基于OMI及地面监测的贵州省污染气体浓度时空差异研究
0 引 言
中国用三十年时间走完了发达国家一百年走过的工业化道路,在经济发展的同时也带来了环境污染问题。其中,大气污染物主要有NO2、SO2、O3等。NO2不仅是重要的污染气体之一,还是对流层臭氧和二次无机气溶胶的重要前体物[1-3]。SO2作为酸雨的主要成分,对生态环境可造成严重污染。O3作为大气中不可缺少的气体,其总量和时空分布变化也会直接影响人类生存环境,同时对生态环境造成负面影响。
受传统观测资料的数据精度限制,诸多学者基于臭氧监测仪 (OMI) 长时间观测序列产品对污染气体开展了时空分析[4,5]。巨天珍等[6]通过OMI数据反演了对流层SO2柱浓度,并结合遥感图像处理技术和地理信息系统分析方法,重点分析了兰州市采暖期和非采暖期的SO2空间分布情况,发现两个时期近地面的SO2高值区域并不相同。李锐等[7]利用中分辨率成像光谱仪 (MODIS) 和OMI研究了NO2、SO2柱积分浓度对气溶胶光学厚度 (AOD) 的影响,其结果对大气污染模式评估提供了参考。郭云飞等[8]基于OMI观测数据分析了我国三大城市群对流层内O3的时空分布特征及其演变趋势。张兴赢等[9]在分析大气成分遥感探测应用中提到OMI能够提供更加精细的大气痕量气体含量分布,除可以监测大气O3含量外,同时还能提供NO2、SO2及气溶胶的信息。
贵州作为典型的喀斯特地貌区,具有“天无三日晴,地无三尺平”之说,其独特的地理位置和气候特点使得污染气体浓度具有区域差异。因此,本文基于OMI长时间序列监测数据对贵州主要污染气体 (即NO2、SO2、O3) 开展了柱浓度时空特征分析,并与地面监测数据进行比对,综合分析贵州主要污染气体的时空演变特征。
1 数据与方法
污染气体数据来源于搭载在EOS-Aura卫星上OMI传感器观测的数据,下载地址为https://disc.gsfc.nasa.gov/。OMI[10]由荷兰、芬兰、NASA合作制造,通过观测地球大气和地表的后向散色辐射来达到观测目的,其有可见光 (350~500 nm)、紫外-1 (207~314 nm)、紫外-2 (306~380 nm) 三个通道,能接收到波长范围为270~500 nm的电磁波,平均光谱分辨率为0.5 nm,轨道扫描宽度为2600 km,空间分辨率为13 km × 24 km,时间分辨率1天,过贵州省境内的时间大约为北京时间13:45。
OMI有Level-0、Level-1、Level-2、Level-3共4个等级的产品数据。本研究使用的为Level-3的污染气体数据,即:OMNO2d (NO2)、OMSO2e (SO2) 和OMDOAO3e (O3),数据格式为HDF-EOS。基于交互式数据语言 (IDL) + 遥感图像处理平台ENVI技术将原始数据影像通过投影转换、大气校正等批处理后提取NO2、SO2和O3的柱浓度值、经纬度,且在提取柱浓度时剔除异常值和无效值,再利用地理位置查找表进行几何校正,将柱浓度值与经纬度对应后利用地理信息系统软件ArcGIS可视化[11],从而对三种污染气体分别进行年、季、月的时空分析。
为进一步探究近地面污染气体月浓度变化趋势,基于2015―2019年贵州省 9 个中心城市 (贵阳、六盘水、遵义、毕节、安顺、铜仁、黔东南、黔南、黔西南) 共计33个国控环境空气质量自动监测站的逐月数据,计算了2015―2019年间9个城市的NO2、SO2和O3月均浓度,从时间和空间两个维度分析3种污染气体的浓度变化差异,综合评估贵州主要污染气体的时空演变特征。
2 污染气体时空分布特征
2.1 年际变化
根据OMI L3 V003产品分析统计得到贵州省NO2、SO2、O3时空分布图,如
图 1. 基于OMI的贵州省2005、2010、2015、2019年NO2 (a)、SO2 (b)、O3 (c) 柱浓度年分布特征
Fig. 1. Annual distribution characteristics of NO2 (a), SO2 (b), O3 (c) column amount based on OMI in Guizhou, China, in 2005, 2010, 2015 and 2019
由[
从2005、2010、2015、2019年贵州省O3柱浓度的四年变化来看[
2.2 季节分布特征
通过计算2005、2010、2015、2019年贵州省NO2、SO2、O3柱浓度季节平均值,得到其季节分布特征,如
图 2. 基于OMI的贵州省NO2 (a)、SO2 (b)、O3 (c) 柱浓度季分布特征
Fig. 2. Seasonal distribution characteristics of NO2 (a), SO2 (b), O3 (c) column amount based on OMI in Guizhou, China
2.3 月分布特征及与地面数据比对
2.3.1 NO2
通过计算2005、2010、2015、2019年逐月OMI数据反演的NO2柱浓度均值,可得到1―12月NO2柱浓度的时空分布,如
图 3. 基于OMI的贵州省2005、2010、2015、2019年NO2柱浓度月均值分布特征
Fig. 3. Monthly mean distribution characteristics of NO2 column amount in Guizhou based on OMI in the four years of 2005, 2010, 2015 and 2019
基于2015―2019年贵州省环境监测站的逐月数据,计算得到NO2月均浓度分布情况,结果如
图 4. 2015―2019年间基于地面监测站的贵州省NO2月均浓度统计
Fig. 4. Monthly average concentration statistics of NO2 in Guizhou based on ground monitoring stations from 2015 to 2019
表 1. 两种方法监测的NO2月浓度时空差异
Table 1. Temporal and spatial differences in monthly NO2 concentration monitored by two methods
|
2.3.2 SO2
图 5. 基于OMI的贵州省2005、2010、2015、2019年SO2柱浓度月均值分布特征
Fig. 5. Monthly mean distribution characteristics of SO2 column amount in Guizhou based on OMI in the four years of 2005, 2010, 2015 and 2019
基于2015―2019 年贵州省环境监测站的逐月数据,计算得到SO2月均浓度分布情况,结果如
图 6. 2015―2019年间基于地面监测站的贵州省SO2月均浓度统计
Fig. 6. Monthly average concentration statistics of SO2 in Guizhou based on ground monitoring stations from 2015 to 2019
通过
由
表 2. 两种方法监测的SO2月浓度时空差异
Table 2. Temporal and spatial differences in monthly NO2 concentrations monitored by two methods
|
2.3.3 O3
通过计算2005、2010、2015、2019年逐月OMI数据反演的O3柱浓度均值,可得到1―12月O3柱浓度的时空分布,如
图 7. 基于OMI的贵州省2005、2010、2015、2019年O3柱浓度月均值分布特征
Fig. 7. Monthly mean distribution characteristics of O3 column amount in Guizhou based on OMI in the four years of 2005, 2010, 2015 and 2019
图 8. 2015―2019年间基于地面监测站的贵州省O3月均浓度统计
Fig. 8. Monthly average concentration statistics of O3 in Guizhou based on ground monitoring stations from 2015 to 2019
对比
表 3. 两种方法监测的O3月浓度时空差异
Table 3. Temporal and spatial differences in monthly O3 concentrations monitored by two methods
|
2.4 讨论
根据卫星遥感反演结果和地面站点监测数据分析,贵州省近几年空气质量总体较好,空气污染主要出现在冬季,由于大气底层有逆温层出现,大气输送能力较差,NO2、SO2浓度相对较高。而春夏季贵州空气较为清洁,NO2、SO2浓度偏低,但受温度和太阳辐射影响,光化学反应强烈[12],O3浓度春、夏季相对较高。
贵州属于典型的喀斯特地貌,受地形和下垫面差异的影响,天气多变,十里不同天,故基于遥感反演的污染气体浓度与地面监测结果具有明显的时空差异。由于SO2、NO2基本是人为源排放,因此遥感反演的SO2、NO2柱浓度与地面监测的浓度数据时间变化趋势基本保持一致,但空间差异明显。遥感反演的O3柱浓度包括自然界中平流层的O3,而地面监测的O3浓度主要来自于人为排放的污染物的二次生成,且夏季大气层稳定性降低,当天气过程发生时,高层氧气又极易分解产生O3,使得遥感反演的O3柱浓度在夏季与地面监测数据时空差异最大,而冬季大气层相对稳定,二者的时空差异相对较小。
此外,地面监测数据为贵州省9个中心城市共计33个国控环境空气质量自动监测点位数据统计得到的综合结果,该数据在时间上综合了多年平均状况,在空间上由于33个国控站点的空间位置不同,具有区域差异性,基本能代表区域内实际的污染气体月浓度水平。但受天气影响,地面站测量仪器具有一定误差,且无法做到高精度、空间连续、全覆盖的特点。为避免数据单一的局限性,在以后的深入研究中可引入多种数据源,并增加空气污染物种类如CO、PM2.5、PM10等的综合分析。此外,OMI数据反演的是O3柱浓度,与地面监测结果差异较大,可进一步将柱浓度反演到近地面,并与相同时间点的地面监测数据开展卫星数据的验证工作。同时,在分析不同大气层污染气体浓度差异时,气象条件势必会对污染气体浓度造成影响,在极端天气过程发生时,大气层稳定性降低,因此在以后的研究中可引入气象要素进行综合分析。
3 结 论
通过分析,2019年贵州省NO2、SO2、O3的柱浓度较2005年总体呈下降趋势。两种方法监测的NO2、SO2季节特征均表现为“秋冬高、春夏低”,受太阳辐射和气温影响,两种方法监测的O3浓度表现为“春夏高、秋冬低”的季节特征。对比分析,遥感方法反演的NO2柱浓度极大值和SO2柱浓度极小值较地面监测结果在时间上存在滞后性,但滞后时间较短,没有出现跨季节差异,总体上空间差异性大于时间差异性,且SO2夏季空间差异性大于冬季。而O3无论是时间和空间上均有明显差异,这是由于地面监测的O3浓度基本为人为排放,且贵州夏季雷雨天气较多,在天气过程发生时,高层氧气极易被大量分解并生成O3,由于垂直输送较为活跃,使得平流层O3浓度稳定性降低,对近地面浓度影响较大,而遥感反演的O3柱浓度包括自然界中平流层的O3,因此两种方法监测的O3浓度时空差异较大。
[1] 周 维, 王雪松, 张远航, 等. 我国NOx污染状况与环境效应及综合控制策略[J]. 北京大学学报 (自然科学版), 2008, 44(2): 323-330.
Zhou W, Wang X S, Zhang Y H, et al. Current status of nitrogen oxides related pollution in China and integrated control strategy[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2008, 44(2): 323-330.
[2] 贺 祥, 林振山. 基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响[J]. 环境科学, 2017, 38(1): 22-32.
He X, Lin Z S. Interactive effects of the influencing factors on the changes of PM2.5 concentration based on GAM model[J]. Environmental Science, 2017, 38(1): 22-32.
[3] 王占山, 张大伟, 李云婷, 等. 北京市夏季不同 O3和 PM2.5污染状况研究[J]. 环境科学, 2016, 37(3): 807-815.
Wang Z S, Zhang D W, Li Y T, et al. Different air pollution situations of O3 and PM2.5 during summer in Beijing[J]. Environmental Science, 2016, 37(3): 807-815.
[4] 李 龙, 施润和, 陈圆圆, 等. 基于OMI数据的中国NO2时空分布与人类影响分析[J]. 地球信息科学学报, 2013, 15(5): 688-694.
Li L, Shi R H, Chen Y Y, et al. Spatio-temporal characteristics of NO2 in China and the anthropogenic influences analysis based on OMI data[J]. Journal of Geo-Information Science, 2013, 15(5): 688-694.
[5] 王思晨, 霍彦峰, 穆 溪, 等. 基于极端梯度提升树和深度学习方法估算中国地表NO2浓度[J]. 环境科学学报, 2023, 43(10): 298-308.
Wang S C, Huo Y F, Mu X, et al. Estimating ground-level NO2 over China by using extreme gradient boosting and deep learning method[J]. Acta Scientiae Circumstantiae, 2023, 43(10): 298-308.
[6] 巨天珍, 师贺雄, 王 彦, 等. 基于OMI卫星遥感数据的兰州市SO2空间分布分析[J]. 安全与环境学报, 2012, 12(4): 154-157.
Ju T Z, Shi H X, Wang Y, et al. Analysis of the spatial distribution of SO2 in Lanzhou City using OMI satellite remote sensing data[J]. Journal of Safety and Environment, 2012, 12(4): 154-157.
[7] 李 锐, 李俊伟, 刘之杰, 等. 卫星遥感研究中国气溶胶光学厚度、NO2和SO2的相关性[J]. 科学通报, 2016, 61(22): 2524-2535.
Li R, Li J W, Liu Z J, et al. Satellite observational study on correlations among aerosol optical depth, NO2 and SO2 over China[J]. Chinese Science Bulletin, 2016, 61(22): 2524-2535.
[8] 郭云飞, 包云轩, 刘端阳. 基于卫星和地面观测的中国典型城市群对流层内臭氧时空变化特征[J]. 环境科学研究, 2022, 35(3): 719-730.
Guo Y F, Bao Y X, Liu D Y. Spatial-temporal variations of tropospheric ozone over typical urban agglomerations in China based on satellite and surface observations[J]. Research of Environmental Sciences, 2022, 35(3): 719-730.
[9] 张兴赢, 周敏强, 王维和, 等. 全球卫星大气成分遥感探测应用进展及其展望[J]. 科技导报, 2015, 33(17): 13-22.
Zhang X Y, Zhou M Q, Wang W H, et al. Progress of global satellite remote sensing of atmospheric compositions and its' applications[J]. Science & Technology Review, 2015, 33(17): 13-22.
[10] Levelt P F, Hilsenrath E, Leppelmeier G W, et al. Science objectives of the Ozone Monitoring Instrument[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(5): 1199-1208.
[11] 邓书斌, 于 强, 骆知萌, 等. ENVI下基于GLT的风云三号气象卫星几何校正研究[J]. 遥感信息, 2009(2): 98-99.
[12] 王 涛, 陈梦平, 周梦翩, 等. 无锡市区大气污染物污染特征及影响因素研究[J]. 环境污染与防治, 2015, 37(12): 74-78.
Wang T, Chen M P, Zhou M P, et al. Pollution characteristics and influence factors of air pollutants in Wuxi City[J]. Environmental Pollution and Control, 2015, 37(12): 74-78.
Article Outline
谷晓平, 李光一, 陈远航, 廖瑶. 基于OMI及地面监测的贵州省污染气体浓度时空差异研究[J]. 大气与环境光学学报, 2024, 19(1): 85. Xiaoping GU, Guangyi LI, Yuanhang CHEN, Yao LIAO. Temporal-spatial difference of pollutant gases in Guizhou Province based on OMI and ground data[J]. Journal of Atmospheric and Environmental Optics, 2024, 19(1): 85.