中国能源金三角NO2时空格局及其驱动因子

2022-04-24 09:21沈永林骆济豪马雨阳胡楚丽
中国环境科学 2022年4期
关键词:对流层第二产业产值

沈永林,骆济豪,马雨阳,姚 凌,胡楚丽*

中国能源金三角NO2时空格局及其驱动因子

沈永林1,2,骆济豪1,马雨阳2,姚 凌3,胡楚丽2*

(1.中国地质大学(武汉)国家地理信息系统工程技术研究中心,武汉 430074;2.中国地质大学(武汉)地理与信息工程学院,武汉 430074;3.中国科学院地理科学与资源研究所,资源与环境信息系统国家重点实验室,北京 100101)

利用臭氧监测仪(OMI)提供的大气污染监测数据,结合产业结构、汽车保有量、国家政策措施等,通过城乡NO2浓度差异的排放源分析方法提取能源金三角(EGT)地区2005~2019年对流层NO2垂直柱浓度时空变化特征并探讨影响区域大气NO2浓度驱动因素.结果表明,EGT煤炭化工源NO2浓度与第二产业产值增速的相关系数为0.71(<0.05),说明本文方法所提取的长时序煤炭化工源NO2浓度能有效地指示产业结构调整和政策措施变化.NO2浓度从2005~2011年的90.56molc/m2增加至2012~2015年的720.77molc/m2,再下降至2016~2019年的247.36molc/m2,反映EGT经济发展模式经历了从小规模、中污染的点模式逐步发展成大范围、重污染的粗放模式,再到大范围、低污染的精工模式.与京津冀、华中、长三角等地区相比,EGT交通和工业排放对城市源NO2污染贡献的变化特征进一步反映城镇化水平的发展和产业结构的优化.与OMI相比,高分辨率对流层观测仪(TROPOMI)能在短时序上提供丰富的影像细节信息,且随着观测时长的增加,有望增强长时序大气NO2污染的精准监测.

臭氧监测仪(OMI);能源金三角;对流层NO2垂直柱浓度;产业结构;空间分布

我国在2010年提出了以宁东、鄂尔多斯、榆林能源集中区为核心的“能源金三角”(EGT)概念[1],形成了大型能源化工基地.随着我国西部大开发战略的实施和国内能源需求急速增长,EGT地区能源开发、加工转化规模也逐步扩大,但随之而来的空气污染问题也日益突出[2-3].其中NO2作为大气污染的重要前置物,易对人体健康和生态系统构成不利影响[4].

遥感技术以其长时序、大范围和较高时空分辨率的优势,成为探测区域空气污染的重要手段.高分辨率的对流层观测仪(TROPOMI)能提供更为丰富的影像细节信息[5-6],但目前受限于观测时长无法进行长时序的监测.因此臭氧监测仪(OMI)仍是研究长时序大气NO2时空变化特征的主要传感器[7,8].现已有学者探讨了产业发展、能源结构、政策措施等因素对长时序对流层NO2时空变化特征的研究[9,10]. Lin等[11-13]通过相关性分析方法发现重大时间点的大型赛事活动、经济发展状况和环保政策都会对特定时期的NO2浓度造成剧烈影响.然而,上述研究主要关注于区域整体的大气NO2排放浓度变化,缺乏对大气NO2的特定排放源及其变化成因的深入探讨.

同时,为了能追踪区域大气NO2不同排放源的主导因素,Cui[14]等利用遥感手段,通过将大气NO2浓度减去由自然源主导区域特定背景值来分析人为源NO2排放.但该研究选取的特定背景值与目标研究区自然源NO2浓度存在较大的空间异质性,即所选自然源NO2浓度无法精准代替当地自然源排放.针对该问题,Wang[15]通过划分固定区域对应的有电厂城市区域、无电厂城市区域和农村区域,分析中国北部火电厂集中分布区域NO2浓度情况,但此研究缺乏区域传播、季节性排放等因素的综合考量。

尽管学者们对长时序对流层NO2时空分布特征开展了大量的研究,但利用遥感技术探讨传统资源型城市群NO2排放时空变化及驱动因素的研究仍有待深入.因此,本研究以2005~2019年OMI传感器反演的对流层NO2垂直柱浓度数据为基础,通过城乡NO2浓度差异的排放源方法分析EGT地区NO2时空变化特征,同时与长三角、华中、京津冀等地区的城市源NO2排放浓度作对比,探讨EGT地区经济结构、发展水平、国家政策等因素对城市源和煤炭化工源NO2时空变化的影响;结合EGT地区能源化工基地分布和数字高程信息对比高空间分辨率传感器TROPOMI和OMI的对流层NO2浓度数据产品在空间分布上的差异.

1 研究区及数据源

1.1 研究区概况

中国西北部的EGT地区,地处35°13′N~40°22′N, 104°36′E~111°27′E,以宁夏宁东、内蒙古鄂尔多斯、陕西榆林为核心,辐射周边陕西延安、甘肃庆阳、宁夏宁东、石嘴山、吴忠和中卫等城市的大型能源化工基地[16](图1).EGT作为全国能源化工资源丰富地区,包含全国4座大型煤电基地,化石能源储量达到20102亿吨标准煤,占全国的47.2%,同时是西电东送的重要基地[17].

图1 研究区示意

1.2 数据来源

本研究主要涉及卫星反演的大气NO2浓度、土地利用、数字高程信息、煤炭化工位置、地区生产总值、汽车保有量等数据.

OMI传感器NO2浓度:数据来源于搭载在太阳同步卫星EOS-Aura上的OMI传感器(https://disc. gsfc.nasa.gov).OMI于2004年12月开始提供对流层NO2柱浓度数据,空间分辨率可达0.125°,时间分辨率为1d.本实验选取2005~2019年OMI Level-3级产品中对流层NO2垂直柱浓度,单位为molec/m2.

TROPOMI传感器NO2浓度:TROPOMI传感器搭载于欧空局发射的哨兵-5P卫星上(https://s5phub. copernicus.eu),该传感器是目前世界上技术先进、高空间分辨率(分辨率:7km×3.5km)的大气监测光谱仪,并于2018年6月中旬开始对外发布卫星产品数据.本实验选取2018~2019年TROPOMI的对流层NO2垂直柱浓度产品,单位为mol/m2.

土地利用:采用NASA研制的MODIS卫星第六版产品MCD12Q1V6,其提供全球17种主要土地利用覆盖类型(https://modis.gsfc.nasa.gov).为区分建成区、农田等类型,本研究采用2005~2019年MODIS卫星Level-3级土地利用覆盖类型产品.

数字高程信息:来源于美国航天雷达地形测绘任务(SRTM,Shuttle Radar Topography Mission),该任务通过航天遥感方式对地球地表进行勘测.本研究选取SRTM空间分辨率为30m的DEM数据产品.

煤炭化工区域矢量:根据《能源“金三角”发展战略研究》[18]规划的煤炭资源分布、煤炭开发区分布和能源化工园区分布图制作EGT内的煤炭化工区域矢量数据.

地区生产总值和汽车保有量:根据国家统计局颁布的统计年鉴(http://www.stats.gov.cn/tjsj/ndsj/),统计研究区2004~2019年各地区第二产业产值和汽车保有量,并计算出2005~2019年的第二产业产值和汽车保有量增长率.

1.3 研究方法

结合NO2排放源在各月份的不同排放特点确定最优时间窗口,根据目标矢量图层占比提取城乡NO2浓度像元,最后通过城乡浓度差异的排放源分析方法剔除农村源NO2浓度来减轻自然源排放的影响,通过相关性分析重点关注产业结构、政策措施等因素对城市源和煤炭化工源NO2排放浓度变化.技术流程图见图2.

图2 技术流程示意

1.3.2 最优时间窗口的确定 为使区域农村源NO2排放浓度能近似代表自然源排放,需尽可能减小区域传播、季节供暖、秸秆焚烧等因素的影响.首先,对流层NO2因人类活动其浓度在冬季达到最大化[2],且生命周期较长;其次,受冬季大气传输条件加剧影响[19],使得区域监测得到的NO2浓度并不能完全代表当地排放量.再次,季节性供暖造成人类主要活动区域的NO2排放量保持较高浓度,加剧了区域性浓度值偏差.最后,秋冬季节农村区域的秸秆焚烧也会造成大量排放[11].为了尽可能减弱上述不利因素的影响,根据农村区域火点数量和地区日均温度数据信息进行筛选,2005~2019年研究区内农村区域各月份平均火点数量和日均温度显示,从10月至次年3月,地区日均最高和最低气温均处于较低水平,且也是农村地区火点频繁的时段,因此该时段农村区域的人为源NO2排放所占比重较大,同时季节性供暖和气象条件也有利于大气NO2的区域间传播.为避免上述人为活动对背景值的影响,本研究将最优时间窗口选为4~9月.

1.3.3 城乡NO2浓度像元的空间提取 由于OMI传感器对流层NO2浓度产品和MODIS土地利用数据产品的空间分辨率差异性较大,直接通过土地利用矢量数据提取地区NO2浓度易受混合像元的影响,提取的地区浓度将不具有代表性,难以实现区分不同NO2排放源的目的.为此本研究以单个像元中土地利用数据在对流层NO2浓度数据的面积占比作为衡量依据,同时结合本研究区域分布特征和已有的实验研究方案[20-23],最后在OMI数据上只提取占据目标矢量图层70%以上的NO2浓度像元,以减小混合像元问题带来的误差影响.

根据2005~2019年MODIS传感器的土地利用数据产品和EGT的能源化工基地规划布局提取各地区符合要求的城市、农村和煤炭化工区域矢量(图1).然后利用预处理后的NO2浓度数据和各矢量数据进行裁剪,分别计算研究区内2005~2019年城市源、农村源和煤炭化工源NO2浓度值.此外,还获取了2005~2019年京津冀、华中、长三角典型地区的城市源NO2浓度值,并对各地区城市源NO2浓度值采用Z-score标准化,标准化后的数据有利于对不同量级的城市源NO2浓度进行对比分析,以突显城市群之间大气污染排放变化趋势的差异性.

式中:是原始数据,为样本数,是样本均值,为样本标准差.

2 结果与讨论

2.1 EGT城乡NO2浓度差异反映产业结构调整

由地区统计年鉴发现,EGT地区利用资源优势大力发展煤炭、化工、能源产业,使得历年第二产业产值在地区生产总值中占比高达50%以上.地区第二产值与大气NO2浓度具有相关性[10,12,24].因此本研究以第二产业产值增速作为衡量EGT产业结构调整的主要指标.从图3可知,2005~2019年期间EGT NO2浓度值和第二产业产值变化率呈先上升后下降的趋势,其中第二产业产值变化率与城市源NO2浓度呈显著相关(<0.05,2=0.44),与煤炭化工源NO2浓呈显著相关(<0.05,2=0.71),EGT产业结构与煤炭化工源NO2浓度值更具线性正相关关系,说明产业结构的调整对煤炭化工源NO2浓度影响更大.根据2005~2019年EGT地区经济发展状况和国家颁布的3个“五年计划”将时间大致划分为3个时期对大气NO2浓度和产业结构进行分析研究:(1)第1时期(2005~2011年);(2)第2时期(2012~2015年);(3)第3时期(2016~2019年).

图3 2005~2019年EGT大气NO2浓度与产业结构变化

我国能源需求在第1时期呈现前所未有的快速增长态势[25],使得EGT地区空气污染问题也日益严重,但受2008年北京奥运会和经济危机等事件的双重影响,2009年空气污染问题得到暂时的缓解.在2005~2011年期间,城市、煤炭化工源NO2浓度值一直呈现上升的趋势,2011年EGT煤炭化工源NO2浓度值高达720.77molec/m2,相比于2005年上升了695.94%,城市源NO2浓度值为511.9molec/m2,相比于2005年上升了133.97%.煤炭化工源NO2浓度值相较于城市源有明显的增长,并在2010首次超过城市源,在2011年城市源和煤炭化工源的NO2浓度差异值达到最大.同时,同期第二产业产值增速也在快速增加,平均增速在26.73%,其中2011年增速高达31.701%,增速仅次于金融危机前的2008年.其中2008年因北京奥运会的环境管控政策,重污染产业发展受到了阻碍,大气污染情况短期内得到暂时改善.而2009年受金融危机冲击影响,国家经济增速明显放缓,导致原材料过剩,煤炭能源产品需求显著下降[13].因此在北京奥运会和金融危机的双重影响下,NO2浓度值和第二产业产值增长率发生了明显的下降.2010年国家政府颁布政策措施开始重点建设EGT地区,使得EGT充分利用地区资源优势发展经济,这部分解释了2010年后EGT NO2浓度值急剧上升和第二产业产值增速提高,尤其体现在煤炭化工源NO2浓度值上.虽然该时期EGT的经济发展受北京奥运会和经济危机影响受到了一定的阻碍,但是地区依靠自身地区能源、煤炭等资源优势,大力发展第二产业以此来快速提高经济恢复速度,可随之而来的大气污染问题也日趋严重.

第2时期中国经济增长速度放缓,同时国家政府针对大气污染问题颁布了一系列节能减排措施、规范和政策[27].在此期间EGT城市、煤炭化工源NO2浓度值和第二产业增值增速急剧下降,2015年EGT煤炭化工源NO2浓度值为253.69molec/m2,相比2011年下降了64.8%,城市源NO2浓度值为231.67molec/m2,相比2011年下降了54.74%,同时第二产业产值增速也下降了122.9%,2015年甚至出现了负增长.该时期国家政府颁布的大气污染防治措施包括严格控制NO排放和主要重工业产业安装氮氧化物过滤装置等[28],因此2011~2015年期间EGT地区NO2排放浓度降低,第二产业产值增速也得到了抑制.随着第二产业产值增速的降低,EGT煤炭化工源NO2浓度值相比于城市源下降的更快,表明煤炭化工源比城市源更易受产业结构调整的影响.说明在大气污染防治和管控的政策措施下,依赖高耗能、重污染的传统煤炭、化工等产业大力发展地区经济的方法模式不再适用,因此EGT急需改善产业结构、转变经济发展模式.

国家在第3时期开展了推动现代化煤化工业升级、优化产业结构性能和倡导提高能源系统效率等工作[29],在国家严控污染、提倡绿色发展的环境下,以高污染传统煤炭、化工等第二产业为主的EGT转变发展模式.因此EGT自2016年开始第二产业产值增长率开始以小幅度增速波动上升,但是城市源和煤炭化工源NO2浓度值整体无较大波动,表明政策上的调整工作使得EGT的发展模式在逐步提高经济效益的同时注重节能减排.2019年EGT城市、煤炭化工源NO2浓度值分别为247.36和215.53molec/m2,增幅仅为37.02%和14.43%,相比于其他时期增幅不明显,而第二产业产值从负增长回归正增长,增幅高达143.41%.以煤炭、化工、资源行业为主的第二产业得到重新发展,但EGT地区NO2浓度不仅没有大幅提升,并且煤炭化工源NO2浓度增幅甚至小于城市源,说明在“十三五”期间实施的产业升级调整政策措施效果卓越,使EGT的煤化工业等产业得到了升级、产业结构得到了优化、能源利用效率得到了提高,使得在稳步发展经济的同时保护环境.

2.2 NO2浓度反映EGT产业结构空间布局

从图4可以看出,NO2垂直柱浓度高值分布较为集中、差异性明显,主要集中以鄂尔多斯、榆林和宁东为主的城市,并辐射周围地区城市.2005~2010年期间(图4a~f)NO2浓度空间分布整体呈现小范围、中浓度的趋势,但期间NO2高值区浓度不断提升、覆盖范围不断扩大.高值区从人类活动较为频繁的鄂尔多斯北部、东北部和宁东北部的城市区域向能源富足、产业集中的鄂尔多斯东部、榆林北部和宁东中部地区的煤炭化工区转移并向四周不断辐射扩散,其中鄂尔多斯高值区和榆林高值区逐渐连成面状.结合城市、煤炭化工矢量分布图和期间第二产业产值增速可看出,该时期EGT地区NO2排放量还是由城市源主导,煤炭化工产业发展规模较小,煤炭化工源NO2排放量不占据主体,但是随着国家对工业和能源需求的不断发展和增加[12],第二产业产值增速逐渐提高,NO2主要排放源从居民生活活动逐渐向资源开采、工业制造等产业转换,此时NO2浓度空间分布仍处于小范围、中污染的点模式.

2011~2014期间(图4g~j),EGT地区NO2浓度空间分布整体呈现大范围、高浓度的特征,在2011年大气NO2浓度达到峰值且高浓度值区覆盖最广,随后NO2浓度值开始逐渐降低,但仍保持大范围、高浓度趋势.2011~2012年受政策影响后[1],EGT的煤炭、化工业等第二产业得到进一步发展,但是随之带来的大气污染使得环境问题更加严重,NO2高浓度覆盖面积不断扩大.EGT发展模式已经成了大范围、重污染的粗放模式.随着国家对环境问题的不断重视[26],大气污染加重的趋势得到了控制,EGT地区NO2排放浓度和第二产业产值增速开始不断下降,此时重污染、粗放式的经济模式不再适用,开始向新的发展模式转变.

相较于第1时期的小范围、中浓度和第2时期的大范围、高浓度,2015~2019年期间(图4k~o)的NO2浓度分布整体则呈现大范围、低浓度的特点.为响应国家优化产能、绿色发展等政策措施的号召[28],EGT实行了现代化煤化工业升级、优化产业结构性能和倡导提高能源系统效率等工作.第二产业产值增速得到逐步提高且大气NO2依旧保持着大范围的空间分布,但NO2排放浓度却维持了低值,侧面说明EGT虽然扩大了第二产业的发展规模,但是控制了能源开发、产业发展带来的大气污染问题.从而表明EGT逐步摆脱高耗能、低产出、重污染的能源魔咒,转向了能源节约、环境绿色、效率高效的精工模式,使得地区利用自身资源优势重点发展经济的同时兼顾环境保护,实现了以效率、绿色、持续为目标的经济增长和社会可持续的发展道路.

图4 2005~2019年EGT地区NO2浓度空间分布

(a)~(o)分别为2005~2019年

2.3 地区城市源NO2浓度值变化对比

城市源NO2浓度主要受交通和工业排放影响[29],因此以2005~2019年能源金三角、京津冀、华中、长三角等地区汽车保有量和第二产业产值的平均变化率来说明城市源NO2浓度值波动的影响因素(图5).

由图5可知,初期EGT地区城市化水平相较于其他发达城市群有较大的发展空间[34],地区交通系统和工业体系规模较小但处于高速发展的阶段,产业结构向第二产业偏移,EGT交通和工业排放对城市源NO2浓度贡献突出.随着城市化进程的不断发展和产业结构的逐步优化,EGT交通和工业排放对城市源NO2浓度贡献减弱.在2005~2008年期间,相较于其他城市群EGT地区标准化的城市源NO2排放浓度虽然处于低水平阶段,但是同比增速明显,同时汽车保有量和第二产业产值保持着高增速的态势,说明此时交通和工业排放都对EGT城市源NO2浓度起着重要影响.而在经济危机和北京奥运会的影响下,2009年各地区的第二产业产值增速急剧下降,但EGT城市源NO2浓度不降反升,且地区汽车保有量增速也保持着明显上升的趋势,说明该时期交通排放贡献对EGT城市源NO2浓度变化的贡献更明显.受“十三五”优化产业结构、环境保护和提倡新能源汽车等政策措施影响[29],自2016年起各地区的第二产业产值增速开始慢慢恢复上升且趋于平缓,并且汽车保有量增速虽然保持着下降的趋势但是总体上来看汽车保有量仍然是属于正增长,但城市源NO2浓度仍然保持着下降的趋势,说明该阶段城镇化水平得到了进一步发展,但是产业结构的优化和绿色环保政策的颁布使交通和工业排放对城市源NO2浓度的贡献有一定程度的减弱.

2.4 TROPOMI与OMI NO2浓度空间分布对比

从图6可知,OMI和TROPOMI传感器提供的2018~2019年对流层NO2浓度产品在空间分布特征上大体一致,均显示NO2浓度高值区主要分布于EGT东北部和中西部地区.但相比于OMI传感器,高分辨率TROPOMI的NO2浓度产品能结合城市、煤炭化工的空间分布信息在一定程度上定位排放源中心,从而在空间分布上确定NO2气体排放来源.从图6a可知,在鄂尔多斯、银川、和石嘴山等部分地区NO2排放浓度较高,同时结合图中城市、煤炭化工矢量分布发现,鄂尔多斯北部、银川中部和石嘴山中部地区主要是城市分布区域,且距离煤炭化工产业园区距离较远,说明该区域的大气NO2浓度热点主要是城市源主导;而银川中西部、榆林北部、鄂尔多斯东部和西部地区主要是煤炭化工产业分布,距离城市区域较远,说明该区域的大气NO2浓度热点主要由煤炭化工源主导.

此外,高分辨率的TROPOMI能更清楚地反映NO2浓度空间分布与地形地势的相关性.大气NO2受地形地势的影响,会向地势低洼且平坦地区扩散,造成NO2空间聚集形成浓度高值区[30].鄂尔多斯高原与北部阴山、西部贺兰山之间的西套平原和吕梁山脉的山谷地区地势低洼,造成鄂尔多斯西部、中卫北部、庆阳中部、榆林中部和中北部部分区域存在与地形地势走向相关的NO2空间聚集现象.上述区域地形特征均为地势低矮的山谷或山脊底部,虽然区域内并无明显NO2排放来源,但是地势高耸山脉两侧的山坡和山顶存在明显的NO2浓度排放热点,排放热点区域的大气NO2气体从地势高耸向地势低洼方向进行空间大气传输并滞留,最终造成大气NO2浓度的空间分布特征呈现与地形地势相关的走势.结果表明,地形因素和人为污染排放源是导致该地区NO2浓度聚集的主要原因.

图6 2018~2019年不同传感器NO2浓度比对

(a)TROPOMI;(b) OMI

从上述分析可得,OMI传感器虽然能提供长时序的对流层NO2数据产品,但是数据表达的空间信息有限,而高分辨率TROPOMI弥补了中低空间分辨率传感器的缺陷,为研究者提供更丰富的空间细节信息,这不仅能在空间分布上区分不同NO2排放源,还能更清楚的反映地形地势对NO2浓度聚集的影响.目前高分辨率TROPOMI传感器受观测时长的限制,仍无法实现长时序的对流层NO2污染气体监测.但随着传感器观测时间的增加,拥有丰富影像细节信息的高分辨率TROPOMI数据产品能为长时序的大气污染气体精准监测提供可能,从而使决策者制定更完备、细致的污染管控措施,实现绿色环保、节能减排、可持续性的发展.

3 结论

3.1 通过NO2城乡浓度差异的排放源分析方法提取的长时序城市源和煤炭化工源NO2浓度反映了EGT产业结构的调整和国家政策措施的变化,并以第二产业产值增速作为衡量EGT产业结构调整的主要指标,发现产业结构的调整对煤炭化工源NO2浓度影响更大.

3.2 2005~2019年EGT对流层NO2柱浓度的时间序列变化和空间分布特征体现了地区经济发展模式的更迭.即第1时期依靠传统资源优势形成小规模、中污染的点模式,再经过不断扩大资源产业逐步发展成第2时期大范围、重污染的粗放模式,最后通过绿色发展方式逐步形成第3时期大范围、低污染的精工模式.

3.3 与京津冀、华中、长三角地区相比,初期城镇化水平较低的EGT交通和工业排放对纯净城市源NO2浓度变化的贡献更突出.但随着城镇化发展和产业结构优化,EGT交通和工业排放对纯净城市源NO2浓度变化的贡献开始减弱.

3.4 TROPOMI传感器在空间分辨率上远超OMI,不仅有利于区分不同NO2排放源,而且能更清楚地反映地形地势对NO2浓度聚集的影响.随着观测时间的增加,TROPOMI提供长时序、高分辨率的NO2浓度产品可支持决策者制定完备、细致的污染管控措施.

[1] 常瑞芬.基于人工神经网络的宁东大气污染物浓度预测研究[D]. 银川:宁夏大学, 2013.

Chang R F. Prediction and study of atmospheric pollutant concentration in Ningdong based on artificial neural network [D]. Yinchuan: Ningxia University, 2013.

[2] Zhang Q, Streets D G, Carmichael G R, et al. Asian emissions in 2006 for the NASA INTEX-B mission [J]. Atmospheric Chemistry and Physics, 2009,9(173):5131-5153.

[3] Zhao C, Wang Y. Assimilated inversion of NOemissions over east Asia using OMI NO2column measurements [J]. Geophysical Research Letters, 2009,36(6):L06805.

[4] Russell A R, Valin L C, Cohen R C. Trends in OMI NO2observations over the United States: effects of emission control technology and the economic recession [J]. Atmospheric Chemistry and Physics, 2012,12 (292):12197-12209.

[5] 符传博,唐家翔,丹利,等.基于卫星遥感的海南地区对流层NO2长期变化及成因分析[J]. 环境科学学报, 2016,36(4):1402-1410.

Fu C B, Tang J X, Dan L, et al. Satellite-based long-term trends analysis in troposphere NO2over Hainan Island and its possible reason [J]. Acta Scientiae Circumstantiae, 2016,36(4):1402-1410.

[6] Griffin D, Zhao X, Mclinden C A, et al. High-resolution mapping of nitrogen dioxide with TROPOMI: First results and validation over the Canadian oil sands [J]. Geophysical Research Letters, 2018:1049- 1060.

[7] Lorente A, Boersma K F, Eskes H J, et al. Quantification of nitrogen oxides emissions from build-up of pollution over Paris with TROPOMI [J]. Scientific reports, 2019,9(1):1-10.

[8] Mijling B, van der A R J, Boersma K F, et al. Reductions of NO2detected from space during the 2008 Beijing Olympic Games [J]. Geophysical Research Letters, 2009,36(13):L13801.

[9] Shen Y J, Zhang X D, Brook J R, et al. Satellite remote sensing of air quality in the Energy Golden Triangle in Northwest China [J]. Environmental Science & Technology Letters, 2016,3(7):275-279.

[10] 周春艳,厉 青,王中挺,等.2005年~2014年京津冀对流层NO2柱浓度时空变化及影响因素[J]. 遥感学报, 2016,20(3):468-480.

Zhou C Y, Li Q, Wang Z T, et al. Spatio-temporal trend and changing factors of tropospheric NO2column density in Beijing-Tianjin-Hebei region from 2005 to 2014 [J]. Journal of Remote Sensing, 2016,20(3): 468–480.

[11] 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.

[12] Lin J T, Michael B M. Detection from space of a reduction in anthropogenic emissions of nitrogen oxides during the Chinese economic downturn [J]. Atmospheric Chemistry and Physics, 2011, 11(237):193.

[13] Lin J T, Chris P N, Zhao Y, et al. Recent changes in particulate air pollution over China observed from space and the ground: effectiveness of emission control [J]. Environmental Science & Technology, 2010,44(20):7771-7776.

[14] Ling Zaili, Huang Tao, Zhao yuan, et al. OMI-measured increasing SO2emissions due to energy industry expansion and relocation in Northwestern China [J]. Atmospheric Chemistry and Physics, 2017,17(14):9115-9131.

[15] Cui Y, Lin J, Song C, et al. Rapid growth in nitrogen dioxide pollution over Western China, 2005~2013 [J]. Atmospheric Chemistry and Physics, 2016,16(10):6207-6221.

[16] Wang S, Streets D G, Zhang Q, et al. Satellite detection and model verification of NOemissions from power plants in Northern China [J]. Environmental Research Letters, 2010,5(4):044007.

[17] 能源“金三角”发展战略研究[J]. 中国工程科学, 2015,17(9):18-28.

Research on the development strategy of energy “Golden Triangle” [J]. Strategic Study of CAE, 2015,17(9):18-28.

[18] Martín JBJ, Bradford B N, Kennedy H G. Global estimates of gaseous emissions of NH3, NO and NO2from agricultural land [R]. Global Estimates of Gaseous Emissions of Nh, 2001.

[19] 王利民,刘 佳,姚保民,等.综合NDVI时序特征的冬小麦混合像元分解及面积估算 [J]. 中国农学通报, 2019,35(27):23-33.

Wang L M, Liu J, Yao B M, et al. Winter Wheat Mixed Pixel Decomposition Based on NDVI Time-order Characters and Area Estimation [J]. Chinese Agricultural Science Bulletin, 2019,35(27): 23-33.

[20] Shen Y L, Di L P, Yu G N, et al. Correlation Between Corn Progress Stages and Fractal Dimension From MODIS-NDVI Time Series [J]. IEEE Geoscience. Remote Sensing Letter, 2013,10(5):1065-1069.

[21] 景元书,李 根,黄文江.基于相似性分析及线性光谱混合模型的双季稻面积估算 [J]. 农业工程学报, 2013,29(2):177-183.

Jing Y S, Li G, Huang W J. Estimation of double cropping rice planting area using similar index and linear spectral mixture model [J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(2):177-183.

[22] 高晋徽,朱 彬,王言哲,等.2005~2013年中国地区对流层二氧化氮分布及变化趋势 [J]. 中国环境科学, 2015,35(8):2307-2318.

Gao J H, Zhu B, Wang Y Z. Distribution and variation trend of tropospheric nitrogen dioxide in China from 2005 to 2013 [J]. China Environmental Science, 2015,35(8):2307-2318.

[23] 何宏庆.陕甘宁蒙“金三角”能源产业低碳化发展战略选择[J]. 甘肃社会科学, 2014,(5):217-220.

He H Q. The choice of low-carbon development strategy for the "Golden Triangle" energy industry in Shaanxi, Gansu, Ningxia and Inner Mongolia [J]. Gansu Social Sciences, 2014,(5):217-220.

[24] Arani M H, Jaafarzadeh N, Moslemzadeh M, et al. Environment impact; Investigators from Northeastern University report new data on environmental impact assessment of Multi-air Emissions: Case of particulate matter (dust), SO2, NOand CO2from ioron and steel industry of China [J]. Ecology Environment & Conservation, 2019: 105-134.

[25] Wang S X, Hao J M. Air quality management in China: Issues, challenges, and options [J]. Journal of Environmental Sciences, 2012,24(1):2-13.

[26] 中华人民共和国生态环境部.火电厂大气污染物排放标准[Z]. 2012.

Ministry of Ecology and Environment of the People's Republic of China. Emission standard of air pollutants for thermal power plants [Z]. 2012.

[27] Liu F, Zhang Q, van der A R J, et al. Recent reduction in NOemissions over China: synthesis of satellite observations and emission inventories [J]. Environmental Research Letters, 2016,11(11):114002.

[28] 凌再莉.我国能源与资源产业西移及产品东输对西北地区SO2排放和空气质量的影响[D]. 兰州:兰州大学, 2018.

Ling Z L. Impacts of relocation, development, and west-east transmission of energy and resource industry in western China on SO2emission and contamination in Northwestern, China [D]. Lanzhou University, 2018.

[29] 张 杰,李 昂,谢品华,等.基于卫星数据研究兰州市NO2时空分布特征以及冬季NO排放通量 [J]. 中国环境科学, 2015,35(8):2291- 2297.

Zhang J, Li A, Xie P H, et al. Based on satellite data, the spatial-temporal distribution characteristics of NO2and NOemission flux in Lanzhou city in winter [J]. China Environmental Science, 2015,35(8):2291-2297.

[30] 周春艳,厉 青,何颖霞,王中挺.山东省近10年对流层NO2柱浓度时空变化及影响因素 [J]. 中国环境科学, 2015,35(8):2281-2290.

Zhou C Y, Li Q, He Y X, et al. Temporal and spatial variation of tropospheric NO2column concentration and its influencing factors in Shandong Province in recent 10 years [J]. China Environmental Science, 2015,35(8):2281-2290.

致谢:感谢中国矿业大学环境与测绘学院秦凯教授提供2005~2019年的OMI对流层NO2垂直柱浓度数据.

Spatiotemporal patterns and driving forces of NO2concentrations from different emission sources in the energy golden triangle of China.

SHEN Yong-lin1,2, LUO Ji-hao1, Ma Yu-yang2, YAO Ling3, HU Chu-li2*

(1.National Engineering Research Center of Geographic Information System, China University of Geosciences, Wuhan 430074, China;2.School of Geography and Information Engineering, China University of Geosciences, Wuhan 430074, China;3.State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China)., 2022,42(4):1585~1593

In order to understand the air pollution caused by the utilization of EGT resources and development, the air monitoring data were derived from OMI (ozone monitoring instrument) sensor, combined with data of industrial structure, vehicle ownership, national policies and measures, etc. The spatial and temporal characteristics of tropospheric NO2vertical column concentration in the EGT region from 2005 to 2019 were extracted by using the emission source analysis method of urban and rural NO2concentration differences, and the driving factors affecting the regional atmospheric NO2concentration were analyzed and discussed. Finally, comparing the spatial characteristics of TROPOMI (tropospheric monitoring instrument) with OMI NO2products, the results show that The correlation coefficient between NO2concentration of EGT coal chemical source and output value growth of the secondary industry was 0.71 (<0.05), indicating that the NO2concentration of long-term urban source and coal chemical source extracted by this method can effectively reflect the adjustment of regional industrial structure and changes in national policies and measures. The NO2concentration increased from 90.56molec/m2in 2005~2011 to 720.77molec/m2in 2012~2015, and then decreased to 247.36molec/m2in 2016~2019. The spatial-temporal variations of NO2illustrate that the economic development model in the EGT has gradually evolved from a small-scale and moderate-polluting scattered model to a large-scale, heavy-polluting extensive model, and then to a large-scale, light-polluting fine model. Compared with the Beijing-Tianjin-Hebei Urban Agglomeration, the Central of China, and the Yangtze River Delta region, the changing characteristics of the contribution of traffic and industrial emissions to urban source NO2pollution in the EGT further reflect the development of urbanization and the optimization of industrial structure. In comparison with OMI, it can be found that TROPOMI provides rich and detailed image information in a short time series, and as the observation time increases, it can provide long time series and precise atmospheric NO2pollution monitoring.

ozone monitoring instrument (OMI);energy golden triangle;tropospheric NO2vertical column concentration;industrial structure;spatial distribution

X511

文章编号:1000-6923(2022)04-1585-09

沈永林(1983-),男,湖北钟祥人,副教授,博士,研究方向为大气环境遥感监测及应用.发表论文50余篇.

2021-09-19

国家重点研发计划重点专项(2020YFB2103403);资源与环境信息系统国家重点实验室开放基金;南方海洋科学与工程广东省实验室(广州)人才团队引进重大专项(GML2019ZD0301);自然资源部地理国情监测重点实验室(2022NGCM05)

*责任作者, 副教授, andyhuli@tom.com

猜你喜欢
对流层第二产业产值
6口塘出虾43000斤!产值超100万元,“万亩虾塘”的成功密匙你了解了吗?
郴州地区对流层顶气候概况
2020年阿根廷大豆产值将达205亿美元
“一米菜园”有颜值更有产值
陇南地区对流层顶气象特征研究
在长江经济带战略背景下安徽省沿江城市带第二产业经济转型与产业升级的研究
我国第三产业发展研究
我国第三产业发展研究
实时干涉测量中对流层延迟与钟差精修正建模
生产性服务业与第二产业之间的互动机制