2021, Vol. 42
2. 西北大学陕西省地表系统与环境承载力重点实验室, 西安 710127;
3. 西北大学陕西西安城市生态系统定位观测研究站, 西安 710127
, WANG Xu-hong1,2,3
, ZHANG Xiu1,2,3 , HU Gui-gui1,2 , LIANG Xiu-juan1,2,3 , NIU Lin-zhi1,2,3 , HAN Hai-qing1,2,3
2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Northwest University, Xi'an 710127, China;
3. Shaanxi Xi'an Urban Forest Ecosystem Research Station, Northwest University, Xi'an 710127, China
大气气溶胶是指悬浮于空气中的气态或固态微粒, 其尺度范围大约在0.001~10 μm之间, 可分为人为源和自然源[1].大气中气溶胶含量虽少, 但却对人体健康、气候变化和大气物理化学过程有重要作用[2, 3].气溶胶对太阳辐射的多次吸收改变了地面吸收太阳辐射能量, 同时气溶胶作为云的凝结核, 改变了云的辐射特性和变化周期[4], 间接影响了局地气候.由于大气气溶胶短暂的生命周期以及物理和化学特征的高度时空可变性[5], 气溶胶辐射强迫作用有较大的不确定性, 是目前造成地气总净辐射强迫估计值和预测气候变化不确定性的主要原因之一[6, 7], 其时空分布特征、辐射强迫和气候效应对于研究全球、区域气候特征和变化有着重要的意义[8], 因此大气气溶胶越来越成为研究的难点和热点.
气溶胶光学厚度(aerosol optical depth, AOD)是描述地球大气系统中气溶胶光学特性的重要参数之一, 主要用来描述气溶胶对光的消减作用, 反映了大气的污染程度, 预示着空气质量.目前气溶胶光学厚度的遥感研究方法主要包括地基站点量测和卫星遥感观测这2种.地基站点量测是获取AOD最精确和最直接的方式, 但地面监测太阳光度计运行成本高、站点分布不均匀且空间连续性差, 无法满足区域性AOD监测和反演的要求.卫星遥感因实时性、连续性、覆盖范围广和可获得性等优点, 为气溶胶的反演和应用提供了有效的数据源, 因而受到越来越多的重视, 特别是随着遥感技术和数据处理方法的不断完善, 使得实时和动态地获取不同时空尺度上气溶胶光学特性成为可能.随着卫星遥感应用的不断深入, 学者们提出并发展了多种AOD反演算法, 包括暗目标算法(dark target, DT)[9]、结构函数法[10]、偏振特性遥感法[11]、云顶AOD法[12]和深蓝算法(deep blue, DB)[13, 14].然而, 这些算法都有特定的使用条件和研究区域, 且大多数算法对高反射率目标区域适用性较差, 针对亮地表的陆地气溶胶反演, DB算法已成功应用于撒哈拉沙漠、阿拉伯半岛等干旱和半干旱地区[15], 该算法基于特定时期内地表反射率不变或者变化不大的假设前提, 利用事先建立的地表反射率数据库来实现AOD的反演.为了提高反射率且结构复杂的城市区域AOD反演效果, 学者们对DB算法不断完善和发展, 提出了不同的地表数据集构建方法, 现已被应用于中高分辨率遥感气溶胶光学厚度的反演中, 成为高反射率且地表结构复杂的小范围区域AOD反演的重要方法[15, 16], 极大提高了AOD的反演精度.
MODIS气溶胶产品数据因其长时间序列、高时间分辨率、可靠数据精度、产品类型多、反演算法多样且针对性较强等优势而得到广泛应用[17~21], 该产品对大范围区域内气溶胶光学特征的描述有一定意义, 但由于卫星空间分辨率低, 对小范围小区域且地表复杂区域的AOD反演存在细节描述较差等问题[22, 23].基于此, 学者们提出并不断完善中高分辨率遥感卫星AOD反演方法, 其中Landsat系列数据因其空间分辨率高、时间序列较长, 而得到广泛应用[22~24].从国内的研究来看, 基于Landsat卫星影像, 利用深蓝算法的城市地区高分辨AOD反演已经取得一定成果, 但大多数集中于对我国中东部发达城市, 在我国西部地区研究较少.
近些年, 我国的城市化水平不断提高, 城市化率从1998年的33.4%提高到2019年的60.6%, 年均增长为1.3个百分点(http://data.stats.gov.cn), 到2018年底, 我国城市建成区面积是1998年的2.7倍[25].随着城市化进程的不断加速, 大气颗粒物逐渐成为影响城市环境的首要污染物, 灰霾天气频发, 呈现出多发性、严重化、区域化等诸多特点, 城市污染已由点源污染演变为区域污染, 导致了生物多样性减少、城市热岛等一系列的环境问题.特别是受工业化的影响而导致的能源消耗和排放剧增, 大量的工业废气、汽车尾气、建筑扬尘的排放给城市生态环境带来威胁, 因此定量探究城市化背景下AOD时空变化, 对城市化进程中城市生态环境建设具有重要的意义.基于此, 本文首先利用2000~2019年典型年份的MOD09A1数据, 构建500 m月尺度的蓝光波段地表反射率数据集, 分析不同地物在Landsat TM/OLI传感器蓝波段和MODIS传感器蓝光波段的光谱响应差异, 实现波段修正.然后, 使用Landsat系列影像和DB算法对关中盆地主要城市群在内的区域AOD进行反演估计, 基于经验正交函数分析模型(empirical orthogonal function, EOF)对研究区AOD时空分布格局和变化趋势进行分析.最后, 通过定量分析AOD和研究区人口密度、不透水面覆盖率以及工业POI密度之间的相关性, 揭示城市化背景下AOD时空变化的主要影响因素.
1 材料与方法 1.1 研究区概况研究区位于关中盆地腹地, 地理位置为107.68°~109.89°E, 33.74°~35.50°N, 是陕西省重要的工业基地.地形条件复杂, 北临黄土高原沟壑区, 中部为渭河平原, 南部为秦岭山脉, 海拔介于208~3537m之间.随着工业迅速发展、城市化过程的不断加速, 研究区人为污染排放源(如煤炭化石燃烧、工业废气和汽车尾气等)不断增加, 对城市公共健康和城市生态环境造成很大的影响.此外, 西窄、东宽和南北高的特殊喇叭口状地形阻隔了污染物的扩散, 加之关中城市群年静风频率很高, 全年主导风向为东北风, 特殊地形和不利的气象条件影响下, 气溶胶扩散条件差, 扩散动力弱, 从而导致重雾-霾天气频发[26], 已成为我国雾-霾日数最多的地区之一[27].研究区范围内的主要区县共34个, 包括西安市全部区县、咸阳市全部区县、渭南市的临渭区、富平县和蒲城县、铜川市的耀州区、王益区和印台区, 见图 1.
|
图 1 研究区概况示意 Fig. 1 Overview map of the study area |
Landsat系列数据来自USGS官网(http://www.usgs.gov/), 空间分辨率为30 m.分别下载研究区2000、2005和2010年的Landsat TM以及2015年和2019年的Landsat OLI晴空优质影像数据(表 1).对于影像出现缺失的月份, 采用前后1 a的影像予以补充[15](2000年数据缺失严重, 采用后两年的予以补充), 确保每个月尽量有一景影像.对其进行预处理后用于AOD的反演.
|
表 1 气溶胶反演采用的Landsat TM/OLI数据 Table 1 Landsat TM/OLI images used for AOD retrieval |
1.2.2 MOD09A1数据
MOD09A1地表反射率产品数据来自NOAA官网(https://ladsweb.nascom.nasa.govarch/), 下载研究区2000~2019年的MOD09A1地表反射率产品数据, 基于绝大部分地物在短时间内地表反射率保持不变的特点, 采用最小值合成法获取500m分辨率蓝光波段最小值地表反射率月产品数据集, 通过波段修正来构建Landsat系列数据蓝光波段真实地表反射率数据集, 该方法可以有效地消除云的影响[15].
1.2.3 MOD04_L2产品数据MODIS C6.1版MOD04_L2气溶胶产品数据来自NOAA官网(https://ladsweb.nascom.nasa.govarch/), 分辨率为10 km, 该产品提供了基于DT算法、DB算法和暗像元-深蓝算法相融合的3种日产品AOD数据, 下载与Landsat卫星过境时间相同的MOD04_L2数据, 选择其中基于DB算法的AOD产品进行反演精度验证.
1.2.4 CE-318太阳光度计观测数据选取2个地面监测站点(西北大学和西安电子科技大学校内)CE-318太阳光度计的实测数据作为辅助数据, 对Landsat卫星DB算法反演的AOD数据进行验证.CE-318太阳光度计是一种自动跟踪扫描太阳辐射计, 主要用于反演计算大气透过率、气溶胶光学厚度和大气可降水量等.由于Landsat系列卫星反演结果为550 nm波段处的AOD, 而CE-318太阳光度计没有550 nm处AOD的直接观测结果, 为统一比较, 根据Ångström指数公式[28], 利用440 nm和670 nm处的地基观测数据计算获取太阳光度计在波长为550 nm处的AOD值, 计算公式为:
|
式中, τ(λ)为波长λ处AOD值, α为Ångström指数, β为大气浑浊度系数.
为降低时间尺度的影响, 对卫星过境前后30 min内实测AOD 550 nm地基观测结果进行平均[15].
1.2.5 气象数据气象数据采用GLDAS数据(https://disc.gsfc.nasa.gov/hydrology), 该数据是利用GLDAS与Noah相结合的空间分辨率为0.25°×0.25°的v2.1产品, 该数据已通过大量验证[29, 30], 可用于气象因子和AOD相关关系分析.
1.2.6 城市化相关数据选择能够表征城市化水平的相关数据, 包括人口数量(2005年仅有西安市各区县的人口数据)、不透水面面积和POI点数据(包括工厂POI、产业园POI和工业园POI).人口数据来自陕西省统计年鉴(http://tjj.shaanxi.gov.cn/)和各地级市的统计年鉴数据; 不透水面数据来自宫鹏等[31]提供的全球不透水面数据集(Global Artificial Impervious Areas, GAIA)(http://data.ess.tsinghua.edu.cn/), 空间分辨率为30 m, 该数据集给出了及时、准确的不透水面信息; POI数据通过百度地图API获取(http://lbsyun.baidu.com/); 以这些数据作为辅助数据来探讨城市化对AOD影响.
1.3 研究方法 1.3.1 基于Landsat TM/OLI数据的AOD反演由于暗像元算法等其他算法受地表反射率的限制, 无法满足对城市等高反射率复杂地表AOD研究.因此本文选用深蓝算法对关中盆地AOD进行估算, 详细AOD反演方法见文献[15].查找表构建和地表反射率确定这两部分是深蓝算法的关键步骤, 其中, 地表真实反射率的估算是影响AOD反演精度的核心步骤, 考虑到不同传感器的波谱响应函数存在差异, 参照田信鹏等[22]所使用的方法, 利用ENVI中自带的ASTER波谱数据库中的植被、土壤、岩石等不同典型地物的光谱曲线, 通过卷积运算模拟建立了MODIS和Landsat OLI及TM5蓝光波段光谱转换统计模型, 结果如图 2所示.
|
图 2 MODIS和Landsat系列卫星蓝光波段地表反射率线性回归分析 Fig. 2 Linear regression analysis of MODIS and Landsat OLI/TM5 blue band reflectance data |
从图 2中可以看出, MODIS与TM5、OLI传感器在蓝光波段的反射率存在一定的差异, TM5和OLI数据的反射率略大于MODIS产品, 回归分析结果表明得到的MODIS、OLI和TM5蓝波段地表反射率转换模型的拟合度都在99%以上, 两者具有较强的相关性.
1.3.2 经验正交函数分析方法经验正交函数分析方法(EOF)由Pearson提出[32], 20世纪50年代被Loren[33]引入气象学研究中, 现在已被地学相关的研究所广泛应用[34, 35].EOF分析方法是为了解释单独场的时空分布格局, 对分布不规则的要素场进行时空分解, 识别出主要的相互正交的空间分布型, 得到的各特征向量(空间模态和时间系数)相互正交, 其中特征向量在一定程度上可反映要素场的空间分布模式, 时间系数反映相应空间模态随时间的权重变化[36].
1.3.3 单因素方差分析方差分析是英国统计学家R.A.Fisher于1923年提出的一种统计方法, 单因素方差分析(one way ANOVA)是对单因素的实验结果进行分析, 其通过F值或P值检验某个因素对结果是否有显著性影响、影响的力度以及各来源变量对变异结果的贡献程度, 这种检验是对整体结果的验证.本文利用单因素方差分析方法来对城市化指示指标(常住人口密度、不透水面密度和POI密度)对AOD的影响程度进行量化, 采用Fisher最小显著性差异(LSD)方法检验不同等级城市化指标对应AOD的组间差异.
1.3.4 Pearson相关分析方法皮尔逊相关系数(Pearson correlation coefficient), 常被用来度量两个变量之间的相关性(线性相关), 其值介于-1~1之间, 其绝对值越大, 两个变量的相关性越大, 系数为0意味着两个变量之间无线性关系.本文利用Pearson相关分析方法来量化气象因子和城市化指示因子对AOD的影响程度.
2 结果与分析 2.1 精度验证由于关中盆地没有Aeronet站点分布, 利用卫星过境时间与CE-318太阳光度计实测、MOD04_L2过境时间重合的数据对反演结果进行精度验证(图 3).由图 3(a)和3(b)可知, AOD反演结果与两个地面监测站数据具有良好的相关性(R2分别为0.973和0.975), 且整体误差较小(RMSE分别为0.098和0.075).MODIS气溶胶产品数据(MOD04_L2)已得到广泛地应用和验证[37, 17~21], 将遥感影像反演AOD与MOD04_L2气溶胶产品数据进行反演对比发现两者结果整体变化趋势基本一致[R2=0.942, RMSE=0.084, 图 3(c)].无论是CE-318太阳光度计观测数据还是MOD04_L2数据, 都与Landsat系列数据反演AOD的趋势一致, 且参与对比验证的数据点多位于MODIS气溶胶产品的误差线范围内, 表明深蓝算法在研究区反演的AOD数据质量较为可信.
|
图 3 Landsat反演结果与CE-318太阳光度计观测值及MOD04产品对比结果 Fig. 3 Comparison between AOD retrieved from Landsat images, CE-318 solar photometer observations, and the MOD04 product |
整体来讲, 多年平均AOD的空间分布受海拔影响显著(图 4), 二者呈反相分布: 低海拔的关中盆地内AOD浓度普遍较高, 而高海拔的南北山脉AOD普遍较低, 盆地内部和南北山脉之间分界线明显, 且盆地内部和山脉之间AOD变化梯度较为平滑.AOD大于0.5的高值区离散分布于盆地腹地, 这些都是低海拔地区, 相较而言高海拔的北部山区和南部秦岭山脉的AOD浓度普遍偏低; 次高值和次低值区域分别以高值区和低值区为靶区随海拔梯度向外扩张, 表明地形对AOD的空间分布特征有显著影响.同时, 盆地内部工业较为发达区县的AOD普遍高于周围区县, 且高值中心与工业POI点位分布较为吻合, 表明AOD空间分布受局地排放源的影响也很大.此外, 在西安市中心新城区、碑林区和莲湖区AOD值较低, 这可能是因为这些区县属于建成区, 建筑扬尘排放很少, 且这些区域污染工厂分布较少, 工业污染物排放源较少, 这种分布特征和研究区城市规划发展战略相吻合.
|
图 4 多年平均AOD空间分布 Fig. 4 Spatial distribution of multi-year mean AOD |
由图 5可知, 2000~2019年年均AOD空间分布呈现明显的区域差异性.人类活动较少的且海拔较高的北山山系和南部秦岭山脉AOD值变化较小, 且一直为AOD的低值中心; 而在经济发展较快, 人口密度大的盆地内部AOD值变化很明显, 表明地形和人类活动对AOD空间分布的影响极为显著.从2000~2019年AOD高值区域逐渐南移, 进一步说明了关中城市群快速扩张、工业快速发展等所产生的建筑扬尘、工厂废气和汽车尾气等局地人为污染物排放源对AOD分布特征的影响.同时通过与研究区矢量数据和POI点位数据的叠加分析发现, 咸阳市渭城区是污染较为严重的区域, 常年AOD居于高值, 这主要是由于渭城区地处关中-天水经济区和西咸新区的核心区, 经济发展较快, 工业污染源点位多, 加之在常年主导风向的影响下, 北部黄土高原扬沙和扬尘以及周围区县工业污染物的排放、扩散和输送使得渭城区成为气溶胶受体区域, 进一步加剧了该区域的污染程度.其中西安咸阳国际机场一直为渭城区AOD高值中心, 对渭城区AOD的贡献最大, 主要是机场内大量的尾气的排放加之巨大的客流量都使得该区域成为AOD高值的集中区域, 这进一步说明了人类活动对AOD变化的影响.此外, 在盆地内部东部AOD稍大于西部, 且在东部城市AOD的变化幅度和年际空间差异性更大, 这可能是因为这些区域是煤炭和钢铁等重型工业的集中分布区域且关中盆地东部为整个关中城市群污染物以及陕北沙尘向下输送的通道, 在西风带环流和秦岭山脉的共同影响下成为自然源大粒子和人为源细粒子的汇集区[38].
|
图 5 典型年份年均AOD空间分布 Fig. 5 Spatial distribution of annual average AOD in typical years |
整体来看, 研究区不同季节AOD的空间分布与大尺度地形分布特征相吻合, 但AOD呈现出明显的季节差异性(图 6), 均值排序为春季(0.34)>夏季(0.33)>秋季(0.23)>冬季(0.12).春季相较于其他三季, AOD值最高.这主要是由于研究区位于黄土高原下游地区, 春季温度回暖, 但地表植被覆盖低, 黄土高原西北地区冷气团活动形成扬沙甚至沙尘暴, 在大气环流作用下向关中地区输送[27, 39], 使得关中地区成为气溶胶的受体地区.夏季AOD浓度较高源于夏季的高温(表 2), 夏季AOD与气温呈显著正相关关系(P=0.55), 高温天气和丰富的水汽使得“气-粒”转换作用更易发生, 有助于气溶胶粒子的生长[40, 41].同时静风天气增加, 风速减弱, 且易出现逆温现象导致气溶胶扩散动力减弱, 使得大气污染物更易堆积[42]; 同时, 关中盆地是陕西省粮食作物的主要产区, 大量的焚烧秸秆加剧了气溶胶的载荷[43], 人类活动对AOD的影响逐渐突出; 但夏季降水增多, 降水量对AOD的冲刷沉降作用(P=-0.363)减弱一部分AOD, 使夏季AOD浓度低于春季.秋冬季AOD和气温、相对湿度呈显著正相关关系, 表明该季节AOD浓度空间分布受气温和湿度影响较大.冬季是研究区污染相对较严重的季节, 但冬季的AOD值偏低, 这可能是因为冬季边界层高度相对夏季偏低[44], 污染物相对夏季更集中于近地面, 且部分重度污染天气发生时天空云量相对较多, 卫星观测无法得到准确的光学厚度值[45]等原因造成的.
|
图 6 多年季均AOD空间分布 Fig. 6 Spatial distribution of AOD in different seasons |
|
|
表 2 AOD与气象因素的皮尔逊相关系数1) Table 2 The P values of significant differences of between AOD and meteorological factors |
2.3 AOD时间变化特征与分析
为进一步探究研究区年际、年度AOD季节分布特征和变化趋势, 利用箱体图对每个季节AOD值进行统计分析(图 7).
|
图 7 各年份季均AOD统计分析 Fig. 7 Statistical analysis of AOD in each season |
研究区年均AOD呈波动变化, 2000、2005、2010、2015和2019年年均AOD依次为0.29、0.36、0.21、0.19和0.29, 2000~2010年, AOD减小幅度最大, 2015~2019年AOD表现出增加态势, AOD增加幅度达到最大, 年际AOD增幅依次为24.14%、-41.67%、-9.52%和36.84%.
各年份AOD存在较大的季节差异性, 根据不同年份AOD的季节变化趋势, 可归为3种主要变化类型: 第一种为“倒V”型: 如2000年和2015年, 夏秋季AOD达到高峰, 秋季最高; 第二种为“一字”递减型, 如2005年和2010年, AOD呈逐渐减小趋势, AOD春季最高, 冬季最小且AOD空间差异性小; 第3种为“正V”型, 如2019年, 春冬两季达到高峰, 春季最高.同时, 2019年各个季节AOD均值最为接近, 变化幅度较之前明显减小, AOD季节差异最小.
从季节的变化趋势来看, 研究区夏季AOD在逐年减小, 这说明研究区夏季能见度逐渐变好, 这可能与近几年环境保护、植树护林、限行、排放规模管控等政策有一定的关系.2005年春天AOD值出现了异常高值, 平均值达到0.59, 较前后两个季节存在明显的差异, 这可能是由于秸秆焚烧、沙尘暴和短期污染控制等突变因素导致的[46].不同年份的春夏两季AOD置信区间和方差较其他季节更大, 说明夏季不同地区的AOD空间差异较大, 且高值区、低值区空间分布离散度较大.相较之下, 冬季AOD空间异质性最小, 且冬季AOD值较其他季节明显减小, 整个区域呈现低值聚类的状态, 这可能是由于冬季人类活动较少, 城区生产经济活动减少、雨雪量增加以及数据缺失严重等原因造成的.
2.4 基于EOF的AOD空间分布模式分析利用经验正交函数分解方法(EOF)将季均AOD分解成空间特征向量和时间系数.特征向量能够反映气溶胶光学厚度变化的空间分布特征, 特征向量的大小反映出气溶胶光学厚度的变化程度, 数值越大的地方是AOD变化的最敏感区域.时间系数作为特征向量的权重, 反映了不同时间AOD分布对该特征向量分布贡献的大小.由于前3个特征向量累计方差贡献率达到83.0%, 所以, 对前3个特征向量进行空间插值分析得到AOD的3种主要空间分布结构(图 8), 结合各特征向量对应的时间系数(图 9)来分析研究区AOD主要的空间分布模式.
|
图例表示AOD各EOF模态特征向量值的大小 图 8 AOD变化的EOF模态空间分布 Fig. 8 Spatial distribution of EOF mode of AOD changes |
|
灰色区域表示95%置信区间, 红色线条表示拟合曲线, 黑色线条表示时间系数值的大小 图 9 特征向量对应的时间系数 Fig. 9 Time coefficient corresponding to feature vectors |
EOF第一模态(PC1)的方差贡献率为74.0%, 远大于其余各模态的贡献率, 反映了AOD在研究区的主要模态特征.整体来看, PC1在空间上均为负值, 表明AOD空间变化呈现出区域一致性.同时, 特征向量空间分布与海拔变化梯度相吻合, 海拔越高的区域值越大, 高值中心在南部秦岭山脉, 关中盆地城市群为低值中心.时间系数有正有负并表现为倒“S”波浪形[图 9(a)], 表明AOD空间分布存在比较明显的年际变化.2000年和2005年时间系数大多为负值, 2005~2010年之间时间系数由负转正, 2010年之后时间系数主要为正值.随着季节更替, 2005年和2010年时间系数逐步增大, 2010年冬季时间系数达到最大, 说明在2005年和2010年不同海拔下的AOD变化差异随季节逐渐增大.时间系数为正的年份高海拔地区AOD变化明显, 低海拔地区AOD变化不明显, 时间系数为负的年份, 变化正好相反.随着时间的推移, 不同季节的时间系数波动范围变小, 表明不同海拔区域四季AOD空间变化的差异性逐渐变小, 进一步表明不同海拔下造成AOD变化的排放源类型逐渐趋于一致.
第二模态(PC2)的方差贡献率为5.1%.从空间分布上看, PC2模态以秦岭山脉为界, 大致呈现南北反相的分布特征, 高值中心集中分布在关中盆地中东部, 其他区域表现为多低值中心, 表明了AOD的第二模态空间分布差异大, 具有明显的地域差异性; 其时间系数在变化范围上要比PC1时间系数小, 时间系数曲线整体上呈“W”型下降趋势[图 9(b)], 2010年冬季之前时间系数以正值为主, 并伴有波动, 2010年冬季之后大多为负值.这说明2010年冬季之前关中盆地中东部AOD值较高, 其他地区AOD较低, 2010年冬季之后这一空间分布格局发生改变, AOD高值由关中盆地中东部转移到其他地区.时间系数为正的年份关中盆地中东部AOD较大, 其他地区AOD较小, 时间系数为负的年份, 空间分布正好相反.时间系数的变化趋势可以大致反映出关中盆地地域发展的差异性和独特性及其与南部秦岭山脉的差异性, 2010年之前以关中盆地中东部城市发展较为迅速, 2010年之后关中盆地中西部城市发展进程逐渐加快.
第三模态(PC3)的方差贡献率仅为3.9%, 是该研究区AOD特征的第三重要模态, 总体上呈现“西北-东南”相异的分布格局, 高值集中于该区域的东南方向, 表现为多高值中心, 特征值低值集中在西北方向, 该模态空间分布格局与城乡空间分布较吻合, 可以表明AOD在城区和非城区呈反相变化趋势.其时间系数较第一、第二模态波动范围更小[图 9(c)], 2015年之前时间系数小幅度正负波动, 2015年之后, 时间系数由负转正, 大多为正值, 这说明2015年之后主要呈现城区AOD较高, 非城区AOD较低的分布格局.时间系数为正的年份, 城区AOD较高, 非城区AOD较低, 时间系数为负的年份, 非城区AOD较高, 城区AOD较低.
3 AOD与城市化的关系 3.1 AOD城乡差异分析为分析AOD的城乡差异性, 选择GAIA城市边界数据对城区和非城区进行划分后, 分别计算各年份季均AOD值(图 10).可以看出: 除2005年春季和2010年冬季, 城区的AOD值均高于非城区, 这两个季节的城乡异常现象进一步说明了该时期异常人类活动或突发事件等偶然因素的存在.不同季节城乡AOD差异性较大, 季均AOD城乡差值排序为秋季(0.13)>夏季(0.09)>冬季(0.07)>春季(0.05).2000、2005、2010、2015和2019年年均AOD城乡差值依次为0.02、0.07、0.04、0.09和0.10, 表明AOD城乡差异整体上呈现逐年增大的趋势.
|
图 10 城区与非城区AOD变化 Fig. 10 AOD changes in urban and non-urban areas |
选取研究区各区县常住人口数、不透水面面积和POI数量作为城市化程度和城市发展的表征因子, 分析各因子时空分布及变化趋势.同时, 分别计算不同区县的人口密度、不透水面密度和POI密度来量化比较AOD与各因子间的相关关系, 揭示城市化对AOD的影响.常住人口数量是衡量城市化水平的一个重要指标, 通过对典型年份人口数的统计分析得出, 从2000~2019年, 34个区县中有21个区县人口数量呈正增长趋势, 其中人口增长最快的3个区县为雁塔区、未央区和灞桥区, 这3个区2019年人口数较2000年分别增长了54.81万、31.70万和18.32万人; 泾阳县等13个区县人口数量呈负增长趋势, 其中人口减少最多的依次为泾阳县、杨凌区和渭城区, 2019年人口数量较2000年分别减少了17.10万、15.68万和15.32万人.不透水面扩张对区域环境变化有着重要作用, 是衡量城市化程度的重要指标, 研究的34个区县2000年不透水面总面积为650.481 km2, 2018年增长到2 035.212 km2, 增加了1 384.732 km2, 年均增长率达到11.20%.由图 11(a)可以看出, 不透水面扩张以西安市北部、咸阳市南部的区县最为显著, 不同区县的不透水面扩张存在明显的差异.通过对34个区县POI点数量进行统计可以发现[图 11(b)], POI点以长安区、鄠邑区、秦都区分布较多, 中部和南部各区县较北部区县POI点较多, 这主要受益于更有优势的区位条件以及便利的交通条件.
|
图 11 各研究区县不透水面扩张和POI点空间分布 Fig. 11 Spatial distribution of impervious surface expansion and POI points in each study district |
分别计算34个区县的人口密度、不透水面密度和POI密度, 分别将它们分为5个等级, 进一步计算不同的因子等级与AOD值之间的相关性(图 12), 分析各因子对AOD的影响程度.为保证每一等级至少包含两个区县数据, 采用平均分配的方式进行等级划分, 每个等级的区县个数分别为7、7、7、7和6个.人口密度分为: 0~0.027、0.027~0.045、0.045~0.08、0.08~0.271和0.271~2.79万人·km-2; 不透水面密度分为0~0.005、0.005~0.012、0.012~0.036、0.036~0.34和0.34~1; POI密度划分以下等级: 0~0.01、0.01~0.028、0.028~0.09、0.09~0.27和0.27~0.63个·km-2.
|
图 12 AOD与人口密度、不透水面密度和POI密度的相关性 Fig. 12 Correlation between AOD, population density, impervious surface density, and POI density |
采用单因素方差分析分别对上述多个城市组进行比较, 采用Fisher最小显著性差异检验组间差异.采用Pearson相关分析方法对AOD与城市化指标(人口密度、不透水面密度和POI密度)进行相关分析, 探讨城市化对AOD的影响.通过相关分析发现, 人口密度和AOD呈现显著的正相关关系[R2=0.707, P < 0.05, 图 12(a)], 且不同人口密度组的AOD之间存在显著差异性(F=7.676, P=0.000), 比如人口密度为0~0.027和0.027~0.045组别的AOD明显小于人口密度后3个组别的AOD.不透水面密度和AOD也呈现显著的正相关关系[R2=0.377, P < 0.05, 图 12(b)], 并且在不同等级不透水面分组中存在显著的差异(F=3.333, P=0.023), 不透水面密度范围在0~0.005的AOD组别明显小于不透水面密度后3个组别的AOD, 不透水面密度为0.005~0.012组别的AOD明显小于范围在0.012~0.036和0.036~0.340的组别.AOD和POI密度呈现一定的正相关关系[R2=0.727, P < 0.5, 图 12(c)], 但不同POI密度等级间AOD没有明显的差别(F=1.697, P=0.178).
4 结论(1) 多年平均AOD空间分布受地形和人类活动的影响显著, 低海拔且人类活动强度大的关中盆地腹地AOD值较高, 而高海拔且人口密度低的南北山脉AOD值较低, AOD大于0.5的高值区离散分布于盆地腹地且与工业POI点位分布较为吻合.2000~2019年研究区腹部变化程度高于南北山脉, 且AOD高值区域逐渐南移.研究区AOD呈现出明显的季节差异性: 春季>夏季>秋季>冬季, 且夏季AOD的空间差异最大.
(2) 年均AOD呈波动变化, 2005年AOD取得最大值, 2000~2010年, AOD减小幅度最大(-41.67%), 2015~2019年AOD表现出增加态势, AOD增加幅度达到最大(36.84%).相较而言春夏两季AOD空间异质性大, 且夏季AOD逐年减小, 而冬季多呈现AOD低值聚集的状态.
(3) 对季均AOD进行EOF分解得到前3个主要分量, 累计贡献率达到83.0%, 反映出了研究区AOD的3种主要的空间变化模态.第一模态表明, AOD空间变化整体上呈现一致性特点, 特征向量空间分布与海拔梯度一致, 反映了不同海拔下AOD变化程度的差异.时间系数的减小说明了不同海拔下四季AOD空间变化的差异性逐渐变小; 第二模态以秦岭山脉为界, 大致呈现南北反相的分布特点, 高值中心集中分布在关中盆地中东部, 其他区域表现为多低值中心, 时间系数的变化反映出关中盆地地域发展的独特性和与南部秦岭山区的差异性; 第三模态呈现“西北-东南”相异的分布特点, 空间分布格局与城乡空间分布接近, 可以表明AOD在城区和非城区呈现的反相变化趋势.
(4) 研究区AOD和人口密度、不透水面密度呈现显著正相关关系, 且不同人口密度或不透水面密度等级AOD之间存在显著差异性; POI点密度和AOD呈现一定的正相关关系, 但不同POI密度组间的AOD无明显差别.
| [1] |
王贺, 曹念文, 王鹏, 等. 南京地区大气气溶胶综合观测与对比分析[J]. 遥感学报, 2017, 21(1): 125-135. Wang H, Cao N W, Wang P, et al. Aerosol comprehensive observation and analysis in Nanjing area[J]. Journal of Remote Sensing, 2017, 21(1): 125-135. |
| [2] | Haywood J, Boucher O. Estimates of the direct and indirect radiative forcing due to tropospheric aerosols: a review[J]. Reviews of Geophysics, 2000, 38(4): 513-543. DOI:10.1029/1999RG000078 |
| [3] | Scott C E, Arnold S R, Monks S A, et al. Substantial large-scale feedbacks between natural aerosols and climate[J]. Nature Geoscience, 2018, 11: 44-48. DOI:10.1038/s41561-017-0020-5 |
| [4] | Kaufman Y J, Nakajima T. Effect of Amazon smoke on cloud microphysics and albedo-analysis from satellite Imagery[J]. Journal of Applied Meteorology and Climatology, 1993, 32(4): 729-744. DOI:10.1175/1520-0450(1993)032<0729:EOASOC>2.0.CO;2 |
| [5] | Deng X L, Shi C E, Wu B W, et al. Analysis of aerosol characteristics and their relationships with meteorological parameters over Anhui Province in China[J]. Atmospheric Research, 2012, 109-110: 52-63. DOI:10.1016/j.atmosres.2012.02.011 |
| [6] |
葛邦宇, 杨磊库, 陈兴峰, 等. 暗目标法的Himawari-8静止卫星数据气溶胶反演[J]. 遥感学报, 2018, 22(1): 38-50. Ge B Y, Yang L K, Chen X F, et al. Study on aerosol optical depth retrieval over land from Himawari-8 data based on dark target method[J]. Journal of Remote Sensing, 2018, 22(1): 38-50. |
| [7] | Wu J S, Liang J T, Zhou L G, et al. Impacts of AOD correction and spatial scale on the correlation between high-resolution AOD from Gaofen-1 satellite and in situ PM25 measurements in Shenzhen city, China[J]. Remote Sensing, 2019, 11(19). DOI:10.3390/rs11192223 |
| [8] | He Q Q, Gu Y F, Zhang M. Spatiotemporal patterns of aerosol optical depth throughout China from 2003 to 2016[J]. Science of the Total Environment, 2019, 653: 23-35. DOI:10.1016/j.scitotenv.2018.10.307 |
| [9] | Kaufman Y J, Tanré D, Remer L A, et al. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectroradiometer[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D14): 17051-17067. DOI:10.1029/96JD03988 |
| [10] | Tanre D, Deschamps P Y, Devaux C, et al. Estimation of Saharan aerosol optical thickness from blurring effects in thematic mapper data[J]. Journal of Geophysical Research: Atmospheres, 1988, 93(D12): 15955-15964. DOI:10.1029/JD093iD12p15955 |
| [11] | Deuzé J L, Bréon F M, Devaux C, et al. Remote sensing of aerosols over land surfaces from POLDER-ADEOS-1 polarized measurements[J]. Journal of Geophysical Research: Atmospheres, 2001, 106(D5): 4913-4926. DOI:10.1029/2000JD900364 |
| [12] | Waquet F, Riedi J, Labonnote L C, et al. Aerosol remote sensing over clouds using a-train observations[J]. Journal of the Atmospheric Sciences, 2008, 66(8): 2468-2480. |
| [13] | Hsu N C, Tsay S C, King M D, et al. Aerosol properties over bright-reflecting source regions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3): 557-569. DOI:10.1109/TGRS.2004.824067 |
| [14] | Hsu N C, Jeong M J, Bettenhausen C, et al. Enhanced deep blue aerosol retrieval algorithm: the second generation[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(16): 9296-9315. DOI:10.1002/jgrd.50712 |
| [15] |
陈香月, 丁建丽, 王敬哲, 等. 艾比湖流域气溶胶光学厚度时空演变及影响因素[J]. 环境科学, 2019, 40(11): 4824-4832. Chen X Y, Ding J L, Wang J Z, et al. Spatiotemporal evolution and driving mechanism of aerosol optical depth in the Ebinur Lake basin[J]. Environmental Science, 2019, 40(11): 4824-4832. |
| [16] |
王中挺, 厉青, 王桥, 等. 利用深蓝算法从HJ-1数据反演陆地气溶胶[J]. 遥感学报, 2012, 16(3): 596-610. Wang Z T, Li Q, Wang Q, et al. HJ-1 terrestrial aerosol data retrieval using deep blue algorithm[J]. Journal of Remote Sensing, 2012, 16(3): 596-610. |
| [17] |
张瑞芳, 于兴娜. 河南省气溶胶光学特性的时空变化特征[J]. 环境科学, 2020, 41(2): 600-608. Zhang R F, Yu X N. Spatio-temporal distribution and variation characteristics of aerosol optical properties in Henan Province[J]. Environmental Science, 2020, 41(2): 600-608. DOI:10.3969/j.issn.1000-6923.2020.02.016 |
| [18] | Filonchyk M, Yan H W, Zhang Z R. Analysis of spatial and temporal variability of aerosol optical depth over China using MODIS combined dark target and deep blue product[J]. Theoretical and Applied Climatology, 2019, 137(3-4): 2271-2288. DOI:10.1007/s00704-018-2737-5 |
| [19] | Wei J, Peng Y R, Guo J P, et al. Performance of MODIS Collection 6.1 Level 3 aerosol products in spatial-temporal variations over land[J]. Atmospheric Environment, 2019, 206: 30-44. DOI:10.1016/j.atmosenv.2019.03.001 |
| [20] |
胡俊, 亢燕铭, 陈勇航, 等. 基于MODIS_C006的乌鲁木齐10年气溶胶光学厚度变化特征[J]. 环境科学, 2018, 39(8): 3563-3570. Hu J, Kang Y M, Chen Y H, et al. Analysis of aerosol optical depth variation characteristics for 10 years in Urumqi based on MODIS_C006[J]. Environmental Science, 2018, 39(8): 3563-3570. |
| [21] |
赵仕伟, 高晓清. 利用MODIS C6数据分析中国西北地区气溶胶光学厚度时空变化特征[J]. 环境科学, 2017, 38(7): 2637-2646. Zhao S W, Gao X Q. Analysis of spatio-temporal distribution and variation characteristics of aerosol optical depth over the northwest of China by MODIS C6 product[J]. Environmental Science, 2017, 38(7): 2637-2646. |
| [22] |
田信鹏, 孙林, 刘强, 等. 北京地区Landsat 8 OLI高空间分辨率气溶胶光学厚度反演[J]. 遥感学报, 2018, 22(1): 51-63. Tian X P, Sun L, Liu Q, et al. Retrieval of high-resolution aerosol optical depth using Landsat 8 OLI data over Beijing[J]. Journal of Remote Sensing, 2018, 22(1): 51-63. |
| [23] |
姜晓晨, 邓正栋, 王大庆, 等. 基于Landsat 8 OLI可见光波段反演陆地气溶胶光学厚度[J]. 红外技术, 2019, 41(6): 527-534. Jiang X C, Deng Z D, Wang D Q, et al. Aerosol optical depth retrieval over land based on Landsat 8 OLI visible bands imagery[J]. Infrared Technology, 2019, 41(6): 527-534. |
| [24] | Sun K, Chen X L, Zhu Z M, et al. High resolution aerosol optical depth retrieval using Gaofen-1 WFV camera data[J]. Remote Sensing, 2017, 9(1). DOI:10.3390/rs11192223 |
| [25] | Wei K, Ouyang C J, Duan H T, et al. Reflections on the Catastrophic 2020 Yangtze River Basin Flooding in Southern China[J]. The Innovation, 2020, 1(2). DOI:10.1016/j.xinn.2020.100038 |
| [26] |
王钊, 彭艳, 车慧正, 等. 近10年关中盆地MODIS气溶胶的时空变化特征[J]. 高原气象, 2013, 32(1): 234-242. Wang Z, Peng Y, Che H Z, et al. Analyses on spatial and temporal characteristics of AOD in Guanzhong region of Shaanxi Province using long term MODIS data[J]. Plateau Meteorology, 2013, 32(1): 234-242. |
| [27] | Bei N F, Zhao L N, Xiao B, et al. Impacts of local circulations on the wintertime air pollution in the Guanzhong Basin, China[J]. Science of the Total Environment, 2017, 592: 373-390. DOI:10.1016/j.scitotenv.2017.02.151 |
| [28] | Ångström A. The parameters of atmospheric turbidity[J]. Tellus, 1964, 16(1): 64-75. DOI:10.3402/tellusa.v16i1.8885 |
| [29] |
邓明珊, 孟宪红, 马英赛, 等. 基于GLDAS产品的青藏高原土壤湿度特征分析[J]. 干旱气象, 2018, 36(4): 595-602. Deng M S, Meng X H, Ma Y S, et al. Analysis on soil moisture characteristics of Tibetan Plateau based on GLDAS[J]. Journal of Arid Meteorology, 2018, 36(4): 595-602. |
| [30] |
牛林芝, 王旭红, 韩海青, 等. 中亚五国气溶胶光学厚度时空分布特征研究[J]. 环境科学学报, 2021, 41(2): 321-333. Niu L Z, Wang X H, Han H Q, et al. Spatiotemporal distribution of aerosol optical depth in the five Central Asian countries[J]. Acta Scientiae Circumstantiae, 2021, 41(2): 321-333. |
| [31] | Liu H, Gong P, Wang J, et al. Annual dynamics of global land cover and its long-term changes from 1982 to 2015[J]. Earth System Science Data, 2020, 12(2): 1217-1243. DOI:10.5194/essd-12-1217-2020 |
| [32] | Pearson K. LⅢ. On lines and planes of closest fit to systems of points in space[J]. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 1901, 2(11): 559-572. DOI:10.1080/14786440109462720 |
| [33] | Lorenz E N. Empirical orthogonal functions and statistical weather prediction[R]. Science Report 1, Statistical Forecasting Project, Massachusetts: Department of Meteorology, 1956. 1-49. |
| [34] |
敖雪, 翟晴飞, 崔妍, 等. 基于EOF分解的辽宁省城市化气候效应检测[J]. 地理科学进展, 2020, 39(9): 1532-1543. Ao X, Zhai Q F, Cui Y, et al. Detection of urbanization effect on the climate change in Liaoning Province based on empirical orthogonal function methods[J]. Progress in Geography, 2020, 39(9): 1532-1543. |
| [35] |
张丽亚, 周伟东, 吴涧. 1980~2013年华东小雨减少及其主要影响因子分析[J]. 大气科学, 2019, 43(5): 1005-1018. Zhang L Y, Zhou W D, Wu J. Analysis of climatic factors influencing the decrease in light rain over Eastern China[J]. Chinese Journal of Atmospheric Sciences, 2019, 43(5): 1005-1018. |
| [36] |
沈国强, 郑海峰, 雷振锋. 基于SPEI指数的1961-2014年东北地区气象干旱时空特征研究[J]. 生态学报, 2017, 37(17): 5882-5893. Shen G Q, Zheng H F, Lei Z F. Spatiotemporal analysis of meteorological drought (1961-2014) in Northeast China using a standardized precipitation evapotranspiration index[J]. Acta Ecologica Sinica, 2017, 37(17): 5882-5893. |
| [37] | Zhao C, Liu Z R, Wang Q, et al. High-resolution daily AOD estimated to full coverage using the random forest model approach in the Beijing-Tianjin-Hebei region[J]. Atmospheric Environment, 2019, 203: 70-78. DOI:10.1016/j.atmosenv.2019.01.045 |
| [38] |
王钊, 彭艳, 张树誉. MODIS资料反演AOD及其在区域大气污染监测中的应用[J]. 高原气象, 2008, 27(4): 911-917. Wang Z, Peng Y, Zhang S Y. Retrieval of aerosol optical depth over Shaanxi using MODIS data and it's application to an aerosol pollution event[J]. Plateau Meteorology, 2008, 27(4): 911-917. |
| [39] |
董自鹏, 李星敏, 杜川利, 等. 西安地区气溶胶光学特性研究[J]. 高原气象, 2013, 32(3): 856-864. Dong Z P, Li X M, Du C L, et al. Study on aerosol optical property in Xi'an region[J]. Plateau Meteorology, 2013, 32(3): 856-864. |
| [40] |
吴萍, 丁一汇, 柳艳菊, 等. 中国中东部冬季霾日的形成与东亚冬季风和大气湿度的关系[J]. 气象学报, 2016, 74(3): 352-366. Wu P, Ding Y H, Liu Y J, et al. Influence of the East Asian winter monsoon and atmospheric humidity on the winter time haze frequency over central-eastern China[J]. Acta Meteorologica Sinica, 2016, 74(3): 352-366. |
| [41] |
刘海知, 郭海燕, 马振峰, 等. 2001~2017年全国气溶胶光学厚度时空分布及变化趋势[J]. 环境科学, 2019, 40(9): 3886-3897. Liu H Z, Guo H Y, Ma Z F, et al. Temporal-spatial characteristics and variability in aerosol optical depth over China during 2001-2017[J]. Environmental Science, 2019, 40(9): 3886-3897. |
| [42] | Wei N, Wang N L, Huang X, et al. The effects of terrain and atmospheric dynamics on cold season heavy haze in the Guanzhong Basin of China[J]. Atmospheric Pollution Research, 2020, 11(10): 1805-1819. DOI:10.1016/j.apr.2020.07.007 |
| [43] |
董自鹏, 余兴, 李星敏, 等. 基于MODIS数据的陕西省气溶胶光学厚度变化趋势与成因分析[J]. 科学通报, 2013, 58(3): 306-316. Dong Z P, Yu X, Li X M, et al. Analysis of variation trends and causes of aerosol optical depth in Shaanxi Province using MODIS data[J]. Chinese Science Bulletin, 2013, 58(35): 4486-4496. |
| [44] |
杜川利, 唐晓, 李星敏, 等. 城市边界层高度变化特征与颗粒物浓度影响分析[J]. 高原气象, 2014, 33(5): 1383-1392. Du C L, Tang X, Li X M, et al. Calculations of planetary boundary layer height and its relationship with particle size concentration in Xi'an city[J]. Plateau Meteorology, 2014, 33(5): 1383-1392. |
| [45] |
彭艳. 关中盆地气溶胶变化特征及其与气象因子关系[D]. 西安: 中国科学院地球环境研究所, 2017. Peng Y. The characteristics of aerosol particles and their interactions with meteorological parameters in the Guanzhong Basin of China[D]. Xi'an: Institute of Earth Environment, Chinese Academy of Sciences, 2017. |
| [46] |
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 Circumstantiae, 2018, 38(8): 3177-3184. |