中国气溶胶光学厚度的时空分布及影响因素分析

孙忠保,程先富,夏晓圣

中国气溶胶光学厚度的时空分布及影响因素分析

孙忠保,程先富*,夏晓圣

(安徽师范大学地理与旅游学院,安徽 芜湖 241002)

基于1980～2017年MERRA-2再分析产品中的气溶胶光学厚度(AOD)数据,结合趋势分析和时空地理加权回归模型(GTWR)等方法,分析中国AOD的时空变化特征,从时空异质性视角量化自然地理和人类活动对AOD的综合影响.结果表明,1980～2017年AOD以0.0028a-1的速率呈显著上升趋势,而2009～2017年AOD以0.0083a-1的速率呈显著下降趋势.2008年前后为AOD由升到降的转折期,可能与2007年生态文明建设和2008年全球经济危机有关.胡焕庸线以东地区为AOD高值区,以人为气溶胶为主,近40a来AOD值呈显著上升趋势;胡焕庸线以西地区为AOD低值区,以自然气溶胶为主,AOD值基本不变.气温、气压、黑炭气溶胶排放和硫酸盐气溶胶排放与AOD呈正相关,降水、风速、NDVI和GDP与AOD呈负相关.AOD与影响因子间的关系具有时空异质性.从时间变化来看,降水、风速、NDVI、GDP的回归系数具有一致性,而气温、气压、黑炭气溶胶排放、硫酸盐气溶胶排放在不同年份的回归系数有正有负;从空间变化来看,中国北方地区气温与AOD间呈负相关,南方地区二者呈正相关.

气溶胶光学厚度；时空分布；影响因素；时空地理加权回归

气溶胶是气候变化中最大的不确定性来源,深刻影响着全球气候变化和人类健康[1-2].气溶胶光学厚度(AOD)既是反应气溶胶消光特性的一个重要光学参数,也是评估大气污染程度、研究气溶胶气候胁迫效应的关键因子[3].随着新型工业化和城镇化的快速推进,日益增加的气溶胶排放不仅恶化自然环境、危害公共健康,也影响社会经济的可持续发展[4].因此,需要科学认知中国AOD的时空分布特征及其影响因素,进一步为气候变化研究、大气环境研究、大气污染监测、大气污染防治、人类健康保护等提供有力参考和科学依据.

目前,地面观测和遥感反演是获取AOD数据的两大主要来源.由于地面监测站点数量有限且分布稀疏,加之昂贵的建设和维护成本,气溶胶自动监测网(AERONET)和中国地基气溶胶监测网(CARSNET)等地面观测网络很难获取大尺度的AOD连续观测数据[5-6].卫星遥感虽然能提供大尺度和实时连续的AOD数据,如中分辨率成像光谱仪(MODIS)、甚高分辨率扫描辐射计(AVHRR)、多角度成像光谱辐射计(MISR)、臭氧层观测仪等[7-11]获取的数据,但数据的时间序列较短,一般不超过20a.由于研究数据的限制,中国长时间序列的AOD时空变化特征研究较少.

新发布的MERRA-2再分析产品可提供1980年以来的AOD数据,为研究中国长时间序列的AOD时空特征提供基础[12].基于MERRA-2AOD数据集,发现1980～2017年AOD值以0.002a-1的速率呈微弱上升趋势, 2008年为AOD值由上升到下降的转折点;沙尘气溶胶和硫酸盐气溶胶是中国AOD空间分异的主要驱动因子[13],暖湿地区的AOD值大于干旱地区[14].此外,长江流域和华北平原也有类似的研究[15～16].但此类研究对MERRA-2AOD数据集的验证尚显不足.

针对AOD影响因素的解析国内外学者已有较多研究,对于自然因素,大量研究表明气象要素对气溶胶的生成、传输、转换等有重要影响,包括气温[17]、降水[15]、相对湿度[18]、气压、风速、风向[19]等.地形、海拔高度[20]、气候类型[14]、植被覆盖[21]、季风[22]等对AOD的集聚与扩散有着显著影响.对于人类活动相关的社会经济因素,工业生产、秸秆燃烧[23-24]、能源消费和交通运输[25-26]等是人为气溶胶的主要排放来源.不同的人口密度[15]、产业结构[13]、土地利用[7]和城市化水平[27]等对AOD的影响也有所不同.纵观已有研究,多数学者选取的影响因素较少,未能综合考虑自然地理和社会经济要素对AOD的影响.其次,注重时间序列和区域差异的分析,对AOD的时空异质性研究有所不足.

综上,本文首先验证了MERRA-2AOD产品在中国的适用性,其次分析了中国1980～2017年AOD的时空分布特征,最后基于时空异质性视角,利用GTWR模型综合量化自然和社会经济因子对AOD的影响.

1 数据与方法

1.1 研究区域

如图1所示,本文将中国划分为七大地理分区,依次为东北、华北、华东、华中、华南、西南和西北地区.

1.2 数据

1.2.1 AOD数据 MERRA-2(长时间序列,高分辨率全球再分析数据集)数据集是美国国家航天局(NASA)戈达德地球科学数据和信息服务中心(GESDISC)在融合多种气象观测资料和卫星数据基础上,所生成的同化数据集.该数据集涵盖了1980年以来不同时间分辨率(1h、3h、逐日、逐月)的气温、降水、湿度、气压、地表反照率、地表反射率和气溶胶等多种自然地理特征数据,其原始空间分辨率为0.5°×0.625° (纬度×经度).MERRA-2涵盖的大量气象数据,有利于分析AOD的驱动因素.因此,本文提取1980年1月到2017年12月550nm波长的逐月AOD数据分析中国AOD的时空变化特征(表1)

图1 中国七大地理分区及AERONET站点分布

表1 MERRA-2AOD与AERONET AOD数据信息

为评估MERRA-2AOD产品在中国的适用性,本文基于2005～2018年MERRA-2AOD逐日数据和41个AERONET站点日均AOD数据,利用插值的方法获取AERONET 550nm波长的AOD数据,共计得到21625个配对样本.公式如下:

式中:为Angstrom波长指数;为混浊系数,1和2分别为440和870nm波长[28].如图2所示,中国MERRA-2AOD数据的精度较高(2=0.7768,RMSE = 0.2539, MAE = 0.1593),与前人的MERRA-2AOD精度评估结果基本一致[13,29].

图2 MERRA-2AOD产品精度验证

1.2.2 自然与社会经济数据 AOD时空分异的影响因素很多,大致可分为人为和自然产生的排放因子(源)和影响气溶胶传输、扩散、沉降等的气象因子[30].本文选取气温、降水、气压、风速、NDVI、GDP、人口密度和人为气溶胶(黑炭、有机碳、SO2、SO4)排放变量探索AOD与潜在影响因素间的关系.月尺度的气温、气压、风速和人为气溶胶排放数据分别来自于MERRA-2instM_2d_gas_Nx数据集tavg_2d_adg_Nx 数据集,其时空分辨率为0.5°×0.625°(纬度×经度).年尺度的1km分辨率降水、NDVI、GDP、人口密度数据来源于中国科学院资源环境科学数据中心 (http://www.resdc.cn).

1.3 研究方法

1.3.1 趋势分析 利用线性倾向估计法分析AOD的时间变化趋势,方程式如下:

1.3.2 时空地理加权回归模型(GTWR) 为克服地理加权回归模型(GWR)不能解决时间非平稳性的问题,Huang等同时考虑时间和空间异质性,将GWR模型扩展为GTWR模型[31].

式中:和为平衡时空差异的参数;h为时空核函数的带宽;通过修正的AICc准则确定最优带宽[32].

2 结果与分析

2.1 AOD时间分布特征

1980～2017年月尺度的MERRA-2AOD时间变化趋势如图3所示,大致可分为3个阶段,1980～ 1999,2000～2008和2009～2017年.总体而言,1980～ 2017年,中国AOD值以2.3×10-4month-1/0.0028a-1的速率呈显著上升趋势.而2000年以前,AOD值的上升趋势不显著.1980年代初和1990年代初的AOD值剧烈上升主要与火山喷发和经济的快速发展有关.一方面,大气环流将墨西哥的EL Chichon火山(1982年)和菲律宾的Pinatubo火山(1991年)喷发的大量烟雾和火山灰输送至中国境内[33-34].另一方面,家庭联产承包责任制(1982年)和社会主义市场经济(1992年)的确立,经济增速达至峰值(图4 (a)),人为气溶胶排放激增.21世纪以后,AOD值呈倒“U”型变化特征,2008年为转折点.2000～2008年,AOD值以8.4×10-4month-1/0.0113a-1的速率呈显著上升趋势,这与经济的快速发展和粗放的发展模式有关,人为气溶胶排放量也同步经历了一个爆炸式的增长[13].在2007年生态文明建设以后,经济增速放缓,发展质量提升,通过实施严格的环境保护政策、优化能源消费结构和提高能源利用效率,人为气溶胶排放量基本得到控制[15],因此2008～2017年AOD值的下降趋势显著(-7.9×10-4month-1/-0.0083a-1).有研究表明,2008年的全球经济危机通过倒逼产业结构优化升级的方式,一定程度上减少了人为气溶胶排放[4]. 2006年以来,二氧化硫、工业烟粉尘排量明显减少,氮氧化物排放量自2011年也呈持续下降趋势(图4(b)).考虑到污染的滞后效应,AOD的时间变化趋势与主要污染物质排放量和经济发展的变化趋势基本一致,这表明经济发展和污染物质排放是中国AOD变化的主要原因.

图3 1980～2017年AOD月均值变化趋势

数据来源于http://www.stats.gov.cn/

2.2 AOD空间分布特征

在1980～2017、1980～1999、2000～2008和2009～ 2017年4个不同研究阶段,中国AOD的空间分布格局基本一致,以胡焕庸线为界,胡焕庸线以西主要为AOD低值区,以东主要为AOD高值区(图5).塔里木盆地地处塔克拉玛干沙漠,气候干旱、植被稀疏,沙尘气溶胶含量较高,是AOD的高值区[35].四川盆地的AOD值最大,这与当地人口稠密、产业发达、人为气溶胶排放量大有关,加之受盆地地形和暖湿气候的影响,气溶胶不易扩散.京津冀、华东北部、华中地区也是AOD的高值区,主要是因为当地工业生产、秸秆焚烧、交通运输、能源消费产生的大量气溶胶排放.东北地区的AOD值从东北向西南递增,这与当地的水热条件和人类活动分布一致[36].AOD低值区主要集中分布在云贵高原、青藏高原、新疆北部和内蒙古高原,这些地区地形以山地、高原为主,人类活动有限.受洋流、夏季风和大量降水的影响,人口稠密、产业发达的东南沿海地区的AOD值相对较低.尽管研究时段和研究数据有所不同,本文的中国AOD空间格局与前人研究类似[37-39].

图5 4个时期的中国AOD多年均值分布

在4个研究阶段,AOD变化趋势的空间分布格局大体以胡焕庸线为界,胡焕庸线以东地区AOD的变化幅度较大,以西地区AOD的变化幅度较小(图6).AOD变化趋势的时空分布具有一致性,即在中国的绝大部分地区,2000～2008年AOD的上升趋势最高,1980～2017年次之,1980～1999年最小,而2009～ 2017年AOD值呈显著下降趋势.在以自然气溶胶为主的西部地区,AOD值基本保持不变;而在人为气溶胶主导的东部地区,AOD值呈先升后降的倒“U”分布.这表明相较于地形、气候等自然因子,经济、人口、产业等人类活动是驱动AOD变化的关键因子[40].

图6 AOD变化趋势空间分布

标准黑点的地区呈显著变化趋势(<0.05)

3 讨论

本文选取2000年、2005年、2010年和2015年气温、降水、气压、风速、NDVI、GDP、人口密度和4种人为气溶胶排放作为解释变量,以探索AOD与潜在影响要素间的定量关系.各变量的描述性统计信息如表2所示.

AOD与影响因素间的偏相关系数如表3所示.在不同年份,AOD与相同影响因子的偏相关系数的大小、方向和显著性不尽相同,甚至截然相反.

表2 影响因素的定义及统计描述

表3 不同年份AOD与影响因素之间的偏相关系数

注:*表示通过0.05水平上的显著性检验.影响因素简写同表2.

如表4所示,不同年份的AOD与影响因素之间的逐步多元回归模型有所不同,相同因子对AOD的影响随时间变化而变化.例如,2000年黑炭气溶胶排放对AOD有影响,而在其他3个年份无影响.这进一步表明,AOD的影响因素研究应当考虑影响作用的时间异质性,这也是本文要着力解决的关键问题.

从时空异质性视角,利用GTWR模型综合考虑自然地理和人类活动对AOD的影响(表5).为避免多重共线性,在计算偏相关系数矩阵和方差膨胀因子(VIF)的基础上,剔除有机碳气溶胶排放、SO2人为排放和人口密度,剩余的8个变量进入最终的GTWR模型.GTWR模型的2为0.959,模型拟合效果优于逐步多元回归模型.由于本文重点关注AOD的时空异质性,所以下文的所有解释和分析均基于GTWR模型的结果.

表4 不同年份AOD与影响因素之间的逐步多元回归系数

注:“-”表示无影响,正负数值表示有影响.

表5 GTWR模型估计结果

注:2=0.959,2adj=0.959,AICC=-15964.900.

如表5所示,降水、气温、气压、风速、NDVI、GDP、BCE、SO4E的回归系数中位数依次为-0.001、2.080、0.273、-0.015、-0.006、-0.002、0.030和0.005.其中气温、气压、黑炭气溶胶排放和硫酸盐气溶胶排放与AOD均呈正相关,降水、风速、NDVI和GDP与AOD呈负相关.

降水对AOD的影响为负,其回归系数中位数为-0.001.降水与AOD呈负相关关系,主要是因为降水能够使气溶胶悬浮物沉降,从而起到降低AOD作用,此结果与张静怡等[18,21]研究结果相一致.另外AOD与湿度有关[41],二者呈正相关关系[42],原因是亲水性较强的气溶胶粒子体积增大,AOD增加[43].气温升高不仅促进大气垂直对流,有利于气溶胶垂直扩散,也会促进光化学反应,加快二次气溶胶的形成[17],因此,气温对AOD的正向作用最强,其回归系数中位数为2.080.一般而言,气压越高,大气厚度越大,气溶胶分布范围越广,导致AOD值升高,气压与AOD呈正相关,其回归系数中位数为 0.273.风速直接与气溶胶水平扩散有关,风速越大,大气的水平运动加快,利于气溶胶扩散,因而与AOD呈负相关[19,22].

NDVI的回归系数中位数为-0.006,说明良好的植被覆盖能够有效减少裸露地表,抑制风沙和地面扬尘,吸附大气中悬浮的气溶胶粒子,从而降低AOD值[26].因此增加植被覆盖率,降低裸地面积,可以保护大气环境.GDP的回归系数中位数为-0.002,意味着GDP每上升1%,AOD值下降0.002%,说明在发展经济的同时,环保意识也随之增强,环保投入也在增加.黑炭气溶胶和硫酸盐气溶胶是中国主要的气溶胶类型,黑炭气溶胶排放和硫酸盐气溶胶排放每上升1%,AOD值分别相应上升0.030%和0.005%.黑炭气溶胶和硫酸盐气溶胶主要由第二产业相关企业排放,有必要加强企业排放物达标管控,另外还要禁止秸秆焚烧,发展清洁能源以降低产生黑炭气溶胶和硫酸盐气溶胶的煤炭能源的比重等.

3.1 影响因素回归系数的时间变化

GTWR回归系数在时间上的变化趋势如图7所示:气温、气压、黑炭气溶胶排放、硫酸盐气溶胶排放对AOD的影响具有一致性,主要表现为正向关系,降水、风速、NDVI、GDP对AOD的影响不一致.

图7 GTWR模型变量回归系数的时间变化趋势

在全球变暖背景下,总体中国的降水呈显著增加趋势[44],所以降水的回归系数中位数呈上升趋势;由于全球变暖的影响,气温的回归系数中位数上升趋势显著.气压的回归系数中位数从2000年的0.221增加至2015年的0.325.2015年风速与AOD的回归系数中位数为正值,这与2015年风速与AOD的偏相关系数不显著有关(表3).

21世纪以来,由于持续的植树造林运动和农业集约化,中国的绿化覆盖率逐年提升,中国新增绿化面积占全球绿化面积增量的25%[46];AOD值呈先升后降的倒“U”型变化趋势,导致了NDVI对AOD的影响由正转负.与NDVI相似,2007年的生态文明建设和2008年的全球经济危机,促进了中国经济的结构性改革,这使得经济增速减缓,发展质量提升,GDP对AOD的影响由正转负,这符合环境库兹涅茨曲线(EKC),即经济发展和环境保护之间可以和谐共存.黑炭气溶胶排放的回归系数中位数呈上升趋势,硫酸盐气溶胶排放的回归系数中位数基本不变,且黑炭气溶胶排放对AOD的影响远大于硫酸盐气溶胶排放,这与黑炭气溶胶排放的增速远大于硫酸盐气溶胶排放有关[13].

3.2 影响因素回归系数的空间分布

从图8可知,中部地区的降水与AOD呈正相关,东、西部地区的降水与AOD呈负相关.由于盆地地形和高温高湿的气候环境,利于气溶胶粒子的生成、转化,四川盆地AOD与降水的正相关系最强(图8a).气温与AOD在西南地区呈负相关,在其他地区呈正相关(图8b).除新疆北部、东北北部地区外,气压与AOD呈正相关(图8c).东部地区风速与AOD呈负相关关系,西部风速与AOD呈正相关(图8d),其原因主要是人类活动和气溶胶排放大多集中在东部地区,风速越大,人为气溶胶扩散越快;而西部地区以自然沙尘气溶胶为主,风速越大,起尘量越大,AOD值越高[43].

图8 2000,2005,2010,2015年GTWR模型回归系数均值空间分布

由于较少的人为干扰,西部地区AOD与NDVI呈负相关,AOD值随着NDVI的升高而降低;而在东部地区,由于人类活动排放的大量人为气溶胶抵消了NDVI的负向作用,NDVI与AOD呈正相关(图8e).东北、华北和华南地区GDP与AOD呈正相关,这主要与当地以重工业为主的产业结构和发达的对外贸易有关,其他地区GDP与AOD呈负相关(图8f).黑炭气溶胶是中国AOD的主要驱动类型,所以黑炭气溶胶排放与AOD呈正相关(图8g).除西北和东南沿海部分地区外,硫酸盐气溶胶排放与AOD呈正向关系(图8h).

4 结论

4.1 基于月尺度的MERRA-2AOD数据集,从时空异质性视角,利用GTWR模型分析了中国1980～ 2017年AOD的时空变化特征.1980～2017年,中国AOD值以0.0028a-1的速率呈显著上升趋势,1980～ 1999年、2000～2008年和2009～2017年的AOD变化速率依次为0.0012a-1、0.0113a-1和-0.0083a-1.2008年前后为转折期,可能与2007年及以前的生态文明建设成果有关.

4.2 胡焕庸线是中国气溶胶浓度、性质和变化趋势的地理分界线.胡焕庸线以东地区为AOD高值区,以人为气溶胶为主,近40a来AOD值呈显著上升趋势;胡焕庸线以西地区为AOD低值区,自然气溶胶占主导,AOD值呈微弱的不连续下降趋势.

4.3 气温、气压、BCE、SO4E与AOD呈正相关,降水、风速、NDVI和GDP与AOD呈负相关.影响因素对AOD的作用具有时空异质性.从时间变化来看,气温、气压、黑炭气溶胶排放、硫酸盐气溶胶排放对AOD的影响具有一致性,而降水、气压、NDVI和GDP对AOD的影响在不同年份有正有负.从空间变化来看,中国北方气温与AOD呈正相关,南方呈负相关.中国西部NDVI与AOD呈负相关,东部呈正相关.

[1] CharlsonR J, Schwartz S E, HalesJ M, et al. Climate Forcing by Anthropogenic Aerosols [J]. Science, 1992,255:423-430.

[2] Li Y, Henze D K, Jack D, et al. The influence of air quality model resolution on health impact assessment for fine particulate matter and its components [J]. Air QualAtmos Health, 2016,9(1):51-68.

[3] Bellouin N, Boucher O, Haywood J, et al. Global estimate of aerosol direct radiative forcing from satellite measurements [J]. Nature, 2005, 438(7071):1138-1141.

[4] He Q, Zhang M, Huang B. Spatio-temporal variation and impact factors analysis of satellite-based aerosol optical depth over China from 2002 to 2015 [J]. Atmospheric Environment, 2016,129:79-90.

[5] Mai B , Deng X , Xia X , et al. Column-integrated aerosol optical properties of coarse- and fine-mode particles over the Pearl River Delta region in China [J]. The Science of the Total Environment, 2018, 622:481-492.

[6] 张志薇,王宏斌,张 镭,等.中国3个AERONET站点气溶胶微物理特性分析及比较[J]. 中国环境科学, 2014,34(8):1927-1937.

Zhang Z W, Wang H B, Zhang L, et al. Analysisand comparisonof the aerosol microphysical properties at three AERONET sites in China [J]. China Environmental Science, 2014,34(8):1927-1937.

[7] 千家乐,刘朝顺.胡焕庸线两侧气溶胶光学厚度时空分布特征及其与土地利用响应的研究[J]. 环境科学学报, 2018,38(2):752-760.

Qian J L, Liu C S. Distributions and changes of aerosol optical depth on both sides of HU Huanyong Line and the response to land use and landcover [J]. Acta Scientiae Circumstantiae, 2018,38(2):752-760.

[8] Gao L, Li J, Chen L, et al. Retrieval and validation of atmospheric aerosol optical depth from AVHRR Over China [J]. IEEE Transactions on Geoscience and Remote Sensing, 2016,54(11):6280-6291.

[9] Guo J P, Zhang X Y, Wu Y R, et al. Spatial-temporal variation trends of satellite-based aerosol optical depth in China during 1980～2008 [J]. Atmospheric Environment, 2011,45(37):6802-6811.

[10] Qi Y, Ge J, Huang J. Spatial and temporal distribution of MODIS and MISR aerosol optical depth over northern China and comparison with AERONET [J]. Chinese Science Bulletin, 2013,58(20):2497-2506.

[11] 李 龙,施润和,张 璐,等.华东地区MODIS与OMI气溶胶光学厚度数据融合 [J]. 地球信息科学学报, 2015,17(10):1224-1233.

Li L, Shi R H, Zhang L, et al. Data fusion of MODIS AOD and OMIAOD overEast China using universal kriging [J]. Journal of Geo-information Science, 2015,17(10):1224-1233.

[12] Randles C A, Da Silva A M, Buchard V, et al. The MERRA-2Aerosol Reanalysis, 1980-onward, Part I: System Description and Data Assimilation Evaluation [J]. J. Clim., 2017,30(17):6823-6850.

[13] Qin W, Liu Y, Wang L, et al. Characteristic and Driving Factors of Aerosol Optical Depth over Mainland China during 1980～2017 [J]. Remote Sensing, 2018,10(7):1064.

[14] 刘 莹,林爱文,覃文敏,等.1990～2017年中国地区气溶胶光学厚度的时空分布及其主要影响类型[J]. 环境科学, 2019,40(6):2572- 2581.

Liu Y, Lin A W, Qin W M, et al. Spatial-temporal Distribution of Aerosol Optical Depth and Its Main Influence Typesin China During 1990～2017 [J]. Environmental Science, 2019,40(6):2572-2581.

[15] He L, Wang L, Lin A, et al. What drives changes in aerosol properties over the Yangtze River Basin in past four decades？[J]. Atmospheric Environment, 2018,190:269-283.

[16] Song Z, Fu D, Zhang X, et al. Diurnal and seasonal Comparison of MERRA-2products and ground measurements [J]. Atmospheric Environment, 2018.19:70-78.

[17] 林 俊,刘 卫,李 燕,等.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, 2009,25(1):1-5.

Lin J, Liu W, Li Y, et al. Relationshipbetweenmeteorologicalcondition sandparticlesizedistributionofatmosphericaerosols [J]. Journal of Meteorology and Environment, 2009,25(1):1-5.

[18] 韩道文,刘文清,张玉钧,等.温度和相对湿度对气溶胶质量浓度垂直分布的影响[J]. 中国科学院研究生院学报, 2007,(5):619-624.

Han D W, Liu W Q, Zhang Y J, et al. Influence of temperature and relative humidity uponaerosol mass concentrations vertical distributions [J]. Journal of the Graduate School of the Chinese Academy of Sciences, 2007,(5):619-624.

[19] 俞海洋,张 杰,李 婷,等.2000～2013 年北京及周边地区大气气溶胶光学厚度时空变化特征及气象影响因素分析[J]. 气象科学, 2018,38(4):512-522.

Yu H Y, Zhang J, Li T, et al. Spatiotemporal variation of atmospheric aerosol optical depth and the meteorological factorsin Beijing and surrounding area from 2000 to 2013 [J]. Journal of the Meteorological Sciences, 2018,38(4):512-522.

[20] 刘 状,孙曦亮,刘 丹,等.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, 2018,38(8):3177-3184.

Liu Z, Sun X L, Liu D, et al. Spatiotemporal characteristics of aerosol optical depth over Beijing-Tianjin-Hebei-Shandong-Henan-Shanxi- Shaanxiregion during 2001～2017 [J]. Acta Scientiae Circumstantiae, 2018,38(8):3177-3184.

[21] 张静怡,卢晓宁,洪 佳,等.2000～2014年四川省气溶胶时空格局及其驱动因子定量研究[J]. 自然资源学报, 2016,31(9):1514-1525.

Zhang J Y, Lu X N, Hong J, et al. Quantitative study on temporal and spatial patterns of aerosol optical depth and Its driving forces inSichuan province during 2000～2014 [J]. Journal of Natural Resources, 2016,31(9):1514-1525.

[22] Yan L, Liu X, Yang P, et al. Study of the impact of summer monsoon circulation on spatial distribution of aerosols in East Asia based on numerical simulations [J]. Journal of Applied Meteorology and Climatology, 2011,50(11):2270-2282.

[23] 范东福,杨书运,吴必文,等.基于AOD数据的秸秆焚烧监测 [J]. 国土资源遥感, 2015,27(2):33-138.

Fan D F, Yang S Y, Wu B W, et al. Monitoring of biomass burning based on AOD [J]. Remote Sensing for Land and Resources, 2015, 27(2):133-138.

[24] Yu M, Yuan X, He Q, et al. Temporal-spatial analysis of crop residue burning in China and its impact on aerosol pollution [J]. Environ. Pollut., 2018,245:616-626.

[25] Yang J, Kang S, Chen D, et al. Quantifying the contributions of various emission sources to black carbon and assessment of control strategies in western China [J]. Atmospheric Research, 2019,215:178- 192.

[26] Li L, Wang Y. What drives the aerosol distribution in Guangdong-the most developed province in Southern China? [J]. Sci. Rep., 2014, 4:5972.

[27] Xue R, Bo A, Lin YY, et al. Spatial and Temporal Distribution of Aerosol Optical Depth and Its Relationship with Urbanization in Shandong Province [J]. Atmosphere, 2019,10(3):110.

[28] 徐 丹,邓孺孺,陈启东,等.基于CE318观测的广州市气溶胶光学特性[J]. 热带地理, 2015,35(1):21-28.

Xu D, Deng R R, Chen Q D, et al. Aerosol optical properties. In Guangzhou based on the CE318 data [J]. Tropical Geography, 2015,35(1):21-28.

[29] Shi H Y, Xiao Z Q, Zhan X C, et al. Evaluation of MODIS and two reanalysis aerosol optical depth products over AERONET sites [J]. Atmospheric Research, 2019,220:75-80.

[30] Voulgarakis A, Savage N H, Wild O, et al. Interannual variability of tropospheric composition: the influence of changes in emissions, meteorology and clouds [J]. Atmosperic Chemistry and Physics, 2010, 10:2491-2506.

[31] Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatiotemporal variation in house prices [J]. International Journal of Geographical Information Science, 2010,24(3): 383-401.

[32] HurvichC M, SimonoffJ S, Tsai C L. Smoothing parameter selection in nonparametric regression using an improved Akaike information criterion [J]. Journal of the Royal Statistical Society, 1998,60(2): 271-293.

[33] Buchard V, Randles C A, da Silva A M, et al. The MERRA-2 aerosol reanalysis, 1980 Onward. Part II: Evaluation and case studies [J]. Journal of Climate, 2017,30(17):6851-6872.

[34] Mccormick M P, Swissler T J. Stratospheric aerosol mass and latitudinal distribution of the El Chichon eruption cloud for October 1982 [J]. Geophysical Research Letters, 1983,10:877-880.

[35] 王银牌,喻 鑫,谢广奇.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, 2018,38(2):426-434.

Wang Y P, Yu X, Xie G Q. Spatial distribution and temporal variation of aerosol optical depth over China in the past 15years [J]. China Environmental Science, 2018,38(2):426-434.

[36] 张宸赫,赵天良,王 富,等.2003～2014年东北三省气溶胶光学厚度变化分析[J]. 环境科学, 2017,38(2):476-484.

Zhang C H, Zhao T L, Wang F et al.Variations in aerosol optical depth over three northeastern provinces of Chinain 2003～2014 [J]. Environmental Science, 2017,38(2):476-484.

[37] 单 楠,杨晓晖,时忠杰,等.基于MODIS的中国陆地气溶胶光学厚度时空分布特征[J]. 中国水土保持科学, 2012,10(5):24-30.

Shan N, Yang X H, Shi Z J, et al. Spatial and temporal distribution of aerosol opticaldepth in China based on MODIS [J]. Science of Soil and Water Conservation, 2012,10(5):24-30.

[38] 张亮林,潘竟虎,张大弘.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, 2018,38(11):4431-4439.

Zhang L L, Pan J H, Zhang D H. Spatiotemporal distribution characteristics of aerosol optical depths in China based on MODIS data [J]. ActaScientiae Circumstantiae, 2018,38(11):4431-4439.

[39] He Q, Gu Y, Zhang M. Spatiotemporal patterns of aerosol optical depth throughout China from 2003 to 2016 [J]. Sci. Total. Environ., 2019,653:23-35.

[40] Kang H, Zhu B, Van D, et al. Natural and anthropogenic contributions to long-term variations of SO2, NO2, CO, and AOD over East China [J]. Atmospheric Research, 2018,215:284-293.

[41] Li J L, Ge X Y, He Q, et al. Aerosol optical depth (AOD): spatial and temporal variations and association with meteorological covariates in Taklimakan desert, China [J]. Peer J., 2021,9:1-22.

[42] Daniel H L N, Li R M, Srivatsan V. R, et al. Investigating the relationship between Aerosol Optical Depth and Precipitation over Southeast Asia with Relative Humidity as an influencing factor [J]. Scientific Reports, 2017,17(7):1719-1723.

[43] 赵佳佳,顾 芳,张加宏,等.单颗粒气溶胶的吸湿增长模型及散射特性研究[J]. 光学学报, 2020,40(5):15-22.

Zhao J J, Gu F, Zhang J H, et al. Hygroscopic growth model and scattering characteristics of single-particle aerosols [J]. Acta Optica Sinica, 2020,40(5):15-22.

[44] Sun Q, Miao C, Duan Q. Changes in the spatial heterogeneity and annual distribution of observed precipitation across China [J]. Journal of Climate, 2017,30(23):9399-9416.

[45] Chen C, Park T, Wang X, et al. China and India lead in greening of the world through land-use management [J]. Nat Sustain, 2019,2:122- 129.

[46] 张 喆,丁建丽,王瑾杰.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, 2017,72(3):507-520.

Zhang Z, Ding J L, Wang J J. Spatio-temporal variations and potential diffusion characteristics of dust aerosol originating from Central Asia [J]. Acta Geographica Sinica, 2017,72(3):507-520.

Spatial-temporaldistribution and impact factors of aerosol optical depth over China.

SUN Zhong-bao, CHENG Xian-fu*, XIA Xiao-sheng

(School of Geography and Tourism, Anhui Normal University, Wuhu 241002, China)., 2021,41(10)：4466～4475

Based on the MERRA-2reanalysis datasets of aerosol optical depth (AOD) during 1980～2017, spatial-temporalvariations of AOD and joint effects of natural and anthropogenic factors on AOD values over China were quantitatively analyzed with trend analysis and geographically and temporally weighted regression (GTWR) from spatial-temporalheterogeneity perspective. The results showed that AOD values in China hold a significant upward trend (0.0028a-1) during 1980～2017 but a downward trend (-0.0083a-1) during 2009～2017. The period around 2008was a turning point in AOD trends, probably owing to the construction of ecological civilization in 2007 and theglobal economic crisis in 2008. Secondly, the Hu Huanyong line was the geographical border of aerosol concentration, properties and trends in China. The distribution of AOD since 1980 demonstrated the characteristics of high in the east, low in the west, increasing in the east, and basically unchanged in the west, dominated by anthropogenic aerosols in the east, and dominated by natural aerosols in the west. Lastly, the AOD was positivecorrelated with precipitation, temperature, surface pressure, black carbon aerosol emission and SO4aerosol emission, while was negatively correlated with wind speed, normalized difference vegetation index (NDVI) and gross domestic product (GDP).The relationship between AOD and impact factors varied over time and space. From the perspective of temporal variations of estimated coefficients of GTWR model, the effects of influencing factors such as precipitation, wind speed, NDVI and GDP on AOD values over time were consistent; while the temporal variations of other factors, including temperature, surface pressure, black carbon aerosol emission and SO4aerosol emission, exhibited changedinconsistently. From the perspective of spatial variations,the correlation between temperature and AOD wasnegative in northern China, while positive in southern China.

aerosol optical depth；spatial-temporal distribution；impact factors；geographically and temporally weighted regression (GTWR)

X513

A

1000-6923(2021)10-4466-10

孙忠保(1980-),男,山东菏泽人,副教授,博士,主要从事气候环境、自然灾害及人资源管理方面的研究.发表论文近20篇.

2021-02-26

国家自然科学基金资助项目(41271516);安徽省高校人文社会科学研究重点项目(SK2016A039)

* 责任作者, 教授, xianfucheng@sina.com