文章 Articles

从太空看中国空气污染全景

美国科研人员通过卫星数据对中国十年间的PM2.5污染浓度进行了推算。科研团队成员徐安琪揭示了研究结果。

Article image

从遥远的太空俯视地球,或许我们无法看清中国的长城,但是却可以将这个国家的空气污染尽收眼底。

最近,我们在耶鲁大学、哥伦比亚大学和巴特尔研究所的研究团队根据卫星数据对中国各省的可吸入颗粒物浓度进行了研究。尽管这些卫星数据还不尽完美,但是我们依然可以借此对过去十年里中国全境PM2.5污染物地表浓度年平均值进行初步估算。

PM2.5也就是空气中直径小于等于2.5微米的可吸入颗粒物。由于这种细小颗粒物能够渗入人体肺部组织和血液,带来哮喘、癌症、心血管疾病等健康隐患,因此,近几个月来在中国引起了公共安全人士的广泛关注

那么,如何利用卫星数据对PM2.5污染进行监测呢?简单说来,就是利用卫星搭载设备对气溶胶光学厚度(AOD)进行测定。气溶胶粒子通过吸收散射能够对光线产生消减作用。利用其这一特点就可以对颗粒污染物的地面指标进行监测。

目前有些研究发现,AOD与地面监测指标之间存在着一定的数学关系,并为此建立了相应的数学模型。当然,用大气垂直气柱内的气溶胶光学厚度来表征地表污染程度是一个很复杂的过程,这取决于气溶胶的垂直结构、组成、粒径、分布、水含量等多种因素。所以,地域差异和气候差异都会对PM2.5的测定造成影响(详细测定方法请参见该文)。

PM2.5浓度指标以各省市的平均大气污染暴露浓度表示。将全省分成一定的网格区域。各网格内根据卫星数据得出的PM2.5浓度乘以该网格内居民占全省人口总数的百分比,即计算所有网格区域的大气污染暴露浓度的人口加权平均值后便得到人口加权大气污染暴露水平。

也就是说,相对于郊区或人口稀少地区而言,人口稠密地区在全省PM2.5平均值中所占比重更大。该方法充分考虑了地广人稀的低污染地区以及人口稠密的高污染环境(或者反之)的情况。

因此,人口加权值更注重可吸入颗粒物对居民的实际影响。简而言之就是,通过这些数字可以了解中国某省普通居民某天所承受的一般空气质量情况。

那么,这些数据又让我们看到了什么呢?

正如下面的中国PM2.5变化趋势图所示,除了四省之外(不包括台湾),全国各省、自治区及直辖市的PM2.5年均浓度都高于世界卫生组织(WHO)建议的水平。从图一中我们可以看到,2007年,中国31个省、自治区和直辖市中,大多数地区的人口加权细颗粒物污染浓度都超过了世卫组织每立方米10微克((/m3)的年均空气质量标准。


 图一,2007年中国各省人口加权细颗粒物年均污染浓度(PM2.5)包括台湾


而通过图二和图三的时间序列我们可以了解到中国各地区PM2.5污染的变化趋势。其中,山东、河南两省的PM2.5污染最为严重。北京、上海、广东的PM2.5年均浓度虽然在过去三年有所下降,但是在过去九年里基本都维持在一个较为稳定的水平上。而且,也正如我们所料,西藏、内蒙等西部欠发达省份的细颗粒污染浓度最低。


图二,中国部分省市PM2.5
年均浓度时间走势图(2001-2010

当然,任何模型都存在不确定因素,本研究也不例外。利用卫星进行AOD观测时,如果遇到积雪或沙漠等地表亮度较高的情况,其准确度就会受到影响。同时,这种方法也无法提供污染物的垂直分布信息(例如,它无法分辨距离地表不同高度的粒子)。就我们所使用的模型而言,其不确定性大约在±25%之间。也就是说,误差在每立方米6.7毫克左右。

当然,卫星测绘与地面数据之间也并非严丝合缝。地面实测数据更为准确。可是,卫星空气质量监测却能够弥补地面监测基站建设不足所造成空间断层及信息缺口。同时,卫星能够对空气质量进行持续稳定的监测,从而便于不同时期、不同地区之间进行比较。面对着高涨的舆情,这样的检测手段正是中国决策层所需要的。
 


表三,中国各省市自治区(包括台湾) PM2.5年均浓度时间数据表(2001-2010)(点击看大图)


徐安琪,耶鲁大学森林与环境研究学院博士生,2012年环境绩效指标项目负责人。


翻译:东峻

图片内容:从太空拍摄的中国的空气污染照片 来源:SeaWiFS Project, NASA/Goddard Space Flight Center, and ORBIMAGE

 

发表评论 Post a comment

评论通过管理员审核后翻译成中文或英文。 最大字符 1200。

Comments are translated into either Chinese or English after being moderated. Maximum characters 1200.

评论 comments

Default thumb avatar
zhouwei

新浪微博提问

公众环境研究中心马军:

河南、山东污染重,而山西浓度看起来相当低,可否更清晰地解释下人口加权PM2.5年均浓度的算法?

A question from Sina Weibo

Ma Jun from the Institute of Public and Environmental Affairs:

Henan and Shandong's pollution levels are very high, whereas pollution levels in Shanxi seem to be relatively low. Would it be possible to explain more clearly how the annual population-weighted PM2.5 concentrations were calculated?

Default thumb avatar
zhouwei

新浪微博提问2

LIUYAN_皮皮:

2007年,中国31个省、自治区和直辖市中,27个省区市的人口加权细颗粒物污染浓度都超过了世卫组织每立方米10微克((/m3)的年均空气质量标准。山东、河南、河北名列三甲,北京屈居第十,不知这种覆盖全省的指标如何算出来的?

Sina Weibo Question 2

In 2007, out of China's 31 provinces, autonomous regions, and municipalities, 27 have population-weighted fine particulate matter pollution concentrations in excess of 10 micrograms per cubic meter (/m3), the WHO's annual air quality standard. Shandong, Henan, and Hebei were the highest ranking, with Beijing coming in at number 10. I don't know how the figures for each province were calculated.

Default thumb avatar
sqandrews

污染水平好像被明显低估

徐安琪你好。您研究中的数据,特别是人口加权污染暴露数值,似乎过低了。例如,根据的北京环保局,在过去的十年,北京PM2.5浓度平均值一直在每立方米70-110微克之间,。(http://www.livefrombeijing.com/2012/01/beijing-claims-pm2-5-reductions/)。

在2004-2008年间,西安的PM2.5独立测量所得值为每立方米182.2微克。(http://ehp03.niehs.nih.gov/article/info%3Adoi%2F10.1289%2Fehp.1103671)

请解释下为什么你的数据与以上的测量值不符? ?我很困惑,你说“卫星测量值与从地面上测得的数值不匹配”,但在同一个句子里,你又说卫星测量仍然是一个有用的工具。在对北京和陕西两地的测量中,卫星数据和地面数据之间的差异似乎过大,大于你的模式中所说的25%的不确定性。

另外,我很好奇,你能否详细解释一下这句话:该模式“不能测得大气中粒子的垂直分布情况” 。微粒的垂直分布对暴露在其中的人体健康影响有多大?

Pollution levels appear greatly understated

Greetings Angel, the numbers in your study, in particular the population-weighted exposure numbers, seem unreasonably low. For example, according to the BJEPB average PM2.5 concentrations in Beijing have been between 70-110 ug/m3 over the past decade. (http://www.livefrombeijing.com/2012/01/beijing-claims-pm2-5-reductions/).
In Xi'an independent measurements of PM2.5 between 2004-2008 were at 182.2 ug/m3. http://ehp03.niehs.nih.gov/article/info%3Adoi%2F10.1289%2Fehp.1103671

Would you please comment on why your data appears to be inconsistent with these measurements? I am confused that you state that "[s]atellite measurements do not ultimately match up to data from earth" but then in the same sentence say that it is still a useful tool. The differences in Beijing and Shaanxi between your satellite data and ground-based measurements seem to vary significantly more than the 25% uncertainty that you use to describe your model.

Also, I am curious if you could explain this statement in more detail that the model “can't tell you about vertical distribution of particles in the atmosphere”
. How much of an impact does vertical distribution have on human exposure to particulate?

Default thumb avatar
月流觞

人口加权PM2.5 年均浓度的计算方法

从文中看,人口加权PM2.5 年均浓度的计算方法应该是:A网格区域的污染浓度*A网格区域人口占全省人口百分比+B网格区域浓度*B网格区域人口占全省百分比+.........(其实就是加权平均数的计算方法而已)

Calculating the PM2.5 Concentration of a Province

As seen from the text, the method of calculating the population-weighted annual average of PM2.5 (fine particle pollution) concentration should be: [The pollution concentration of Grid A * The percentage of the entire provincial population living in Grid A] + [The pollution concentration of Grid B * The percentage of the entire provincial population living in Grid B] + .... (Actually this is the method for calculating any weighted average.)

Default thumb avatar
angelhsu

回复马军

空气质量指数可以用两种方式来表示——人口加权和地区加权。正如我解释的那样,特定省份的人口加权值是这样计算的:各网格内根据卫星数据得出的PM2.5浓度乘以该网格内居民占全省人口总数的百分比,即计算所有网格区域的大气污染暴露浓度的人口加权平均值后便得到人口加权大气污染暴露水平。我们在巴特尔的合作伙伴使用van donkelaar et al 2010 (http://ehp03.niehs.nih.gov/article/info:doi/10.1289/ehp.090162)的方法推算气溶胶光学厚度数据,然后用国际地球科学信息网络中心(CIESIN)的网格人口数据库把得到的数字转换成平均暴露水平数字。这些数据更多的反映的是长期曝露在PM2.5污染物中的情况,而不是短期情况。它实际上反映了某省某人某天感受到的PM2.5颗粒物污染情况。希望这些信息对你有所帮助。

Response to Ma Jun

There are two ways to develop these air quality indicators - population-weighted or area-weighted. As I explained, the population-weighted exposure for a specific province is calculated by multiplying the satellite-estimated PM 2.5 concentration for each grid cell by the percentage of the province population that lives within that grid cell and producing an average for all of the grid cells within a province. Our partners at Battelle used van donkelaar et al 2010 (http://ehp03.niehs.nih.gov/article/info:doi/10.1289/ehp.0901623) methods to extrapolate Aerosol Optical Depth (AOD) data and then used CIESIN's Gridded population dataset (http://sedac.ciesin.columbia.edu/gpw/) to translate these numbers into the average exposure numbers. These data more reflect long-term exposure to PM 2.5 rather than short-term exposures, so a PM 2.5 situation that an average person in x province would experience on a given day. I hope this helps.

Default thumb avatar
angelhsu

回复安雪峰

史蒂夫——我们是用数据说话的。而不是通过对比官方数字下的结论。卫星数据涵盖的范围之广可谓“无所不包”,比如它能提供整个省或自治区的污染数据。你也知道卫星数据的误差水平,但你可能不知道以下指标:1)这些数据是通过多少地面检测器得出来的;2)它们是否定期进行维护和校准等;3)它们被安置在哪些位置;4)你提供的这个链接里涉及了哪些误差。这些数据仅用于研究和参考,是用以讨论卫星数据的潜力,看看它们是否能够帮助我们更好地了解空气质量。在2012年的环境指数中,我们为132个国家制定了同样的估计值(http://www.epi.yale.edu),其中很多是为那些不测量PM2.5值的国家制定的。得到这些数字、知道它们究竟是怎么被计算出来的、误差是多少,这些已经激发了决策者之间的讨论。就像我之前提到的,它们是长期曝露水平数字,并没有获取数据的峰值。但是空气污染的健康影响是基于长期曝露和短期曝露两个指标上的。

Reply to Steven Andrews

Steven - the data are what they are. We're not making any claims of comparing them to official numbers. The satellite numbers provide "wall to wall" coverage so to speak of pollution across an entire province or municipality. You also know the uncertainty level associated with the satellite data, whereas you are not given any indication as to 1) how many ground-based monitors are included in those numbers; 2) whether they are regularly maintained, calibrated, etc.; 3) where they are located; 4) what uncertainty is associated in the links you provided. These numbers are for research and reference purposes only, to generate discussion and to see the potential for satellite data to help better understand air quality. We produced the same estimates for 132 countries in the 2012 EPI (http://www.epi.yale.edu), many for countries that do not measure PM 2.5. Having these numbers, knowing exactly how they were calculated and what the uncertainty is is already generating much discussion amongst policymakers. As I mentioned before, these are long-term exposure numbers and don't capture spikes in data. But health effects from air pollution are based on both long and short-term exposure.

Default thumb avatar
eastpact

越看越觉得这个“分布图”是个政治产物

描述温度分布、气压分布等等大气指标,最普通的科学常识就是用等温线,等压线等等。大气中的PM2.5微尘粒分布怎么会用行政管理的省界来描述,难道PM2.5微尘粒的分布规律会遵循划分行政省的分界?
很明显,这种违反基本科学常识的“分布图”是为了突出不同省份的PM2.5,特别是要突出北京地区的PM2.5是最高。但是,决定PM2.5 值的因素并非local的因素,而是global 的因素,Euroasia 和非洲的尘暴可以直接影响到美洲的PM2.5, 用这种特出邻近两个省的差异的手法去描述PM2.5,对了解和治理空气污染毫无帮助。
这种明显违反科学常识的手法,除了用着作某种政治企图的工具,还能有什么意义呢?

Distributive graphs seems like political tool

The most commonly-used scientific instruments in describing atmospheric indicators like temperatures and pressure are isotherm, isobar, etc. How come the distribution of PM2.5 fine particulate matter concentrations are divided according to administrative boundaries of provinces?
Apparently, such graphs do not only violate basic scientific knowledge, but also intend to specify the PM2.5 concentrations of different provinces, especially Beijing where concentration ranked the first. However, PM2.5 is not determined by local factors, but global reasons. For example, dust storm in Euro-Asia and Africa can directly affect PM2.5 of America. Measurement highlights the difference between two provinces is absolutely useless in governing air pollution.
Should there be any implications from the distributive graphs except political tool?