关于华北地区大气氮沉降空间格局与季节特征的研究报告

本报告旨在介绍由Zhen Wang, Xiuying Zhang, Lei Liu, Miaomiao Cheng & Junfeng Xu共同完成，并于2019年12月发表在《Atmospheric and Oceanic Science Letters》期刊上的一项原创性研究。该研究题为“Spatial and seasonal patterns of atmospheric nitrogen deposition in north China”，即《华北地区大气氮沉降的空间格局和季节特征》。研究团队主要来自南京大学国际地球系统科学研究所、兰州大学、中国环境科学研究院及杭州师范大学等机构。

一、 学术背景与研究目的

本研究属于大气环境科学和生物地球化学循环交叉领域，核心关注点是大气氮沉降。氮是生命必需元素，但人类活动（如化肥生产、化石燃料燃烧）向大气中排放了大量活性氮（如氮氧化物NOx和氨NH3），这些活性氮通过干、湿沉降过程返回地表，即氮沉降。过量的氮沉降会导致水体富营养化、土壤酸化、生物多样性丧失等一系列生态环境问题。中国，特别是华北地区，作为人口密集、农业集约化程度高、工业和交通发达的区域，已成为全球氮沉降的热点地区之一。然而，传统的地面监测站点数量有限且分布不均，难以精确刻画区域尺度上氮沉降的空间分布和季节动态。因此，本研究旨在利用卫星遥感技术与大气化学传输模型相结合的方法，弥补地面观测的不足，系统揭示华北地区大气氮沉降的总量、空间格局及其季节变化特征，从而为区域氮循环研究、生态系统评估和环境管理提供客观、全面的数据支持。

二、 详细研究流程与方法

本研究采用了一种基于“卫星观测-模型模拟-地面验证”的推断模型方法，其工作流程可详细分解为以下几个步骤：

1. 数据获取与准备：研究收集了多源数据。核心遥感数据包括：来自臭氧监测仪（OMI）的对流层二氧化氮（NO2）柱浓度数据（空间分辨率0.125°×0.125°），以及来自红外大气探测干涉仪（IASI）的对流层氨（NH3）柱浓度数据（分辨率0.25°×0.25°）。模型数据方面，利用MOZART-4大气化学传输模型获取了NO2和NH3的垂直廓线信息，以将卫星观测的“柱总量”转换为近地面浓度所需的垂直分布权重。此外，还获取了土地利用数据、中国气象局提供的月降水量数据（0.5°×0.5°），并基于CMAQ模型和MM5气象模型计算了月均干沉降速度（Vd）。地面验证数据来自已发表的文献，涵盖了华北地区17个监测站点的实测氮沉降通量数据。

2. 干沉降通量估算：对于无法被卫星直接观测的气态硝酸（HNO3）、颗粒态硝酸根（NO3-）和颗粒态铵根（NH4+），研究建立了统计回归模型。具体而言，利用地面监测的NO2和NH3浓度数据，与同点位其他氮组分（HNO3, NO3-, NH4+）的浓度建立经验关系，从而通过卫星反演的地面NO2和NH3浓度来间接估算这些组分的近地面浓度。最终，五种干沉降组分（气态：NH3, NO2, HNO3；颗粒态：NH4+, NO3-）的沉降通量通过公式“通量 = 近地面浓度 × 干沉降速度（Vd）”进行计算。干沉降速度的计算采用了在大气化学模型中广泛应用的大叶模型。

3. 湿沉降通量估算：湿沉降估算考虑了降水对大气中氮组分的清除作用。首先，利用OMI的NO2柱浓度数据，结合MOZART-4模型中NO2、HNO3和NO3-柱浓度之间的关系，反演出HNO3和NO3-的柱浓度。然后，基于地面监测的湿沉降硝酸盐（NO3–N）数据、反演得到的HNO3与NO3-柱浓度以及降水量，构建统计模型来估算月尺度的湿硝酸盐沉降。湿铵盐（NH4+-N）沉降的估算采用类似方法，以卫星NH3柱浓度作为输入变量。

4. 总沉降合成与验证：将估算得到的各干、湿沉降组分通量相加，得到总氮沉降通量（包括NH4+-N和NO3–N）。研究利用华北地区17个独立的地面监测站点数据对所构建模型的估算结果进行了准确性评估。通过比较估算值与实测值在范围、平均值以及相关性（如相关系数、平均绝对误差）上的表现，验证了该推断模型在区域尺度上应用的可靠性。

三、 主要研究结果

1. 模型验证结果：估算的年度氮沉降通量范围（38.4 至 91.7 kg N ha−1 yr−1）和平均值（67.8 kg N ha−1 yr−1）与地面实测值（34.4 至 93.3 kg N ha−1 yr−1，平均62.1 kg N ha−1 yr−1）非常接近。两者之间的相关系数高达0.86，且具有统计学显著性（p<0.01），平均绝对误差为0.15。这表明本研究构建的模型能够较好地再现华北地区的氮沉降状况，为后续的空间和季节分析提供了可信的基础。

2. 氮沉降的空间格局：

   • 总量分布：华北地区年平均总氮沉降通量为54.5 ± 17.2 kg N ha−1 yr−1，变化范围在16.3至106.5 kg N ha−1 yr−1之间。高值区（>50 kg N ha−1 yr−1）与城市建成区和农田高度重合，其中最高值（>80 kg N ha−1 yr−1）呈点状（如北京、济南等大城市）或带状（如石家庄至郑州的城市带）分布。低值区（<40 kg N ha−1 yr−1）则主要集中在人类活动较少的森林和草地。
   • 干湿沉降贡献：在总沉降中，干沉降平均为34.8 ± 13.9 kg N ha−1 yr−1，占总量的64%；湿沉降平均为19.7 ± 4.1 kg N ha−1 yr−1，占总量的36%。这表明在华北地区，干沉降是氮沉降的主要形式。
   • 不同形态氮的分布：铵态氮（NH4+-N，主要来自农业源如化肥和畜禽养殖）沉降的高值区分散在城郊农业区，如济南西部、郑州西北部和北京南部。硝态氮（NO3–N，主要来自工业、电力和交通等化石燃料燃烧源）沉降的高值区则集中在城市点、工业区及交通干线附近。值得注意的是，硝态氮沉降的空间分布与总氮沉降极为相似，因为其在总沉降中占主导地位（57%）。湿沉降的空间分布不仅受排放源影响，还与降水量密切相关，高降水量沿海地区（山东东部除外）通常对应较高的湿沉降通量。

3. 氮沉降的季节变化特征：

   • 干沉降组分：气态HNO3和颗粒态NO3-的沉降通量在冬季和秋季较高，春季和夏季较低。这主要与冬季取暖等导致的NOx排放增加，以及夏季降水对HNO3的清除作用有关。相反，气态NH3和颗粒态NH4+的沉降通量则在春季和夏季较高，冬季和秋季较低，这与华北地区冬小麦-夏玉米轮作制度下的施肥季（春、夏）以及高温促进氨挥发密切相关。气态NO2的沉降未表现出强烈的季节性规律。
   • 湿沉降组分：湿沉降的NH4+和NO3-通量显著受降水控制，呈现夏季最高、冬季最低的季节变化。夏季（7月）的湿沉降量可占全年湿沉降总量的40%以上。
   • 总沉降与形态占比的季节动态：月总氮沉降通量在3.41至7.77 kg N ha−1/month之间变化。夏季（如7月）的总沉降峰值主要由湿沉降和铵态氮沉降驱动；而冬季、春季和秋季的总沉降则主要由硝态氮沉降主导。这清晰地反映了NOx（冬季取暖、全年工业交通）和NH3（春夏农业活动）排放源及其强度的季节性差异。例如，12月、4月和7月的NO3–N/NH4+-N沉降通量比值分别为4.3、1.0和0.5，直观体现了不同季节主导氮形态的转变。

四、 研究结论与价值

本研究得出结论：华北地区大气氮沉降通量高，且空间异质性显著，强烈受人类活动（城市与农业）驱动。在沉降构成上，干沉降为主（64%），硝态氮沉降是主要形态（57%）。季节上，氮沉降受排放源类型（工业vs农业）和气象条件（降水）共同调控，呈现出复杂的动态特征：硝态氮沉降秋冬高、春夏低，铵态氮沉降则相反；湿沉降夏季集中。

该研究的科学价值在于，首次综合利用卫星遥感和化学传输模型，在区域尺度上系统量化并揭示了华北地区总氮沉降（包括所有主要无机氮组分）的完整空间格局和精细季节变化，弥补了单纯依靠稀疏地面站点监测的不足。其应用价值体现在：生成的氮沉降空间分布图可为识别沉降“热点”区域、评估氮沉降对森林、草地和农田等生态系统的潜在影响（如氮饱和、酸化风险）提供关键的基础数据。此外，该研究验证的卫星反演方法，为未来在中国建立基于卫星的氮沉降业务化监测方案提供了技术依据和参考。

五、 研究亮点

1. 方法创新性：成功开发并验证了一种融合卫星遥感柱浓度观测、大气化学模型垂直廓线模拟和地面统计关系的“自上而下”推断模型，实现了对难以直接观测的氮组分（如HNO3、颗粒态氮）沉降的区域化估算，是传统“自下而上”排放清单和稀疏地面监测的重要补充。
2. 研究系统性：首次在华北区域尺度上，同时估算了包括气态（NH3, NO2, HNO3）和颗粒态（NH4+, NO3-）干沉降以及湿沉降（NH4+, NO3-）在内的全部主要无机氮沉降通量，提供了对总氮沉降更全面、更综合的认识。
3. 揭示主导因素：明确指出了在华北地区，总氮沉降的空间格局主要由硝态氮沉降主导，而季节变化则反映了农业源铵态氮（春夏主导）与工业能源源硝态氮（秋冬主导）排放的交替影响，深化了对区域氮沉降驱动机制的理解。
4. 高分辨率制图：生成了空间连续的氮沉降分布图，清晰揭示了沉降通量与土地利用类型（城市、农田、森林/草地）的紧密关联，为精细化环境管理提供了靶向信息。

六、 其他有价值内容

研究在讨论部分也坦诚指出了当前方法存在的不确定性，包括输入数据（如卫星反演精度）、化学传输模型模拟的垂直廓线、干沉降速度参数化方案以及构建的统计模型本身带来的误差。这为后续研究指明了改进方向，例如发展更高时空分辨率的卫星反演算法、优化模型参数等。此外，研究强调未来工作应聚焦于利用更高性能的卫星数据来识别氮沉降热点，为政府监管提供更强大的技术支持。