长江三角洲典型城市站点甲烷浓度时间变化特征和影响因素分析

周民锋,张晓华,缪 青

(1.江苏省苏州环境监测中心,江苏 苏州 215004;2.江苏省环境保护空气复合污染监测重点实验室,江苏 苏州 215004)

甲烷是地球大气中仅次于二氧化碳的重要温室气体[1-2],虽然大气中含量比CO2低,但根据2021年IPCC 发布的第六次评估报告,CH4全球增温潜势(GWP)却远超CO2,100 年内GWP 为CO2的28倍,20 年内GWP 为CO2的84 倍,使得甲烷对气候变化的贡献仅次于CO2[3]。工业革命以来,人类活动导致了大气中CH4浓度持续增加,目前全球大气中CH4本底浓度已经是工业革命之前的两倍以上[4]。当前针对温室气体的监测手段主要为地面站点监测和卫星遥感监测,其中相较于CO2,我国对大气中CH4的关注相对较少,已有研究主要集中于国家级本底站的本底浓度分析[5-8]、部分城市的本地特征分析[9-12]以及利用CH4卫星遥感的空间分布特征分析[13-14]。

长三角地区城市因工业发展迅速,是碳排放的主要来源[15]。苏州作为长三角经济发达城市之一,社会的快速变革引起CH4源和汇的巨大改变,从而导致CH4浓度产生变化,因此对苏州地区CH4的变化特征和影响因素开展分析具有重要意义。本文基于2018～2022 年的苏州甲烷在线观测数据,从时间尺度分析了苏州大气中CH4浓度的时间变化特征;通过相关性分析,识别了与CH4浓度相关性高的污染物和气象要素,初步分析其主要影响因素;接着利用HYSPLIT 模型,将气团轨迹与CH4浓度相结合,分析了苏州CH4的来源分布和传输特征;最后通过疫情封控期间和相关时段CH4浓度的比较,分析了人为活动对CH4浓度的影响。

1 研究区概况

长江三角洲地形以平原为主,分布在河流冲击和滨海平原区;其气候多属亚热带季风气候,四季分明,水热条件适宜,日照时间长,无霜期长,云雾较多;全年平均气温在14.2～17.4 ℃之间;降水主要集中于3～7 月初的春雨、梅雨和暴雨,年降水量在708～2 000 mm 之间。苏州位于长江三角洲中部、江苏省东南部,地处东经119°55′～121°20′,北纬30°47′～32°02′之间,东傍上海,南接浙江,西抱太湖,北依长江,总面积约8 657.32 km2(图1)。全市地势低平,境内河流纵横,湖泊众多,太湖水面绝大部分在苏州境内,河流、湖泊、滩涂面积占全市土地面积的36.6%,是著名的江南水乡。苏州属亚热带季风海洋性气候,四季分明,气候温和,雨量充沛,土地肥沃,物产丰富,自然条件优越,年均气温约为15.7 ℃,年降水量在1 100 mm 左右。苏州以煤为主的能源消费结构特征明显,2019 年,煤炭消费量占规模以上工业企业能源消费量的73.4%,苏州的能源结构问题是长三角区域的共性问题。

图1 研究区域示意图Fig.1 Location of sampling sites

2 数据来源与处理

2.1 监测仪器和数据来源

温室气体监测仪(G2301,Picarro Inc.)布设于苏州市三香路102 号(东经:120°37′49.80″,北纬:31°17′10.32″),观测高度15 m,属于城市站点,存在交通污染源,周围以居民区为主,无大型工业企业,观测结果可以代表苏州城区温室气体浓度水平。方法原理为利用光能在光腔中的衰荡时间,与目标气体浓度呈反相关,来检测目标气体。该方法具有灵敏度高、信噪比低、抗干扰能力强的特点。抽气速率260～270 mL/min,样气从入口到分析仪的停留时间小于30 s,时间分辨率为1 Hz。运行维护和质控工作具体情况主要包括:更换滤膜和高氯酸镁等、标气测量、背景光谱测量;仪器偏差:0.01%;标气来源为中国气象局大气成分观测与服务中心,使用低、中、高三个浓度系列来校正测量。

所用数据资料包括:苏州站2018 年1 月至2022 年4 月CH4浓度数据和苏州市国家气象站2 m气温、相对湿度和10 m 风速风向气象观测数据,两者周围环境基本类似,相距约4 km。本研究所用大气污染物数据来源于国家环境空气质量监测网发布的苏州市10 个环境监测国控点的六项常规污染物逐时质量浓度资料。依据《环境空气质量指数技术规定》(HJ 633-2012)和《环境空气质量标准》(GB 3095-2012)对原始数据进行质量控制,剔除因断电、仪器维修维护、校准等原因造成的异常值。

2.2 机器学习气象归一化分析

为了评估排放和气象条件的变化对CH4浓度年间趋势变化的影响,本文进一步基于机器学习中随机森林算法对2018 年至2021 年CH4趋势进行了气象归一化分析。气象归一化分析可以定量剥离气象要素对浓度趋势变化的相对贡献[16-17]。该气象归一化分析方法可建立一个可以描述CH4观测浓度与排放因子和气象要素间的回归模型。排放因子主要包括时间变量,每年中的天数(Day of year)、每周中的天数(Day of week)、Unix 时间戳(Unix time)。这些时间变量分别被用于表征季节、每周工作日和非工作日变化周期的源排放以及长时间的污染减排的排放规律。气象要素包括了气温、相对湿度、边界层高度、太阳辐射强度、降雨量、云量等,这些数据来自欧洲中期天气预报中心(ECMWF)的ERA5 分析资料。气象归一化浓度的计算主要分为两个步骤,其一是模型的建立:利用CH4观测浓度作为自变量,气象和排放因子为因变量,基于随机森林算法建立回归模型。其二是归一化浓度的计算:固定因变量中的排放因子,而在过去20 年中的气象数据集中随机抽样建立一组新的气象因子变量数据集,然后再利用步骤一建立的模型对新的因变量数据集进行预测,随后获得一组预测数据,该步骤迭代重复计算1 000 次。最后,再计算1 000 次结果的算术平均值,从而获得气象归一化浓度数据。其中,气象归一化浓度的变化可代表主要受到的排放影响。而观测浓度和气象归一化浓度之间的差值可代表受到气象条件的影响。有关该算法的详细描述可见文献[17-18]。

3 结果与分析

3.1 CH4 的时间变化特征

为了探究不同因素对苏州站CH4趋势变化的影响,我们利用机器学习的方法计算了CH4的气象归一化浓度的年间趋势变化(如图2 所示)。从变化趋势可见,受排放主导的气象归一化浓度未呈现出与观测浓度相一致的变化趋势,其浓度值在2019年出现最高值,表明2019 年的CH4排放在这四年中最高。2020 年国内新冠疫情暴发后,为防止新冠肺炎疫情扩散和蔓延,各地采取了限制人口流动、学校停课和企业停产停工等一系列管控措施,这些管控措施对居民生活和工业生产产生了重大影响,各类人为源排放发生了显著变化,CH4的浓度呈现出最低值,表明人为活动排放对苏州站CH4浓度变化有重要影响。

图2 苏州站CH4 年平均观测值和去气象归一化值Fig.2 Annual average observed and meteorological normalization values for methane (CH4) concentrations at Suzhou

由图3 可知,苏州CH4浓度日变化呈单峰型变化特征。具体来看,CH4浓度峰值出现在5: 00～7:00,其中春季和秋季出现在6: 00,夏季峰值时间提前1 h,冬季延后1 h,随着日间气温上升,大气近地面边界层升高,大气垂直扩散条件改善,有利于污染物和温室气体浓度的扩散与稀释[19-21],CH4浓度逐渐下降,于14: 00～15: 00 出现谷值,进入傍晚边界层高度下降,大气中CH4浓度又逐步攀升。甲烷浓度日变化特征的主要原因为大气边界层高度的昼夜更替。

图3 苏州站不同季节CH4 浓度的日变化Fig.3 Diurnal variations of CH4 concentrations in Suzhou during different seasons

春夏秋冬CH4浓度的日变化呈基本一致的昼夜变化规律,反映苏州城区CH4浓度的变化主要受昼夜气象条件和人为源排放影响。其中秋季CH4浓度最高,且日变化最明显,说明相较于其他季节,秋季生物源影响占比更大。湿地稻田是最重要的人为CH4排放源之一[22]。苏州位于太湖湿地旁边,不仅是“鱼米之乡”,也是“江南水乡”,境内河流和湖泊等占比大,太湖水体等湿地也被发现是CH4重要的自然排放源[23],大量的湿地和水稻等生物源在秋季生长过程中将增加CH4浓度[24]。与重庆、北京等其他城市季节日变化特征相比也能看出,苏州秋季的日变化较为明显,与同属长三角地区的常州,变化特征基本吻合[25-28]。

3.2 大气污染物和气象要素与CH4 浓度相关性分析

表1 为2018～2022 年苏州大气污染物与CH4的相关性分析。从表1 中可以看出,CH4除与O3呈显著负相关(-0.235)外,与CO2及其他大气污染物均呈显著正相关,其中与CO2的相关性(0.636)最高,与NO2的相关性(0.524)次之,表明苏州CH4浓度与工业生产和交通排放有关。

表1 2018～2022 年苏州站CH4 与大气污染物相关性分析Table 1 Correlations between CH4 concentrations and atmospheric pollutants in Suzhou from 2018 to 2022

2018～2022 年苏州气象要素与CH4的相关性分析可以看出,气象要素中风速与CH4的相关性明显高于温度和湿度。具体来看,CH4与风速呈显著的负相关关系,而与气温和湿度呈正相关关系,其中与风速的相关性(-0.499)最高,与气温的相关性(0.069)最低。风对气体的传输和扩散有着重要影响,因此研究了不同季节风速与CH4浓度的关系。由图4 可知,苏州四季CH4浓度均与风速存在显著负相关关系,即随着风速增大,CH4浓度呈降低趋势。春、夏、秋、冬季风速与CH4浓度的相关系数分别为-0.439、-0.614、-0.490、-0.522,表明CH4浓度受风的传输和扩散作用影响显著,其中夏季负相关性明显高于其他季节。

图4 苏州站不同季节CH4 与风速的相关性Fig.4 Correlations between CH4 concentrations and wind speed during different seasons in Suzhou

3.3 CH4 的来源分布及传输特征分析

3.3.1 轨迹聚类分析

将苏州站2018～2022 年的后向轨迹进行聚类,最终共得到7 类轨迹,如图5 所示。从图中可以看出,各类轨迹的来向和传输距离差异较大,7 类轨迹中有4 类轨迹起点位于海面,3 类轨迹来自陆地。其中,第1 类轨迹数量在总轨迹数中占比最大,达25.11%,其主要来自苏州东北部的黄海海域,轨迹传输距离为7 类轨迹中最短;第2 类轨迹来自安徽省北部,后经由南京、镇江、常州和无锡到达苏州,轨迹数量占14.87%;第3 类轨迹起点位于苏州东南部的东海海面,从上海登陆后进入苏州,占总数的14.88%;第4 类轨迹传输距离为7 类中最长,其初始位置在渤海海域,随后经由山东省一路南下到达苏州,占轨迹总数的11.53%;第5 类轨迹传输距离也较近,自浙江省台州传输至苏州,占比为14.43%;第6 类轨迹和第1 类轨迹类似,来自黄海海域,但其传输距离较远,轨迹数量占总数的10.57%;第7 类轨迹来自江西省东部,经由安徽省南部和浙江省北部到达苏州,轨迹数量仅占总数的8.61%。

图5 2018～2022 年苏州站CH4 后向轨迹聚类分布Fig.5 Backward trajectories of CH4 in Suzhou from 2018 to 2022

基于后向轨迹聚类结果,计算每类轨迹对应的CH4浓度平均值,以表征该轨迹来源方向的气团对苏州CH4浓度水平的影响。从图中可以看出,除传输距离最短的第1 类轨迹外,其它3 类起始于海面的轨迹(第3 类、第4 类和第6 类轨迹)所对应的CH4浓度均为7 类轨迹中最低,说明来自海面的气团较为洁净,对苏州的传输作用较弱;第1 类轨迹虽也来自海面,但因其起始位置距离海岸较近,有时来自陆地的温室气体也会经过海面传输回到陆地,同时轨迹传输距离短代表风速较小,容易造成CH4的本地积聚。来自陆地的3 类轨迹(第2 类、第5 类和第7 类轨迹)中,第5 类轨迹的CH4浓度较低,这可能是由于途经城市温室气体浓度较低或因临近东海,洁净的海洋气流对轨迹上的温室气体有稀释作用;第2 类和第7 类轨迹对应的CH4浓度较高,这是因为来自内陆的气团CH4含量较高,受上游城市传输影响导致苏州CH4浓度进一步升高,其中来自安徽省北部的第2 类轨迹CH4平均浓度为7 类轨迹中最高,达2 278.30 ×10-9。

进一步对2018～2022 年苏州各季节后向轨迹聚类分布进行分析。从图6 可以看出,各季节轨迹来向差异明显。春季共得到4 类轨迹,占比最高的第1 类轨迹(35.48%)来自浙江省西北部,其对应的CH4浓度也最高,为2 219.40 ×10-9,同样起始于陆地(江苏省东部)的第4 类轨迹浓度仅次于第1 类,两者对苏州的传输作用明显,而经由海面到达苏州的第2 类和第3 类轨迹对应的CH4浓度较低;夏季受强太阳辐射和夏季风的影响,轨迹来向更为复杂,总共得到6 类轨迹,起始于陆地的第1 类轨迹(江苏省东北部)、第3 类轨迹(浙江省中部)和第5类轨迹(江西省东部)所对应的CH4浓度明显高于来源于海面的第2 类、第4 类和第6 类轨迹,其中来自浙江省中部的第3 类轨迹占比(26.31%)和浓度均最高;秋季轨迹来向较为简单,其中接近半数的轨迹(第1 类轨迹,占比为46.93%)来自上海市附近的海面,其对应的CH4浓度(2 257.78 ×10-9)较其他季节来源于海面的轨迹要高,可能受秋季海面回流和上海的传输作用影响;冬季共得到4 类轨迹,受北方内陆采暖等因素影响,第1 类轨迹所对应的CH4浓度均明显高于其他轨迹。

图6 2018～2022 年苏州站CH4 各季节后向轨迹聚类分布Fig.6 Backward trajectories of CH4 during each season in Suzhou from 2018 to 2022

3.3.2 潜在源区分析

利用HYSPLIT 对后向轨迹进行分析,可初步判定影响苏州CH4浓度的气团主要方位和位置,但无法具体确定潜在源区对苏州的相对贡献度。因此,对2018～2022 年苏州CH4进行潜在贡献因子分析(PSCF)。PSCF 分析需要定义污染轨迹,本文将2018～2022 年苏州CH4浓度的平均值作为污染轨迹的阈值,计算了苏州的潜在源区贡献因子,源区分布概率(WPSCF)值越大,表示该区域对苏州CH4浓度的贡献度越大。本文按照WPSCF 值划分五个等级来标识潜在源区属性,如图7 所示。CH4潜在源区分布较为广泛,包括安徽省、江苏省、上海市、浙江省、江西省以及部分黄海和东海海域。其中,WPSCF 值低于0.6 的范围分布最广,呈环状分布,主要潜在源区(WPSCF 值大于0.6 的范围)分布在安徽省东南部和浙江省西北部一片,皆位于苏州西南方向。

图7 苏州站CH4 的WPSCF 分布特征Fig.7 Spatial distribution of Weighted Potential Source Contribution Function (WPSCF) for CH4 in Suzhou

3.3.3 疫情管控对CH4浓度的影响

受2022 年初局地疫情影响,苏州进入疫情管控阶段,时间为2 月14 日～3 月8 日。本文对比了管控前后和同期CH4浓度的变化情况,讨论疫情管控等人为活动变化对CH4浓度的影响。图8 展示了2月7 日～3 月15 日苏州CH4浓度以及气象要素的时间序列。可以看出,2 月7 日～2 月11 日温度较低,而相对湿度持续较高(期间天气状况以下雨为主),湿清除效果明显,受此气象条件影响,CH4浓度整体位于较低水平。自2 月14 日苏州进入封控期后,人为活动相应减少,天气状况以晴和多云为主,气象条件略有转差,CH4浓度偶有高值,整体水平小幅上升。解除封控后,天气状况仍以晴和多云为主,但CH4浓度明显上升。

图8 2022 年2 月7 日～3 月15 日苏州站CH4 和气象要素时间序列Fig.8 Time series of CH4 concentrations and meteorological elements in Suzhou from February 7 to March 15,2022

由图9b 日变化图表明,2022 年封控前和封控期差别较小,而封控后CH4浓度明显升高,且日间波动幅度大,表明解除封控后,复工复产引起CH4人为排放迅速增加。从封控期及历年同期的CH4浓度昼夜变化来看,2022 年封控期相较于历年同期未见明显下降,主要原因为气象条件的影响。

图9 历年同期(a)及封控前后(b)的苏州站CH4 浓度昼夜变化特征Fig.9 Diurnal variation of CH4 concentrations in Suzhou during (a) the designated period in different years and (b) before and after implementation of lockdown

4 结论

通过对苏州站2018～2022 年CH4浓度分析发现,得到以下结论:

1)苏州CH4浓度整体呈秋季高春季低的特征,秋季高主要与水稻等生物源有关,日变化呈单峰型;气象归一法表明2019 年甲烷浓度在近四年中最高,受人为排放原因为主。

2)相较于温度和湿度,CH4浓度受风的传输和扩散作用影响明显。此外,苏州CH4后向轨迹有4类起点位于海面,3 类来自陆地。相较于海上轨迹,起始于内陆的轨迹CH4浓度较高,存在上游城市的传输影响。苏州CH4主要潜在源区分布在安徽省东南部和浙江省西北部。

3)受气象条件等影响,2022 年封控期CH4浓度较历年同期未见明显下降,但快速复工复产一定程度上推高了苏州的CH4浓度。