![qin26093@163.com](http://html.rhhz.net/hjkxxb/html/images/REemail.gif)
![通讯作者](http://html.rhhz.net/hjkxxb/html/images/REcor.gif)
![xiaminl@163.com](http://html.rhhz.net/hjkxxb/html/images/REemail.gif)
1. 西北师范大学地理与环境科学学院, 兰州 730070;
2. 中国科学院生态环境研究中心 环境纳米技术与健康效应重点实验室, 北京 100085
收稿日期: 2020-11-20; 修回日期: 2021-02-13; 录用日期: 2021-02-13
基金项目: 国家自然科学基金项目(No.31760135)
作者简介: 秦毅(1997-), 男, E-mail: qin26093@163.com
通讯作者(责任作者): 刘旻霞, E-mail: xiaminl@163.com
摘要:基于遥感卫星(OMI)反演数据,对2005—2019年粤港澳大湾区近地层的O3浓度数据进行提取及分析,探讨其时空变化特征和影响因素,同时利用后向轨迹(HYSPLIT)模型对O3来源进行解析.结果表明:①在空间分布上,臭氧浓度自北向南逐渐降低,高值区集中分布在肇庆、广州、佛山等地;低值区集中在东莞、深圳、香港等地.②在时间变化上,15年来,该区域O3浓度整体呈先上升后下降的趋势,2005—2010年O3浓度持续升高,2010—2019年O3浓度呈下降趋势,在2018年有小幅增长.季节变化表现为:春夏季O3浓度高于秋冬季,高值区在春夏季交替出现,且秋季略高于冬季;每年11月—次年2月出现低值区,4—7月出现高值区.③自然因素中,风向和风速对O3扩散和传输起重要作用;后向轨迹聚类分析表明:O3长距离的输送受到来自西伯利亚的寒冷气流影响,短距离的输送则受到来自太平洋的暖湿气流的影响.气温与O3浓度呈正相关;降水与O3浓度基本呈负相关.④人为因素中,O3浓度与GDP、人口密度的空间分布表现出显著相关性;NOx的影响中,电力源、交通源和工业源是主导因素,居民源的影响较弱;而VOCs的影响中,工业源是主控因素,交通源和居民源次之,电力源的影响最弱.⑤O3浓度与HCHO浓度的空间分布保持高度的一致性;NOx等污染物参与光化学反应,对O3浓度的变化起着一定作用;气溶胶对太阳辐射产生消光作用,使得O3浓度降低.
关键词:粤港澳大湾区O3浓度时空变化相关性分析后向轨迹分析
Temporal and spatial variation characteristics of O3 concentration in the surface layer over Guangdong-Hong Kong-Macao Greater Bay Area, China
QIN Yi1
![qin26093@163.com](http://html.rhhz.net/hjkxxb/html/images/REemail.gif)
![Corresponding author](http://html.rhhz.net/hjkxxb/html/images/REcor.gif)
![xiaminl@163.com](http://html.rhhz.net/hjkxxb/html/images/REemail.gif)
1. College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070;
2. Key Laboratory of Environmental Nanotechnology and Health Effects, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085
Received 20 November 2020; received in revised from 13 February 2021; accepted 13 February 2021
Abstract: Based on Remote Sensing Satellite (OMI) inversion data, the O3 concentration data in the near layer of Guangdong, Hong Kong and Macao Bay area from 2005 to 2019 were extracted and analyzed, the temporal and spatial variation characteristics and influencing factors were discussed. At the same time, the source of O3 was analyzed by the backward trajectory (HYSPLIT) model. The results showed that: ① In spatial distribution, O3 concentration gradually decreased from north to south, the high value areas concentrated in Zhaoqing, Guangzhou, Foshan and other places; and the low value areas concentrated in Dongguan, Shenzhen, Hong Kong and other places.② In temporal variation, O3 concentration increased firstly and then decreased in the past 15 years. The concentration increased from 2005 to 2010, and decreased from 2010 to 2019, with a slight increase in 2018. O3 concentration was higher in spring and summer than in autumn and winter, high-value areas alternated in spring and summer, and autumn was higher than winter. Low-value areas appeared from November to February of each year while high-value areas appeared from April to July. ③ In natural factors, wind direction and wind speed played an important role in the diffusion and transport of O3; backward trajectory cluster analysis showed that long-distance transportation of O3 was affected by the cold airflow from Siberia, while short-distance transportation was affected by the warm and wet airflow from the Pacific. There was a positive correlation between temperature and O3 concentration, and a negative correlation between precipitation and O3 concentration.④ In human factors, the spatial distribution of O3 concentration, GDP and population density showed significant correlation; in the effects of NOx emissions, power, traffic and industrial sources were the dominant factors, while the impact of residential source was weak; in the influence of VOCs emissions, industrial source was the dominant factor, followed by traffic and residential sources, and the influence of power source was the weakest. ⑤ The spatial distribution of O3 concentration was highly consistented with HCHO concentration; NOx and other pollutants participated in photochemical reaction which played a certain role in the change of O3 concentration; aerosol had an extinction effect on solar radiation which reduced O3 concentration.
Keywords: GBAO3 concentrationspatiotemporal variationcorrelation analysebackward trajectory analysis
1 引言(Introduction)臭氧(O3)是大气中重要的微量气体, 也是大气污染的主要污染物之一, 它可以吸收太阳的紫外辐射, 保护地球上的生物免遭紫外线的伤害.然而臭氧层的破坏, 会使O3吸收紫外辐射的能力大大减弱, 导致到达地球表面辐射强度明显增加, 给生态环境带来严重的危害(王建朝, 2003).近年来, 中国O3污染现象频发, O3可以增加大气的氧化性, 促进大气中氮氧化物(NOx)、硫氧化物(SOx)、挥发性有机物(VOCs)的氧化和气粒转化为颗粒物的过程, 进而增强PM2.5等颗粒物污染, 同时高浓度的O3也会导致城市光化学烟雾发生(段晓瞳等, 2017).除此之外, O3污染还会造成农作物减产、植被生长受损(刘小正等, 2016), 更重要的是O3会危害人类的身体健康.因此, 研究大气O3污染具有十分重要的意义.
由于遥感技术的逐步成熟, 近几年不少****开始通过卫星遥感来研究大气污染物, 但是大部分是对甲醛(张永佳等, 2020)、气溶胶(张亮林等, 2018)、二氧化氮(肖钟湧等, 2020)等污染物的研究, 对O3的研究集中在小区域监测或地面基站的监测, 且研究的时限较短.郭青等(2018)利用2014—2017年梅州城区的O3监测数据和气象观测资料, 对O3的变化特征及影响O3的气象条件进行了相关分析, 结果表明O3的月平均浓度与同期气温、日照呈显著正相关, 与气压呈显著负相关;而O3的逐日浓度与同期气温、日照呈显著正相关, 与总云量、低云量、湿度呈显著负相关.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:O3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.黄俊等(2018)研究了广州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、湿度小是广州产生高浓度O3的主要气象因素.目前, 卫星遥感已经可以提供全球范围内的O3监测, 星载紫外O3探测由于其特有的优势, 逐渐成为O3探测的主要方式.现有的研究中, 粤港澳大湾区O3污染的研究较少, 利用卫星获取大湾区2005—2019年的遥感数据, 分析O3时空动态分布特征, 能及时填补大湾区环境污染特别是大气污染方面的空白.
粤港澳大湾区是中国开放程度最高、经济活力最强、人口最稠密的区域之一, 是继美国纽约湾区、旧金山湾区、日本东京湾区之后的世界第四大湾区, 经济总量在四大湾区中位居第二, 人口总量、土地面积、港口和机场吞吐量均居首位.港珠澳大桥的全线贯通使得珠江口东西两岸形成一个整体, 大湾区逐步成为我国经济发展最重要的增长极, 在经济发展规划中具有重要战略地位, 同时也成为我国建设世界级城市群、参与全球竞争的重要空间载体.2019年, 中央明确了粤港澳大湾区战略定位及港澳广深四城定位, 2月18日发布的《粤港澳大湾区发展规划纲要》中提到:“以香港、澳门、广州、深圳四大中心城市作为区域发展的核心引擎, 继续发挥比较优势做优做强, 增强对周边区域发展的辐射带动作用.”这更加彰显出大湾区的重要地位, 全域经济发达, 高新技术产业及互联网产业先进, 是我国对外交流的窗口.大湾区保持优良的生态环境对我国华南地区的环境保护起着至关重要的作用, O3污染严重制约了该区域经济发展、破坏了人居环境.基于此, 本文利用OMI遥感数据, 结合经济、气象数据, 利用地理信息系统软件, 研究大湾区近15年来O3浓度的时空变化特征并探讨其驱动因素, 以期为环保部门在治理大气污染、制定环保政策方面提供帮助, 亦可为大湾区世界级城市群的建设提供决策参考.
2 研究区概况(Study area)粤港澳大湾区GBA (Guangdong-Hong Kong-Macao Greater Bay Area)位于我国的华南沿海地区(111°21′~114°53′E, 21°28′~24°29′N), 由香港、澳门两个特别行政区和广东省的广州、深圳、珠海、佛山、中山、江门、惠州、东莞、肇庆这9个珠三角城市组成(肖钟湧等, 2020).粤港澳大湾区地貌类型多样, 海拔为-76~1542 m, 总面积约5.6万km2, 平原占总面积的67%, 山地占总面积的3%, 丘陵和台地则占20% (图 1);受海洋性季风和大陆性季风的影响, 气候类型为亚热带和南亚季风气候, 全年温暖湿润, 年均温约为20 ℃;雨热同期, 年均降水量约为1500 mm;水网纵横, 土地肥沃, 植被类型为亚热带常绿阔叶林, 森林资源较为丰富.2019年末全域常住人口达到7265万人, 生产总值突破10万亿元, 以不足全国1%的土地面积, 承载了全国约4.5%的人口, 创造了全国约12.6%的GDP(邓玉娇等, 2020).
图 1(Fig. 1)
![]() |
图 1 粤港澳大湾区高程图 Fig. 1The elevation map of GBA |
3 数据与方法(Materials and methods)3.1 数据来源O3数据来源于搭载在Aura地球观测卫星(2004年7月15日发射的太阳同步轨道极轨卫星)上的OMI传感器(Helen et al., 2011).该传感器将GOME(全球臭氧监测实验)和SCIAMACHY(大气制图扫描成像吸收光谱仪)以及TOMS(O3总量测绘光谱仪)的优点相结合, 像素空间分辨率为13 km×24 km, 具有较高的空间采样能力.OMI传感器波长为270~500 nm (Hu et al., 2020), 波谱分辨率为0.5 nm, 轨道高度为705 km (Smedt et al., 2009), 覆盖全球仅需1 d (Jiang et al., 2012).本文所采用的O3浓度数据来自NASA官网(https://disc.gsfc.nasa.gov/)中GES-DISC的产品, OMI传感器反演O3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(宋佳颖等, 2020).本文基于OMI反演数据, 在同一基准上从臭氧产品中提取关注点位的近地层臭氧廓线信息, 分析粤港澳大湾区2005—2019年近地层O3的时空分布特征, 并结合气温、降水、风场等地面基站数据对卫星遥感O3近地面结果进行了验证.二氧化氮(NO2)、气溶胶指数、甲醛(HCHO)数据分别来自NASA官网中由比利时太空高层大气研究所(BIRA-IASB)反演OMNO2、OMAERUV、OMHCHO数据产品, 研究时段与O3数据一致, 空间分辨率与OMI原始资料的星下点分辨率相同.
经济数据(地区生产总值及各产业产值)来源于国家统计局(http://www.stats.gov.cn/)中粤港澳大湾区各市2005—2019年的统计年鉴;风场和压场数据来自美国国家环境预报中心的再分析资料(NCEP, https://psl.noaa.gov/);MIX排放数据清单(Li et al., 2017)是由清华大学主持开发的亚洲人为源排放清单(https://www.meicmodel.org/);风向、气温及降水量等数据来源于国家气象信息中心(https://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29个(广东省17个、香港特别行政区1个、澳门特别行政区1个).土地利用类型、夜间灯光亮度、人口密度数据来源于中国科学院地理科学与资源研究所的资源环境科学与数据中心(http://www.resdc.cn/)所提供的中国土地利用遥感监测数据、夜间灯光数据、社会经济数据.
归一化植被指数NDVI(Normalized Difference Vegetation Index)数据来源于美国国家航空航天局(NASA)中EOS/MODIS卫星获取的MOD13A1数据产品, 其空间分辨率为500 m, 时间尺度为16 d.首先通过最大值合成(MVC)降低了非植被效应(如云、雾及大气气溶胶等)对NDVI数据的影响, 并将16 d的植被数据合成为32 d的月栅格图像;接着利用MODIS转换工具(MRT)进行重投影和格式转换, 实现图像的空间拼接和重采样.
3.2 遥感数据处理方法O3数据来自2005—2019年逐日OMI数据, 按卫星经过研究区的时间进行筛选, 数据存储格式为HDF文件.首先将经纬度与O3浓度进行对应, 然后用MATLAB软件对数据进行读取, 并以Excel表存储.为了保证研究区全部覆盖, 提高插值的精度, 本研究将经纬度扩大2°.为获得近地面O3的数据, 剔除了云量>20%(刘小正等, 2016)、缺测率>15%的监测数据, 所得O3廓线在大气层垂直高度上从地面至850 hPa, 高度约为0~1500 m.O3浓度反演数据为减少数据噪声带来的不确定性, 通过对多年的数据求平均值来研究近地面O3浓度的时空变化, 计算月均值时, 如果当月数据缺失超过7 d, 视为无效数据并剔除.最后将处理好的数据在Arcgis 10.4中进行空间插值处理及腌膜处理, 像元大小为0.05×0.05.通过分析O3空间分布图, 得到了大湾区2005—2019年O3浓度的月、季、年时空特征, 并且依据GIS中自然断点分级法(Jenks) 的分级标准, 将O3浓度分为6个等级:一级(24.6~25.2), 二级(25.2~25.8), 三级(25.8~26.4), 四级(26.4~27.0), 五级(27.0~27.6), 六级(>27.6), GIS图中不同颜色表示不同的等级, O3浓度的单位为DU.
3.3 有效性验证卫星观测数据比地面基站观测数据的空间覆盖能力强, 可以反映O3的时空分布特征和输送过程, 但地面基站的观测具有更高的精度, 因而本文采用站点数据与卫星数据进行相关性分析, 对卫星数据的准确性进行再验证.基站的监测数据来自“粤港澳珠江三角洲区域空气监测网络”(http://www.gdep.gov.cn/).该“监测网络”自2006年开始每年分别发布半年和全年空气质量监测结果报告各1次, 截至2019年, 整个粤港澳大湾区地区共有23个监测站点(分别是广州市的麓湖、磨碟沙、南沙科大、天湖、竹洞;深圳的通心岭、佛山的金桔咀、惠景城;珠海的唐家;东莞的南城元岭;江门的东湖、端芬、花果山;肇庆的城中;惠州的下埔、西角、金果湾;中山的紫马岭;香港的塔门、荃湾、元朗、东涌;澳门的大谭山), 记录了SO2、NO2、O3等6项污染物的月均值和年均值变化情况.
本研究利用这23个基站的O3数据对OMI数据产品进行验证, 相关数据采用2006—2019年共计168个月的O3浓度月均值, 结果表明(表 1), 天湖竹洞、惠景城等11个站点, 基站数据与卫星数据呈极显著相关(p < 0.01), 相关性系数R > 0.75, 这些地区大多位于城市下风向的郊区, 城市污染源排放的O3及其前体物可随风输送至这些区域, 因而具有较高的O3浓度;南沙科大、通心岭、唐家等11个站点, 二者呈显著性相关关系(p < 0.05), 相关性系数>0.6;此外, 澳门的大谭山距离海岸较近, 易受到台风等气候影响, 雨量充沛、湿度较大, O3浓度较低, 基站数据与卫星数据的相关性分析较差.
表 1(Table 1)
表 1 基站数据与OMI数据的有效性验证 Table 1 The validation of effectiveness between base station data and OMI data | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 1 基站数据与OMI数据的有效性验证 Table 1 The validation of effectiveness between base station data and OMI data
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() |
3.4 空间分析方法空间相关性计算方法是一种基于像元的空间分析方法(刘旻霞等, 2020), 它可以通过选取各种影响因子分析其与O3浓度的相关关系.本文将气温、降水、植被覆盖度与O3浓度结合, 分析二者的相关关系.计算公式如下:
![]() | (1) |
国内生产总值GDP(Gross Domestic Product)和人口的空间化以空间统计单元代替传统的行政统计单元, 可以更直观地展现它们的空间分布情况.GDP和人口的空间分布图是在全国县域GDP、人口统计数据的基础上, 综合考虑了与人类经济活动密切相关的土地利用类型、夜间灯光亮度、人口密度等因素, 利用多因子权重分配法将GDP和人口数据与栅格结合, 从而实现GDP和人口的空间化(易玲等, 2006).计算公式为:
![]() | (2) |
![]() | (3) |
4 结果与讨论(Results and discussion)4.1 粤港澳大湾区O3浓度的年际变化从空间分布上看, O3年均值从北到南逐渐降低, 最高值分布在肇庆、广州、佛山等地;最低值则分布在东莞、香港、深圳等地, 这可能与研究区地形及风向等因素有关(宋佳颖等, 2020).2009年开始, 高浓度的O3分布区逐渐由东北部扩散到全域;2010—2013年全域O3浓度处于5级以上, 肇庆和佛山市出现6级高值;2014—2016年O3浓度逐步降至3、4级范围;2017—2018年, 大部分区域O3浓度降至3级以下;2019年, 肇庆中部、江门南部、东莞、深圳市以及香港的O3浓度回落至2级(图 2), 这与我国“蓝天保卫战”等环境保护政策的有效实施密不可分.图 3表明, O3浓度变化大体保持着先升高后降低的趋势.2005—2007年, O3浓度变化幅度较小, 呈现出稳定上升的趋势.2008—2010年, O3浓度保持着较快的上升速率, 打破以往缓步上升的趋势.2010—2019年O3浓度大体呈现缓慢降低的趋势.
图 2(Fig. 2)
![]() |
图 2 2005—2019年粤港澳大湾区O3浓度空间分布图 Fig. 2Spatial distribution of ozone concentration in GBA from 2005—2019 |
图 3(Fig. 3)
![]() |
图 3 2005—2019年粤港澳大湾区O3浓度变化趋势图 Fig. 3Variation trend of ozone concentration in GBA from 2005—2019 |
4.2 粤港澳大湾区O3浓度的季节变化图 4表明, O3浓度高值区出现在春夏两季, 这可能是由于高温低湿的气象条件更容易促进O3生成, 高温易发生强烈的光化学反应, 而低湿不利于O3去除从而导致污染积累(王川, 2020).秋季, 除江门市外的其他地区O3浓度均处于4级.冬季, 全域O3浓度基本上处于3级以下低值区.结合图 5可知, O3浓度最高值出现在2010年夏季;最低值出现在2019年冬季.这与杜君平等(2014)的研究保持一致, 中国年均O3总量最大值也出现在2010年, 究其原因, 与该年份的反气旋循环和持续沉降有关, 气候变化异常是O3浓度增加的主要驱动力.而此后几年, 我国的大气防治政策逐步实施, 特别是自2013年起实施的“大气污染防治行动计划”有效地控制了大气污染物的排放, 因而O3浓度在逐步下降.综合可知, 15年来, 大湾区四季O3浓度呈现出夏季>春季>秋季>冬季的规律, 高值在春夏季间交替出现, 原因可能在于该区域春季太阳辐射较强, 有利于O3的生成;夏季虽然光辐射增强, 但同时也受到海洋性季风的影响, 降水集中, 对O3产生清除作用.
图 4(Fig. 4)
![]() |
图 4 2005—2019年粤港澳大湾区O3浓度季节分布图 (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) Fig. 4Seasonal distribution of ozone concentration in GBA from 2005—2019 |
图 5(Fig. 5)
![]() |
图 5 2005—2019年粤港澳大湾区O3浓度季均值变化趋势图 Fig. 5Trend of seasonal average ozone concentration in GBA from 2005—2019 |
4.3 粤港澳大湾区O3浓度的月变化图 6、图 7分析表明, O3浓度月变化具有周期性变化的规律.低浓度值普遍出现于12月—次年2月, 最小值出现在2019年12月;高浓度值则基本出现在4—7月, 最大值出现在2012年8月.从空间分布上看, 1—2月, O3浓度处于3级低值区以下;3月开始逐步上升至4级;4月, 高值区由北部逐渐扩散到整个大湾区, 全域O3浓度处于5级以上;5—8月, 过半地区出现了6级高值区, 高值范围进一步扩大, 这是由于高温高辐射对光化学产物的生成起着重要的作用(王跃启等, 2009);9—10月, 全域O3浓度基本处于五级范围, 这可能受到了台风和降雨的影响, 大湾区易产生秋台风, 与北方南下的冷空气结合带来强降雨, 对O3起到一定的清除作用;11月除小部分区域O3浓度处于4级, 其他区域均为3级以下;12月全域O3浓度降低至2级低值, 原因在于冬季太阳辐射弱, 光化学反应速率减缓, O3浓度随之降低.
图 6(Fig. 6)
![]() |
图 6 2005—2019年粤港澳大湾区O3浓度月均值分布图 Fig. 6Monthly mean value distribution of ozone concentration in GBA from 2005—2019 |
图 7(Fig. 7)
![]() |
图 7 2005—2019年粤港澳大湾区O3浓度月均值变化趋势图 Fig. 7Monthly variation trend of ozone concentration in GBA from 2005 to 2019 |
5 影响因素(Influencing factors)5.1 自然因素对粤港澳大湾区O3浓度的影响5.1.1 风场、风速、压场的影响气象条件对大气污染物的形成、转化、扩散、输送和清除起着非常重要的作用(陈训来等, 2008).作为大气污染的主要动力之一, 风会影响着大气污染物的扩散速度与方向(焦骄, 2018), 在O3输送的主要驱动因素中, 风向会影响其扩散方向.O3浓度与风速整体呈正相关, 当风速大时, 污染物的扩散程度也相应上升, 浓度随之上升(傅军伟, 2018).除此之外, 较高的气压、较小的风速以及不连续的降水等气象条件均不利于O3的扩散与消除.由图 8可知, 研究区春季风速小, 局部地区出现次高压, 影响大气污染物的扩散;夏季盛行西南风, 风速约为10 m·s-1, 受海陆热力差异和亚热带季风气候的相互作用, 台风和暴雨天气频发, 导致降水量随之增多, 有利于O3的清除;秋季, 涡度在-5×10-6左右, 部分区域大于0, 这可能是由于夏季风偏强, 有利于秋季热带气旋的生成, 静风天气也不利于大气污染物的扩散与消除;冬季研究区南部的涡度 < -1×10-5, 高压区域垂直气流下沉, 风速较大且呈辐合状, 在该区域形成涡流.风速增加时, 涡流强度也会增强, 这会促进上层O3向下输送, 致使下层O3浓度上升, 但风速过大时, 对O3的稀释作用也会增强.除此之外, 冬季的季候风对大湾区沿岸气候的影响也较为显著, 常有热带气旋横过南海, 并于香港以南掠过.
图 8(Fig. 8)
![]() |
图 8 粤港澳大湾区四季850 hPa风场和涡度图 (a.春, b.夏, c.秋, d.冬) Fig. 8850 hPa wind field and vorticity maps of four seasons in GBA (a.spring, b.summer, c.autumn, d.winter) |
5.1.2 气流后向轨迹聚类分析HYSPLIT模型是由美国国家海洋大气中心和澳大利亚气象局共同研发的一种综合模式系统, 可用于计算和分析气流运动、沉降、大气污染物输送和扩散轨迹等过程(Draxler et al., 1998;Stein et al., 2016), 被广泛应用于研究空气污染物的传输途径和来源解析.本文利用Traj Stat软件(Wang et al., 2009)来进行O3后向轨迹的分析和研究.鉴于500 m高度的风场能够较为准确得反映近地层的平均流场特征, 本研究将500 m作为模拟高度, 将广州市(23°06′32″N, 113°15′53″E)作为模拟受点, 将每日00:00、6:00、12:00、18:00(北京时间)作为后推起始时间, 计算逐日到达受点的气流后向轨迹, 以便于反映气流运动的特征.本研究利用HYSPLIT模型, 对广州市四季的O3污染物进行气流轨迹的聚类分析, 共得到了5条主要的路径和该路径占总路径的比例.表 2表明, 春夏两季以南和东南气流为主, 占比分别为45.00%和64.91%;秋冬两季以东和东北气流为主, 占比分别为85.42%和96.25%.结合图 9可知, 来自西伯利亚的西北气流移动速度最快, 输送距离最长, 其次是东北气流, 而来自太平洋的东部和南部气流速度慢, 输送距离短.长距离输送最远来自西伯利亚、塔克拉玛干沙漠等地;中长距离途径华北平原以及长江中下游平原等工业污染源区域;短距离输送途径沿海地区等海拔较低、地势平坦、人口密集、生态脆弱的地区.结合前文O3浓度空间分布图可以看出, 西北气流和东南气流影响下的O3浓度较大, 而来自其他方向的气流轨迹对应的O3浓度较小.
表 2(Table 2)
表 2 粤港澳大湾区气流轨迹方向来源及占比 Table 2 Sources and proportions of airflow trajectories in GBA | |||||||||||||||||||||||||||||||||||
表 2 粤港澳大湾区气流轨迹方向来源及占比 Table 2 Sources and proportions of airflow trajectories in GBA
| |||||||||||||||||||||||||||||||||||
![]() |
图 9(Fig. 9)
![]() |
图 9 粤港澳大湾区气流后向轨迹聚类分析 Fig. 9Cluster analyse of backward airflow trajectories in GBA |
5.1.3 气温与降水的影响O3浓度变化受到温度、湿度、降水等天气状况的影响, 是多因素共同作用的结果(王闯等, 2015;程念亮等, 2016).图 10表明, O3浓度与温度整体表现为正相关性, 随着温度的增加, O3浓度随之增加, 这可能与高温条件下空气中的分子运动速度加快有关.降水对O3浓度的影响体现在湿度较大的情况下, 易产生湿沉降, 空气中水汽所含的羟基自由基迅速将O3分解为O分子, 降低O3浓度.此外, 夏季降水丰沛但同时温度也较高, O3在高温强辐射的情况下, 光化学反应速率较快, 其生成量大于降水所导致的消除量.这与王宏等(2011)的研究结果保持一致:O3浓度与温度、日照、太阳辐射显著正相关, 与相对湿度、降水量显著负相关.
图 10(Fig. 10)
![]() |
图 10 O3浓度月均值与月均气温、降水量变化趋势图 Fig. 10The change trend of monthly mean ozone concentration, temperature and precipataion |
O3浓度月均值与气温的平均相关系数为0.88, 其中有85.02%的格点数据通过了置信度检验(图 11a).大湾区西北部O3浓度与温度的相关性较高, 相关系数为0.4~0.7;东南部地区O3浓度与温度相关性较低, 相关系数在0.4以下.大湾区受亚热带季风气候的影响, 夏季温度较高, 当温度上升时, VOCs发生强烈氧化反应进而影响光化学反应速率, 加速O3生成.而冬季温度较低、O3生成速率减缓, 且未集中供暖, 煤炭等化石燃料的消耗量相对较少, O3浓度较低.O3浓度月均值与降水的平均相关系数为-0.62, 其中有72.25%的格点数据通过了置信度检验(图 11b).中部地区O3浓度与降水具有较强的负相关性, 相关系数处于-0.4~-0.7;其他地区相关性为-0.4~0, 这是由于降水和湿沉降对O3具有一定的消除和削弱作用.
图 11(Fig. 11)
![]() |
图 11 粤港澳大湾区O3浓度与月均气温、降水量的相关性 Fig. 11Correlation between monthly mean ozone concentration, temperature and precopatation |
5.1.4 植被覆盖的影响大湾区常年温暖湿润, 光热资源充足, 植被资源丰富, 异戊二烯作为植被排放量最大的VOCs, 对O3的生成具有重要贡献(Guether et al., 2000).本文通过NDVI指数来反映植被覆盖度的动态变化, 进而反映其生长状态.NDVI和O3平均相关系数为-0.43, 64.20%的格点数据通过了0.05的置信度检验.全域植被覆盖呈现四周高中部低的趋势, 以广州为中心的城市群植被覆盖度在0.4以下, 而肇庆、江门以及惠州处于中低山丘陵区, 城市化水平低, 植被覆盖度较高(图 12a).东南部城市群的NDVI与O3的相关系数在0.4以上, 原因在于该区域植被覆盖度较低, 城市化率较高, 机动车保有量大, 而汽车尾气所产生的NO、NO2经过光化学反应转化为O3, 影响了大气中的O3浓度;二者呈负相关的区域主要集中于北部和西部地区, 植被覆盖率较高, 植被可以净化空气, 改善大气环境减少污染, 使得O3浓度降低(图 12b).
图 12(Fig. 12)
![]() |
图 12 粤港澳大湾区植被覆盖及其与O3的相关性 Fig. 12Correlation between ozone concentration and vegatation coverage |
5.2 人为因素对粤港澳大湾区O3浓度的影响5.2.1 GDP和人口变化的影响根据前文3.3节空间分析方法中式(2)和式(3)得到了2005、2010和2015年1 km网格的GDP和人口空间分布图, 每个栅格代表 1 km2范围内的GDP总产值和人口数.国内生产总值(GDP)是社会经济发展、区域规划和资源环境保护的重要指标之一, 它可以通过第一产业、第二产业和第三产业增加值的总和来计算.图 13a~13c表明, 从2005年开始, 大湾区中心城市群的GDP产值从1亿元·km-2, 增长到2010年1.5亿元·km-2再到2015年的3亿元·km-2.O3浓度的变化与第二产业中重工业的发展密切相关.石油和化工业等是第二产业中的支柱产业, 其生产活动会导致包括O3前体物在内的大量污染物增加, 间接影响O3浓度.相关性分析(图 13d)表明:二者呈正相关关系的面积占总面积的79.38%, 主要分布在大湾区的西南部, 特别是广州和香港等地;二者间呈负相关关系的区域占比为20.62%, 主要分布于肇庆西北部的山区, 以农业生产为主, 产生较少的污染物, O3浓度较低.
图 13(Fig. 13)
![]() |
图 13 大湾区2005、2010和2015年GDP空间分布图及其与O3浓度的相关性 Fig. 13GDP spatial distribution and correlation with O3 concentration of GBA in 2005, 2010 and 2015 |
人口密度常用来衡量一个地区人口分布状况, 它是单位土地面积上的人口数量(石佩珍等, 2019).人口密度高的地区, 生产活动频繁, 形成了不同功能区(工业区、居民区、商业区等), 工矿集聚的工业区O3污染严重.研究区地势较低、地貌类型多样, 而人口集聚于以广州为中心的城市群, 形成了辐散状的分布.图 14a~14c表明, 自2005年开始, 广州市中心城市群人口从1千人·km-2逐步扩大到2010年的1万人·km-2, 在2015年增长到2万人·km-2.相关性分析(图 14d)表明, 人口与O3呈正相关关系的面积占研究区总面积的75.87%, 主要分布在以广州为中心的城市群, 人口越集聚, 生活源污染越大, 机动车尾气排放的NOx也会增加, O3浓度随之增大;呈负相关关系的区域占比为24.13%, 主要分布于肇庆以及江门的西南部, 这些区域山岭密布, 人口稀少, O3污染程度较弱.
图 14(Fig. 14)
![]() |
图 14 大湾区2005、2010和2015年人口空间分布图及其与O3浓度的相关性 Fig. 14Population spatial distribution and correlation with O3 concentration of GBA in 2005, 2010 and 2015 |
5.2.2 NOx和VOCs排放的影响O3是由少量天然源和大量人为源的NOx和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(吴锴等, 2018).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和VOCs作为O3形成的“前体物”, 是衡量O3浓度的重要指标.根据MIX排放清单, 以广东省的广州、深圳、珠海、佛山、中山、江门、惠州、东莞、肇庆等九市(以下简称九市)、香港、澳门为例, 分析NOx和VOCs这两个重要O3前体物的排放量, 探讨不同类型的排放源对O3浓度的影响.
由表 3可知, 经济发展水平的差异影响着不同行业NOx的排放量, 广东省九市、香港和澳门电力源排放贡献较大, 分别占总排放量的43.80%、58.03%、21.93%.大湾区经济发展迅速, 全行业用电量大, NOx排放量随之增大.除了电力源外, 交通源和工业源是另外两个主要来源.一方面是由于大湾区城市化率高, 道路网络密布, 交通业极为发达;另一方面是由于该区域工业发展速度较快, 工业化水平较高, 工业源产生的NOx占比较大.总得来看, 电力源是主控NOx增加的因素;交通源、工业源次之, 其贡献率在25%左右, 而居民源的影响最弱.
表 3(Table 3)
表 3 2008和2010年粤港澳大湾区不同来源的NOx排放量 Table 3 NOx emissions from different sources over GBA areas in 2008 and 2010 ? | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 3 2008和2010年粤港澳大湾区不同来源的NOx排放量 Table 3 NOx emissions from different sources over GBA areas in 2008 and 2010 ?
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() |
由表 4可知, 工业源是主控大湾区九市VOCs排放的来源, 排放量达到了500 t·month-1·km-2, 占比约为63.30%, 这是由于机动车尾气、工业废气等大量的人为源污染所导致的;除了工业源外, 交通源和居民源是另外两个主要来源, 其贡献率达到了15%左右.而在香港和澳门, 交通源是最主要的来源, 占比分别为72.29%和97.26%.粤港澳大湾区吸引着劳动力流入, 大量外来人口集聚, 使得居民源产生的VOCs大幅上升.相较于其他排放源, 电力源对VOCs排放量的贡献率在1.3%左右, 进而说明其对O3浓度的影响最弱.2008—2010年, VOCs排放量基本呈上升趋势, 与O3浓度的变化保持一致.
表 4(Table 4)
表 4 2008和2010年粤港澳大湾区不同来源的VOCs排放量 Table 4 VOCs emissions from different sources over GBA areas in 2008 and 2010 ? | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 4 2008和2010年粤港澳大湾区不同来源的VOCs排放量 Table 4 VOCs emissions from different sources over GBA areas in 2008 and 2010 ?
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() |
5.3 O3浓度与NO2、HCHO、气溶胶的协同关系O3浓度的变化与许多有机物的关系密不可分, 如NO2、HCHO、气溶胶等物质.NO2作为前体物会直接参与O3生成的光化学反应;HCHO是许多VOCs的短期氧化产物, 其长期变化趋势能够反映出反应VOCs的变化趋势(赵伟等, 2020);气溶胶能吸收太阳辐射、蒸发云滴、减少云量, 气溶胶粒子增多, 太阳辐射(反射、散射、折射)作用会增强, 容易形成逆温, 不利于O3等大气污染物的扩散.图 15a、15c表明, O3和HCHO的空间分布保持较高的一致性, 这说明VOCs对O3的影响起着主导作用, 且O3的空间分布具有沿纬度自南向北逐渐增加的趋势, 因而大湾区北部的O3浓度高于南部地区.NO2的高浓度区呈辐射状集中分布于大湾区以广州为中心的城市群(图 15b), 与人类活动的密集度有关, 汽车尾气及化石燃料的燃烧是NO2的主要来源, 氮氧化物作为生成O3的重要前体物, 在城市地区的贡献较大.HCHO的一次来源包括化石燃料燃烧、机动车尾气、生物质未完全燃烧等, 二次来源包括VOCs的光化学反应(刘旻霞等, 2020), HCHO的高浓度区主要分布在研究区的西北部, 低浓度区则分布在沿海的低海拔地区(图 15c), 位于高浓度区的城市发展较为缓慢, 产业结构仍以第二产业为主, 因而HCHO浓度较高.气溶胶是固体或液体微粒稳定地悬浮于气体介质中形成的分散体系, 是大气的重要组成部分, 易形成雾霾天气, 大湾区气溶胶来源主要是化石燃料、生物质的燃烧, 气溶胶高值区集中于大湾区南部的城市群, 低值区则分布在北部地区(图 15d), 气溶胶与O3的空间分布呈现出相反的分布态势, 这可能是由于气溶胶对太阳辐射产生消光作用, 使得达到地面的短波辐射减弱, 光化学反应速率被削弱, O3浓度随之降低.
图 15(Fig. 15)
![]() |
图 15 粤港澳大湾区O3、HCHO、NO2浓度、气溶胶指数的空间分布图 Fig. 15The spatial distribution of O3, HCHO, NO2 concentration and aerosol index in GBA |
6 结论(Conclusions)1) 从空间分布上看, 2005—2019年粤港澳大湾区O3浓度的空间分布特征表现为北部高、南部低.2005—2010年, O3浓度处于上升趋势, 高值区逐步从肇庆、广州、佛山扩大到江门、惠州等地.2010年开始, O3浓度缓慢降低, 低值区开始向南部的东莞、深圳、香港扩散.
2) 从时间变化上看, 15年来O3浓度整体呈先上升后下降的趋势, 2005—2010年, O3浓度持续升高, 年均值增幅为5.1%;2010—2019年O3浓度基本呈下降趋势, 年均值降幅为9.0%;2018年, 年均值有所回升, 但幅度较小.O3浓度春夏季高于秋冬季, 低值区基本出现在冬季.每年11—2月出现低值区, 4—7月出现高值区, 其中2019年12月O3浓度最低, 2012年8月O3浓度最高.
3) 自然因素中, 风速和风向影响着大气中O3的扩散和传输;气流后向轨迹聚类分析表明:O3长距离的输送受到来自西伯利亚的寒冷气流影响, 而短距离的输送则受到来自太平洋的暖湿气流的影响;冬季盛行西北风、夏季盛行东南风, 对应气流轨迹的O3浓度较大.O3浓度与气温存在正相关关系, 高温强热促进了光化学反应的速率, 加速了O3的形成;与降水呈负相关关系, 降水对O3起到清除作用.
4) 人为因素中, O3浓度与GDP和人口分布呈显著相关性;NOx的影响中, 电力源、交通源和工业源是主导因素, 居民源的影响较弱;VOCs的影响中, 工业源是主控因素, 交通源和居民源次之, 电力源的影响最弱.
5) O3浓度与HCHO、NO2、气溶胶的协同关系表现为:O3浓度与HCHO浓度的空间分布保持较高一致性, NO2和气溶胶在以广州为中心的城市群出现高值区.这说明VOCs对O3的影响起着主导作用;城市中机动车尾气排放的NOx等污染物参与光化学反应, 对O3浓度的变化起着一定作用;而气溶胶对太阳辐射产生消光作用, 使得O3浓度降低.
参考文献
陈训来, 冯业荣, 范绍佳, 等. 2008. 离岸型背景风和海陆风对珠江三角洲地区灰霾天气的影响[J]. 大气科学, 32(3): 530-542. DOI:10.3878/j.issn.1006-9895.2008.03.10 |
程念亮, 李云婷, 张大伟, 等. 2016. 2014年北京市城区臭氧超标日浓度特征及与气象条件的关系[J]. 环境科学, 37(6): 2041-2051. |
Draxler R R, Hess G D. 1998. An overview of the hysplit-4 modeling system for trajectories[J]. Australian Meteorological Magazine, 47(4): 295-308. |
邓玉娇, 杜尧东, 王捷纯, 等. 2020. 粤港澳大湾区城市热岛时空特征及驱动因素[J]. 生态学杂志, 39(8): 2671-2677. |
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. |
傅军伟. 2018. 论城市环境空气中臭氧污染特征及其影响因素[J]. 节能, 37(12): 83-84. |
郭青, 罗碧瑜, 曾东好, 等. 2018. 气象条件对梅州城区臭氧浓度的影响研究[J]. 中低纬山地气象, 42(6): 26-30. DOI:10.3969/j.issn.1003-6598.2018.06.005 |
Guether A B, Monson R K, Flynt M S. 2000. 2, 4Dinitrophenyl hydrazones emissions from deciduous trees[J]. Atmospheric Environment, 34: 3027-3032. DOI:10.1016/S1352-2310(99)00311-8 |
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 |
Hu Y M, Yan H H, Zhang X Y, et al. 2020. Study on calculation and validation of tropospheric ozone by ozone monitoring instrument-microwave limb sounder over China[J]. International Journal of Remote Sensing, 41(23): 9101-9120. DOI:10.1080/01431161.2020.1800124 |
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. |
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. 2017. 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 |
Liu H, Jiang D, Yang X, et al. 2005. Spatialization approach to 1 km Grid GDP supported by remote sensing[J]. Geo-information Science, 7(2): 120-123. |
刘旻霞, 宋佳颖, 孙瑞弟, 等. 2020. 近14年西北地区甲醛柱浓度的时空变化研究[J]. 中国环境科学, 40(6): 2321-2334. DOI:10.3969/j.issn.1000-6923.2020.06.001 |
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. |
Smedt I D, Stavrakou J, Müller J F, et al. 2009. H2CO columns retrieved from GOME-2:first scientific results and progress towards the development of an operational product[J]. Proceeding of the 2009 Eumetsat Meteorological Satellite Conference: 20-25. |
Stein A F, Draxler R R, Rolph G D, et al. 2016. NOAA's HYSPLIT atmospheric transport and dispersion modeling system[J]. Bulletin of the American Meteorological Society, 96(12): 2059-2077. |
石佩珍, 赵煜. 2019. 县域尺度的西北五省区人口分布地统计学分析[J]. 广西师范学院学报(自然科学版), 36(3): 1-9. |
宋佳颖, 刘旻霞, 孙瑞弟, 等. 2020. 基于OMI数据的东南沿海大气臭氧浓度时空分布特征研究[J]. 环境科学学报, 40(2): 439-449. |
王川, 夏士勇, 曹礼明, 等. 2020. 深圳西部城区大气O3污染特征及超标成因[J]. 中国环境科学, 40(4): 1414-1420. DOI:10.3969/j.issn.1000-6923.2020.04.003 |
王闯, 王帅, 杨碧波, 等. 2015. 气象条件对沈阳市环境空气臭氧浓度影响研究[J]. 中国环境监测, 31(3): 32-37. DOI:10.3969/j.issn.1002-6002.2015.03.007 |
王宏, 林长城, 陈晓秋, 等. 2011. 天气条件对福州近地层臭氧分布的影响[J]. 生态环境学报, 20(2): 1320-1325. |
王建朝. 2003. 大气平流层臭氧浓度下降对人体健康的影响[J]. 青海医学院学报, 24(3): 208-211. DOI:10.3969/j.issn.1006-8252.2003.03.036 |
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+184. DOI:10.3969/j.issn.1003-6504.2009.06.041 |
Wang Y Q, Zhang X Y, Draxler R R. 2009. TrajStat: GIS-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data[J]. Environmental Modelling and Software, 24(8): 938-939. DOI:10.1016/j.envsoft.2009.01.004 |
吴锴, 康平, 于雷, 等. 2018. 2015-2016年中国城市臭氧浓度时空变化规律研究[J]. 环境科学学报, 38(6): 2179-2190. |
肖钟湧, 谢先全, 陈颖锋, 等. 2020. 粤港澳大湾区NO2污染的时空特征及影响因素分析[J]. 中国环境科学, 40(5): 2010-2017. DOI:10.3969/j.issn.1000-6923.2020.05.018 |
易玲, 熊利亚, 杨小唤. 2006. 基于GIS技术的GDP空间化处理方法[J]. 甘肃科学学报, 18(2): 54-58. DOI:10.3969/j.issn.1004-0366.2006.02.016 |
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. |
张永佳, 葛建团, 徐敏, 等. 2020. 广东省对流层HCHO柱浓度时空动态分布及影响分析[J]. 环境科学学报, 40(8): 2869-2881. |
赵伟, 高博, 卢清, 等. 2020. 2006-2019年珠三角地区臭氧污染趋势[J/OL]. 环境科学, 1-13. https://doi.org/10.13227/j.hjkx.202005249 |
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. |