长三角地区大气NO2和CO2浓度的时空变化及驱动因子分析

何 月,绳梦雅,雷莉萍,郭开元,贺忠华,蔡菊珍,方 贺,张小伟,刘 樱,张育慧

长三角地区大气NO2和CO2浓度的时空变化及驱动因子分析

何 月1,绳梦雅2,3,雷莉萍2*,郭开元2,3,贺忠华1,蔡菊珍1,方 贺1,张小伟1,刘 樱1,张育慧1

(1.浙江省气候中心,浙江 杭州 310052；2.中国科学院空天信息创新研究院数字地球重点实验室,北京 100094；3.中国科学院大学,北京 100049)

以长三角城市群为研究对象,利用卫星遥感观测数据协同分析长三角地区大气NO2和CO2浓度的时空变化特征和驱动因子,揭示了长三角地区污染物和CO2高浓度地区空间格局.结果表明长三角城市群地区大气NO2和CO2浓度的时空分布及变化特征呈现了受化石燃料燃烧和机动车排放等人为活动以及区域地形、地表覆盖、气候等自然条件的综合影响结果.大气NO2和CO2高浓度值围绕太湖明显呈口对西南向的U字形分布,一致于围绕太湖分布的杭州、上海、苏州、无锡、常州和南京等大型城市区域,以及安徽铜陵地区的工业排放区.大气NO2浓度值呈现秋冬时期较高,夏季最低的季节分布特征.大气CO2浓度受植被CO2吸收和CO2的积累影响,8～9月最低,4～5月最高.此外,随着人为排放活动的急剧减少,2020年1～3月的大气NO2浓度比2019年同时期降低了50%以上,其中分布了以钢铁厂、燃煤厂为主的大型工业热源的城市NO2浓度下降最多,如镇江、南京、马鞍山.

大气污染；人为排放；NO2；CO2；协同分析；长三角地区；空间分布

近年来,京津冀、长三角等人口密集的大城市群雾霾等现象频发,引起了人们的广泛关注[1-2].

大气中的NO2在一定条件下可以与碳氢化合物一起形成光化学烟雾和酸雨酸雾.经济的增长增加了石油、煤炭、天然气等化石燃料等能源的消耗,增加了NO2、SO2等气体排放到大气中.NO2是短寿命气体,在对流层存留时间大约为数小时,根据瞬时羽流不规则形状以及0.1～1km可检测尺度的分析,排放源及周围的NO2浓度通常高出背景水平几个数量级[3].

CO2是大气中一种重要的人为温室气体,它在大气中含量较低,仅占大气含量的0.04%,但在地球的能量平衡中起着重要作用[4-5].CO2是对全球变暖贡献最大的一种长寿命气体,随着大气中CO2含量每年增加2´10-6～3´10-6(体积分数),其对地球变暖的影响也在逐年增加[6].为了实现2015年巴黎协定提出的抑制全球增温的主要目标,中国政府提出CO2排放力争于2030年前达到峰值,2060年前实现碳中和.由于大气CO2和常规污染物具有同根同源同过程的特性,在降低CO2排放的同时,也会减少污染物排放.因此,大气NO2和CO2协同分析的区域人为排放特征可以为制定减污降碳协同政策提供重要依据[7].

大气NO2和CO2浓度数据及其排放来源主要来自地面观测和调查手段.卫星遥感观测技术具有客观、大范围、重复观测的优势,已成为监测大气NO2和CO2浓度特征及其时空变化趋势的有效数据源[8].目前在轨运行的大气CO2观测卫星包括日本的GOSAT和GOSAT-2,美国发射的OCO-2和OCO-3等提供了2009年以来全球观测的大气CO2浓度数据[9].已有研究表明利用GOSAT和OCO-2的卫星观测数据可以检测到区域或点源人为排放引起的大气CO2浓度相对于背景水平1´10-6～3´10-6的升高[10-11].欧空局(ESA)于2017年10月13日发射了全球大气污染监测卫星Sentinel-5P,该卫星搭载的对流层观测仪(TROPOMI)能有效的观测大气中痕量气体组分,包括NO2、O3、SO2、HCHO、CH4和CO等[12-15],每日可覆盖全球且技术特性有大幅提升.自2018年10月以来,ESA开始向全球用户发布每日监测数据,“近实时”的NO2数据可以直接监测全球范围内大气污染状况,为定位污染物来源地、识别污染重点地区提供了有力的数据支撑[14-15].

近年来卫星观测已经揭示了区域大气NO2和CO2浓度变化及其与人类活动的关联性.王英等[16]分析指出NO2浓度变化与污染企业的搬迁、奥运会和世博会等大型活动密切相关.利用卫星遥感观测数据分析华北地区大气NO2和CO2浓度的变化时,也同样发现在北京奥运会、APEC会议、国庆阅兵和南京青奥会时期大气环保政策的实施降低了大气NO2和CO2浓度[17-18].Reuter等[15]利用TROPOMI观测的NO2数据和OCO-2卫星观测的CO2数据共同定位了排放源及其排放所引起的大气CO2增量,通过分析CO2羽流的横截面通量,观测到2018年3月9日南京在正常风速为(2.2±0.5)m/s、横截面通量为(120±27)MtCO2/a的条件下,CO2增量约为5´10-6.郑子豪等[19]分析了粤港澳大湾区近2a对流层NO2垂直柱浓度的分布及变化特征分析指出人类活动强度等因子与对流层NO2垂直柱浓度的分布有明显的相关性.最新研究调查也发现,在新冠肺炎(COVID-19)疫情期间,卫星观测数据监测到大气NO2和CO2浓度存在降低趋势[20-23].总的来说,上述学者的研究主要集中于利用卫星观测资料分析大气NO2或者CO2浓度的时空变化特征及与人类活动的关联,为分析区域大气污染背景等相关研究提供了思路和方法.

随着大气污染综合治理和减排控排要求的进一步落实,大气NO2和CO2高浓度频发区域、两者的协同影响及其驱动因子的研究显得更为重要,可以评估大气污染物和人为CO2排放量的变化,追溯城市群人为排放的主要来源,为政府控排减排提供技术支撑,而这方面的研究尚不多见.长三角城市群作为我国经济最发达的地区之一,城市密度大、产业活动密集,污染物排放强度高,区域性大气污染较严重,是我国大气污染防治重点区域[24-27].结合长三角城市群的功能定位、经济社会发展、自然环境等因素,以长三角城市群为研究对象,揭示污染物和大气CO2高浓度区的空间格局及驱动因子十分必要.本研究利用大气NO2和CO2卫星观测数据,结合夜光数据、人为排放清单、地面工业热源、地表覆盖、植被指数等重要驱动因子,对区域大气NO2和CO2浓度时空变化特征进行协同分析,从而指出大气NO2和CO2的时空变化受不同驱动因子的影响,以准确揭示污染物和大气CO2高浓度地区的时空格局和排放溯源,为区域生态环境质量监测、环境健康评估以及减污降碳协同增效的决策管理提供科学数据依据.

1 数据与方法

1.1 研究区和数据

1.1.1 研究区概况 研究区面积为35.8万km2,地处长江入海之前形成的冲积平原,地势低平,海拔200～300m.该地区河川纵横,湖泊棋布,农业发达,人口稠密,城市众多,地表覆盖类型主要为农田、森林和水体,是中国河网密度最高的地区,平原上共有湖泊200多个.不透水地表的杭州、上海、苏州、无锡、常州和南京大型城市区域明显围绕太湖东南和西北部分布.研究区以亚热带季风气候为主,与地形等因素共同影响了地面排放的污染气体的扩散流动.

1.1.2 多源卫星遥感观测数据及辅助数据 多源卫星遥感观测数据包括TROPOMI观测的大气NO2浓度数据、多源CO2观测卫星(GOSAT、OCO-2)反演的大气CO2柱浓度(XCO2)数据、地表覆盖以及与排放相关的夜间灯光数据和地面工业热源.使用人为碳排放清单数据(ODIAC)用于对比分析大气NO2和CO2浓度的排放特征.这些数据的主要信息参数特征如表1所示.

大气NO2浓度数据是由TROPOMI观测反演的3级OFFL产品中的总垂直柱NO2浓度[28-30].通过Google Earth Engine上获取到2018年7月～2020年12月期间长三角区域的NO2数据,数据原始单位为mol/m2.由于数据观测噪声的影响会导致清洁区域或低SO2排放区域的观测数据存在负值,根据数据说明文档的建议,去除低于-0.001mol/m2的异常观测值[27],并将数据转换为常用单位1016molec/cm2.

对于GOSAT和OCO-2卫星的XCO2数据,分别使用了ACOS算法反演的v9版本数据产品和OCO算法反演的v10版本数据产品,这两个反演算法基本一致[31-34].提取陆地区域高增益且质量好的观测点用于本研究数据的生成处理.

地表覆盖数据为2020年GlobeLand30全球地表覆盖数据,空间分辨率为30m[35].植被指数为中分辨率成像光谱仪(MODIS)观测反演的归一化差异植被指数(NDVI),收集并使用2009～2021年MOD13C2产品的月值数据[36],与大气CO2数据进行时序相关分析.

夜光数据采用2019年Suomi NPP/VIIRS卫星观测的夜间灯光数据,空间分辨率为500m[37].地面热源数据是对2012年9月～2016年9月Suomi NPP/VIIRS观测反演的夜火数据的时空聚集特征进行识别和分类得到的工业热源,提供了煤炭处理相关工厂、钢铁厂、非金属相关工厂和油气相关工厂四个类别的热源矢量位置[38].人为碳排放清单数据使用的是全球高分辨率排放数据产品ODIAC提供的1km空间分辨率的全球月值排放数据[39-41],数据单位为t.最新版本ODIAC2020B数据产品覆盖时间范围为2000～2019年,研究主要使用2019年长三角地区排放数据用于对比分析.

表1 多源卫星遥感数据和人为碳排放数据的参数特征

1.2 卫星观测反演数据的再处理与分析方法

针对不同规格的多源卫星遥感数据,按照图1所示的数据处理技术路线图,对原始数据进行时空整合统计处理和分析.

为获取有效的空间分布连续的大气NO2数据,以16d为时间单位,处理生成了大气NO2均值和最大值的栅格数据.利用式(1)和式(2),求算每个格网()内卫星观测NO2[n]的16d时序均值(Mean_NO2[j])和最大值(Max_NO2[j]).将均值和最大值的格网数据合成为区域栅格数据.若格网的时序数据点小于6个,该格网以无数据输出.16d的均值和最大值合成处理,一方面解决了卫星观测时受到天气条件、云等引起的NO2观测误差以及空白问题,另一方面一定时期内大气NO2浓度的最高值能够捕捉地面异常排放引起的大气NO2变化信息.在此基础上,对区域内所有格网的均值和最大值进行区域平均的统计计算,得到区域大气NO2时序数据.

Mean_NO2[j]=Mean (NO2[n]),=1,2,3,…,16 (1)

Max_NO2[j]=Max (NO2[n]),=1,2,3,…,16 (2)

为了解决受到云覆盖、观测周期等影响导致的卫星观测反演XCO2数据的时空不连续和观测空白问题,本文对GOSAT和OCO-2的XCO2数据进行归一化处理,利用时空地统计方法对卫星观测数据进行时空插值填补[48-51],生成了2009年4月～2020年12月1°格网时空连续的XCO2月值数据.基于曲线拟合的方法,提取长三角地区大气CO2数据时间变化特征,包括长期趋势、季节变化和增长率[33].

图1 数据处理与分析流程

使用长时期大气NO2和CO2数据的同期差异,即计算相同时间单位的数据与前一年的差值,用于检测长三角地区大气NO2和CO2时空格局变化特征,并结合卫星遥感夜光数据、人为碳排放清单数据和工业热源数据对比分析长三角地区人为排放空间特征.

2 结果分析

2.1 长三角地区大气NO2浓度的时空变化

图2 长三角地区大气NO2浓度16d均值和最大值的时序变化

图3 长三角地区大气NO2浓度季节平均的空间分布

图2为2018～2020年以16d为时间单位的大气NO2浓度最大值和均值合成数据统计计算的长三角地区大气NO2时序变化和同期差异.结果显示,大气NO2浓度呈现季节性变化,12月最高,夏季最低.季节变化的结果表明该区域在12月期间地面NO2排放的增加,同时也对应冬季大气扩散条件差.与2018年相比,2019年区域大气NO2浓度也在12月呈现出最高值,却有明显的降低趋势.这与COVID-19时期防控封锁措施导致的人为排放急剧的减少有关.

为了便于描述季节变化,本文分别定义每年的4～6月、7～9月、10～12月、1～3月为春、夏、秋、冬四个季节.通过对16d均值数据进行季节平均的统计计算,图3为2020年和2019年各季节大气NO2浓度均值的空间分布.在空间变化格局上,各季节大气NO2高浓度值都围绕太湖明显呈口对西南向的U字形分布.这些高值区域的分布对应着太湖的东南部和东北部的杭州、上海、苏州、无锡和南京大型城市区域,以及西北部安徽省沿河流分布的铜陵、芜湖等地区的工业化工厂.大气NO2浓度以秋冬季最高,夏季最低.对比不同年份之间的变化,可以发现2020年冬季的大气NO2浓度明显低于2019年同期均值,2020年春季的浓度值也略低于2019年春季,而夏季NO2浓度基本相近.2020年NO2浓度变化指出了COVID-19时期人为排放的明显减少,16d均值和最大值统计分别降低了约2×1016molec/cm2和6×1016molec/cm2,下降率约为48.87%和62.20%.

不同城市由于产业结构、资源配置、经济条件等多方面的差异,在污染物排放上存在一定的差异.同时,区域的地形、地表覆盖、气候条件等自然条件影响了大气污染物的扩散.以城市行政区划为空间单位,利用大气NO2浓度的16d均值和最大值数据,计算了长三角各城市内所有0.01°格网NO2数据的平均值作为城市NO2浓度值.图4显示了利用16d最大值数据统计的各城市NO2浓度均值的排序结果.苏州、无锡、常州、上海、镇江、南京、马鞍山、湖州、铜陵等从高到低依次显示了较高的NO2浓度,16d均值为1.0×1016～1.3×1016molec/cm2,最大值为2.0×1016～2.9× 1016molec/cm2.铜陵市呈现的较高浓度与该地区有着很多的工业化工厂有关.对比大城市的NO2浓度,杭州市显示出较低浓度值,排序在平均水平以下.然而排放清单数据显示其人为碳排放并没有明显低于其他地区.与上海、无锡、苏州、南京等城市不同,杭州市的西南部基本为森林覆盖,植被或许降低了杭州市大气污染,同时与大气扩散条件也有关.

图4 2008年7月到2020年11月各城市大气NO2浓度均值的排序结果

图5为各城市大气NO2浓度的时序变化以及同期的差异,仅显示了图4中大气NO2浓度值排序最高的前10个城市.COVID-19期间NO2降低最明显的三个城市为镇江、马鞍山、南京,这些城市分布了以钢铁厂和燃煤厂为主的大型工业热源,表明了在疫情封锁期间这些城市区域工业生产活动的明显减少.16d最大值统计和均值统计分别呈现了2×1016～16×1016、0.2×1016～2.3×1016molec/cm2的浓度降低.

2.2 长三角区大气CO2浓度的时空变化

图6为2019年卫星观测反演的1°格网XCO2数据的年均值经过三次卷积插值后的空间分布.结果表明,长三角地区大气CO2浓度的空间分布也呈现了与大气NO2浓度一致的分布特征,高浓度值围绕太湖分布、呈口对西南向的U形分布.大气CO2数据的区域差异较小,最大值与最小值之间仅有1´10-6的浓度差异.

图6 2019年长三角区域XCO2的空间分布

图7显示了2009～2020年区域XCO2月值数据的时序变化和同期差值.受植被CO2吸收活动和CO2排放在大气中累积的影响[46-48],大气CO2浓度在8～9月最低,4～5月最高,季节变化幅度约为8´10-6. 2009～2020年长三角地区大气CO2浓度的年增量为1´10-6～4´10-6,总体平均为2.5´10-6,略高于同时期增量值为2.4´10-6的全球大气CO2浓度年增长[20].各城市的大气CO2浓度时间变化特征基本相似.在大城市(上海、南京、合肥等)和安庆-铜陵-芜湖-马鞍山一带工业热源分布密集的城市,冬季时期大气CO2浓度高于区域整体水平,而植被覆盖密度高的长三角区南部城市(杭州、绍兴、宁波、金华、台州等)CO2在夏季时期高于区域整体水平,这也表明了各城市大气CO2浓度季节变化受人为CO2排放和生态系统CO2通量的影响.

受COVID-19疫情防控封锁措施的影响,人为排放活动明显下降.Le Quéré等研究表明2020年1～4月期间中国的CO2排放量减少了242MtCO2(不确定性范围为108～394MtCO2)[49].然而,图7中长三角区域XCO2同期差异显示2020年1～3月份大气CO2浓度与前一年同时期相比仍存在约2´10-6的增量,并没有如大气NO2显示出异常的降低.这与大气CO2是长寿命气体有关,地面排放到大气的CO2通过全球大气环流和风场传输的混合,受传感器敏感性和数据精度的限制,大气CO2数据难以检测到人为排放减少引起的微弱的下降信号,因此不同年份的XCO2同期差异并不能确切反应本地排放情况.另一方面,大气CO2和NO2的主要排放来源有所不同,CO2排放更多来自于化石燃料燃烧的火电厂,而长三角地区NO2排放主要来自于火电厂排放和交通排放,COVID-19时期封锁措施导致的机动车活动的急剧减少或许更多地降低了NO2浓度.

图7 长三角区域XCO2均值的时序变化和同期差值

2.3 大气NO2和CO2浓度变化的驱动因子

NO2污染物来源主要是化石燃料燃烧及汽车尾气两个方面.在中国,电厂、工业以及道路移动源对NO总排放量的贡献率达到89%.我国大型城市市区空气中50%以上的NO污染来自机动车排放,NO2排放源主要集中在城市区域及其周边[50].图8为聚焦长三角城市群的大气NO2浓度和工业热源的空间分布.上海、杭州、苏州、无锡、常州、南京大型城市的大气NO2浓度明显高于其他城市.对比热源分布,NO2高浓度值与工业热源的位置分布基本一致,特别是上海、南通、南京等地区.从铜陵至马鞍山地带NO2浓度较高,这是由于该地区分布了很多的工业排放源(如化工厂、钢厂等),另一方面还与该地区沿着河流、地形低洼的封闭型地形不易于污染物扩散有关.

图8 2019年长三角主要城市群大气NO2浓度空间分布

图9和图10为2019年长三角城市群地区的夜光和人为CO2排放(ODIAC数据)的空间分布.夜光数据包括工厂生产、居民生活以及交通机动车等夜间灯光情况,间接表征了人为消耗能量的排放情况.大气NO2浓度的总体分布格局总体上与夜光和人为CO2排放的分布格局相似,其中上海市呈现了很高的夜光和人为碳排放,异常高于长三角其他区域.进一步分析城市大气NO2和CO2浓度值与夜光以及人为碳排放量之间的关系,如图11和图12所示.

图11 大气NO2浓度与人为碳排放(a)和夜光(b)的相关对比

灰色是所有城市的统计结果,黑色是剔除了异常高排放和夜光值的上海市后的统计结果,下同

夜光和人为碳排放与大气NO2分别呈现了决定系数为0.4和0.5的显著线性相关.这是由于夜光数据包含了机动车灯光,并且能够间接地揭示能源的消耗,而来自ODIAC排放清单的人为碳排放主要来自化石燃料的燃烧.大气CO2浓度随人为CO2排放的增加而升高,已有研究结果表明卫星观测反演的XCO2与人为排放清单的相关统计结果显示出线性正相关关系[51].城市统计的大气CO2浓度与夜光和人为碳排放也呈现了一定的线性关系(图12),但统计结果并没有显著相关性,这与局部地区大气CO2浓度还受生态通量和大气传输的影响有关.

2009～2020年长三角区域大气CO2季节变化和NDVI月值数据之间显示了显著的负相关性,相关系数为-0.69.陆地植被生态CO2吸收和排放的季节性周期变化是大气CO2季节变化的主要驱动因子.在去除大尺度背景浓度后,区域CO2异常的时序变化一致于大气NO2浓度季节变化,冬季时期为正值,夏季时期为负值[31].通过自然分割法提取了大气NO2浓度高浓度地区,分别为大城市上海和杭州以及工业热源密集分布区域(铜陵-芜湖-马鞍山-南京、南通-无锡-常州-苏州).图13显示了区域内每年冬季时期大气CO2浓度相对于背景浓度的1´10-6～ 3.5´10-6增量,其中背景浓度为25°～45°纬度带的XCO2中值.工业热源密集分布地区的区域XCO2增量的长时期变化趋势一致,相对于上海和杭州的浓度值偏高.杭州NO2浓度值明显高于周边区域,而CO2浓度值并没有很高,增量基本小于2´10-6.为了分析大气传输对区域大气CO2浓度的影响,利用NOAA开发的HYSPLIT大气传输模型[52],以GDAS气象数据作为输入风场数据,选择这四个高浓度地区的中心点为模拟位置,模拟大气分子72h后向传输轨迹.模拟结果显示,这些区域的外来大气分子输送路径相似,冬季以北向为主的风场将中国北部地区工业排放源分布的地区(如河北唐山、山东济南和淄博等)的大气分子扩散至此.杭州市及周边工业热源较少,人为CO2排放相对于上海、铜陵-芜湖-马鞍山-南京、南通-无锡-常州-苏州等地区较低.NO2主要排放来源为交通排放,是导致该区域NO2浓度较高的原因之一,而大气CO2浓度更多受外来大气分子输送的影响,低于其他区域.

图13 大气NO2高浓度区域的冬季时期CO2增量

3 结论

3.1 空间分布上,大气NO2高浓度值围绕太湖明显呈口对西南向的U字形分布,一致于围绕太湖分布的杭州、上海、苏州、无锡、常州和南京大型城市区域、以及太湖西北部沿铜陵到马鞍山的工业化工聚集带;大气CO2浓度的空间分布相似于大气NO2空间分布.

3.2 季节变化上,大气NO2浓度值呈现秋冬时期较高,夏季最低的分布;大气CO2浓度受植被CO2吸收和CO2的积累影响,8～9月最低,4～5月最高.

3.3 对于人为活动的排放源,大型城市机动车排放以及工厂排放源(杭州、上海、苏州、无锡、常州、南京、马鞍山、铜陵等)的人为活动构成了大气NO2和CO2浓度主要空间格局;COVID-19时期大气NO2浓度的异常降低,表明了人为活动减少(如机动车排放、工厂停工停产)的影响.

3.4 自然条件(地形、地表覆盖等)影响大气风场的扩散进而扰动排放源人为活动所形成的NO2和CO2时空格局.

[1] 许艳玲,薛文博,雷 宇.气象和排放变化对PM2.5污染的定量影响 [J]. 中国环境科学,2019,39(11):4546-4551.

Xu,Y L,Xue W B,Lei Y. Impact of meteorological conditions and emission change on PM2.5pollution in China [J]. China Environmental Science,2019,39(11):4546-4551.

[2] 范 丹,梁佩凤,刘 斌.雾霾污染的空间外溢与治理政策的检验分析 [J]. 中国环境科学,2020,40(6):2741-2750.

Fan D,Liang P F,Liu B. An analysis of the spatial spillover of smog pollution and policy testing [J]. China Environmental Science,2020,40(6):2741-2750.

[3] Richter A,Burrows J,Nüß H,et al. Increase in tropospheric nitrogen dioxide over China observed from space [J]. Nature,2005,437:129- 132.

[4] 杨 强,马千里,姚 波,等.唐山上空CO2和CO浓度特征的飞机探测研究 [J]. 中国环境科学,2020,40(4):1460-1467.

Yang Q,Ma Q L,Yao B,et al. The characteristic of atmospheric CO2and CO concentrations based on aircraft observation over Tangshan [J]. China Environmental Science,2020,40(4):1460-1467.

[5] WMO. WMO Greenhouse Gas Bulletin No.14 [EB/OL]. https: //library.wmo.int/doc_num.php?explnum_id=5455.

[6] 王绍武,叶瑾琳. 近百年全球气候变暖的分析[J]. 大气科学,1995,19(5):545-553.

Wang S W,Ye J L. An Analysis of Global Warming during the Last One Hundred Years [J]. Scientia Atmospherica Sinica,[6]1995,19(5): 545-553.

[7] 毛显强,邢有凯,高玉冰,等.温室气体与大气污染物协同控制效应评估与规划 [J]. 中国环境科学,2021,41(7):3390-3398.

Mao X Q,Xing Y K,Gao Y B,et al. Study on GHGs and air pollutants co-control: assessment and planning [J]. China Environmental Science,2021,41(7):3390-3398.

[8] Beirle S,Boersma K F,Platt U,et al. Megacity emissions and lifetimes of Nitrogen Oxides Probed from Space [J]. Science,2011,333(6050): 1737-1739.

[9] Hsueh Y H,Li K F,Lin L C,et al. East Asian CO2level change caused by Pacific Decadal Oscillation [J]. Remote Sensing of Environment,2021,264:112624.

[10] Kort E A,Frankenberg C,Miller C E,et al. Space- based observations of megacity carbon dioxide [J]. Geophysical Research Letters,2012,39(17):17806.

[11] 雷莉萍,钟 惠,贺忠华,等.人为排放所引起大气CO2浓度变化的卫星遥感观测评估 [J]. 科学通报,2017,62(25):2941-2950.

Lei L P,Zhong H,He Z H,et al. Assessment of atmospheric CO2concentration enhancement from anthropogenic emissions based on satellite observations (in Chinese) [J]. Chinese Science Bulletin,2017,62(25):2941-2950.

[12] Park H,Jeong S,Park H,et al. An assessment of emission characteristics of Northern Hemisphere cities using spaceborne observations of CO2,CO and NO2[J]. Remote Sensing of Environment,2021,254:112246.

[13] Reuter M,Buchwitz M,Schneising O,et al. Towards monitoring localized CO2emissions from space: co-located regional CO2and NO2enhancements observed by the OCO-2 and S5P satellites [J]. Atmospheric Chemistry and Physics,2019,19(14):9371-9383.

[14] 李旭文,张 悦,姜 晟,等.“哨兵-5P”卫星TROPOMI传感器在江苏省域大气污染监测中的初步应用 [J]. 环境监控与预警,2019,11(2):10-16.

Li X W,Zhang Y,Jiang S,et al. Preliminary application of atmospheric pollution monitoring in Jiangsu Province with TROPOMI Sensor onboard Sentinel-5P satellite [J]. Environmental Monitoring and Forewarning,2019,11(2):10-16.

[15] LI X W,Zhang Y,Jiang S,et al. Preliminary application of atmospheric pollution monitoring in Jiangsu Province with TROPOMI sensor onboard Sentinel-5P satellite [J]. Environmental Monitoring and Forewarning,2019,11(2):10-16.

[16] 王 英,李令军,刘 阳.京津冀与长三角区域大气NO2污染特征[J]. 环境科学,2012,33(11):3685-3692.

Wang Y,Li L J,Liu Y. Characteristics of atmospheric NO2in the Beijing-Tianjin-Hebei region and the Yangtze River Delta analyzed by satellite and ground observations [J]. Environmental science,2012,33(11):3685-3692.

[17] 章吴婷,张秀英,刘 磊,等.多源卫星遥感的华北平原大气NO2浓度时空变化[J]. 遥感学报,2018,22(2):335-346.

Zhang W T,Zhang X Y,Liu L,et al. Spatial variations in NO2trend in North China Plain based on multi-source satellite remote sensing [J]. Journal of Remote Sensing,2018,22(2):335-346.

[18] Lei L P,Zhong H,He Z H,et al. Assessment of atmospheric CO2concentration enhancement from anthropogenic emissions based on satellite observations [J]. Chinese Science Bulletin,2017,62(25): 2941-2950.

[19] 郑子豪,吴志峰,陈颖彪,等.基于Sentinel-5P的粤港澳大湾区NO2污染物时空变化分析[J]. 中国环境科学,2021,41(1):63-72.

Zheng Z H,Wu Z F,Chen Y B,et al. Analysis of temporal and spatial variation characteristics of NO2pollutants in Guangdong- Hong Kong-Macao Greater Bay Area based on Sentinel-5P satellite data [J]. China Environmental Science,2021,41(1):63-72.

[20] Zheng B,Geng G,Ciais P,et al. Satellite-based estimates of decline and rebound in China's CO2emissions during COVID-19pandemic [J]. Science Advances,2020,6(49):eabd4998.

[21] Kumari P,Toshniwal D. Impact of lockdown measures during COVID-19 on air quality–A case study of India [J]. International Journal of Environmental Health Research,2022,32(3):503-510.

[22] Buchwitz M,Reuter M,Noël S,et al. Can a regional-scale reduction of atmospheric CO2during the COVID-19 pandemic be detected from space? A case study for East China using satellite XCO2retrievals [J]. Atmospheric Measurement Techniques,2021,14(3):2141-2166.

[23] Liang M,Zhang Y,Ma Q,et al. Dramatic decline of observed atmospheric CO2and CH4during the COVID-19 lockdown over the Yangtze River Delta of China [J]. Journal of Environmental Sciences,2023,124:712-721.

[24] 易 睿,王亚林,张殷俊,等.长江三角洲地区城市臭氧污染特征与影响因素分析 [J]. 环境科学学报,2015,35(8):2370-2377.

Yi R,Wang Y L,Zhang Y J,et al. Pollution characteristics and influence factors of ozone in Yangtze River Delta [J]. Acta Scientiae Circumstantiae,2015,35(8):2370-2377.

[25] 陆 燕,王勤耕,翟一然,等.长江三角洲城市群人为热排放特征研究 [J]. 中国环境科学,2014,34(2):295-301.

Lu Y,Wang Q G,Zhai Y R,et al. Anthropogenic heat emissions in the Yangtze River Delta region [J]. China Environmental Science,2014,34(2):295-301.

[26] 郭 政,陈 爽,董 平,等.长江三角洲城市群工业污染时空演化及其驱动因素 [J]. 中国环境科学,2019,39(3):1323-1335.

Guo Z,Chen S,Dong P,et al. Spatial-temporal evolution of industrial pollution in the Yangtze River Delta urban agglomeration and its driving factors [J]. China Environmental Science,2019,39(3):1323- 1335.

[27] 刘立新,夏玲君,周凌晞.我国长三角和京津冀城市群大气温室气体特征对比分析[C]//第33届中国气象学会年会S11大气成分与天气,气候变化及环境影响,2016.

Liu L X,Xia L J,Zhou L X. Comparative analysis of atmospheric greenhouse gas characteristics in the Yangtze River Delta and Beijing-Tianjin-Hebei urban agglomeration [C]//S11Atmospheric Composition and Weather,Climate Change and Environmental Impact,the 33rd Annual Meeting of the Chinese Meteorological Society,2016.

[28] Saw G K,Dey S,Kaushal H,et al. Tracking NO2emission from thermal power plants in North India using TROPOMI data [J]. Atmospheric Environment,2021,259:118514.

[29] Sentinel-5P OFFL NO2: Offline Nitrogen Dioxide. Available online: https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S5P_OFFL_L3_NO2(accessed on 15February 2021).

[30] Sentinel-5P TROPOMI NO2Data Products. Available online: http://www.tropomi.eu/data-products/nitrogen-dioxide (accessed on 15February 2021).

[31] Crisp D,Frankenberg C,Messerschmidt J,et al. The ACOS CO2retrieval algorithm—Part II: Global XCO2data characterization [J]. Atmospheric Measurement Techniques,2012,5(4):687-707.

[32] Janne H,Ialongo I,Maksyutov S,et al. Analysis of Four years of global XCO2 anomalies as seen by Orbiting Carbon Observatory-2 [J]. Remote Sensing,2019,11(7):850.

[33] Sheng S M,Lei L,Zeng Z C,et al. Detecting the responses of CO2column abundances to anthropogenic emissions from satellite observations of GOSAT and OCO-2 [J]. Remote Sensing,2021,13(17): 3524.

[34] Goddard Earth Science Data Information and Services Center (GES DISC) at National Aeronautics and Space Administration (NASA). Available online: https://oco2.gesdisc.eosdis.nasa.gov/data/(accessed on 19 January 2021).

[35] 国家基础地理信息中心(http://www.globallandcover.com/).

National Basic Geographic Information Center (http://www. globallandcover.com/).

[36] LAADS DAAC (https://ladsweb.modaps.eosdis.nasa.gov/).

[37] Nighttime Light (https://eogdata.mines.edu/nighttime_light/monthly/ v10/).

[38] Liu Y,Hu C,Zhan W,et al. Identifying industrial heat sources using time-series of the VIIRS Nightfire product with an object-oriented approach [J]. Remote Sensing of Environment,2018,204:347-365.

[39] Oda T,Maksyutov S. A very high-resolution (1 km×1 km) global fossil fuel CO2emission inventory derived using a point source database and satellite observations of nighttime lights [J]. Atmospheric Chemistry amd Physics,2011,11(2):543-556.

[40] Nakajima M,Kuze A,Suto H. The current status of GOSAT and the concept of GOSAT-2 [J]. Proceedings of SPIE- The International Society for Optical Engineering,2012,8533,10.

[41] Oda T,Maksyutov S,Andres R J. The Open-source Data Inventory for Anthropogenic CO2,version 2016 (ODIAC2016): A global monthly fossil fuel CO2gridded emissions data product for tracer transport simulations and surface flux inversions [J]. Earth System Science Data,2018,10(1):87-107.

[42] Zeng Z C,Lei L,Hou S,et al. A regional gap-filling method based on spatiotemporal variogram model of columns [J]. IEEE Transactions on Geoscience and Remote Sensing,2014,52(6):3594-3603.

[43] Zeng ZC,Lei L,Strong K,et al. Global land 1mapping dataset of XCO2from satellite observations of GOSAT and OCO-2 from 2009 to 2020 [J]. International Journal of Digital Earth,2017,10(4):426-456.

[44] He Z,Lei L,Zhang Y,et al. Spatio-temporal mapping of multi- satellite observed column atmospheric CO2using precision- weighted kriging method [J]. Remote Sensing,2020,12(3):576.

[45] Sheng S M,Lei L,Zeng Z C,et al. Detecting the responses of CO2column abundances to anthropogenic emissions from satellite observations of GOSAT and OCO-2 [J]. Big Earth Data,2022,DOI: 10.1080/20964471.2022.2033149.

[46] Yokota T N,Eguchi Y Y,Ota Y,et al. Global Concentrations of CO2and CH4retrieved from GOSAT: first preliminary results [J]. Scientific Online Letters on the Atmosphere,2009,5:160-163.

[47] Lindqvist H,O"Dell C W,Basu S,et al. Does GOSAT capture the true seasonal cycle of carbon dioxide? [J]. Atmospheric Chemistry and Physics,2015,15(22):13023-13040.

[48] Eldering A,O'Dell C W,Wennberg P O,et al.The Orbiting Carbon Observatory-2: First 18months of science data products [J]. Atmospheric Measurement Techniques,2017,10(2):549-563.

[49] Le Quéré C,Jackson R B,Jones M W,et al. Temporary reduction in daily global CO2emissions during the COVID-19 forced confinement [J]. Nature Climate Change,2020,10:647-653.

[50] 张楚莹,王书肖,邢 佳,等.中国能源相关的氮氧化物排放现状与发展趋势分析[J]. 环境科学学报,2008,28(12):2470-2479.

Zhang C Y,Wang S X,Xing J,et al. Current status and future projections of NOemission from energy related industries in China [J]. Acta Scientiae Circumstaniae,2008,28(12):2470-2479.

[51] Yang S,Lei L,Zeng Z,et al. An assessment of anthropogenic CO2emissions by satellite-based observations in China [J]. Sensors,2019,19(5):1118.

[52] NOAA HYSPLIT Trajectory Model,https://www.ready.noaa.gov/ hypub-bin/trajtype.pl?runtype=archive.

致谢：本研究使用的大气NO2观测数据由欧空局(ESA)提供,大气CO2卫星观测数据由美国宇航局戈达德地球科学资料和信息服务中心提供,在此表示感谢.同时,本研究感谢国家基础地理信息中心提供的地表覆盖数据,感谢日本国际环境研究机构(NIES)提供的ODIAC清单数据,感谢地球观测组织(EOG)提供的夜光数据.

Driving factors and spatio-temporal distribution on NO2and CO2in the Yangtze River Delta.

HE Yue1,SHENG Meng-ya2,3,LEI Li-ping2*,GUO Kai-yuan2,3,HE Zhong-hua1,CAI Ju-zhen1,FANG He1,ZHANG Xiao-wei1,LIU Ying1,ZHANG Yu-hui1

(1.Zhejiang Province Climate Center,Hangzhou 310052,China；2.Key Laboratory of Digital Earth Science,Aerospace Information Research Institute,Beijing 100094,China；3.Chinese Academy of Sciences,Beijing 100094,China).,2022,42(8)：3544～3553

In this paper,with the Yangtze River Delta urban agglomerations as the study area,the satellite remote sensing data were used to carry out collaborative analysis on the temporal and spatial variations of atmospheric NO2and CO2concentrations and the driving factors,which revealed the areas with high concentrations of air pollution and CO2. The results indicated that the spatio-temporal distributions of NO2and CO2and its changing characteristics in the Yangtze River Delta urban agglomeration areas were subjected to the combined effects of human activities such as fossil fuel combustion and vehicle emissions,as well as natural conditions such as regional topography,regional topography,surface coverage and climate. The areas with high concentrations of atmospheric NO2and CO2were in an U-shaped distribution towards the southwest direction around Taihu Lake,which was consistent with the distribution of the surrounding large urban areas and the industrial emission areas. Featured with seasonal distribution characteristics,the atmospheric NO2concentrations were higher in autumn and winter,and the lowest in summer. Affected by vegetation CO2uptake and CO2emission accumulation,atmospheric CO2concentrations were the lowest in August-September and the highest in April-May. In addition,with the sharp reduction in anthropogenic emission activities from January to March 2020,NO2concentrations were reduced by more than 50% compared with the same period in 2019 and dropped the most in cities with large-scale ferrous-metal and coal-processing industrial heat sources.

air pollution；anthropogenic emission；NO2；CO2；collaborative analysis；the Yangtze River Delta；spatial distribution

X511

A

1000-6923(2022)08-3544-10

2021-12-27

中国气象局创新发展专项(CCSF202036); 浙江省自然科学基金(LQ21D050001,2017C33072,LDF18D050001);中国气象局卫星专项(FY-3(03)-AS-12.13);浙江省气象局重点项目(2019ZD08)

* 责任作者,研究员,leilp@radi.ac.cn

何 月(1981-),女,浙江湖州人,高级工程师,主要从事生态环境及遥感应用研究.发表论文10余篇.