删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于OMI数据的东南沿海大气臭氧浓度时空分布特征研究

本站小编 Free考研考试/2021-12-31

宋佳颖, 刘旻霞, 孙瑞弟, 李全弟, 张娅娅, 李博文
西北师范大学地理与环境科学学院, 兰州 730070
收稿日期: 2019-07-22; 修回日期: 2019-09-16; 录用日期: 2019-09-16
基金项目: 国家自然科学基金项目(No.31360114,31760135)
作者简介: 宋佳颖(1996-), 女, E-mail:songjiaying927@163.com
通讯作者(责任作者): 刘旻霞, E-mail:xiaminl@163.com

摘要:基于臭氧监测仪(OMI)卫星反演数据,对2005-2018年东南沿海5省区域大气臭氧柱浓度数据进行提取及分析,探讨其时空分布格局及影响因素.结果表明:①在时间变化上,14年间,该区域大气臭氧柱浓度整体呈先上升后下降的趋势,2005-2013年臭氧柱浓度持续升高,最高值为324.52 DU,高值区不断向南部区域扩大;2013-2018年臭氧柱浓度呈下降趋势,最低值为228.27 DU,但在2017、2018年略有上升.②在空间分布上,臭氧柱浓度自北向南逐渐降低,高值区集中分布在江苏及浙江省北部;低值区集中于福建省南部及广东省大部分地区.③在季节变化上,大体呈现出春夏季高于秋冬季,高值区在春夏季交替出现,秋季略高于冬季,但差异不明显.④稳定性分析表明:研究区臭氧柱浓度整体呈现中部分散、南北部集聚、差异较显著的分布格局.⑤自然因素中,风向、气温均呈现显著正相关,江淮地区的梅雨季节(降水)及华南地区的台风和暴雨也起到显著作用.⑥人文因素中,臭氧柱浓度与地区生产总值、各产业生产总值及机动车保有量均表现出正相关,其中,臭氧柱浓度与第二产业的相关度最高.另外,臭氧柱浓度与NOx排放量表现出显著相关性.VOCs对臭氧柱浓度的影响中,工业源是主控因素,交通源和居民源次之,电厂源对臭氧柱浓度的影响最弱.这进一步说明臭氧浓度的变化受到了诸多因素的综合影响,但气温、NOx及VOCs的排放是臭氧浓度变化的主导因素.
关键词:OMI东南沿海5省臭氧柱浓度时空分布特征稳定性分析
Temporal and spatial distribution characteristics of atmospheric ozone concentration in Southeast Coast based on OMI data
SONG Jiaying, LIU Minxia, SUN Ruidi, LI Quandi, ZHANG Yaya, LI Bowen
College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070
Received 22 July 2019; received in revised from 16 September 2019; accepted 16 September 2019
Abstract: Ozone column concentration data of five provinces based on the ozone monitoring instrument in the southeastern coastal areas of 2005-2018 were extracted and analyzed, and their spatial and temporal distribution patterns and influencing factors were discussed. The results show that:① In the time variation, the concentration of ozone column in the region had increased firstly and then decreased during 14 years. The concentration of ozone column continued to rise and expand to the southern region with the highest value being 324.52 DU from 2005 to 2013. Ozone column concentration showed a downward trend from 2013 to 2018, with a minimum value of 228.27 DU, but increased slightly in 2017 and 2018. ② In terms of spatial distribution, ozone column concentration decreased gradually from north to south, and the high value area was concentrated in Jiangsu and northern Zhejiang; the low value area was concentrated in southern part of Fujian Province and most area of Guangdong Province.③ In terms of seasonal changes, spring and summer were higher than autumn and winter, high-value areas alternate in spring and summer, and autumn was slightly higher than winter, but the difference was unconspicuous.④ The stability analysis reveals that the concentration of ozone column in the study area showed a significant distribution pattern of central dispersion and north-south agglomeration. ⑤ Among the natural factors, the wind direction and temperature were significantly positively correlated. The rainy season (precipitation) in the Jianghuai area, the typhoons and heavy rains in southern China also play an important role. ⑥ Among the human factors, ozone column concentration had a positive correlation with the gross regional product, the gross national product and ozone column concentration. Besides, the secondary industry has the highest correlation with the ozone column concentration. In addition, ozone concentration showed a very significant correlation with the NOx emissions. Among the effects of VOCs on the concentration of ozone column, the industrial source was the main controlling factor, followed by the source of transportation and residents. The influence of power source on the concentration of ozone column was the weakest. These further indicate that the change in ozone concentration was affected by many factors, but temperature, NOx and VOCs were the key factors.
Keywords: OMIfive provinces in the southeast coastozone column concentrationtemporal and spatial distribution characteristicsstability analysis
1 引言(Introduction)臭氧(O3)是大气中重要的痕量气体, 也是大气复合污染的主要污染物之一, 可导致新型的光化学烟雾污染.它主要是因汽车和石油化工排放的氮氧化物(NOx)和挥发性有机物(VOCs)等前体物质在太阳辐射下经过复杂的光化学反应生成(张远航, 1998).随着经济的迅速发展和人类活动的增加, O3污染已成为我国一种普遍而又难处理的大气污染.O3来源主要分为自然源和人为源(杜君平等, 2014), 燃煤、机动车尾气及石油、化工、冶金等各类重工业产业是主要的人为源.大量研究已经表明, O3污染在一定条件下会造成农作物减产、树木生长受损、生态环境恶化(刘小正等, 2016), 最重要的是高浓度的O3会损害人体健康, 因此O3污染的研究受到大气科学界的广泛关注.
近几年, 部分****开始利用遥感技术研究大气污染物, 但是大部分是对甲醛(HCHO)、气溶胶(Aerosol)、二氧化氮(NO2)等污染物的研究, 对O3的研究相对较少.目前, 国内对O3的研究局限于小区域单点监测或者是地面基站的监测, 如黄俊等(2018)研究了广州近地面的O3浓度特征及其影响因素, 结果表明气温高、日照长、辐射强、气压低、湿度小是广州近地面产生高浓度O3的主要气象因素;段晓瞳等(2017)研究了2015年中国近地面的O3分布特征, 得出中国近地面的O3浓度变化呈先增高后降低的趋势.庄立跃等(2019)基于OMI卫星数据和MODIS土地覆盖类型数据研究珠江三角洲臭氧敏感性, 结果表明:臭氧生成受到VOCs控制的地区主要集中在珠三角中部, 受到NOx控制的地区主要分布在珠三角边缘地带.目前, 卫星遥感已经可提供全球的臭氧监测, 星载紫外臭氧探测由于其特有的优势, 逐渐成为臭氧探测的主要方式(王跃启等, 2009).它可为全球及不同区域尺度的O3监测提供技术手段, 获取全方位多时段的遥感监测数据, 得到O3时空动态分布情况, 是对O3研究的有效补充.
东南沿海5省区涵盖了长江三角洲及珠江三角洲经济圈, 是我国发展最为迅速的地区.长江三角洲城市群在我国经济发展及文化建设方面具有重要的战略地位(周春艳等, 2016), 上海市作为“增长极”, 大力发展高新产业, 带动了周围城市的发展;江苏省轻重工业并行发展;浙江省轻工业极为发达, 以民营经济发展带动全省的经济增速;福建省山岭耸峙, 资源丰富, 是我国重要的产粮区;广东省人口密集, 外贸频繁, 是重要的交通枢纽.整个区域经济发达, 高新技术产业及互联网产业先进, 在我国具有极为重要的战略地位.该地区生态环境的优良对于全国的环境保护及产业发展起着至关重要的作用, 而O3的污染日趋严重, 这严重制约了该地区经济发展和人居环境的改善, 因此对该地区O3的污染研究迫在眉睫.基于此, 本文利用OMI遥感数据, 结合经济、气象数据, 研究近14年该区域O3浓度的时空变化并探讨其影响因素, 以期为环保部门在治理大气污染、制定环保政策方面提供参考.
2 研究区概况(Study area)东南沿海5省区域(20°13′~35°20′N, 109°39′~ 122°12′E)包括江苏、浙江、福建、广东、上海5个省市, 区域面积为51.18万km2, 占我国总面积的5.4%;人口极为密集, 常住人口31128万人, 占全国总人口的22.3%.全域自北向南分别为温带季风气候、亚热带季风气候及热带季风气候;年平均气温为15~18 ℃;海拔为-76~2076 m, 年降水量为1500~1800 mm.境内地势较为平坦, 水网纵横, 西北、西南低洼平坦, 整体上形成平原河谷交错、丘陵山地密布的地形(图 1).
图 1(Fig. 1)
图 1 东南沿海5省高程图 Fig. 1Elevation map of the five provinces in the southeast coast

3 数据与方法(Materials and methods)3.1 数据来源臭氧柱浓度数据来源于搭载在Aura卫星上的OMI传感器, Aura卫星是一颗由荷兰和芬兰共同研制的极轨、太阳同步科学探测卫星(Helen et al., 2011).OMI传感器波长范围为270~500 nm, 空间分辨率为13 km×24 km, 轨道高度为705 km(Smedt et al., 2009), 波谱分辨率为0.5 nm, 一天即可覆盖全球一次(Jiang et al., 2012).OMI传感器工作原理是通过观测地球大气和地球表面的后向散射辐射来获取信息(肖钟湧, 2011), 可以测量O3、HCHO、NO2、SO2柱浓度和廓线以及气溶胶、云、紫外辐射等多种数据.本文所采用的臭氧柱浓度数据来自NASA官网中GES DISC的level2-V003产品, OMI反演大气臭氧含量主要是用紫外及可见光的散射和后射光测量示踪气体的浓度, 进而获得O3总量的变化.此外, 由于2009年之后, OMI数据行异常, 部分日期的数据无法覆盖整个研究区, 计算月均值时, 如果当月数据有7日以上的缺失, 视为无效并剔除.剔除缺失数据后格点数据可用率如图 2所示.
图 2(Fig. 2)
图 2 2005—2018年OMI O3逐月格点数据可用率图 Fig. 2OMI O3 monthly grid data availability rate map from 2005 to 2018

3.2 数据处理方法O3数据来自2005—2018年每日OMI数据, 按过境时间(凌晨4:30左右)进行筛选, 用HDF-EOSS条带格式进行存储, 将研究区的经纬度与臭氧柱浓度对应, 最后使用VISAN软件提取.为了保证研究区全部覆盖, 提高插值的精度, 本研究对云量大于20%及缺测率大于15%的数据进行剔除, 将经纬度分别扩大2个经纬度, 然后将经过处理的数据导入HDF-View 2.11, 处理得到的数据以excel表存储.随即在Arcgis 10.3中进行空间插值处理及腌膜处理, 利用处理得到的结果, 对研究区大气O3浓度进行时空分析.
经济数据(地区生产总值及各产业产值)来源于国家统计局数据库(http://www.stats.gov.cn/)中各省2005—2018年的统计年鉴, 风向、风频、气温及降水量等数据来源于国家气象信息中心(http://data.cma.cn/)的《中国地面累年值月值数据集》, 研究区内气象站点共计294个(江苏省67个、浙江省70个、福建60个、广东省86个、上海市11个).
污染物排放数据来自MIX亚洲排放清单(Li et al., 2017)(http://www.meicmodel.org/), 该清单是由清华大学主持开发的2008年和2010年亚洲人为源排放清单, 采用多尺度数据耦合方法, 通过耦合同化亚洲各地人为源排放清单, 提供5个排放部门(电力、工业、民用、交通、农业)0.25度空间分辨率的逐月网格化排放数据, 可服务于多尺度的大气化学传输模式.
标准偏差分析(Standard Deviation Analysis)是一种重要的度量数据离散程度的方法, 一般用来评估污染物在时间序列上的稳定程度.计算公式如下:
(1)
式中, SD为标准偏差, n为研究总时长(本研究中n=14), yi为第i年的臭氧柱浓度, i年的臭氧柱浓度平均值, SD值越小, 表明数据在这一时间范围内, 波动越小, 离散程度越弱, 稳定性越好, 反之, SD值越大, 稳定性越差(张亮林等, 2018).
4 结果与讨论(Results and discussion)本研究分析了东南沿海5省市区域近14年臭氧柱浓度的月、季、年时空分布及变化情况, 依据Arcgis 10.3中的自然间断点分级法(Jenks)的分级标准, 将臭氧浓度分为8个等级:一级(< 260)、二级(260~270)、三级(270~280)、四级(280~290)、五级(290~300)、六级(300~310)、七级(310~320)、八级(>320), gis图中不同颜色表示不同的等级, 单位为DU.
4.1 东南沿海5省大气臭氧柱浓度的月变化由图 3可以看出, 14年间对流层臭氧柱浓度呈周期性变化的趋势.每年11、12月到次年1月臭氧柱浓度出现了最低值, 其中, 2018年12月的臭氧柱浓度值最低, 为228.27 DU.各年的4—6月份臭氧柱浓度出现了最高值, 这与张倩倩等(2019)研究一致:夏季O3浓度高于冬季.14年中, 2013年4月份出现了最高值, 为324.52 DU.
图 3(Fig. 3)
图 3 2005—2018年东南沿海5省大气臭柱浓度月均值变化趋势图 Fig. 3Trend of monthly mean value of tropoline ozone column concentration in five provinces of southeastern coastal China from 2005 to 2018

图 4表明, 臭氧柱浓度自北向南逐渐降低, 高值区集中在江苏及浙江省北部, 其他3省在部分月份保持着较高浓度;低值区集中在广东省、福建省以及浙江省的南部.这与研究区地形及风向等因素有关.3月份开始, O3浓度高值区自北向南扩散至广东省, 7月份后广东省O3浓度逐渐回落至较低水平.8、9月份, 全域O3浓度集中在三到五级, 且分布较为均匀.10月起, 广东、福建、浙江3省开始出现一级低值区, 而江苏省北部地区异于其他区域, 出现了高于320 DU的极高值.南部地区的低值区从11月一直延续到1月份, 2月份开始出现了回升, 这是由于气温的回升导致光化学反应速率加快, O3浓度随之增加.
图 4(Fig. 4)
图 4 2018年东南沿海5省大气臭氧柱浓度月均值分布图 Fig. 4Monthly mean value distribution of ozone column concentration in five provinces of southeastern coastal China in 2018

4.2 东南沿海5省大气臭氧柱浓度的年际变化2005—2013年, 臭氧柱浓度的最高值处于上升趋势, 在2013年达到最大, 但在2010年出现了次高峰.2013—2016年, 臭氧柱浓度的最高值基本处于下降的趋势, 在2017年和2018年有轻微的上升.这与我国自2013年起实施的“大气污染防治行动计划”有关.臭氧柱浓度的最低值在2005—2010年基本保持着上升的趋势, 在2008年略有下降.2010年后O3浓度总体上呈下降的趋势, 2014年有小幅度的上升, 之后继续保持着下降的趋势(图 5).
图 5(Fig. 5)
图 5 2005—2018年东南沿海5省大气臭氧柱浓度年均值及最值 Fig. 5Maximum、minimum and annual values of monthly mean value of Ozone column concentration in five provinces in southeastern coastal areas from 2005 to 2018

2005—2018年该区域臭氧柱浓度自南向北逐渐升高, 江苏、浙江、上海3省均高于福建、广东2省的大部分地区.前6年, 全域O3浓度处于缓慢增长, 且不断向南部扩散, 在2010年达到了最高, 福建省南部区域出现了五级区域.2010年后, O3浓度开始降低, 但在近2年有所回升, 可能是由于O3前体物大量排放及高温、高辐射等因素共同作用的结果(王宏等, 2018).2018年江苏省北部出现了六七级区域, 低值区均出现在广东省, 且在2008达到一级低值, 之后逐年上升, 在2016年又回落至第一级.由于地形等因素的影响, 全域O3浓度的高值区均出现在江苏省, 在2010年达到最高, 且江苏省全境均处于七八级(图 6).
图 6(Fig. 6)
图 6 2005—2018年东南沿海5省大气臭氧柱浓度逐年分布图(12、1、2月为冬季, 3、4、5月为春季, 6、7、8月为夏季, 9、10、11月为秋季, 分级标准同图 4一致) Fig. 6Annual variation of ozone column concentration in five provinces along the southeast coast from 2005 to 2018

4.3 东南沿海5省大气臭氧柱浓度的季节变化图 7表明, 14年来, 春夏季O3浓度平均值明显高于秋冬季, 2010年前, 高值区在春夏季间交替出现, 2010年后, 基本保持着春季高于夏季的规律, 但浓度值差距不大, 而秋季O3浓度值均大于冬季.春夏秋3个季节的O3浓度最大值均出现在2010年, 分别为307.98、305.05和274.66 DU, 这与年度变化趋势保持一致.冬季O3浓度最高值出现在2013年, 为279.71 DU.这是由于平流层O3的湍流、扩散以及对流层具有裂缝, 在一定的大气条件下平流层O3可以输送到对流层(李天奕, 2011), 导致局部地区O3浓度升高.2010年前, 4个季节的浓度值保持着波动上升的趋势, 2010年后呈缓慢下降的趋势, 但近2年呈现出小幅度的上升.这可能是由于近2年夏季降水偏少, 不利于污染物的清除.总体来看, 春夏季在近5年浓度值稳定在276.09~291.29 DU这一范围内, 秋冬季则在255.62~264.09 DU之间波动.
图 7(Fig. 7)
图 7 2005—2018年东南沿海5省大气臭氧柱浓度季节变化趋势图 Fig. 7Seasonal variation characteristics of ozone column concentration in five provinces of southeastern coastal China from 2005 to 2018

O3是光化学污染的产物, 春、夏季温度较高, 太阳辐射较强, O3前体物可以进行充分转化(孟倩等, 2018).从图 8中可以看出, 四季O3浓度大体上呈现出春季>夏季>秋季>冬季的趋势, 但是江苏省北部在冬季出现了较高值, 这可能与平流层O3输入有关.春季时, 江苏省全省属于七八级, O3浓度极高, 上海市为第六级, 浙江省除东南部小部分地区外, 均属于五六级, 福建省基本上为第四级, 广东省处于三四级.夏季时, 江苏省除北部地区为六级外, 均为五级, 浙江省属于四级, 福建和广东则交替属于三四级.在秋季, 仅江苏省北部属于四、五级, 浙江、福建、广东3省均为第二级, 广东南部出现了一级低值区.冬季, 江苏省自南向北属于四至七级, 其余3省均属于一至三级, 广东、福建2省均在一级范围内.这是由于秋季太阳辐射强于冬季, 但冬季江苏省北部天气寒冷, 对燃料的需求量较大, 会产生大量的NOx和VOCs等前体物, 加速了O3的产生.
图 8(Fig. 8)
图 8 东南沿海5省大气臭氧柱浓度季节分布图 Fig. 8Seasonal distribution of ozone column concentration in five provinces along the southeast coast

4.4 东南沿海5省大气臭氧柱浓度标准偏差分析根据式(1)进行研究区大气臭氧柱标准偏差分析, 将14年栅格图在栅格计算器中进行计算, 得到图 9.结果表明:14年中, 东南沿海5省中O3浓度整体呈现中部条带状分散、南北部集聚、差异较显著的分布格局.在空间分布上, 高波动区域分布在东南丘陵地区, 该区域内地势落差较大, 丘陵密布, 特殊的地形地貌导致O3浓度稳定程度较差;中等波动区分布在浙江和广东的北部, 属于高、低波动区的过渡地带, 分布着许多海拔800 m左右的山岭.低波动区包括江苏省大部分地区以及广东省西南部, 这是由于江苏省地势较为平坦, 平原密布, 水网纵横, 地形单一, O3浓度变化不明显, 稳定性较强.而广东省西南部由于临近海岸、地势较低也具有相同的特征.
图 9(Fig. 9)
图 9 2005—2018年东南沿海5省臭氧柱浓度标准偏差分布图 Fig. 9Distribution of standard deviation of ozone column concentration in five provinces of southeast coast from 2005 to 2018

5 影响因素(Influencing factors)O3的来源包括自然源和人为源.自然源包括平流层O3的湍流及扩散、对流层顶裂缝、光化学反应、以及微生物对有机物的降解;人为源包括机动车尾气的排放、内燃机的使用、工业废气等(黄俊等, 2018).虽然这些排放源主要集中于城市, 但是可以借助风力运送到郊区及数百公里之外, 对大气环境造成了极大的危害.参照已有的对O3浓度影响因素的研究, 本文从自然和人为两方面分析O3浓度变化的影响因素.
5.1 自然因素5.1.1 地形和独特的气候特征O3空间分布受到了地形的影响(图 14), 研究区中, 福建省的海拔略高于其他4省市, 且东南丘陵密布, O3浓度较低.但沿海的长江三角洲地区和珠江三角洲地区, 地处平原地区, O3极易扩散, 而由于南部山脉的阻挡, O3会在研究区的北部累积, 所以在江苏的北部, O3浓度常年均处于较高值.另一方面, 我国江淮地区夏季的梅雨季节以及华南地区的台风和暴雨天气也是重要的影响因素, 这是由于海陆热力差异及亚热带季风气候相互作用的结果.理论上说, O3高浓度区应出现在气温较高的夏季(王跃启, 2009), 但本研究结果却表明, 夏季属于次高值, 这与降水对O3的清除作用有关.江淮地区5月O3分布以六七级为主(梅雨来临), 浓度值较高;6月O3等级处于四五级(梅雨天气);7月O3浓度有小幅增长(梅雨退却).华南地区平均每年登陆的台风由1.4个, 且每3 a就有一个强台风登陆(杨瑞等, 2018), 每年的8、9月是台风的活跃期, 而9月份易产生秋台风, 与北方南下的冷空气结合带来危害极大的强降雨.
5.1.2 风向及风频风作为大气污染的主要动力之一, 其强度和方向直接影响着污染物扩散速度与方向(李逢帅, 2018).作为O3运输的主要驱动因素, 风向会影响O3的扩散方向.由图 10可知, 江苏、浙江、福建、上海5省冬季的主导风向为东北风, 而广东省冬季受西伯利亚高压影响, 以西北风为主, 但受到秦岭以及南岭的阻挡, 影响小, 所以广东全省的O3浓度较低.夏季的主导风向为东南风, 这是由于亚欧大陆升温快气温高, 气压低;太平洋升温慢气温低, 气压高;风从高压吹向低压, 形成东南季风.春秋季是东北季风和东南季风的过渡期, 春季以东南和东风为主, 秋季以东北风为主.在主导风向的作用下, 东南沿海5省春夏季O3浓度呈现出北部高于南部的特征, 江苏全省、浙江北部、福建北部的O3浓度均呈现出较高的趋势;秋冬季, 浙江省的东南部O3浓度偏高, 江苏省北部的高值区浓度开始降低.
图 10(Fig. 10)
图 10 东南沿海5省的风向及风频图 Fig. 10Wind direction and wind frequency map of the five southeastern coastal provinces

5.1.3 气温温度升高会加速光化学反应的速率, 导致O3浓度的升高.春末夏初, 研究区天气晴朗高温, 不仅有利于前体物的生成, 而且较强的太阳辐射也有利于O分子的分解和O3分子的合成.图 11显示, 东南沿海5省的月均温与O3浓度存在着显著性相关关系(p < 0.05), 在春季4月份的时候月均温处于较高值, O3浓度也处于较高水平.但是12个月所对应的散点离散程度较高, 说明除了气温这一影响因素外, 还存在着其他影响因素.
图 11(Fig. 11)
图 11 臭氧柱浓度与月均温变化趋势图及散点图 Fig. 11Ozone column concentration and monthly mean temperature trend and scatter plot

5.1.4 降水本研究区大部分属于亚热带季风气候, 小部分属于温带季风气候和热带季风气候, 江淮地区的降水集中于“梅雨季节”, 华南地区主受到台风及暴雨带来的强降水的影响.一方面, 降水对污染物的前体物有清除作用(谢顺涛, 2018), 水汽含量越高、湿度越大, O3的损耗越大.另一方面, 降水会促进植被生长, 使得植被排放所产生的挥发性有机物增加, 且这些有机物不会被降水消除净化, 进而会转化为O3等污染物.夏季降水丰沛但同时温度较高, O3在高温高热所主导的光化学反应中的生成量高于降水所导致的消除量.图 12显示, 从4月份开始, 研究区月均降水量逐渐上升, O3浓度开始下降;6月份月均降水量达到较大值, 而O3浓度处于较低值.这是由于降水对O3前体物具有清除作用.而相关分析表明, O3浓度与降水量呈显著性相关关系(p < 0.05), 表明降水对O3浓度具有显著的影响, 这可能与人类活动的增加及强热量强辐射引起的光化学反应有关.
图 12(Fig. 12)
图 12 臭氧柱浓度与月均降水量变化趋势图及散点图 Fig. 12Trend diagram and scatter plot of ozone column concentration and monthly average precipitation

5.2 人为因素5.2.1 经济发展水平地区生产总值体现着该地区的经济发展水平和经济实力, 各省市产业的合理配置不仅对经济发展起着推动作用, 而且对构建良好的大气环境也起着重要作用(焦骄等, 2018).表 1显示, 臭氧柱浓度与第二产业的相关性最高, 相关系数为0.702;其次是第一产业为0.677;第三产业相关性较低, 为0.573, 说明臭氧柱浓度的变化与该区域重工业的发展有密切关系.石油、化工作为第二产业的支柱产业, 生产中产生的NOx等前体物质会直接影响O3浓度.除此之外, 第一产业和第三产业的相关系数均大于0.5, 说明在农业生产和旅游业、服务业等产业的发展中, 由于大型农业设备的使用及机动车的使用, 产生了较多废气, 导致O3浓度增加.
表 1(Table 1)
表 1 2005—2018年东南沿海5省臭氧柱浓度与地区生产总值及各产业生产值相关性矩阵 Table 1 Correlation matrix of ozone column concentration and regional GDP and production value of each industry in the five provinces of southeast coast from 2005 to 2018
表 1 2005—2018年东南沿海5省臭氧柱浓度与地区生产总值及各产业生产值相关性矩阵 Table 1 Correlation matrix of ozone column concentration and regional GDP and production value of each industry in the five provinces of southeast coast from 2005 to 2018
臭氧柱浓度 地区生产总值 第一产业 第二产业 第三产业
臭氧柱浓度 1.000 0.623 0.677 0.702 0.573
地区生产总值 0.623 1.000 0.979 0.997 0.996
第一产业 0.677 0.979 1.000 0.984 0.961
第二产业 0.702 0.997 0.984 1.000 0.987
第三产业 0.573 0.996 0.961 0.987 1.000


5.2.2 氮氧化物(NOx)的排放臭氧绝大部分由少量天然源和大量人为源的氮氧化物(NOx)和挥发性有机物(VOCs), 在太阳光照射下, 经一系列光化学反应生成的二次污染物(刘峰, 2008).而高浓度的O3会使大气氧化性增强, 进一步发展成为光化学烟雾.燃煤、汽车尾气、重化工产业而产生的NOx作为O3形成的“前体物”(单源源等, 2016), 是衡量O3浓度的重要指标.图 13表明, 研究区内5省臭氧柱浓度与NOx排放量均呈显著性相关(p < 0.05), 但上海的相关性指数略低.原因可能是由于上海市的产业结构逐步转化为以第三产业为主, 重化工产业逐渐转移到了其他省市, NOx排放量随之减少, 而其他4省的产业结构还未完全实现转型, 对第二产业的依赖较大, 对NOx的需求量较大.
图 13(Fig. 13)
图 13 臭氧柱浓度与NOx排放量散点图 Fig. 13Scatter plot of ozone column concentration and nitrogen oxide emissions

5.2.3 机动车保有量汽车尾气的排放是大气中O3浓度增加的原因之一, 汽车尾气所产生的NO、NO2经过光化学反应转化为O3, 能够影响大气中的O3浓度(陈六嘉, 2015).步入21世纪以来, 我国的机动车保有量呈现上升趋势, 大量汽车尾气的排放加剧了大气污染.
图 14表明, 东南沿海5省的机动车保有量基本保持着逐年上升的趋势, 江苏省机动车保有量在2012年达到最大值, 之后略有下降;浙江省则在2014年达到了最大值;福建省除2015年略有回落外, 均保持着持续增加的趋势;上海市面积虽小, 但机动车保有量较高, 机动车密度随之增大;2017年, 广东省机动车保有量达到了2800万辆, 该省作为汽车消费大省, 机动车保有量一直位列全国之首(中华人民共和国生态环境部, 2017).研究发现, 2005—2012年东南沿海5省的机动车保有量逐年上升, 2012年后略有下降, 这与O3浓度的变化趋势相一致.这与2012年国家号召的节能减排、减少汽车出行等出行方式的政策相关.由图 15可知, 随着机动车保有量的增加, 臭氧柱浓度略有增加, 说明机动车保有量也影响着O3浓度, 但不是主导因素.这可能是由于本文获取的O3数据是基于遥感技术, 不涉及地面监测, 而机动车尾气所产生的NOx引起的O3往往集聚在大气底层的原因.
图 14(Fig. 14)
图 14 2005—2017年东南沿海5省机动车保有量的变化图 Fig. 14Change in vehicle ownership in the five provinces of the southeast coast from2005 to 2017


图 15(Fig. 15)
图 15 臭氧柱浓度与机动车保有量散点图 Fig. 15Scatter plot of ozone column concentration and vehicle ownership

5.2.4 挥发性有机物(VOCs)的排放近年来, 挥发性有机物VOCs逐渐成为了主控O3浓度变化的前体物, 为了更好地分析不同类型的排放源对东南沿海五省臭氧柱浓度的影响, 本文结合清华大学给出的MIX排放清单对2008及2010年研究区各省市VOCs排放量进行研究.由表 2可知, 各地区的经济发展水平的差异影响着不同行业VOCs排放量.经济较为发达的广东省和江苏省工业源排放贡献极为显著, 这两省VOCs排放贡献率占整个研究区的56%.除了工业源外, 居民源和交通源是另外两个主要来源.这是由于研究区域经济发达, 吸引着大量的劳动力流入, 大量的外来人口集聚, 使得居民源产生的VOCs大幅上升.由图 14可以看出, 研究区内机动车保有量基本保持上升的趋势, 这与表 2中来自交通源的VOCs排放量的变化保持一致.相较于其他排放源, 5省市的电厂源对VOCs排放量的贡献率均低于25%, 说明电厂排放的VOCs对全域排放量影响较小.因此, 工业源是主控VOCs增加的因素, 这一前体物排放量的变化影响着东南沿海地区O3浓度的变化, 交通源和居民源次之, 但其贡献率也达到了20%, 而电厂源对臭氧柱浓度的影响最弱.
表 2(Table 2)
表 2 2008及2010年东南沿海5省市不同来源的VOCs排放量 Table 2 VOCs emissions from different sources in five provinces and cities on the southeast coast in 2008 and 2010
表 2 2008及2010年东南沿海5省市不同来源的VOCs排放量 Table 2 VOCs emissions from different sources in five provinces and cities on the southeast coast in 2008 and 2010
(t · month-1 · km-2)
年份 江苏省 浙江省 福建省 广东省 上海市 来源
2008 25.50 14.26 4.19 19.59 3.98 电厂源
2010 26.16 14.14 3.74 15.02 4.25
2008 1031.20 915.37 278.51 1046.83 452.89 工业源
2010 1241.07 1105.23 400.45 1163.49 534.86
2008 340.53 103.44 70.95 191.69 22.03 居民源
2010 353.15 116.09 72.04 197.09 25.55
2008 217.65 165.09 90.64 303.35 58.80 交通源
2010 165.77 126.56 67.93 212.83 37.67
2008 291.87 272.79 262.94 259.05 282.42 臭氧柱浓度/DU
2010 317.73 298.46 289.64 279.30 309.60


6 结论(Conclusions)1) 从空间分布上看, 2005—2018年东南沿海5省区域O3浓度的空间分布特征表现为北部高、南部低;西部高、东部低.2005—2010年O3浓度的最高值处于上升趋势, 高值区域在不断扩大.自2010年开始, O3浓度高值区逐渐缩小, 低值区开始向南部扩张.14年来, 研究区域O3浓度高值区(七、八级)位于江苏、浙江省北部, O3浓度的低值区(一、二级)位于广东省全境及福建省的东南部地区.浙江省南部和上海市O3浓度变化较为稳定, 在三、四级范围内波动.
2) 从时间变化上看, 2005—2013年, O3浓度处于上升趋势, 在2013年处于峰值(八级), 在2010年出现了次高峰(七级).2013—2018年, O3浓度整体处于下降的趋势, 除江苏省外, 其他3省O3浓度均属于二至四级, 但在2017年和2018年有轻微的上升.从臭氧柱浓度年均值的变化幅度上看, 2005—2013年, 年均值增幅为8.1%;2013—2018年, 年均值降低了9.2%, 从2016年开始, 年均值有所回升, 但幅度较小.
3) 从季节变化和月变化上看, 近14年东南沿海O3浓度春夏季高于秋冬季, 每年11—1月出现低值区, 4—6月出现高值区, 其中2008年12月O3浓度最低, 2013年4月O3浓度最高.整体上看, O3浓度的高值区在春季和夏季间交替出现, 低值区基本出现在冬季.
4) 从稳定程度上看, 14年中, 东南沿海5省中国O3浓度整体呈现中部条带状分散、南北部集聚、差异较显著的分布格局.在空间分布上, 高波动区分布在东南丘陵地带;低波动区则分布于江苏省大部分地区以及广东省西南部的平原地区.
5) 从影响因素上看, 在自然因素中, 主导风向影响着大气中O3的扩散方向;O3浓度与气温存在正相关关系, 高温高辐射促进了光化学反应的速率, 加速了O3的形成;降水集中的梅雨季节, O3浓度较低.在人为因素中, O3浓度与地区生产总值、NOx的排放均呈现出显著相关关系, 同时机动车保有量也是影响O3浓度的因素之一.VOCs对臭氧柱浓度的影响中, 工业源是主控因素, 这一前体物排放量的增长导致了东南沿海地区O3浓度的增长, 交通源和居民源次之, 电厂源对O3浓度的影响最弱.
6) 通过对东南沿海5省大气臭氧浓度时空分布特征的研究, 结合影响因子的分析.提出几点整治建议:①可在O3污染较严重的天气, 实施机动车限行;②大力推动公交车电动化的举措, 以期减少NOx的排放量;③在工矿集聚的区域, 比如钢铁、石化、水泥等企业, 实施严格的废气排放管理制度.

参考文献
Helen E, Thomas I, Carn S A, et al. 2011. A comparison of AIRS, MODIS and OMI sulphur dioxide retrievals in volcanic clouds, Geomatics[J]. Natural Hazards and Risk, 2(3): 217-232. DOI:10.1080/19475705.2011.564212
Jiang J, Zha Y, Gao J, et al. 2012. Monitoring of SO2 column concentration change over China from Aura OMI data[J]. International Journal of Remote Sensing, 33(6): 1934-1942. DOI:10.1080/01431161.2011.603380
Li M, Zhang Q, Kurokawa J I, et al. MIX:a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP[J]. Atmospheric Chemistry and Physics, 17: 935-963. DOI:10.5194/acp-17-935-2017
Smedt I D, Stavrakou T, Müller J F, et al. 2009. H2CO columns retrieved from GOME-2: first scientific results and progress towardsthe development of an operational product[C]. Proceeding of the 2009 EUMETSAT Meteorological Satellite Conference. 20-25
陈皓, 王雪松, 沈劲, 等. 2015. 珠江三角洲秋季典型光化学污染过程中的臭氧来源分析[J]. 北京大学学报(自然科学版), 51(4): 620-629.
陈六嘉. 2015.基于卫星遥感的长江三角洲地区臭氧时空变化研究: 1978-2013年[D].上海: 华东师范大学地理科学学院
单源源, 李莉, 刘琼, 等. 2016. 基于OMI数据的中国中东部臭氧及前体物的时空分布[J]. 环境科学研究, 29(8): 1128-1136.
杜君平, 朱玉霞, 刘锐, 等. 2014. 基于OMI数据的中国臭氧总量时空分布特征[J]. 中国环境监测, 30(2): 191-196. DOI:10.3969/j.issn.1002-6002.2014.02.037
段晓瞳, 曹念文, 王潇, 等. 2017. 2015年中国近地面臭氧特征分析[J]. 环境科学, 38(12): 4976-4982.
黄俊, 廖碧婷, 吴兑, 等. 2018. 广州近地面臭氧浓度特征及气象影响分析[J]. 环境科学学报, 38(1): 23-31.
焦骄, 刘旻霞, 李俐蓉, 等. 2018. 近12年华北5省区域对流层甲醛柱浓度时空变化及影响因素[J]. 环境科学学报, 38(6): 2191-2200.
李逢帅, 巨天珍, 贾维平, 等. 2018. 基于OMI数据的兰州地区吸收性气溶胶指数时空分布特征研究[J]. 环境科学学报, 38(12): 4582-4591.
李天奕. 2011.基于OMI和TOMS的大气臭氧柱总量时空变化的研究[D].合肥: 中国科学技术大学
刘峰, 朱永官, 王效科. 2008. 我国地面臭氧污染及其生态环境效应[J]. 生态环境, 17(4): 1674-1679.
刘小正, 楼晟荣, 陈勇航, 等. 2016. 基于OMI数据的中国中东部城市近地面臭氧时空分布特征研究[J]. 环境科学学报, 36(8): 2811-2818.
孟倩, 王永强. 2018. 宁波市夏季臭氧浓度变化特征[J]. 应用化工, 47(12): 2605-2608.
王宏, 蒋冬升, 谢祖欣, 等. 2018. 福建省近地层臭氧时空分布与超标天气成因[J]. 中低纬山地气象, 42(1): 1-6.
王跃启, 江洪, 肖钟湧, 等. 2009. 基于OMI数据的中国臭氧总量时空动态信息提取[J]. 环境科学与技术, 32(6): 177-180.
肖钟湧, 江洪, 程苗苗. 2011. 利用OMI遥感数据研究中国区域大气NO2[J]. 环境科学学报, 31(10): 2080-2090.
谢顺涛, 巨天珍, 葛建团, 等. 2018. 基于卫星遥感中国甲醛的时空分布及影响因子[J]. 中国环境科学, 38(5): 1677-1684.
杨瑞, 刘合香, 唐飞笼, 等. 2018. 1995-2016年登陆华南台风极端灾害特征的统计分析[J]. 广西师范学院学报(自然科学版), 35(2): 47-58.
张亮林, 潘竟虎, 张大弘. 2018. 基于MODIS数据的中国气溶胶光学厚度时空分布特征[J]. 环境科学学报, 38(11): 4431-4439.
张倩倩, 张兴嘉. 2019. 基于卫星和地面观测的2013年以来我国臭氧时空分布及变化特征[J]. 环境科学, 40(3): 1133-1141.
张远航, 李金龙. 1998. 中国城市光化学烟雾污染研究[J]. 北京大学学报(自然科学版), 34(2): 392-400.
中华人民共和国生态环境部.2017.中国生态环境状况公报[EB/OL]. http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/.2018-05-31 http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/
周春艳, 王桥, 厉青, 等. 2016. 近10年长江三角洲对流层NO2柱浓度时空变化及影响因素[J]. 中国环境科学, 36(7): 1921-1930.
庄立跃, 陈瑜萍, 范丽雅, 等. 2019. 基于OMI卫星数据和MODIS土地覆盖类型数据研究珠江三角洲臭氧敏感性[J]. 环境科学学报, 39(11): 3581-3592.




相关话题/数据 大气 环境科学 污染 辐射