华北地区高光谱气体影响因素分析

丁志华, 盛艳蕊, 张子广

(河北省地震局, 河北 石家庄 050021)

0 引言

传统地下流体地震前兆研究中,以地下水位、地下水温等定点观测手段为主,近年来由于环境干扰的增多,定点观测数据资料受其影响巨大。地球化学观测逐渐成为地震前兆地下流体研究的新方向,高光谱遥感技术是其中之一。

在地震孕育和发生过程,应力不断积累,随着应力增大,渗透率增大,地壳产生微破裂,地下气体会沿微裂隙向上移动,释放到地表。随着高光谱遥感技术的不断发展,越来越多的国内外学者开始应用遥感技术研究地震前后气体的变化,发现高光谱遥感方法可以观测到地震引起的地球排气作用,导致气体(CH4,CO2,CO,O3,H2S等)浓度的变化[1]。大量研究表明大震前后高光谱遥感气体会出现异常变化,主要表现为CO、CH4、水汽震前的高值异常:Singh等[2]利用MOPITT 数据探测到2001年1月26日印度古加拉特(Gujarat)M7.8地震前出现CO含量异常现象,Tronin[3]发现了O3浓度异常;Singh等[4]还探测到汶川地震前后水汽含量出现增高异常;崔月菊等[5-9]也发现地震前后多种高光谱气体异常(汶川地震后CO升高异常与余震对应较好,地震前两个月CO有明显的升高异常;玉树地震前2周和震后2周CO浓度都出现了高值异常,震后5个多月期间水汽含量明显高于往年,且波动性增大),并且异常出现在地壳应力接近最大值的交叉区域[10]。可见,CO、CH4、O3和水汽等异常信息与地震关系密切,可以作为监测地震的指标参数[11]。因此利用高光谱遥感技术提取地震引起的气体成分变化的方法得到了很多同行专家的认可[12-13]。

尽管有很多的震例证明震前高光谱气体异常的存在,但仍有很多质疑的声音,主要因为高光谱气体受干扰太多,用RST算法提取异常后,仍有很多无法解释的高值区。解释高光谱气体无震异常的原因,尤为重要,也是目前高光遥感应用于地震监测预报的瓶颈所在。因此,分析不同气体浓度的影响因素,判定高值异常性质,尤为重要。

本文以CH4和CO为例,计算不同地形条件下,高光谱气体与水汽、温度、长波辐射、气压的相关系数,通过分析其相关性,了解不同气体的影响因素,为震情跟踪判定提供重要依据。

1 数据和方法

文中计算所用高光谱遥感数据均来源于美国宇航局NASA大气红外探测仪(AIRS),光谱分辨率Δλ/λ=1 200,轨道重复周期16天,全球80%的地区可以实现一天两次覆盖,空间分辨率为1°×1°。数据可在NASA Goddard地球科学数据和信息中心下载。

1.1 相关系数及回归方程

高光谱气体浓度影响较大,通过高光谱气体与不同参数相关系数,分析不同气体的控制因素,有助于进行异常提取。

(1)

(2)

(3)

得到相关系数为

(4)

设回归方程为y=a+bx,有

(5)

(6)

计算均方差σ,当某一点的y测值-(a+bx测值)<2σ时,该点y受该点x值影响,当y测值-(a+bx测值)>2σ时,则认为该点y脱离了x的控制。

1.2 异常提取方法

通过RST算法进行异常提取。RST算法是一种描述某位置值相对平静状态的变化来提取异常的分析方法,具体计算公式为:

(7)

首先,求得全球不同位置(x,y)处气体背景场(Gbac),为N年(2004—2017年)历史数据的算术平均值

(8)

式中:i为年份;t为月份;GI(x,y,t)为全球不同位置不同不同时间气体浓度。

然后,通过式(9)求得各地区不同月份气体浓度(Gmon)与背景场(Gbac)的差值ΔG,以此表示背景场对高光谱气体的影响。式(10)计算标准差,式(11)将ΔG与标准偏差σ(x,y)比较,进一步提取异常信息,判断异常强度[14]。

ΔG(x,y)=Gmon(x,y)-Gbac(x,y)

(9)

σ(x,y)=

(10)

(11)

⊗(x,y)越大表示异常强度越高,(x,y)越低表示异常越不明显。

2 结果

为分析CH4与CO的影响因素,按地形分为海洋、平原、山区、盆地四4种类型,每种地形随机选取3个点(图1),分别计算两种气体与水汽、温度、长波辐射和气压等参数相关系数。

图1 不同地形选点位置图Fig.1 Location map of different terrain

CH4、CO在不同地形条件下与各参数的相关系数结果(表1、表2)显著性检验:计算样本量为2003—2018年月均值数据,N=192,N-2=190,查询相关系数检验表,当相关系数在α=0.01上显著相关的最小值为0.185,可见CH4与各参数在陆地均显著相关,CO与各参数只在海洋显著相关。

表1 不同地形条件下CH4与各参数相关系数

表2 不同地形条件下CO与各参数相关系数Table 2 Correlation coefficient between CO and various parameters under different topographic conditions

结果表明,同种地形不同选点的相关系数结果较接近,同类地形条件下相关系数均值可代表气体与不同参数在该地形条件的相关程度。不同地形条件下CH4、CO与各参数的相关系数有明显差别。

3 分析与讨论

3.1 气体浓度的影响因素

海洋、平原、盆地3种地形中,每种地形不同位置环境条件较稳定,因此同地形不同测点计算结果较相近,山区由于不同测点间光照条件、植被覆盖率、海拔等可能相差较大,计算结果略有差距。

(1) CH4的影响因素

水汽(湿度)、温度(气温)、气压是重要的气象要素,CH4与各参数的相关性体现了气象条件对CH4浓度变化具有较大的影响。除季节性显著变化使得CH4具有明显的季节性周期变化外,短时气象变化也会通过影响CH4光化学反应过程来控制CH4浓度。

CH4与水汽、温度、长波辐射呈负相关,与气压呈正相关,且相关系数平原大于山区大于盆地。空气水汽多,湿度大,为OH自由基的形成创造了有利条件,大量OH自由基的形成有利于CH4光化学反应进行,因此,CH4与水汽呈负相关;温度高、长波辐射强反应太阳辐射的强弱,较强的太阳辐射有利于光化学反应的进行,因此,CH4与温度、长波辐射均呈负相关;由于空气从高气压地区向低气压地区流动,因此高低压地区的空气就在水平方向上向周围地区流出,该地区上方的空气就要下降,不利于空气上升,进而抑制CH4向平流层输送,导致CH4增多,低气压地区相反,周围地区的空气流入低气压地区,使该地区的空气上升,促进CH4向平流层输送,造成高气压地区CH4含量高,低气压地区CH4含量低的情况,因此CH4与气压正相关。同时由于低气压地区空气上升,上升的空气因所受的压强减小而膨胀,温度降低,空气中的水汽凝结,所以,低气压中心地区常常是阴雨天,进一步形成大量OH自由基,促进CH4光化学作用。CH4背景场总量在平原高于盆地、山区,因此在平原参与光化学作用的CH4量比较大,同时,平原四季环境各参数变化更为显著,对CH4促进、抑制作用更为显著,因此CH4与各参数相关系数在平原大于山区大于盆地。

(2) CO的影响因素

海洋不同参数相关性特性与陆地(平原、山区、盆地)有较明显的差别。有研究表明,海洋是大气中CO的主要源[15-16],海洋上空CO浓度较高,其影响因素与陆地具有不同的特征。因此,在进行不同气体影响因素分析中,海洋可作为独立体系进行研究。

CO在陆地(平原、山区、盆地)与水汽、温度、长波辐射、气压的相关性均较低,呈弱相关或不相关。华北地区东部沿海,与各参数相关系数较小的原因可能有两种:一是CO本身受气象因素影响较小;二是CO受气象因素影响,但由于沿海地区受海洋源的影响较大,掩盖了气象因素的影响。

(3) CH4与CO的相关性

全球空气中55%CO来源于光化学反应[17-18],即空气中CH4和CO的相关系数在-0.55左右,2003—2011年汶川地震震中CH4和CO相关系数-0.51[19],本文计算结果接近于空气中CH4和CO背景系数。

CH4与CO呈较强的负相关,且相关系数在盆地大于山区大于平原。空气中CH4的汇包括三个方面,最主要的是与OH自由基发生光化学反应,另外包括少量的平流层输送和土壤中微生物氧化吸收[20-21]。CO是CH4空气中光化学反应的过渡产物,CH4消耗,可以直接导致CO增加,同时,CO也会与空气中OH发生反应[21],导致空气中OH自由基减少,进而抑制CH4的氧化,最终导致CH4与CO呈较显著的负相关;盆地相对于平原封闭,气体不容易扩散,促进了CH4与CO的相互作用以及气体的富集,因此盆地CH4与CO的相关性高于平原,山区不同位置封闭程度不同,计算结果波动较大,均值接近背景,介于盆地与平原之间。

CO受气象因此干扰小,但由于CO是CH4光化学反应的中间产物,因此,在出现异常时,CH4相对于CO具有更直观、更快速的异常表现,更具有优势。

3.2 影响因素回归分析

由于CH4更适合于气体异常源的分析,因此本文详细研究了CH4与不同气象参数的相关性来进行异常性质判定。通过回归方程来描述水汽、温度、气压等气象因素对CH4的影响(图2-图4)。

对回归方程进行F检验,分别得到F值为水汽48.51,温度88.34,气压175.48,查表得F0.05=3.89,计算结果远大于临界值,因此回归方程可靠,显著相关,认为线性方程可以表征CH4与各参数的相关关系。可通过不同参数的变化进一步分析高光谱气体的变化量。

图2 CH4与水汽一元线性回归方程Fig.2 The linear regression equation between CH4 and water vapor

图3 CH4与温度一元线性回归方程Fig.3 The linear regression equation between CH4 and temperature

图4 CH4与气压一元线性回归方程Fig.4 The linear regression equation between CH4 and Air pressure

进一步计算CH4与水汽、温度、气压线性回归方程的2倍均方差分别为1.14、1.08和0.92,当CH4观测值与预测值之差的绝对值在2倍均方差范围内时,认为CH4高值异常为气象因素引起的可能性较大,当高于2倍均方差时,构造活动或其他非气象因素影响的可能性较大。

3.3 京津冀地区异常应用检验

根据式(10)～(11)计算得到2019年3—6月份京津冀地区CH4异常强度分布(图5)。

图5显示CH4在6月出现高值异常,主要集中在京西南与河北交界位置,其他地区无高值异常。为进一步分析该区域异常变化,缩短时间间隔,绘制6月份的8日均值异常分布图(图6)。

图6 2019年6月份8日均值异常分布Fig.6 Abnormal distribution of 8-day average value of CH4 in June 2019

8日均值异常分布图显示6月12日前后北京西南位置出现小幅高值异常,之后恢复,6月28日该位置再次出现高值异常,异常位置与月均值异常位置一致。

提取异常位置中心点水汽、温度、气压时间序列曲线,将6月测值带入回归方程,测值分布于回归线附近(图2～图4中红方块所示),计算得到CH4预测值与观测值之差分别为0.45,0.56,0.79,均小于水汽、温度、气压回归方程2倍均方差,因此认为该异常可能受气象变化因素影响。

4 结论

通过以上分析研究,得到以下几点结论:

(1) 由于CH4与水汽、温度、长波辐射、气压呈显著相关,且在不同地形呈现不同特征,CH4浓度变化受气象因素、地形条件影响较大;

(2) 受海洋源的影响,CO在不同地区与水汽、温度、长波辐射、气压的相关性均较低,因此沿海地区气象因素对CO影响不大,而内陆地区CO受气象影响程度需要进一步研究;

(3) 由于CO为CH4光化学反应的中间产物,CH4与CO呈较强的负相关,因此,在对高光谱气体进行异常提取时,CH4相对CO更有优势;

(4) 对异常点观测值与气象参数进行线性拟合,将观测值与拟合值之差于回归方程2倍均方差比,可以作为震情跟踪中异常性质判定的方法之一。

2019年6月份京西南地区CH4高值异常可能受气象因素影响。