大气细颗粒物（PM2.5）是指大气中空气动力学直径小于或等于2.5微米的颗粒物，也称可入肺颗粒物。它的直径小于人的发丝直径的1/20。虽然PM2.5只是地球大气成分中含量较少的一部分，但它对人类生产生活的影响却十分重要。
与粒径较粗的大气颗粒物相比，PM2.5粒径小，富含大量的有毒、有害物质，且在大气中的停留时间长、输送距离远，因此它对人体健康和大气环境质量的影响更大。在我国，大气细颗粒物污染是一个具有挑战性的环境问题。系统性的近地面PM2.5测量直到2013年才在我国全面展开，因此历史数据的缺乏是回顾分析PM2.5长期趋势和预测其热点区域未来演变的关键障碍。
那么，如何弥补历史数据的不足？PM2.5能否用卫星遥感来观测呢？
如果遥感观测的大气柱积分气溶胶特性可以充分转化为PM2.5，卫星数据便可提供一个新的途径来获取历史PM2.5信息。
中国科学院空天信息创新研究院李正强研究员团队发展了细颗粒物卫星遥感（PMRS）物理模型，显著降低了国际上同类方法过于依赖模式模拟导致的瞬时结果偏差大的瓶颈问题。进一步，通过地面观测改进吸湿增长模型，并建立细粒子比的非线性校正函数以校正MODIS产品。校正后的MODIS细粒子气溶胶光学厚度与POLDER GRASP产品相比，残差小于-0.03。
该团队利用MODIS的历史观测，重构了2000-2015年中国区域近地面PM2.5月均质量浓度的时间序列。研究发现，全国范围的PM2.5浓度在2000年以来出现先增加后减小的趋势，污染区域的平均PM2.5浓度2004-2007年出现了较大程度的上升。随后，PM2.5在2007-2009年期间略有下降，而在2009年污染再次增加。2013年之后，由于国家实施了严格的污染控制措施，PM2.5的质量浓度开始显著下降。
从空间分布上看，我国PM2.5浓度在华北地区、四川盆地以及江汉平原等几个地区出现高值。山东省中部由于海拔较高（沂蒙山和泰山地区），在高值环绕的区域出现了一个低浓度区域。四川盆地则是中国污染区域的西部边界，四川盆地以西，绝大多数区域年均PM2.5浓度显著低于20 μg m-3（表示每立方米空气中可入肺颗粒物的含量低于20微克）。略有不同的是，新疆北部的PM2.5浓度出现了轻微升高，这与该地区的沙尘频发（带来部分细颗粒物）相关。
更重要的是，该团队基于PMRS物理模型，进一步区分了人为和气象因素分别对应的PM2.5贡献，以此探索PM2.5历史演变的主要驱动因素。该方程是PMRS模型的重要拓展应用，也是首次从卫星遥感观测角度出发，区分人为和气象因素对近地面PM2.5历史演变贡献的方法，打破了长期以来只有气象-化学模型才能区分人为和气象贡献的壁垒。
研究结果表明，2008年以前PM2.5的增加主要由人为因素的快速增加导致，人为因素贡献由于受北京奥运会举办影响在2008-2009年间大幅降低，但之后又开始回升，在2011年左右达到新的峰值。2011年之后，由于国家对空气污染治理力度的加大，PM2.5的人为因素贡献持续快速降低，带来了整体空气质量的显著改善。与此相对，PM2.5的气象因素贡献自2000年以来缓慢但仍在持续上升，此与气候变化造成的大气环境改变大背景相关，也明确表明了自然大背景是不利于空气污染治理的，需要进一步加大人为努力，增加污染治理的力度。
最终，研究人员得以利用上述驱动因素对未来10年的PM2.5浓度变化进行情景预测。结果表明，如果仅保持污染排放在当前水平不变，则气象因素有可能驱动PM2.5浓度在未来反弹（不降反升）。因此，我国需要进一步减少人为排放以加速PM2.5浓度的下降，从而保证在2025年前达到主要污染地区平均PM2.5浓度低于35μg m-3的目标。如果能持续保持当前空气污染治理力度不减弱，则部分治理效果显著的重点区域有望在2021年左右提前达到世界健康组织（WHO）推荐的过渡时期一阶段（IT-1）目标（35μg m-3），这可为我国空气质量持续改善提供更好的基础。相关结论可以为政府污染治理政策制定、效果评估、公共卫生和健康影响评估等提供宏观数据参考。
五个污染地区的卫星遥感及地面观测PM2.5年均质量浓度平均值及不同场景的预测区间
该研究成果由中国科学院空天信息创新研究院、中国科学院大气物理研究所、中国科学院大学，以及荷兰皇家气象研究所（KNMI）和美国威斯康星-麦迪逊大学（WISC）等机构的科研人员联合完成，发表在SCI期刊 Remote Sensing。第一作者是空天院张莹副研究员，通讯作者是李正强研究员。该工作得到国家重点研发计划项目和国家自然科学基金项目的支持。
参考文献：
Zhang, Y.; Li, Z.; Chang, W.; Zhang, Y.; de Leeuw, G.; Schauer, J.J. Satellite Observations of PM2.5 Changes and Driving Factors Based Forecasting Over China 2000–2025. Remote Sensing, 2020, 12(16), 2518; https://doi.org/10.3390/rs12162518
来源：中国科学院空天信息创新研究院
