2003～2018年四川盆地气溶胶光学厚度空间分异及驱动因子

王安怡,康 平*,张 洋,曾胜兰,张小玲,施 娟,刘志红,向卫国,汪可可,张松宇,鲁峻岑

2003～2018年四川盆地气溶胶光学厚度空间分异及驱动因子

王安怡1,康 平1*,张 洋2,曾胜兰1,张小玲1,施 娟3,刘志红2,向卫国1,汪可可1,张松宇1,鲁峻岑1

(1.成都信息工程大学大气科学学院,高原大气与环境四川省重点实验室,四川 成都 610225；2.成都信息工程大学资源环境学院,四川 成都 610225；3.成都市气象局,四川 成都 610072)

为揭示四川盆地气溶胶光学厚度(AOD)的空间分布格局并定量评估影响其时空分异的驱动因子,基于2003～2018年(16a)MODIS气溶胶产品数据,采用Mann-Kendall突变检验法,空间自相关,空间热点探测分析和地理探测器等地统计方法分析研究.结果表明:2003～2018年四川盆地AOD总体呈现下降趋势,且突变年为2015年,并依据趋势变化将2003～2018年分为6个时段.四川盆地气溶胶区域性污染特征明显, AOD高值区主要聚集在盆地中部低海拔地区,而AOD低值区则多聚集在盆地边缘高海拔地区.AOD空间分布具有显著的聚集性规律(空间正相关,Moran's指数>0),自2012年以来高-高值聚集区面积不断减小,且不同时段聚集区AOD年际变化与AOD值分布变化态势一致.利用主成分分析法优选出8个因子,经地理探测器分析表明, 16a来盆地区域AOD时空分异主要是由于城市化和工业化发展水平不均衡引起的.2014～2015年所有驱动因子的驱动力较之前时间段出现11.2%～59.2%的减小,且社会经济因子尤为明显,与2015年为突变年的结论相一致.

气溶胶光学厚度；四川盆地；空间自相关；空间热点分析；地理探测器

大气气溶胶是影响我国大气环境质量,导致区域性空气污染的最主要污染物之一,气溶胶光学厚度(AOD)作为重要的气溶胶光学特性参数,是推算气溶胶含量、反映大气环境状况的重要因子[1-3].由于气溶胶具有寿命短、来源广泛、性质多变等特点,其分布呈现强烈的空间差异和时间变化[4],加之我国幅员辽阔、地形地貌复杂,人口分布,工业布局存在差异性,使得我国气溶胶具有浓度高、组成复杂、时空差异显著等特性[5].

目前,国内研究多关注经济发达且污染严重的京津冀、长江三角洲、珠江三角洲地区,或北方受环境或气象要素影响显著的地区[6-9],针对四川盆地气溶胶区域性污染时空分布研究往往只局限于AOD多年和季节平均状态[10],缺乏对长时间AOD分布空间异质性的探讨.对驱动因子研究多从气象要素切入[11],且研究选取的驱动因子较少[12],在区域尺度上,缺乏对自然因子以及社会经济因子综合作用下的AOD空间分异与影响机制方面的定量研究.

随着四川盆地内城市化和工业化发展进程的持续推进,加之盆地内特殊的大气环流与高温高湿气候条件,促进颗粒物的生成与积累[13],盆地内城市群之间区域性颗粒物污染状况依然形势严峻.因此,本文针对四川盆地区域,以2003～2018年(16a) MODIS气溶胶产品为数据源,运用Mann-Kendall突变检验法,检验四川盆地AOD趋势变化及突变点,并作为时域分段的依据.采用空间自相关,空间热点探测分析,分析研究四川盆地AOD空间分布格局与聚集规律,综合考虑自然和社会经济因素选取驱动因子,利用地理探测器定量揭示四川盆地AOD时空分异的影响因子,以期为四川盆地颗粒物污染联防联控提供参考.

1 资料和方法

1.1 数据来源及处理

1.1.1 气溶胶数据 AOD可以通过卫星遥感观测数据反演获取.MODIS(中分辨率成像光谱仪),是搭载于Terra和Aqua卫星上的重要传感器之一,具有覆盖紫外、可见光、近红外、红外等36个光谱频道,空间分辨率较高.MODIS的扫描幅宽为2330km,每1～2d覆盖全球1次,具备更新频率高、光谱范围广等特点,是目前应用较为广泛的气溶胶探测传感器[14].

本文采用来自NASA发布的Level 2级的2003～2018年MOD04_3K AOD产品,此产品基于暗像元(DT)气溶胶算法,空间分辨率为3km´3km.通过ENVI结合IDL对MODIS AOD产品进行几何校正,重投影,波段合成后计算有效像元平均值,最后利用四川盆地矢量边界裁剪提取四川盆地AOD的年均值、季均值、月均值进行趋势分析.分析季节变化时,以每年3～5月为春季,6～8月为夏季,9～11月为秋季,12月～翌年2月为冬季作为划分标准.

1.1.2 驱动因子数据 气象数据来源于欧洲中期天气预报中心(ECMWF)(https://www.ecmwf.int/)第5代高分辨率的再分析资料,其水平分辨率为0.125°×0.125°.社会因子统计数据来源于《四川统计年鉴》(2004～2019)(http://tjj.sc.gov.cn/scstjj/c105855/ nj.shtml)和《重庆统计年鉴》(2004～2019)(http: //tjj.cq.gov.cn/zwgk_233/tjnj/),缺失的部分采用相应省市的社会发展统计公报补充.二氧化硫(SO2)和总悬浮颗粒物(TSP)排放量数据来源于北京大学全球高分辨率污染物排放清单(http://inventory.pku.edu. cn/home.html).归一化植被指数数据来源于中国科学院资源环境科学与数据中心(https://www.resdc. cn/data.aspx?DATAID=257).

1.2 研究方法

1.2.1 Mann-Kendall突变检验 Mann-Kendall突变检验是一种非参数统计的检验方法,由于该方法不需要遵从一定的正态分布,也不受少数异常值的干扰,适用于评估水文、气候等要素的时间变化趋势,通过构造标准正态分布统计量来确定检验参数变化趋势的显著性[15].对于具有个样本的时间序列X(1,2,3,…,x),定义统计量S:

式中:=1,2,…,;=1,2,…,. S即表示第时刻x>x的累计个数,在假设时间序列随机独立时:

将S标准化:

根据以上公式得出逆序列,其中把逆序列x,x1,…,1对应表示为1',2',…,x'.当'=+1-时,r=',则逆序列的UB=-UF.

最后,UB和UF分别组成曲线,表示时间序列的趋势变化.设定显著性水平=0.05(即临界值为±1.96),若UB和UF的值大于0,则表示序列呈上升趋势;反之呈下降趋势,若两条曲线出现交点,且交点位于值临界线之间,那么交点为突变开始.本研究利用Mann-Kendall突变检验对四川盆地2003～2018年AOD年均值进行处理,分析近16a来AOD的变化趋势,以此作为划分四川盆地AOD时间尺度变化中各个时间段的依据.

1.2.2 空间自相关 空间自相关可用于分析相应统计量与同一空间区域中相邻统计量之间的关联程度,包括全局空间自相关和局部空间自相关两大类[16].

(1)全局空间自相关.全局空间自相关的功能在于描述整个研究区域空间对象的关联程度,以判断此空间对象是否有聚集、分散、随机等空间分布特性存在[17].本文选用全局Moran's指数作为AOD空间自相关的衡量指标,计算公式为:

式中:=166为样本个数,即四川盆地内县域数量,y和y分别为县域和的AOD值;`为所有县域AOD的平均值;为空间邻接权重矩阵.∈[-1,1],>0表示AOD正相关(均质性),<0表示AOD空间负相关(异质性),=0表示AOD不相关,即随机分布.

(2)局部空间自相关.局部空间自相关分析用于反映整个大区域中的一个局部小区域单位上的某种地理现象或某一属性值与相邻局部小区域单位上同一现象或某一属性值的相关程度[18-19],常用散点图和局部Moran's指数来度量,计算公式为:

1.2.3 空间热点探测 空间热点探测可在整个研究区域之内探测出某属性值显著异于其他区域的异常区,是空间聚类的特例[20],有助于从空间统计学上定量剖析AOD高/低值聚集区,发现污染集中区域的演变并辅助区域联防联控政策调整.空间热点探测模型首先依据研究区域内所有样本对应的空间距离构造一个对称矩阵,然后根据极限距离的方法来确定聚集区域,其公式如下:

式中:为极限距离,km;为四川盆地面积,km2;为四川盆地内县域数量;为给定置信度时的分位数,本研究运用ArcGIS软件进行空间热点探测分析.

1.2.4 地理探测器 地理探测器是揭示空间分异性及其驱动力的一组统计学方法,其核心思想是:若解释变量对被解释变量有重要影响,则两者在空间分布上应具有相似性[21].其因子探测器可探测因变量的空间分异,以及因子多大程度上解释了因变量的空间分异,计算公式如下:

2 结果与讨论

2.1 四川盆地AOD时间变化特征

2.1.1 AOD时间尺度特征 如图1和图2所示,四川盆地AOD逐年月均值呈现“梯形”的周期变化趋势,即AOD在1～5月逐渐增加,6～10月在一定范围内波动,11～12月逐渐下降,AOD最高值出现在2008年4月(1.04).在整个时间域上,四川盆地AOD的季节性变化存在差异性.2003～2010年,AOD季节性变化呈现春季最大,夏季次之,冬季最小的特征;但2011～2018年,AOD季节变化呈现春季最大,夏季次之,秋季最小的特征.春季和夏季的AOD值在2014年后有明显的下降,冬季AOD值有略微下降但是仍然维持较高水平.四川盆地AOD年均值呈现“M”型的变化趋势,即AOD在2003～2006年增加, 2007～2008年减小,2009～2011年增加,2011年后AOD值逐年减小.

图1 2003～2018年四川盆地AOD逐年月均和季均变化

图2 2003～2018年四川盆地AOD年均值变化

2.1.2 四川盆地AOD变化时域分段 2003～2018年四川盆地AOD年均值Mann-Kendall突变检验分析结果显示,2003～2012年,UF大于0,四川盆地AOD年均值呈现增加的趋势,且UF在2006年超过0.05显著性水平临界线,说明2006年四川盆地AOD值上升趋势明显(图3).自2013年后,UF小于0,四川盆地AOD年均值呈现减小的趋势,其中2016年后,UF超过0.05显著性水平临界线,说明四川盆地AOD值减小趋势明显.UF曲线与UB曲线交于2015年与2016年之间,交点位于两条0.05显著水平线之间,表明四川盆地AOD从2015年开始突变.结合UF曲线趋势将16a的研究时域分为2003～2006年,2007～2008年, 2009～2011年,2012～2013年,2014～2015年,2016～ 2018年这6个变化时段.

图3 2003～2018年四川盆地AOD年均值 Mann-Kendall突变检验

2.2 四川盆地AOD空间分布特征

2.2.1 不同时段空间分布特征 以2003～2018年四川盆地MODIS AOD产品为数据基础,均一化后计算不同时间段内AOD平均值,得到四川盆地AOD空间分布情况(图4).四川盆地AOD空间分布整体上表现为盆地中部低海拔地区AOD值较高的特征,其中四川盆地西部城市群(成都平原城市群)和南部城市群(川南城市群)为AOD高值中心,盆地边缘高海拔地区为AOD低值区.该结论与张静怡等[12]对四川盆地气溶胶时空格局研究的结果基本一致.

四川盆地气溶胶污染在2009～2011年达到顶峰,区域性污染的特征非常明显,自2012年开始,盆地区域气溶胶污染的情况有较大改善.由图4可见, 2003～2006年四川盆地AOD高值区主要位于成都和德阳以及内江和自贡,呈现带状分布; 2007～2008年,AOD高值区相对于上一时期向四川盆地东南部偏移,成都和德阳的AOD高值区逐渐消失,AOD高值区主要位于乐山-宜宾-泸州-重庆-广安一带,沿四川盆地边缘呈现弧状分布,该分析结果与张洋等[23]研究结论一致.2009～2011年盆地内有四川盆地西部城市群(绵阳、成都、德阳、眉山)和四川盆地南部城市群(内江、自贡、宜宾、泸州)2个高值中心,AOD高值区面积达到最大,且AOD高值有所增加.2012～2013年AOD高值区分布与2009～2011年相似,但面积大幅缩小,且分布较为零散.2012～2013年、2014～2015年和2016～ 2018年AOD高值区逐阶段减小,且AOD相对高值也不断减小,至2016～ 2018年,AOD相对高值已降至0.5以下.

2.2.2 空间自相关分析 要进行全局Moran's指数的计算,需要确定各个县级单元之间的空间邻接矩阵.王华等[16]根据气溶胶的扩散特性认为,选择空间距离权重矩阵得到的结果比邻接权重矩阵更为合理.本文利用GeoDa软件生成基于距离的空间权重矩阵,计算得到的四川盆地2003～2018年不同时间段的AOD空间分布的全局Moran's指数(表1).各个时间段的全局自相关指数均为正值,并在0.7上下波动,且均通过99%显著性检验(- value³2.58),说明四川盆地AOD分布存在非常显著的空间正相关关系,空间上具有相似值聚集的态势.

由于全局指标有时会掩盖局部状态的不稳定性,因此在很多场合需要采用局部指标来探测空间自相关[22],结果如图5.

表1 四川盆地2003～2018年不同时间段AOD全局Moran's I指数

注:**、*分别表示通过了置信度99%、95%显著性检验.

由图5可知,通过95%显著性检验的聚类区类型只有H-H、L-H、L-L3种,整体来看,H-H聚集区主要集中在盆地中部低海拔地区,L-L聚集区主要集中在盆地边缘高海拔地区,L-H聚集区只出现于2003～2006年、2012～2013年、2014～2015年、2016～2018年4个时间段,且3次位于都江堰,1次位于泸州市合江县.纵向对比不同时间段聚集区分布及其面积占比,可以看到,2007～2008年,H-H聚集区有一个明显的向东辐射的趋势,其他时间段聚集区分布的基本格局变化较小.2009～2011年作为四川盆地气溶胶污染的峰值时期,L-L聚集区和H-H聚集区面积占比明显减小.2012～2013年、2014～ 2015年和2016～2018年H-H聚集区面积占比不断减小,L-L聚集区面积占比较大,L-L聚集区面积占比最大(31.86%)出现于2014～2015年.总的来说,不同时段聚集区AOD年际变化与AOD值分布变化态势一致.

AOD局部Moran's散点图中横坐标为标准化后的AOD值,纵坐标为县级相邻单元的AOD加权平均值,图中直线斜率为全局Moran's指数,第一、二、三、四象限分别为H-H(高-高值聚集区,即该县级单元与其周围相邻单元AOD值均为高值),H-L(高-低值聚集区,即该县级单元AOD值较高,但其相邻单元AOD值较低),L-H(低-高值聚集区,即该县级单元AOD值较低,但其相邻单元AOD值较高),L-L(低-低值聚集区,即该县级单元与其周围相邻单元AOD值均为低值).H-H聚集和L-L聚集表示AOD分布呈正空间自相关(均质性);而L-H聚集和H-L聚集表示AOD分布呈负空间相关(异质性)

2.2.3 空间热点分析 空间热点探测分析结果显示,2003～2018年四川盆地AOD热点聚集区大致分布于成都、德阳、眉山、资阳、自贡、重庆西南部等经济较发达地区,冷点聚集区主要分布于盆地边缘高海拔地区(图6).2007～2008年和2014～2015年有明显向东辐射的态势,2003～2006年、2007～2008年和2012～2013年热点聚集区呈现片状分布,2009～2011年、2014～2015年和2016～2018年形成分别以成都、自贡为中心的热点聚集区,2012年后热点聚集区面积逐渐减小.冷点聚集区分布在6个时间段上基本保持一致.

图6 2003～2018年四川盆地不同时间段AOD冷热点区域

2.3 四川盆地AOD空间分异的驱动因子分析

2.3.1 驱动因子评价指标 盆地内大气气溶胶主要源自于工业化和城市化等人类活动颗粒物的直接排放[10],自然要素则对颗粒物的形成、传输、扩散和沉降过程产生正向或负向的影响[24],因此AOD的空间分异是自然和人为共同作用的结果.总结发现,AOD分布的驱动因素涉及气温、风向风速、大气环流、降水、湿度等自然因素,还与产业活动、燃料燃烧、机动车尾气排放等人为因素密切相关.依据此,并结合数据可获取性原则,本文选取了常住人口(X1)、人口密度(X2)、地区生产总值(X3)、人均地区生产总值(X4)等城市化因子,工业总产值(X5)、二产比重(X6)等工业因子,SO2排放量(X7)、TSP排放量(X8)等人为源排放因子,2m温度(X9)、10m风速(X10)、归一化植被指数(X11)等地表因子,相对湿度(X12)、降水量(X13)、边界层高度 (X14)等气象因子,共14个指标(表2).

表2 四川盆地AOD驱动因子评价指标

2.3.2 驱动因子优选 因驱动因子较多且因子之间相互影响,故采用主成分分析法(PCA)进行主成分提取.将四川盆地划分为0.3°×0.3°格网,利用ArcGIS分别提取14个驱动因子2003～2018年均值.利用SPSS软件对驱动因子标准化处理,并进行PCA分析.四川盆地2003～2018年AOD驱动因子成分载荷和主成分方差贡献率结果见表3,通过对14个影响AOD空间分异指标进行方差最大化旋转得到因子矩阵.当Kaiser-Meyer-Olkin(KMO)值大于0.6时, PCA结果具有可靠性[25].本研究中, KMO值为0.693, Bartlett球形检验的值为0,通过0.05的显著性检验,因此,四川盆地2003～2018年AOD驱动因子适合进行PCA分析.统计得到4个主成分,且累计方差贡献率达到了77.845%,所代表的信息量可充分解释并提供原始数据承载的信息.选取载荷偏大值作为每个主成分的主导因子,即人口密度、地区生产总值、工业总产值成为第一主成分的主导因子,10m风速、相对湿度为第二主成分主导因子,SO2和TSP排放量为第三主成分主导因子,边界层高度为第四主成分主导因子.利用这8个因子代替原来的14个因子进行分析,优化驱动因子选择.

2.3.3 不同时间段AOD空间分异驱动因子的地理探测结果 利用地理探测器对四川盆地不同时段AOD年均值分布的8个优选驱动因子进行探测,全部因子均通过99%显著性检验.结果总体显示,社会经济因子的驱动力较自然因子大,表明2003～2018年四川盆地AOD的空间分异主要是由于城市化和工业化发展水平不均衡引起的(图7).纵观16a间驱动因子的演变,2014～2015年所有驱动因子的驱动力较之前时间段均出现11.2%～59.2%的减少,其中SO2排放量、相对湿度和地区生产总值为减少最显著的3个因子,分别减少59.2%,52.80%,42.24%.这与上文2015年为突变年的结论相一致.下面具体对社会经济因子和自然因子的驱动作用加以说明.

表3 2003～2018年四川盆地AOD驱动因子主成分分析

注:加粗的数据为各主成分中载荷较大的量.

图7 2003～2018年四川盆地社会经济与自然因子驱动力(|q|值)

图例从左至右分别为2003～2006、2007～2008、2009～2011、2012～2013、2014～2015、2016～2018

2.3.4 社会经济因子驱动分析 如图7所示,城市化因子驱动:人口密度(+0.4033)、地区生产总值(+0.3408).人口密度在整个时域上的驱动力最大.城市化进程加快、工业生产活动增多等人类活动是导致AOD升高的重要影响因素[26],人口高密度的核心城市虽然可引发集聚经济效应,但人为源排放相应增大,使得区域内环境空气质量恶化.成都平原经济圈常住人口占四川省50.12%,人口向中心城区聚集趋势较为明显.但自“十二五”节能减排工作提出后,四川盆地城市群产业结构由“二三一”向“三二一”过渡,淘汰落后产能,提高产业质量与效益[27],并利用核心城市的积极性,吸引优质且清洁资源向人口高密度地区集中,通过功能疏解,让次级核心城市吸收部分人口及其他要素,缓解区域大气气溶胶污染.

人为源排放因子驱动:SO2排放量(+0.2391),TSP排放量(+0.2382).SO2主要污染源是工业排放,大气中硫酸盐气溶胶主要来自于SO2的转化过程[28].曹佳阳等[29]对川南4座城市PM2.5中主要化学组分分析后发现SO2- 4全年对PM2.5的贡献都占主导地位.TSP包含一次和二次颗粒物,是造成空气污染的重要原因之一.SO2排放量驱动因子在2003～2013年4个时期内变化不大,于0.3上下波动.TSP排放量驱动因子在整个时间域上呈现“M型”的变化趋势, 2007～2008年和2012～2013年驱动力较大.SO2和TSP排放量因子驱动力2013年后明显下降,亦表明大气污染防治计划实施成果显著,SO2与TSP排放量大幅减少,对AOD分异驱动力减小.

工业因子驱动:工业总产值(+0.3021).工业总产值值在时域上呈现倒“U”型趋势,环境库兹涅兹曲线(EKC)[30]指出人口收入与环境质量呈现倒“U”型曲线,即在经济发展初级阶段,经济增长,人均收入的提高反而有助于降低环境污染,改善环境质量.可见四川盆地正处于倒“U”型的下坡期,生态文明建设有所成就,经济增长与环境保护实现可持续发展.

2.3.5 自然因子驱动作用分析 地表因子驱动: 10m风速(-0.1901).驱动因子在整个时间域上呈现“M型”的变化趋势.2007～2008年和2012～2013年驱动力较大.风速是影响大气自洁能力的重要因素,风通过搬运作用,将局地污染物输送到其他区域或者高空与空气充分混合,最终使得污染物得以稀释,空气质量得到改善[31].

气象因子:相对湿度(+0.2485)、边界层高度(-0.2226).相对湿度驱动因子驱动力在整个时域上呈现“增-减-增-减-增”的变化趋势,2007～2008年、2012～2013年和2016～2018年驱动力较大.边界层高度驱动因子在2009～2011年驱动力最大,仅次于城市化因子.由于盆地内地形和西南气流的影响,云雾天气频发,多阴雨,湿度较大,相对湿度相比其他自然因子,驱动力最大.而由于本研究对气象因子统计时间跨度较长且时间尺度为年,与AOD有关的许多信息可能会被平滑或者掩盖掉,自然因子驱动力相比社会经济因子较为混乱,且驱动力较小.

3 结论

3.1 2003～2018年,四川盆地AOD值总体呈下降趋势,逐年月均值呈现“梯形”周期变化趋势,季节性变化在整个时间域上存在差异性,年均值呈现“M”型变化趋势,突变年为2015年.

3.2 四川盆地区域性污染特征明显,AOD空间分布整体上表现为盆地中部低海拔地区为AOD高值区,盆地边缘高海拔地区为AOD低值区的特征.四川盆地大气污染在2009～2011年达到顶峰,自2012年开始,盆地区域气溶胶污染的情况有较大改善.

3.3 空间自相关分析结果表明,2003～2018年四川盆地AOD分布具有显著的聚集性规律.高-高值聚集区主要分布在经济发达的盆地中部和南部城市群,低-低值聚集区主要分布在盆地边缘.2007～2008年,高-高值聚集区明显东移,其余时间段聚集区分布的基本格局变化较小.2012～2013年、2014～2015年和2016～2018年高-高值聚集区面积占比不断减小,低-低值聚集区面积占比较大.

3.4 空间热点探测分析结果表明,2003～2018年四川盆地AOD热点聚集区分布呈现片状和以成都、自贡为中心2种不同形式.

3.5 地理探测器分析结果表明, 2003～2018年四川盆地AOD的空间分异主要是由于城市化和工业化发展水平不均衡引起的.2014～2015年所有驱动因子的驱动力较之前时间段出现11.2%～59.2%的减少,其中SO2排放量、相对湿度和地区生产总值为减少最显著的3个因子.

[1] 范 娇,郭宝峰,何宏昌.基于MODIS数据的杭州地区气溶胶光学厚度反演 [J]. 光学学报, 2015,35(1):1-9.

Fan J, Guo B F, He H C. Retrieval of aerosol optical thickness with MODIS data over Hangzhou [J]. Acta Optica Sinica, 2015,35(1):1-9.

[2] Paciorek C J, Liu Y, Moreno-Macias H, et al. Spatiotemporal associations between GOES aerosol optical depth retrievals and ground-level PM2.5.[J]. Environmental Science & Technology, 2008, 42(15):5800-5806.

[3] Xue Y, He X, Leeuw G D, et al. Long-time series aerosol optical depth retrieval from AVHRR data over land in North China and Central Europe [J]. Remote Sensing of Environment, 2017,198:471-489.

[4] Kaufman Y J, D Tanré, Boucher O . A satellite view of aerosols in the climate system [J]. Nature, 2002,419(6903):215-223.

[5] 吕 鑫.城市大气气溶胶时空变化特征的地基观测实验与遥感分析 [D]. 徐州:中国矿业大学, 2015.

LYu X. Analysis of spatio-temporal features of city aerosol based on ground observation experiments and satellite data [D]. Xuzhou: China University of Mining and Technology, 2015.

[6] Fang L, Yu T, Gu X, et al. Aerosol retrieval and atmospheric correction of HJ-1CCD data over Beijing [J]. Journal of Remote Sensing, 2013, 17(1):151-164.

[7] Chen J, Xin J, An J, et al. Observation of aerosol optical properties and particulate pollution at background station in the Pearl River Delta region [J]. Atmospheric Research, 2014,143:216-227.

[8] 陈慧忠.基于高时间分辨率MARGA数据分析珠三角地区气溶胶的特征 [D]. 北京:中国气象科学研究院, 2013.

Chen H Z. Analyses of the characteristics of aerosols in pearl River Delta based on the MARG data [D]. Beijing: Chinese Academy of Meteorological Sciences, 2013.

[9] 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 Z, Sun X L, Liu D, et al. Spatio-temporal characteristics of aerosol optical depth over Beijing-Tianjin-Hebei-Shandong-Henan- Shanxi-Shaanxi region during 2001～2017 [J]. Acta Scientiae Circ- umstantiae, 2018,38(8):3177-3184.

[10] 王晨莹,何沐全,陈军辉,等.2006～2017年四川盆地MODIS气溶胶光学厚度时空变化特征 [J]. 环境科学研究, 2020,33(1):54-62.

Wang X Y, He M Q, Chen J H, et al. Temporal and spatial variation characteristics of MODIS aerosol optical depth in Sichuan Basin from 2006 to 2017 [J]. Research of Environmental Sciences, 2020,33(1):54- 62.

[11] 艾 泽,陈权亮.四川地区气溶胶光学厚度时空分布及其与气象因子的相关性分析 [J]. 四川环境, 2019,38(4):79-86.

Ai Z, Chen Q L. Temporal and spatial distribution of aerosol optical depth in Sichuan and its correlation with meteorological factors [J]. Sichuan Environment, 2019,38(4):79-86.

[12] 张静怡,卢晓宁,洪 佳,等.2000～2014年四川省气溶胶时空格局及其驱动因子定量研究 [J]. 自然资源学报, 2016,31(9):1514-1525.

Zhang J Y, Lu X N, Hong J, et al. Quantitative study on temporal and spatial patterns of aerosol optical depth and its driving forces in Sichuan Province during 2000～2014 [J]. Journal of Natural Resources, 2016,31(9):1514-1525.

[13] Zhang X Y, Wang Y Q, Niu T, et al. Atmospheric aerosol compositions in China: spatial/temporal variability, chemical signature, regional haze distribution and comparisons with global aerosols [J]. Atmospheric Chemistry & Physics, 2012,12:779-799.

[14] 李晓静,高 玲,张兴赢,等.卫星遥感监测全球大气气溶胶光学厚度变化 [J]. 科技导报, 2015,33(17):30-40.

Li X J, Gao L, Zhang X Y, et al. Global change of aerosol optical depth based on satellite remote sensing data [J]. Science & Technology Review, 2015,33(17):30-40.

[15] Yi S, Jin L, Wang H. Vegetation changes along the Qinghai-Tibet Plateau engineering corridor since 2000 induced by climate change and human activities [J]. Remote Sensing, 2018,10(1):95-115.

[16] 王 华,郭阳洁,洪 松,等.区域气溶胶光学厚度空间格局特征研究 [J]. 武汉大学学报(信息科学版), 2013,38(7):869-874.

Wang H, Guo Y J, Hong S, et al. Spatial pattern characteristics of aerosol optical depth in a region based on spatial autocorrelation [J]. Geomatics and Information Science of Wuhan University, 2013,38(7): 869-874.

[17] 汪可可,康 平,周明卫,等.四川盆地臭氧浓度空间分异及驱动因子研究 [J]. 中国环境科学, 2020,40(6):2361-2370.

Wang K K, Kang P, Zhou M W, et al. Spatial differentiation and driving factors of ozone concentration in Sichuan Basin [J]. China Environmental Science, 2020,40(6):2361-2370.

[18] Anselin L. Local indicators of spatial association—LISA [J]. Geographical Analysis, 2010,27(2):93-115.

[19] 林巧莺,陈永山.我国城市冬季PM2.5空间特征及其人为影响因子 [J]. 生态与农村环境学报, 2015,31(4):460-465.

Lin Q Y, Chen Y S. Spatial variation of PM2.5in cities in winter and anthropogenic influencing factors in China [J]. Journal of Ecology and Rural Environment, 2015,31(4):460-465.

[20] 周 磊,武建军,贾瑞静,等.京津冀PM2.5时空分布特征及其污染风险因素 [J]. 环境科学研究, 2016,29(4):483-493.

Zhou L, Wu J J, Jia R J, et al. Investigation of temporal-spatial characteristics and underlying risk factors of PM2.5pollution in Beijing-Tianjin-Hebei Area [J]. Research of Environmental Sciences, 2016,29(4):483-493.

[21] 王劲峰,徐成东.地理探测器:原理与展望 [J]. 地理学报, 2017,72(1): 116-134.

Wang J F, Xu C D. Geodetector: Principle and prospective [J]. Acta Geographica Sinica, 2017,72(1):116-134.

[22] 黄小刚,邵天杰,赵景波,等.长江经济带空气质量的时空分布特征及影响因素 [J]. 中国环境科学, 2020,40(2):874-884.

Huang X G, Shao T J, Zhao J B, et al. Spatial-temporal distribution of air quality and its influencing factors in the Yangtze River economic belt [J]. China Environmental Science, 2020,40(2):874-884.

[23] 张 洋,刘志红,于明洋,等.四川省气溶胶光学厚度时空分布特征 [J]. 四川环境, 2014,33(3):48-53.

Zhang Y, Liu Z H, Yu M Y, et al. Temporal and spatial distribution characteristics of aerosol optical depth in Sichuan Province [J]. Sichuan Environment, 2014,33(3):48-53.

[24] 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 J, Liu W, Li Y, et al. Correlation analysis of atmospheric aerosol particle size distribution characteristics and meteorological conditions [J]. Journal of Meteorology and Environment, 2009,25(1):1-5.

[25] Thurston G D, Spengler J D. A quantitative assessment of source contributions to inhalable particulate matter pollution in metropolitan Boston [J]. Atmospheric Environment, 1987,19(1):9-25.

[26] 郭婉臻,张 飞,夏 楠,等.近十年中国陆地AOD时空分布及与城市化的关系研究 [J]. 环境科学学报, 2019,39(7):2339-2352.

Guo W Z, Zhang F, Xia N, et al. Spatio-temporal characteristics of aerosol optical depth and their relationship with urbanization over China's land in nearly a decade [J]. Acta Scientiae Circumstantiae, 2019,39(7):2339-2352.

[27] 陈春江.成渝城市群PM2.5污染的时空分布与治理研究 [D]. 重庆:重庆大学, 2019.

Chen C J, Research on spatio-temporal differentiation and goverance of PM2.5pollution in Chengdu-Chongqing urban agglomeration [D]. Chongqing: Chongqing University, 2019.

[28] Hartman R, Kwon O S. Sustainable growth and the environmental Kuznets curve [J]. Journal of Economic Dynamics & Control, 2002, 29(10):1701-1736.

[29] 曹佳阳,樊 晋,罗 彬,等.川南四座城市PM2.5化学组分污染特征及其源解析 [J]. 环境化学, 2021,40(2):559-570.

Cao J Y, Fan J, Luo B, et al. Pollution characteristics and source apportionment of PM2.5in four urban environment of Southern Sichuan [J]. Environment Chemistry, 2021,40(2):559-570.

[30] Grossman G M, Krueger A B. Environmental impacts of a north American free trade agreement [J]. CEPR Discussion Papers, 1992, 8(2):223-250.

[31] 宋连春,高 荣,李 莹,等.1961～2012年中国冬半年霾日数的变化特征及气候成因分析 [J]. 气候变化研究进展, 2013,9(5):313-318.

Song L, Gao R, Li Y, et al. Analysis of China's haze days in winter half year and climatic background during 1961～2012 [J]. Advances in Climate Change Research, 2013,9(5):313-318.

Spatial differentiation and driving factors of aerosol optical depth in Sichuan Basin from 2003 to 2018.

WANG An-yi1, KANG Ping1*, ZHANG Yang2, ZENG Sheng-lan1, ZHANG Xiao-ling1, SHI Juan3, LIU Zhi-hong2, XIANG Wei-guo1, WANG Ke-ke1, ZHANG Song-yu1, LU Jun-cen1

(1.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.College of Resource and Environment, Chengdu University of Information Technology, Chengdu 610225, China；3.Chengdu Meteorological Bureau, Chengdu 610072, China)., 2022,42(2)：528～538

In order to reveal the spatial distribution of aerosol optical depth (AOD) in Sichuan Basin and quantitatively evaluate the driving factors that affect its temporal and spatial differentiation, the geostatistical methods such as Mann-Kendall mutation test, spatial auto-correlation, spatial hot spot detection and geographical detector were used to analyze the data of MODIS aerosol products from 2003 to 2018. There was an overall decreased trend of AOD in Sichuan Basin from 2003 to 2018, and the mutation year was 2015. According to the variation trend, the 16years could be divided into six periods. The characteristics of aerosol regional pollution in Sichuan Basin were obvious. AOD high value areas were mainly concentrated in the middle of the basin, while AOD low value areas were mainly concentrated in the edge of the basin. A significant annual clustering pattern (spatial positive auto-correlation, Moran'swas greater than 0) of the distribution of AOD was showed in Sichuan Basin. The area of the high-high clustering areas had been decreased since 2012, and the variation of the annual clustering areas was consistent with the variation trend of AOD value in different periods. Eight factors were optimized by principal component analysis for geographic detector analysis. And the results showed that the spatial and temporal differentiation of AOD in the basin in the past 16years was mainly caused by the unbalanced development level of urbanization and industrialization. From 2014 to 2015, the driving force of all driving factors decreased 11.2%～59.2% compared with the previous period, which was consistent well with the conclusion that 2015 was a mutation year.

aerosol optical depth；Sichuan Basin；space auto-correlation；spatial hot spot detection；geographical detector

X511

A

1000-6923(2022)02-0528-11

王安怡(1998-),男,浙江省嘉兴人,成都信息工程大学硕士研究生.主要从事大气环境相关研究.

2021-06-28

成都市科技计划项目(2019-YF05-00718-SN);国家自然科学基金资助项目(41771535);国家重点研发计划(2018YFC0214001);四川省重大科技专项(2018SZDZX0023);四川省教育厅理科重点项目(18ZA0086)

* 责任作者, 讲师, kangping@cuit.edu.cn