2003～2018年四川盆地氣溶膠光學(xué)厚度空間分異及驅(qū)動因子

王安怡,康 平*,張 洋,曾勝蘭,張小玲,施 娟,劉志紅,向衛(wèi)國,汪可可,張松宇,魯峻岑

2003～2018年四川盆地氣溶膠光學(xué)厚度空間分異及驅(qū)動因子

王安怡1,康 平1*,張 洋2,曾勝蘭1,張小玲1,施 娟3,劉志紅2,向衛(wèi)國1,汪可可1,張松宇1,魯峻岑1

(1.成都信息工程大學(xué)大氣科學(xué)學(xué)院,高原大氣與環(huán)境四川省重點(diǎn)實(shí)驗(yàn)室,四川 成都 610225；2.成都信息工程大學(xué)資源環(huán)境學(xué)院,四川 成都 610225；3.成都市氣象局,四川 成都 610072)

為揭示四川盆地氣溶膠光學(xué)厚度(AOD)的空間分布格局并定量評估影響其時空分異的驅(qū)動因子,基于2003～2018年(16a)MODIS氣溶膠產(chǎn)品數(shù)據(jù),采用Mann-Kendall突變檢驗(yàn)法,空間自相關(guān),空間熱點(diǎn)探測分析和地理探測器等地統(tǒng)計方法分析研究.結(jié)果表明:2003～2018年四川盆地AOD總體呈現(xiàn)下降趨勢,且突變年為2015年,并依據(jù)趨勢變化將2003～2018年分為6個時段.四川盆地氣溶膠區(qū)域性污染特征明顯, AOD高值區(qū)主要聚集在盆地中部低海拔地區(qū),而AOD低值區(qū)則多聚集在盆地邊緣高海拔地區(qū).AOD空間分布具有顯著的聚集性規(guī)律(空間正相關(guān),Moran's指數(shù)>0),自2012年以來高-高值聚集區(qū)面積不斷減小,且不同時段聚集區(qū)AOD年際變化與AOD值分布變化態(tài)勢一致.利用主成分分析法優(yōu)選出8個因子,經(jīng)地理探測器分析表明, 16a來盆地區(qū)域AOD時空分異主要是由于城市化和工業(yè)化發(fā)展水平不均衡引起的.2014～2015年所有驅(qū)動因子的驅(qū)動力較之前時間段出現(xiàn)11.2%～59.2%的減小,且社會經(jīng)濟(jì)因子尤為明顯,與2015年為突變年的結(jié)論相一致.

氣溶膠光學(xué)厚度；四川盆地；空間自相關(guān)；空間熱點(diǎn)分析；地理探測器

大氣氣溶膠是影響我國大氣環(huán)境質(zhì)量,導(dǎo)致區(qū)域性空氣污染的最主要污染物之一,氣溶膠光學(xué)厚度(AOD)作為重要的氣溶膠光學(xué)特性參數(shù),是推算氣溶膠含量、反映大氣環(huán)境狀況的重要因子[1-3].由于氣溶膠具有壽命短、來源廣泛、性質(zhì)多變等特點(diǎn),其分布呈現(xiàn)強(qiáng)烈的空間差異和時間變化[4],加之我國幅員遼闊、地形地貌復(fù)雜,人口分布,工業(yè)布局存在差異性,使得我國氣溶膠具有濃度高、組成復(fù)雜、時空差異顯著等特性[5].

目前,國內(nèi)研究多關(guān)注經(jīng)濟(jì)發(fā)達(dá)且污染嚴(yán)重的京津冀、長江三角洲、珠江三角洲地區(qū),或北方受環(huán)境或氣象要素影響顯著的地區(qū)[6-9],針對四川盆地氣溶膠區(qū)域性污染時空分布研究往往只局限于AOD多年和季節(jié)平均狀態(tài)[10],缺乏對長時間AOD分布空間異質(zhì)性的探討.對驅(qū)動因子研究多從氣象要素切入[11],且研究選取的驅(qū)動因子較少[12],在區(qū)域尺度上,缺乏對自然因子以及社會經(jīng)濟(jì)因子綜合作用下的AOD空間分異與影響機(jī)制方面的定量研究.

隨著四川盆地內(nèi)城市化和工業(yè)化發(fā)展進(jìn)程的持續(xù)推進(jìn),加之盆地內(nèi)特殊的大氣環(huán)流與高溫高濕氣候條件,促進(jìn)顆粒物的生成與積累[13],盆地內(nèi)城市群之間區(qū)域性顆粒物污染狀況依然形勢嚴(yán)峻.因此,本文針對四川盆地區(qū)域,以2003～2018年(16a) MODIS氣溶膠產(chǎn)品為數(shù)據(jù)源,運(yùn)用Mann-Kendall突變檢驗(yàn)法,檢驗(yàn)四川盆地AOD趨勢變化及突變點(diǎn),并作為時域分段的依據(jù).采用空間自相關(guān),空間熱點(diǎn)探測分析,分析研究四川盆地AOD空間分布格局與聚集規(guī)律,綜合考慮自然和社會經(jīng)濟(jì)因素選取驅(qū)動因子,利用地理探測器定量揭示四川盆地AOD時空分異的影響因子,以期為四川盆地顆粒物污染聯(lián)防聯(lián)控提供參考.

1 資料和方法

1.1 數(shù)據(jù)來源及處理

1.1.1 氣溶膠數(shù)據(jù) AOD可以通過衛(wèi)星遙感觀測數(shù)據(jù)反演獲取.MODIS(中分辨率成像光譜儀),是搭載于Terra和Aqua衛(wèi)星上的重要傳感器之一,具有覆蓋紫外、可見光、近紅外、紅外等36個光譜頻道,空間分辨率較高.MODIS的掃描幅寬為2330km,每1～2d覆蓋全球1次,具備更新頻率高、光譜范圍廣等特點(diǎn),是目前應(yīng)用較為廣泛的氣溶膠探測傳感器[14].

本文采用來自NASA發(fā)布的Level 2級的2003～2018年MOD04_3K AOD產(chǎn)品,此產(chǎn)品基于暗像元(DT)氣溶膠算法,空間分辨率為3km′3km.通過ENVI結(jié)合IDL對MODIS AOD產(chǎn)品進(jìn)行幾何校正,重投影,波段合成后計算有效像元平均值,最后利用四川盆地矢量邊界裁剪提取四川盆地AOD的年均值、季均值、月均值進(jìn)行趨勢分析.分析季節(jié)變化時,以每年3～5月為春季,6～8月為夏季,9～11月為秋季,12月～翌年2月為冬季作為劃分標(biāo)準(zhǔn).

1.1.2 驅(qū)動因子數(shù)據(jù) 氣象數(shù)據(jù)來源于歐洲中期天氣預(yù)報中心(ECMWF)(https://www.ecmwf.int/)第5代高分辨率的再分析資料,其水平分辨率為0.125°×0.125°.社會因子統(tǒng)計數(shù)據(jù)來源于《四川統(tǒng)計年鑒》(2004～2019)(http://tjj.sc.gov.cn/scstjj/c105855/ nj.shtml)和《重慶統(tǒng)計年鑒》(2004～2019)(http: //tjj.cq.gov.cn/zwgk_233/tjnj/),缺失的部分采用相應(yīng)省市的社會發(fā)展統(tǒng)計公報補(bǔ)充.二氧化硫(SO2)和總懸浮顆粒物(TSP)排放量數(shù)據(jù)來源于北京大學(xué)全球高分辨率污染物排放清單(http://inventory.pku.edu. cn/home.html).歸一化植被指數(shù)數(shù)據(jù)來源于中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心(https://www.resdc. cn/data.aspx?DATAID=257).

1.2 研究方法

1.2.1 Mann-Kendall突變檢驗(yàn) Mann-Kendall突變檢驗(yàn)是一種非參數(shù)統(tǒng)計的檢驗(yàn)方法,由于該方法不需要遵從一定的正態(tài)分布,也不受少數(shù)異常值的干擾,適用于評估水文、氣候等要素的時間變化趨勢,通過構(gòu)造標(biāo)準(zhǔn)正態(tài)分布統(tǒng)計量來確定檢驗(yàn)參數(shù)變化趨勢的顯著性[15].對于具有個樣本的時間序列X(1,2,3,…,x),定義統(tǒng)計量S:

式中:=1,2,…,;=1,2,…,. S即表示第時刻x>x的累計個數(shù),在假設(shè)時間序列隨機(jī)獨(dú)立時:

將S標(biāo)準(zhǔn)化:

根據(jù)以上公式得出逆序列,其中把逆序列x,x1,…,1對應(yīng)表示為1',2',…,x'.當(dāng)'=+1-時,r=',則逆序列的UB=-UF.

最后,UB和UF分別組成曲線,表示時間序列的趨勢變化.設(shè)定顯著性水平=0.05(即臨界值為±1.96),若UB和UF的值大于0,則表示序列呈上升趨勢;反之呈下降趨勢,若兩條曲線出現(xiàn)交點(diǎn),且交點(diǎn)位于值臨界線之間,那么交點(diǎn)為突變開始.本研究利用Mann-Kendall突變檢驗(yàn)對四川盆地2003～2018年AOD年均值進(jìn)行處理,分析近16a來AOD的變化趨勢,以此作為劃分四川盆地AOD時間尺度變化中各個時間段的依據(jù).

1.2.2 空間自相關(guān) 空間自相關(guān)可用于分析相應(yīng)統(tǒng)計量與同一空間區(qū)域中相鄰統(tǒng)計量之間的關(guān)聯(lián)程度,包括全局空間自相關(guān)和局部空間自相關(guān)兩大類[16].

(1)全局空間自相關(guān).全局空間自相關(guān)的功能在于描述整個研究區(qū)域空間對象的關(guān)聯(lián)程度,以判斷此空間對象是否有聚集、分散、隨機(jī)等空間分布特性存在[17].本文選用全局Moran's指數(shù)作為AOD空間自相關(guān)的衡量指標(biāo),計算公式為:

式中:=166為樣本個數(shù),即四川盆地內(nèi)縣域數(shù)量,y和y分別為縣域和的AOD值;`為所有縣域AOD的平均值;為空間鄰接權(quán)重矩陣.∈[-1,1],>0表示AOD正相關(guān)(均質(zhì)性),<0表示AOD空間負(fù)相關(guān)(異質(zhì)性),=0表示AOD不相關(guān),即隨機(jī)分布.

(2)局部空間自相關(guān).局部空間自相關(guān)分析用于反映整個大區(qū)域中的一個局部小區(qū)域單位上的某種地理現(xiàn)象或某一屬性值與相鄰局部小區(qū)域單位上同一現(xiàn)象或某一屬性值的相關(guān)程度[18-19],常用散點(diǎn)圖和局部Moran's指數(shù)來度量,計算公式為:

1.2.3 空間熱點(diǎn)探測 空間熱點(diǎn)探測可在整個研究區(qū)域之內(nèi)探測出某屬性值顯著異于其他區(qū)域的異常區(qū),是空間聚類的特例[20],有助于從空間統(tǒng)計學(xué)上定量剖析AOD高/低值聚集區(qū),發(fā)現(xiàn)污染集中區(qū)域的演變并輔助區(qū)域聯(lián)防聯(lián)控政策調(diào)整.空間熱點(diǎn)探測模型首先依據(jù)研究區(qū)域內(nèi)所有樣本對應(yīng)的空間距離構(gòu)造一個對稱矩陣,然后根據(jù)極限距離的方法來確定聚集區(qū)域,其公式如下:

式中:為極限距離,km;為四川盆地面積,km2;為四川盆地內(nèi)縣域數(shù)量;為給定置信度時的分位數(shù),本研究運(yùn)用ArcGIS軟件進(jìn)行空間熱點(diǎn)探測分析.

1.2.4 地理探測器 地理探測器是揭示空間分異性及其驅(qū)動力的一組統(tǒng)計學(xué)方法,其核心思想是:若解釋變量對被解釋變量有重要影響,則兩者在空間分布上應(yīng)具有相似性[21].其因子探測器可探測因變量的空間分異,以及因子多大程度上解釋了因變量的空間分異,計算公式如下:

2 結(jié)果與討論

2.1 四川盆地AOD時間變化特征

2.1.1 AOD時間尺度特征 如圖1和圖2所示,四川盆地AOD逐年月均值呈現(xiàn)“梯形”的周期變化趨勢,即AOD在1～5月逐漸增加,6～10月在一定范圍內(nèi)波動,11～12月逐漸下降,AOD最高值出現(xiàn)在2008年4月(1.04).在整個時間域上,四川盆地AOD的季節(jié)性變化存在差異性.2003～2010年,AOD季節(jié)性變化呈現(xiàn)春季最大,夏季次之,冬季最小的特征;但2011～2018年,AOD季節(jié)變化呈現(xiàn)春季最大,夏季次之,秋季最小的特征.春季和夏季的AOD值在2014年后有明顯的下降,冬季AOD值有略微下降但是仍然維持較高水平.四川盆地AOD年均值呈現(xiàn)“M”型的變化趨勢,即AOD在2003～2006年增加, 2007～2008年減小,2009～2011年增加,2011年后AOD值逐年減小.

圖1 2003～2018年四川盆地AOD逐年月均和季均變化

圖2 2003～2018年四川盆地AOD年均值變化

2.1.2 四川盆地AOD變化時域分段 2003～2018年四川盆地AOD年均值Mann-Kendall突變檢驗(yàn)分析結(jié)果顯示,2003～2012年,UF大于0,四川盆地AOD年均值呈現(xiàn)增加的趨勢,且UF在2006年超過0.05顯著性水平臨界線,說明2006年四川盆地AOD值上升趨勢明顯(圖3).自2013年后,UF小于0,四川盆地AOD年均值呈現(xiàn)減小的趨勢,其中2016年后,UF超過0.05顯著性水平臨界線,說明四川盆地AOD值減小趨勢明顯.UF曲線與UB曲線交于2015年與2016年之間,交點(diǎn)位于兩條0.05顯著水平線之間,表明四川盆地AOD從2015年開始突變.結(jié)合UF曲線趨勢將16a的研究時域分為2003～2006年,2007～2008年, 2009～2011年,2012～2013年,2014～2015年,2016～ 2018年這6個變化時段.

圖3 2003～2018年四川盆地AOD年均值 Mann-Kendall突變檢驗(yàn)

2.2 四川盆地AOD空間分布特征

2.2.1 不同時段空間分布特征 以2003～2018年四川盆地MODIS AOD產(chǎn)品為數(shù)據(jù)基礎(chǔ),均一化后計算不同時間段內(nèi)AOD平均值,得到四川盆地AOD空間分布情況(圖4).四川盆地AOD空間分布整體上表現(xiàn)為盆地中部低海拔地區(qū)AOD值較高的特征,其中四川盆地西部城市群(成都平原城市群)和南部城市群(川南城市群)為AOD高值中心,盆地邊緣高海拔地區(qū)為AOD低值區(qū).該結(jié)論與張靜怡等[12]對四川盆地氣溶膠時空格局研究的結(jié)果基本一致.

四川盆地氣溶膠污染在2009～2011年達(dá)到頂峰,區(qū)域性污染的特征非常明顯,自2012年開始,盆地區(qū)域氣溶膠污染的情況有較大改善.由圖4可見, 2003～2006年四川盆地AOD高值區(qū)主要位于成都和德陽以及內(nèi)江和自貢,呈現(xiàn)帶狀分布; 2007～2008年,AOD高值區(qū)相對于上一時期向四川盆地東南部偏移,成都和德陽的AOD高值區(qū)逐漸消失,AOD高值區(qū)主要位于樂山-宜賓-瀘州-重慶-廣安一帶,沿四川盆地邊緣呈現(xiàn)弧狀分布,該分析結(jié)果與張洋等[23]研究結(jié)論一致.2009～2011年盆地內(nèi)有四川盆地西部城市群(綿陽、成都、德陽、眉山)和四川盆地南部城市群(內(nèi)江、自貢、宜賓、瀘州)2個高值中心,AOD高值區(qū)面積達(dá)到最大,且AOD高值有所增加.2012～2013年AOD高值區(qū)分布與2009～2011年相似,但面積大幅縮小,且分布較為零散.2012～2013年、2014～2015年和2016～ 2018年AOD高值區(qū)逐階段減小,且AOD相對高值也不斷減小,至2016～ 2018年,AOD相對高值已降至0.5以下.

2.2.2 空間自相關(guān)分析 要進(jìn)行全局Moran's指數(shù)的計算,需要確定各個縣級單元之間的空間鄰接矩陣.王華等[16]根據(jù)氣溶膠的擴(kuò)散特性認(rèn)為,選擇空間距離權(quán)重矩陣得到的結(jié)果比鄰接權(quán)重矩陣更為合理.本文利用GeoDa軟件生成基于距離的空間權(quán)重矩陣,計算得到的四川盆地2003～2018年不同時間段的AOD空間分布的全局Moran's指數(shù)(表1).各個時間段的全局自相關(guān)指數(shù)均為正值,并在0.7上下波動,且均通過99%顯著性檢驗(yàn)(- value32.58),說明四川盆地AOD分布存在非常顯著的空間正相關(guān)關(guān)系,空間上具有相似值聚集的態(tài)勢.

由于全局指標(biāo)有時會掩蓋局部狀態(tài)的不穩(wěn)定性,因此在很多場合需要采用局部指標(biāo)來探測空間自相關(guān)[22],結(jié)果如圖5.

表1 四川盆地2003～2018年不同時間段AOD全局Moran's I指數(shù)

注:**、*分別表示通過了置信度99%、95%顯著性檢驗(yàn).

由圖5可知,通過95%顯著性檢驗(yàn)的聚類區(qū)類型只有H-H、L-H、L-L3種,整體來看,H-H聚集區(qū)主要集中在盆地中部低海拔地區(qū),L-L聚集區(qū)主要集中在盆地邊緣高海拔地區(qū),L-H聚集區(qū)只出現(xiàn)于2003～2006年、2012～2013年、2014～2015年、2016～2018年4個時間段,且3次位于都江堰,1次位于瀘州市合江縣.縱向?qū)Ρ炔煌瑫r間段聚集區(qū)分布及其面積占比,可以看到,2007～2008年,H-H聚集區(qū)有一個明顯的向東輻射的趨勢,其他時間段聚集區(qū)分布的基本格局變化較小.2009～2011年作為四川盆地氣溶膠污染的峰值時期,L-L聚集區(qū)和H-H聚集區(qū)面積占比明顯減小.2012～2013年、2014～ 2015年和2016～2018年H-H聚集區(qū)面積占比不斷減小,L-L聚集區(qū)面積占比較大,L-L聚集區(qū)面積占比最大(31.86%)出現(xiàn)于2014～2015年.總的來說,不同時段聚集區(qū)AOD年際變化與AOD值分布變化態(tài)勢一致.

AOD局部Moran's散點(diǎn)圖中橫坐標(biāo)為標(biāo)準(zhǔn)化后的AOD值,縱坐標(biāo)為縣級相鄰單元的AOD加權(quán)平均值,圖中直線斜率為全局Moran's指數(shù),第一、二、三、四象限分別為H-H(高-高值聚集區(qū),即該縣級單元與其周圍相鄰單元AOD值均為高值),H-L(高-低值聚集區(qū),即該縣級單元AOD值較高,但其相鄰單元AOD值較低),L-H(低-高值聚集區(qū),即該縣級單元AOD值較低,但其相鄰單元AOD值較高),L-L(低-低值聚集區(qū),即該縣級單元與其周圍相鄰單元AOD值均為低值).H-H聚集和L-L聚集表示AOD分布呈正空間自相關(guān)(均質(zhì)性);而L-H聚集和H-L聚集表示AOD分布呈負(fù)空間相關(guān)(異質(zhì)性)

2.2.3 空間熱點(diǎn)分析 空間熱點(diǎn)探測分析結(jié)果顯示,2003～2018年四川盆地AOD熱點(diǎn)聚集區(qū)大致分布于成都、德陽、眉山、資陽、自貢、重慶西南部等經(jīng)濟(jì)較發(fā)達(dá)地區(qū),冷點(diǎn)聚集區(qū)主要分布于盆地邊緣高海拔地區(qū)(圖6).2007～2008年和2014～2015年有明顯向東輻射的態(tài)勢,2003～2006年、2007～2008年和2012～2013年熱點(diǎn)聚集區(qū)呈現(xiàn)片狀分布,2009～2011年、2014～2015年和2016～2018年形成分別以成都、自貢為中心的熱點(diǎn)聚集區(qū),2012年后熱點(diǎn)聚集區(qū)面積逐漸減小.冷點(diǎn)聚集區(qū)分布在6個時間段上基本保持一致.

圖6 2003～2018年四川盆地不同時間段AOD冷熱點(diǎn)區(qū)域

2.3 四川盆地AOD空間分異的驅(qū)動因子分析

2.3.1 驅(qū)動因子評價指標(biāo) 盆地內(nèi)大氣氣溶膠主要源自于工業(yè)化和城市化等人類活動顆粒物的直接排放[10],自然要素則對顆粒物的形成、傳輸、擴(kuò)散和沉降過程產(chǎn)生正向或負(fù)向的影響[24],因此AOD的空間分異是自然和人為共同作用的結(jié)果.總結(jié)發(fā)現(xiàn),AOD分布的驅(qū)動因素涉及氣溫、風(fēng)向風(fēng)速、大氣環(huán)流、降水、濕度等自然因素,還與產(chǎn)業(yè)活動、燃料燃燒、機(jī)動車尾氣排放等人為因素密切相關(guān).依據(jù)此,并結(jié)合數(shù)據(jù)可獲取性原則,本文選取了常住人口(X1)、人口密度(X2)、地區(qū)生產(chǎn)總值(X3)、人均地區(qū)生產(chǎn)總值(X4)等城市化因子,工業(yè)總產(chǎn)值(X5)、二產(chǎn)比重(X6)等工業(yè)因子,SO2排放量(X7)、TSP排放量(X8)等人為源排放因子,2m溫度(X9)、10m風(fēng)速(X10)、歸一化植被指數(shù)(X11)等地表因子,相對濕度(X12)、降水量(X13)、邊界層高度 (X14)等氣象因子,共14個指標(biāo)(表2).

表2 四川盆地AOD驅(qū)動因子評價指標(biāo)

2.3.2 驅(qū)動因子優(yōu)選 因驅(qū)動因子較多且因子之間相互影響,故采用主成分分析法(PCA)進(jìn)行主成分提取.將四川盆地劃分為0.3°×0.3°格網(wǎng),利用ArcGIS分別提取14個驅(qū)動因子2003～2018年均值.利用SPSS軟件對驅(qū)動因子標(biāo)準(zhǔn)化處理,并進(jìn)行PCA分析.四川盆地2003～2018年AOD驅(qū)動因子成分載荷和主成分方差貢獻(xiàn)率結(jié)果見表3,通過對14個影響AOD空間分異指標(biāo)進(jìn)行方差最大化旋轉(zhuǎn)得到因子矩陣.當(dāng)Kaiser-Meyer-Olkin(KMO)值大于0.6時, PCA結(jié)果具有可靠性[25].本研究中, KMO值為0.693, Bartlett球形檢驗(yàn)的值為0,通過0.05的顯著性檢驗(yàn),因此,四川盆地2003～2018年AOD驅(qū)動因子適合進(jìn)行PCA分析.統(tǒng)計得到4個主成分,且累計方差貢獻(xiàn)率達(dá)到了77.845%,所代表的信息量可充分解釋并提供原始數(shù)據(jù)承載的信息.選取載荷偏大值作為每個主成分的主導(dǎo)因子,即人口密度、地區(qū)生產(chǎn)總值、工業(yè)總產(chǎn)值成為第一主成分的主導(dǎo)因子,10m風(fēng)速、相對濕度為第二主成分主導(dǎo)因子,SO2和TSP排放量為第三主成分主導(dǎo)因子,邊界層高度為第四主成分主導(dǎo)因子.利用這8個因子代替原來的14個因子進(jìn)行分析,優(yōu)化驅(qū)動因子選擇.

2.3.3 不同時間段AOD空間分異驅(qū)動因子的地理探測結(jié)果 利用地理探測器對四川盆地不同時段AOD年均值分布的8個優(yōu)選驅(qū)動因子進(jìn)行探測,全部因子均通過99%顯著性檢驗(yàn).結(jié)果總體顯示,社會經(jīng)濟(jì)因子的驅(qū)動力較自然因子大,表明2003～2018年四川盆地AOD的空間分異主要是由于城市化和工業(yè)化發(fā)展水平不均衡引起的(圖7).縱觀16a間驅(qū)動因子的演變,2014～2015年所有驅(qū)動因子的驅(qū)動力較之前時間段均出現(xiàn)11.2%～59.2%的減少,其中SO2排放量、相對濕度和地區(qū)生產(chǎn)總值為減少最顯著的3個因子,分別減少59.2%,52.80%,42.24%.這與上文2015年為突變年的結(jié)論相一致.下面具體對社會經(jīng)濟(jì)因子和自然因子的驅(qū)動作用加以說明.

表3 2003～2018年四川盆地AOD驅(qū)動因子主成分分析

注:加粗的數(shù)據(jù)為各主成分中載荷較大的量.

圖7 2003～2018年四川盆地社會經(jīng)濟(jì)與自然因子驅(qū)動力(|q|值)

圖例從左至右分別為2003～2006、2007～2008、2009～2011、2012～2013、2014～2015、2016～2018

2.3.4 社會經(jīng)濟(jì)因子驅(qū)動分析 如圖7所示,城市化因子驅(qū)動:人口密度(+0.4033)、地區(qū)生產(chǎn)總值(+0.3408).人口密度在整個時域上的驅(qū)動力最大.城市化進(jìn)程加快、工業(yè)生產(chǎn)活動增多等人類活動是導(dǎo)致AOD升高的重要影響因素[26],人口高密度的核心城市雖然可引發(fā)集聚經(jīng)濟(jì)效應(yīng),但人為源排放相應(yīng)增大,使得區(qū)域內(nèi)環(huán)境空氣質(zhì)量惡化.成都平原經(jīng)濟(jì)圈常住人口占四川省50.12%,人口向中心城區(qū)聚集趨勢較為明顯.但自“十二五”節(jié)能減排工作提出后,四川盆地城市群產(chǎn)業(yè)結(jié)構(gòu)由“二三一”向“三二一”過渡,淘汰落后產(chǎn)能,提高產(chǎn)業(yè)質(zhì)量與效益[27],并利用核心城市的積極性,吸引優(yōu)質(zhì)且清潔資源向人口高密度地區(qū)集中,通過功能疏解,讓次級核心城市吸收部分人口及其他要素,緩解區(qū)域大氣氣溶膠污染.

人為源排放因子驅(qū)動:SO2排放量(+0.2391),TSP排放量(+0.2382).SO2主要污染源是工業(yè)排放,大氣中硫酸鹽氣溶膠主要來自于SO2的轉(zhuǎn)化過程[28].曹佳陽等[29]對川南4座城市PM2.5中主要化學(xué)組分分析后發(fā)現(xiàn)SO2- 4全年對PM2.5的貢獻(xiàn)都占主導(dǎo)地位.TSP包含一次和二次顆粒物,是造成空氣污染的重要原因之一.SO2排放量驅(qū)動因子在2003～2013年4個時期內(nèi)變化不大,于0.3上下波動.TSP排放量驅(qū)動因子在整個時間域上呈現(xiàn)“M型”的變化趨勢, 2007～2008年和2012～2013年驅(qū)動力較大.SO2和TSP排放量因子驅(qū)動力2013年后明顯下降,亦表明大氣污染防治計劃實(shí)施成果顯著,SO2與TSP排放量大幅減少,對AOD分異驅(qū)動力減小.

工業(yè)因子驅(qū)動:工業(yè)總產(chǎn)值(+0.3021).工業(yè)總產(chǎn)值值在時域上呈現(xiàn)倒“U”型趨勢,環(huán)境庫茲涅茲曲線(EKC)[30]指出人口收入與環(huán)境質(zhì)量呈現(xiàn)倒“U”型曲線,即在經(jīng)濟(jì)發(fā)展初級階段,經(jīng)濟(jì)增長,人均收入的提高反而有助于降低環(huán)境污染,改善環(huán)境質(zhì)量.可見四川盆地正處于倒“U”型的下坡期,生態(tài)文明建設(shè)有所成就,經(jīng)濟(jì)增長與環(huán)境保護(hù)實(shí)現(xiàn)可持續(xù)發(fā)展.

2.3.5 自然因子驅(qū)動作用分析 地表因子驅(qū)動: 10m風(fēng)速(-0.1901).驅(qū)動因子在整個時間域上呈現(xiàn)“M型”的變化趨勢.2007～2008年和2012～2013年驅(qū)動力較大.風(fēng)速是影響大氣自潔能力的重要因素,風(fēng)通過搬運(yùn)作用,將局地污染物輸送到其他區(qū)域或者高空與空氣充分混合,最終使得污染物得以稀釋,空氣質(zhì)量得到改善[31].

氣象因子:相對濕度(+0.2485)、邊界層高度(-0.2226).相對濕度驅(qū)動因子驅(qū)動力在整個時域上呈現(xiàn)“增-減-增-減-增”的變化趨勢,2007～2008年、2012～2013年和2016～2018年驅(qū)動力較大.邊界層高度驅(qū)動因子在2009～2011年驅(qū)動力最大,僅次于城市化因子.由于盆地內(nèi)地形和西南氣流的影響,云霧天氣頻發(fā),多陰雨,濕度較大,相對濕度相比其他自然因子,驅(qū)動力最大.而由于本研究對氣象因子統(tǒng)計時間跨度較長且時間尺度為年,與AOD有關(guān)的許多信息可能會被平滑或者掩蓋掉,自然因子驅(qū)動力相比社會經(jīng)濟(jì)因子較為混亂,且驅(qū)動力較小.

3 結(jié)論

3.1 2003～2018年,四川盆地AOD值總體呈下降趨勢,逐年月均值呈現(xiàn)“梯形”周期變化趨勢,季節(jié)性變化在整個時間域上存在差異性,年均值呈現(xiàn)“M”型變化趨勢,突變年為2015年.

3.2 四川盆地區(qū)域性污染特征明顯,AOD空間分布整體上表現(xiàn)為盆地中部低海拔地區(qū)為AOD高值區(qū),盆地邊緣高海拔地區(qū)為AOD低值區(qū)的特征.四川盆地大氣污染在2009～2011年達(dá)到頂峰,自2012年開始,盆地區(qū)域氣溶膠污染的情況有較大改善.

3.3 空間自相關(guān)分析結(jié)果表明,2003～2018年四川盆地AOD分布具有顯著的聚集性規(guī)律.高-高值聚集區(qū)主要分布在經(jīng)濟(jì)發(fā)達(dá)的盆地中部和南部城市群,低-低值聚集區(qū)主要分布在盆地邊緣.2007～2008年,高-高值聚集區(qū)明顯東移,其余時間段聚集區(qū)分布的基本格局變化較小.2012～2013年、2014～2015年和2016～2018年高-高值聚集區(qū)面積占比不斷減小,低-低值聚集區(qū)面積占比較大.

3.4 空間熱點(diǎn)探測分析結(jié)果表明,2003～2018年四川盆地AOD熱點(diǎn)聚集區(qū)分布呈現(xiàn)片狀和以成都、自貢為中心2種不同形式.

3.5 地理探測器分析結(jié)果表明, 2003～2018年四川盆地AOD的空間分異主要是由于城市化和工業(yè)化發(fā)展水平不均衡引起的.2014～2015年所有驅(qū)動因子的驅(qū)動力較之前時間段出現(xiàn)11.2%～59.2%的減少,其中SO2排放量、相對濕度和地區(qū)生產(chǎn)總值為減少最顯著的3個因子.

[1] 范 嬌,郭寶峰,何宏昌.基于MODIS數(shù)據(jù)的杭州地區(qū)氣溶膠光學(xué)厚度反演 [J]. 光學(xué)學(xué)報, 2015,35(1):1-9.

Fan J, Guo B F, He H C. Retrieval of aerosol optical thickness with MODIS data over Hangzhou [J]. Acta Optica Sinica, 2015,35(1):1-9.

[2] Paciorek C J, Liu Y, Moreno-Macias H, et al. Spatiotemporal associations between GOES aerosol optical depth retrievals and ground-level PM2.5.[J]. Environmental Science & Technology, 2008, 42(15):5800-5806.

[3] Xue Y, He X, Leeuw G D, et al. Long-time series aerosol optical depth retrieval from AVHRR data over land in North China and Central Europe [J]. Remote Sensing of Environment, 2017,198:471-489.

[4] Kaufman Y J, D Tanré, Boucher O . A satellite view of aerosols in the climate system [J]. Nature, 2002,419(6903):215-223.

[5] 呂 鑫.城市大氣氣溶膠時空變化特征的地基觀測實(shí)驗(yàn)與遙感分析 [D]. 徐州:中國礦業(yè)大學(xué), 2015.

LYu X. Analysis of spatio-temporal features of city aerosol based on ground observation experiments and satellite data [D]. Xuzhou: China University of Mining and Technology, 2015.

[6] Fang L, Yu T, Gu X, et al. Aerosol retrieval and atmospheric correction of HJ-1CCD data over Beijing [J]. Journal of Remote Sensing, 2013, 17(1):151-164.

[7] Chen J, Xin J, An J, et al. Observation of aerosol optical properties and particulate pollution at background station in the Pearl River Delta region [J]. Atmospheric Research, 2014,143:216-227.

[8] 陳慧忠.基于高時間分辨率MARGA數(shù)據(jù)分析珠三角地區(qū)氣溶膠的特征 [D]. 北京:中國氣象科學(xué)研究院, 2013.

Chen H Z. Analyses of the characteristics of aerosols in pearl River Delta based on the MARG data [D]. Beijing: Chinese Academy of Meteorological Sciences, 2013.

[9] 劉 狀,孫曦亮,劉 丹,等.2001～2017年中國北方省份氣溶膠光學(xué)厚度的時空特征 [J]. 環(huán)境科學(xué)學(xué)報, 2018,38(8):3177-3184.

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

[10] 王晨瑩,何沐全,陳軍輝,等.2006～2017年四川盆地MODIS氣溶膠光學(xué)厚度時空變化特征 [J]. 環(huán)境科學(xué)研究, 2020,33(1):54-62.

Wang X Y, He M Q, Chen J H, et al. Temporal and spatial variation characteristics of MODIS aerosol optical depth in Sichuan Basin from 2006 to 2017 [J]. Research of Environmental Sciences, 2020,33(1):54- 62.

[11] 艾 澤,陳權(quán)亮.四川地區(qū)氣溶膠光學(xué)厚度時空分布及其與氣象因子的相關(guān)性分析 [J]. 四川環(huán)境, 2019,38(4):79-86.

Ai Z, Chen Q L. Temporal and spatial distribution of aerosol optical depth in Sichuan and its correlation with meteorological factors [J]. Sichuan Environment, 2019,38(4):79-86.

[12] 張靜怡,盧曉寧,洪 佳,等.2000～2014年四川省氣溶膠時空格局及其驅(qū)動因子定量研究 [J]. 自然資源學(xué)報, 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 in Sichuan Province during 2000～2014 [J]. Journal of Natural Resources, 2016,31(9):1514-1525.

[13] Zhang X Y, Wang Y Q, Niu T, et al. Atmospheric aerosol compositions in China: spatial/temporal variability, chemical signature, regional haze distribution and comparisons with global aerosols [J]. Atmospheric Chemistry & Physics, 2012,12:779-799.

[14] 李曉靜,高 玲,張興贏,等.衛(wèi)星遙感監(jiān)測全球大氣氣溶膠光學(xué)厚度變化 [J]. 科技導(dǎo)報, 2015,33(17):30-40.

Li X J, Gao L, Zhang X Y, et al. Global change of aerosol optical depth based on satellite remote sensing data [J]. Science & Technology Review, 2015,33(17):30-40.

[15] Yi S, Jin L, Wang H. Vegetation changes along the Qinghai-Tibet Plateau engineering corridor since 2000 induced by climate change and human activities [J]. Remote Sensing, 2018,10(1):95-115.

[16] 王 華,郭陽潔,洪 松,等.區(qū)域氣溶膠光學(xué)厚度空間格局特征研究 [J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2013,38(7):869-874.

Wang H, Guo Y J, Hong S, et al. Spatial pattern characteristics of aerosol optical depth in a region based on spatial autocorrelation [J]. Geomatics and Information Science of Wuhan University, 2013,38(7): 869-874.

[17] 汪可可,康 平,周明衛(wèi),等.四川盆地臭氧濃度空間分異及驅(qū)動因子研究 [J]. 中國環(huán)境科學(xué), 2020,40(6):2361-2370.

Wang K K, Kang P, Zhou M W, et al. Spatial differentiation and driving factors of ozone concentration in Sichuan Basin [J]. China Environmental Science, 2020,40(6):2361-2370.

[18] Anselin L. Local indicators of spatial association—LISA [J]. Geographical Analysis, 2010,27(2):93-115.

[19] 林巧鶯,陳永山.我國城市冬季PM2.5空間特征及其人為影響因子 [J]. 生態(tài)與農(nóng)村環(huán)境學(xué)報, 2015,31(4):460-465.

Lin Q Y, Chen Y S. Spatial variation of PM2.5in cities in winter and anthropogenic influencing factors in China [J]. Journal of Ecology and Rural Environment, 2015,31(4):460-465.

[20] 周 磊,武建軍,賈瑞靜,等.京津冀PM2.5時空分布特征及其污染風(fēng)險因素 [J]. 環(huán)境科學(xué)研究, 2016,29(4):483-493.

Zhou L, Wu J J, Jia R J, et al. Investigation of temporal-spatial characteristics and underlying risk factors of PM2.5pollution in Beijing-Tianjin-Hebei Area [J]. Research of Environmental Sciences, 2016,29(4):483-493.

[21] 王勁峰,徐成東.地理探測器:原理與展望 [J]. 地理學(xué)報, 2017,72(1): 116-134.

Wang J F, Xu C D. Geodetector: Principle and prospective [J]. Acta Geographica Sinica, 2017,72(1):116-134.

[22] 黃小剛,邵天杰,趙景波,等.長江經(jīng)濟(jì)帶空氣質(zhì)量的時空分布特征及影響因素 [J]. 中國環(huán)境科學(xué), 2020,40(2):874-884.

Huang X G, Shao T J, Zhao J B, et al. Spatial-temporal distribution of air quality and its influencing factors in the Yangtze River economic belt [J]. China Environmental Science, 2020,40(2):874-884.

[23] 張 洋,劉志紅,于明洋,等.四川省氣溶膠光學(xué)厚度時空分布特征 [J]. 四川環(huán)境, 2014,33(3):48-53.

Zhang Y, Liu Z H, Yu M Y, et al. Temporal and spatial distribution characteristics of aerosol optical depth in Sichuan Province [J]. Sichuan Environment, 2014,33(3):48-53.

[24] 林 俊,劉 衛(wèi),李 燕,等.大氣氣溶膠粒徑分布特征與氣象條件的相關(guān)性分析 [J]. 氣象與環(huán)境學(xué)報, 2009,25(1):1-5.

Lin J, Liu W, Li Y, et al. Correlation analysis of atmospheric aerosol particle size distribution characteristics and meteorological conditions [J]. Journal of Meteorology and Environment, 2009,25(1):1-5.

[25] Thurston G D, Spengler J D. A quantitative assessment of source contributions to inhalable particulate matter pollution in metropolitan Boston [J]. Atmospheric Environment, 1987,19(1):9-25.

[26] 郭婉臻,張 飛,夏 楠,等.近十年中國陸地AOD時空分布及與城市化的關(guān)系研究 [J]. 環(huán)境科學(xué)學(xué)報, 2019,39(7):2339-2352.

Guo W Z, Zhang F, Xia N, et al. Spatio-temporal characteristics of aerosol optical depth and their relationship with urbanization over China's land in nearly a decade [J]. Acta Scientiae Circumstantiae, 2019,39(7):2339-2352.

[27] 陳春江.成渝城市群PM2.5污染的時空分布與治理研究 [D]. 重慶:重慶大學(xué), 2019.

Chen C J, Research on spatio-temporal differentiation and goverance of PM2.5pollution in Chengdu-Chongqing urban agglomeration [D]. Chongqing: Chongqing University, 2019.

[28] Hartman R, Kwon O S. Sustainable growth and the environmental Kuznets curve [J]. Journal of Economic Dynamics & Control, 2002, 29(10):1701-1736.

[29] 曹佳陽,樊 晉,羅 彬,等.川南四座城市PM2.5化學(xué)組分污染特征及其源解析 [J]. 環(huán)境化學(xué), 2021,40(2):559-570.

Cao J Y, Fan J, Luo B, et al. Pollution characteristics and source apportionment of PM2.5in four urban environment of Southern Sichuan [J]. Environment Chemistry, 2021,40(2):559-570.

[30] Grossman G M, Krueger A B. Environmental impacts of a north American free trade agreement [J]. CEPR Discussion Papers, 1992, 8(2):223-250.

[31] 宋連春,高 榮,李 瑩,等.1961～2012年中國冬半年霾日數(shù)的變化特征及氣候成因分析 [J]. 氣候變化研究進(jìn)展, 2013,9(5):313-318.

Song L, Gao R, Li Y, et al. Analysis of China's haze days in winter half year and climatic background during 1961～2012 [J]. Advances in Climate Change Research, 2013,9(5):313-318.

Spatial differentiation and driving factors of aerosol optical depth in Sichuan Basin from 2003 to 2018.

WANG An-yi1, KANG Ping1*, ZHANG Yang2, ZENG Sheng-lan1, ZHANG Xiao-ling1, SHI Juan3, LIU Zhi-hong2, XIANG Wei-guo1, WANG Ke-ke1, ZHANG Song-yu1, LU Jun-cen1

(1.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.College of Resource and Environment, Chengdu University of Information Technology, Chengdu 610225, China；3.Chengdu Meteorological Bureau, Chengdu 610072, China)., 2022,42(2)：528～538

In order to reveal the spatial distribution of aerosol optical depth (AOD) in Sichuan Basin and quantitatively evaluate the driving factors that affect its temporal and spatial differentiation, the geostatistical methods such as Mann-Kendall mutation test, spatial auto-correlation, spatial hot spot detection and geographical detector were used to analyze the data of MODIS aerosol products from 2003 to 2018. There was an overall decreased trend of AOD in Sichuan Basin from 2003 to 2018, and the mutation year was 2015. According to the variation trend, the 16years could be divided into six periods. The characteristics of aerosol regional pollution in Sichuan Basin were obvious. AOD high value areas were mainly concentrated in the middle of the basin, while AOD low value areas were mainly concentrated in the edge of the basin. A significant annual clustering pattern (spatial positive auto-correlation, Moran'swas greater than 0) of the distribution of AOD was showed in Sichuan Basin. The area of the high-high clustering areas had been decreased since 2012, and the variation of the annual clustering areas was consistent with the variation trend of AOD value in different periods. Eight factors were optimized by principal component analysis for geographic detector analysis. And the results showed that the spatial and temporal differentiation of AOD in the basin in the past 16years was mainly caused by the unbalanced development level of urbanization and industrialization. From 2014 to 2015, the driving force of all driving factors decreased 11.2%～59.2% compared with the previous period, which was consistent well with the conclusion that 2015 was a mutation year.

aerosol optical depth；Sichuan Basin；space auto-correlation；spatial hot spot detection；geographical detector

X511

A

1000-6923(2022)02-0528-11

王安怡(1998-),男,浙江省嘉興人,成都信息工程大學(xué)碩士研究生.主要從事大氣環(huán)境相關(guān)研究.

2021-06-28

成都市科技計劃項(xiàng)目(2019-YF05-00718-SN);國家自然科學(xué)基金資助項(xiàng)目(41771535);國家重點(diǎn)研發(fā)計劃(2018YFC0214001);四川省重大科技專項(xiàng)(2018SZDZX0023);四川省教育廳理科重點(diǎn)項(xiàng)目(18ZA0086)

* 責(zé)任作者, 講師, kangping@cuit.edu.cn