COVID-19疫情期间全球气温和主要大气污染物浓度变化的空间关联

易嘉慧 ，何超，杨璐 ，叶志祥 ，田雅 ，柯碧钦 ，慕航 ，涂佩玥，韩超然 ，洪松 *

1.武汉大学资源与环境科学学院，湖北 武汉 430079；2.武汉大学/地理信息系统教育部重点实验室，湖北 武汉 430079；3.长江大学资源与环境学院，湖北 武汉 430100；4.湖北大学资源环境学院，湖北 武汉 430062

2020年3月11日世界卫生组织将COVID-19疫情评估为“全球大流行”，此次“大流行”对人类社会造成了灾难性的影响（赵宗慈等，2021）。截至 2021年 11月 29日，全球已累计26175万人口确诊感染 COVID-19（网址：https://www.who.int/emergencies/diseases/novelcoronavirus-2019）。在 COVID-19疫情背景下，各国陆续采取强制隔离等控制措施来减少人员的流动，从而切断病毒的传播链，这些措施减少了化石燃料和交通工具的使用，从而较少了各类污染物的排放（Rupani et al.，2020），使得全球气候和环境得到改善（Usman et al.，2021）。中国、韩国、日本和印度 PM、NO2、CO、O3等污染物浓度与往年相比显著下降，总体上空气污染减少（Hu et al.，2021）。同时，2020年上半年全球 CO2排放量比 2019年同期减少 8.8%（Liu et al.，2020）。研究表明，CO2和污染物减排对气溶胶产生的影响会改变全球的地表温度（Gettelman et al.，2021）。2020年，全球各城市采用了不同程度的封锁措施以控制疫情，各国大气污染物的减排幅度是空前的，使一般情况下难以进行的研究具有了可能性（Venter et al.，2020）。在此期间，人类社会生产活动的环境影响及其与气候变化的关系成为学界关注的话题。

近来，国内外学者对疫情期间的大气污染物和气候变化进行了大量研究。例如，南京市采取紧急封锁措施后，PM2.5浓度下降了 41.2%（纪源等，2021）；疫情期间中国华东地区 NOx浓度先降低后升高（Zhang et al.，2020）；德里和孟买封锁期间（2020年3月25日—4月15日）与封锁前（2020年3月1—24日）相比，PM10、PM2.5、和 NO2分别降低 55%、49%和 60%（Kumari et al.，2022）。研究发现不仅在局部地区，全球范围内 PM2.5、NO2等污染物浓度受封锁措施影响有大幅变化（Heyd，2021）。气候问题也随着新冠疫情的研究浮出水面，学者们开始着眼于疫情对气候变化的影响（Zang et al.，2021）；国内学者指出了疫情、气候联防联控的重点和难点（朱松丽，2020）。

虽然各国学者研究了 COVID-19流行期间不同地区大气污染物浓度变化、气候变化及其影响因素，但是仍然存在以下问题：（1）诸多研究只分析了全球部分国家和地区的污染物或者气温等变化，鲜有研究从全球范围的变化特征着手；（2）对于全球气温和大气污染物之间的时空关系，未见报道。本文运用 2015—2020年全球气温和城市大气污染物浓度监测数据，采用空间统计分析和双变量空间自相关分析方法，比较全球各地区气温变化、污染物浓度变化，研究两者之间的时空关系，对于制定时空协同耦合的气候变化与空气污染防控政策措施具有较大的参考价值。

1 数据来源与研究方法

1.1 研究区域

本文从洲际尺度开展研究，分为 6个区域：亚洲（东亚、南亚、西亚、东南亚、中亚和北亚）、欧洲（东欧、南欧、西欧、中欧和北欧）、北美洲、南美洲、非洲和大洋洲，如图1所示。由于南极洲人为排放的影响范围仅局限于研究站和往来船只周围的小区域，远远小于其他大陆（Wolff，1992；Hughes et al.，2020），本文未将南极洲列入研究范围。截至 2021年 11月 6日，亚洲和欧洲分别有8182万和7294万人口确诊，远高于其他区域，本文将其划分为不同的地理亚区（图1）。

本文将 2020年的数据与 2015—2019年同期数据进行对比研究。最早施行严格疫情防控封锁措施的地方是以湖北省为代表的中国（姬杨蓓蓓等，2020；李婷慧等，2020），故以北京时间为标准。He et al.（2021）通过对577座城市封锁时间的统计，发现其中75%的城市在3月采取封锁措施，50%的城市 5月结束封锁，故确定大规模封锁时间为2020年3—5月。本文将2015—2020年的3—5月称为Q1时间段，1—2月称为Q2时间段。

1.2 数据来源

2015—2020 年 1—5 月全球 0.1°×0.1°的 2 m 气温数据来源于欧洲中期天气预报中心（ECMWF，网址：https://cds.climate.copernicus.eu/），为全球每月 1521302个气温有效格点再分析数据。该数据集为模型数据与观测数据结合分析得到的完整全球格点数据，已经被全球众多学者应用于各方面的研究。2015—2020年1—5月全球430个主要城市的 3种主要大气污染物（NO2、PM2.5和 O3）逐日浓度数据来源于世界空气质量开放数据平台（WAQI，网址：https://aqicn.org/data-platform/covid19/verify/），从全球 1000多个重点城市的12000个地面监测站数据中整理而来。430个主要城市中只有部分城市符合各大气污染物浓度数据要求，其中 NO2、PM2.5和 O3样本城市数分别为376、345和355座。每座城市的数据均为多个监测站点的平均数据，所有质量浓度单位转换为美国 EPA 标准（单位为 μg·m−3）。2020年 3—5月采取封锁措施的城市为 404个，详见图1。出于数据匹配度考虑，目前只能获取 2015—2020年全球空气质量数据，所以全球气温数据使用同期数据。

图1 全球城市空气质量监测点示意图Figure 1 Diagram of global urban air quality monitoring sites

1.3 数据预处理

根据公式（1）将ERA5-Land数据中全球2 m原始气温数据的开尔文温度（K）转化为摄氏温度（℃），之后修正偏高气温 0.66 ℃的系统误差（Pelosi et al.，2020）。对原始大气污染物浓度数据进行预处理：首先，剔除每日值≤0的数据和缺失数据；其次，排除因数据缺失导致当月监测时间少于 27天的月份；最后，删除每日大于 1000的异常值（Guo et al.，2017）。

式中：

t——摄氏温度（℃）；

T——绝对温度（K）。

1.4 年内变化和年际变化

通过对比不同时间段的气温和污染物浓度的年内变化数据，分析疫情封锁期间对气温和污染物浓度的影响，计算公式如公式（2）（3）所示：

其中：

xim——i月平均气温（污染物浓度）；

XQ——某时段（Q1、Q2）月均气温（污染物浓度）；

t1,2,3…——每日气温（污染物浓度）数据；

n——该月天数；

m——某时段月份数。

将2020年Q1时段数据和2015—2019年同期值对比，获得疫情期间大气成分浓度的定量变化，计算公式如（4）所示：

式中：

∆XQ——2020年某时段平均气温/污染物浓度的年际相对变化；

X2015‒2019——2015—2019 年基准气温/污染物浓度；

X2020——2020年气温/污染物浓度；

∆XQ>0表示 2020年相对前 5年同期观测值升高；∆XQ<0表示 2020年相对前 5年同期观测值降低。

将 2020年 Q1时段污染物数据与预期值（多年线性外推得到）对比，得到大气污染物在疫情期间的整体浓度变化情况，计算如（5）所示：

式中：

y2020——2020年年平均污染物浓度预测值；

x——年份；

a、b——根据前5年污染物浓度值确定的系数。

1.5 双变量全局空间自相关

空间自相关分析可以定量分析事物间的关联程度（Tobler，1970；沈中健等，2021）。Anselin（1995）在 Moran’sI指数的基础上提出了双变量空间自相关分析，该分析可以有效描述两个变量之间空间分布的空间关联与依赖特征（徐冬等，2019）。本文利用双变量全局空间自相关（Bivariate Moran’sI），分析气温和大气污染物浓度之间的空间关联特征，具体表达式如公式（6）。关于双变量全局空间自相关的所有计算过程均在GeoDa软件（网址：https://geodacenter.github.io/download.html）中进行。

式中：

I——自变量与因变量之间的全局空间相关系数；

S2——所有样本的方差；

n——空间单元的数量；

Wij——基于K邻接关系法自行建立的空间距离权重矩阵；

xi、yj——自变量与因变量在不同空间单元i、j的数值。其中，I∈[−1, 1]，表示空间单元i的自变量xi和空间单元j的因变量基于空间权重的空间分布相关性，I>0表示两者呈空间正相关性，I<0表示两者呈空间负相关性。

2 结果与分析

2.1 全球气温时空变化

表1为 2015—2020年不同时段（Q1、Q2）的平均气温对比统计表。2020年Q1时段平均气温为8.56 ℃，相对基准值（2015—2019年）上升0.24 ℃，相对2019年下降0.0007 ℃；Q2时段平均气温为 0.13 ℃，相对基准值上升 0.67 ℃，相对 2019年上升 0.99 ℃。可以看出 2020年 Q1时段全球气温有下降趋势，这与 Forster et al.（2020）估计的 COVID-19疫情封锁会直接导致全球气温下降 0.01 ℃相符。2020年 Q1时段的全球气温在空间分布上存在显著差异（图2）。COVID-19封锁期间（2020年 Q1时段）气温相对基准值显著升高的区域主要分布在中亚、东欧和北亚以及西欧地区，气温变化值分别为 1.72、1.70和 1.26 ℃，此外，其他区域气温升高趋势不显著，非洲升温幅度最小，为 0.01 ℃。2020年 Q1时段气温显著降低的区域主要集中分布在西亚、南亚、北美洲、北欧、中欧和大洋洲，其中南亚年均气温下降幅度最大（−0.93 ℃），北欧（−0.64 ℃）次之。

图2 全球2020年Q1时段相对2015—2019年同期平均气温变化图Figure 2 Global average temperature changes in 2020 compared to those in Q1 period of 2015 to 2019

表1 全球2015—2020年Q1、Q2时段平均气温对比分析Table 1 Global average temperature and its changes during Q1 and Q2 from 2015 to 2020 ℃

2.2 全球主要大气污染物浓度时空变化

表2为 2015—2020年全球主要污染物（PM2.5、NO2和 O3）浓度对比统计表。疫情封锁期间（2020年Q1时段）全球PM2.5和NO2质量浓度相对基准值分别下降 9.39 μg·m−3和 3.29 μg·m−3，O3浓度上升 1.94 μg·m−3。该时段 PM2.5、NO2和 O3浓度与基准值相比，相对变化率分别为−16.41%、−29.73%和 7.92%，PM2.5、NO2的变化幅度比O3更加显著。2020年Q2时段 PM2.5、NO2和 O3浓度与基准值相比，相对变化率分别为−12.47%、−17.60%和 3.98%，变化幅度明显小于2020年Q1时间段与基准值的，这说明2020年Q1时段的封锁措施导致全球PM2.5和NO2污染物浓度大幅降低，O3浓度相对上升，这与 Venter et al.（2020）的研究结论一致。

表2 2015—2020年Q1、Q2时段各污染物（PM2.5、NO2和O3）浓度对比统计Table 2 Concentration changes of pollutants (PM2.5, NO2 and O3) during Q1and Q3 period from 2015 to 2020 μg·m−3

从图 3a、c和 e可知，全球 Q1时段 PM2.5、NO2、O3平均地表浓度在 2015—2019年呈缓慢上升趋势。通过对 2015—2019年 Q1时段各污染物的浓度数据进行一元线性拟合，得到该时段各污染物浓度变化的线性趋势，同时进行多年线性外推，计算出各污染物 2020年 Q1时段预期质量浓度分别为 54.34、10.31、77.49 μg·m−3，而各污染物实际质量浓度均低于预期值，分别变化−6.52、−2.53、−51.05 μg·m−3。从空间分布来看，图 b、d、e显示，与基准值相比，88%的重点城市（345座城市中的 303座城市）PM2.5质量浓度在 2020年 Q1时段降低，平均下降 11.34 μg·m−3；95%的城市（376座城市中有359座城市）NO2质量浓度降低，平均下降 3.54 μg·m−3。尽管全球 O3浓度低于预期值，但全球65%的城市（355座城市中有229座城市）O3浓度增加。PM2.5（−22.40 μg·m−3）、NO2（−6.42 μg·m−3）质量浓度下降幅度最大的区域均为南亚，O3质量浓度上升幅度最大的是西亚（3.97 μg·m−3）。以南亚和北欧为代表，两区域PM2.5和 NO2质量浓度在 3—5月变化趋势相当，南亚 3—5月 PM2.5质量浓度分别变化−19.11、−26.47、−21.60 μg·m−3，北 欧 NO2分别 变 化−3.38、−4.08、−3.73 μg·m−3。而 O3浓度呈现较大时空差异，大部分区域 3—5月 O3质量浓度升降情况不一，其中欧洲地区浓度上升 2.61 μg·m−3，亚洲和北美洲分别下降 0.93 μg·m−3和 1.96 μg·m−3。但升高幅度普遍较大，导致全球 3—5月O3质量浓度整体上升。总而言之，疫情封锁期间，全球城市 PM2.5和 NO2浓度普遍下降，O3浓度变化情况相对而言较为复杂。PM2.5和 NO2呈现出较好的时间连续性，而空间上存在一定差异。东亚、南亚和东南亚 PM2.5浓度下降幅度最大；除西亚 NO2下降幅度较大，其他区域下降幅度基本持平；O3浓度变化呈现较大时空差异，欧洲显著增加，亚洲和北美洲显著下降。

图3 2020年Q1时段全球大气污染物（PM2.5、NO2和O3）浓度变化Figure 3 Changes of global atmospheric pollutant (PM2.5, NO2 and O3) concentration in Q1 of 2020

2.3 全球气温和大气污染物的空间关联

分9个区域研究全球气温与大气污染物的空间关联情况。通过对 2020年与 2015—2019年 Q1时段全球城市气温变化值与污染物浓度变化值进行相关分析，得到各区域不同污染物的双变量Moran’sI值，结果如图4所示。根据区域2020年Q1时段气温变化情况，发现该时段亚洲、北美洲和欧洲部分地区（中欧和东欧）气温相对基准值升高，而北欧、南欧和西欧气温相对基准值降低。

各区域气温变化情况不同，且各污染物质量浓度与气温的空间相关性错综复杂。由图4可知，除北美洲和南亚地区外，其他区域 PM2.5和NO2浓度相对基准值均下降，O3浓度相对基准值均上升。2020年 Q1时段降温区域中，北美洲PM2.5（−3.84 μg·m−3）、NO2（−2.46 μg·m−3）和O3（−1.95 μg·m−3）浓度相对基准值均下降，气温与各污染物均呈空间正相关关系，其中与 NO2呈显著空间正相关（0.159）；南亚和北美洲的污染物浓度变化情况相似，且气温与 NO2呈显著空间正相关（0.219），但与 PM2.5（−0.049）、O3（−0.013）呈不显著空间负相关；东亚（−0.240）和中欧（−0.411）PM2.5与气温呈显著空间负相关，西亚（−0.224）、中欧（−0.275）和东欧、北亚地区（−0.307）NO2与气温呈显著空间负相关。2020年 Q1时段升温区域中，西欧（0.284）、北欧（0.558）、南欧（0.406）O3与气温均呈显著空间正相关关系；西欧（−0.187）NO2与气温呈显著空间负相关，北欧（0.192）和南欧（0.151）NO2与气温呈显著空间正相关；西欧（0.099）、南欧（−0.105）和北欧（0.041）PM2.5与气温均呈不显著空间相关关系。综上所述，疫情期间各区域气温与 PM2.5和 NO2空间相关关系存在较大时空差异，不同区域呈现不同空间相关关系，NO2与气温空间关联更为紧密；相对而言，O3与气温空间关联性最强，降温区域 O3和气温均呈显著正相关关系，升温区域 O3和气温均呈不显著相关关系。

图4 全球气温变化和各污染物浓度变化的空间关联情况Figure 4 Spatial correlations between global temperature changes and concentration changes of various pollutants

3 讨论

3.1 全球气温和大气污染物变化分析

本研究系统分析了疫情封锁期间（2020年 Q1时段）全球气温变化和主要大气污染物浓度变化。相比2015—2019年，全球2020年Q1时段气温上升 0.24 ℃，相比 2019年，全球 2020年 Q1时段气温下降 0.0007 ℃。各区域气温变化情况存在显著空间差异。中亚、东欧和北亚地区地广人稀，且地处中高纬度地区，远离海洋，气温受自然因素影响较多，故疫情期间相对其他区域升温幅度最大。南亚和北欧年均气温下降幅度较大，可能是因为亚欧大陆对非自然因素较为敏感，因此对短时间大量减排（Fuentes et al.，2020）作出响应，也可能是受到洋流影响（Wang et al.，2021）。

2020年 Q1时段各类污染物浓度变化存在明显规律和时空差异。随着全球经济发展，2015—2019年全球 PM2.5、NO2和 O3浓度呈波动上升，但2020年均低于预期浓度值，这可能与2020年全球经济低迷有关。但 2020年 Q1时段 PM2.5（−16.41%）、NO2（−29.73%）和 O3（7.92%）浓度变化率明显大于同年 Q2时段，说明 Q1时段的污染物浓度变化是疫情期间的封锁措施抑制了工业、发电厂和机动车的排放所致（Li et al.，2017；臧星华等，2015）。而在 2020年 Q1时段，PM2.5（−9.39 μg·m−3）、NO2（−3.29 μg·m−3）质量浓度大幅下降，O3（1.94 μg·m−3）相对上升，这可能是大气中的 PM2.5浓度下降，削弱了气溶胶中氢过氧自由基（HO2）的吸收，增强太阳辐射，加速光化学反应速率，使O3浓度显著增加（Lu et al.，2020）。空间上，亚洲东部和南部 PM2.5浓度集中大幅度下降，原因可能是东亚和南亚人口众多，封锁措施的实施效果显著；北美洲和欧洲PM2.5浓度下降幅度较小，原因可能是当地封锁措施较晚，落实不够彻底。NO2浓度变化空间差异不显著，各区域污染物变化量相当。值得注意的是，各区域 PM2.5和 NO2浓度变化在 3—5月呈现出较好的时间连续性，而 O3浓度变化时空差异很大，欧洲地区普遍上升，亚洲和北美洲普遍下降，体现了局部O3浓度变化的复杂关系。

3.2 全球气温和大气污染物的空间关联分析

探索疫情封锁期间各区域 PM2.5、NO2和 O3浓度变化和气温变化的空间关联特征发现，各污染物和气温的空间关联性由强到弱依次为 O3、NO2和 PM2.5。这与诸多研究结论相吻合，谢祖欣等（2020）认为 O3与气温具有较强的相关性；缪明榕等（2020）研究发现 NO2与气温存在显著相关关系；吕桅桅等（2018）认为 PM2.5与气温的相关关系并不显著。

由于 PM2.5、NO2和 O3浓度变化对气温影响不同（Forster et al.，2020），加上区域间不同的人文和自然条件，疫情封锁期间各区域气温与污染物的空间关联性不同。在降温区域中，气温在短期内产生了降低趋势，可能是局部大气污染物减排对温室气体减排存在协同效益造成（毛显强等，2021），大气污染物和温室气体的协同减少使气温降低；同时，各类污染物变化引发氧化剂-气溶胶-前体物的相互作用，导致大气成分显著变化，其综合作用使气温下降，其中以NOx和O3浓度降低的降温效应为主导，即 NOx排放的减少降低对流层 O3浓度，导致氧化能力降低，气溶胶有效半径增加，产生负辐射强迫（Weber et al.，2020），使局部气温下降。降温区域中，各区域气温和 O3均为不显著空间相关关系，原因可能是各区域温室气体协同减排，对气温与 O3的相关关系造成影响。各区域中只有南亚（0.219）和北美洲（0.159）气温与 NO2呈显著空间正相关关系，2020年Q1时段两区域PM2.5、NO2和O3浓度均下降。其中，南亚地区疫情封锁措施落实彻底，人口密度大，除工业、交通等行业受到限制，诸多城市居住流动性指数下降幅度远超其他区域城市（He et al.，2021），造成 NO2质量浓度（−4.01 μg·m−3）大幅下降，这也造成南亚地区 O3质量浓度 （ −3.09 μg·m−3）的下降（ Girach et al.，2021）；北美洲有全球最大贸易国，疫情封锁对其外贸影响不可小觑，这也导致 NO2质量浓度下降（−2.46 μg·m−3），同时由于封锁期间北美洲诸多城市处于春季且湿度较高，O3生成受抑制（Conley et al.，2018），区域O3质量浓度（−1.96 μg·m−3）下降。因此，在 O3浓度降低情况下，南亚和北美洲气温有降低趋势，而 NO2浓度降低同时促进降温（Weber et al.，2020），气温和 NO2浓度呈现显著空间正相关。降温区域的其他区域中，PM2.5和NO2浓度下降，O3浓度上升，此时降温的主导原因可能是温室气体的协同减排，各污染物对大气的相互作用不明显，污染物与气温的空间相关性符合一般规律。东亚（−0.24）和中欧（−0.411）的气温和 PM2.5呈显著空间负相关，这与黄小刚等（2021）对气温和 PM2.5的研究结果相印证；同时，中欧（−0.275）、西亚（−0.224）和东欧（−0.307）的气温和 NO2也呈显著空间负相关，这与倪超等（2018）的研究结果相符。在升温区域中，区域升温的主要原因可能与全球气候变暖的大趋势有关，同时 O3浓度的增加也起到了主导作用。北欧、南欧和西欧三区域由于疫情封锁期间，采取封锁措施较晚，部分城市四月才开始封锁，且仅采取了宵禁等措施，因此 PM2.5、NO2浓度下降幅度较小，与气温的相互效应不大，同时 O3浓度上升，与气温呈同步上升趋势，故北欧（0.558）、南欧（0.406）和西欧（0.284）气温和 O3均呈显著空间正相关，与韩余等（2020）的研究结果一致。

本研究在全球气温和污染物浓度间进行空间关联性分析时，只采用了5年的数据量，数据量稍显不足。在后续的研究中可以延长时间序列，进一步分析疫情期间的气温变化情况，以保证研究的精确量化。同时，针对气温和污染物空间关联的机理问题，未来可采用多种模型进行探索验证。

4 结论

（1）全球气温 COVID-19疫情封锁期间比2015—2019年同期升高了 0.24 ℃；其中，中亚（1.72 ℃）、东欧（1.70 ℃）和北亚地区（1.70 ℃）2020年年均气温增幅最大；南亚（−0.93 ℃）和北欧（−0.64 ℃）年均气温降幅最大。

（2）全球PM2.5和NO2质量浓度COVID-19疫情封锁期间比2015—2019年同期分别下降16.41%和 29.73%，O3升高 7.92%。南亚 PM2.5（−22.40 μg·m−3）和 NO2（−6.42 μg·m−3）降幅最大；O3变化存在显著空间差异，欧洲（2.61 μg·m−3）为增长趋势，亚洲（−0.93 μg·m−3）和北美洲（−1.96 μg·m−3）为下降趋势。

（3）COVID-19疫情封锁期间，主要大气污染物与气温的空间关联性由强到弱依次为 O3、NO2、PM2.5，升温区域气温与 NO2呈显著空间正相关，降温区域气温与 O3呈显著空间正相关，PM2.5和NO2浓度大幅下降时，当地气温有下降趋势。