肖袁俊 李保山 宋文丹 程勇翔 黃敬峰

(1.石河子大學(xué)生命科學(xué)學(xué)院，新疆 石河子 832000； 2.浙江大學(xué)農(nóng)業(yè)遙感與信息技術(shù)應(yīng)用研究所，浙江 杭州 310058)

引言

近年來，隨著中國經(jīng)濟(jì)的快速發(fā)展，環(huán)境污染愈發(fā)嚴(yán)重，其中大氣污染是影響范圍廣、危害程度重、治理較為困難的環(huán)境問題。研究表明，中國大部分城市PM2.5濃度超標(biāo)，世界衛(wèi)生組織(World Health Organization，WHO)規(guī)定的PM2.5濃度標(biāo)準(zhǔn)為10 μg·m-3，而中國境內(nèi)達(dá)到此標(biāo)準(zhǔn)的陸地面積不足中國總面積的20%[1-2]。高濃度的PM2.5除了對人類健康和生態(tài)環(huán)境造成不利的影響外[3-5]，還能對地區(qū)的氣候產(chǎn)生影響，尤其是對氣溫升高有一定抑制作用[6]。PM2.5是霧霾的主要組成部分，有研究表明霧霾能降低來自太陽的短波輻射，使近地表氣溫下降[7-8]。Song等[9]利用相關(guān)性分析，得出PM2.5濃度顯著升高將導(dǎo)致地表溫度下降的結(jié)論。Ding等[10]研究表明，化石燃料的燃燒能降低太陽輻射并明顯減少可感熱，使氣溫下降近10 ℃。Jenamani等[11]結(jié)合1960—2005年霧霾數(shù)據(jù)與氣溫數(shù)據(jù)發(fā)現(xiàn)，霧霾使印度新德里的氣溫呈明顯的下降趨勢。中國黃淮海區(qū)是中國大氣污染的重災(zāi)區(qū)[12-13]，該地區(qū)近年來出現(xiàn)了很多關(guān)于氣溫呈下降趨勢的研究結(jié)果，You等[14]、Wang等[15]和謝志祥等[16]的研究結(jié)果指出，1959—2012年中國華北地區(qū)的年最高氣溫呈下降趨勢。陳躍浩等[17]對天津的研究發(fā)現(xiàn)，霧霾天氣是影響當(dāng)?shù)靥栞椛涞闹饕蛩?，且隨著霧霾天氣持續(xù)日數(shù)的遞增，對太陽輻射的削弱作用將增加，這將導(dǎo)致氣溫下降。上述研究均表明，PM2.5可能是導(dǎo)致氣溫下降的重要因素。本研究擬從1951—2017年中國氣溫變化趨勢和1998—2016年P(guān)M2.5濃度變化趨勢著手，選取PM2.5主要污染區(qū)中國東北區(qū)與黃淮海區(qū)，通過PM2.5濃度、地表太陽輻射變化趨勢分析，PM2.5濃度與氣溫的相關(guān)關(guān)系分析，以及PM2.5污染成因分析，探討中國近年來氣溫對PM2.5濃度升高的宏觀響應(yīng)以及PM2.5影響氣溫的機(jī)制，并分析造成PM2.5濃度激增的相關(guān)因素，為大氣污染及其造成的影響提供參考。

1 資料與方法

1.1 研究區(qū)選取

根據(jù)中國綜合農(nóng)業(yè)區(qū)劃結(jié)果[18]，并參考各分區(qū)大氣污染程度，研究選取中國大氣污染最為嚴(yán)重的中國黃淮海區(qū)和東北區(qū)作為研究對象(圖1)。黃淮海區(qū)主體為黃河、淮河、海河及其支流沖積而成的華北平原。其行政區(qū)劃范圍包括北京、天津和山東的全部地區(qū)，河北及河南兩省的大部分地區(qū)以及江蘇、安徽兩省的北部地區(qū)。黃淮海區(qū)氣候類型為溫帶季風(fēng)氣候，全年降水和氣溫匹配程度相對較低，降水主要集中在每年7月，而高溫則出現(xiàn)在每年6—8月。黃淮海區(qū)人口密集、工業(yè)發(fā)達(dá)，是中國大氣污染的重災(zāi)區(qū)。中國東北區(qū)范圍包括黑龍江、吉林、遼寧全部地區(qū)及內(nèi)蒙古東北部地區(qū)。東北區(qū)氣候類型同為溫帶季風(fēng)氣候，全年降水和溫度匹配程度高，雨熱同期。此外，東北區(qū)是中國的老工業(yè)區(qū)，大氣污染也相對較重。

圖1 中國綜合農(nóng)業(yè)區(qū)劃

1.2 資料來源及預(yù)處理

1.2.1 氣溫數(shù)據(jù)

1951—2017年中國839個氣象站點(diǎn)逐日氣溫數(shù)據(jù)來源于國家氣象科學(xué)數(shù)據(jù)中心(http://www.nmic.cn/)。對從該網(wǎng)站獲得的數(shù)據(jù)進(jìn)行異常值檢驗(yàn)，檢驗(yàn)方法為：①若某站點(diǎn)某一年中有連續(xù)超過4 d(不包括4 d)數(shù)據(jù)缺失，則刪除該站點(diǎn)當(dāng)年所有數(shù)據(jù)；②若某站點(diǎn)某一天的值缺失，則將其值更改為前一天與后一天的算術(shù)平均數(shù)；③若某站點(diǎn)記錄數(shù)據(jù)少于40 a(不包括40 a)，即排除該站點(diǎn)。用此方法能最大程度保證數(shù)據(jù)的完整性，并使得數(shù)據(jù)真實(shí)可靠。經(jīng)篩選后符合要求的氣象站點(diǎn)有822個(圖 1)。在氣象數(shù)據(jù)預(yù)處理的基礎(chǔ)上研究選取年最高氣溫、年平均氣溫、年最低氣溫3個指標(biāo)(表1)用于中國1951—2017氣溫變化趨勢分析；選取1998—2016年日最高氣溫年平均值、年平均氣溫、日最低氣溫年平均值3個指標(biāo)(表1)分別與相應(yīng)年份PM2.5年平均值進(jìn)行相關(guān)性分析。

表1 氣溫指數(shù)定義及縮寫

1.2.2 地表太陽輻射數(shù)據(jù)

1998—2016年地表太陽輻射數(shù)據(jù)來自于國家青藏高原科學(xué)數(shù)據(jù)中心[19](https://data.tpdc.ac.cn/zh-hans/disallow/be562de3-6367-402f-956d-59f7c21ad294/)，該數(shù)據(jù)集以nc格式記錄了全球逐月地表太陽輻射值，空間分辨率為0.1°×0.1°。研究利用該數(shù)據(jù)集1998—2016年共228幅圖像，通過最大值合成法獲取中國逐年地表太陽輻射最大值合成影像，共19幅。

1.2.3 PM2.5數(shù)據(jù)

1998—2016年P(guān)M2.5數(shù)據(jù)來自于美國國家航空航天局(National Aeronautics and Space Administration，NASA)地球數(shù)據(jù)網(wǎng)(https://search.earthdata.nasa.gov/search)下載的全球年值PM2.5數(shù)據(jù)集，該數(shù)據(jù)集的空間分辨率為0.01°×0.01°。

1.2.4 人類活動數(shù)據(jù)

研究使用的中國各省(區(qū))1998—2016年GDP(gross domestic product)、能源消耗數(shù)據(jù)和各省市面積均來自于國家統(tǒng)計局(http://www.stats.gov.cn/)，對于獲取的能源消耗數(shù)據(jù)，研究將不同種類的能源消耗量按比率統(tǒng)一轉(zhuǎn)化為標(biāo)準(zhǔn)煤消耗量(單位為萬噸標(biāo)準(zhǔn)煤)。

研究使用的夜間燈光數(shù)據(jù)來源于兩個不同的數(shù)據(jù)集，1998—2013年的中國夜間燈光數(shù)據(jù)來自于美國國家地球物理數(shù)據(jù)中心(National Geophysical Data Center，NGDC)中的DMSP/OLS夜間燈光數(shù)據(jù)，該數(shù)據(jù)是由6個不同傳感器記錄的世界范圍夜間年值燈光指數(shù)(https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html#AXP)。2014—2016年的中國夜間燈光數(shù)據(jù)來自于Suomi-NPP衛(wèi)星，它是由NASA和美國國家海洋和大氣管理局(National Oceanic Atmospheric Administration，NOAA)等機(jī)構(gòu)合作發(fā)射的，以高分辨率記錄世界范圍夜間燈光月值數(shù)據(jù)(https://ngdc.noaa.gov/eog/viirs/download_dnb_composites.html)，研究將該數(shù)據(jù)各月取算術(shù)平均值即可得到2014—2016年夜間燈光數(shù)據(jù)。

1.3 研究方法

1.3.1 Slope趨勢變化法

研究采用Slope趨勢變化法分析1951—2017年中國年最高氣溫、年平均氣溫、年最低氣溫的變化趨勢以及1998—2016年中國地表太陽輻射變化趨勢、PM2.5濃度變化趨勢。其計算公式為[20]

(1)

式(1)中，n為研究年數(shù);xj為第j年研究因子值，包括年最高氣溫、年平均氣溫、年最低氣溫、地表太陽輻射和PM2.5濃度。當(dāng)Slope>0時，表示研究因子在n年中變化為上升趨勢，當(dāng)Slope<0時，則表示研究因子在n年中變化為下降趨勢。

1.3.2 相關(guān)性分析法

(2)

1.3.3 燈光數(shù)據(jù)校正方法

采用一種新型的DMSP/OLS數(shù)據(jù)與NPP/VIIRS數(shù)據(jù)的連續(xù)性校正方法。對于DMSP/OLS數(shù)據(jù)的內(nèi)部相互校正，本研究通過建立DMSP/OLS 2013年0—63各級DN值與DMSP/OLS 1998—2012年各年燈光數(shù)據(jù)相應(yīng)空間位置統(tǒng)計平均值間的數(shù)值轉(zhuǎn)換關(guān)系，分別建立2013年燈光DN值向其他各年燈光DN值的模擬標(biāo)準(zhǔn)，實(shí)現(xiàn)DMSP/OLS 2013年燈光數(shù)據(jù)對1998—2012年燈光數(shù)據(jù)的模擬重構(gòu)。對于DMSP/OLS數(shù)據(jù)與NPP/VIIRS數(shù)據(jù)間的相互校正，研究首先計算出2013年DMSP/OLS數(shù)據(jù)0—63各級別像元在2013年NPP/VIIRS燈光數(shù)據(jù)相應(yīng)空間位置的平均值，將得到的64組對應(yīng)關(guān)系采用指數(shù)函數(shù)進(jìn)行擬合，所建立的統(tǒng)計回歸模型的擬合優(yōu)度為0.99。最后，利用構(gòu)建的回歸轉(zhuǎn)換模型作為“橋梁”，實(shí)現(xiàn)2014—2016年NPP/VIIRS年平均燈光數(shù)據(jù)向DMSP/OLS數(shù)據(jù)的轉(zhuǎn)換。最終研究得到連續(xù)可比的1998—2016年中國夜間燈光校正數(shù)據(jù)。

2 結(jié)果分析

2.1 氣溫變化

圖2 1951—2017年中國年最高氣溫(a)、年平均氣溫(b)、年最低氣溫(c)斜率變化空間分布

圖3 1998—2016年中國PM2.5濃度(a)和其變化趨勢(b)空間分布

將中國TXx下降區(qū)域與PM2.5濃度顯著升高區(qū)域進(jìn)行了空間疊置分析，結(jié)果如圖4所示，兩者主要重合區(qū)域即為黃淮海區(qū)，而東北區(qū)兩者重疊關(guān)系不明顯，初步表明高濃度PM2.5對高溫有抑制作用。

圖4 中國(a)、黃淮海區(qū)及其相鄰省份(b)和東北區(qū)(c)日最高氣溫下降區(qū)域與PM2.5濃度顯著升高區(qū)域交疊圖

圖5 1998—2016年中國PM2.5濃度與相關(guān)性分析

為探究PM2.5影響氣溫下降的深層機(jī)制，進(jìn)一步分析了中國地表太陽輻射值的變化，1998—2016年中國地表太陽輻射變化趨勢見圖6。由圖6可知，1998—2016年中國黃淮海區(qū)和東北區(qū)出現(xiàn)了地表太陽輻射減少的現(xiàn)象。Feng等[24]對中國華北地區(qū)太陽輻射的研究表明，1959—2016年該地區(qū)太陽總輻射與日照時數(shù)呈下降趨勢，與本文研究結(jié)果一致。此外，陳躍浩等[17]對天津地區(qū)的研究結(jié)果認(rèn)為PM2.5對太陽輻射有非常明顯的削弱作用。這種削弱作用將導(dǎo)致地表溫度[9]和近地表氣溫下降[7]。Gao等[25]使用WRF模型模擬了2013年1月中國的一次霧霾事件表明，09:00—18:00含高濃度PM2.5的霧霾使地表輻射降低20—140 W·m-2，使大氣輻射增加20—120 W·m-2，使近地表大氣溫度降低0.8—2.8 ℃。通過上述分析可得出如下結(jié)論，高濃度PM2.5通過降低地表太陽輻射從而起到抑制高溫的作用，該結(jié)果可以解釋圖2在中國氣溫整體上升的背景下，黃淮海區(qū)TXx呈下降變化趨勢的原因。

圖6 1998—2016年中國地表太陽輻射變化趨勢

2.2 PM2.5升高的原因分析

通過中國各省(區(qū))PM2.5單位面積年平均值與相應(yīng)省(區(qū))單位面積標(biāo)準(zhǔn)煤消耗量(能源消耗總量)、生產(chǎn)總值、夜間燈光指數(shù)進(jìn)行相關(guān)性分析可以得出(圖7)，1998—2016年中國大部分省(區(qū))PM2.5濃度與能源消耗總量、GDP、夜間燈光指數(shù)呈正相關(guān)關(guān)系，在PM2.5濃度升高的主要省(區(qū))，即黑龍江、吉林、遼寧、河北、北京、天津、山東、河南、江蘇、安徽， PM2.5濃度與能源消耗總量的平均相關(guān)系數(shù)為0.72，GDP和夜間燈光指數(shù)平均相關(guān)系數(shù)略低，分別為0.63、0.61。這說明PM2.5濃度的升高與能源消耗總量、GDP、夜間燈光指數(shù)的增長都有著較強(qiáng)的關(guān)聯(lián)，并且能源消耗量的增加是引起PM2.5濃度上升更為重要的因素。除了上述原因，導(dǎo)致大氣PM2.5濃度升高的相關(guān)因素還有很多，有研究對引起PM2.5濃度升高的其他因素進(jìn)行了相關(guān)探究，Zhou等[2]的研究指出，人口密度、產(chǎn)業(yè)結(jié)構(gòu)、空間煙塵排放、道路密度對PM2.5濃度有顯著的正向影響，其中工業(yè)煙塵排放對PM2.5濃度水平刺激作用最大；Lu等[13]對1998—2014年中國PM2.5變化研究指出，第一、二產(chǎn)業(yè)占GDP的比重、工業(yè)消費(fèi)、人口密度與PM2.5濃度呈高度正相關(guān)，而平均降水量、平均風(fēng)速、第三產(chǎn)業(yè)占GDP的比重、綠化覆蓋率與PM2.5濃度呈負(fù)相關(guān)關(guān)系。因此，綜合上述分析可知，工業(yè)的發(fā)展、能源消耗的增多、工廠煙塵排放的增加是導(dǎo)致中國大氣PM2.5濃度升高的主要原因。

圖7 1998—2016年中國能源消耗總量(a)、地區(qū)生產(chǎn)總值(b)和夜間燈光指數(shù)(c)與PM2.5濃度相關(guān)系數(shù)空間分布

2.3 不同氣候條件下PM2.5對高溫的影響分析

中國東北地區(qū)近年來PM2.5濃度同樣增加明顯，但不像黃淮海區(qū)一樣出現(xiàn)明顯TXx下降趨勢，究其原因可知，第一，中國東北區(qū)PM2.5濃度雖然顯著增加，但當(dāng)?shù)豍M2.5年平均濃度明顯低于黃淮海區(qū)，低濃度的PM2.5對氣溫的影響不甚明顯，這是導(dǎo)致東北區(qū)TXx沒有出現(xiàn)下降趨勢的重要原因；第二，黃淮海區(qū)具有氣候上的獨(dú)特性。1951—2017年中國黃淮海區(qū)和東北區(qū)高PM2.5濃度站點(diǎn)(圖8)的最高氣溫出現(xiàn)月份頻數(shù)分布如圖9所示，站點(diǎn)逐月降水、逐月平均氣溫的年內(nèi)變化趨勢如圖10所示，黃淮海區(qū)水熱匹配度比東北區(qū)低，一年中的高溫更多出現(xiàn)在降水不足的6月，使得PM2.5對高溫的抑制作用更為明顯，而東北區(qū)，6月出現(xiàn)的高溫頻數(shù)占比小于黃淮海區(qū)，雖然高氣溫也集中在6月，但東北區(qū)6月的降水相對充沛，充足的降水能降低大氣PM2.5，對空氣污染物有良好的沖刷清洗作用[26]，PM2.5的減少導(dǎo)致對高溫的抑制作用不如黃淮海區(qū)明顯，這是導(dǎo)致東北區(qū)TXx沒有出現(xiàn)下降變化趨勢的另一原因。

圖8 1951—2017年中國水熱匹配程度空間分布

圖9 1951—2017年中國黃淮海區(qū)(a)和東北區(qū)(b)TXx出現(xiàn)月份頻率統(tǒng)計

圖10 1951—2017年中國黃淮海區(qū)(a)和東北區(qū)(b)水熱配合模式

3 結(jié)論與討論

(2)1998—2016年中國能源消耗總量、GDP、夜間燈光指數(shù)與大氣PM2.5濃度呈正相關(guān)關(guān)系，其中能源消耗總量與PM2.5濃度相關(guān)性最高。

(3)黃淮海區(qū)TXx與大氣中PM2.5濃度呈緊密負(fù)關(guān)聯(lián)，高濃度的PM2.5通過減弱地表太陽輻射，從而使氣溫呈下降趨勢。相比較，東北區(qū)近年來PM2.5濃度同樣增長迅速，但由于大氣PM2.5平均濃度相對黃淮海區(qū)低，且該地區(qū)有著較高的水熱配合度，這兩個原因使得東北地區(qū)PM2.5對TXx的抑制作用較黃淮海區(qū)不明顯。

(4)由于高濃度PM2.5與TXx出現(xiàn)的時間并不完全一致，且本研究使用PM2.5濃度的年值數(shù)據(jù)與氣溫進(jìn)行相關(guān)性分析，這將在一定程度上低估PM2.5對TXx的抑制作用，若使用逐月、逐日PM2.5濃度數(shù)據(jù)做更深入的分析，將得到更精確的研究結(jié)果。