2022, Vol. 43
2. 华东师范大学地理信息科学教育部重点实验室, 上海 200241
2. Key Laboratory of Geographic Information Science, Ministry of Education, East China Normal University, Shanghai 200241, China
大气气溶胶是由大气介质和混合于其中的固体或液体颗粒组成的体系, 影响着大气中发生的许多物理化学过程[1].气溶胶粒子不仅可以直接或间接影响地-气系统的辐射平衡, 进而影响气候变化[2]; 也会导致大气能见度的降低和空气质量下降[3], 从而对人体健康产生极大的威胁[4].
由于技术的局限, 现阶段近地面PM2.5数据空间范围不连续, 空间代表性差[5], 卫星遥感监测PM2.5也存在难度[6], 难以获得大区域内较为准确的PM2.5浓度信息[7].可以利用气溶胶光学厚度替代PM2.5作为监测大气环境质量的指标[8].气溶胶光学厚度是描述地球大气系统中气溶胶光学性质的重要参数之一, 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[9].目前, 地基站点测量和卫星遥感观测是获取气溶胶光学厚度的两种重要手段[10].地基站点观测是获取气溶胶光学厚度(aerosol optical depth, AOD)最精确和最直接的方式, 但由于气溶胶在时间和空间上的分布具有差异性[11], 地基站点观测只能代表站点及站点周边较小空间范围内的AOD特征, 在较大尺度上其空间代表性较差, 而且地基观测站点难以连续覆盖全球范围.卫星遥感具有连续、动态、宏观和快速的优势[12], 为气溶胶的反演和应用提供了有效的数据源, 成为近年来的研究热点.
迄今为止, 很多学者基于卫星遥感开展了大量大气污染特征方面的研究工作[13], 其中, 中国区域的AOD污染也有众多学者进行了关注, 这些关于AOD时空特征的研究区域大部分集中于国内的一些特定区域, 如塔克拉玛干沙漠和泛长江三角洲地区等[14]. Si等[15]利用2006~2015年MODIS AOD数据研究了华北区域的AOD时空特征和影响因素, 但只考虑了NO2和SO2等大气污染物与AOD的关系, 未考虑气象条件及人为活动的影响, 并且只建立了AOD与NO2和SO2之间的散点图来检验它们的关系.Qin等[16]的研究分析了国内人为气溶胶排放、社会经济因素、土地利用和土地覆盖变化对AOD的影响, 也未考虑气象因素对AOD的影响.Li等[17]的研究探讨了自然因素和人为因素对我国新疆地区AOD的影响, 但选取的自然因素较少, 仅包括温度、降水量和日照时数, 也未将污染物排放作为AOD的影响因素.基于此, 本文综合气象、污染物排放、植被、地形和社会经济等多种因素, 定性分析各影响因素对AOD的贡献, 以期更好地了解AOD的时空变化特征及影响机制.
为切实改善空气质量, 我国于2013年发布《大气污染防治行动计划》, 其将京津冀地区作为空气质量治理改善的重点区域.为评价该计划实施效果, 本文选取2013~2019年VIIRS (visible infrared imaging radiometer suite) IP (intermediate product) AOD数据, 分析该政策实行后华北平原AOD的时空变化规律, 并揭示AOD时空变化规律背后的AOD影响机制.本研究目的是: ①探究华北平原2013~2019年AOD的时间变化趋势及空间分布特征; ②分析气象、污染物排放、植被、地形及社会经济因素对各个代表城市AOD的影响和贡献; ③对比分析并揭示不同城市不同AOD时空变化特征背后AOD影响因素的异同.
1 材料与方法 1.1 研究区域中国华北平原位于33°~42°N, 112°~120°E(图 1), 覆盖北京、天津、河北、山西、山东和河南这6个人口密集和工业发达的省市.华北平原地形平坦, 分布河流众多, 属于温带季风气候, 四季变化明显.根据文献[18]的统计数据, 华北平原的面积仅占全国5.63%, 却贡献了全国GDP(gross domestic product)的23%, 承载着全国24.75%的人口数量和28.39%的机动车, 能源消耗占全国27.7%.随着经济发展和人口的快速增长, 华北平原大气污染现象愈发突出, 是我国PM2.5高值区之一[19], 也是我国地表臭氧污染的主要集聚区域[20].大量工业化石燃料的燃烧和机动车尾气的排放也导致了华北平原上空大气气溶胶浓度的升高[21].据文献[22]统计的2019年全国168个城市中空气质量相对较差的20个城市, 其中, 位于华北平原的有三座城市(石家庄排名倒2、济南排名倒11和郑州排名倒19).
|
图 1 研究区地理位置示意 Fig. 1 Geographical location of the study area |
搭载于S-NPP(suomi national polar-orbiting partnership)卫星上的可见光红外成像辐射仪(VIIRS), 是监测气溶胶光学厚度的重要仪器.有研究表明, S-NPP VIIRS IP AOD数据与AERONET站点AOD数据有显著的相关性[23].将VIIRS IP AOD数据与相应的MODIS AOD数据对比发现, 二者高度相关.但VIIRS IP AOD数据相较MODIS AOD数据, 有更高的空间分辨率(750 m)[24], VIIRS的双增益设计还降低了MODIS中存在的冗余度(如0.55 μm波段), 能在低辐射值下保持较高的信噪比[25], 使VIIRS IP AOD数据更适合区域大气气溶胶光学厚度的研究[26].并且不同尺度的研究也评估了VIIRS IP AOD数据的准确性[27~29].因此利用VIIRS IP AOD数据研究华北平原气溶胶的时空变化特征是可行的.在本文中选用的VIIRS IP AOD数据, 时间序列自2013年1月24日至2019年12月31日, 空间分辨率为750 m, 数据下载自https://www.bou.class.noaa.gov/.
1.2.2 其他数据气象数据包括: 地面2 m处的温度(T)、地表压强(surface pressure, SP)、边界层高度(boundary layer height, BLH)、总降水量(total precipitation, TP)、地面太阳辐射(surface solar radiation downwards, SSRD)、近地面1 000 hPa高度的相对湿度(relative humidity, RH)、地面10m处的风速(wind speed, WS, 由经向风速、纬向风速合成得到)、地面10m处的风向(wind direction, WD, 由经向风速、纬向风速合成得到)和总云量(total cloud cover, TCC)等.该9种气象数据来源于欧洲中期天气预报中心(European centre for medium-range weather forecasts, ECMWF, 数据下载自https://cds.climate.copernicus.eu/)的ERA5逐小时再分析资料, 空间分辨率为0.1°×0.1°. 前人研究表明, ERA5再分析数据拥有精细的空间分辨率和丰富的参数, 并且数据质量更加可靠[30].
NO2与SO2数据下载自NASA的GES DISC数据库(https://disc.gsfc.nasa.gov/datasets), 传感器臭氧监测仪(ozone monitoring instrument, OMI, )主要用于研究大气痕量成分及其对气候变化的影响, 具有较高的空间分辨率, OMI所监测的NO2与SO2数据时间序列较长, 前人研究验证发现NO2与SO2数据与地面监测结果有良好的一致性, 且在相关领域有较广泛的应用[31~33].
PM2.5数据来自CAMS全球再分析数据集(EAC4), 空间分辨率为0.75°×0.75°, 时间分辨率为3 h(数据下载自https://ads.atmosphere.copernicus.eu/).EAC4由IFS(ECMWF' s integrated forecast system)模型和数据同化系统产生, 该数据集是由大气化学传输模型和同化系统将模型模拟数据与来自世界各地观测结果相结合生成的完整数据集.该数据能够估计观测数据之间的偏差, 并从质量差的数据中筛选出高质量的数据, 同时能够摄取原始观测值的改进版本, 提高再分析数据的质量.
NDVI数据是由NASA提供的MOD13C1产品数据, 时间分辨率为16 d, 空间分辨率为0.05°(数据下载自https://ladsweb.modaps.eosdis.nasa.gov/). DEM、GDP密度和POPU数据均来自于中国科学院资源环境科学数据中心(RESDC, 数据下载自https://www.resdc.cn/), 空间分辨率为1 km×1 km.在本论文中使用的GDP密度和人口密度数据是2015年的数据, 因为2015年的GDP和POPU数据是可以获得且最接近研究时间段的数据.表 1为本研究所用数据的详细说明.
|
表 1 研究数据说明 Table 1 Description of study data |
1.3 研究方法 1.3.1 AOD时空变化分析
VIIRS IP AOD日均数据经过质量控制后, 处理为月均、季节和年均尺度数据, 从而分析华北平原2013~2019年AOD年均空间分布特征、逐年分布变化及季节分布差异; 探究2013~2019年5个代表城市AOD的年均变化情况和月均变化规律.
1.3.2 建模数据预处理利用空间分辨率为30 m的不透水面数据[34]确定5个城市的建成区范围, 再提取城市建成区范围内的17种AOD影响因素, 包括月份、SO2、NO2、PM2.5、GDP、POPU、温度(T)、相对湿度(RH)、风向(WD)、风速(WS)、地表压强(SP)、边界层高度(BLH)、总云量(TCC)、总降水量(TP)、地面太阳辐射(SSRD)、NDVI和DEM, 对各个城市建成区范围内的各个影响因素数据每天的数据矩阵求取平均值, 得到各城市建成区范围内2013~2019年每个影响因素的每日时间序列, 最后对所有的数据进行归一化处理.
1.3.3 XGBoost模型XGBoost是由Chen和Guestrin提出的是一种集成机器学习算法, 可以克服计算速度和精度的限制, 减少训练和预测时间, 运行效率高于其他Boosting机器学习模型[35], 并且支持对每个变量进行相对重要性排序[36].本文基于XGBoost模型建立了华北平原5个代表城市AOD日均值数据与17种影响因素之间的统计关系, 统计模型如下:
AOD~XGBoost(月份, SO2, NO2, PM2.5, GDP, POPU, DEM, T, RH, WD, WS, SP, BLH, TCC, TP, SSRD, NDVI)
式中, AOD为因变量, SO2、NO2、PM2.5、GDP、POPU、T、RH、WD、WS、SP、BLH、TCC、TP、SSRD、月份、NDVI和DEM为自变量, 分别构建了各个城市基于XGBoost算法的AOD和AOD影响因素之间的连接模型.从所有数据中, 随机选择80%的数据作为建模样本, 剩余20%数据作为验证样本, 通过对验证样本进行交叉验证, 来评价5个城市的AOD估算统计模型的精度.最后, 结合华北地区的AOD时空分布特征, 定量计算各影响因素对城市AOD估算模型的贡献, 并对每种影响因素的相对重要性排序, 来确定各城市AOD时空分布规律不同的原因及其主要影响因素.综上, 图 2为本研究的技术路线.
|
图 2 技术路线 Fig. 2 Technology roadmap |
图 3为2013~2019年华北平原AOD均值空间分布, 整体来看, 华北平原AOD值呈现东南高西北低的格局: 高值区主要集中在京津冀经济带、河南省郑州-开封-焦作地区和山东省除中部丘陵地区以外的区域.这些地区人口密集、工业产业较发达, 工业污染物排放是造成该地区AOD值较高的原因.相较而言, 研究区西北部地处燕山与太行山脉, 森林覆盖率较高, 人口活动较低, AOD浓度普遍偏低.而渤海沿岸出现高值AOD是由于渤海沿海涌浪和光滩的反射率很高, 造成了AOD不真实的大值[37].
|
图 3 2013~2019年平均AOD空间分布 Fig. 3 Average AOD spatial distribution from 2013 to 2019 |
为了揭示AOD的年际变化, 图 4展示了2013~2019年华北逐年AOD差值的空间分布.从中可知, 2015年之前, 华北大部分地区AOD值显著增加, 增幅在0.07以上, 这是由于华北工业污染源点位多, 污染物排放和扩散使该地区污染物增多.2016年为“十三五”规划起始年份, 国家加大了环境综合治理力度, 因此2016~2019年大部分地区AOD值明显降低.但山东省西北部2016年AOD值有明显的上升, 是因为2016年山东省多次出现长时间大范围的重度雾、霾天气, 加之春季降水量低于往年, 冬季多地气温也突破历史最低值, 造成了污染物的积聚.华北整体2018年AOD上升明显, 是由于该年厄尔尼诺现象严重[38], 冷空气弱于常年, 冷空气难以扩散南下, 导致北方地区聚集的空气污染物难以扩散.
|
(a)~(f)分别表示华北平原2014~2019年与前一年的AOD差值空间分布, 例如, (a)表示2013年与2014年的AOD差值, 以此类推 图 4 2013~2019年华北平原AOD差值分布 Fig. 4 AOD differential distribution in North China Plain from 2013 to 2019 |
图 5为2013~2019年华北平原AOD四季均值空间分布.从季节变化来看, 研究区内AOD的四季分布特征与年平均分布特征基本相似.以太行山脉为界, 东南部AOD明显高于西北部, 但华北AOD呈现明显的季节差异, AOD季平均值夏季高于春秋两季, 冬季最低.夏季华北大部分地区AOD处于高浓度水平, AOD值大多在0.57以上, 主要集中在京津唐、河北省西南河南省西北部及山东省西部.夏季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, 导致夏季AOD浓度较高[39]; 此外, 夏季大量秸秆焚烧也加剧了气溶胶的载荷[40].春季华北AOD值较高的原因是春季的地表植被覆盖低, 内蒙古和新疆戈壁的沙尘随着大风由北向南输送[41], 促进了新粒子的生成[42], 从而导致春季华北平原AOD值增加.冬季全区内AOD基本处于较低水平, 其原因如下: 冬季边界层高度相对较低, 污染物更集中于地面[43]; 冬季雨雪量增加、部分重污染天气发生是天空云量相对较多, 卫星观测无法得到准确的AOD值.
|
(a)、(b)、(c)和(d)分别为春季、夏季、秋季和冬季 图 5 2013~2019年华北平原AOD季均值分布 Fig. 5 Seasonal average distribution of AOD in the North China Plain from 2013 to 2019 |
为进一步探究华北各城市AOD变化趋势, 分析了2013~2019年华北5个代表城市AOD的月变化(图 6).可以看出, 5个城市的AOD整体呈先上升后下降的趋势.从1月开始各城市AOD值逐渐增加, 5月稍有回落可能是由于供暖停止、地表植被覆盖增加, 6月和7月因华北平原生物质燃烧和夏季高温导致AOD逐渐增加, 在7月达到全年最大值后, AOD值逐渐下降, 12月回落到一年中的最低值.此外, 城市间AOD值月份间差异明显.5个城市中, 郑州市的月均值最高, 而北京市月均值最低.这是由于郑州市周围工业产业排放污染物较多, 而北京市近几年大气环境治理、机动车限行和排放规模管控等政策有较好的成效.
|
图 6 2013~2019年北京、天津、石家庄、济南、郑州AOD月均值 Fig. 6 Monthly average AOD in Beijing, Tianjin, Shijiazhuang, Ji'nan, and Zhengzhou from 2013 to 2019 |
利用箱线图对每个城市2013~2019年AOD均值进行统计分析(图 7).从中可知, 华北平原5个城市的AOD值集中在0.25~1.50之间.各城市对比而言, 郑州市AOD年均值高于其他城市, 而北京市AOD年均值是5个城市中最低的.这与图 6中各城市AOD月均值变化相似.在AOD年际变化方面, 7年间北京、济南和天津中度或重度污染的程度先上升后下降[19], 天津2019年污染程度有所回升; 而石家庄和郑州中度或重度污染状况得到了缓解, 但2018年石家庄重度污染情况出现反弹.总的来看, 虽然5个城市AOD年际变化各有不同, 但都呈现了下降趋势, 可见《大气污染防治行动计划》和《打赢蓝天保卫战三年行动计划》等一系列改善大气环境政策取得了一定成效.此外, 根据图 7中各城市每年AOD中值分布来看, 各城市每年AOD低值集中, 高值离散, 即各城市AOD中低度污染天数较多, 而AOD大于1的重污染天气较少.以上结果可以看出, 各城市AOD在时空变化上存在差异.为了探索5个城市AOD时空差异的原因, 本文引入17种影响因素, 使用XGBoost模型预测AOD和各影响因素的贡献程度.
|
图 7 2013~2019年北京、天津、石家庄、济南和郑州AOD均值 Fig. 7 Average AOD values in Beijing, Tianjin, Shijiazhuang, Ji'nan, and Zhengzhou from 2013 to 2019 |
将2013~2019年各城市的AOD日均值作为因变量, 同时考虑SO2、NO2、PM2.5和气象数据等17种相关影响因素的日数据作为自变量, 基于XGBoost模型分别建立了华北平原5个代表城市的AOD估算模型, 并随机选取20%的验证样本数据对这5个模型进行精度验证, 结果如图 8所示.验证结果表明, 5个城市的AOD估算模型精度较高, 模型估算值和实测值的R2值均在0.6以上, 均方根误差(RMSE)均在0.3以下. AOD高值主要集中在夏季, 低值主要集中在冬季.北京市观测AOD低值时, 估算值高估, 观测AOD高值时, 估算值低估.未来希望通过增加研究样本, 进行不同区域分季节建模, 以揭示不同区域不同季节的AOD影响因素规律.在5个AOD估算模型中, 天津市和石家庄市的AOD估算模型的精度最高, R2值为0.67, 济南AOD估算模型精度最低, R2值为0.60.这说明本文所建立的连接模型精度较高, 满足接下来的研究要求.
|
图 8 华北平原代表城市AOD及其影响因素统计模型交叉验证精度 Fig. 8 Cross-validation accuracy of statistical models of AOD and its influencing factors in representative cities of North China Plain |
由于XGBoost模型具有定量估算模型各输入影响因素的能力, 同时为了进一步定量估算14种AOD影响因素对各个城市AOD时空变化的影响和贡献, 基于上述建立的AOD与影响因素之间的XGBoost统计模型, 定量估算了5个城市的AOD估算模型各个输入变量的贡献, 结果如图 9所示.从中可知, 14种影响因素对北京、天津、石家庄、济南和郑州AOD的影响程度既存在共性也存在差异.总体来看, 影响华北平原AOD时空变化的因素较为一致: NO2是对5个城市AOD贡献最大的因素, 相对重要性均在11.9%以上; TP对AOD的贡献最小, 相对重要性在2.9%以下; 此外SO2、T、RH对各城市AOD的影响程度也比较大, 这3种因素的相对重要性之和在24.4%以上; SP、BLH、SSRD和TCC(除郑州外)对5个城市AOD贡献较小, 这4种因素的相对重要性均在6.5%以下.
|
图 9 华北平原代表城市AOD影响因素排序 Fig. 9 Ranking of AOD influencing factors in representative cities of North China Plain |
NO2、SO2和PM2.5是对5个城市AOD贡献程度最大污染物排放因素, T、RH、WS和WD则是对AOD贡献最大的气象因素.各城市NO2和SO2的相对重要性之和均在20%以上, 北京、天津和石家庄已经达到了22%以上.这3个城市人口众多, 工业发达, 化石燃料燃烧及机动车排放产生的NO2和SO2等在城市上空聚集, 生成二次气溶胶粒子[44], 加重大气污染, 导致AOD值的增加, 也从侧面说明了人为活动排放污染物对AOD升高的影响.RH在5个模型中的相对重要性均在7.9%以上, 此前的研究也表明气溶胶光学性质与RH有着明显关系, 随着湿度的增加, 气溶胶粒子中的吸湿性成分增大尺寸, 散射效率提高[45]从而导致了AOD值的升高. T也对各城市的AOD有着较大的影响, 相对重要性占比在7.9%以上, 当气温较高时, 大气处于不稳定状态, 气溶胶粒子向上扩散, AOD值降低; 反之, 大气稳定, 气溶胶粒子的扩散受到抑制, AOD值就会升高[46].
WS和WD对5个城市的AOD贡献的相对重要性之和在14%以上, 但这两种影响因素的相对重要性排序却各有不同.风是影响污染物扩散稀释的重要因素[47].济南市三面环山, WD和WS的不同会对空气污染物的聚集或扩散产生不同的影响, 因此济南市WD和WS对AOD的贡献值要明显高于其他城市.北京北部和石家庄西部临近燕山山脉和太行山脉, 当主导风向为东南风和南风时, 大气污染物在风的输送作用下聚集在山前的平原地区, 从而导致污染物浓度的提高.因此对于北京和石家庄而言, WD对AOD的贡献值要高于WS.而天津是5个城市中唯一的海滨城市, 地形开阔, WS对大气污染物的双重影响更易导致污染物的扩散或者聚集, 因此WS对天津市AOD的贡献量要高于WD.NDVI对天津市AOD的贡献也高于其他城市, 相对重要性为7.4%.天津市与其他城市相比与海洋距离较近, 降水量多, 植被茂密程度高于其他城市, 对AOD的影响更为显著.PM2.5对各城市AOD有较大的贡献, 相对重要性在6.7%以上.与其他城市相比, PM2.5对石家庄市的AOD贡献最大, 相对重要性达到7.7%, 这与石家庄市工业产业发达, 大气污染物排放量大有关. SP在一定程度上会影响污染物的稀释和扩散, 处于高压控制的地区空气下沉, 形成下沉逆温, 阻止了污染物向上扩散; 低压时大气的低层空气上升, 污染物随之上升到高空, 有利于污染物的扩散与稀释.由于华北地区在地理位置上靠近植被覆盖力弱的内蒙古地区, 3~4月为沙尘暴的多发时间, 大量沙尘粒子导致AOD值的升高.山东省和河南省都是粮食生产大省, 3~4月沙尘暴和6~7月秸秆焚烧造成了月份对济南市和郑州市AOD贡献高于月份对其他城市AOD的贡献.
3 结论(1) 在空间上, 华北平原AOD分布以太行山脉为界, 东南部AOD值高于西北部.高值区主要集中在山东、河南、安徽和江苏四省的交界地区.时间上, 华北地区AOD季节差异明显, 夏季最高, 冬季最低.北京市AOD月均值在5个城市中处于较低水平, 郑州市的AOD月均值高于其他城市.7年间, 5个城市AOD整体呈下降趋势.
(2) 华北平原5个城市AOD时空分布规律的影响因素具有很大的共性特征, NO2和SO2对华北平原代表城市AOD贡献程度最大, PM2.5是另外一种重要的污染排放影响因素; 气象因素方面, 温度、相对湿度、风速和风向是其他4个重要的影响因素.地表辐射和总降水量对5个城市AOD贡献最小, 相对重要性均在6.2%以下.
(3) 华北平原5个城市AOD时空分布规律的影响因素具有一定的差异性.同一因素对不同城市AOD贡献不同, 各城市AOD影响因素重要性排序也存在差异.具体而言, 风向对北京和石家庄AOD的贡献高于风速, 而风速对天津市AOD的贡献高于风向.相较于其他城市, NDVI对天津AOD的贡献最大, PM2.5对石家庄AOD的贡献最大, 月份对济南市和郑州市AOD贡献高于其他城市.
(4) 本文通过选取华北5个代表城市的AOD数据及其多个影响因素, 建立起各个城市的AOD估算模型, 揭示了华北各城市AOD的主要影响因素的规律, 但是由于秋冬季节VIIRS AOD数据存在数值较低, 数据量较少的问题, 分析结果存在一定不确定性, 未来有望通过其他精度更高, 时间覆盖度更为完整的卫星AOD数据来改进AOD影响因素研究的可靠性.同时, 各个城市的模型在观测AOD低值时, 估算值高估, 观测AOD高值时, 估算值低估, 对于这个问题, 在未来研究中通过增加各个季节的样本量, 对区域AOD进行分季节建模, 探究各个季节的AOD影响因素的异同, 并探究分季节建模对各个城市AOD模型精度的影响.
| [1] |
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 |
| [2] |
段家乐, 巨天珍, 黄蕊蕊, 等. 粤港澳大湾区吸收性气溶胶的解析[J]. 环境科学, 2021, 42(8): 3652-3662. Duan J L, Ju T Z, Huang R R, et al. Analysis of ultraviolet aerosol index in Guangdong-Hong Kong-Macao Greater Bay Area[J]. Environmental Science, 2021, 42(8): 3652-3662. |
| [3] | Yang X C, Zhao C F, Yang Y K, et al. Long-term multi-source data analysis about the characteristics of aerosol optical properties and types over Australia[J]. Atmospheric Chemistry and Physics, 2021, 21(5): 3803-3825. DOI:10.5194/acp-21-3803-2021 |
| [4] |
夏晓圣, 汪军红, 宋伟东, 等. 2000~2019年中国PM2.5时空演化特征[J]. 环境科学, 2020, 41(11): 4832-4843. Xia X S, Wang J H, Song W D, et al. Spatio-temporal evolution of PM2.5 concentration during 2000-2019 in China[J]. Environmental Science, 2020, 41(11): 4832-4843. |
| [5] |
黄晓军, 祁明月, 李艳雨, 等. 关中地区PM2.5时空演化及人口暴露风险[J]. 环境科学, 2020, 41(12): 5245-5255. Huang X J, Qi M Y, Li Y Y, et al. Spatio-temporal evolution and population exposure Risk to PM2.5 in the Guanzhong Area[J]. Environmental Science, 2020, 41(12): 5245-5255. |
| [6] |
刘林钰, 张永军, 李彦胜, 等. 基于深度学习的华东地区PM2.5浓度遥感反演[J]. 环境科学, 2020, 41(4): 1513-1519. Liu L Y, Zhang Y J, Li Y S, et al. PM2.5 Inversion using remote sensing data in eastern China based on deep learning[J]. Environmental Science, 2020, 41(4): 1513-1519. |
| [7] |
李梦真, 张廷斌, 易桂花, 等. 四川盆地PM2.5浓度时空变化特征遥感监测与影响因子分析[J]. 环境科学, 2021, 42(7): 3136-3146. Li M Z, Zhang T B, Yi G H, et al. Spatio-temporal variation characteristics monitored by remotely sensed technique of PM2.5concentration and its influencing factor analysis in Sichuan basin, China[J]. Environmental Science, 2021, 42(7): 3136-3146. |
| [8] | Zaman S U, Pavel R S, Joy K S, et al. Spatial and temporal variation of aerosol optical depths over six major cities in Bangladesh[J]. Atmospheric Research, 2021, 262. DOI:10.1016/j.atmosres.2021.105803 |
| [9] | Wang X, Wen H, Shi J S, et al. Optical and microphysical properties of natural mineral dust and anthropogenic soil dust near dust source regions over northwestern China[J]. Atmospheric Chemistry and Physics, 2018, 18(3): 2119-2138. DOI:10.5194/acp-18-2119-2018 |
| [10] |
陆忠奇, 李京龙, 何清, 等. 南疆地区AOD时空分布特征及气象影响因素分析[J]. 环境科学学报, 2022, 42(3): 309-321. Lu Z Q, Li J L, He Q, et al. Spatiotemporal distribution of AOD in southern Xinjiang and meteorological influencing factors[J]. Acta Scientiae Circumstantiae, 2022, 42(3): 309-321. |
| [11] | Meng F, Cao C Y, Shao X. Spatio-temporal variability of Suomi-NPP VⅡRS-derived aerosol optical thickness over China in 2013[J]. Remote Sensing of Environment, 2015, 163: 61-69. DOI:10.1016/j.rse.2015.03.005 |
| [12] |
唐燕, 许睿, 孟繁玥. 中国东部典型城市群AOD时空演变及预测[J]. 大气与环境光学学报, 2021, 16(4): 320-330. Tang Y, Xu R, Meng F Y. Spatiotemporal evolution and prediction of AOD in typical urban agglomerations in eastern China[J]. Journal of Atmospheric and Environmental Optics, 2021, 16(4): 320-330. |
| [13] | Zhang M, Zhang L, He Q Q, et al. Characterizing the long-term dynamics of aerosol optical depth in the Yangtze River Middle-Reach urban agglomeration, China[J]. International Journal of Climatology, 2021, 41(3): 2029-2044. DOI:10.1002/joc.6945 |
| [14] | Cheng L, Li L, Chen L Q, et al. Spatiotemporal variability and influencing factors of aerosol optical depth over the Pan Yangtze River Delta during the 2014-2017 period[J]. International Journal of Environmental Research and Public Health, 2019, 16(19). DOI:10.3390/ijerph16193522 |
| [15] | Si Y D, Wang H M, Cai K, et al. Long-term (2006-2015) variations and relations of multiple atmospheric pollutants based on multi-remote sensing data over the North China Plain[J]. Environmental Pollution, 2019, 255. DOI:10.1016/j.envpol.2019.113323 |
| [16] | Qin W M, Liu Y, Wang L C, et al. Characteristic and driving factors of aerosol optical depth over Mainland China during 1980-2017[J]. Remote Sensing, 2018, 10(7). DOI:10.3390/rs10071064 |
| [17] | Li J L, He Q, Ge X Y, et al. Spatio-temporal changes of AOD in Xinjiang of China from 2000 to 2019: which factor is more influential, natural factor or human factor?[J]. PLoS One, 2021, 16(8). DOI:10.1371/journal.pone.0253942 |
| [18] | 国家统计局. 中国统计年鉴2020[EB/OL]. http://www.stats.gov.cn/tjsj/ndsj/2020/indexch.htm, 2020-09-23. |
| [19] | Meng F, Cao C Y, Shao X, et al. Spatial and temporal variation of Visible Infrared Imaging Radiometer Suite (VⅡRS)-derived aerosol optical thickness over Shandong, China[J]. International Journal of Remote Sensing, 2014, 35(16): 6023-6034. DOI:10.1080/01431161.2014.939784 |
| [20] | Bai K X, Ma M L, Chang N B, et al. Spatiotemporal trend analysis for fine particulate matter concentrations in China using high-resolution satellite-derived and ground-measured PM2.5 data[J]. Journal of Environmental Management, 2019, 233: 530-542. DOI:10.1016/j.jenvman.2018.12.071 |
| [21] | Ma M L, Yao G B, Guo J P, et al. Distinct spatiotemporal variation patterns of surface ozone in China due to diverse influential factors[J]. Journal of Environmental Management, 2021, 288. DOI:10.1016/j.jenvman.2021.112368 |
| [22] | 中华人民共和国生态环境部. 2020中国生态环境状况公报[EB/OL]. http://www.mee.gov.cn/hjzl/sthjzk/zghjzkgb, 2021-05-26. |
| [23] |
郝囝, 蔡子颖, 韩素芹, 等. 基于模式过程分析技术天津地区PM2.5污染气象成因分析[J]. 环境科学, 2022, 43(5): 2373-2382. Hao J, Cai Z Y, Han S Q, et al. Research on causes of severely polluted weather in Tianjin Based on process analytical technology[J]. Environmental Science, 2022, 43(5): 2373-2382. |
| [24] |
范丽行, 杨晓辉, 宋春杰, 等. 基于时空混合效应模型的京津冀PM2.5浓度变化模拟[J]. 环境科学, 2022, 43(5): 2262-2273. Fan L H, Yang X H, Song C J, et al. Modeling of PM2.5 concentrations in the Beijing-Tianjin-Hebei Region using a space-time linear mixed effects model[J]. Environmental Science, 2022, 43(5): 2262-2273. |
| [25] | Yao F, Wu J S, Li W F, et al. Estimating daily PM2.5 concentrations in Beijing using 750-M VⅡRS IP AOD retrievals and a nested spatiotemporal statistical model[J]. Remote Sensing, 2019, 11(7). DOI:10.3390/rs11070841 |
| [26] | Yao F, Si M L, Li W F, et al. A multidimensional comparison between MODIS and VⅡRS AOD in estimating ground-level PM2.5 concentrations over a heavily polluted region in China[J]. Science of the Total Environment, 2018, 618: 819-828. DOI:10.1016/j.scitotenv.2017.08.209 |
| [27] | Ma Y Y, Liu B M, Gong W, et al. Impact of environmental pollution on the retrieval of AOD products from Visible Infrared Imaging Radiometer Suite (VⅡRS) over Wuhan[J]. Atmospheric Pollution Research, 2019, 10(6): 2063-2071. DOI:10.1016/j.apr.2019.09.014 |
| [28] | Osgouei P E, Roberts G, Kaya S, et al. Evaluation and comparison of MODIS and VⅡRS aerosol optical depth (AOD) products over regions in the Eastern Mediterranean and the Black Sea[J]. Atmospheric Environment, 2022, 268. DOI:10.1016/j.atmosenv.2021.118784 |
| [29] | Chen Y J, Wu S S, Wang Y Y, et al. Satellite-based mapping of high-resolution ground-level PM2.5 with VⅡRS IP AOD in China through spatially neural network weighted regression[J]. Remote Sensing, 2021, 13(10). DOI:10.3390/rs13101979 |
| [30] |
刘鸿波, 董理, 严若婧, 等. ERA5再分析资料对中国大陆区域近地层风速气候特征及变化趋势再现能力的评估[J]. 气候与环境研究, 2021, 26(3): 299-311. Liu H B, Dong L, Yan R J, et al. Evaluation of near-surface wind speed climatology and long-term trend over China's Mainland Region based on ERA5 reanalysis[J]. Climatic and Environmental Research, 2021, 26(3): 299-311. |
| [31] | Xue R B, Wang S S, Li D R, et al. Spatio-temporal variations in NO2 and SO2 over Shanghai and Chongming Eco-Island measured by Ozone Monitoring Instrument (OMI) during 2008-2017[J]. Journal of Cleaner Production, 2020, 258. DOI:10.1016/j.jclepro.2020.120563 |
| [32] | Levelt P F, Joiner J, Tamminen J, et al. The Ozone Monitoring Instrument: overview of 14 years in space[J]. Atmospheric Chemistry and Physics, 2018, 18(8): 5699-5745. DOI:10.5194/acp-18-5699-2018 |
| [33] |
武卫玲, 薛文博, 王燕丽, 等. 卫星遥感在NOx总量控制中的应用[J]. 环境科学, 2017, 38(10): 3998-4004. Wu W L, Xue W B, Wang Y L, et al. Application of satellite remote sensing in NOx emission control[J]. Environmental Science, 2017, 38(10): 3998-4004. |
| [34] | Gong P, Li X C, Zhang W. 40-Year (1978-2017) human settlement changes in China reflected by impervious surfaces from satellite remote sensing[J]. Science Bulletin, 2019, 64(11): 756-763. DOI:10.1016/j.scib.2019.04.024 |
| [35] | 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. |
| [36] | Gui K, Che H Z, Zeng Z L, et al. Construction of a virtual PM2.5 observation network in China based on high-density surface meteorological observations using the Extreme Gradient Boosting model[J]. Environment International, 2020, 141. DOI:10.1016/j.envint.2020.105801 |
| [37] |
李恺霖, 张春桂, 王宏, 等. 基于葵花-8卫星的东南沿海气溶胶时空分布及其变化[J]. 应用海洋学学报, 2019, 38(3): 318-328. Li K L, Zhang C G, Wang H, et al. Spatial and temporal distribution and variation of aerosol optical depth in coastal southeast China based on Himawari-8 satellite[J]. Journal of Applied Oceanography, 2019, 38(3): 318-328. DOI:10.3969/J.ISSN.2095-4972.2019.03.003 |
| [38] | Liu Y Y, Hu Z Z, Wu R G. Was the extremely wet winter of 2018/2019 in the lower reach of the Yangtze River driven by El Niño-Southern Oscillation?[J]. International Journal of Climatology, 2020, 40(15): 6441-6457. DOI:10.1002/joc.6591 |
| [39] |
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. |
| [40] | Ma M L, Bai K X, Qiao F X, et al. Quantifying impacts of crop residue burning in the North China Plain on summertime tropospheric ozone over East Asia[J]. Atmospheric Environment, 2018, 194. DOI:10.1016/j.atmosenv.2018.09.018 |
| [41] | 薛瑞. 基于MODIS数据研究中国气溶胶时空分布变化及典型地区的影响因素[D]. 青岛: 山东科技大学, 2020. 23-24. |
| [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] |
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. |
| [44] | Li X L, Miao Y C, Ma Y J, et al. Impacts of synoptic forcing and topography on aerosol pollution during winter in Shenyang, Northeast China[J]. Atmospheric Research, 2021, 262. DOI:10.1016/j.atmosres.2021.105764 |
| [45] |
赵雪艳, 杨文, 王静, 等. 典型物流城市2016年冬季2次污染过程PM2.5污染特征及来源解析[J]. 环境科学, 2019, 40(3): 1052-1061. Zhao X Y, Yang W, Wang J, et al. Source apportionment and pollution characteristics of PM2.5 during the two heavy pollution episodes in the winter of 2016 in a typical Logistics City[J]. Environmental Science, 2019, 40(3): 1052-1061. |
| [46] |
陈裕迪, 王洁, 陈唯天, 等. 基于MODIS的长三角地区气溶胶时空变化规律及其气象解释[J]. 环境工程, 2021, 39(12): 120-127. Chen Y D, Wang J, Chen W T, et al. Spatial and temporal changes of aerosol in Yangtze River Delta and its meteorological interpretation[J]. Environmental Engineering, 2021, 39(12): 120-127. |
| [47] |
武文琪, 张凯山. 区域气象条件和减排对空气质量改善的贡献评估[J]. 环境科学, 2021, 42(2): 523-533. Wu W Q, Zhang K S. Contributions of emissions reduction and regional meteorological conditions to air quality improvement[J]. Environmental Science, 2021, 42(2): 523-533. |