中國能源金三角NO2時空格局及其驅動因子

沈永林,駱濟豪,馬雨陽,姚 凌,胡楚麗*

中國能源金三角NO2時空格局及其驅動因子

沈永林1,2,駱濟豪1,馬雨陽2,姚 凌3,胡楚麗2*

(1.中國地質大學(武漢)國家地理信息系統工程技術研究中心,武漢 430074；2.中國地質大學(武漢)地理與信息工程學院,武漢 430074；3.中國科學院地理科學與資源研究所,資源與環境信息系統國家重點實驗室,北京 100101)

利用臭氧監測儀(OMI)提供的大氣污染監測數據,結合產業結構、汽車保有量、國家政策措施等,通過城鄉NO2濃度差異的排放源分析方法提取能源金三角(EGT)地區2005～2019年對流層NO2垂直柱濃度時空變化特征并探討影響區域大氣NO2濃度驅動因素.結果表明,EGT煤炭化工源NO2濃度與第二產業產值增速的相關系數為0.71(<0.05),說明本文方法所提取的長時序煤炭化工源NO2濃度能有效地指示產業結構調整和政策措施變化.NO2濃度從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經濟發展模式經歷了從小規模、中污染的點模式逐步發展成大范圍、重污染的粗放模式,再到大范圍、低污染的精工模式.與京津冀、華中、長三角等地區相比,EGT交通和工業排放對城市源NO2污染貢獻的變化特征進一步反映城鎮化水平的發展和產業結構的優化.與OMI相比,高分辨率對流層觀測儀(TROPOMI)能在短時序上提供豐富的影像細節信息,且隨著觀測時長的增加,有望增強長時序大氣NO2污染的精準監測.

臭氧監測儀(OMI)；能源金三角；對流層NO2垂直柱濃度；產業結構；空間分布

我國在2010年提出了以寧東、鄂爾多斯、榆林能源集中區為核心的“能源金三角”(EGT)概念[1],形成了大型能源化工基地.隨著我國西部大開發戰略的實施和國內能源需求急速增長,EGT地區能源開發、加工轉化規模也逐步擴大,但隨之而來的空氣污染問題也日益突出[2-3].其中NO2作為大氣污染的重要前置物,易對人體健康和生態系統構成不利影響[4].

遙感技術以其長時序、大范圍和較高時空分辨率的優勢,成為探測區域空氣污染的重要手段.高分辨率的對流層觀測儀(TROPOMI)能提供更為豐富的影像細節信息[5-6],但目前受限于觀測時長無法進行長時序的監測.因此臭氧監測儀(OMI)仍是研究長時序大氣NO2時空變化特征的主要傳感器[7,8].現已有學者探討了產業發展、能源結構、政策措施等因素對長時序對流層NO2時空變化特征的研究[9,10]. Lin等[11-13]通過相關性分析方法發現重大時間點的大型賽事活動、經濟發展狀況和環保政策都會對特定時期的NO2濃度造成劇烈影響.然而,上述研究主要關注于區域整體的大氣NO2排放濃度變化,缺乏對大氣NO2的特定排放源及其變化成因的深入探討.

同時,為了能追蹤區域大氣NO2不同排放源的主導因素,Cui[14]等利用遙感手段,通過將大氣NO2濃度減去由自然源主導區域特定背景值來分析人為源NO2排放.但該研究選取的特定背景值與目標研究區自然源NO2濃度存在較大的空間異質性,即所選自然源NO2濃度無法精準代替當地自然源排放.針對該問題,Wang[15]通過劃分固定區域對應的有電廠城市區域、無電廠城市區域和農村區域,分析中國北部火電廠集中分布區域NO2濃度情況,但此研究缺乏區域傳播、季節性排放等因素的綜合考量。

盡管學者們對長時序對流層NO2時空分布特征開展了大量的研究,但利用遙感技術探討傳統資源型城市群NO2排放時空變化及驅動因素的研究仍有待深入.因此,本研究以2005～2019年OMI傳感器反演的對流層NO2垂直柱濃度數據為基礎,通過城鄉NO2濃度差異的排放源方法分析EGT地區NO2時空變化特征,同時與長三角、華中、京津冀等地區的城市源NO2排放濃度作對比,探討EGT地區經濟結構、發展水平、國家政策等因素對城市源和煤炭化工源NO2時空變化的影響;結合EGT地區能源化工基地分布和數字高程信息對比高空間分辨率傳感器TROPOMI和OMI的對流層NO2濃度數據產品在空間分布上的差異.

1 研究區及數據源

1.1 研究區概況

中國西北部的EGT地區,地處35°13′N～40°22′N, 104°36′E～111°27′E,以寧夏寧東、內蒙古鄂爾多斯、陜西榆林為核心,輻射周邊陜西延安、甘肅慶陽、寧夏寧東、石嘴山、吳忠和中衛等城市的大型能源化工基地[16](圖1).EGT作為全國能源化工資源豐富地區,包含全國4座大型煤電基地,化石能源儲量達到20102億噸標準煤,占全國的47.2%,同時是西電東送的重要基地[17].

圖1 研究區示意

1.2 數據來源

本研究主要涉及衛星反演的大氣NO2濃度、土地利用、數字高程信息、煤炭化工位置、地區生產總值、汽車保有量等數據.

OMI傳感器NO2濃度:數據來源于搭載在太陽同步衛星EOS-Aura上的OMI傳感器(https://disc. gsfc.nasa.gov).OMI于2004年12月開始提供對流層NO2柱濃度數據,空間分辨率可達0.125°,時間分辨率為1d.本實驗選取2005～2019年OMI Level-3級產品中對流層NO2垂直柱濃度,單位為molec/m2.

TROPOMI傳感器NO2濃度:TROPOMI傳感器搭載于歐空局發射的哨兵-5P衛星上(https://s5phub. copernicus.eu),該傳感器是目前世界上技術先進、高空間分辨率(分辨率:7km×3.5km)的大氣監測光譜儀,并于2018年6月中旬開始對外發布衛星產品數據.本實驗選取2018～2019年TROPOMI的對流層NO2垂直柱濃度產品,單位為mol/m2.

土地利用:采用NASA研制的MODIS衛星第六版產品MCD12Q1V6,其提供全球17種主要土地利用覆蓋類型(https://modis.gsfc.nasa.gov).為區分建成區、農田等類型,本研究采用2005～2019年MODIS衛星Level-3級土地利用覆蓋類型產品.

數字高程信息:來源于美國航天雷達地形測繪任務(SRTM,Shuttle Radar Topography Mission),該任務通過航天遙感方式對地球地表進行勘測.本研究選取SRTM空間分辨率為30m的DEM數據產品.

煤炭化工區域矢量:根據《能源“金三角”發展戰略研究》[18]規劃的煤炭資源分布、煤炭開發區分布和能源化工園區分布圖制作EGT內的煤炭化工區域矢量數據.

地區生產總值和汽車保有量:根據國家統計局頒布的統計年鑒(http://www.stats.gov.cn/tjsj/ndsj/),統計研究區2004～2019年各地區第二產業產值和汽車保有量,并計算出2005～2019年的第二產業產值和汽車保有量增長率.

1.3 研究方法

結合NO2排放源在各月份的不同排放特點確定最優時間窗口,根據目標矢量圖層占比提取城鄉NO2濃度像元,最后通過城鄉濃度差異的排放源分析方法剔除農村源NO2濃度來減輕自然源排放的影響,通過相關性分析重點關注產業結構、政策措施等因素對城市源和煤炭化工源NO2排放濃度變化.技術流程圖見圖2.

圖2 技術流程示意

1.3.2 最優時間窗口的確定 為使區域農村源NO2排放濃度能近似代表自然源排放,需盡可能減小區域傳播、季節供暖、秸稈焚燒等因素的影響.首先,對流層NO2因人類活動其濃度在冬季達到最大化[2],且生命周期較長;其次,受冬季大氣傳輸條件加劇影響[19],使得區域監測得到的NO2濃度并不能完全代表當地排放量.再次,季節性供暖造成人類主要活動區域的NO2排放量保持較高濃度,加劇了區域性濃度值偏差.最后,秋冬季節農村區域的秸稈焚燒也會造成大量排放[11].為了盡可能減弱上述不利因素的影響,根據農村區域火點數量和地區日均溫度數據信息進行篩選,2005～2019年研究區內農村區域各月份平均火點數量和日均溫度顯示,從10月至次年3月,地區日均最高和最低氣溫均處于較低水平,且也是農村地區火點頻繁的時段,因此該時段農村區域的人為源NO2排放所占比重較大,同時季節性供暖和氣象條件也有利于大氣NO2的區域間傳播.為避免上述人為活動對背景值的影響,本研究將最優時間窗口選為4～9月.

1.3.3 城鄉NO2濃度像元的空間提取 由于OMI傳感器對流層NO2濃度產品和MODIS土地利用數據產品的空間分辨率差異性較大,直接通過土地利用矢量數據提取地區NO2濃度易受混合像元的影響,提取的地區濃度將不具有代表性,難以實現區分不同NO2排放源的目的.為此本研究以單個像元中土地利用數據在對流層NO2濃度數據的面積占比作為衡量依據,同時結合本研究區域分布特征和已有的實驗研究方案[20-23],最后在OMI數據上只提取占據目標矢量圖層70%以上的NO2濃度像元,以減小混合像元問題帶來的誤差影響.

根據2005～2019年MODIS傳感器的土地利用數據產品和EGT的能源化工基地規劃布局提取各地區符合要求的城市、農村和煤炭化工區域矢量(圖1).然后利用預處理后的NO2濃度數據和各矢量數據進行裁剪,分別計算研究區內2005～2019年城市源、農村源和煤炭化工源NO2濃度值.此外,還獲取了2005～2019年京津冀、華中、長三角典型地區的城市源NO2濃度值,并對各地區城市源NO2濃度值采用Z-score標準化,標準化后的數據有利于對不同量級的城市源NO2濃度進行對比分析,以突顯城市群之間大氣污染排放變化趨勢的差異性.

式中:是原始數據,為樣本數,是樣本均值,為樣本標準差.

2 結果與討論

2.1 EGT城鄉NO2濃度差異反映產業結構調整

由地區統計年鑒發現,EGT地區利用資源優勢大力發展煤炭、化工、能源產業,使得歷年第二產業產值在地區生產總值中占比高達50%以上.地區第二產值與大氣NO2濃度具有相關性[10,12,24].因此本研究以第二產業產值增速作為衡量EGT產業結構調整的主要指標.從圖3可知,2005～2019年期間EGT NO2濃度值和第二產業產值變化率呈先上升后下降的趨勢,其中第二產業產值變化率與城市源NO2濃度呈顯著相關(<0.05,2=0.44),與煤炭化工源NO2濃呈顯著相關(<0.05,2=0.71),EGT產業結構與煤炭化工源NO2濃度值更具線性正相關關系,說明產業結構的調整對煤炭化工源NO2濃度影響更大.根據2005～2019年EGT地區經濟發展狀況和國家頒布的3個“五年計劃”將時間大致劃分為3個時期對大氣NO2濃度和產業結構進行分析研究:(1)第1時期(2005～2011年);(2)第2時期(2012～2015年);(3)第3時期(2016～2019年).

圖3 2005～2019年EGT大氣NO2濃度與產業結構變化

我國能源需求在第1時期呈現前所未有的快速增長態勢[25],使得EGT地區空氣污染問題也日益嚴重,但受2008年北京奧運會和經濟危機等事件的雙重影響,2009年空氣污染問題得到暫時的緩解.在2005～2011年期間,城市、煤炭化工源NO2濃度值一直呈現上升的趨勢,2011年EGT煤炭化工源NO2濃度值高達720.77molec/m2,相比于2005年上升了695.94%,城市源NO2濃度值為511.9molec/m2,相比于2005年上升了133.97%.煤炭化工源NO2濃度值相較于城市源有明顯的增長,并在2010首次超過城市源,在2011年城市源和煤炭化工源的NO2濃度差異值達到最大.同時,同期第二產業產值增速也在快速增加,平均增速在26.73%,其中2011年增速高達31.701%,增速僅次于金融危機前的2008年.其中2008年因北京奧運會的環境管控政策,重污染產業發展受到了阻礙,大氣污染情況短期內得到暫時改善.而2009年受金融危機沖擊影響,國家經濟增速明顯放緩,導致原材料過剩,煤炭能源產品需求顯著下降[13].因此在北京奧運會和金融危機的雙重影響下,NO2濃度值和第二產業產值增長率發生了明顯的下降.2010年國家政府頒布政策措施開始重點建設EGT地區,使得EGT充分利用地區資源優勢發展經濟,這部分解釋了2010年后EGT NO2濃度值急劇上升和第二產業產值增速提高,尤其體現在煤炭化工源NO2濃度值上.雖然該時期EGT的經濟發展受北京奧運會和經濟危機影響受到了一定的阻礙,但是地區依靠自身地區能源、煤炭等資源優勢,大力發展第二產業以此來快速提高經濟恢復速度,可隨之而來的大氣污染問題也日趨嚴重.

第2時期中國經濟增長速度放緩,同時國家政府針對大氣污染問題頒布了一系列節能減排措施、規范和政策[27].在此期間EGT城市、煤炭化工源NO2濃度值和第二產業增值增速急劇下降,2015年EGT煤炭化工源NO2濃度值為253.69molec/m2,相比2011年下降了64.8%,城市源NO2濃度值為231.67molec/m2,相比2011年下降了54.74%,同時第二產業產值增速也下降了122.9%,2015年甚至出現了負增長.該時期國家政府頒布的大氣污染防治措施包括嚴格控制NO排放和主要重工業產業安裝氮氧化物過濾裝置等[28],因此2011～2015年期間EGT地區NO2排放濃度降低,第二產業產值增速也得到了抑制.隨著第二產業產值增速的降低,EGT煤炭化工源NO2濃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產業結構調整的影響.說明在大氣污染防治和管控的政策措施下,依賴高耗能、重污染的傳統煤炭、化工等產業大力發展地區經濟的方法模式不再適用,因此EGT急需改善產業結構、轉變經濟發展模式.

國家在第3時期開展了推動現代化煤化工業升級、優化產業結構性能和倡導提高能源系統效率等工作[29],在國家嚴控污染、提倡綠色發展的環境下,以高污染傳統煤炭、化工等第二產業為主的EGT轉變發展模式.因此EGT自2016年開始第二產業產值增長率開始以小幅度增速波動上升,但是城市源和煤炭化工源NO2濃度值整體無較大波動,表明政策上的調整工作使得EGT的發展模式在逐步提高經濟效益的同時注重節能減排.2019年EGT城市、煤炭化工源NO2濃度值分別為247.36和215.53molec/m2,增幅僅為37.02%和14.43%,相比于其他時期增幅不明顯,而第二產業產值從負增長回歸正增長,增幅高達143.41%.以煤炭、化工、資源行業為主的第二產業得到重新發展,但EGT地區NO2濃度不僅沒有大幅提升,并且煤炭化工源NO2濃度增幅甚至小于城市源,說明在“十三五”期間實施的產業升級調整政策措施效果卓越,使EGT的煤化工業等產業得到了升級、產業結構得到了優化、能源利用效率得到了提高,使得在穩步發展經濟的同時保護環境.

2.2 NO2濃度反映EGT產業結構空間布局

從圖4可以看出,NO2垂直柱濃度高值分布較為集中、差異性明顯,主要集中以鄂爾多斯、榆林和寧東為主的城市,并輻射周圍地區城市.2005～2010年期間(圖4a～f)NO2濃度空間分布整體呈現小范圍、中濃度的趨勢,但期間NO2高值區濃度不斷提升、覆蓋范圍不斷擴大.高值區從人類活動較為頻繁的鄂爾多斯北部、東北部和寧東北部的城市區域向能源富足、產業集中的鄂爾多斯東部、榆林北部和寧東中部地區的煤炭化工區轉移并向四周不斷輻射擴散,其中鄂爾多斯高值區和榆林高值區逐漸連成面狀.結合城市、煤炭化工矢量分布圖和期間第二產業產值增速可看出,該時期EGT地區NO2排放量還是由城市源主導,煤炭化工產業發展規模較小,煤炭化工源NO2排放量不占據主體,但是隨著國家對工業和能源需求的不斷發展和增加[12],第二產業產值增速逐漸提高,NO2主要排放源從居民生活活動逐漸向資源開采、工業制造等產業轉換,此時NO2濃度空間分布仍處于小范圍、中污染的點模式.

2011～2014期間(圖4g～j),EGT地區NO2濃度空間分布整體呈現大范圍、高濃度的特征,在2011年大氣NO2濃度達到峰值且高濃度值區覆蓋最廣,隨后NO2濃度值開始逐漸降低,但仍保持大范圍、高濃度趨勢.2011～2012年受政策影響后[1],EGT的煤炭、化工業等第二產業得到進一步發展,但是隨之帶來的大氣污染使得環境問題更加嚴重,NO2高濃度覆蓋面積不斷擴大.EGT發展模式已經成了大范圍、重污染的粗放模式.隨著國家對環境問題的不斷重視[26],大氣污染加重的趨勢得到了控制,EGT地區NO2排放濃度和第二產業產值增速開始不斷下降,此時重污染、粗放式的經濟模式不再適用,開始向新的發展模式轉變.

相較于第1時期的小范圍、中濃度和第2時期的大范圍、高濃度,2015～2019年期間(圖4k～o)的NO2濃度分布整體則呈現大范圍、低濃度的特點.為響應國家優化產能、綠色發展等政策措施的號召[28],EGT實行了現代化煤化工業升級、優化產業結構性能和倡導提高能源系統效率等工作.第二產業產值增速得到逐步提高且大氣NO2依舊保持著大范圍的空間分布,但NO2排放濃度卻維持了低值,側面說明EGT雖然擴大了第二產業的發展規模,但是控制了能源開發、產業發展帶來的大氣污染問題.從而表明EGT逐步擺脫高耗能、低產出、重污染的能源魔咒,轉向了能源節約、環境綠色、效率高效的精工模式,使得地區利用自身資源優勢重點發展經濟的同時兼顧環境保護,實現了以效率、綠色、持續為目標的經濟增長和社會可持續的發展道路.

圖4 2005～2019年EGT地區NO2濃度空間分布

(a)～(o)分別為2005～2019年

2.3 地區城市源NO2濃度值變化對比

城市源NO2濃度主要受交通和工業排放影響[29],因此以2005～2019年能源金三角、京津冀、華中、長三角等地區汽車保有量和第二產業產值的平均變化率來說明城市源NO2濃度值波動的影響因素(圖5).

由圖5可知,初期EGT地區城市化水平相較于其他發達城市群有較大的發展空間[34],地區交通系統和工業體系規模較小但處于高速發展的階段,產業結構向第二產業偏移,EGT交通和工業排放對城市源NO2濃度貢獻突出.隨著城市化進程的不斷發展和產業結構的逐步優化,EGT交通和工業排放對城市源NO2濃度貢獻減弱.在2005～2008年期間,相較于其他城市群EGT地區標準化的城市源NO2排放濃度雖然處于低水平階段,但是同比增速明顯,同時汽車保有量和第二產業產值保持著高增速的態勢,說明此時交通和工業排放都對EGT城市源NO2濃度起著重要影響.而在經濟危機和北京奧運會的影響下,2009年各地區的第二產業產值增速急劇下降,但EGT城市源NO2濃度不降反升,且地區汽車保有量增速也保持著明顯上升的趨勢,說明該時期交通排放貢獻對EGT城市源NO2濃度變化的貢獻更明顯.受“十三五”優化產業結構、環境保護和提倡新能源汽車等政策措施影響[29],自2016年起各地區的第二產業產值增速開始慢慢恢復上升且趨于平緩,并且汽車保有量增速雖然保持著下降的趨勢但是總體上來看汽車保有量仍然是屬于正增長,但城市源NO2濃度仍然保持著下降的趨勢,說明該階段城鎮化水平得到了進一步發展,但是產業結構的優化和綠色環保政策的頒布使交通和工業排放對城市源NO2濃度的貢獻有一定程度的減弱.

2.4 TROPOMI與OMI NO2濃度空間分布對比

從圖6可知,OMI和TROPOMI傳感器提供的2018～2019年對流層NO2濃度產品在空間分布特征上大體一致,均顯示NO2濃度高值區主要分布于EGT東北部和中西部地區.但相比于OMI傳感器,高分辨率TROPOMI的NO2濃度產品能結合城市、煤炭化工的空間分布信息在一定程度上定位排放源中心,從而在空間分布上確定NO2氣體排放來源.從圖6a可知,在鄂爾多斯、銀川、和石嘴山等部分地區NO2排放濃度較高,同時結合圖中城市、煤炭化工矢量分布發現,鄂爾多斯北部、銀川中部和石嘴山中部地區主要是城市分布區域,且距離煤炭化工產業園區距離較遠,說明該區域的大氣NO2濃度熱點主要是城市源主導;而銀川中西部、榆林北部、鄂爾多斯東部和西部地區主要是煤炭化工產業分布,距離城市區域較遠,說明該區域的大氣NO2濃度熱點主要由煤炭化工源主導.

此外,高分辨率的TROPOMI能更清楚地反映NO2濃度空間分布與地形地勢的相關性.大氣NO2受地形地勢的影響,會向地勢低洼且平坦地區擴散,造成NO2空間聚集形成濃度高值區[30].鄂爾多斯高原與北部陰山、西部賀蘭山之間的西套平原和呂梁山脈的山谷地區地勢低洼,造成鄂爾多斯西部、中衛北部、慶陽中部、榆林中部和中北部部分區域存在與地形地勢走向相關的NO2空間聚集現象.上述區域地形特征均為地勢低矮的山谷或山脊底部,雖然區域內并無明顯NO2排放來源,但是地勢高聳山脈兩側的山坡和山頂存在明顯的NO2濃度排放熱點,排放熱點區域的大氣NO2氣體從地勢高聳向地勢低洼方向進行空間大氣傳輸并滯留,最終造成大氣NO2濃度的空間分布特征呈現與地形地勢相關的走勢.結果表明,地形因素和人為污染排放源是導致該地區NO2濃度聚集的主要原因.

圖6 2018～2019年不同傳感器NO2濃度比對

(a)TROPOMI;(b) OMI

從上述分析可得,OMI傳感器雖然能提供長時序的對流層NO2數據產品,但是數據表達的空間信息有限,而高分辨率TROPOMI彌補了中低空間分辨率傳感器的缺陷,為研究者提供更豐富的空間細節信息,這不僅能在空間分布上區分不同NO2排放源,還能更清楚的反映地形地勢對NO2濃度聚集的影響.目前高分辨率TROPOMI傳感器受觀測時長的限制,仍無法實現長時序的對流層NO2污染氣體監測.但隨著傳感器觀測時間的增加,擁有豐富影像細節信息的高分辨率TROPOMI數據產品能為長時序的大氣污染氣體精準監測提供可能,從而使決策者制定更完備、細致的污染管控措施,實現綠色環保、節能減排、可持續性的發展.

3 結論

3.1 通過NO2城鄉濃度差異的排放源分析方法提取的長時序城市源和煤炭化工源NO2濃度反映了EGT產業結構的調整和國家政策措施的變化,并以第二產業產值增速作為衡量EGT產業結構調整的主要指標,發現產業結構的調整對煤炭化工源NO2濃度影響更大.

3.2 2005～2019年EGT對流層NO2柱濃度的時間序列變化和空間分布特征體現了地區經濟發展模式的更迭.即第1時期依靠傳統資源優勢形成小規模、中污染的點模式,再經過不斷擴大資源產業逐步發展成第2時期大范圍、重污染的粗放模式,最后通過綠色發展方式逐步形成第3時期大范圍、低污染的精工模式.

3.3 與京津冀、華中、長三角地區相比,初期城鎮化水平較低的EGT交通和工業排放對純凈城市源NO2濃度變化的貢獻更突出.但隨著城鎮化發展和產業結構優化,EGT交通和工業排放對純凈城市源NO2濃度變化的貢獻開始減弱.

3.4 TROPOMI傳感器在空間分辨率上遠超OMI,不僅有利于區分不同NO2排放源,而且能更清楚地反映地形地勢對NO2濃度聚集的影響.隨著觀測時間的增加,TROPOMI提供長時序、高分辨率的NO2濃度產品可支持決策者制定完備、細致的污染管控措施.

[1] 常瑞芬.基于人工神經網絡的寧東大氣污染物濃度預測研究[D]. 銀川:寧夏大學, 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] 符傳博,唐家翔,丹利,等.基于衛星遙感的海南地區對流層NO2長期變化及成因分析[J]. 環境科學學報, 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] 周春艷,厲 青,王中挺,等.2005年～2014年京津冀對流層NO2柱濃度時空變化及影響因素[J]. 遙感學報, 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] 章吳婷,張秀英,劉 磊,等.多源衛星遙感的華北平原大氣NO2濃度時空變化[J]. 遙感學報, 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”發展戰略研究[J]. 中國工程科學, 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,劉 佳,姚保民,等.綜合NDVI時序特征的冬小麥混合像元分解及面積估算 [J]. 中國農學通報, 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] 景元書,李 根,黃文江.基于相似性分析及線性光譜混合模型的雙季稻面積估算 [J]. 農業工程學報, 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] 高晉徽,朱 彬,王言哲,等.2005～2013年中國地區對流層二氧化氮分布及變化趨勢 [J]. 中國環境科學, 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] 何宏慶.陜甘寧蒙“金三角”能源產業低碳化發展戰略選擇[J]. 甘肅社會科學, 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] 中華人民共和國生態環境部.火電廠大氣污染物排放標準[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.我國能源與資源產業西移及產品東輸對西北地區SO2排放和空氣質量的影響[D]. 蘭州:蘭州大學, 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] 張 杰,李 昂,謝品華,等.基于衛星數據研究蘭州市NO2時空分布特征以及冬季NO排放通量 [J]. 中國環境科學, 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] 周春艷,厲 青,何穎霞,王中挺.山東省近10年對流層NO2柱濃度時空變化及影響因素 [J]. 中國環境科學, 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.

致謝：感謝中國礦業大學環境與測繪學院秦凱教授提供2005～2019年的OMI對流層NO2垂直柱濃度數據.

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

文章編號：1000-6923(2022)04-1585-09

沈永林(1983-),男,湖北鐘祥人,副教授,博士,研究方向為大氣環境遙感監測及應用.發表論文50余篇.

2021-09-19

國家重點研發計劃重點專項(2020YFB2103403);資源與環境信息系統國家重點實驗室開放基金;南方海洋科學與工程廣東省實驗室(廣州)人才團隊引進重大專項(GML2019ZD0301);自然資源部地理國情監測重點實驗室(2022NGCM05)

*責任作者, 副教授, andyhuli@tom.com