刘状¹, 孙曦亮¹, 刘丹¹, 王旭红^1,2, 祝新明¹, 闫大江¹
1. 西北大学城市与环境学院, 西安 710127;
2. 陕西省地表系统与环境承载力重点实验室, 西安 710127
收稿日期: 2018-01-30; 修回日期: 2018-04-24; 录用日期: 2018-04-24
基金项目: 国家自然科学基金（No.41071271）；陕西省自然科学基础研究计划（No.2015JM4132）
作者简介: 刘状(1994-), 男, E-mail:lz2016@stumail.nwu.edu.cn
通讯作者（责任作者）: 王旭红, E-mail:jqy_wxh@nwu.edu.cn

摘要: 利用2001年3月—2017年2月MODIS MOD08M3遥感反演气溶胶光学厚度产品数据，结合GIS统计分析方法和集合经验模态分解方法（EEMD），对中国北方京津冀鲁豫晋陕7个省市的气溶胶光学厚度时空特征进行分析.结果表明：①从空间分布特征来看，人口密度与AOD空间分布有着直接的联系.一方面，地形因素主要通过影响人口分布来间接的影响AOD空间分布，另一方面地形因素还可以影响气溶胶的水平扩散，这使得AOD的空间变化梯度在平原和山脉交界处急剧增大，形成了AOD空间分布与地形高度契合的分布特征，因此地形因素是中国北方AOD空间分布重要的影响因素之一.②从时变特征来看，将EEMD应用于AOD时间序列变化研究，可以从频率域的角度提取不同尺度变化的规律和特征，AOD时间序列变化是由多个波动规律叠加在一起的最终结果，具体包括：年际间变化情况（IMF5）、季节性波动（IMF3）、时间间隔为12个月的人为事件波动（IMF2）、突发事件和情况（IMF1）.这些结果有助于研究AOD时空变化原因和北方地区的气候环境.
关键词:MODIS气溶胶光学厚度集合经验模态分解(EEMD)时空特征京津冀鲁豫晋陕
Spatio-temporal characteristics of aerosol optical depth over Beijing-Tianjin-Hebei-Shandong-Henan-Shanxi-Shaanxi region during 2001—2017
LIU Zhuang¹, SUN Xiliang¹, LIU Dan¹, WANG Xuhong^1,2 , ZHU Xinming¹, YAN Dajiang¹
1. College of Urban and Environmental Sciences, Northwest University, Xi'an 710127;
2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying capacity, Northwest University, Xi'an 710127
Received 30 January 2018; received in revised from 24 April 2018; accepted 24 April 2018
Supported by the National Natural Science Foundation of China (No. 41071271) and the Shaanxi Province Natural Science Foundation, China (No.2015JM4132)
Biography: LIU Zhuang(1994—), male, E-mail lz2016@stumail.nwu.edu.cn
^*Corresponding author: WANG Xuhong, E-mail:jqy_wxh@nwu.edu.cn
Abstract: This paper analyzed the spatio-temporal variations of Aerosol Optical Depth (AOD) over seven provinces in northern China (i.e. Beijing, Tianjin, Hebei, Shandong, Henan, Shanxi and Shaanxi) from March 2001 to February 2017 based on MOD08M3 product, using GIS statistical analysis technology and the Ensemble Empirical Mode Decomposition (EEMD) method. Results showed that:① In view of spatial features, there was a direct relationship between population density and the spatial distribution of AOD. From one aspect, terrain factors mainly affect the spatial distribution of AOD by affecting population density. From other aspect, the topographic factors can also affect the horizontal diffusion of aerosols, which makes the spatial variation gradient of AOD increase sharply in the junction of the plains and mountains. This explains the highly fit distribution features between the spatial characteristics of AOD and the terrain. Therefore, terrain factor is one of the most important factors affecting the spatial distribution of AOD in northern China. ② In view of temporal features, application of EEMD in the analysis of AOD temporal variations enables the analysis of the change characteristics at different scales from frequency domain. The temporal variations of AOD in northern China were resulted from multiple fluctuation rules superimposed together, including inter-annual variation (IMF5), seasonal fluctuation (IMF3), human event volatility at 12-month interval (IMF2), and emergencies and suddenly happened situations (IMF1). These results are useful for studying the temporal and spatial variations of AOD and the climatic environment in northern China.
Key words: MODISAODensemble empirical mode decomposition method (EEMD)spatio-temporal variationsBeijing-Tianjin-Hebei-Shandong-Henan-Shanxi-Shaanxi
1 引言(Introduction)气溶胶通常是指悬浮在大气中的固态或液态微小粒子.气溶胶对太阳辐射的多次吸收和散射改变了地面接收的太阳辐射能量(Kaiser et al., 2002), 同时气溶胶作为云的凝结核, 改变了云的辐射特征和变化周期, 进一步间接地影响区域气候(Rosenfeld et al., 2007).IPCC第五次评估报告指出, 在众多的气候变化影响因子中, 气溶胶的辐射强迫作用具有非常大的不确定性, 全球总的气溶胶有效辐射强迫估计值为-0.9(-1.9~-0.1) W · m^-2(张华等, 2014).这也意味着气溶胶总体呈负的辐射强迫作用, 导致地球温度降低, 蒸发量减少等多种结果, 进一步影响降水等气候要素, 而在局部小尺度区域, 气溶胶的辐射强迫作用及其造成的区域气候效应变得更加复杂.因此, 气溶胶作为影响气候的重要因素, 气溶胶的时空特征对研究不同地区的气候特征和变化有着重要的意义.
气溶胶光学厚度(AOD)是气溶胶最基础的光学特性, 它表示消光系数在垂直方向上的积分, 可以估量大气污染程度, 是目前可以方便获取的气溶胶数据中覆盖范围广、较准确的数据(Ramachandran et al., 2007).目前, 气溶胶光学厚度的获取方法主要有两种：地基方法和遥感方法.由美国建立的全球自动观测网(AERONET)及中国的地基气溶胶观测网(CARSNET)、太阳光度计网、手持太阳光度计网, 对气溶胶的光学厚度等辐射特性及物理特性进行长期观测, 地基观测网络有着精度高的优点, 但站点的数量有限且分布稀疏, 不能获取到连续的空间分布特征.基于遥感手段的反演算法可以获得大范围连续分布的气溶胶光学厚度, 已经有****提出了多种适用于不同卫星数据和地区的反演方法(Levy et al., 2009；Deuzé et al., 2001；Diner et al., 2005).除了直接对卫星影像进行地气解耦反演以外, 很多卫星定期公布规模化计算反演的气溶胶光学厚度等相关产品(杨军等, 2010；de Leeuw et al., 2015；Levy et al., 2013；Kaufman et al., 1997；Levy et al., 2007；Levy et al., 2007).
有关中国的气溶胶时空分布和区域气候效应已经有了部分研究.如李成才和毛节泰等(2003)验证了MODIS气溶胶产品在不同地面监测站点具有很好的精度, 并得到了人类活动是中国东部气溶胶主要来源的结论.邓学良等(2010)利用验证后的MODIS C5数据分析了华东地区的气溶胶光学厚度分布规律, 得到了气溶胶光学厚度受地形影响的显著性结果.Guo等(2011)分别利用TOMS和MODIS气溶胶产品分析了中国AOD的时空变化趋势, 发现1990年以后中国东部AOD有明显的升高趋势.白淑英等(2012)分析了长江流域的AOD时空变化特征, 发现长江流域空间差异性显著, 第一阶梯AOD呈显著的下降趋势, 第二、三阶梯呈较小的上升趋势.Dong等(2017)发现了中国吸收性气溶胶与行星边界层存在相互作用, 并进一步影响气溶胶的垂直分布.刘浩等(2015)对京津冀晋鲁区域AOD进行了长时间的分析, 发现了研究区内AOD在时间上夏季高, 空间上南部高的分布特征.张西雅等(2017)发现夜间灯光数据和AOD在空间分布上有较好的一致性.赵仕伟等(2017)验证了MODIS C6数据在中国西北地区的适用性, 分析得到了西北不同气候区域AOD的时空分布特点及成因.以上研究均对不同地区的AOD时空变化特征进行了分析, 但对中国北方气候相似的几个省份进行综合研究还较少, 还未见应用集合经验模态分解方法(EEMD)对AOD进行多时间尺度分析, 因此, 本文利用GIS统计分析方法和集合经验模态分解方法(EEMD)对京津冀鲁豫晋陕的气溶胶光学厚度时空特征进行研究.
2 数据与方法(Data and methodology)2.1 研究区依据中国北方省份的人口、气候条件和行政区划的范围, 本文选取的研究区以华北地区为主, 包括京津冀鲁豫晋陕共7个省市.研究区内大部分地区属于温带季风气候.其中京津冀鲁豫地区以华北平原地形为主, 中国三大平原之一的华北平原地势平坦, 耕地众多, 华北平原的人口和耕地面积约占中国的1/5以上.同时晋陕地区内也分布有多个平原, 较大的有八百里关中平原、汾河冲积平原等, 是重要的农业高产区和工业聚集地.总体而言, 研究区内气候条件较湿润, 适宜人口居住, 集中了中国北方大部分人口和经济产值, 因此也面临着严重的人为污染问题.
2.2 数据源本文旨在研究AOD较大时空尺度下的特征, 极个别天气影响下的结果并不能代表这一段时期的情况, 因此并不适合直接用AOD瞬时数据和AOD日数据来统计和分析, 同时2014年发布的MODIS C6版产品, 包括暗像元(DT)和深蓝(DB)两种算法的产品, DT算法效果更好, 但是在低植被覆盖地区缺失值太多, 综合考虑到研究时空尺度的大小和中国北方冬季植被覆盖度低的特点, 本文选取2001年3月—2017年2月的MODIS C6版MOD08_M3“AOD_550_Dark_Target_Deep_Blue_Combined_Mean_Mean”数据集, 它是基于两种算法融合的全球月平均气溶胶产品, 波段为550 nm, 适用于研究较大时空尺度下的特征.
2.3 处理与分析方法GIS统计分析方法的优点是对于有地理坐标的栅格数据处理比较方便.采用GIS统计分析方法处理原始数据, 由叠置分析得到AOD空间分布、AOD变化趋势的空间分布、AOD年均值和AOD月均值.
EEMD是针对EMD的不足提出的改进方法(Huang et al., 1998；Wu et al., 2005), 在原始序列中加入白噪声, 经过多次分解求取平均值, 减少了模态混合问题(薛嫚, 2007；王兵等, 2011).EEMD能够以自适应的方式提取信号的多个本征模态函数分量(IMF), 本征模态函数分量(IMF)之间存在的周期和振幅的差异, 如果一个地理要素的多个驱动力之间存在影响周期和影响大小的差异, 那么应用EEMD方法就可以很好的提取出有实际意义的本征模态函数(IMF).采用集合经验模态分解方法(Huang et al., 1998；Wu et al., 2005)对2001年3月—2017年2月的气溶胶光学厚度数据进行多时间尺度分析, 输入数据为192个月研究区范围内AOD的统计均值, 其中用于集合分解的扰动白噪声与原始信号的信噪比为20%, 集合平均次数为100次, 采用镜像延拓的方法对边界进行处理, 以减小极值点不准确造成的边界效应影响(Ji et al., 2014).
3 结果与分析(Results and analysis)3.1 AOD空间变化特征3.1.1 AOD空间分布图 1为2001年—2017年16年间的多年平均AOD空间分布, 共包括192个月的数据, 因此平滑了个别天气甚至是个别月份的特殊情况, 代表的是宏观分布特点.总体来看, 气溶胶光学厚度的空间分布受地形影响显著, 平原地区普遍是AOD的高值中心, 山脉地区的AOD值均低, 平原和山脉之间存在明显的分界线, AOD空间变化梯度在平原和山脉的边界线急剧增高, 而在平原和山脉腹地的变化梯度呈缓慢趋势.AOD大于0.8的高值区位于京津冀南部地区、山东西部地区和河南北部地区, 基本和华北平原的边界吻合, AOD小于0.2的低值区基本位于河北北部的燕山山脉、阴山山脉.
图 1(Fig. 1)

图 1 AOD多年平均空间分布(2001—2017) Fig. 1Average annual spatial distribution of aerosol optical depth(2001—2017)

除此之外, 次高值区和次低值区也与地形相关, 太行山脉、吕梁山脉纵贯整个山西省, 导致山西省的AOD值处于较低的水平, 山西省较大的平原是位于山西省中部和南部的汾河平原, 土壤肥沃, 灌溉发达, 是山西省重要粮、棉产区, 汾河平原是山西省气溶胶光学厚度的高值区, 平均值在0.6左右.陕西省在地理、文化习俗上一般分为陕北、关中和陕南三部分, 陕北属于黄土高原地区, 沟壑纵横, 陕北地区AOD值从南向北依次降低；关中平原人口稠密, 经济发达, 同时平原的北边是黄土高原, 南边是秦岭, 西边是六盘山余脉, 三面环山的地形使得气溶胶水平扩散条件很差, 这使得关中地区的AOD值成为一个高值区域, 平均可达0.7左右, 陕南地区由于秦岭和大巴山地的影响AOD值比关中小很多, 其中汉中AOD值相对较高.河南省和山东省同样受地形条件的影响, 主要山脉有河南西部的秦岭余脉、伏牛山、嵩山、河南南部的大别山、山东中部的泰沂山脉, 这些地区的AOD值都较低, 与此相对的是平原和盆地地形的AOD值很高, 除了华北平原是最大范围的高值区外, 南襄盆地的AOD值也较高.
在之前的研究中, 影响AOD空间分布格局的因素包括地形因素、人为因素、扩散因素等(白淑英等, 2012；李晓静等, 2015；张天宇等, 2017), 为了进一步探究影响因素之间的关系, 根据研究区内各地级市的人口、面积, 计算出各个地级市的人口密度, 并由DEM数据统计各个地级市的平均高程与平均坡度, 最终得到69组地级市的人口密度、平均高程、平均坡度和平均AOD数据, 并分别与人口密度数据进行相关分析(图 2).
图 2(Fig. 2)

图 2 人口密度相关分析 Fig. 2Correlation analysis of population density

如图 2所示, 人口密度与AOD的相关系数最高, 达到了0.779, 显然这两者间人口密度是自变量, AOD是因变量, 人口密度大的地区交通发达, 工农业密集, 直接影响AOD的空间分布.人口密度与高程和坡度呈现负的相关性, 相关系数分别为-0.715和-0.659, 人类改变大尺度地形的能力有限, 因此这三者中高程和坡度是自变量, 人口密度是因变量, 这说明人口密度与高程和坡度有关, 坡度小海拔低的平原适于发展农业, 能够供给大量人口和经济产业, 坡度大的山脉不适于大量人口居住.海拔越高, 坡度越大, 人口密度就越小, 而人口密度又直接影响着AOD的空间分布, 因此地形因素并非是一个独立的影响因素, 很大程度上通过人口密度来间接影响AOD的空间分布.地形因素还通过影响气溶胶的水平扩散来影响AOD的空间分布, 气溶胶垂直运动能力有限(边健等, 2013), 当气溶胶来源在低海拔地区时, 水平方向上难以翻越山脉.
总而言之, AOD空间分布的3个主要影响因素之间并不是相互独立的, 地形因素与人口因素有着直接的联系, 人口因素与AOD空间分布有着直接的联系, 地形因素还可以直接决定AOD水平扩散的条件, 其通过直接和间接的作用影响AOD的空间分布, 因此地形因素是AOD空间分布很重要的影响因素之一.
3.1.2 变化趋势的空间分布图 3是AOD变化趋势的空间分布, 由前后两个8年的差值所得.可以看出其总体格局与大尺度地形因素有关, 受小平原小山脉的影响并不显著, 人口较少的黄土高原基本呈减少或不变的趋势, 经济发达人口密度大的华北平原地区基本呈现增加的趋势, 这说明AOD的变化情况受自然源的影响并不大, 在研究区内AOD的增高主要受人为源的影响.
图 3(Fig. 3)

图 3 2001—2017年AOD变化趋势空间分布 Fig. 3AOD change trend spatial distribution during 2001—2017

3.2 AOD时间变化特征采用EEMD方法对AOD时间序列数据进行逐步分解, 得到6个固有模态函数分量(IMF)和一个趋势分量(RES), 如图 4所示, IMF分量的频率逐渐减小, 包含了从短到长的不同周期, 即气溶胶光学厚度变化的多个时间尺度特征.
图 4(Fig. 4)

图 4 气溶胶光学厚度EEMD分解结果 Fig. 4The decomposition results of aerosol optical depth by EEMD

分解得到的IMF分量是否有实际意义, 可以通过显著性检验来判断(李艳萍等, 2014), 通过分析各IMF分量的能量谱密度周期的分布判断其属性.选取显著性水平α=0.10、0.05、0.01, IMF分量位于置信度曲线以上表明在所选置信水平范围内包含了具有实际意义的信息, 通过了显著性检验；IMF分量位于置信度曲线以下表明其所含信息多为白噪声成分, 未通过显著性检验.如图 5所示, 从横轴方向看, 由左至右依次为IMF分量1~6, 纵轴为IMF分量的能量, IMF分量值越大表示IMF分量的能量越高.从图中可以看出IMF2、IMF3、IMF5落在置信区间99%以上, 说明这3个分量包含的实际意义信息最多；IMF1位于置信区间90%~95%, 也包含一定的实际意义；IMF4和IMF6位于置信区间90%以下, 其包含的物理意义信息就相对较少, 振幅微弱.从表 1来看, 位于置信区间90%以下的两个IMF分量的方差贡献率和皮尔逊相关系数也明显小于其他4个IMF分量, 且IMF6已经基本接近趋势分量RES, 因此IMF4和IMF6就不做更多讨论.
图 5(Fig. 5)

图 5 各IMF分量信号的显著性检验结果 Fig. 5The significance test result of each IMF

表 1(Table 1)

表 1 IMF分量周期、方差贡献率及相关系数 Table 1 The Period, variance contribution rate and the correlation coefficient of IMF

表 1 IMF分量周期、方差贡献率及相关系数 Table 1 The Period, variance contribution rate and the correlation coefficient of IMF IMF分量 周期/月 贡献率 相关系数 IMF1 3.37 27.24% 0.546 IMF2 8.69 40.32% 0.745 IMF3 12.50 21.30% 0.611 IMF4 36.36 3.28% 0.246 IMF5 61.54 4.24% 0.249 IMF6 160.00 1.18% 0.25 RES 2.44% 0.203 注：相关系数均通过99%显著性检验.

趋势分量RES表示气溶胶光学厚度长期以来的整体变化情况, 呈先增后减的变化趋势, 考虑到实际情况为双峰波动, RES只能有一个极值, 因此其实际意义有限, 但RES也可能属于更长周期的一部分.
IMF3的周期为12.5个月, 结合图 4和图 6可以看出, IMF3的波动周期就是1年, 与大多数地理现象一样, 太阳辐射造成的直接和间接影响决定着AOD的重要变化周期, AOD从11月份左右到7月份左右逐渐增高, 原因是气温和湿度不断增高, 易于产生一次和二次气溶胶, 不易于气溶胶沉淀, AOD在7月份达到最高值, 16年平均值达到0.8以上；从7月份左右到11月份左右又逐渐降低, 原因是夏末降水作用和季风从北方低值区向南流动的作用, AOD在11月份达到最低值, 16年平均值在0.4以下.IMF3的振幅高达0.4左右, 振幅稳定, 说明季节性变化因素对AOD时间序列变化的影响很大, 且影响稳定, IMF3剥离了其他影响因素, 呈现出明显的季节性变化趋势.
图 6(Fig. 6)

图 6 AOD时间序列变化图(a.月度变化统计, b.年度变化统计, c.实际变化情况) Fig. 6The time series change of AOD(a.Monthly change, b.Annual change, c.Actual change)

IMF2的周期为8.69个月, 其方差贡献率达到了40.3%, 从IMF2图像中可以看出它的周期并不固定, 结合图 6a(月度变化), AOD在5—6月份之间是急剧增高的阶段, 而从1—5月份呈波动性缓慢增长的趋势, 在2月份普遍达到了一个小峰值, 这与春节多数在2月份有关.由于2月份这个小峰值存在的缘故, 在IMF2图像中, 年初多呈现出一个振幅小的短周期, 其后出现一个8个月左右的长周期, 但有些年份2月份的振幅偏小或偏大, 使得2月这个周期并入后面的时间序列或与其后的周期振幅相当, 因此可以断定IMF2是在IMF3周期性波动基础上受周期性人为事件影响的分解结果.
IMF1的周期为3.37个月, 从周期的长度来看, 数据的最小单位是月份, 只要单调性发生一次改变, 就有可能产生一个3个月的短周期, 因此IMF1产生波动是由多种因素造成的.降水量、季风强度的异常变化、秸秆焚烧、森林火灾、沙尘暴、短期污染控制等突变因素的存在, 都有可能使得AOD时间序列的单调性都发生非规律性的改变, 并将这个结果分解到IMF1中.IMF1的振幅并不稳定, 时大时小, IMF1振幅大的年份AOD也相对较高, 2006年大范围的沙尘暴和2010年的季风强度异常可能与其有一定关系, IMF1的振幅大小和周期长短显示了突发性事件的不稳定性特征.
IMF5落在了99%置信度区间以上, 很好的分解出了年际间的变化情况.从实际年际变化来看, 存在3个由低到高再到低的波动过程, 分别是2001—2004年、2004—2009年、2009—2016年.2008年奥运会前后和APEC会议期间的环境治理可能与其有一定关系.IMF5的振幅为0.2左右, 说明年际间的变化幅度相差不大, 污染控制在较合理的范围内, 总体而言IMF5和年均值变化曲线有一致的变化趋势(年际变化统计曲线时间节点在第2年年初), 这说明IMF5剥离了较短周期的变化规律, 显示了年际间时间序列的变化情况.
以上几个主要固有模态函数分量代表了不同的变化规律, 但对最终结果影响的大小并不相同, IMF5的振幅为0.2左右, IMF3的振幅高达0.4左右, 且振幅较为稳定, 这与图 6中的年度和月度变化统计曲线有一致的波动范围.IMF1与IMF5振幅大的时期相近, 这说明年际间的变化受突发事件的影响较大.总体而言, 不同的固有模态函数分量均对AOD时间序列变化施加影响, 并构成了最终的变化结果.
4 结论(Conclusions)1) 多年平均AOD的空间分布显示, AOD高值区和低值区与中国北方的平原和山脉高度契合, AOD大于0.8的高值区位于京津冀南部地区、山东西部地区和河南北部地区, 基本和华北平原的边界吻合.
2) 人口密度与AOD空间分布有着直接的联系, 地形因素主要通过影响人口密度大小来间接的影响AOD空间分布, 地形因素还通过影响气溶胶的水平扩散使得AOD的空间变化梯度在平原和山脉交界处急剧增大, 形成了AOD空间分布与地形高度契合的分布特征, 因此地形因素是AOD空间分布重要的影响因素之一.
3) AOD变化趋势的空间分布与大尺度地形因素有关, 受小平原小山脉的影响并不显著, 人口较少的黄土高原基本呈减少或不变的趋势, 经济发达人口密度大的华北平原地区基本呈增加的趋势, 这说明AOD的变化情况受自然源的影响并不大, 在北方AOD的增长主要受人为源的影响.
4) 统计分析结果和EEMD的分解结果显示, 京津冀鲁豫晋陕地区AOD存在单峰单谷的季节性变化规律, 7月份达到最高值, 11月份达到最低值, 季节性因素对AOD时间序列的影响大小在0.4左右, 多年来影响大小基本稳定；AOD在2月份普遍偏高, 很可能与春节在2月份有关, 影响大小在0.1左右；突发性因素对AOD时间序列的影响大小在0~0.5左右, 影响大小不稳定, 同时对年际间变化施加影响.
5) EEMD的分析结果表明, 多个波动规律叠加在一起, 构成了AOD时间序列变化的最终结果, 其中包括：年际间变化情况(IMF5)、周期为12个月的季节性波动(IMF3)、时间间隔为12个月的人为事件波动(IMF2)、突发事件和情况(IMF1).
致谢:MODIS气溶胶产品由NASA戈达德太空飞行中心(GSFC)提供, 在此表示衷心感谢.
参考文献

白淑英, 史建桥, 卜军, 等. 2012. 近年来长江流域气溶胶光学厚度时空变化特征分析[J]. 生态环境学报, 2012, 21(9): 1567–1573.

边健, 伽丽丽, 徐文清, 等. 2013. 气溶胶垂直非均一分布对天空背景亮度的影响[J]. 强激光与粒子束, 2013, 25(5): 1081–1086.

de Leeuw G, Holzer- Popp T, Bevan S, et al. 2015. Evaluation of seven European aerosol optical depth retrieval algorithms for climate analysis[J]. Remote Sensing of Environment, 162(2013): 295–315.

Dong Z P, Li Z Q, Yu X, et al. 2017. Opposite long-term trends in aerosols between lower and higher altitudes:a testimony to the aerosol-PBL feedback[J]. Atmospheric Chemistry and Physics, 17(12): 7997–8009.DOI:10.5194/acp-17-7997-2017

邓学良, 邓伟涛, 何冬燕. 2010. 近年来华东地区大气气溶胶的时空特征[J]. 大气科学学报, 2010, 33(3): 347–354.

Deuzé J L, Bréon F M, Devaux C, et al. 2001. Remote sensing of aerosols over land surfaces from POLDER-ADEOS-1 polarized measurements[J]. Journal of Geophysical Research Atmospheres, 106(D5): 4913–4926.DOI:10.1029/2000JD900364

Diner D J, Braswell B H, Davies R, et al. 2005. The value of multiangle measurements for retrieving structurally and radiatively consistent properties of clouds, aerosols, and surfaces[J]. Remote Sens Environ, 97(4): 495–518.DOI:10.1016/j.rse.2005.06.006

葛美玲, 封志明. 2009. 中国人口分布的密度分级与重心曲线特征分析[J]. 地理学报, 2009, 64(2): 202–210.DOI:10.11821/xb200902007

Guo J P, Zhang X Y, Wu Y R, et al. 2011. Spatio-temporal variation trends of satellite-based aerosol optical depth in China during 1980-2008[J]. Atmospheric Environment, 45(37): 6802–6811.DOI:10.1016/j.atmosenv.2011.03.068

Huang N E, Shen Z, Long S R. 1998. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary series analysis[J]. Proceedings of the Royal Society, 54(1971): 903–995.

Ji F, Wu Z, Huang J, et al. 2014. Evolution of land surface air temperature trend[J]. Nature Climate Change, 4(6): 462–466.DOI:10.1038/nclimate2223

Kaiser D P, Qian Y. 2002. Decreasing trends in sunshine duration over China for 1954-1998:indication of increased haze pollution?[J]. Geophysical Research Letters, 29(21): 38–1.

Kaufman Y J, Tanre D, Remer L A, et al. 1997. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectroradiometer[J]. Journal of Geophysical Research, 102(D14): 17051–17067.DOI:10.1029/96JD03988

Levy R C, Leptoukh G G, Kahn R, et al. 2009. A critical Look at deriving monthly aerosol optical depth from satellite data[J]. IEEE Transactions on Geoscience & Remote Sensing, 47(8): 2942–2956.

Levy R C, Mattoo S, Munchak L A, et al. 2013. The collection 6 MODIS aerosol products over land and ocean[J]. Atmospheric Measurement Techniques, 6(11): 2989–3034.DOI:10.5194/amt-6-2989-2013

Levy R C, Remer L A, Dubovik O. 2007. Global aerosol optical properties and application to moderate resolution imaging spectroradiometer aerosol retrieval over land[J]. Journal of Geophysical Research Atmospheres, 112(D13).DOI:10.1029/2006JD007815

李成才, 毛节泰, 刘启汉, 等. 2003. 利用MODIS研究中国东部地区气溶胶光学厚度的分布和季节变化特征[J]. 科学通报, 2003, 48(19): 2094–2100.DOI:10.3321/j.issn:0023-074X.2003.19.018

李晓静, 高玲, 张兴赢, 等. 2015. 卫星遥感监测全球大气气溶胶光学厚度变化[J]. 科技导报, 2015, 33(17): 30–40.DOI:10.3981/j.issn.1000-7857.2015.17.003

李艳萍, 陈昌春, 张余庆, 等. 2014. 基于EEMD的明代北京地区干旱灾害特征分析[J]. 中国沙漠, 2014, 34(3): 835–840.DOI:10.7522/j.issn.1000-694X.2013.00383

刘浩, 高小明, 谢志英, 等. 2015. 京津冀晋鲁区域气溶胶光学厚度的时空特征[J]. 环境科学学报, 2015, 35(5): 1506–1511.

Ramachandran S. 2007. Aerosol optical depth and fine mode fraction variations deduced from moderate resolution imaging spectroradiometer(MODIS)over four urban areas in India[J]. Journal of Geophysical Research, 112(D16).DOI:10.1029/2007JD008500

Rosenfeld D, Dai J, Yu X, et al. 2007. Inverse relations between amounts of air pollution and orographic precipitation[J]. Science, 315(5817): 1396–1398.DOI:10.1126/science.1137949

王兵, 李晓东. 2011. 基于EEMD分解的欧洲温度序列的多尺度分析[J]. 北京大学学报自然科学版, 2011, 47(4): 627–635.

Wu Z H, Huang N E. 2005. Ensemble empirical mode decomposition:a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 1(1): 1–41.

薛嫚. 2007. 总体平均经验模式分解法的理论研究[D]. 哈尔滨: 哈尔滨工程大学

杨军, 董超华, 卢乃锰, 等. 2010. 新一代风云极轨气象卫星业务产品及应用[M]. 北京: 科学出版社.

张华, 黄建平. 2014. 对IPCC第五次评估报告关于人为和自然辐射强迫的解读[J]. 气候变化研究进展, 2014, 10(1): 40–44.

赵仕伟, 高晓清. 2017. 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.

张天宇, 王勇, 程炳岩. 2017. 1961-2013年四川盆地气溶胶光学厚度的长期变化及与气温的联系[J]. 环境科学学报, 2017, 37(3): 793–802.

张西雅, 扈海波. 2017. 京津冀地区气溶胶时空分布及与城市化关系的研究[J]. 大气科学, 2017, 41(4): 797–810.DOI:10.3878/j.issn.1006-9895.1611.16186