2009年至2018年全球气溶胶光学厚度时空分布特性研究 下载: 616次
1 引 言
大气气溶胶作为大气的重要组成成分,对大气环境污染及地‒气系统辐射收支有不小的影响。气溶胶粒子主要通过直接效应和间接效应[1]两种辐射强迫机制来影响大气的辐射收支平衡,不同效应的产生取决于气溶胶颗粒的光学特性和微物理特性。气溶胶光学厚度(AOD)作为气溶胶的一个重要光学特性参数,其本质含义是指在晴朗无云天气下,气溶胶消光系数在垂直方向上的积分,用于描述气溶胶对大气辐射的吸收和散射作用。由于AOD可以反映整层大气的消光作用,这意味着AOD可以作为衡量空气污染程度的重要参数。
目前,获取AOD观测值的有效方式主要有地基观测和卫星观测。近年来,在全球范围已经建立起了比较完善的气溶胶光学特性地基观测网络,例如美国建立的全球地基自动观测网络(AERONET)[2]。地基站点可以提供准确的气溶胶相关参数,但是由于站点的分布受到地理位置的限制,并不能持续地观测任意空间范围的大气气溶胶变化。而卫星遥感监测技术时空覆盖范围广,能够支撑任意区域性气溶胶分布的相关研究,但是反演精度不高[3]。MODIS、MISR等被动式遥感监测卫星对于气溶胶在水平方向上的分布和传输具有较好的观测效果,但是无法提供气溶胶在垂直方向上的信息。CALIPSO (Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observations) 卫星作为主动式遥感监测卫星,则可以解决这一问题[4]。同时,越来越多的学者结合CALIPSO卫星数据对AOD展开了研究。例如Bridhikitti[5]采用了CALIPSO卫星提供的AOD数据,针对曼谷地区的气溶胶种类及其时空分布特征展开分析,研究结果表明,曼谷地区上方存在的烟雾层导致整个地区的AOD值偏高。徐成鹏等[6]利用CALIPSO卫星提供的2006年至2012年无云天气下中国地区的气溶胶数据,对沙尘天气发生频率较高的4个典型地区展开分析。研究结果证明,4个地区的沙尘气溶胶具有一定的季节性分布特征。高星星等[7]则在2006年至2015年间对华北地区不同污染程度下的AOD时空分布展开了研究,研究发现,在不同污染条件下,能见度与AOD之间存在一定的线性关系。
综上,国内外学者结合卫星遥感监测技术,对区域性和短时间序列的AOD时空分布展开了不同程度的研究。但是目前的研究大多对较小区域、较短时间序列的AOD时空分布和趋势进行分析,在时间序列和数据选取方面仍有不足。因此,本文结合CALIPSO卫星数据,分析全球尺度范围近十年(2009年至2018年)的AOD时空分布特征及变化趋势,为全球范围的气溶胶时空分布研究提供方法参考,进而获取更为普遍的规律。
2 研究方法
2.1 卫星数据来源
CALIPSO卫星是由美国航空和航天局(NASA)和法国国家空间研究中心(CNES)共同开发研制的,其主要任务是探测大气中云和气溶胶的垂直分布特征。CALIPSO卫星上搭载的正交偏振云和气溶胶激光雷达CALIOP(Cloud-Aerosol Lidar with Orthogonal Polarization)是首个可以连续观测的星载激光雷达,能够以高分辨率观测大范围云和气溶胶的垂直分布[8]。本文选取CALIOP的level 2 Aerosol profile 产品,联合白天和夜晚的观测数据进行研究。原始数据来源于NASA官网,网址为https://subset.larc.nasa.gov/calipso/login.php。
2.2 研究区域
基于CALIPSO卫星,提取了全球区域2009年至2018年的AOD数据,所有的有效数据以0.1°×0.1°的空间网格进行划分。基于全球气候环境复杂和地理类型多样的特点,本文结合Mehta等[9]的研究成果,在全球范围选取了6个典型区域展开详细的分析,6个典型区域地理范围如
表 1. 研究区域的信息
Table 1. Information of study regions
|
2.3 研究方法
对2009年至2018年全球范围的CALIPSO卫星数据进行统计,分析全球范围的AOD时空分布状况。主要采用最小二乘法来计算典型区域AOD年均变化趋势。最小二乘法是一种基本的数据分析方法,可以用于长时间序列AOD值的变化趋势分析。其原理是最小化各个离差的平方和来保证各个离差的绝对值最小,并且通过样本数据来估计一元线性方程的相关参数,使得估计误差的平方和最小。以时间为自变量,对年均AOD值与年份进行回归分析,进而得到一元线性方程。计算公式为
式中:xi为年份时间序数;yi为当年(季节)的AOD值;
3 结果与分析
3.1 全球AOD空间分布概况
通过提取全球范围内的AOD年均值可分析出,全球AOD表现出明显的地域性差异。AOD高值区域(>0.7)主要分布在南亚次大陆以及中国境内,中值区域(0.35~0.6)主要分布在南美洲北部、非洲中部等区域,AOD低值区域(<0.35)则均匀地分布在欧洲、北美洲及大洋洲等地区。从整体上来看,亚洲AOD高值中心位于印度、印度尼西亚、巴基斯坦和中国东部等地(>0.4),非洲中部AOD值在0.6~0.8,南美洲整体AOD值较低(<0.3)。全球范围近10年的AOD值在总体上呈现出相似的分布格局,但是逐年的AOD分布仍存在一定的差异性。在2009年至2018年,AOD高值中心仍集中于印度、沙特阿拉伯、中国东部等地区。印度从2009年到2018年的AOD高值范围逐步缩小,AOD值从南部到北部逐渐递增,为0.6~0.9;沙特地区从2009年到2013年AOD高值范围进一步扩大;中国境内污染区域从2009年到2018年逐步集中于华北平原和塔克拉玛干沙漠等地,AOD值为0.7~0.8。
3.2 全球AOD季节尺度空间分布
全球范围的AOD按照季节尺度平均后也呈现不一样的空间分布特征。由于南北半球在季节划分上存在差异,此处将12个月份划分为DJF、MAM、JJA和SON,共4个季度。DJF和MAM时期的整体全球AOD值比JJA和SON时期更高。AOD在DJF时期达到峰值的地区主要有中国西北地区等地。中国北方的塔克拉玛干沙漠作为境内最主要的天然气溶胶源地,在DJF时期出现AOD峰值,这是由于在该时期存在频繁的沙尘暴事件及沙漠地区常见的自然表面扬尘现象。在MAM时期,达到AOD峰值的主要有西非撒哈拉沙漠、印度及中国华北平原地区。中国华北平原作为小麦的主要产地,在MAM时期存在大量的秸秆燃烧现象,因此污染程度加重。在JJA和SON时期,AOD高值以巴西平原靠近赤道区域为中心向四周扩散,这是在JJA时期,巴西地区大量的季节性森林砍伐和相关农业产品燃烧[10](例如甘蔗等)共同作用的结果。总的来说,根据区域性变化,将AOD的季节性差异分成三种类型:第一种类型是指AOD在MAM时期达到峰值,主要有印度、印度尼西亚等地;第二种类型是指AOD在DJF时期达到峰值,主要以中国塔克拉玛干沙漠等地为代表;第三种类型是指AOD在JJA时期达到峰值,以巴西为代表地区。
3.3 典型区域AOD均值分布及趋势分析
3.3.1 典型区域AOD均值分布
图 2. 典型区域的季节AOD均值图。 (a) DJF;(b) MAM;(c) JJA;(d) SON
Fig. 2. Seasonal mean AOD maps in typical regions. (a) DJF; (b) MAM; (c) JJA; (d) SON
图 3. 典型区域的平均AOD与季节和年份的关系。 (a)巴西;(b)中国境内;(c)印度;(d)印度尼西亚;(e)沙特阿拉伯;(f)非洲中部
Fig. 3. Relationship between average AOD and season and year in typical regions. (a) Brazil; (b) China; (c) India; (d) Indonesia; (e) Saudi Arabia; (f) Central Africa
印度地区在MAM时期的区域AOD平均值高达0.62,在JJA时期AOD显著下降。这是由于高温和高风速给该区域带来了大量的沙尘粒子,粗颗粒物的相对浓度增大,气溶胶的传输活动也随之增强。随着印度工业化的迅速推进,再加上印度人口基数大,产生了大量的人为气溶胶(例如矿业粉尘和工业排放的气溶胶),使得印度地区的AOD高居不下。
印度尼西亚地区的季节性AOD差异不大。在JJA和SON时期,AOD为0.23~0.44,略高于其他时期。Mehta等[9]结合MODIS卫星数据,印度尼西亚地区的观测结果同样显示,在SON时期,AOD达到峰值。这是因为在SON时期存在大量的生物质燃烧现象,同时周围海洋的海盐气溶胶也有一定影响。
沙特阿拉伯与印度表现出相似的AOD季节性变化。MAM时期AOD值大于DJF时期AOD值大于JJA时期AOD值大于SON时期AOD值。在MAM时期,AOD均值达0.7。这是因为沙特阿拉伯内部沙漠广布,有大内得夫和鲁卜哈利等多个沙漠,再加上MAM时期降雨较少,大量的沙尘暴和沙漠扬尘事件频繁发生。非洲中部AOD值则在SON和DJF时期到达峰值,AOD值均在0.5以上。中非地区受到来自大西洋的暖流影响,空气湿度增加,进而加速了气溶胶粒子的吸湿增长过程。
3.3.2 典型区域AOD空间趋势分析
图 4. 典型区域2009年至2018年AOD趋势分布图。 (a)巴西;(b)中国境内;(c)印度;(d)印度尼西亚;(e)沙特阿拉伯;(f)非洲中部
Fig. 4. Distribution of AOD trends in typical regions from 2009 to 2018. (a) Brazil;(b) China; (c) India; (d) Indonesia; (e) Saudi Arabia; (f) Central Africa
4 结 论
结合CALIPSO卫星近10年的AOD数据,对全球范围的AOD时空分布特性及其变化趋势展开研究。在空间尺度上,AOD高值中心(>0.7)主要分布在南亚次大陆及中国境内,AOD中值区域(0.35~0.6)集中在南美洲北部、非洲中部等区域,AOD低值区域(0~0.35)则大范围地分布在欧洲、北美洲等地区。在时间尺度上,可以将全球范围AOD季节性特征概括为三种类型:第一种类型是指AOD在MAM时期达到峰值,主要有印度、印度尼西亚等地;第二种类型是指在DJF时期达到峰值,主要有中国西北地区;第三种类型是指在JJA时期达到峰值,以巴西为代表地区。典型地区中,印度和沙特阿拉伯的季节性差异最明显。中国地区在DJF时期的AOD均值最高,印度和沙特阿拉伯地区在MAM时期呈现AOD高值,印度尼西亚和巴西在JJA时期表现为AOD高值,非洲中部在SON和DJF时期达到AOD峰值。6个典型区域近10年的AOD趋势也各有差异。总体而言,印度地区表现为强上升趋势,巴西、非洲中部、印度尼西亚则表现出弱上升趋势,沙特阿拉伯和中国境内均表现出下降趋势。
[1] 刘晶晶, 刘芸, 王国英, 等. MODIS C061气溶胶光学厚度产品在西安地区的适用性研究[J]. 光学学报, 2019, 39(10): 1001004.
[2] 罗卉卉, 陈臻懿, 张天舒, 等. 基于CALIPSO卫星和地面观测资料的气溶胶垂直分布对比[J]. 中国激光, 2019, 46(12): 1201003.
[3] Mehta M. A study of aerosol optical depth variations over the Indian region using thirteen years (2001-2013) of MODIS and MISR Level 3 data[J]. Atmospheric Environment, 2015, 109: 161-170.
[4] 陈莎莎, 徐青山, 徐赤东, 等. 基于微脉冲激光雷达计算整层大气气溶胶光学厚度[J]. 光学学报, 2017, 37(7): 0701002.
[5] Bridhikitti A. Atmospheric aerosol layers over Bangkok Metropolitan Region from CALIPSO observations[J]. Atmospheric Research, 2013, 127: 1-7.
[6] 徐成鹏, 葛觐铭, 黄建平, 等. 基于CALIPSO星载激光雷达的中国沙尘气溶胶观测[J]. 中国沙漠, 2014, 34(5): 1353-1362.
Xu C P, Ge J M, Huang J P, et al. Observations of dust aerosol over China based on CALIPSO spaceborne lidar[J]. Journal of Desert Research, 2014, 34(5): 1353-1362.
[7] 高星星, 陈艳, 张镭, 等. 基于CALIPSO卫星数据的中国典型区域气溶胶特性[J]. 兰州大学学报(自然科学版), 2018, 54(4): 431-439.
Gao X X, Chen Y, Zhang L, et al. Aerosol properties based on CALIPSO data in representative regions over China[J]. Journal of Lanzhou University (Natural Sciences), 2018, 54(4): 431-439.
[8] 陈晓磊, 金莲姬. 基于CALIPSO卫星的不同天气类型下气溶胶垂直分布特征对比研究[J]. 激光与光电子学进展, 2018, 55(2): 020101.
[9] Mehta M, Singh R, Singh A, et al. Recent global aerosol optical depth variations and trends: a comparative study using MODIS and MISR level 3 datasets[J]. Remote Sensing of Environment, 2016, 181: 137-150.
[10] Ogugbuaja V O, Barsisa L Z. Atmospheric pollution in North-East Nigeria: measurement and analysis of suspended particulate matter[J]. Bulletin of the Chemical Society of Ethiopia, 2001, 15(2): 109-118.
[11] Lara L L, Artaxo P, Martinelli L A, et al. Properties of aerosols from sugar-cane burning emissions in Southeastern Brazil[J]. Atmospheric Environment, 2005, 39(26): 4627-4637.
[12] Quinn P K, Shaw G, Andrews E, et al. Arctic haze: current trends and knowledge gaps[J]. Tellus B, 2007, 59(1): 99-114.
[13] Logan T, Xi B, Dong X, et al. Classification and investigation of Asian aerosol absorptive properties[J]. Atmospheric Chemistry and Physics, 2013, 13(4): 2253-2265.
[14] Reddington C L, Butt E W, Ridley D A, et al. Air quality and human health improvements from reductions in deforestation-related fire in Brazil[J]. Nature Geoscience, 2015, 8(10): 768-771.
[15] Lu Z, Streets D G, Zhang Q, et al. Sulfur dioxide emissions in China and sulfur trends in East Asia since 2000[J]. Atmospheric Chemistry and Physics, 2010, 10(13): 6311-6331.
Article Outline
毛前军, 金穗穗. 2009年至2018年全球气溶胶光学厚度时空分布特性研究[J]. 激光与光电子学进展, 2021, 58(3): 0301001. Mao Qianjun, Jin Suisui. Investigation of Spatial and Temporal Distribution Characteristics of Global Aerosol Optical Depth from 2009 to 2018[J]. Laser & Optoelectronics Progress, 2021, 58(3): 0301001.