, 王旭红1,2
, 韩海青1,2, 梁秀娟1,2, 蒋晓辉1,2, 谭竹婷3, 刘状1,21. 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;
3. 湘潭大学土木工程与力学学院, 湘潭 411100
收稿日期: 2020-05-17; 修回日期: 2020-07-07; 录用日期: 2020-07-07
基金项目: 中国科学院战略性先导科技专项（No.XDA2004030201）；国家自然科学基金（No.41971387，41071271）；陕西省自然科学基础研究计划（No.2020JM-430）
作者简介: 牛林芝(1994-), 女, E-mail:linzhi@stumail.nwu.edu.cn
通讯作者（责任作者）: 王旭红, E-mail:jqy_wxh@nwu.edu.cn
摘要：气溶胶时空变化是影响气溶胶气候效应不确定性的主要因素之一.在生态环境脆弱的中亚五国（哈萨克斯坦、乌兹别克斯坦、土库曼斯坦、吉尔吉斯斯坦和塔吉克斯坦）研究气溶胶光学厚度（Aerosol Optical Depth，AOD）的时空变化对中亚地区及全球生态环境和气候变化具有重要意义.基于2002—2019年MODIS 04_L2气溶胶产品数据集，利用标准差椭圆（Standard Deviation Ellipse，SDE）、加权回归的季节趋势分解（Seasonal Trend Decomposition Procedure based on Loess，STL）和奇异值分解（Singular Value Decomposition，SVD）等方法，在时间和空间两个维度上揭示了中亚五国AOD和气溶胶细模态比例（Aerosol Fine Mode Fraction，FMF）的时空演变特征，以及AOD对气象因子和土地利用/土地覆被变化（Land Use/Cover Change，LUCC）的响应.结果表明：①中亚五国AOD分布呈现出显著的空间异质性，高值区主要集中于咸海区域和费尔干纳盆地，低值区主要分布于海拔相对较高的山区和丘陵；AOD年平均中心在2009年之前分布于中亚东南部，受咸海盐尘的影响，2010年之后偏向于西北部向咸海附近移动.②2002—2019年中亚五国AOD年均值整体呈先增长后下降的态势，2012年达到最大值.③中亚地区AOD的变化受气温、降水、风速的共同影响，AOD与气温的空间变化特征呈基本一致的态势，但与降水和风速存在一定差异；不同土地覆被区对AOD的影响差异显著，城市建设用地、裸地及水域是AOD高值分布区，低值分布于郁闭灌木丛和混杂林等植被覆盖度高的土地利用/土地覆被区.④气溶胶细模态比例（FMF）空间分布格局由自然和人为因素共同作用，呈现出咸海和沙漠区域附近以粗模态气溶胶为主，人口密集区和工业区以细模态粒子占主导地位.
关键词：MODIS气溶胶光学厚度(AOD)气溶胶细模态比例(FMF)时空分布中亚五国
Spatiotemporal distribution of aerosol optical depth in the five Central Asian countries
NIU Linzhi1,2
, WANG Xuhong1,2, HAN Haiqing1,2, LIANG Xiujuan1,2, JIANG Xiaohui1,2, TAN Zhuting3, LIU Zhuang1,21. 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;
3. College of Civil Engineering and Mechanics, Xiangtan University, Xiangtan 411100
Received 17 May 2020; received in revised from 7 July 2020; accepted 7 July 2020
Abstract: Spatiotemporal variation of aerosol is one of the main factors that causes the uncertainty of aerosol climate effects. Thus, it is of great significance to study the spatiotemporal variations of aerosol optical depth (AOD) in the five Central Asian countries within their fragile ecological environment, concerning regional and global ecological environment and climate change. Based on 2002—2019 MODIS 04_L2 aerosol products, with standard deviation ellipse (SDE) used, seasonal trend decomposition procedure based on loess (STL) and singular value decomposition (SVD) method revealed the spatiotemporal evolution characteristics of aerosol optical depth (AOD) and aerosol fine mode fraction (FMF) in the five Central Asian countries in both spatial and temporal dimensions. Meantime, the response of AOD to meteorological factors and land use / cover change (LUCC) were analyzed. The conclusions are as follows: ①The distribution of AOD in the five Central Asian countries shows significant spatial heterogeneity. The high value areas are mainly concentrated in the Aral Sea and Fergana Valley, and the low value areas are mainly distributed in the mountains and hills with relatively high altitude; the annual average center was mainly distributed in the southeast of Central Asia before 2009, yet it was towards the northwestern Central Asian and gradually moving to the Aral Sea after 2010, which was affected by salt dust in the Aral Sea; ②From the perspective of time, the annual average value of AOD showed a trend of first increase and then decrease during 2002 to 2019, reaching its maximum in 2012. ③The relationship between AOD and meteorological factors, LUCC respectively showed that AOD was affected by the combination of temperature, precipitation and wind speed, spatial and temporal distribution pattern of AOD and temperature were basically consistent, but that of AOD, precipitation and wind speed appeared some differences in central Asia; The differences in responses between different land cover areas and AOD are significant. Urban construction land, bare land and water area were the high value distribution areas of AOD; while the regions dominated by low value of AOD were high vegetation coverage areas, such as closed shrub lands and mixed forests. ④The spatial distribution pattern of aerosol fine mode proportion (FMF) was a combination of natural and human factors, which shows that coarse mode aerosol is the main form near the Aral Sea and desert areas, and fine mode particles were the dominant in densely populated areas and industrial areas.
Keywords: MODISaerosol optical depth(AOD)aerosol fine mode proportion(FMF)spatiotemporal distributionthe five central Asian countries
1 引言(Introduction)气溶胶是指悬浮在大气中的直径为0.001~100 μm的固态和液态微粒共同组成的多相体系, 在大气光学、大气辐射、大气污染和云物理学等方面具有重要作用(Rosenfeld et al., 2007).气溶胶通过多次吸收和散射太阳辐射直接影响地面辐射, 同时作为云的凝结核而改变云的光学性质和变化周期, 从而影响区域及全球气候变化(Haywood et al., 2000；Levy et al., 2013；Scott et al., 2018；刘状等, 2018).气溶胶的辐射强迫作用是气候变化影响因子中不确定性的主要来源之一(Ramanathan et al., 2001), 而且研究表明气溶胶颗粒物对人类健康、生态环境及农牧业生产等方面有严重的影响(Shindell et al., 2012；Burney et al., 2014；Van Donkelaar et al., 2015；Heft-Neal et al., 2018).因此, 研究气溶胶的时空特征对气候变化、绿色生态环境建设等方面具有重要意义.
气溶胶光学厚度(AOD)是大气气溶胶的重要光学特性参数, 主要用来描述气溶胶对光的消减作用.基于长时间序列AOD的时空分析可以研究大气颗粒物的时空分布特征和动态变化规律, 且AOD的时空分布分析对评估大气污染程度和研究气溶胶气候效应具有重要意义(毛节泰等, 2002；王银牌等, 2018).目前, 国内外****对中亚地区气溶胶已有一定的研究, 并通过多种方式获取的气溶胶数据集对中亚不同区域进行分析.例如, Hofer等(2017)利用激光雷达观测获取了中亚塔吉克斯坦的杜尚别区的气溶胶光学特性数据；Semenov等(2005)分析了用手持式太阳光度计(Microtops Ⅱ)获得的吉尔吉斯斯坦伊塞克湖上的气溶胶光学厚度；Ge等(2016)利用臭氧监测仪监测了咸海盆地的气溶胶数据, 分析了咸海盆地气溶胶年际年内的变化及扩散特征；Floutsi(2015)利用MODIS C6.0版MOD08的AOD数据集分析发现, 中亚地区气溶胶存在明显的空间变异性和季节周期性；Rupakheti等(2019)利用MODIS C6.1版MOD04的基于深蓝(DB)算法的日气溶胶产品对中亚地区15个城市的气溶胶光学厚度及气溶胶类型进行了分析.此外, 还有一些****探讨了AOD与降水(Floutsi et al., 2015)、风速、风向、温度(张喆等, 2017)、海拔(Chen et al., 2013)等影响AOD空间分布格局的自然因素之间的关系, 发现其受多种因素的综合影响.再者, 人们还研究了里海北部、南部由西向东延伸的沙漠和咸海地区的沙尘气溶胶的扩散特征(Chen et al., 2013; 张喆等, 2017), 以及在不同季节气溶胶粒子从其他区域向中亚地区扩散的特征(Kumar et al., 2018).但是, 中亚地区地域广阔, 区域整体性和内部差异性明显, 地面气溶胶监测站点少且分布不均, 因此, 上述文献对中亚地区反演精度较高的AOD时空格局研究、区域整体性研究、粗细模态粒子的影响比例、与人为因素的关系及与气候变化的响应等方面的研究仍十分有限.
近年来, 由于中亚地区人口、工业化、城市化等方面的快速增长和发展, 以及咸海的不断退化和荒漠化程度日趋严重, 导致中亚地区生态环境日趋严峻, 并已成为全球气溶胶研究的热点区域之一.此外, 中亚五国是“一带一路”倡议的重要沿线国家, 研究中亚地区AOD时空分布规律, 对加强和促进中亚地区与中国之间的战略合作具有非常重要的意义.因此, 本文利用基于暗像元(DT)和深蓝(DB)两种算法融合反演的精度较高的气溶胶二级产品数据, 研究中亚地区AOD时空分布变化特征, 分析由不同模态气溶胶主导的区域差异性, 探讨AOD对土地利用/土地覆被变化和气象因子的响应规律, 以期为区域和全球范围内的气溶胶气候效应研究提供参考.
2 数据与方法(Data and methodology)2.1 研究区域概况中亚五国包括哈萨克斯坦、乌兹别克斯坦、土库曼斯坦、吉尔吉斯斯坦和塔吉克斯坦(图 1), 处于欧亚大陆腹地, 是贯通亚欧的枢纽地带, 地势整体呈东南高西北低(de Beurs et al., 2015).该地区为干旱半干旱地区, 处于从寒温带到副热带的过渡地带, 以温带大陆性气候为主, 南北间气温、降水均有显著差异, 年降水量介于200~400 mm之间, 研究区总面积的四分之一为地势低洼的沙漠和荒地(阮宏威等, 2019).中亚的矿物粉尘主要分布在里海东部, 穿过于斯蒂尔特高原和Aralkum沙漠到巴尔卡什湖, Aralkum沙漠是受人类活动影响新形成的尘源, 每年约有7.5×106 t的灰尘从沙漠中吹出(Saiko et al., 2000), 使其成为世界上最主要的粉尘来源之一(Li et al., 2018).区域内盐(沙)尘暴十分频繁, 其中60%来自本地排放, 40%来自中亚以外地区(Miller-Schulze et al., 2011)；且沙尘气溶胶影响范围广、强度大, 尤其是咸海盆地的盐尘含有重金属, 对周边地区生态环境和农业发展等造成了严重的影响(马井会等, 2007；Indoitu et al., 2012；Ge et al., 2016).此外, 通过对各种资料、统计数据可知, 中亚大多数城市地区使用燃煤发电站以供取暖, 而在更多的农村地区, 则通过电力、家用煤炉、木材和粪便(即生物质)的燃烧产生热量.
图 1(Fig. 1)
 |
| 图 1 中亚五国地理位置 Fig. 1Geographical location of the five Central Asian countries |
2.2 数据来源2.2.1 气溶胶数据鉴于研究区域的时空尺度较大和中亚五国植被覆盖度较低的特点, 本文选取MODIS C6.1版MOD04_L2和MYD04_L2的“AOD_550_Dark_Target_Deep_Blue_Combined”和“Optical_ Depth_ Ratio_ Small _Land”数据集, 它是基于暗像元(DT)和深蓝(DB)两种算法融合的日气溶胶产品, 空间分辨率为10 km×10 km.本文的研究区域跨越400万km2, 10 km分辨率的融合产品数据质量较高, 更大空间分辨率的AOD不一定拥有相应的数据精度, 因此, 该数据适用于研究区的特征.获取2002年7月—2019年5月共6151 d (除去缺失的29 d数据)的AOD和FMF数据, 利用ENVI5.3 IDL8.5和python对数据进行批量处理和分析.
2.2.2 辅助数据 ① 数字高程模型(Digital Elevation Model, DEM)来自SRTM(Shuttle Radar Topography Mission), 用于量化研究气溶胶负荷对海拔、地形的影响.②AERONET数据用于验证AOD反演产品的精度, AERONET是由美国NASA和法国CNRS共同建立的气溶胶地基监测网络.③土地利用/土地覆被数据为来自美国LPDAAC(Land Process Distributed Active Archive Center)分辨率为500 m的MCD12Q1数据产品.④气象数据采用GLDAS数据(https://disc.gsfc.nasangov/hydrology), 它是利用2002—2019年GLDAS与Noah模式相结合的空间分辨率为0.25°×0.25°的v2.1产品, 该数据已经过了大量的验证(王玉娟等, 2013; 阮宏威等, 2019), 可用于研究气象因子与AOD之间的关系.
2.3 研究方法2.3.1 标准差椭圆分析标准差椭圆(SDE)是一种通过计算离散点的平均中心与其他点之间的标准距离来测量一组离散点的分布趋势的方法(Wang et al., 2015), 可用于研究空间要素的分布与演化特征.可根据计算生成椭圆的长/短轴和方位角等参数的变化, 表达要素的地理空间分布变化的整体特征, 如要素随时间分布方向的趋势(He et al., 2019).因此, 本文通过绘制中亚五国年平均AOD值的标准差椭圆图来表达中亚地区气溶胶光学厚度的年度运动轨迹, 通过比较AOD年度椭圆随时间的变化轨迹, 揭示其空间动态变化过程的整体特征.
2.3.2 基于STL的时间序列分析STL(Seasonal-Trend Decomposition Procedure based on Loess)(Cleveland et al., 1990)为时序分解中一种常见的算法, 基于地理加权回归将某时刻的数据Yv分解为趋势项(Trend Component)(Tv)、周期分量(Seasonal Component)(Sv)和余项(Remainder Component)(Rv)：
 | (1) |
2.3.3 奇异值分解方法奇异值分解(SVD)是气象领域应用于提取两个变量场耦合关系的分析方法(王盘兴等, 1997), 它是通过对两个变量场的协方差矩阵作奇异值分解, 获取两个变量场的相关信息, 揭示两个变量的时空联系(李丽平等, 2018).其中, 空间分布型代表两个变量场相互联系的空间结构, 时间系数的相关系数来衡量两个奇异向量场的密切程度, 各模态对总协方差平方和的贡献率可表示两个场整体的相关程度.该方法现已应用于其它领域, 如研究NDVI与气象要素的关系(张学珍, 2014；张琪等, 2016).本文利用奇异值分解(SVD)方法分析中亚五国AOD与气象因子之间的相互作用关系.
3 结果与分析(Results and analysis)3.1 MOD04_L2 AOD的验证为了验证研究区MOD04_L2 AOD数据的可靠性, 选取吉尔吉斯斯坦和塔吉克斯坦的(伊塞克和杜尚别)2个AERONET站点, 对AOD数据进行精度验证.选用MOD04_L2和AERONET地面站点550 nm波段处的AOD数据, 对AERONET站点监测数据与卫星反演MOD04_L2数据进行拟合和时空匹配(Eck et al., 1999), 拟合公式为：
 | (2) |
图 2(Fig. 2)
 |
| 图 2 MODIS AOD数据验证 Fig. 2Validations of AOD products from MODIS |
3.2 AOD的时空演变特征3.2.1 空间分布格局由图 3可知, 2002—2019年中亚五国年平均AOD空间分布呈现出区域差异性, 高值区主要出现在咸海周围、里海沿岸低地、费尔干那盆地及吉尔吉斯斯坦东南部区域.其中, 费尔干那盆地地势平坦、人类活动强度大, 气溶胶颗粒物易聚集、难扩散, AOD负荷较大, 多年均值为0.2792.咸海周围的AOD多年均值最大, 为1.042, 这是由于近年来全球气候变暖, 农田灌溉等水资源的不合理开发和利用导致咸海面积快速萎缩, 尤其是近50年来, 咸海的水位急速下降, 有些区域甚至出现干涸现象, 暴露在外的大面积湖床增加了沙尘和盐风暴的发生(吴敬禄等, 2009), 使咸海周围成为AOD高值集中区域, 这与已有研究结果一致(Ge et al., 2016；张喆等, 2017).低值区主要分布于哈萨克丘陵及哈萨克斯坦的西北角, AOD多年均值低于0.12.此外, 所有年份的AOD均值都显示出相似的空间分布格局.从整体上看, 中亚五国的气溶胶负荷大部分仍处于高值分布, 但在中亚北部部分区域已出现下降趋势.
图 3(Fig. 3)
 |
| 图 3 2002—2019年中亚五国年平均AOD空间分布 Fig. 3Spatial distribution of year mean AOD in the five Central Asian countries during 2002—2019 |
由图 4可知, 中亚地区AOD空间分布呈现出显著的季节性差异, 春、夏季高, 秋、冬季低, 四季均值排序为春季(0.2269)>夏季(0.2021)>冬季(0.1573)>秋季(0.1406).在中亚干旱的春、夏两季, 沙尘天气频繁, 除受区域内咸海、卡拉库姆沙漠、克孜勒库姆沙漠等影响外, 还受塔克拉玛干沙漠及欧洲、阿拉伯半岛北部等地灰尘、粉尘的共同影响, 导致中亚地区春、夏两季AOD负荷整体偏高.夏季AOD值高也缘于夏季气温高, 空气对流活动加强, 利于近地面气溶胶的输送；此外, 高温高湿利于颗粒物的聚集转化, 气溶胶吸湿后散射能力增强(张喆等, 2017), 导致AOD值较高.但夏季也由于降水使气溶胶粒子与雨滴碰并增大, 随雨水沉降, 从而降低了大气中细模态气溶胶的负荷, 使夏季AOD值低于春季.冬季AOD均值大于秋季, 这是由于中亚地区冬季供暖, 化石燃料的消耗增加, 人为气溶胶加剧了中亚地区冬季的AOD负荷, 人类活动对气溶胶影响日益突出.
图 4(Fig. 4)
 |
| 图 4 中亚五国AOD的季节性空间分布 Fig. 4Spatial distribution of AOD of the five Central Asian countries in different seasons |
利用标准差椭圆(SDE)分析中亚五国AOD年均值(2002—2019年)和季节均值的空间格局变化, 结果如图 5所示.由图 5可知, AOD平均中心集中于哈萨克斯坦的克孜勒奥尔达州, 濒临咸海.其中, 在2009年之前, AOD平均中心主要集中于西尔达利亚区, 即主要分布于克孜勒奥尔达州东南部；2010年之后, AOD平均中心偏于西北部向咸海移动, 主要在扎拉加什区和卡尔马克谢区之间徘徊.由于咸海盆地河床暴露, 沙尘、盐尘的增加使周围地区AOD负荷不断增加成为高值分布区, 导致平均中心向咸海盆地靠近.此外, 椭圆长轴的旋转角度可用来识别AOD空间的主要变化趋势, 2002—2019年椭圆的方位角从82.54°变为74.60°, 主轴呈现出逆时针方向移动的趋势, 这也表明中亚西北地区气溶胶负荷呈增加趋势, 对整个中亚地区AOD空间格局的影响力增加.
图 5(Fig. 5)
 |
| 图 5 2002—2019年中亚五国年均和多年季节平均AOD的平均中心和标准差椭圆的空间分布 Fig. 5Spatial distributions of the mean center and the standard deviation ellipse of the annual mean and multi-year seasonal average AOD values in the five Central Asian countries from 2002 to 2019 |
根据标准差椭圆季节均值的平均中心, 并结合沙漠区域AOD的季节变化, 可进一步阐述沙尘类气溶胶对中亚地区的影响.春、夏两季沙尘较为频繁, 秋、冬两季沙尘相对较少, 沙漠区各季节AOD均值为：春季0.1807、夏季0.1961、秋季0.1431、冬季0.1463, 与AOD季节平均中心相符.春季AOD平均中心较夏季平均中心偏向于东北部, 受沙漠区域影响较小, 春季沙漠区域AOD值低于夏季；夏季沙漠区域AOD值最高, 另外, 陈发虎等(2011)研究表明, 中亚北部地区降水多于其他区域, 颗粒物随雨水沉降降低了北部气溶胶负荷, 使夏季AOD平均中心更靠近咸海和沙漠区域, 说明中亚地区夏季AOD平均值受沙尘、盐尘等粗模态粒子的影响相对于其他季节较大；秋、冬季沙漠区域AOD值最小, 对中亚区域AOD平均值影响小.
3.2.2 时间序列分析STL时间序列分解可用于研究任何参量的季节性变化特征, 因此, 本文利用STL对中亚地区AOD月均值的时间序列进行分析, 结果如图 6所示, 其中, 4个子图从上到下分别为原始数据、季节成分、趋势成分和剩余误差成分.从季节项可以看出, 中亚五国AOD值呈现明显的季节性变化, 从其波动幅度和周期可看出季节变化对总体变化趋势的影响较小.从趋势项分析得出, 剔除季节成分后的趋势线可以更清晰地显示出2002—2019年中亚五国AOD的整体变化趋势.2002—2008年, 中亚五国AOD处于一个持续增长期, 到2010年小幅下降, 之后快速攀升, 在2012年达到近18年来的最大值, 2012年以后又呈波动下降趋势.这主要是由于咸海的水位下降(2010年后, 咸海水位下降幅度增大, 到2014年咸海东部区域消失), 导致河床暴露、大量盐尘粒子产生, AOD负荷增加, 到2012年中亚五国AOD均值达到最大值.近几年中亚五国AOD负荷逐渐降低, 可能是由于中亚各国已参与到环境治理中, 环境保护和风沙的防治措施对防尘固沙起到了一定的作用.
图 6(Fig. 6)
 |
| 图 6 基于局部加权回归的STL序列分解 Fig. 6Seasonal and trend decomposition using Loess of Central Asian |
3.3 AOD对气象因子和LUCC的响应3.3.1 AOD对气象因子的响应AOD变化是气温、降水、风速等多种气象因子共同影响的结果, 且各气象因子之间存在复杂的关系, 但在不同区域某些特定气象因素起主要作用.因此, 本文重点分析了单一气象因子在不同区域对AOD的影响.
中亚五国AOD年均值与气温(T)的奇异值分解(SVD)分析表明, 前三模态的协方差贡献量为91%(表 1).第一模态空间分布结构显示AOD与气温之间总体呈负相关态势, 其左场AOD异性相关分布图(图 7a)大部分为正相关区, 正值高值区(>0.5)主要分布在土库曼斯坦的东南部、巴尔克什湖和塔什干等；与此相对应的右场气温(T)异性相关分布图(图 7d)总体为负值, 沙漠覆盖区域为负高值区(< -0.7)；其时间系数的相关系数为0.8(表 1), 这表明正、负高值变化显著的区域的AOD主要受气温影响.图 7g为第一模态的AOD年均值与气温(T)的时间系数, 可以看出二者变化趋势基本一致.
表 1(Table 1)
| 表 1 中亚五国年均AOD与年平均气温、年降水量、平均风速的奇异值分解的前3个空间模态的方差贡献率和时间系数的相关系数 Table 1 Variance contribution rate of the first three spatial modes and correlation coefficient of time coefficient of singular value decomposition between the annual mean AOD and annual average temperature, annual precipitation, average wind speed in five Central Asian countries | |||||||||||||||||||||||||||||||||||||||||||||||||||||
表 1 中亚五国年均AOD与年平均气温、年降水量、平均风速的奇异值分解的前3个空间模态的方差贡献率和时间系数的相关系数 Table 1 Variance contribution rate of the first three spatial modes and correlation coefficient of time coefficient of singular value decomposition between the annual mean AOD and annual average temperature, annual precipitation, average wind speed in five Central Asian countries
| |||||||||||||||||||||||||||||||||||||||||||||||||||||
 | |||||||||||||||||||||||||||||||||||||||||||||||||||||
图 7(Fig. 7)
 |
| 图 7 2002—2019年中亚五国年均AOD(a、b、c)和年均气温(d)、降水量(e)、风速(f)变化SVD分解得到第一模态的空间分布和时间系数(g、h、i) Fig. 7Spatial patterns of the first modes obtained from singular value decomposition between AOD (a, b, c) and annual temperature (d), precipitation (e), wind speed(f) for the period of 2002 to 2019, and their corresponding time coefficients (g, h, i) |
AOD与降水(P)的SVD分解得到第一模态的方差解释量为40%, 时间系数的相关系数为0.78, 前三模态的累积贡献率为82%(表 1).图 7b、7e空间结构显示, AOD和降水(P)的关系较为复杂, 东部、西部和北部为负相关分布, 沙漠覆盖区呈正相关关系.时间系数(图 7h)总体变化趋势一致, 但并未表现出同步波动特征, 降水的变化滞后于AOD的变化, 这表明降水的湿除作用对AOD负荷有一定抑制效应；此外, 气溶胶载负增加会引起云粒子的减小, 进一步抑制降水(Rosenfeld et al., 2007).但气溶胶负荷和降水的相互影响有很大的不确定性, 需从气溶胶排放源、天气和研究区域等因素进一步开展分异性研究.
由AOD与风速(WS)两个场的SVD分析结果可以得出, 第一模态的异性相关分布的方差解释量为67%, 前三模态的总协方差解释量为93%, 其第一模态时间系数的相关系数为0.89(表 1), 表明二者之间密切相关.从图 7c和7f可以看出, AOD与风速(WS)变化最为显著的区域分布于中亚西部、天山和咸海, 表明这些区域AOD值的升高或降低主要受到风速的影响, 即影响沙尘等气溶胶的扩散与输送.从图 7i第一模态的AOD与风速(WS)的时间系数也可看出, 风速与AOD的时间演变特征整体相似, 二者均呈明显的下降趋势, AOD年均值的时间系数变化呈波动状态, 风速时间系数的变化趋势相对平滑.
3.3.2 LUCC对AOD的影响土地利用/土地覆被变化(LUCC)会直接或间接影响地表反射率、大气中水汽含量和气溶胶颗粒浓度(Qin et al., 2018), 对气溶胶的光学性质也有很大的影响.利用分辨率为500 m的MCD12Q1土地利用数据, 分析2002、2006、2010、2014和2018年中亚五国土地利用变化对AOD的影响.图 8显示了中亚五国不同土地利用/覆被类型区内的平均气溶胶光学厚度.由图可知, 水体、冰雪和湿地等土地利用/覆被区是AOD高值聚集区, 这是因为冰雪、水覆盖区近地表大气湿度高, 易于气溶胶颗粒物形成和聚集, 年平均AOD值分别为0.467、0.375和0.196.城市和建成区是工业、采矿业和住宅地等人类活动密集的区域, 人工气溶胶排放量大, 是气溶胶负荷的高值区, AOD年均值为0.255.裸地和稀疏灌木地的AOD年均值分别为0.222和0.194, 由于受沙尘影响大AOD负荷较高.郁闭灌丛等植被高覆盖区是AOD低谷区, 年均值为0.067.混交林、落叶阔叶林、落叶针叶林的AOD年均值分别为0.099、0.115、0.106, 亦是AOD低值区.
图 8(Fig. 8)
 |
| 图 8 2002—2018年不同土地利用/覆被类型区的AOD年均值 Fig. 8The annual mean AOD values in different land-use coverage during 2002—2018 |
为了进一步分析土地利用/土地覆被变化(LUCC)对AOD的影响, 对2002—2018年土地利用/覆被类型面积变化率(增加或减少)与相应的土地利用/覆被区的AOD值年变化率进行了相关性分析, 结果表明, 稀疏灌丛、裸地或低植被覆盖区的面积变化率与AOD均值的年变化率呈显著正相关, 相关系数分别为0.877和0.891(表 2).随着稀疏灌木丛等植被覆盖度低的土地利用类型区的面积增加, 土地裸露化程度增加, 近地面气溶胶颗粒物的浓度也进一步增大.常绿针叶林、多树草原、稀树草原等面积变化率与AOD均值的年变化率呈显著负相关, 相关系数分别为-0.815、-0.748和-0.778 (表 2).植被覆盖度与AOD值呈现出明显的负相关, 植被覆盖度越高, AOD值越低.
表 2(Table 2)
| 表 2 LUCC变化率与AOD变化率的相关性(2002—2018年) Table 2 Correlation between LUCC change rate and AOD change rate from 2002 to 2018 | ||||||||||||||||||||||||||||||||||||
表 2 LUCC变化率与AOD变化率的相关性(2002—2018年) Table 2 Correlation between LUCC change rate and AOD change rate from 2002 to 2018
| ||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||
3.4 气溶胶细模态比例(FMF)的空间分布特征及对气象因子的响应气溶胶细模态比例(FMF)即细模态气溶胶光学厚度(fAOD)占总光学厚度(AOD)的比例, 是细模态气溶胶对消光贡献力的有效估算量, 可用于估算气溶胶辐射强迫和评估大气质量(Raghavendra Kumar et al., 2011；金囝囡等, 2019), 也是研究人类活动对全球气候变化影响的重要参量.此外, FMF可以指示区域内AOD粗细模态气溶胶的主导特性, 通过探讨FMF值的大小分布及与气象因子的关系, 以此来分辨AOD的变化是由人为气溶胶还是自然气溶胶所引起, 对监测与改善生态环境、气候变化有重要意义.
3.4.1 FMF的空间分布格局细模态气溶胶大多是由气-粒转化而产生, 主要在城市、工业区和人口稠密地区占主导地位；而粗模态气溶胶(如矿物粉尘、海盐颗粒等)则主要由自然因素驱动(如沙尘、火山喷发等).虽然FMF在大范围内的陆地上未得到精确验证, 但可以用于指示区域分布的主导型气溶胶的类型(Ramachandran, 2007).由于数据的缺失, 本文无法从时间尺度上分析FMF的分布特征, 所以仅从空间上研究了FMF分布状况.从图 9多年平均FMF的空间分布分析得出, FMF高值区主要位于北部卡拉达工业区和东南部中亚工业区, 这些区域人口稠密、人类活动强度大, 拥有大量煤炭、铁矿等工矿企业, 人为气溶胶排放量大, 细模态气溶胶在这些区域起主导作用.沙漠覆盖区、咸海和里海沿岸为FMF低值分布区, FMF值低于0.6, 这些区域主要受沙尘、盐尘等的影响, 粗模态气溶胶占主导地位.
图 9(Fig. 9)
 |
| 图 9 中亚五国多年平均FMF空间分布 Fig. 9Spatial distribution of multi-year mean FMF of the five Central Asian countries |
四季细模态气溶胶比例的空间分布(图 10)表现出明显的季节性差异.春季, 哈萨克斯坦FMF值超过0.8的区域接近50%.由于春季中亚地区盛行东北和西南风, 卡拉达工业区和中亚北部一些工业城市的人为细模态颗粒物向南传输, 使哈萨克斯坦的北部以细模态气溶胶为主导；从FMF季节性空间分布图和已有研究(Indoitu et al., 2012；Kulkarni et al., 2015)得出, FMF低值分布于中亚西南部沙漠区域, 这些区域粗模态气溶胶占主导地位.结合AOD季节平均中心的分布, 表明中亚地区春季AOD值高是粗、细模态气溶胶共同作用的结果, 且细模态粒子的影响相对较大.夏季FMF高值(>0.85)大多集中于以采煤和钢铁机械制造为主的卡拉干达工业区、彼得罗巴甫洛夫斯克工业城市, 这些区域以细模态气溶胶为主导, 高值区范围相对春季缩小.且夏季由于降水等因素引起大气相对湿度增大, 利于细模态水溶性气溶胶的生长, 导致中亚地区FMF值较高；此外, 夏季沙漠区域由于粗模态气溶胶的影响, 使AOD值也处于较高水平.秋季FMF高低值混合分布, 没有明显的集中区.冬季FMF值较低, 沙尘活动不活跃, FMF主要与细模态气溶胶有关.
图 10(Fig. 10)
 |
| 图 10 中亚五国FMF季节性空间分布 Fig. 10Spatial distribution of FMF of the five Central Asian countries in different seasons |
3.4.2 气象要素对FMF的影响细模态气溶胶主要分布于人口稠密、人类活动强度大的工矿区和城区, 是大气中最稳定的气溶胶组分, 具有输运距离远、影响范围大并可携带有害物质的特点, 可对人类健康和全球气候变化造成很大的影响.因此, 本文讨论了细模态气溶胶占主导(FMF值≥0.9)区域的FMF与气温、降水和风速等气象要素的关系.从FMF与气象因子的相关分析结果(图 11)可以看出, FMF与气温呈正相关, 相关系数为0.3195.研究表明, 气温升高不但增强了大气扩散作用, 而且也有利于气溶胶的二次转化(林俊等, 2009), 使细模态气溶胶的浓度增大.FMF与降水呈负相关, 相关系数为-0.3776, 大气气溶胶粒子通过参与云雨的形成, 粒子与雨滴碰并增大, 并随降水最终落到地面, 从而降低大气中细模态气溶胶的浓度, 使空气被净化.风速主要作用于气溶胶水平方向的扩散(林俊等, 2009), 与细模态气溶胶的相关性不显著.
图 11(Fig. 11)
 |
| 图 11 细模态气溶胶区域FMF与气象因子的相关分析 Fig. 11Relationship between FMF and meteorological factors in fine modal aerosol area |
5 结论(Conclusions)1) 中亚五国AOD年均值呈现显著的空间异质性, AOD高值区主要集中于咸海区域和费尔干纳盆地、里海沿岸低地等地势相对较低的区域, 咸海区域年均值高达1.042.低值区主要分布于哈萨克丘陵及哈萨克斯坦的西北角等海拔相对较高的山区和丘陵.标准差椭圆分析AOD空间格局变化结果显示其年平均中心在2009年之前主要集中于西尔达利亚区, 受咸海盐尘的影响, 2010年之后向靠近咸海的扎拉加什区和卡尔马克谢区移动, 且椭圆的方向角逆时针偏转, 也表明中亚的西北地区气溶胶负荷呈增加趋势.
2) 中亚五国AOD时间序列分析的季节板块显示出AOD季节性特征显著, 趋势板块显示2002—2019年AOD气溶胶负荷呈先增长后下降的态势, 2012年达到最大值.结合AOD年平均中心的移动和咸海的水位变化, AOD时间序列变化主要是由于咸海的水位下降, 导致河床暴露、盐尘粒子大量增加, AOD负荷增大, 到2012年中亚五国AOD均值达到最大值.随着环境的治理和改善AOD近年来呈下降趋势.
3) 中亚五国AOD受气温、降水、风速的共同影响, 奇异值分解得到的空间分布显示AOD与气温的空间变化特征较一致, 但对降水和风速的响应关系复杂；AOD与各气象因子的时间系数变化趋势基本一致但不同步.土地利用/土地覆被变化(LUCC)对中亚五国AOD值存在一定的影响作用.不同土地覆盖区与AOD的响应差异显著, AOD高值区主要是在城市建设用地、裸地及水体等土地利用类型区；低值区主要分布于郁闭灌木丛和混杂林等植被覆盖度高的地区.稀疏灌丛、裸地的面积变化率与AOD年变化率显著正相关, 常绿阔叶林、木本草原、稀树草原等植被覆盖度高的区域面积变化率与AOD年变化率呈显著负相关.
4) 气溶胶细模态比例(FMF)的空间分布格局是自然和人为因素共同作用的结果, 咸海和沙漠地区是FMF低值主要集中区, 以粗模态气溶胶为主；工业区和人口密集的城区以细模态气溶胶为主导, 表现出人为细模态气溶胶与自然源的粗模态气溶胶分布的空间差异性.细模态气溶胶受气温和降水的影响较大, 风速对AOD的影响不显著.
综上, 本文对了解中亚地区气溶胶光学厚度的时空分布特征, 以及对全球气候变化和气溶胶辐射效应研究有重要的意义.此外, 由于MODIS AOD产品的时空分辨率、精度和数据缺失等因素的影响, 需反演高时空分辨率、高精度的AOD产品, 或利用数据融合等技术, 增补填充研究区AOD数据的缺失区, 以期在更精细的高时空分辨率尺度上, 研究揭示中亚五国AOD值的时空变化特征.
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
| Ali Gohar, Bao Y S, Boiyo R, et al. 2018. Evaluating MODIS and MISR aerosol optical depth retrievals over environmentally distinct sites in Pakistan[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 183: 19-35. |
| Burney J, Ramanathan V. 2014. Recent climate and air pollution impacts on Indian agriculture[J]. Proceedings of the National Academy of Sciences, 111(46): 16319-16324. DOI:10.1073/pnas.1317275111 |
| Chen B B, Sverdlik L G, Imashev S A, et al. 2013. Empirical relationship between particulate matter and aerosol optical depth over Northern Tien-Shan, Central Asia[J]. Air Quality, Atmosphere & Health, 6(2): 385-396. DOI:10.1007/s11869-012-0192-5 |
| 陈发虎, 黄伟, 靳立亚, 等. 2011. 全球变暖背景下中亚干旱区降水变化特征及其空间差异[J]. 中国科学:地球科学, 41(11): 1647-1657. |
| Chen J, Li C, Ristovski Z, et al. 2017. A review of biomass burning:Emissions and impacts on air quality, health and climate in China[J]. Science of the Total Environment, 579: 1000-1034. DOI:10.1016/j.scitotenv.2016.11.025 |
| Chu D A, Kaufman Y J, Ichoku C, et al. 2002. Validation of MODIS aerosol optical depth retrieval over land[J]. Geophysical Research Letters, 29(12): MOD2-1-MOD2-4. |
| Cleveland R, Cleveland W S, McRae J E, et al. 1990. STL:A seasonal-trend decomposition procedure based on loess (with discussion)[J]. Journal of Official Statistics, 6: 3-33. |
| de Beurs K M, Henebry G M, Owsley B C, et al. 2015. Using multiple remote sensing perspectives to identify and attribute land surface dynamics in Central Asia 2001-2013[J]. Remote Sensing of Environment, 170: 48-61. DOI:10.1016/j.rse.2015.08.018 |
| Eck T F, Holben B N, Reid J S, et al. 1999. Wavelength dependence of the optical depth of biomass burning, urban, and desert dust aerosols[J]. Journal of Geophysical Research:Atmospheres, 104(D24): 31333-31349. DOI:10.1029/1999JD900923 |
| Floutsi A, KorrasCarraca M, Matsoukas C, et al.2015.The regime of aerosol optical depth over Central Asia based on MODIS Aqua Deep Blue data[C].EGU General Assembly Conference Abstracts.Vienna: 13428-13428 |
| Ge Y, Abuduwaili J, Ma L, et al. 2016. Temporal variability and potential diffusion characteristics of dust aerosol originating from the Aral Sea Basin, Central Asia[J]. Water, Air, and Soil Pollution, 227(2): 63-63. DOI:10.1007/s11270-016-2758-6 |
| Haywood J, Boucher O. 2000. Estimates of the direct and indirect radiative forcing due to tropospheric aerosols:A review[J]. Reviews of Geophysics, 38(4): 513-543. DOI:10.1029/1999RG000078 |
| He Q, Gu Y, Zhang M. 2019. Spatiotemporal patterns of aerosol optical depth throughout China from 2003 to 2016[J]. Science of the Total Environment, 653: 23-35. DOI:10.1016/j.scitotenv.2018.10.307 |
| Heft-Neal S, Burney J, Bendavid E, et al. 2018. Robust relationship between air quality and infant mortality in Africa[J]. Nature, 559(7713): 254-258. DOI:10.1038/s41586-018-0263-3 |
| Hofer J, Althausen D, Abdullaev S F, et al. 2017. Long-term profiling of mineral dust and pollution aerosol with multiwavelength polarization Raman lidar at the Central Asian site of Dushanbe, Tajikistan:case studies[J]. Atmospherric Chemistry Physics, 17(23): 14559-14577. DOI:10.5194/acp-17-14559-2017 |
| Indoitu R, Orlovsky L, Orlovsky N. 2012. Dust storms in Central Asia:Spatial and temporal variations[J]. Journal of Arid Environments, 85: 62-70. DOI:10.1016/j.jaridenv.2012.03.018 |
| 金囝囡, 赵文吉, 杨兴川, 等. 2019. 亚洲地区MODIS和Himawari-8细模态气溶胶产品验证及其时空分布分析[J]. 环境科学学报, 39(4): 1066-1085. |
| Kang N, Kumar K R, Hu K, et al. 2016. Long-term (2002-2014) evolution and trend in Collection 5.1 Level-2 aerosol products derived from the MODIS and MISR sensors over the Chinese Yangtze River Delta[J]. Atmospheric Research, 181: 29-43. DOI:10.1016/j.atmosres.2016.06.008 |
| Kulkarni S, Sobhani N, Miller-Schulze J P, et al. 2015. Source sector and region contributions to BC and PM2.5 in Central Asia[J]. Atmospheric Chemistry Physics, 15(4): 1683-1705. DOI:10.5194/acp-15-1683-2015 |
| Kumar K R, Boiyo R, Madina A, et al. 2018. A 13-year climatological study on the variations of aerosol and cloud properties over Kazakhstan from remotely sensed satellite observations[J]. Journal of Atmospheric and Solar-Terrestrial Physics, 179: 55-68. DOI:10.1016/j.jastp.2018.06.014 |
| Levy H H, Horowitz L W, Schwarzkopf M D, et al. 2013. The roles of aerosol direct and indirect effects in past and future climate change[J]. Journal of Geophysical Research:Atmospheres, 118(10): 4521-4532. DOI:10.1002/jgrd.50192 |
| 李丽平, 马晨誉, 倪语蔓, 等. 2018. 中国冬夏季气温和降水异常耦合关系的SVD与MEOF分析对比[J]. 大气科学学报, 41(5): 647-656. |
| Li L L, Sokolik I N. 2018. Analysis of dust aerosol retrievals using satellite data in Central Asia[J]. Atmosphere, 9(8): 288. DOI:10.3390/atmos9080288 |
| Li X, Xia X G, Wang S L, et al. 2012. Validation of MODIS and Deep Blue aerosol optical depth retrievals in an arid/semi-arid region of northwest China[J]. Particuology, 10(1): 132-139. DOI:10.1016/j.partic.2011.08.002 |
| 林俊, 刘卫, 李燕, 等. 2009. 大气气溶胶粒径分布特征与气象条件的相关性分析[J]. 气象与环境学报, 25(1): 1-5. DOI:10.3969/j.issn.1673-503X.2009.01.001 |
| 刘状, 孙曦亮, 刘丹, 等. 2018. 2001-2017年中国北方省份气溶胶光学厚度的时空特征[J]. 环境科学学报, 38(8): 3177-3184. |
| 毛节泰, 张军华, 王美华. 2002. 中国大气气溶胶研究综述[J]. 气象学报, (5): 625-634. DOI:10.3321/j.issn:0577-6619.2002.05.014 |
| Miller-Schulze J P, Shafer M M, Schauer J J, et al. 2011. Characteristics of fine particle carbonaceous aerosol at two remote sites in Central Asia[J]. Atmospheric Environment, 45(38): 6955-6964. DOI:10.1016/j.atmosenv.2011.09.026 |
| Misra A, Jayaraman A, Ganguly D, et al. 2008. Validation of MODIS derived aerosol optical depth over Western India[J]. Journal of Geophysical Research:Atmospheres, 113(D4): 203-214. |
| 马井会, 张华, 郑有飞, 等. 2007. 沙尘气溶胶光学厚度的全球分布及分析[J]. 气候与环境研究, (2): 156-164. DOI:10.3969/j.issn.1006-9585.2007.02.005 |
| Qin W, Liu Y, Wang L, et al. 2018. Characteristic and driving factors of aerosol optical depth over mainland China during 1980-2017[J]. Remote Sensing, 10(7): 1064-1088. DOI:10.3390/rs10071064 |
| Raghavendra Kumar K, Narasimhulu K, Balakrishnaiah G, et al. 2011. Spatial heterogeneities in aerosol properties over Bay of Bengal inferred from ship-borne and MODIS observations during ICARB-W cruise campaign:Implications to radiative forcing[J]. Atmospheric Environment, 45(2): 404-412. DOI:10.1016/j.atmosenv.2010.10.004 |
| 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:Atmospheres, 112(D16): 207-217. |
| Ramanathan V, Crutzen P J, Kiehl J T, et al. 2001. Aerosols, climate, and the hydrological cycle[J]. Science, 294(5549): 2119-2124. DOI:10.1126/science.1064034 |
| 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 |
| Rupakheti D, Kang S, Bilal M, et al. 2019. Aerosol optical depth climatology over Central Asian countries based on Aqua-MODIS Collection 6.1 data:Aerosol variations and sources[J]. Atmospheric Environment, 207: 205-214. DOI:10.1016/j.atmosenv.2019.03.020 |
| 阮宏威, 于静洁. 2019. 1992-2015年中亚五国土地覆盖与蒸散发变化[J]. 地理学报, 74(7): 1292-1304. |
| Saiko T A, Zonn I S. 2000. Irrigation expansion and dynamics of desertification in the circum-aral region of central Asia[J]. Applied Geography, 20: 349-367. DOI:10.1016/S0143-6228(00)00014-X |
| Scott C E, Arnold S R, Monks S A, et al. 2018. Substantial large-scale feedbacks between natural aerosols and climate[J]. Nature Geoscience, 11(1): 44-48. DOI:10.1038/s41561-017-0020-5 |
| Semenov V K, Smirnov A, Aref'ev V N, et al. 2005. Aerosol optical depth over the mountainous region in central Asia (Issyk-Kul Lake, Kyrgyzstan)[J]. Geophysical Research Letters, 32(5): 807-811. |
| Shindell D, Kuylenstierna J C I, Vignati E, et al. 2012. Simultaneously mitigating near-term climate change and improving human health and food security[J]. Science, 335(6065): 183-189. DOI:10.1126/science.1210026 |
| Van Donkelaar A, Martin R V, Brauer M, et al. 2015. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter[J]. Environmental Health Perspectives, 123(2): 135-143. DOI:10.1289/ehp.1408646 |
| Wang B, Shi W, Miao Z. 2015. Confidence analysis of standard deviational ellipse and its extension into higher dimensional euclidean space[J]. PloS One, 10(3): e0118537-e0118537. DOI:10.1371/journal.pone.0118537 |
| 王盘兴, 周伟灿, 王欣, 等. 1997. 气象向量场奇异值分解方法及其应用[J]. 南京气象学院学报, (2): 11-16. |
| 王银牌, 喻鑫, 谢广奇. 2018. 中国近15年气溶胶光学厚度时空分布特征[J]. 中国环境科学, 38(2): 426-434. DOI:10.3969/j.issn.1000-6923.2018.02.004 |
| 王玉娟, 王树东, 宋文龙, 等. 2013. GLDAS数据产品在渭河流域潜在蒸散发模拟中的应用研究[J]. 干旱区资源与环境, 27(12): 53-58. DOI:10.3969/j.issn.1003-7578.2013.12.010 |
| 吴敬禄, 马龙, 吉力力·阿不都外力. 2009. 中亚干旱区咸海的湖面变化及其环境效应[J]. 干旱区地理, 32(3): 418-422. |
| 张喆, 丁建丽, 王瑾杰. 2017. 中亚沙尘气溶胶时空分布特征及潜在扩散特性分析[J]. 地理学报, 72(3): 507-520. |
| 张琪, 袁秀亮, 陈曦, 等. 2016. 1982-2012年中亚植被变化及其对气候变化的响应[J]. 植物生态学报, 40(1): 13-23. |
| 张学珍. 2014. 1982-2011年北半球中纬度秋季植被绿度变化的主要模态[J]. 地理科学, 34(10): 1226-1232. |
