本文是一项关于中国甲烷浓度季节性变化与水稻种植关系的研究报告。以下是对该研究的详细学术报告。

本研究报告由南京信息工程大学环境科学与工程学院、气候系统预测与变化应对全国重点实验室、江苏省大气环境监测与污染控制高技术研究重点实验室、江苏省大气环境与装备技术协同创新中心的吴星沂、金建炳、夏霁、方力、廖宏共同完成，以“中国甲烷浓度季节性变化与水稻种植关系研究”为题，发表於 *Chinese Journal of Atmospheric Sciences*（《大气科学》）期刊2026年第50卷第2期（Vol. 50, No. 2, Mar. 2026）。

研究的学术背景

本研究属於大气环境科学、卫星遥感与农业生态学的交叉领域。全球气候变暖背景下，甲烷（CH₄）作为第二大温室气体，其增温潜势（Global Warming Potential, GWP）在20年尺度上是二氧化碳（CO₂）的84倍，且寿命较短（7-12年），因此有效管控甲烷排放是短期内减缓气候变化的关键。人为甲烷排放源中，农业部门贡献显著，而稻田淹水环境中的厌氧条件使其成为最主要的农业甲烷排放源之一。中国作为全球最大的水稻生产国，其稻田甲烷排放的精准量化对制定国家减排策略至关重要。

传统的甲烷地面观测手段，受限于空间覆盖率和时间连续性，难以捕捉农业活动动态变化的全貌。近年来，卫星遥感技术的发展为连续、广域的大气甲烷浓度监测提供了全新视角。其中，搭载在Sentinel-5P卫星上的对流层监测仪（Tropospheric Monitoring Instrument, TROPOMI）具备高空间分辨率（5.5 km × 7 km）和近实时全球覆盖能力，使其成为研究区域尺度甲烷时空演变的强大工具。然而，如何利用TROPOMI等高分辨率卫星数据，系统解析中国甲烷浓度的时空格局，并将其季节性变化特征与具体的水稻种植活动（如密度、模式）定量关联，尚缺乏深入探讨。

鉴於此，本研究旨在结合TROPOMI卫星观测数据与中国省级水稻种植统计数据，通过先进的时间序列分析和聚类方法，实现以下目标：1）分析2018年至2022年间中国区域甲烷浓度的空间分布和长期增长趋势；2）揭示甲烷浓度的季节性变化规律，并对其进行客观的模态分类；3）深入探讨这些季节性模态与不同地区水稻种植密度和种植模式（单季稻、双季稻）之间的内在联系，从而评估水稻种植活动对区域甲烷季节变化的决定作用。

详细的研究流程与方法

本研究的工作流程系统而严谨，主要包括数据获取与预处理、时间序列分解、聚类分析、以及结果与影响因子关联分析四个主要环节。每个环节都采用了特定的方法和技术以确保结果的科学性和可靠性。

第一环节：数据获取与预处理。 本研究采用了两种核心数据源。首先是甲烷观测数据。研究使用了2018年5月至2022年4月期间，Sentinel-5P卫星搭载的TROPOMI传感器反演的Level-2甲烷柱浓度数据（产品代号XCH₄）。为了保证数据质量，研究选用了经过再处理的质量最佳版本数据，并按照官方指南，筛选了质量保证值大于0.5且经过偏差校正的数据点，同时排除了高纬度（>60°）观测，以规避与高太阳天顶角、云、过量气溶胶等相关的误差。经过筛选，中国区域共获得1548万个有效数据点。随后，这些数据通过算术平均法被网格化为0.5° × 0.5°的空间分辨率，每个网格单元平均有4457.2个数据，确保了后续分析的代表性。其次是水稻种植数据。中国各省（不含港澳台）的水稻播种面积数据来源于国家及省级统计年鉴。为了更精确地衡量种植活动的地理强度，研究定义了“水稻播种面积比”这一指标，即一个省的水稻播种面积与其行政面积的比值，用以量化不同省份的水稻种植密度。

第二环节：时间序列分解与趋势分析。 基于上述网格化数据，研究计算了每个省份的月平均甲烷浓度，形成了各省从2018年5月至2022年12月的时间序列。为了从复杂的时序数据中分离出长期趋势、季节性波动和随机噪声，研究创新性地采用了STL区域时间序列分解方法。STL（Seasonal and Trend decomposition using Loess）是一种使用局部加权回归进行平滑的先进分解方法，它将时间序列分解为趋势项、季节项和残差项三个独立部分。研究设定分解周期为12个月，以匹配年度循环。通过分解，得到了每个省份甲烷浓度的长期趋势成分和纯净的季节性变化成分。基于趋势成分，研究计算了各省在观测期内的甲烷平均增幅，以量化其长期增长情况。

第三环节：季节性模态的识别与分类。 为了科学地归纳中国不同区域甲烷季节变化的共性与差异，研究对STL分解得到的季节项数据，应用了无监督机器学习中的K-means聚类算法。算法的核心目标是将具有相似季节性变化形态的省份归为同一类。为了确定最优的聚类数目，研究采用了双重验证策略：肘部法则和轮廓系数法。肘部法则通过观察不同聚类数下簇内误差平方和的下降拐点来确定；轮廓系数则评估聚类内部凝聚度和类间分离度的综合质量。通过对1000次随机初始化的结果进行平均，最终确定聚类数K=4为最优解，即将中国各省的甲烷季节性变化归纳为四类典型模态。

第四环节：模态特征分析与水稻种植关联。 在获得四类季节性模态的空间分布后，研究将其与各省的水稻种植统计数据（播种面积比、种植模式）进行空间叠置和综合分析。详细探究了每类模态的季节变化曲线特征（如峰值数量、出现时间、波动幅度），并联系对应区域的地理气候条件（如纬度、气温、冻土分布）和水稻种植制度（如单季稻、双季稻的种植周期），对模态的成因进行了解释。同时，研究也坦诚讨论了分析中存在的局限性，例如K-means算法可能存在的误分类，以及大气甲烷浓度除水稻排放外还受其他自然和人为源汇过程影响的事实，指出了未来研究需要结合更复杂模型进行源解析的必要性。

主要研究结果

本研究取得了一系列从宏观格局到微观机理的清晰结果，层层递进，最终支撑了核心结论。

第一，中国甲烷浓度的空间分布与长期趋势特征。 TROPOMI观测清晰显示，2018-2022年间中国甲烷柱浓度存在显著的空间异质性，总体呈现“东南高、西北低”的梯度分布格局。高浓度区（柱浓度平均高出30-50 ppb）主要分布在华中、华东、华南及西南东部，这与我国主要的水稻产区、高人口密度区高度吻合。东北平原南部与华北平原结合部形成了次高值区，可能与集约化农业和城镇能源消费有关。新疆地区观测到的线性高值带则与油气田分布一致，暗示了能源泄漏的贡献。而青藏高原则因高寒气候和人类活动稀少，表现为全国最低浓度区。在趋势方面，观测期内全国各省甲烷浓度均呈上升趋势，但增长率存在空间分异。东北三省和西南的云南省增长率最高（>0.8%），而浓度本就较高的华南地区增长率相对较低（约0.6%），这可能与部分地区土地利用从双季稻转向蔬菜种植有关。

第二，甲烷浓度季节性变化的四类模态及其空间分布。 通过STL分解和K-means聚类，研究首次系统地将中国甲烷浓度的季节性变化归纳为四类具有鲜明特征的模态，并明确了其地理分布。第一类：单峰型。 表现为单一的夏季峰值（8月）和冬季低谷，季节曲线相对平缓。主要分布在水稻种植极少或无的西北地区（如西藏、青海、甘肃）以及华北（河北、山西）和西南部分省份（四川、云南）。第二类：双峰型。 特征是在8月主峰之外，冬季（11-12月）出现一个明显的次峰。这类模态盛行於北方地区，集中分布在东北三省、内蒙古和新疆。第三类：“山”字型（三峰型）。 呈现9月主峰，并在6月和12月出现次峰的多峰结构，季节变幅较大。空间上覆盖华中、华东核心农区（江苏、安徽、浙江、湖南、湖北等）以及部分西南省份。第四类：多峰型。 呈现出更复杂的波动，主峰在10月，次峰在12月，并在其他月份（如3月）有小高峰。此类模态以华南地区（广东、广西、海南、福建）为核心。

第三，季节性模态与水稻种植活动的深刻关联。 上述模态的空间分布与水稻种植密度及模式展现出了高度的地理耦合性，这是本研究最核心的发现。空间叠置分析（图5）清晰地显示，水稻种植密度高的省份（如江苏、江西、湖南、湖北）基本对应着第三类和第四类多峰型模态；而种植密度低的地区（如西北各省）则对应第一类单峰型模态。这初步验证了水稻种植密度是影响甲烷排放季节性特征的关键因素。进一步结合各省水稻种植模式（表1）的详细分析，揭示了更精细的机制：单峰型区域（如青海、西藏）水稻种植近乎为零，其甲烷季节变化主要受自然过程（如温度驱动的微生物活动）控制，呈现简单的夏季单峰。双峰型区域（如黑龙江、吉林、辽宁）虽有一定水稻种植，但冬季的次峰无法用水稻活动解释。研究指出，这与这些地区广泛分布的中深季节冻土有关。在土壤冻结过程中，冻土挤压导致活动层中积累的甲烷释放，形成了冬季的浓度峰值。“山”字型（三峰型）区域是我国单季稻或“一季稻为主、两季稻为辅”的主要产区。其6月、9月、12月的多峰结构与单季稻的生长周期（如分蘖期、成熟期排放峰值）以及其他源（如冬季供暖）的可能贡献有关。多峰型区域则是典型的双季稻（早稻和晚稻）主产区。其复杂的多峰特征，特别是春季（3月）的小高峰，与早稻的播种和早期生长阶段产生的甲烷排放直接相关，清晰反映了双季稻种植制度对甲烷排放时序的塑造作用。

第四，结果的不确定性讨论。 研究客观地指出了结论的局限性。STL分解和聚类分析本质上是相关性分析，而非因果推断。大气甲烷浓度是多种源（水稻田、自然湿地、能源泄漏、垃圾填埋等）和汇（主要是与OH自由基的反应）共同作用的结果。当前分析虽强烈暗示了水稻种植的主导作用，但无法完全排除其他因素的贡献。此外，K-means聚类算法本身对初始值敏感，虽然通过多次平均优化，但仍可能出现个别省份的误分类（如研究中提到山东和贵州被归入第三类，但其季节曲线更接近单峰型）。这些不确定性指向了未来需要结合“自上而下”的 atmospheric inverse modeling（大气反演模型）和更高分辨率的排放清单进行更精确的源解析。

研究的结论与价值

本研究得出以下核心结论：1）中国甲烷浓度呈现东南高、西北低的空间格局，且2018-2022年间全国范围内呈增长趋势。2）中国甲烷浓度的季节性变化可系统归纳为单峰型、双峰型、三峰型和多峰型四类典型模态，其空间分布具有规律性。3）水稻种植是决定中国区域甲烷浓度季节性特征的关键因素。不同季节性模态与水稻种植密度和种植模式（单季稻/双季稻）存在明确的对应关系：种植密度低的地区表现为简单的单峰型；单季稻区表现为三峰型；双季稻区则表现为更复杂的多峰型。此外，在北方冻土区，冻土冻融过程导致的冬季甲烷释放形成了独特的双峰型模态。

本研究的科学价值在于，首次利用高时空分辨率的TROPOMI卫星数据，结合统计数据和先进的时序分析方法，在全国尺度上系统刻画并科学归类了中国甲烷浓度的季节性变化模态，并成功地将这些模态与具体的人类农业活动（水稻种植）以及自然过程（冻土冻融）建立了定量化的空间关联。这不仅深化了对中国甲烷源排放时空动态的理解，也为从观测角度验证和约束稻田甲烷排放清单提供了新的方法论和证据支持。

在应用价值上，研究结果对中国实现“碳中和”目标下的甲烷减排管控具有重要参考意义。研究明确指出，不同水稻产区的甲烷排放具有不同的季节性规律，这提示减排政策和管理措施（如水分管理、施肥时间调整）需要因地制宜，考虑种植制度的差异。例如，针对双季稻区春季的排放小高峰，可以研究相应的农艺干预措施。研究也为利用哨兵系列卫星等遥感手段进行甲烷排放的常态化监测和评估提供了可行路径。

研究的亮点

本研究的亮点突出体现在以下几个方面：1. 方法创新性： 创造性地将STL时间序列分解方法与K-means聚类算法相结合，用於分析大气成分的卫星观测数据，实现了对复杂季节性模式的客观、定量化分类，超越了传统的主观描述。2. 数据前沿性： 率先系统应用了当时最新、空间分辨率最高的TROPOMI甲烷柱浓度产品，提供了前所未有的精细时空视角来解析农业排放。3. 关联深度： 不仅停留在描述甲烷浓度的时空格局，更进一步深入挖掘了其季节性变化的四类模态，并成功将这些模态与具体的水稻种植密度、种植模式乃至冻土分布等地理环境因子进行了深度融合和机理解释，建立了从“观测现象”到“驱动因素”的清晰逻辑链条。4. 系统性： 研究覆盖全国范围，时间跨度达四年，分析流程完整，从数据预处理、趋势分析、模态识别到成因探讨，构成了一个系统的研究范例。

其他有价值的内容

研究在讨论部分还提及了一些有价值的观点。例如，研究发现从第一类到第四类模态，随着纬度降低（从北到南），甲烷浓度的夏季峰值出现时间有逐渐提前的趋势，这可能与气温季节性变化和水稻种植周期的地理差异有关，为进一步研究气候-作物-排放的耦合关系提供了线索。此外，研究对各类不确定性（如其他排放源的干扰、聚类算法的局限性）的坦诚讨论，体现了科学的严谨性，并为后续研究指明了改进方向，如建议未来研究采用“自上而下”的反演方法结合高分辨率排放清单和大气化学传输模型，以更精确地解耦生物源与非生物源的贡献。