years [J]. China environmental science, 2018,38(6):2001-2011.

[21] Torres O, Tanskanen A, Veihelmann B, et al. Aerosols and surface UV products from ozone monitoring instrument observations: An overview [J]. Journal of Geophysical Research Atmospheres, 2007, 112(D24).

[22] Tanr & Xe D. Derivation of tropospheric aerosol properties from satellite observations [J]. Comptes rendus — Géoscience, 2010,342(4): 403—411.

[23] 陈科艺,彭志强.应用OMI卫星资料监测蒙古戈壁沙尘的传播[J]. 高原气象, 2012,31(3):798-803. Chen Keyi, Peng Zhiqiang. Application of OMI satellite data to monitor the transmission of gobi dust in Mongolia [J]. Plateau Meteorology, 2012,31(3):798-803.

[24] 杨东旭,刘 毅,夏俊荣,等.华北及其周边地区秋季气溶胶光学性质的星载和地基遥感观测[J]. 气候与环境研究, 2012,17(4):422-432. Yang Dongxu, Liu Yi, Xia Junrong, et al. Spaceborne and ground-based remote sensing observations of autumn aerosol optical properties in north China and its surrounding areas [J]. Climate and Environment Research, 2012,17(4):422-432.

[25] 巨天珍,师贺雄,王 彦,等.基于OMI卫星遥感数据的兰州市SO2空间分布分析[J]. 安全与环境学报, 2012,12(4):154-157. Ju Tianzhen, Shi Hexiong, Wang Yan, et al. Spatial distribution analysis of SO2in Lanzhou based on OMI satellite remote sensing data [J]. Journal of Safety and Environment, 2012,12(4):154-157.

[26] 李逢帅,巨天珍,贾维平,等.基于OMI数据的兰州地区吸收性气溶胶指数时空分布特征研究[J]. 环境科学学报, 2018,38(12):4582- 4591. Li Fengshuai, Ju Tianzhen, Jia Weiping, et al. Temporal and spatial distribution characteristics of the absorption aerosol index in Lanzhou based on OMI data [J]. Acta Scientiae Sinica Sinica, 2018,38(12): 4582-4591.

[27] 潘竟虎,黄克军,李 真. 2001~2010年疏勒河流域植被净初级生产力时空变化及其与气候因子的关系[J]. 生态学报, 2017.37(6): 1888-1899. Pan Jinghu, Huang Kejun, Li Zhen. Temporal and spatial variation of net primary productivity of vegetation in the Shule River Basin from 2001 to 2010 and its relationship with climatic factors [J]. Acta Ecologica Sinica, 2017,37(6):1888-1899.

[28] 穆少杰,李建龙,陈奕兆,等.2001~2010年内蒙古植被覆盖度时空变化特征[J]. 地理学报, 2012,67(9):1255-1268. Mu Shaojie, Li Jianlong, Chen Yizhao, et al. Temporal and spatial variation characteristics of vegetation coverage in Inner Mongolia from 2001 to 2010 [J]. Acta Geographica Sinica, 2012,67(9):1255- 1268.

[29] 蒋贤玲,巩远发,等.青藏高原-热带印度洋地区大气热源的时空变化特征[J]. 成都信息工程学院学报, 2011,26(6):601-607. Jiang Xian-ling, Gong Yuan-Fa, et al. Spatial and Temporal Variation Characteristics of Atmospheric Heat Source over the Tibetan Plateau-Tropical Indian Ocean [J]. Journal of Chengdu University of Information Technology, 2011,26(6):601-607.

[30] 董自鹏,余 兴,李星敏,等.基于MODIS数据的陕西省气溶胶光学厚度变化趋势与成因分析[J]. 科学通报, 2014,59(3):306-316. Dong Zhipeng, Yu Xing, Li Xingmin, et al. Trends and genesis of aerosol optical thickness in Shaanxi based on MODIS data [J]. Chinese Science Bulletin, 2014,59(3):306-316.

[31] Goyal P, Sidhartha. Effect of winds on SO2and SPM concentrations in Delhi [J]. Atmospheric Environment, 2002,36(17):2925-2930.

[32] 林 俊,刘 卫,李 燕,等.大气气溶胶粒径分布特征与气象条件的相关性分析[J]. 气象与环境学报, 2009,25(1):1-5. Lin Jun, Liu Wei, Li Yan, et al. Correlation analysis between atmospheric aerosol particle size distribution and meteorological conditions [J]. Journal of Meteorology and Environment, 2009,25(1): 1-5.

[33] 朱能文.颗粒物浓度的影响因素及变化规律[J]. 环境科学动态, 2005,(2):16-18. Zhu Nenwen. Influencing Factors and Variation Law of Particle Concentration [J]. Environmental Science, 2005,(2):16-18.

[34] 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):491-496,503. Zhao Jingguo, Wang Shigong, Li Jiayuan, et al. Analysis of the relationship between air pollution and meteorological conditions in Lanzhou City [J]. Journal of Lanzhou University (Natural Science), 2013,49(4):491-496,503.

[35] 周曙东,欧阳纬清,葛继红.京津冀PM2.5的主要影响因素及内在关系研究[J]. 中国人口·资源与环境, 2017,27(4):102-109. Zhou Yidong, Ouyang Weiqing, Ge Jihong. Study on the Main Influencing Factors and Intrinsic Relationship of Beijing-Tianjin- Hebei PM2.5[J]. China Population, Resources and Environment, 2017, 27(4):102-109.

[36] 陈璞珑,王体健,谢晓栋,等.基于数值模式的细颗粒物来源解析[J]. 科学通报, 2018,63(18):1829-1838. Chen Wei, Wang Tijian, Xie Xiaodong, et al. Analysis of source of fine particles based on numerical model [J]. Chinese Science Bulletin, 2018,63(18):1829-1838.

[37] 卢秀娟,巨天珍,谢顺涛,等.城市大气臭氧柱浓度时空变化研究——以天水为例[J]. 地球与环境, 2017,45(6):612-619. Lu Xiujuan, Ju Tianzhen, Xie Shuntao, et al. Spatial and Temporal Variations of Urban Atmospheric Ozone Concentration—Taking Tianshui as an Example [J]. Earth and Environment, 2017,45(6):612- 619.

Absorption aerosol in Gansu Province based on satellite remote sensing.

LI Feng-shuai, JU Tian-zhen*, MA Chao, XIAN Long

(Geographical and Environmental Department, Northwest Normal University, Lanzhou 730070, China)., 2019,39(10)：4082~4092

Based on the OMAERUV data daily product, the spatial and temporal distribution of the ultraviolet aerosol index (UVAI) in Gansu Province from 2008 to 2017 was analyzed, and the related factors were discussed. The results showed that the spatial pattern of UVAI nearly 10 years in the province gradually decreased from northwest to southeast region. The high value area of UVAI distributed in Jiuquan City and its neighboring areas, which was the center of absorbent aerosol pollution. The stability of UVAI in Gansu Province gradually decreased from northeast to southwest region. The monthly average value of UVAI showed an obvious regularity, and the monthly change of UVAI showed a "V" pattern every year; the UVAI level of four seasons was: winter>spring>autumn>summer, the seasons were basically synchronized, the UVAI of the four seasons had risen gradually during past ten years, and the sources of the absorbed aerosol dominated in four seasons were different. The analysis of air quality level Based on UVAI of PM2.5indicated that the air quality in Gansu Province was mainly good; From the analysis of correlation between meteorological factors and UVAI, precipitation, temperature showed a significant positive correlation to UVAI, and the wind direction also had an important impact on its spatial distribution; the areas where the main distribution of vegetation coverage and UVAI was positively correlated distributed in the northwestern of Gansu Province and the center of Wuwei City, the areas where the main distribution of vegetation coverage and UVAI was negatively correlated distributed in Tianshui and Longnan in the south of Gansu Province, which had a higher vegetation coverage.From the point of the correlation between human activity factors and UVAI, regional GDP, industrial output value and UVAI had a significant positive correlation, especially the secondary industry and UVAI had the highest relevance; UVAI had a strong positive correlation with car ownership, total energy consumption and population density, which indicated that automobile exhaust, industrial emissions and construction dust were important source of absorbing aerosol. Based on the spatial and temporal distribution characteristics of UVAI and the analysis of natural and human activities in Gansu Province, some suggestions of reducing the intensity of human activities were proposed.

OMI；Gansu Province；UVAI；space-time distribution；stability；correlation analysis；air quality index

X513,X87

A

1000-6923(2019)10-4082-11

李逢帅(1994-),男,山东济南人,西北师范大学硕士研究生,主要从事大气污染物遥感方面研究.发表论文1篇.

2019-03-18

甘肃省重点研发计划(17YF1FA120);兰州市科技计划项目(2017-RC-69)

* 责任作者, 教授, jujutz@163.com