新疆维吾尔自治区乌鲁木齐市(86.37~88.58E, 42.45~45.00N), 位于丝绸之路经济带核心区。 乌鲁木齐作为自治区首府, 承载丝绸之路经济带中核心引领作用, 成为国家大型油气生产加工储备基地, 大型煤炭化工基地, 大型风电基地等。 乌鲁木齐市下辖7个市辖区, 1个县。 根据《全国统计用区划代码与城乡划分代码公告》划分城区与郊区研究位置, 选择市中心5大城区(天山区, 沙依巴克区, 新市区, 水磨沟区, 米东区)为研究区域。

1.2.1 卫星高光谱遥感与地面监测NO₂浓度数据

2019年— 2021年, 选择乌鲁木齐市中心5大城区(天山区, 沙依巴克区, 新市区, 水磨沟区, 米东区)为研究监测区域。 由多个国家的航空航天局共同研制的Aura卫星于2004年升空, 过境时间约为当地下午1点45分, 主要的质量控制标准包括: 太阳天顶角< 85° , 地表反照率< 30%, 云量< 30%等。 使用双线性插值法对数据进行重采样得到日均数据, 重采样目标分辨率为0.1× 0.1。 图1给出主要卫星传感器光谱波长范围与分辨率。 OMI与TROPOMI都是目前分辨率最高的高光谱资料, 由于极端天气和云覆盖影响, 新疆地区TROPOMI数据存在空间覆盖度较差, TROPOMI获得高覆盖度的近地面NO₂浓度有大面积缺失, 故本研究选择OMI截取痕量气体NO₂最敏感的波段300~400 nm, 代表卫星过境时刻的NO₂浓度, 利用AMF反演得到SCD转化VCD浓度值。 地面监测站资料由中国环境监测总站提供的乌鲁木齐市城区NO₂浓度实时数据(2019年— 2020年), 监测点海拔由高到低分别选择了: 收费所、 监测站、 31中、 铁路局、 米东环保局为地面监测站点, 单位为μ g· m^-3。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 主要卫星传感器高光谱波长区域与分辨率Fig.1 Hyperspectral wavelength regions and resolutions of main satellite sensors

1.2.2 POI功能区及各影响因素数据

POI功能区及各影响因素数据均以市中心5大城区(天山区, 沙依巴克区, 新市区, 水磨沟区, 米东区)为中心, 2019年— 2021年新冠疫情发生前后为研究时间。 利用高德开发平台经过POI搜索得到, 附近乌鲁木齐市各城区功能区数量分布情况, 统计其数量。 采用百度地图热力大数据产品对乌鲁木齐市中心5大城区百度地图热力图数据进行提取。 使用夜间灯光数据代表人类活动影响因子: 该数据2012年, 美国国家极轨业务环境卫星系统NPP搭载的, 空间分辨率约为750 m, VIIRS月合成数据。 经济数据来源于《新疆统计年鉴》等, 气象数据由中国气象网提供的实时数据。

1.2.3 聚类与潜在源研究

聚类使用NCEP(美国环境预报中心)提供的(2019年— 2021年)GDAS数据, Meteoinfo软件中的TrajStat插件进行聚类, PSCF与CWT(浓度权重轨迹分析)计算、 以乌鲁木齐市为受点, 起始高度为500 m, 模拟轨迹时长为24 h, 时间分辨率为1 h; 采用欧氏距离法, 进行聚类分组, 总空间方差法确定聚类数目。

1.2.4 干沉降通量

以OMI数据二级产品为数据源, 采用GIS技术和基于已有估算干沉降模型, 对(2019年— 2021年)乌鲁木齐市各城区NO₂干沉降通量进行估算。 干沉降是生态系统从大气中获得营养元素的重要过程之一, 也是各种元素循环的重要过程之一。 干沉降通量F_d估算公式如式(1)

Fd=864000vdcd(1)

式(1)中, F_d为大气污染物干沉降日通量[kg· (km²· d)^-1]; v_d为大气污染物干沉降速率(cm· s^-1); 864 000为换算系数; c_d为大气污染物质量浓度(g· m^-3)。

NO₂质量浓度c_d计算公式如式(2)

cd=M×VCD×104NA×H(2)

式(2)中, c_d为大气污染物质量浓度(g· m^-3); M为大气污染物分子量(g· mol^-1); VCD为大气边界层污染物垂直柱密度(10¹⁶分子· cm^-2); N_A为阿伏伽德罗常数, 其值为6.02× 10²³分子· mol^-1; H为大气边界层高度(m)。

为了验证OMI资料在乌鲁木齐市5大城区的可靠性, 利用中国环境监测总站监测结果对OMI资料NO₂浓度进行反演验证。 结果如图2所示: 选取乌鲁木齐市5大城区每日14点的平均观测值统计为月均值与OMI遥感数据进行线性拟合, 5大城区R²均大于0.50, 表明乌鲁木齐市5大城区NO₂地面浓度与对流层NO₂浓度具有良好的线性相关性, 总体上OMI的NO₂产品能够较好的反映地面真实的NO₂污染状况。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 乌鲁木齐各城区地面监测NO2质量浓度与OMI资料的适用性Fig.2 Applicability of OMI Data and NO2 concentration monitoring on the ground in Urumqi

2.2.1 疫情防控同期NO₂污染与城市热力分布特征

采用热力度来衡量热力地图所反映的密度情况, 热力度越高代表人口越密集, 热力度越低则代表人口越稀疏。 热力度大于10的区域称为高热区、 热力度为10~5的区域称为次热区、 小于5的区域称为低热区。 它们的面积越大反映城市人群的集聚度越高, 面积越小则说明城市人群的离散度越高。 由图3可知热力平均值天山区> 沙依巴克区> 水磨沟区> 新市区> 米东区, 2020年与2019年同期对比, 新市区减少幅度最大, 为59.08%, 米东区减少幅度最小, 为47.20%。 2020年与2021年同期对比, 水磨沟区增长幅度最大, 为45.63%, 沙依巴克区增长幅度最小, 为32.41%。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 乌鲁木齐各城区热力与NO2污染物变化情况 (a): 乌鲁木齐各城区热力变化情况; (b): 乌鲁木齐各城区NO2污染物变化情况Fig.3 The change of heat and NO2 pollutant in Urumqi (a): Thermodynamic changes in the urban areas of Urumqi; (b): Change of NO2 pollutant in Urumqi

NO₂平均值新市区> 沙依巴克区> 天山区> 水磨沟区> 米东区, 2020年与2019年同期对比, 沙依巴克区减少幅度最大, 为47.63%, 米东区减少幅度最小, 为41.32%。 2020年与2021年同期对比, 水磨沟区增长幅度最小, 为49.54%, 沙依巴克区增长幅度最大, 为60.09%。 综合图3(a)和(b)可知, 总体来看, 疫情爆发期明显低于疫情爆发前期NO₂浓度, 后疫情时代2021年开始NO₂浓度开始回升。

2.2.2 各功能区NO₂污染特征

表1可知, NO₂浓度与各功能区数量, 人类活动影响因子, 热力值均呈显著正相关。 表2可知, NO₂浓度由高到低为: 新市区> 沙依巴克区> 天山区> 水磨沟区> 米东区。 新市区NO₂浓度与各功能区数量最多, 分布着乌鲁木齐国际机场, 火车北站货场, 工业园产业园数量远高于其他几区。 高铁开通与万达广场入住, 人流量逐渐增加, 形成新的高铁商圈, 预计将来人类活动影响因子会越来越高。 截止2021年底常住人口50.53万为人口最多的城区。 NO₂浓度其次为沙依巴克区, 天山区, 水磨沟区。 3区均为高热区, 人类活动影响因子最高。 天山区分布着大小西门与中山路商圈, 地处城市中心, 是乌鲁木齐人流量最大的区域, 故人类活动影响因子与热力值最高。 NO₂浓度最低的区域为米东区, 其人类活动影响因子与热力值也处于各区末位, 但工业园, 景区, 餐饮娱乐功能区数量较多, 故该区NO₂浓度主要来源于工业源排放。

表1

Table 1

表1(Table 1)

表1 各功能区数量与NO2相关性分析 Table 1 Correlation analysis between the number of functional areas and NO2 污染物 餐饮购物 商务住宅 交通设施服务 工业园 人类活动影响因子 热力值 NO2 0.439* * 0.951* 0.763* 0.892* 0.501* * 0.643* * 注: * * 在0.01水平下显著相关; * 在0.05水平下显著相关 Note: * * significance at 0.01 level; * significance at 0.05 level

表1 各功能区数量与NO2相关性分析 Table 1 Correlation analysis between the number of functional areas and NO2

表2

Table 2

表2(Table 2)

表2 各功能区基本情况对比(2019年— 2021年均值) Table 2 Comparison of basic situation of each functional area (mean value in 2019— 2021) 主要行业 餐饮购物 商务住宅 交通设施服务 工业园 风景名胜 人类活动影响因子 热力值 沙依巴克区 交通密集区 19 594 1 110 1 408 53 68 63 8.65 天山区 商业集中区 10 175 808 827 3 74 65 9.52 新市区 电子产业集中区 21 003 1 218 1 788 72 65 60 7.35 水磨沟区 电厂密集区 10 911 699 845 18 39 62 7.57 米东区 化工产业密集区 14 603 394 766 34 71 58 4.13

表2 各功能区基本情况对比(2019年— 2021年均值) Table 2 Comparison of basic situation of each functional area (mean value in 2019— 2021)

2.3.1 气团轨迹来源与潜在污染源

图4(a)计算了2019年— 2021年期间影响乌鲁木齐市的气流轨迹, 按5条轨迹进行聚类, 并结合PSCF潜在源贡献分析法分析。 图4(b)为NO₂潜在源贡献源区计算结果, 网格内的比值越大表示该区域污染轨迹的占比越高, 即潜在源区NO₂贡献越大。 由图4(a)可见: 长支流为远距离西北方向输送, 距离最远来自于哈萨克斯坦, 气流占比最大, 达80.32%。 短支流主要来自与乌鲁木齐市周边, 气流占比为19.69%, NO₂为短寿命气体, 故气流短距离输送对乌鲁木齐NO₂影响较大。 由图4(b)发现大于0.8的区域为高值区, 主要潜在源区为乌鲁木齐市本地周边, 昌吉自治州东北部临近城市与吐鲁番地区。 0.8~0.5中值区主要位于乌鲁木齐市米东区, 昌吉自治区西北部等地区。 0.5以下为低值区, PSCF值较低且分布分散。 模拟的乌鲁木齐市NO₂的PSCF分布是一种源概率分布, 其模拟污染物贡献率值在分析过程中有较多的变化和不确定性。 但是其模拟的潜在源区贡献率大小与图4(a)中各类气流所经过的潜在源区的概率在空间上分布较为一致。 可见, PSCF分析法模拟的潜在源贡献具有较大的可信度, 在确定潜在源贡献方面是可以被采用的。 为进一步确定污染潜在源区的贡献, 引CWT计算平均权重浓度, 得到潜在源区的污染贡献水平。 由图4(c)发现PSCF与CWT 高值区基本集中在乌鲁木齐本地周边, 昌吉自治州东北部临近城市与吐鲁番地区, 该区域应为乌鲁木齐市联防联控重点关注的地区。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 气团轨迹来源与潜在污染源情况 (a): 气团轨迹来源; (b): PSCF潜在贡献源区; (c): CWT浓度权重轨迹Fig.4 Air mass trace sources and potential pollution sources (a): Source of air mass trajectory; (b): PSCF potential contribution source area; (c): CWT concentration weight trajectory

2.3.2 NO₂干沉降通量估算

空气中的活性氮化合物包括各种无机态和有机态氮从大气中移出并降落到地表的过程, 分为干沉降和湿沉降两种方式。 虽然干沉降没有湿沉降集中, 但其地域广、 持续时间长, 特别在干旱地区干沉降过程更是不容忽视。 干沉降指吸附在大气颗粒物后下降到生态系统的过程。 确定干沉降速率影响因子较多, 技术难度较大, 故该研究引用张艳^[16], 杜金辉^[17]等目前已有研究成果, 定义NO₂干沉降速率为0.1 cm· s^-1, 大气边界层高度为500~1 000 m, 利用OMI产品进行干沉降通量的估算, 该模型方便快捷, 模型较成熟, 精准度高, 应用广泛。 因此, 以OMI资料为数据源, 得到2019年— 2021年乌鲁木齐市各城区NO₂干沉降日通量, 并计算其年均值。 图5可知, NO₂干沉降速率平均值新市区> 沙依巴克区> 天山区> 水磨沟区> 米东区, 2020年与2019年同期对比, 沙依巴克区减少幅度最大, 为48.58%, 新市区减少幅度最小, 为36.59%。 2020年与2021年同期对比, 水磨沟区增长幅度最小, 为49.53%, 沙依巴克区增长幅度最大, 为60.10%, 干沉降通量用来衡量痕量气体NO₂干沉降的强弱, 强降温标准为24 h, 气温下降≥ 8(10)℃, 最低气温降至≤ 4 ℃。 如表3所示, 乌鲁木齐市在2019年— 2021年的降温幅度不大, 3年强降温天气较少, 多为8 ℃以内的小幅度降温, 大气稳定度较好, 污染物易扩散, 故在这种静稳天气条件下, 该研究时间段内乌鲁木齐市各区干沉降变化稳定, 干沉降虽是NO₂等痕量气体污染物清除的重要手段, 但在严格的新冠疫情防控措施影响下, 乌鲁木齐市5大城区NO₂污染人为排放控制措施, 成为NO₂污染的主要影响因素, 研究NO₂干沉降通量, 对乌鲁木齐市大气污染治理仍具有重要意义, 该方法可以弥补地面监测点位过少等不足, 为干沉降通量的估算提供证据。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 干沉降通量情况Fig.5 The dry settling flux

表3

Table 3

表3(Table 3)

表3 2019年— 2021年乌鲁木齐降温次数 Table 3 Times of temperature drop in Urumqi from 2019 to 2021 降温区间 2019 2020 2021 Δ T24 h< 2 95 86 86 12< Δ T24 h< 4 27 26 25 4< Δ T24 h< 6 7 8 12 6< Δ T24 h< 8 0 3 4 8< Δ T24 h 1 0 3

表3 2019年— 2021年乌鲁木齐降温次数 Table 3 Times of temperature drop in Urumqi from 2019 to 2021

2.3.3 NO₂不同人为污染源影响因子分析

NO₂排放主要来自工业源与交通源, 不同污染源对大气中NO₂柱浓度的影响机制无法量化统计, 故视为灰色的量, 将大气系统作为一个灰色系统进行分析。 选取2011年— 2021年不同人为影响因素作为对流层NO₂的对比数列, 从而进行灰色关联分析。 表4表明, 乌鲁木齐NO₂与各个影响因素间的灰色关联度有显著不同, 表明近10年来不同人为影响因素都对乌鲁木齐NO₂有相应的影响, 但影响程度有所差异。 按影响大小划分为: 标准煤消耗量> 第二产业> 工业总产值> 工业用电量> 人口密度> 汽车拥有量> 第三产业> 第一产业。

表4

Table 4

表4(Table 4)

表4 NO2浓度与各个人为影响因素灰色关联情况对比 Table 4 Comparison of grey correlation between NO2 concentration and various anthropogenic factors 影响因素 人口密度 第一产业 第二产业 第三产业 限额以上 工业总产值 工业用电总量 标准煤消耗量 汽车拥有量 灰色关联系数 0.48 0.37 0.95 0.43 0.90 0.81 0.91 0.57 灰色关联度 0.78 0.54 0.94 0.57 0.93 0.88 0.96 0.68

表4 NO2浓度与各个人为影响因素灰色关联情况对比 Table 4 Comparison of grey correlation between NO2 concentration and various anthropogenic factors

标准煤消耗量与NO₂的灰色关联度最大(0.96), 表明乌鲁木齐NO₂主要是煤炭的燃烧引起的。 随着煤炭功能供应保障政策的推动, 截止2021年原煤产量31 001.85万吨, 同比增长18.3%。 第二产业、 工业总产值、 工业用电量与NO₂的灰色关联度均较高, 故工业发展相关对乌鲁木齐市区NO₂影响较大。 交通源排放也是乌鲁木齐NO₂另一个重要污染源, 汽车保有量与对流层NO₂柱浓度的灰色关联度不高(0.68), 灰色关联系数也较小, 主要源于2011年开始, 汽车报废政策的实行。 2012年“ 煤改气工程” 实施, 虽在一定程度上改善了城市空气质量, 但工业结构导致乌鲁木齐仍为工业煤烟型城市。 2013年前, 各经济开发区在乌鲁木齐市及周边聚集分布, 故No₂污染增长速度最快, 有显著的增长趋势。 2014年开始有明显的下降趋势, 降幅最大的地区为乌昌石城市群^[18]。 由上文分析可知, 2020年为新冠疫情爆发期, 乌鲁木齐市NO₂较疫情爆发前期下降明显。 2021年后疫情时代, 乌鲁木齐市复产复工, 经济复苏, NO₂浓度开始回升, 相关部门应该充分重视优化产业结构, 发展第三产业, 优化第二产业, 从而逐步减少NO₂污染。