2024, Vol. 45
2. 中国科学院大学, 北京 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
气溶胶影响大气接收的太阳辐射进而影响全球气候变化[1], 并且气溶胶颗粒物对大气环境质量和人类健康等方面也有重要的影响[2].气溶胶光学厚度（aerosol optical depth, AOD）是常用的表征大气气溶胶基本光学特性的物理量, 基于遥感卫星反演的AOD产品弥补了传统地基站点数据缺乏和空间分布不均匀等问题, 为全球、区域及局地等不同尺度的气溶胶的研究提供了长时间序列且空间连续的数据.其中中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer, MODIS）是目前应用最广泛的气溶胶反演仪器[3], 最近发布的MCD19A2数据集, 其反演的AOD数据空间分辨率提升到了1 km, 使得表征局部尺度气溶胶光学特性成为可能, 从而可以针对城市等特殊区域的气溶胶变化展开研究.
目前, 国内对人类活动密集区域的气溶胶研究较多, 主要集中在京津冀[4, 5]、粤港澳大湾区[6]和长江三角洲[7]等经济较为发达的地区, 大多重点关注大气环境质量.近年来, 基于AOD数据, 线性回归、地理探测器和随机森林等各种方法被用于探究气溶胶的驱动因素[8, 9].在长江流域和黄河流域的城市群中, AOD受到气象、地形和社会经济等因素的调控, 其中气象因子在大多数城市群中贡献率较高[8, 10].青藏高原上的人类活动近年来逐渐增强, 对大气气溶胶产生的影响还有待研究.传统的站点观测一般用于探究高原上气溶胶光学性质、粒径分布和化学成分等[11, 12], 只能进行短期的研究.通过卫星遥感数据研究发现青藏高原上主要气溶胶类型是沙尘气溶胶[13], AOD值北部高, 南部低, 北部AOD主要受柴达木盆地的影响[14, 15], 并且存在季节性差异, 春季主要受沙尘影响, AOD值最高, 夏季最低, 高原上AOD受到气象条件、地形和人类活动等多重因素的影响[16, 17].现阶段对青藏高原上气溶胶的研究大多是针对其整体基本特性、分布情况和周边地区的影响, 而对人类活动密集的雅鲁藏布江流域的研究较少.
近年来, 随着全球气候变暖和快速城镇化进程, 雅鲁藏布江流域的人类活动增强, 气溶胶的时空变化特征及其影响因素等大气环境问题值得关注.对于拉萨市和日喀则市等高原河谷型城市, 特殊的地理环境使得局地自然条件对AOD的影响更特殊.目前仍缺乏利用高分辨率气溶胶产品系统分析雅鲁藏布江中部流域AOD时空变化特征及影响因素的综合研究.本研究基于高精度的MODIS AOD数据, 结合气象数据、社会经济数据以及解译分类的土地利用/地表覆被数据, 阐明2000~2020年间雅鲁藏布江中部流域AOD的时空变化特征, 并利用多种分析方法定量估算自然和人为因素对AOD变化的贡献, 以期为深入理解雅鲁藏布江中部流域大气环境提供科学参考.
1 材料与方法 1.1 研究区概况雅鲁藏布江是青藏高原上最大的河流, 两岸是陡峭的山体, 河流两侧大多发育河流阶地、冲积平原和冲积扇, 故其既有陡峭的山地, 也有平坦的谷地[18].本研究以雅鲁藏布江中部流域（从拉孜县至米林县）, 包括其主要支流拉萨河和年楚河流域为研究区（图 1）.研究区位于青藏高原中南部, 地势西部总体偏高、南部和东部偏低, 海拔范围2 888~7 149 m.雅鲁藏布江中部流域属于高原温带季风半干旱气候, 7月和8月平均气温最高, 1月最低, 气温年较差可达18℃左右.年降水量在300~450 mm之间, 降水主要出现在夏季（6~9月）, 降水量从西到东逐渐增加[19]；10月到次年4月为流域内枯水期, 月平均风速也是最大的, 最大风速可超过30 m·s-1[20].受到河谷地形和大风的影响, 雅鲁藏布江中部流域是青藏高原风沙活动最强烈的区域之一, 多年平均风沙日数在14.9~54.9 d[21].
|
图 1 研究区概况 Fig. 1 Overview of the study area |
此外, 雅鲁藏布江中部流域还是西藏的经济政治文化的核心区域, 也是农业资源集中的区域.研究区包含了拉萨市、山南市和日喀则市的大部分县域, 人口分布相较于西藏其他地区更为密集.特别是近年来经济发展迅速, 人类活动加剧, 对当地的大气环境造成了一定的影响.
1.2 数据来源气溶胶数据来自于MODIS MCD19A2产品（https://search.earthdata.nasa.gov）, 空间分辨率为1 km, 时间分辨率为1 d, 本研究下载了2000~2020年每天的数据, 利用ENVI5.3 IDL 8.5和Python对数据进行了重投影、镶嵌和裁剪等处理, 最终得到研究区的AOD数据.
气象数据包括2000~2020年平均气温、降水量和潜在蒸散发数据[22, 23], 均来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn）；风速数据[24]来源于国家科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn）.
土地利用数据由2000、2005和2010年Landsat-5影像（空间分辨率30 m）, 2015年和2020年Sentinel-2影像（空间分辨率10 m）通过面向对象分类和目视解译得到, 将土地利用类型分为水体、林地、草地、耕地、建设用地、沙地和其他未利用地这7类.该数据由本研究独立得出.
社会经济数据包括全球1 km×1 km网格修正后的实际国内生产总值（gross domestic product, GDP）[25], 人口密度数据来自资源环境科学与数据中心（https://www.resdc.cn）；夜间灯光数据[26]和放牧强度数据[27]来源于国家青藏高原科学数据中心（https://data.tpdc.ac.cn）；2015年和2020年路网数据来自OpenStreetMap（https://www.openstreetmap.org/）, 其余年份按实际情况修改. 其他数据包括归一化植被指数（normalized difference vegetation index, NDVI）, 由MOD13Q1数据产品用最大值合成法得到, 地形数据使用数字高程模型（digital elevation model, DEM）.
在后续的分析中, 以上数据均统一重采样到1 km.
1.3 分析方法 1.3.1 趋势分析基于加权回归的季节趋势分解（seasonal-trend decomposition procedure based on loess, STL）是一种时序分析方法[28].本研究利用STL时间序列分析方法来分解2000~2020年研究区的AOD值, 分析其变化趋势.并采用Theil-Sen Median斜率估计来分析近21 a来雅鲁藏布江中部流域AOD变化趋势的空间分布, 结合Mann-Kendall检验来判断显著性, Theil-Sen Median斜率计算公式如下：
|
(1) |
式中, β为斜率, i和j为年份, xj和xi为时间序列数据.当β大于0, 则为上升趋势, 反之则为下降趋势.
1.3.2 地理探测器地理探测器是用来探测元素中的空间分层异质性并且为其空间分层异质性归因的一种统计学方法[29, 30].因子探测器利用统计量q值来定量描述变量X对变量Y的解释程度；其原理如下：
|
(2) |
式中, h = 1, 2, …, L, L为自变量或因变量的分层, Nh和N分别为h层和整个区域内的样本数量, σh2和σ2分别为因变量在h层和整个区域中的方差. q值的范围为[0, 1], q值越大, 因子对因变量空间异质性的解释力越强.
本研究用地理探测器定量分析雅鲁藏布江中部流域AOD的空间分异性在多大程度上由因子X解释.选取的驱动因子包括：年平均气温、年降水量、年平均风速、地形、NDVI、人口密度、GDP和土地利用类型.其中土地利用类型分为7类, 其余每个因子都用自然断点法进行了离散化, 所有因子都统一重采样到1 km分辨率.
1.3.3 XGBoost模型与SHAP方法极限梯度提升（eXtreme Gradient Boosting, XGBoost）模型是一种在梯度提升框架下实现的集成机器学习算法[31], 相较于随机森林和支持向量机, 其计算速度更快, 运算效率更高.SHAP（SHapley Additive exPlanations）是基于合作博弈论构建的一个可加性解释模型[32], 通过SHAP方法, 模型的预测值被解释为各个输入特征的SHAP值之和, 获得每个样本中各个指标的贡献情况[33].本研究以AOD为因变量, 气温、降水、风速、人口密度、GDP、风蚀气候因子指数和人类活动强度为自变量, 构建XGBoost模型, 结合SHAP, 估算各影响因子对AOD变化的贡献率.
2 结果与讨论 2.1 AOD空间分布及控制因素 2.1.1 AOD空间分布特征雅鲁藏布江中部流域2000~2020年平均AOD的分布呈现明显的区域差异性[图 2（a）].从垂直方向看, AOD高值集中在河谷中, 大于0.05；而低值主要分布在山区, AOD均值小于0.01, 河谷地区和周围山区之间AOD均值分界线明显, AOD变化梯度大.河谷中分布着建设用地、耕地和沙地[图 2（a-1）和图 2（a-2）], 因此既有人类活动产生的工业、交通以及农业活动排放的人为源气溶胶, 也有风力引起的沙尘排放而产生的自然源气溶胶, 这些都会导致AOD值处于较高水平.而山区海拔较高, 主要土地利用类型是林地、草地和其他未利用地, 人类活动较弱, 故AOD值整体较低.从水平方向看, 研究区东部的河谷中的AOD值较西部和中部低, 这是由于研究区降水量东高西低, 东部植被覆盖度相对较高, 并且没有较大的城市分布, 受人类活动影响较小.
|
图 2 2000~2020年平均和季节平均AOD空间分布及重点区域2020年土地利用分布 Fig. 2 Spatial distribution of average and seasonal average AOD from 2000 to 2020 and land use distribution in 2020 |
研究区各个季节的AOD分布与多年平均值分布特征相似.都表现为河谷高, 四周低, 但AOD值具有显著的季节差异, 整体在冬季最高, 夏季最低.统计发现夏季仅12.8%的区域AOD均值大于0.01, 而冬季超过50%的区域AOD均值大于0.01, 并且冬季大部分山区的AOD均值高于其他季节.春季和秋季大部分区域的AOD均值较低, 其中大于0.01的区域分别占比17.4%和23.2%.雅鲁藏布江中部流域的AOD季节特征与中国东部地区不同, 在华东地区由于夏季相对高的湿度和温度会促进次生有机气溶胶的产生, 导致AOD值更高, 而在冬季由于较低的相对湿度可以缓解气溶胶的吸湿性生长, 较高的风速可以促进气溶胶的沉降、稀释和循环, 从而AOD值较低[34].而雅鲁藏布江中部流域由于其高海拔和寒冷干燥的气候, AOD的季节差异受到地形和天气条件的影响.夏季流域内降水较多, 河流水位较高, 部分河床沙被水淹没, 而冬季和春季降水稀少, 河流水位下降可达3~4 m[20], 经过计算发现研究区内拉孜至米林段河流主干部分在春冬季河道水域面积约为231 km², 而夏季约为595 km², 因此春冬季有大量河漫滩裸露, 加上风速较高, 导致风沙活动频繁, 河谷中沙尘天气出现频率较高[35], 有利于AOD值的升高.
2.1.2 AOD空间分布的控制因素气溶胶的分布受气象、地形以及人类活动等多种因素的影响.本研究利用地理探测器探测了2020年各驱动因子对雅鲁藏布江中部流域AOD空间分布的影响程度, 结果如表 1所示, 所有因子均通过了显著性检验（P < 0.01）.其中, 平均气温和地形是影响雅鲁藏布江中部流域AOD值空间异质性的重要因子, 其解释力均超过了0.7, 远超其他因子.而气温的分布也是受海拔的控制, 因此, 研究区AOD的空间分布主要是受地形控制.河谷四周的山体形成了天然的屏障, 可能会减弱或改变风向, 使得沙尘气溶胶和大气污染物难以扩散[36, 37], 造成了河谷地区AOD高值集中的现象.统计不同海拔梯度的AOD年均值, 发现分界线出现在海拔4 300 m处, 海拔低于4 300 m的河谷地区AOD高值聚集, 而海拔高于4 300 m的山区AOD年均值基本都小于0.01. 降水量对AOD的空间分布也有一定影响, 而平均风速和NDVI的q值不到0.1, 对研究区整体AOD值的空间异质性影响最小.与人类活动相关的因子, 包括土地利用、人口密度和GDP, 他们的q值相对较小, 可能是由于人类活动集中于河谷中, 在流域中面积占比较小, 影响力有限.
|
表 1 AOD空间分布影响因子探测结果（q值） Table 1 Results of factor detector for the spatial distribution of AOD(q values) |
雅鲁藏布江中部流域是青藏高原上人类活动集中的区域, 气溶胶来源丰富, 其气溶胶的分布情况对当地大气质量和人们的身体健康密切相关. AOD的分布在城市中具有“盆地效应”, 城市开发主要位于地势平坦地区, 当其被周围建筑包围, 形成了“盆地”, 城市中人为气溶胶的污染增加, 但是难以扩散, 导致AOD值高[38, 39].而在雅鲁藏布江中部流域, 分布着拉萨市、山南市和日喀则市等高原河谷型城市, 四周有高大山体, 进一步限制了气溶胶的扩散, 造成AOD高值集中于河谷的空间分布特征.在兰州和西宁这样的河谷型城市也存在相似的情况[40].
2.2 AOD时间变化及影响因素 2.2.1 AOD时间变化特征利用STL分别对2000~2020年的月均AOD、月平均气温、月降水量和月平均风速进行了时间序列分析.考虑到雅鲁藏布江中部流域的风沙活动可能会对AOD造成影响, 故利用2000~2020年的降水量数据和潜在蒸散发数据计算了每年的风蚀气候因子指数[41], 用于表征风沙活动强度.从图 3可以看出2000~2020年雅鲁藏布江中部流域AOD整体呈现持续增长趋势.AOD的变化与平均气温、平均风速和风蚀气候因子指数的变化基本同步.对比年均气温和降水量变化, 从2002~2009年, 年均气温和平均风速均呈现增长趋势, 而年降水量在这期间有减少趋势, 这可能会导致研究区干旱增加, 沙尘活动更加频繁, 从而造成AOD均值升高.
|
图 3 AOD、气象因子及风蚀气候因子指数时间序列 Fig. 3 Time series of AOD, meteorological parameters, and wind erosion climatic factor index |
利用Theil-Sen Median斜率估计对近21 a来的AOD数据做了逐像元计算, 并进行了显著性检验, 取置信水平为95%, 结果如图 4. 2000~2020年雅鲁藏布江中部流域AOD整体呈升高趋势. AOD的变化呈现出明显的区域性差异, 在河谷区域, 特别是拉萨、日喀则和山南城市群附近AOD增长趋势明显, 而在山区AOD的变化较小.可能是由于近年来气温不断升高, 并且这些河谷型城市人类活动增强, 城市建设、工业活动和农业活动等排放产生的气溶胶增多, 河谷中AOD的增长更加明显.
|
图 4 2000~2020年AOD变化率及显著性检验空间分布 Fig. 4 Spatial distribution in the changing trend and significance test of AOD from 2000 to 2020 |
为进一步探讨各因素对AOD变化的影响, 利用2000~2020年每年的年均气温、年降水量、年均风速、GDP和人口密度数据与同期的年平均AOD做了变化相关性分析.如图 5所示, 气温的变化与AOD变化大部分区域呈显著正相关, 气温的升高有利于沙尘的产生和AOD的升高[42].大部分区域的降水量变化与AOD变化呈现显著负相关关系, 小部分区域虽然呈现正相关关系, 但没有通过显著性检验.降水增加有利于植被生长, 抑制沙尘排放, 降水还可以通过湿沉降淋洗而降低大气中的气溶胶颗粒, 从而降低AOD负荷[36, 42].平均风速的变化与AOD变化的相关性并无明显规律且相关性并不显著, 可能是由于风本身具有较强的局地性, 影响复杂.大部分区域的GDP变化与AOD的变化呈现显著正相关, 说明人类活动的加剧导致AOD的升高.为更好地衡量人类活动的综合影响, 本研究结合土地利用、放牧强度、路网、夜间灯光、GDP和人口密度数据, 计算了2000~2020年间的人类活动强度[43], 发现人类活动强度最高值分布在拉萨和日喀则等城市群, 主要是由于城市发展以及交通路网的修建.
|
图 5 2000~2020年各因子变化与AOD变化的相关性及显著性检验 Fig. 5 Correlation and significance test of change in factors and AOD from 2000 to 2020 |
AOD的变化受到自然和人为因素的共同影响[44].在中国东南部, 人类活动和工业活动强度高, 模型模拟发现AOD的变化主要由人为因素引起, 贡献率在75%~94%之间[45].而在西北地区的一些城市中, 利用随机森林和多层感知器等机器学习方法定量表征各自然和人为因素对AOD的影响, 发现温度、降水和风速等自然因素对AOD影响更大[9, 46].对于青藏高原地区的研究较少, 近期有研究探讨了高原城市的大气环境质量及影响因素, 发现温度和湿度是两个重要的气象因素[47].在人类活动较为频繁的雅鲁藏布江中部流域, 对AOD变化的影响因素的定量分析还相对缺乏, 本研究选取平均气温、降水量、平均风速和风蚀气候因子指数作为自然因素, GDP、人口密度和人类活动强度作为人为因素, 构建XGBoost模型, 并结合SHAP方法定量估算各个因子对AOD变化的贡献率.
如图 6所示, 年平均气温是对AOD时间变化影响最大的因子, 贡献率为61.1%, 远高于其他因子；其次是年平均风速, 贡献率为13.4%；接下来依次是人口密度（6.6%）、降水量（6.4%）、GDP（4.9%）、人类活动强度（4.3%）和风蚀气候因子指数（3.3%）.雅鲁藏布江中部流域由于其高海拔和特殊的地理环境, 气候变化会对当地大气环境造成较大影响.1960~2015年雅鲁藏布江中部流域升温幅度为0.47℃·（10a）-1, 是全球升温平均速率的2~3倍[48].在气候较为干旱的地区, 气温与AOD呈现较强的正相关关系[49].升温可以从多个方面对雅鲁藏布江中部流域的AOD造成影响, 一方面, 升温导致周边山脉冰雪融化加速, 携带大量沉积物进入雅鲁藏布江, 导致沙源增加[20]；另一方面, 降水变化不明显, 潜在蒸散量随气温升高显著增加[48, 50], 土壤水分持续下降[51, 52], 有利于沙尘气溶胶的产生.青藏高原上的粉尘排放量在2000~2010年增加了43%左右, 而在2011~2020年间也呈现缓慢增长趋势[53].若未来气候继续变暖, 那么可能会使得雅鲁藏布江中部流域的AOD持续升高, 对大气环境和人体健康都会造成相应的影响.
|
图 6 AOD影响因素贡献率 Fig. 6 Contribution rate of AOD influencing factors |
（1）雅鲁藏布江中部流域AOD分布具有明显的空间异质性, 主要受地形控制, 高值主要分布在海拔4 300 m以下的河谷中, 而海拔较高的山区的AOD值很低.河谷是主要城市集中地, 人类活动频繁, 并且分布着大量沙尘源, 气溶胶来源丰富, 且受地形影响, 不易扩散, 形成AOD高值.
（2）雅鲁藏布江中部流域AOD值表现出冬季 > 秋季 > 春季 > 夏季的季节特征.由于夏季降水量最大, 而平均风速最低, 沙尘天气不易发生, 导致AOD低值；而冬季和春季降水少, 河流水位降低, 更多河床沙裸露, 平均风速高, 沙尘大量增加, 导致AOD高值.
（3）近21年来雅鲁藏布江中部流域AOD值整体升高, 河谷区域升高最为显著.在这期间, 平均气温有上升趋势, 降水量有减少趋势, 导致研究区更加干旱, 从而使AOD升高.其中平均气温是对AOD的变化影响最大的因子, 贡献率为61.1%.
致谢: 感谢国家科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn）、国家青藏高原科学数据中心（http://data.tpdc.ac.cn）以及中国科学院资源环境科学与数据中心（https://www.resdc.cn）提供数据支撑.
| [1] | Liu J, Ding J L, Li L, et al. Characteristics of aerosol optical depth over land types in central Asia[J]. Science of the Total Environment, 2020, 727. DOI:10.1016/j.scitotenv.2020.138676 |
| [2] | Sun Z B, Han L, Ding A J, et al. The health impacts of aerosol-planetary boundary layer interactions on respiratory and circulatory mortality[J]. Atmospheric Environment, 2022, 276. DOI:10.1016/j.atmosenv.2022.119050 |
| [3] |
刘思含, 周春艳, 毛学军, 等. 大气气溶胶主被动遥感探测应用技术进展[J]. 环境与可持续发展, 2016, 41(4): 131-135. Liu S H, Zhou C Y, Mao X J, et al. Advances in the application of active and passive remote sensing monitoring of atmospheric aerosol[J]. Environment and Sustainable Development, 2016, 41(4): 131-135. |
| [4] |
金囝囡, 杨兴川, 晏星, 等. 京津冀及周边MAIAC AOD和PM2.5质量浓度特征及相关性分析[J]. 环境科学, 2021, 42(6): 2604-2615. Jin J N, Yang X C, Yan X, et al. MAIAC AOD and PM2.5 mass concentrations characteristics and correlation analysis in Beijing-Tianjin-Hebei and surrounding areas[J]. Environmental Science, 2021, 42(6): 2604-2615. |
| [5] |
郭霖, 孟飞, 马明亮. 华北平原AOD时空演化与影响因素[J]. 环境科学, 2022, 43(7): 3483-3493. Guo L, Meng F, Ma M L. Spatiotemporal variation and influencing factors of AOD in the North China plain[J]. Environmental Science, 2022, 43(7): 3483-3493. |
| [6] | Yu X Y, Wong M S, Liu C H. Multi-spatiotemporal AOD trends and association with land use changes over the Guangdong-Hong Kong-Macao Greater Bay Area during 2001-2021[J]. Environmental Science and Pollution Research, 2023, 30(15): 44782-44794. DOI:10.1007/s11356-023-25451-5 |
| [7] |
张颖蕾, 崔希民. 基于MODIS_C061的长三角地区AOD与Angström指数时空变化分析[J]. 环境科学, 2020, 41(6): 2617-2624. Zhang Y L, Cui X M. Spatial and temporal characteristics of AOD and Angström exponent in the Yangtze River Delta based on MODIS_C061[J]. Environmental Science, 2020, 41(6): 2617-2624. |
| [8] | He L J, Wang L C, Huang B, et al. Anthropogenic and meteorological drivers of 1980-2016 trend in aerosol optical and radiative properties over the Yangtze River Basin[J]. Atmospheric Environment, 2020, 223. DOI:10.1016/j.atmosenv.2019.117188 |
| [9] | Ma W, Ding J L, Jin X Y. Spatial heterogeneity and driving factors of aerosol in western China: analysis on multiangle implementation of atmospheric correction-aerosol optical depth in Xinjiang over 2001-2019[J]. International Journal of Climatology, 2023, 43(4): 1993-2011. DOI:10.1002/joc.7958 |
| [10] | Zheng Y R, Wang X H, Zhang X, et al. Multi-spatiotemporal patterns of aerosol optical depth and influencing factors during 2000-2020 from two spatial perspectives: the entire Yellow River Basin region and its urban agglomerations[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 106. DOI:10.1016/j.jag.2021.102643 |
| [11] | Wang J Y, Cao X J, Li M Q, et al. Optical characteristics of aerosol and its potential sources over Nam Co in the Tibetan Plateau during Asian summer monsoon period[J]. Atmospheric Environment, 2023, 298. DOI:10.1016/j.atmosenv.2023.119611 |
| [12] | Zhang L, Tang C G, Huang J P, et al. Unexpected high absorption of atmospheric aerosols over a western Tibetan Plateau site in summer[J]. Journal of Geophysical Research: Atmospheres, 2021, 126(7). DOI:10.1029/2020JD033286 |
| [13] | Huang J P, Minnis P, Yi Y H, et al. Summer dust aerosols detected from CALIPSO over the Tibetan Plateau[J]. Geophysical Research Letters, 2007, 34(18). DOI:10.1029/2007GL029938 |
| [14] | Xu C, Ma Y M, You C, et al. The regional distribution characteristics of aerosol optical depth over the Tibetan Plateau[J]. Atmospheric Chemistry and Physics, 2015, 15(20): 12065-12078. DOI:10.5194/acp-15-12065-2015 |
| [15] |
李本涛, 张镭, 张云舒, 等. 青藏高原沙尘气溶胶时空变化及其来源地分析[J]. 高原气象, 2023, 42(3): 564-574. Li B T, Zhang L, Zhang Y S, et al. Temporal and spatial changes of dust aerosol over Qinghai-Xizang (Tibet) Plateau and analysis on its source regions[J]. Plateau Meteorology, 2023, 42(3): 564-574. |
| [16] | Zhao M, Dai T, Wang H, et al. Modelling study on the source contribution to aerosol over the Tibetan Plateau[J]. International Journal of Climatology, 2021, 41(5): 3247-3265. |
| [17] |
吴浩, 许潇锋, 杨晓玥, 等. 青藏高原及周边区域沙尘气溶胶三维分布和传输特征[J]. 环境科学学报, 2020, 40(11): 4081-4091. Wu H, Xu X F, Yang X Y, et al. Three-dimensional distribution and transport characteristics of dust over Tibetan Plateau and surrounding areas[J]. Acta Scientiae Circumstantiae, 2020, 40(11): 4081-4091. |
| [18] | Wang J Y, He G J, Fang H W, et al. Climate change impacts on the topography and ecological environment of the wetlands in the middle reaches of the Yarlung Zangbo-Brahmaputra River[J]. Journal of Hydrology, 2020, 590. DOI:10.1016/j.jhydrol.2020.125419 |
| [19] | Sang Y F, Singh V P, Gong T L, et al. Precipitation variability and response to changing climatic condition in the Yarlung Tsangpo River basin, China[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(15): 8820-8831. |
| [20] |
马鹏飞, 张正偲, 论珠群培, 等. 雅鲁藏布江曲水-泽当段风沙活动动力条件分析与风沙灾害防治建议[J]. 中国沙漠, 2021, 41(1): 10-18. Ma P F, Zhang Z C, Lunzhu Q P, et al. Analysis on the sand transport wind power conditions and suggestions on the sand disaster preventions in the middle reaches of Yarlung Zangbo River, China[J]. Journal of Desert Research, 2021, 41(1): 10-18. |
| [21] |
张核真, 周刊社, 多杰桑珠, 等. 1981-2016年雅鲁藏布江流域风沙日数时空变化特征分析[J]. 干旱区资源与环境, 2018, 32(12): 131-136. Zhang H Z, Zhou K S, Duojiesangzhu, et al. Analysis of spatiotemporal variation characteristics of wind-sand days in the Yarlung Zangbo river basin during 1981-2016[J]. Journal of Arid Land Resources and Environment, 2018, 32(12): 131-136. |
| [22] | Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. |
| [23] | Ding Y X, Peng S Z. Spatiotemporal change and attribution of potential evapotranspiration over China from 1901 to 2100[J]. Theoretical and Applied Climatology, 2021, 145(1-2): 79-94. |
| [24] |
荆文龙, 冯敏, 杨雅萍. 一种NCEP/NCAR再分析气温数据的统计降尺度方法[J]. 地球信息科学学报, 2013, 15(6): 819-828. Jing W L, Feng M, Yang Y P. A statistical downscaling approach of NCEP/NCAR reanalysis temperature data[J]. Journal of Geo-information Science, 2013, 15(6): 819-828. |
| [25] | Chen J D, Gao M. Global 1 km×1 km gridded revised real gross domestic product and electricity consumption during 1992-2019 based on calibrated nighttime light data[DB/OL]. figshare. https://doi.org/10.6084/m9.figshare.17004523.v1, 2021-11-13. |
| [26] | Zhang L X, Ren Z H, Chen B, et al. A prolonged artificial nighttime-light dataset of China (1984-2020)[DB/OL]. National Tibetan Plateau/Third Pole Environment Data Center. https://doi.org/10.11888/Socioeco.tpdc.271202, 2024-04-02. |
| [27] | Liu B T. Actual livestock carrying capacity estimation product in Qinghai-Tibet Plateau (2000-2019)[DB/OL]. National Tibetan Plateau/Third Pole Environment Data Center. https://doi.org/10.11888/Ecolo.tpdc.271513, 2021-09-06. |
| [28] | Cleveland R B, Cleveland W S, McRae J E, et al. STL: a seasonal-trend decomposition procedure based on loess[J]. Journal of Official Statistics, 1990, 6(1): 3-33. |
| [29] | Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107-127. |
| [30] | Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67: 250-256. |
| [31] | Chen T Q, Guestrin C. XGBoost: a scalable tree boosting system[A]. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. San Francisco, California, USA: ACM, 2016. 785-794. |
| [32] | Lundberg S M, Lee S I. A unified approach to interpreting model predictions[A]. In: Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. Long Beach, California, USA: Curran Associates Inc., 2017. 4768-4777. |
| [33] |
董佳奇, 胡冬梅, 闫雨龙, 等. 基于可解释性机器学习的城市O3驱动因素挖掘[J]. 环境科学, 2023, 44(7): 3660-3668. Dong J Q, Hu D M, Yan Y L, et al. Revealing driving factors of urban O3 based on explainable machine learning[J]. Environmental Science, 2023, 44(7): 3660-3668. |
| [34] | Li J Y, Zhang H W, Ying Q, et al. Impacts of water partitioning and polarity of organic compounds on secondary organic aerosol over eastern China[J]. Atmospheric Chemistry and Physics, 2020, 20(12): 7291-7306. |
| [35] | Ling Z Y, Yang S L, Xia D S, et al. Source of the aeolian sediments in the Yarlung Tsangpo valley and its potential dust contribution to adjacent oceans[J]. Earth Surface Processes and Landforms, 2022, 47(7): 1860-1871. |
| [36] | Boiyo R, Kumar K R, Zhao T L, et al. Climatological analysis of aerosol optical properties over East Africa observed from space-borne sensors during 2001-2015[J]. Atmospheric Environment, 2017, 152: 298-313. |
| [37] |
刘莹, 林爱文, 覃文敏, 等. 1990~2017年中国地区气溶胶光学厚度的时空分布及其主要影响类型[J]. 环境科学, 2019, 40(6): 2572-2581. Liu Y, Lin A W, Qin W M, et al. Spatial-temporal distribution of aerosol optical depth and its main influence types in China during 1990-2017[J]. Environmental Science, 2019, 40(6): 2572-2581. |
| [38] | Xie Q J, Sun Q. Monitoring the spatial variation of aerosol optical depth and its correlation with land use/land cover in Wuhan, China: a perspective of urban planning[J]. International Journal of Environmental Research and Public Health, 2021, 18(3). DOI:10.3390/ijerph18031132 |
| [39] |
郑玉蓉, 王旭红, 张秀, 等. 基于Landsat数据的关中盆地腹地AOD时空格局及城市化对其影响[J]. 环境科学, 2021, 42(6): 2699-2712. Zheng Y R, Wang X H, Zhang X, et al. Spatiotemporal distribution of aerosol optical depth based on Landsat data in the hinterland of the Guanzhong basin and its relationship with urbanization[J]. Environmental Science, 2021, 42(6): 2699-2712. |
| [40] | Meng H F, Bai G Z, Wang L W. Analysis of the spatial and temporal distribution characteristics of AOD in typical industrial cities in northwest China and the influence of meteorological factors[J]. Atmospheric Pollution Research, 2024, 15(1). DOI:10.1016/j.apr.2023.101957 |
| [41] |
刘慧, 李晓英, 肖建华, 等. 1961~2015年雅鲁藏布江流域风蚀气候侵蚀力变化[J]. 地理科学, 2019, 39(4): 688-695. Liu H, Li X Y, Xiao J H, et al. Variations of wind erosion climatic erosivity in the Yarlung Zangbo River Basin during 1961-2015[J]. Scientia Geographica Sinica, 2019, 39(4): 688-695. |
| [42] | Shaheen A, Wu R G, Lelieveld J, et al. Winter AOD trend changes over the eastern Mediterranean and Middle East region[J]. International Journal of Climatology, 2021, 41(12): 5516-5535. |
| [43] | Liu H M, Cheng Y, Liu Z F, et al. Conflict or coordination? The spatiotemporal relationship between humans and nature on the Qinghai-Tibet Plateau[J]. Earth's Future, 2023, 11(9). DOI:10.1029/2022EF003452 |
| [44] | Che H Z, Gui K, Xia X G, et al. Large contribution of meteorological factors to inter-decadal changes in regional aerosol optical depth[J]. Atmospheric Chemistry and Physics, 2019, 19(16): 10497-10523. |
| [45] | de Leeuw G, Kang H Q, Fan C, et al. Meteorological and anthropogenic contributions to changes in the Aerosol Optical Depth (AOD) over China during the last decade[J]. Atmospheric Environment, 2023, 301. DOI:10.1016/j.atmosenv.2023.119676 |
| [46] | Zhang Z, Ding J L, Chen X Y, et al. Aerosols characteristics, sources, and drive factors analysis in typical megacities, NW China[J]. Journal of Cleaner Production, 2023, 403. DOI:10.1016/j.jclepro.2023.136879 |
| [47] |
杨俊, 尼霞次仁, 布多, 等. 西藏高原主要城市臭氧浓度时空分布特征分析[J]. 环境生态学, 2021, 3(9): 13-21. Yang J, Nixia C R, Bu D, et al. Analysis of temporal and spatial distribution characteristics of ozone concentration in major cities on the Tibetan Plateau[J]. Environmental Ecology, 2021, 3(9): 13-21. |
| [48] | Li C Y, Hao J S, Zhang G T, et al. Runoff variations affected by climate change and human activities in Yarlung Zangbo River, southeastern Tibetan Plateau[J]. CATENA, 2023, 230. DOI:10.1016/j.catena.2023.107184 |
| [49] |
张瑞芳, 刘偲嘉, 于兴娜, 等. 西北地区气溶胶光学特性的时空变化特征[J]. 环境科学学报, 2021, 41(2): 334-342. Zhang R F, Liu S J, Yu X N, et al. Spatio-temporal distribution and variation characteristics of aerosol optical properties over the Northwest of China[J]. Acta Scientiae Circumstantiae, 2021, 41(2): 334-342. |
| [50] | Wu G C, Zhao R Z, Ma Z S, et al. The hourly precipitation intensity and frequency in the Yarlung Zangbo river basin in China during last decade[J]. Meteorology and Atmospheric Physics, 2020, 132(6): 899-907. |
| [51] | Niu Q K, Liu L, Heng J X, et al. A multi-index evaluation of drought characteristics in the Yarlung Zangbo River Basin of Tibetan Plateau, Southwest China[J]. Frontiers in Earth Science, 2020, 8. DOI:10.3389/feart.2020.00213 |
| [52] | Zhang Q, Fan K K, Singh V P, et al. Is Himalayan-Tibetan Plateau "drying"? Historical estimations and future trends of surface soil moisture[J]. Science of the Total Environment, 2019, 658. DOI:10.1016/j.scitotenv.2018.12.209 |
| [53] | Du H Q, Fan Y W, Luo L H, et al. Identification of natural and anthropogenic sources and the effects of climatic fluctuations and land use changes on dust emissions variations in the Qinghai-Tibetan Plateau[J]. Agricultural and Forest Meteorology, 2023, 340. DOI:10.1016/j.agrformet.2023.109628 |