气溶胶光学厚度与PM2.5浓度的时空分布特征及其关系
——以京津冀大气污染传输通道城市群为例
2023-02-03杨宇鑫
吕 芳,杨宇鑫,杨 俊
辽宁师范大学地理科学学院,大连 116029
快速城市化以来,化石燃料的消耗由于人口和产业在城市的集聚迅速增长[1],空气污染物排放量不断增加,对区域内气候环境造成了不可逆的负面影响[2—3]。研究显示空气污染是世界上第四大死亡风险因素,也是各类疾病的主要环境风险因素[4]。因此,空气污染不仅直接影响到城市人居环境质量和居民健康状况,从长远来看,将对城市的可持续发展以及全球气候变化造成重大负面影响[5—7]。
在工业化和人口稠密地区,空气污染问题尤其严重[8]。有关空气质量的研究多是基于遥感数据和近地表监测数据完成的,研究内容主要集中在两个方面:一是分析不同空间尺度,包括全国范围[9—10]、发达城市群[11—13]、以及空气污染重点城市[14—15]等不同尺度下,一定时间序列内空气质量的时空分布特征及演变规律;二是针对空气质量的主要影响因素以及污染物的来源和形成过程进行研究。大气气溶胶是大气中悬浮的微小固态或液态颗粒物,来源包括自然排放(灰尘、雾、蒸汽、沙尘暴等)和人为活动(化石燃料、交通运输、工业排放产生的烟雾和颗粒污染物等)[16—18]。中国在过去的几十年间经历了快速的城市化和工业化,使得气溶胶浓度显著增加。大量的气溶胶会改变大气理化特性、降低空气质量,进而影响天气和气候[19]。气溶胶光学厚度(AOD)作为表征大气浑浊度的重要物理参数之一,可以量化大气中的气溶胶负荷,一定程度上可以反映空气污染程度,因此被广泛认为是研究区域空气质量的关键指标[16,20]。随着遥感技术的发展,通过卫星数据反演AOD,监测大气中的气溶胶浓度,得到了广泛应用[21]。国内外学者利用卫星遥感产品对AOD的时空分布特征及其与空气污染之间的关系展开了广泛研究[22—24]。
由于依靠近地面站点实时监测数据获取PM2.5浓度具有站点数量少、覆盖范围小、数据连续性差等缺点,随着遥感技术的发展,卫星数据凭借其较短的更新周期,时间空间上的连续性,取代了传统的地面监测方式[21]。国内外学者基于中分辨率成像光谱仪(MODIS)、星载激光雷达(CALIPSO)以及日本葵花-8(Himawari-8)卫星产品,利用AOD产品来估算近地表PM2.5浓度,并且研究结果均证明AOD是地表PM2.5浓度的重要数据来源[25—31]。在此基础上,研究内容逐渐聚焦于探究AOD对空气质量的影响效应,包括AOD与PM2.5浓度、PM10浓度空气质量指数(AQI)等指标的时空变化特征及相关关系[32—33]。研究结果证明近地表气溶胶浓度增大会直接加剧空气污染[34—35]。比如,有研究表明AOD与地面PM10浓度的相关性可达0.98[36],与地面PM2.5浓度的时空变化格局具有高度一致性[37—38],且在污染严重的地区,AOD与PM2.5的相关性更加显著。除了探究气溶胶在水平区域尺度上的分布情况,许多学者对气溶胶的垂直分布结构进行研究。结果表明在一定高度范围内,AOD与PM2.5呈正相关关系,超出高度阈值则二者关系不显著,且气溶胶垂直范围内的分布与气团运动速度快慢有关[39—40]。但是大多数研究在时间尺度上较为单一,并且对AOD与污染物浓度的时空变化特征和聚集特征关注较少。
因此,本文基于AOD、PM2.5浓度数据,基于统计分析、地理信息系统(GIS)空间分析以及相关性分析等方法定量研究2015—2019年研究区空气质量的时空演变规律以及AOD对PM2.5浓度的影响效果,为未来城市的空气质量管理提供科学建议。
1 研究区概况
图1 研究区概况Fig.1 Location of the study area
2017年2月,环保部发布相关文件,首次将“京津冀大气污染传输通道城市”称为“2+ 26”城市,包括北京市,天津市,河北省石家庄、唐山、廊坊、保定、沧州、衡水、邢台、邯郸市,山西省太原、阳泉、长治、晋城市,山东省济南、淄博、济宁、德州、聊城、滨州、菏泽市,河南省郑州、开封、安阳、鹤壁、新乡、焦作、濮阳市(以下简称“2+26”城市)。研究区属于暖温带大陆性季风型气候,该区四季分明,年平均气温8—12.5℃,最冷月均在1月份,最热月份集中在7、8月份,年降水量可达700—1000mm,且主要集中在夏季,年平均风速为4—5m/s。社会经济发展水平较高、人口密度较大、重工业较为集中,空气污染具有明显的区域特征,是中国城市空气污染严重的典型区域。图1所示为研究区概况图。
2 数据与研究方法
2.1 数据来源与预处理
本文使用的数据主要包括2015年至2019年的MODIS每日气溶胶光学厚度网格化二级产品(MCD19A2)、中国高质量空气污染数据集(CHAP)中的每日PM2.5浓度数据以及行政区划数据,如表1所示。本文选择MCD19A2数据集中550 nm波段的AOD数据,时间跨度为2015—2019年,覆盖研究区范围(轨道号为h26v04、h26v05、h27v04和h27v05),共7304景。对MCD19A2数据的处理主要包括质量评估波段(QA)值过滤、影像格式转换、像元统计、拼接以及裁剪,数据处理结果主要包括研究区内2015年至2019年的日均、月均、季均以及年均AOD。另外,AOD是一个无量纲的正值,范围为0至1,其值越高代表大气能见度越低。本文选择中国高质量空气污染物(CHAP)数据集中的PM2.5数据集,经验证,该数据集R2均大于0.80,分辨率和精度均较好,适用于本研究。处理过程主要包括影像格式转换、剔除无效值、像元统计、拼接以及裁剪,数据处理结果主要包括研究区内2015年至2019年的日均、月均、季均以及年均PM2.5浓度,单位为μg/m3。
表1 数据来源与说明Table 1 Data source and description
2.2 空间自相关分析
为了分析AOD与PM2.5分布的空间集聚特征,本文选取反映空间邻接或空间邻近区域单元属性值相似程度的莫兰指数(Moran′sI)统计量来度量全局空间自相关。这种空间相关联性具体可以分为正相关关系、负相关关系,前者代表某单元的属性值与其邻近单元属性值的空间分布特征和变化趋势相同,后者则表示相反的趋势。计算公式如下:
(1)
除此之外,本文利用局部自相关指标评价了相似和不相似样本的空间聚集程度。局部Moran′sI指数的计算公式为:
(2)
式中局部空间自相关变量的含义同(2.1)式。Moran′sI系数值在-1和1之间。根据局部莫兰指数的显著程度和正负,空间集聚的模式可以被划分为五类,即高-高集聚、高-低集聚、低-低集聚和低-高集聚和不显著,分别代表高值周围是高值、高值周围是低值、低值周围是高值、低值周围是低值和无显著集聚五种情况。相较于全局空间自相关,局部空间自相关重点计算分析区域内各个空间对象与其邻域对象间的空间相关程度,主要分析局部区域内的差异特征。本文在计算局部Moran′sI指数的基础上,主要通过局部空间自相关指数(LISA)集聚图来表示变量的空间聚集情况。
2.3 相关性分析
本文主要分析AOD与PM2.5浓度之间的相关性。相关性分析是指对两个或多个具备相关性的变量元素进行分析,衡量变量因素的相关密切程度。本文选择Pearson相关系数r,其计算公式为:
(3)
图2 2015—2019年PM2.5月均浓度变化Fig.2 Inter-monthly change characteristics of PM2.5
3 结果分析
3.1 PM2.5的时空分异规律
由图2可得,相较于2015年,到2019年时除9月的PM2.5浓度增加了5.15μg/m3,其余月份PM2.5平均浓度均大幅度降低,然而五年内各月份PM2.5浓度并没有呈现明显的规律性变化。季节上呈现冬春季高,夏秋季低的分布特点。这是由于研究区位于北方地区,气候寒冷,冬季和春季取暖需要消耗大量能量,因此污染物排放量有所增加,同时冬季受下沉气流影响,不利于污染物的扩散,而春季北方地区常有沙尘天气,从而使得污染物浓度在冬春季较高;夏秋季空气对流强,北方地区降水时间长强度大,对空气中污染物的冲刷作用较强,同时由于夏季太阳辐射强,大气边界层更高,因此有利于颗粒物的沉降和扩散,从而使得污染物浓度在夏秋季较低。
根据图3可知,与月均浓度变化一致,2015年至2019年间,PM2.5浓度均在春季以及冬季出现高值聚集区域,而在夏季则保持相对低值,整体呈现冬季>春季>秋季>夏季的趋势。就空间分布而言,春季PM2.5浓度较高值主要聚集在研究区中部和北部地区,主要是一些较为发达的城市(北京市、天津市)和工业制造业为主的城市(保定市、石家庄市、廊坊市),到2019年时,整个研究区范围内PM2.5浓度均显著下降至30μg/m3以下。
图3 2015—2019年PM2.5浓度空间分布Fig.3 The spatial distribution of PM2.5 from 2015 to2019
夏季PM2.5浓度普遍较低,至2019年时已降至15μg/m3以下。秋季,2015年至2018年间,PM2.5浓度有所增加,高值主要聚集在研究区中部(河北省各市),而在2019年时,浓度已降低至30μg/m3以下。2015年至2017年间,除研究区西部及北部边缘地区外,冬季PM2.5浓度高值聚集明显,70%的地区浓度高于80μg/m3。2018年至2019年间,PM2.5浓度显著下降,除保定市、廊坊市、沧州市浓度在50μg/m3以上外,其余地域已降至35μg/m3以下。污染物浓度的大幅降低与国家重视大气环境治理,大力推行节能减排政策,严格控制污染物排放等措施有关。
由表2可得,PM2.5浓度的全局Moran′sI指数均大于0.90,呈现高度空间自相关性,通过对2015年至2019年PM2.5浓度局部Moran′sI指数的计算,发现相对于夏秋季,PM2.5浓度的空间集聚特征在春冬季较为显著,整体呈现春季>冬季>夏季>秋季的集聚特点。结合图4可以看出,PM2.5的高值聚集区在春季主要位于研究区的中部和北部地区(北京市南部、河北省唐山市、保定市、廊坊市、石家庄市、衡水市、邢台市),并且在2015年后有向东南方向(山东省滨州市、德州市)延伸的趋势;夏季高值区在研究区北部呈高度聚集分布,在中部地区则聚集程度减弱,破碎度增强;秋季高值区整体向研究区东部延伸山东省各市,高值聚集区面积显著增大;冬季无显著变化。PM2.5低值中心主要分布在研究区北部及西部边缘地区,包括山西省的太原市、阳泉市、晋城市、长治市以及石家庄市、保定市和北京市的西北部地区。
表2 PM2.5浓度的空间自相关系数Table 2 The spatial autocorrelation coefficient of PM2.5
图4 2015—2019年PM2.5浓度局部空间自相关指数(LISA)聚集图Fig.4 The LISA clust map of PM2.5 from 2015 to 2019
3.2 AOD的时空分异规律
由表3可得,研究区在2015—2019年间AOD平均范围值在0—1之间,且相较于2015年,在2019年除12月份AOD值增加了0.02,1月份增加0.13,2月份增加0.25以外,其余月份AOD均有明显减小的趋势,其中7、8月份减少幅度最大,分别减少了0.40和0.46,AOD的月份变化趋势在5年内同样没有呈现明显的规律性。AOD值总体上呈现春夏季高,秋冬季低的分布特点。主要是因为春季受到扬尘和沙尘暴等极端污染天气的影响导致AOD值增高;夏季高温多雨,大气中的水汽含量大湿度大,大气细粒子吸湿增长,有利于“气-粒”转化过程中形成气溶胶;秋冬季气候较为干旱寒冷,空气相对湿度较小,气溶胶粒子的吸湿增长受到天气抑制,并且冬季日照时长短,一定程度上也抑制了二次气溶胶的生成。
表3 2015—2019年月均气溶胶光学厚度(AOD)Table 3 Monthly average AOD from 2015 to 2019
由图5和图6可得,2015年至2019年间,春夏秋三季AOD浓度呈现明显下降,夏季趋势最为显著,冬季AOD浓度在2018年前呈下降态势,但在2019年研究区南部地区(河南省)出现较高值的聚集。在春季,2015年AOD高值主要集中在研究区南部,其中河南省的焦作市、新乡市AOD季值大于1,60%以上地区AOD值在0.60以上,到2019年AOD值整体显著下降至0.5以下。2015年夏季,除研究区西部边缘地区外,整体AOD值在0.8以上,且AOD高值(>1)呈现高度聚集的分布特征,2016年AOD值大于1的地区大幅度减少,聚集情况也减弱,但仍有50%左右地区AOD值在0.6以上,2017年及2018年AOD高值的聚集分布进一步减弱,数值也继续降低,到2019年夏季,研究区大部分地区AOD值均降至0.5以下,只有部分南部地区(河南省新乡市、焦作市、郑州市北部)存在AOD值大于0.8的情况。秋季,2015年AOD高值在研究区东南部呈显著聚集分布,2016年AOD值明显降低至0.8以下,2017及2018年AOD值也持续降低,到2019年除东南部分地区(主要分布在山东省及河南省)AOD值在0.5—0.7区间内,研究区80%地区AOD值均小于0.5,与2015年相比,秋季AOD数值有显著降低。冬季,2015年研究区南部地区(主要为河南省各市)有0.7以上的AOD值聚集,2016—2018年间AOD值显著降低至0.6以下,而2019年冬季在南部部分地区(新乡市、鹤壁市、安阳市)重新出现较高AOD值(>0.9)的小范围聚集。
图5 2015—2019年AOD空间分布Fig.5 The spatial distribution of AOD from 2015 to2019
图6 2015—2019年AOD LISA聚集图Fig.6 The LISA clust map of AOD from 2015 to 2019
由表4可得,相比于其他季节,AOD值在夏季的空间自相关性较低,且在秋季的全局Moran′sI指数变化较大,但总体而言,AOD在2015年至2019年间呈现显著的空间自相关关系。通过对2015年至2019年AOD局部Moran′sI指数的计算,发现AOD的空间集聚特征在冬季最显著,整体呈现冬季>秋季>春季>夏季的分布特点。相较于PM2.5,AOD的高值聚集区面积较小且主要集中在南部地区。春季,AOD高值主要集聚分布在研究区南部(河南省各市以及山东省聊城市、菏泽市、济宁市);夏季,高值聚集区分布范围较小,且集聚情况也比较破碎;秋季高值区面积最大,2018年前分布较为分散,之后主要聚集在研究区南部(河南省各市以及山东省菏泽市、济宁市、聊城市);冬季AOD高值区聚集明显,且集中分布在研究区南部。
表4 AOD的空间自相关系数Table 4 The spatial autocorrelation coefficient of AOD
3.3 AOD与PM2.5的相关性分析
本研究基于月均值,利用ArcGIS计算了研究区范围内2015年至2019年AOD与PM2.5浓度的季均值,并在SPSS中计算了每个季节的相关性,计算结果如表5所示。总体来看,2015年至2019年间AOD与PM2.5浓度存在显著的相关关系。从季节变化看,相关系数在夏秋季较高,冬春季较低,总体呈现:秋季>夏季>冬季>春季的特点。从时间变化来看,2019年之前,各个季度的相关性均有明显增大,2019年四季相关性则有降低的趋势。AOD与PM2.5浓度的最高相关性出现在2017年冬季(r=0.745**),最低相关性出现在2019年春季(r=0.288**);然而,在2015年至2019年间并没有呈现整体上的规律性变化,可能是由于还受到其他因素的影响,比如气象因素(风速、风向、湿度等)、天气状况以及人为活动影响等。
基于季均值,利用ArcGIS工具对研究区五年的数据进行了求取平均值,得到了AOD与PM2.5浓度的年均值,并在SPSS中计算了其Pearson相关系数。年均AOD与PM2.5浓度的Pearson相关系数为0.314**,表明在年平均值水平上,AOD与PM2.5浓度呈现中等相关关系。此外,为了探究AOD对PM2.5浓度的影响,对数据值进行随机采样,将AOD值作为自变量,PM2.5浓度作为因变量随机选择了200个样本值在SPSS工具中进行线性拟合,拟合结果如图7所示。年平均AOD与PM2.5浓度的线性拟合方程为:y=19.19+13.54×x。其中,模型显著性的检验值F=19.473,显著性<0.05,说明AOD对PM2.5浓度具有显著影响关系,回归方程的判定系数R2为0.099,说明线性回归效果一般。造成线性回归效果不佳的原因主要是地表温度和污染物浓度的的变化与许多其他因素都有关系,比如气象因素(风速、风向、湿度等)、下垫面情况(地表建筑物高度、密度、绿地分布)以及人为活动影响等,只考虑单一因素对其的影响,可能会造成回归模型的不准确。
表5 AOD与PM2.5浓度的相关性Table 5 The correlation between AOD and PM2.5
图7 AOD与PM2.5浓度的线性拟合结果Fig.7 The linear fitting results of AOD with PM2.5
4 结论与讨论
近年来,不断有研究表明气溶胶颗粒浓度与空气质量有着密切的关系,因此研究AOD与PM2.5在时空分布上的演变规律以及二者的相关关系,有助于未来的空气质量管理。因此,本文以多源遥感数据为基础,对研究区2015—2019年气溶胶光学厚度、PM2.5浓度的时空分布格局进行分析,从月份、季节、年份三个时间维度定量分析其时空变化规律,并通过计算相关性系数来分析气溶胶光学厚度对PM2.5浓度的影响。主要得出以下结论:
(1)PM2.5浓度在春季以及冬季出现高值聚集区域,在夏季则保持相对低值,整体呈现冬季>春季>秋季>夏季的趋势。就空间分布而言,PM2.5浓度呈现高度空间自相关性。2015—2019年间,PM2.5浓度显著下降,除保定市、廊坊市、沧州市浓度在50μg/m3以上外,其余地域已降至35μg/m3以下。
(2)研究区在2015—2019年间AOD平均范围值在0—1之间,且除12月份AOD值增加了0.02,1月份增加0.13,2月份增加0.25以外,其余月份AOD均有明显减小的趋势,其中7、8月份减少幅度最大,分别减少了0.40和0.46。AOD值总体上呈现春夏季高,秋冬季低的分布特点。2015年至2019年间,春夏秋三季AOD浓度呈现明显下降,夏季趋势最为显著,
(3)2015—2019年间AOD与PM2.5浓度存在显著的相关关系。从季节变化看,相关系数在夏秋季较高,冬春季较低,总体呈现:秋季>夏季>冬季>春季的特点。AOD与PM2.5浓度的最高相关性出现在2017年冬季(r=0.745**),最低相关性出现在2019年春季(r=0.288**);年均AOD与PM2.5浓度的Pearson相关性计算结果为0.314**,表明在年平均值水平上,AOD与PM2.5浓度呈现中等相关关系。
本文的局限性在于采用的污染物浓度数据是在监测站点实时数据的基础上通过人工智能方法模拟再生成的数据集,虽然数据精度较高,但在结果分析中可能与实际情况有所偏差,可能会影响相关性的计算结果。此外,本文仅是通过计算Pearson相关系数来定量分析气溶胶光学厚度对PM2.5浓度的影响,但在实际情况中,空气质量还受到其他因素的影响,比如气象因素、下垫面情况以及人为活动影响等,只考虑单一因素对其的影响,可能会造成回归模型的不准确。