1998—2016年中国PM2.5浓度变化对气温的影响研究

肖袁俊 李保山 宋文丹 程勇翔 黄敬峰

(1.石河子大学生命科学学院，新疆 石河子 832000； 2.浙江大学农业遥感与信息技术应用研究所，浙江 杭州 310058)

引言

近年来，随着中国经济的快速发展，环境污染愈发严重，其中大气污染是影响范围广、危害程度重、治理较为困难的环境问题。研究表明，中国大部分城市PM2.5浓度超标，世界卫生组织(World Health Organization，WHO)规定的PM2.5浓度标准为10 μg·m-3，而中国境内达到此标准的陆地面积不足中国总面积的20%[1-2]。高浓度的PM2.5除了对人类健康和生态环境造成不利的影响外[3-5]，还能对地区的气候产生影响，尤其是对气温升高有一定抑制作用[6]。PM2.5是雾霾的主要组成部分，有研究表明雾霾能降低来自太阳的短波辐射，使近地表气温下降[7-8]。Song等[9]利用相关性分析，得出PM2.5浓度显著升高将导致地表温度下降的结论。Ding等[10]研究表明，化石燃料的燃烧能降低太阳辐射并明显减少可感热，使气温下降近10 ℃。Jenamani等[11]结合1960—2005年雾霾数据与气温数据发现，雾霾使印度新德里的气温呈明显的下降趋势。中国黄淮海区是中国大气污染的重灾区[12-13]，该地区近年来出现了很多关于气温呈下降趋势的研究结果，You等[14]、Wang等[15]和谢志祥等[16]的研究结果指出，1959—2012年中国华北地区的年最高气温呈下降趋势。陈跃浩等[17]对天津的研究发现，雾霾天气是影响当地太阳辐射的主要因素，且随着雾霾天气持续日数的递增，对太阳辐射的削弱作用将增加，这将导致气温下降。上述研究均表明，PM2.5可能是导致气温下降的重要因素。本研究拟从1951—2017年中国气温变化趋势和1998—2016年PM2.5浓度变化趋势着手，选取PM2.5主要污染区中国东北区与黄淮海区，通过PM2.5浓度、地表太阳辐射变化趋势分析，PM2.5浓度与气温的相关关系分析，以及PM2.5污染成因分析，探讨中国近年来气温对PM2.5浓度升高的宏观响应以及PM2.5影响气温的机制，并分析造成PM2.5浓度激增的相关因素，为大气污染及其造成的影响提供参考。

1 资料与方法

1.1 研究区选取

根据中国综合农业区划结果[18]，并参考各分区大气污染程度，研究选取中国大气污染最为严重的中国黄淮海区和东北区作为研究对象(图1)。黄淮海区主体为黄河、淮河、海河及其支流冲积而成的华北平原。其行政区划范围包括北京、天津和山东的全部地区，河北及河南两省的大部分地区以及江苏、安徽两省的北部地区。黄淮海区气候类型为温带季风气候，全年降水和气温匹配程度相对较低，降水主要集中在每年7月，而高温则出现在每年6—8月。黄淮海区人口密集、工业发达，是中国大气污染的重灾区。中国东北区范围包括黑龙江、吉林、辽宁全部地区及内蒙古东北部地区。东北区气候类型同为温带季风气候，全年降水和温度匹配程度高，雨热同期。此外，东北区是中国的老工业区，大气污染也相对较重。

图1 中国综合农业区划

1.2 资料来源及预处理

1.2.1 气温数据

1951—2017年中国839个气象站点逐日气温数据来源于国家气象科学数据中心(http://www.nmic.cn/)。对从该网站获得的数据进行异常值检验，检验方法为：①若某站点某一年中有连续超过4 d(不包括4 d)数据缺失，则删除该站点当年所有数据；②若某站点某一天的值缺失，则将其值更改为前一天与后一天的算术平均数；③若某站点记录数据少于40 a(不包括40 a)，即排除该站点。用此方法能最大程度保证数据的完整性，并使得数据真实可靠。经筛选后符合要求的气象站点有822个(图 1)。在气象数据预处理的基础上研究选取年最高气温、年平均气温、年最低气温3个指标(表1)用于中国1951—2017气温变化趋势分析；选取1998—2016年日最高气温年平均值、年平均气温、日最低气温年平均值3个指标(表1)分别与相应年份PM2.5年平均值进行相关性分析。

表1 气温指数定义及缩写

1.2.2 地表太阳辐射数据

1998—2016年地表太阳辐射数据来自于国家青藏高原科学数据中心[19](https://data.tpdc.ac.cn/zh-hans/disallow/be562de3-6367-402f-956d-59f7c21ad294/)，该数据集以nc格式记录了全球逐月地表太阳辐射值，空间分辨率为0.1°×0.1°。研究利用该数据集1998—2016年共228幅图像，通过最大值合成法获取中国逐年地表太阳辐射最大值合成影像，共19幅。

1.2.3 PM2.5数据

1998—2016年PM2.5数据来自于美国国家航空航天局(National Aeronautics and Space Administration，NASA)地球数据网(https://search.earthdata.nasa.gov/search)下载的全球年值PM2.5数据集，该数据集的空间分辨率为0.01°×0.01°。

1.2.4 人类活动数据

研究使用的中国各省(区)1998—2016年GDP(gross domestic product)、能源消耗数据和各省市面积均来自于国家统计局(http://www.stats.gov.cn/)，对于获取的能源消耗数据，研究将不同种类的能源消耗量按比率统一转化为标准煤消耗量(单位为万吨标准煤)。

研究使用的夜间灯光数据来源于两个不同的数据集，1998—2013年的中国夜间灯光数据来自于美国国家地球物理数据中心(National Geophysical Data Center，NGDC)中的DMSP/OLS夜间灯光数据，该数据是由6个不同传感器记录的世界范围夜间年值灯光指数(https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html#AXP)。2014—2016年的中国夜间灯光数据来自于Suomi-NPP卫星，它是由NASA和美国国家海洋和大气管理局(National Oceanic Atmospheric Administration，NOAA)等机构合作发射的，以高分辨率记录世界范围夜间灯光月值数据(https://ngdc.noaa.gov/eog/viirs/download_dnb_composites.html)，研究将该数据各月取算术平均值即可得到2014—2016年夜间灯光数据。

1.3 研究方法

1.3.1 Slope趋势变化法

研究采用Slope趋势变化法分析1951—2017年中国年最高气温、年平均气温、年最低气温的变化趋势以及1998—2016年中国地表太阳辐射变化趋势、PM2.5浓度变化趋势。其计算公式为[20]

(1)

式(1)中，n为研究年数;xj为第j年研究因子值，包括年最高气温、年平均气温、年最低气温、地表太阳辐射和PM2.5浓度。当Slope>0时，表示研究因子在n年中变化为上升趋势，当Slope<0时，则表示研究因子在n年中变化为下降趋势。

1.3.2 相关性分析法

(2)

1.3.3 灯光数据校正方法

采用一种新型的DMSP/OLS数据与NPP/VIIRS数据的连续性校正方法。对于DMSP/OLS数据的内部相互校正，本研究通过建立DMSP/OLS 2013年0—63各级DN值与DMSP/OLS 1998—2012年各年灯光数据相应空间位置统计平均值间的数值转换关系，分别建立2013年灯光DN值向其他各年灯光DN值的模拟标准，实现DMSP/OLS 2013年灯光数据对1998—2012年灯光数据的模拟重构。对于DMSP/OLS数据与NPP/VIIRS数据间的相互校正，研究首先计算出2013年DMSP/OLS数据0—63各级别像元在2013年NPP/VIIRS灯光数据相应空间位置的平均值，将得到的64组对应关系采用指数函数进行拟合，所建立的统计回归模型的拟合优度为0.99。最后，利用构建的回归转换模型作为“桥梁”，实现2014—2016年NPP/VIIRS年平均灯光数据向DMSP/OLS数据的转换。最终研究得到连续可比的1998—2016年中国夜间灯光校正数据。

2 结果分析

2.1 气温变化

图2 1951—2017年中国年最高气温(a)、年平均气温(b)、年最低气温(c)斜率变化空间分布

图3 1998—2016年中国PM2.5浓度(a)和其变化趋势(b)空间分布

将中国TXx下降区域与PM2.5浓度显著升高区域进行了空间叠置分析，结果如图4所示，两者主要重合区域即为黄淮海区，而东北区两者重叠关系不明显，初步表明高浓度PM2.5对高温有抑制作用。

图4 中国(a)、黄淮海区及其相邻省份(b)和东北区(c)日最高气温下降区域与PM2.5浓度显著升高区域交叠图

图5 1998—2016年中国PM2.5浓度与相关性分析

为探究PM2.5影响气温下降的深层机制，进一步分析了中国地表太阳辐射值的变化，1998—2016年中国地表太阳辐射变化趋势见图6。由图6可知，1998—2016年中国黄淮海区和东北区出现了地表太阳辐射减少的现象。Feng等[24]对中国华北地区太阳辐射的研究表明，1959—2016年该地区太阳总辐射与日照时数呈下降趋势，与本文研究结果一致。此外，陈跃浩等[17]对天津地区的研究结果认为PM2.5对太阳辐射有非常明显的削弱作用。这种削弱作用将导致地表温度[9]和近地表气温下降[7]。Gao等[25]使用WRF模型模拟了2013年1月中国的一次雾霾事件表明，09:00—18:00含高浓度PM2.5的雾霾使地表辐射降低20—140 W·m-2，使大气辐射增加20—120 W·m-2，使近地表大气温度降低0.8—2.8 ℃。通过上述分析可得出如下结论，高浓度PM2.5通过降低地表太阳辐射从而起到抑制高温的作用，该结果可以解释图2在中国气温整体上升的背景下，黄淮海区TXx呈下降变化趋势的原因。

图6 1998—2016年中国地表太阳辐射变化趋势

2.2 PM2.5升高的原因分析

通过中国各省(区)PM2.5单位面积年平均值与相应省(区)单位面积标准煤消耗量(能源消耗总量)、生产总值、夜间灯光指数进行相关性分析可以得出(图7)，1998—2016年中国大部分省(区)PM2.5浓度与能源消耗总量、GDP、夜间灯光指数呈正相关关系，在PM2.5浓度升高的主要省(区)，即黑龙江、吉林、辽宁、河北、北京、天津、山东、河南、江苏、安徽， PM2.5浓度与能源消耗总量的平均相关系数为0.72，GDP和夜间灯光指数平均相关系数略低，分别为0.63、0.61。这说明PM2.5浓度的升高与能源消耗总量、GDP、夜间灯光指数的增长都有着较强的关联，并且能源消耗量的增加是引起PM2.5浓度上升更为重要的因素。除了上述原因，导致大气PM2.5浓度升高的相关因素还有很多，有研究对引起PM2.5浓度升高的其他因素进行了相关探究，Zhou等[2]的研究指出，人口密度、产业结构、空间烟尘排放、道路密度对PM2.5浓度有显著的正向影响，其中工业烟尘排放对PM2.5浓度水平刺激作用最大；Lu等[13]对1998—2014年中国PM2.5变化研究指出，第一、二产业占GDP的比重、工业消费、人口密度与PM2.5浓度呈高度正相关，而平均降水量、平均风速、第三产业占GDP的比重、绿化覆盖率与PM2.5浓度呈负相关关系。因此，综合上述分析可知，工业的发展、能源消耗的增多、工厂烟尘排放的增加是导致中国大气PM2.5浓度升高的主要原因。

图7 1998—2016年中国能源消耗总量(a)、地区生产总值(b)和夜间灯光指数(c)与PM2.5浓度相关系数空间分布

2.3 不同气候条件下PM2.5对高温的影响分析

中国东北地区近年来PM2.5浓度同样增加明显，但不像黄淮海区一样出现明显TXx下降趋势，究其原因可知，第一，中国东北区PM2.5浓度虽然显著增加，但当地PM2.5年平均浓度明显低于黄淮海区，低浓度的PM2.5对气温的影响不甚明显，这是导致东北区TXx没有出现下降趋势的重要原因；第二，黄淮海区具有气候上的独特性。1951—2017年中国黄淮海区和东北区高PM2.5浓度站点(图8)的最高气温出现月份频数分布如图9所示，站点逐月降水、逐月平均气温的年内变化趋势如图10所示，黄淮海区水热匹配度比东北区低，一年中的高温更多出现在降水不足的6月，使得PM2.5对高温的抑制作用更为明显，而东北区，6月出现的高温频数占比小于黄淮海区，虽然高气温也集中在6月，但东北区6月的降水相对充沛，充足的降水能降低大气PM2.5，对空气污染物有良好的冲刷清洗作用[26]，PM2.5的减少导致对高温的抑制作用不如黄淮海区明显，这是导致东北区TXx没有出现下降变化趋势的另一原因。

图8 1951—2017年中国水热匹配程度空间分布

图9 1951—2017年中国黄淮海区(a)和东北区(b)TXx出现月份频率统计

图10 1951—2017年中国黄淮海区(a)和东北区(b)水热配合模式

3 结论与讨论

(2)1998—2016年中国能源消耗总量、GDP、夜间灯光指数与大气PM2.5浓度呈正相关关系，其中能源消耗总量与PM2.5浓度相关性最高。

(3)黄淮海区TXx与大气中PM2.5浓度呈紧密负关联，高浓度的PM2.5通过减弱地表太阳辐射，从而使气温呈下降趋势。相比较，东北区近年来PM2.5浓度同样增长迅速，但由于大气PM2.5平均浓度相对黄淮海区低，且该地区有着较高的水热配合度，这两个原因使得东北地区PM2.5对TXx的抑制作用较黄淮海区不明显。

(4)由于高浓度PM2.5与TXx出现的时间并不完全一致，且本研究使用PM2.5浓度的年值数据与气温进行相关性分析，这将在一定程度上低估PM2.5对TXx的抑制作用，若使用逐月、逐日PM2.5浓度数据做更深入的分析，将得到更精确的研究结果。