基于Sentinel-5P卫星的中国NO2浓度遥感监测

刘怡阳,颉耀文,郭泽呈

基于Sentinel-5P卫星的中国NO2浓度遥感监测

刘怡阳,颉耀文*,郭泽呈

(兰州大学资源环境学院,甘肃 兰州 730000)

NO2是重要的痕量气体,对其监测有助于大气污染治理.本文基于Sentinel-5P大气污染监测卫星提供的对流层NO2浓度数据和总NO2浓度数据,借助谷歌地球引擎(google earth engine, GEE)分析了2018～2021年间中国大气NO2浓度时空变化特征,使用OLS模型揭示了中国地区NO2浓度的主要影响因子.结果表明:我国对流层NO2浓度空间分布呈现东高西低的总体格局,东中部城市群对流层NO2柱浓度水平明显呈现冬高夏低、春秋过渡的季节特征,西部大部分城市的四季变化不明显.北京、深圳、上海3所城市NO2柱浓度分布呈现出较为显著的圈层结构.OLS模型结果表明,中国地区NO2浓度变化受到社会经济和自然因素的共同影响,其中城市化程度是影响NO2排放的重要因子.

NO2；对流层柱浓度；总大气柱浓度；Sentinel-5P

氮氧化物(NO,包括NO、NO2等)是对流层大气中的重要污染气体,是形成酸雨和酸雾的主要物质,同时是臭氧、PAN等光化学污染物的重要前体物之一[1-2].由于NO不均匀的垂直分布,排放的大部分NO易沉积在人类活动密集的对流层底部[3-4],因此近地面NO与人类健康及大气环境关系更加密切.IPCC报告显示,人类排放的NO约占总排放的2/3[5],车辆尾气排放、工业排放和农业烧荒等为主要来源.工业化进程引发雾霾和光化学烟雾,会通过气流传输至其他区域,形成庞大的大气污染复合体[6-7],引起城市群范围内的空气质量恶化.因此,在社会关注大气污染治理的大背景下,揭示NO的时空特征及其相关驱动因素具有重大意义.

相比使用传统的地面仪器监测大气污染,遥感监测更能反映大区域的整体污染状况.Sentinel-5P是欧空局于2017年10月13日发射的一颗全球大气污染监测卫星,其上搭载的对流层观测仪TROPOMI覆盖紫外和可见光、近红外和短波红外,成像幅宽2600km,每日覆盖全球,成像分辨率达到了7km´3.5km,与在轨的GOME-2(METOP上第二代臭氧业务监测传感器)、OMI(臭氧层监测仪)等相比,性能有大幅度提高[8].

已有学者利用Sentinel-5P反演数据,结合地面观测数据开展了卫星数据的验证和大气污染研究.如郑子豪等利用粤港澳大湾区对流层柱浓度数据进行相关性验证,并开展NO2影响因子分析[9]. Marina Vîrghileanu分析疫情封锁前后欧洲上空NO2污染气体的变化[10].Müller等[11]研究了影响德国NO2气体排放的非气象因素.众多研究表明, TROPOMI传感器的NO2实时数据和在线数据细节特征丰富,可为定位污染物来源地、识别重点污染地区提供数据支撑,为大气环境遥感监测增加新的数据源选择.

GEE云平台提供了大范围空间数据分析和交互的免费计算平台,在线托管了PB级影像、地表温度和社会经济等数据集,用户可通过编程实现在线调用、处理、生产数据[12].本文基于GEE调用Sentinel-5P NRTI NO2数据过滤2018年7月～2021年10月影像合成覆盖中国全域的月均值数据集,分析了全国及城市尺度的对流层NO2柱浓度和总NO2柱浓度的时空特征,并探索中国全域NO2排放的影响因子.

1 数据来源和方法

1.1 研究数据

遥感数据:基于GEE平台获取了Sentinel-5P NRTI NO2(近实时数据流)数据,其中NO2浓度被用来代表NO的浓度.这是由于在有阳光的情况下,涉及O3的光化学循环,可将NO转化为NO2.

地面NO2监测数据:来源于中国环境监测总站(https://www.aqistudy.cn/historydata/)的城市空气质量报告,该报告自2013年12月逐月发布了全国168个主要城市的PM2.5、PM10、SO2、O3、NO2和CO地面监测结果.

社会经济数据:国内生产总值、人口空间分布数据均来源于资源环境科学与数据中心(https://www. resdc.cn/)[13-14],城市化数据来自美国国家航空航天局下属对地观测系统数据与信息中心(EOSDIS)的分布式活动存档中心(DAACs)之一的SEDAC (https://sedac.ciesin.columbia.edu/)[15-16].

自然要素数据:气温、降水、风速数据等均来源于国家地球系统科学数据中心(http://www. geodata.cn/)[17-19],DEM、EVI数据则通过Google Earth Engine下载得30m分辨率的ASTER数据、1km的MOD13A3数据.

表1 本文获取的主要数据集

1.2 研究方法

研究表明,TROPOMI传感器反演对流层NO2柱浓度存在一定程度上的低估,在大范围尺度上反演结果与地表监测一致性达到了84%[20].北京、上海、深圳3所超大城市的地表监测数据与TROPOMI传感器反演结果相关性达到了0.63以上,结果具有一定程度上的可比性.表明TROPOMI反演产品能够较为稳定地反映地面真实的NO2污染状况,因此本文采用TROPOMI对流层NO2柱浓度数据进行后续的研究.

为探究中国地区NO2浓度变化的影响因素,利用普通最小二乘法OLS、地理距离加权法GWR对影响NO2排放的相关因子进行探索[9].

2 结果与分析

2.1 NO2浓度长期变化特征

从空间上来看,我国对流层NO2平均柱浓度呈现东高西低的分布特征(图1(a)),东部地区的NO2浓度整体上要比西部地区高,尤其是天津市、上海市、山东省、北京市、江苏省、河北省等省市的多年平均NO2柱浓度都超过了1.5× 1015molec/cm2(图1(b)).由图1(a)、(b)对比可知,东部城市、西部大部分城市及其乌鲁木齐市周遭、兰西城市群、成渝城市群等地区NO年均值浓度未达到我国环境空气质量二级标准(NO浓度限值二级40μg/m3).NO2平均柱浓度的高值区主要分布在京津冀、长三角、珠三角、四川盆地、河南省北部、山东西部、陕西关中和新疆中部等区域,这些地区均为经济发展的重点区域,人口密度大、经济发达且工业集聚,可见剧烈的人为活动对NO2的形成存在直接的影响[1].

由于NO2存留时间有限以至不易于长距离传送[21],使得我国NO2柱浓度在空间分布上存在很大的不均匀性.对比图1(a)和图2可知,东部地区(30°N～ 40°N,110°E～123°E)和西部地区(30°N～40°N,80°E～ 100°E)反差明显,东部地区NO2柱浓度平均值达到了8.0×1015molec/cm2,是西部地区的4.45倍.相较NO2污染最严重的东部地区,西部地区人类活动较弱,形成连续大面积的低值区域.

由图2可以发现,2020年上半年新型冠状病毒爆发,导致各个行业生产活动暂停,NO2排放受到影响,在2020年2月出现短暂低谷后又迅速回升恢复至正常水平.东部地区4个季节的对流层NO2柱浓度水平依次是:冬季>秋季>春季>夏季.西部地区4个季节的对流层NO2浓度水平呈现夏高冬低,四季变化不太明显.出现这样的季节变化特点,主要是由于冬季的气象因子不利于大气扩散,污染物可以长时间留存在对流层中;但西部地区却与东部地区相反,在夏季呈现高值,在冬季出现低值,其主要原因在于西部地区主要以自然排放为主[2].可见由于东西部地区自然环境和排放源的不同,NO2柱浓度也有着显著不同的季节特征.

2.2 典型超大城市NO2的时空格局

从图1(a)可以看到,中国的超大城市(千万人口以上)基本上都是NO2柱浓度的高值覆盖区.因此提取3个典型的超大城市(北京、深圳、上海)2018年7月～2021年10月对流层NO2浓度月均值(图3),可以看出,对流层NO2柱浓度上海市>深圳市>北京市,且呈现出冬高夏低的明显季节特征.在2020年初,这3个超大城市也都相继出现峰值,由于新冠疫情影响,NO2柱浓度预计2020年2～3月达到峰值却出现骤降.随着疫情得到控制,NO2浓度值回升恢复至正常水平,甚至又出现明显峰值,可见在此期间复工复产工作正在稳步进行[22].

由图4可知,北京市、上海市、深圳市NO2柱浓度在空间分布上存在显著的空间异质性,对流层NO2柱浓度等级的分布呈现一定的圈层结构.其中,北京市高NO2柱浓度区域面积约为73.96km2,占北京市面积的0.45%,而对流层NO2高浓度区域分布在北京的中心处朝阳区、东城区及丰台区东部等主城区,地势较高的北部和西部则浓度较低.上海市高NO2柱浓度区域主要集中在长江出海口宝山区处,由主城区向四周扩散.崇明区和东南部地区则浓度较低,上海市约有49.10%的区域都处在中等NO2柱浓度.

图3 2018年7月～2021年10月超大城市对流层NO2浓度

图4 2019年北京市、上海市、深圳市对流层NO2柱浓度分布

总体上2019年上海市比北京市、深圳市的NO2污染还要严重.其中,深圳市对流层高NO2柱浓度主要分布在西南部的前海开发区,从西部至东部浓度逐渐递减,NO2较高浓度区域主要分布在光明区和南山区,与香港重污染区毗邻间接形成一个较大的NO2重污染区.总的来看,北京、上海、深圳的对流层NO2高浓度区域属于各个城市的核心地带,且这3个城市NO2高浓度区域经济发达、工农业集聚.可见,高强度的人类活动和工业生产是导致NO2排放量显著高于其他区域的重要原因[9].

表2 北京市、上海市、深圳市对流层NO2柱浓度分级结构

2013年,国务院印发并实施《大气污染防治行动计划》,计划书中明确提出控制NO等污染物的排放.研究表明,至2019年全国及其重点地区主要大气污染物排放量大大下降,全国NO排放量分别下降了1/3左右,2013～2017年的降幅大大超出“大气十条”制定的目标[23].2018年以来,北京、上海等各地仍持续落实清洁空气行动计划,空气质量优良天数显著增加,空气质量大大得到改善.但相比其他大型城市,该三市仍处于NO2污染高值中心区域.

2.3 中国地区NO2浓度驱动因素分析

为探索影响NO2浓度的因子,在中国构建50× 50km的格网并提取对应网格内NO2柱浓度及其GDP、POP、SMOD、EVI、DEM、PRE、TMP、WSD等8种影响因子的均值.计算得到NO2浓度数据的全局Morans指数为0.6975(<0.01),全域NO2浓度之间存在显著的空间正相关性.对生成的结果使用OLS建模分析,结果见表3.从模型各变量来看,该模型对中国全域NO2浓度解释程度约为66.43%,仅有GDP、POP和EVI未通过5%显著性检验.

表3 中国NO2柱浓度与影响因子OLS模型参数

注:*在5%的水平上显著;**在1%的水平上显著.

结果表明,GDP、POP和SMOD与NO2浓度呈现正相关关系,三者每提高1%,NO2浓度分别上升0.11%、0.13%和0.53%,是中国地区NO2浓度上升的主要驱动因素.

EVI、DEM与NO2浓度呈现的负相关关系.研究发现,植物可以吸收NO2并与海绵组织细胞表面的水分结合,生成亚硝酸或硝酸;另外,还可以通过吸附作用降低大气中硝酸盐粒子浓度,提高大气NO2转化硝酸盐粒子的效率[24].植被对NO2有一定的净化作用,因此,提高森林覆盖率、加强植被保护有利于减少NO2污染[25].由图4(a)可知,北京市北部及西部地势较高处的山区NO2浓度明显低于中心城区及南部地区的平原区,而植被覆盖也呈现出明显的西部、北部高,这也与北京市NO2浓度的空间分布恰好相反.研究表明,DEM多以城区建设、工业选址、人口居住、植被覆盖等多种因素综合来间接的影响NO2浓度分布.另外,PRE与NO2浓度亦呈现显著的正相关关系.降水增多,空气湿度增大,此时常伴有逆温现象,污染物附着在水汽中不易扩散[25].

从表3可以看出,中国全域NO2浓度变化受到社会经济和自然因素的共同作用.在OLS模型回归的基础上,选择了SMOD、DEM、PRE、TMP、WSD等5个通过显著性检验的变量进行GWR建模,结果如表4所示.从模型参数对比可以看出,引入通过显著性检验参数估计的GWR模型较OLS模型有着明显的优势,其中自变量对因变量NO2柱浓度的解释力较OLS模型上升了约11.8%.实际上,中国NO2柱浓度空间分布存在显著空间异质性,因而考虑空间尺度变异的GWR模型更适用于NO2柱浓度分布的驱动因子建模.

表4 GWR模型参数及其与OLS模型参数的对比

由于Sentinel-5P的NO2数据产品时间跨度短,因此无法从更长的时间尺度来揭示中国NO2污染的波动特征.本文在研究NO2排放的驱动要素时仅仅考虑到个别气象因子和社会要素,忽视了大气传输机制的影响.因此,在接下来的研究中应当扩展研究数据源,探索本文选择的驱动因素之外的道路密度、工厂数据(包括发电站、炼油厂、露天煤矿等)、土地利用等因子[11],结合大气传输机制剖析我国及其局部地区NO2排放的作用机制及扩散特征.

2.4 NO2浓度年度变化及季节变化

为评估中国自实施“大气十条”等污染控制措施成效,计算得出2018～2019年、2019～2020年、2020～2021年、2018～2021年中国全域NO2浓度相对改变量.从图5(a)、(b)可以看出,2018年开始到2020年NO2浓度高值地区的京津冀、四川盆地、长三角、珠三角、武汉、重庆及其乌鲁木齐等区域大气层中NO2柱浓度呈现逐年降低的趋势,其中京津冀、成都和乌鲁木齐市降低趋势较为明显.由于2020年新冠疫情爆发,上半年大部分的工农业活动停止生产,导致2020年整体大气层中NO2柱浓度略微降低.因此,2020年中国的大气层中NO2柱浓度达到整个研究区间的最低值,降低范围逐渐由大型城市向周边小城市地区扩散.通过图5(c)发现,疫情过后大气层中NO2柱浓度大部分区域出现回升增加趋势,如北京市、东三省、长三角、珠三角及其四川盆地的浓度值略微上升,但河北南部地区、山西中部、山东北部、包头市、天津市等地区却仍出现持续降低状况.

图5 2018～2021年中国地区对流层NO2柱浓度年改变量分布

图6 2019年中国地区对流层NO2柱浓度季节改变量分布

从5(d)可见,各个地区在2018～2021年之间NO2浓度的相对改变情况.京津冀、四川盆地周边、乌鲁木齐、武汉等城市大气层中NO2柱浓度有大幅度降低,但东三省内的部分区域却有着略微上升的趋势.可以发现,京津冀地区的NO2浓度从2018～2020年开始一直处于下降的趋势,到2020年之后只有北京市有轻微回升.虽然很多地区NO2浓度在2018年以后出现了下降的现象,但还有小部分地区的NO2浓度仍然处于上升的状态,如2020～2021年哈尔滨、长春、沈阳等城市NO2的浓度均值要高于2018～2019年的浓度平均值,仍然表现为略微上升趋势,对于这些地区的NO2治理工作仍然需要进一步加强.

总体来看,我国大城市NO2排放已经开始下降,而中小型城市排放仍在增加或者下降缓慢.未来高NO2污染区域仍要持续大力度地减排,区域联防联控大气污染治理,也要加强对中小型城市的排放控制,以有效改善区域大气质量.

由于NO2本身特性与温度密切相关,所以NO2浓度会出现明显的季节变化特征.从图6、图2对比可知中国西部地区的高值出现在夏季,出现该情况的主要原因在于西部地区地广人稀,人口密度相对东部较低,自然排放源是该地区NO2的主要贡献者.研究表明,NO2与温度、土壤、湿沉降和雷电过程密切相关[25-26],土壤排放量约占全球NO2排放量的20%,农业区土壤排放能够贡献NO2总排放的50%,而在6月左右甚至更高,因此在西部地区夏季高温有利于土壤NO2的挥发[27-28].此外,雷电过程也是产生NO2的重要因素,而西部地区夏季雷电的频率和强度是冬季的5～6倍,因此造成了西部地区NO2夏高冬低的季节特征.

3 结论

3.1 我国对流层NO2柱浓度呈现东高西低的分布特征,东部、中部城市群及乌鲁木齐市附近的对流层NO2柱浓度水平明显呈现冬高夏低、春秋过渡的季节特征,西部城市四季变化不太明显、却有着夏高冬低的略微趋势.

3.2 北京市、上海市、深圳市这3所超大城市NO2柱浓度远远高于中国平均NO2柱浓度,季节变化明显;城市对流层NO2柱浓度在空间分布上存在显著的空间异质性,且不同等级分布呈现一定的圈层结构.

3.3 我国地区NO2浓度变化受到的社会经济和自然因素的共同作用,GDP、POP、SMOD、DEM、PRE均是中国地区对流层NO2柱浓度的重要影响因素.

3.4 2018～2020年,京津冀、四川盆地周边、长三角、乌鲁木齐等地区的大气层中NO2柱浓度有连年持续降低,但东三省中部地区却有着略微上升的趋势. 2020～2021年,河北省南部和东部、陕西北部、山西中部、山东北部等地区NO2保持下降趋势,仍有部分城市如北京市、成都市、重庆市等有回升趋势.

[1] 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, et al. Distribution and variation trend of tropospheric nitrogen dioxide in China from 2005 to 2013 [J]. China Environmental Science, 2015,35(8):2307-2318.

[2] 李 龙,施润和,陈圆圆,等.基于OMI数据的中国NO2时空分布与人类影响分析[J]. 地球信息科学学报, 2013,15(5):688-694.

Li L, Shi R H, Chen Y Y, et al. Spatio-temporal characteristics of NO2in China and the anthropogenic influences analysis based on OMI data [J]. Journal of Geo-Information Science, 2013,15(5):688-694.

[3] Zhang L, Jacob D J, Knipping E M, et al. Nitrogen deposition to the United States: distribution, sources, and processes [J]. Atmospheric Chemistry and Physics, 2012,12(10):4539-4554.

[4] Cohen J B, Prinn R G. Development of a fast, urban chemistry metamodel for inclusion in global models [J]. Atmospheric Chemistry and Physics, 2011,11(15):7629-7656.

[5] IPCC. Climate change 2007: the physical science basis. Contribution of working group I to the fourth assessment report of the intergovernmental panel on climate change [R]. New York: Cambridge University Press, 2007.

[6] 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.

[7] 王 敏,黄 滢.中国的环境污染与经济增长[J]. 经济学(季刊), 2015,14(2):557-578.

Wang M, Huang Y.Environmental pollution and economic growth in China [J]. China Economic Quarterly, 2015,14(2):557-578.

[8] 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 Sentinal-5P satellite [J].Environmental Monitoring and Forewarning, 2019,11(2):10-16.

[9] 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.

[10] Vrghileanu M, Svulescu I, Mihai B A, et al. Nitrogen dioxide (NO2) pollution monitoring with Sentinel-5P satellite imagery over Europe during the coronavirus pandemic outbreak [J]. Remote Sensing, 2020,12(21):1-29.

[11] Müller I, Erbertseder T, Taubenbck H. Tropospheric NO2: explorative analyses of spatial variability and impact factors [J]. Remote Sensing of Environment, 2022,270:112839.

[12] 郝斌飞,韩旭军,马明国,等.Google Earth Engine在地球科学与环境科学中的应用研究进展[J]. 遥感技术与应用, 2018,33(4):600-611.

Hao B F, Han X J, Ma M G, et al. Research progress on the application of Google Earth Engine in geoscience and environmental science [J].Remote Sensing Technology and Application, 2018,33(4): 600-611.

[13] 徐新良.中国GDP空间分布公里网格数据集 [Z]. 中国科学院资源环境科学数据中心数据注册与出版系统, 2017.

Xu X L.China GDP spatial distribution km grid dataset [Z].Data Registration and Publication System of the Data Centre for Resource and Environmental Sciences, Chinese Academy of Sciences, 2017.

[14] 徐新良.中国人口空间分布公里网格数据集 [Z]. 中国科学院资源环境科学数据中心数据注册与出版系统, 2017.

Xu X L.Spatial distribution of China's population in km grid dataset [Z].Data Registration and Publication System of the Data Centre for Resource and Environmental Sciences, Chinese Academy of Sciences, 2017.

[15] Joint Research Centre - JRC - European Commission, and Center for International Earth Science Information Network - CIESIN - Columbia University. Global human settlement layer: Population and built-up estimates, and degree of urbanization settlement model grid [Z]. Palisades NY: NASA Socioeconomic Data and Applications Center (SEDAC), 2021.

[16] Florczyk A J, Corbane C, Ehrlich D, et al. GHSL data package 2019 [Z]. Luxembourg: Publications Office of the European Union, 2019.

[17] Peng S, Ding Y, Liu W, et al. 1km monthly temperature and precipitation dataset for China from 1901 to 2017 [J]. Earth System Science Data, 2019,11(4):1931–1946.

[18] Jing W, Yang Y, Yue X, et al. A spatial downscaling algorithm for satellite-based precipitation over the Tibetan Plateau based on NDVI, DEM, and land surface temperature [J]. Remote Sensing, 2016,8(8): 655.

[19] 荆文龙,冯 敏,杨雅萍.一种NCEP/NCAR再分析气温数据的统计降尺度方法[J]. 地球信息科学学报, 2013,6:819-828.

Jing W L, Feng M, Yang Y P.A statistical downscaling method for NCEP/NCAR reanalysis of temperature data [J]. Journal of Geo- Information Science, 2013,6:819-828.

[20] Judd L M, Al-Saadi J A, Szykman J J, et al. Evaluating Sentinel-5P TROPOMI tropospheric NO2column densities with airborne and Pandora spectrometers near New York City and Long Island Sound [J]. Atmospheric Measurement Techniques, 2020,13:6113-6140.

[21] 秦 瑜,赵春生.大气化学基础[M]. 北京:气象出版社, 2003.

Qin Y, Zhao C S.Fundamentals of atmospheric chemistry [M]. Beijing:Meteorological Publishing, 2003.

[22] 陶金花,范 萌,顾坚斌,等.新冠病毒疫情期间复工复产卫星遥感监测[J]. 遥感学报, 2020,24(7):824-836.

Tao J H, Fan M, Gu J B, et al. Satellite observation of the return-to- work over China during the period of COVID-19 [J].Journal of Remote Sensing, 2020,24(7):824-836.

[23] Zhong Q, Tao S, Ma J, et al. PM2.5reductions in Chinese cities from 2013 to 2019 remain significant despite the inflating effects of meteorological conditions [J]. One Earth, 2021,4(3):448-458.

[24] 韦英英,杨苏勤,陈志泉,等.基于OMI卫星数据的长三角对流层NO2特征研究[J]. 环境科学与技术, 2018,41(3):80-87.

Wei Y Y, Yang S Q, Chen Z Q, et al. Tropospheric NO2characteristics of the Yangtze River Delta Region based on OMI satellite data [J]. Environmental Science and Technology, 2018,41(3):80-87.

[25] 方 恺,王婷婷,何坚坚,等.“一带一路”沿线地区NO2浓度时空变化特征及其驱动因素[J]. 生态学报, 2020,40(13):4241-4251.

Fang K, Wang T T, He J J, et al. Spatiotemporal variation and driving factors of NO2concentration in the Belt and Road region [J]. Acta Ecologica Sinica, 2020,40(13):4241-4251.

[26] 曹彦圣,田玉华,尹 斌,等.农业土壤NO排放研究进展[J]. 土壤, 2013,45(5):791-799.

Cao Y S, Tian Y H, Yin B, et al. Investigation on NO emission from agricultural soils [J]. Soils, 2013,45(5):791-799.

[27] 岳 捷,林云萍,邓兆泽,等.利用卫星数据和全球大气化学传输模式研究中国东部大城市对流层NO2季节变化原因[J]. 北京大学学报(自然科学版), 2009,45(3):431-438.

Yue J, Lin Y P, Deng Z Z, et al. Seasonal variations of tropospheric NO2over Megalopolis in eastern China using satellite remote- sensing data and chemistry-transport mode [J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2009,45(3):431-438.

[28] 崔远政,姜 磊,张为师,等.中国西部人为源NO2污染的时空分布及影响因素研究[J]. 环境科学学报, 2019,39(12):4152-4161.

Cui Y Z, Jiang L, Zhang W S, et al. Spatio-temporal variations and influential factors of anthropogenic NO2pollution over western China [J]. Acta Scientiae Circumstantiae, 2019,39(12):4152-4161.

Monitoring atmospheric NO2concentrations in China based on Sentinel-5P satellite products.

LIU Yi-yang, XIE Yao-wen*, GUO Ze-cheng

(College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China)., 2022,42(11)：4983～4990

NO2is an important trace gas and its monitoring contributes to air pollution control. Based on the tropospheric vertical column and total vertical column of NO2provided by the Sentinel-5P air pollution monitoring satellite, we analyzed spatial-temporal characteristics of NO2in China during 2018～2021 by Google Earth Engine (GEE) and revealed the main drivers of NO2concentration using OLS model. Results showed that there were a spatial pattern with high in the east and low in the west regarding the tropospheric vertical column of NO2in China. A seasonal pattern with high in winter, low in summer and excessive in spring and autumn, was presented in the eastern and central city clusters and Urumqi city. The western cities, however, had less significant changes within seasons. The concentration distribution of tro NO2in Beijing, Shanghai and Shenzhen showed a significant circle structure. The OLS model results showed that the atmospheric NO2concentration in China was influenced collectively by socio-economic and natural factors, with the degree of urbanization being the critical factor driving NO2emissions.

NO2；tropospheric vertical column；total vertical column；Sentinel-5P

X511

A

1000-6923(2022)11-4983-08

刘怡阳(1999-),女,陕西富平人,兰州大学硕士研究生,主要从事大气遥感工作.发表论文1篇.

2022-04-20

中国科学院战略性先导科技专项A类(XD2009000003)

* 责任作者, 教授, xieyw@lzu.edu.cn