利用MERRA-2和AERONET数据集成技术，对东南亚地区气溶胶动力学及人群暴露情况进行基于云的评估

《Atmospheric Environment》：Cloud-based assessment of aerosol dynamics and population exposure in Southeast Asia using MERRA-2 and AERONET integration

气溶胶光学厚度时空分布及ENSO影响研究：基于MERRA-2和AERONET的验证及人口暴露评估，采用云计算工作流整合多源数据，揭示陆海环境影响及健康风险热点。

　　

作者列表： 郑志 | Helmi Zulhaidi Bin Mohd Shafri | 董伟 | 贾鹏飞 | 余盛瑞 | 朱凯琳 | Abdul Rashid Bin Mohamed Shariff

马来西亚普特拉大学（UPM）工程学院土木工程与地理空间信息科学研究中心（GISRC），43400 Serdang, Selangor, Malaysia

摘要

由于混合排放源和季风-陆地-海洋环流的影响，东南亚地区的气溶胶负荷存在显著的时空异质性，其年际变化受到厄尔尼诺-南方涛动（ENSO）的强烈调控。本研究通过将AERONET地面观测数据、MERRA-2再分析数据以及GHSL人口网格整合到基于云的工作流程中，评估了MERRA-2（Modern Era Retrospective Analysis for Research and Applications, Version 2）气溶胶产品在2015–2024年期间在东南亚地区的适用性。对MERRA-2提供的550纳米波长的气溶胶光学厚度（AOD）和?ngstr?m指数进行了验证，结果发现其性能具有明显的站点依赖性：在内陆地区的吻合度较高，而在受海洋影响的沿海地区则表现较差。进一步分析显示，当气溶胶负荷增加时（尤其是AOD > 0.6时），MERRA-2会出现系统性低估，尤其是在沿海站点。成分解析表明，有机碳和硫酸盐是该地区气溶胶负荷的主要贡献因素；与正常年份相比，厄尔尼诺年份中有机碳的贡献增加。基于人口加权的AOD地图显示，印度支那半岛和主要城市化走廊地区存在持续的高暴露热点，这些高峰期与厄尔尼诺事件相吻合。利用区域火灾密度和降水时间序列进行的过程导向评估进一步证实，厄尔尼诺期间火灾活动增强且降水减少，这为解释东南亚地区与ENSO相关的气溶胶异常提供了物理上的合理解释。

引言

大气气溶胶作为悬浮在空气中的固体或液体颗粒，在全球气候系统、区域环境演变和人类健康方面起着关键作用（Legg, 2021）。它们通过散射和吸收太阳辐射直接改变地球-大气系统的辐射平衡，同时作为云凝结核影响云滴形成和降水特性，从而影响气候反馈和水循环（Boucher and Quaas, 2013; Myhre et al., 2013）。近期研究表明，气溶胶对有效辐射强迫（ERF）的贡献仍存在很大不确定性，这主要是由于不同气溶胶成分（如硫酸盐、黑碳和有机碳）的气候效应差异：以散射为主的气溶胶（如硫酸盐和海盐）通常具有冷却效应，而富含黑碳和棕碳的生物质燃烧气溶胶则可能产生显著的大气加热效应（Bond et al., 2013; Luo et al., 2025）。此外，细颗粒物（PM₂.₅）作为气溶胶的主要成分，能够深入肺泡并进入血液，引发慢性炎症、心血管疾病和呼吸系统疾病，因此对全球公共卫生构成重大威胁（Myhre et al., 2013; Organization, 2024）。因此，准确描述气溶胶的时空分布、成分特征和人口暴露水平对于理解气候反馈、制定空气质量管理策略和减轻健康风险至关重要。 东南亚是气溶胶研究中最复杂和最重要的区域之一。该地区位于热带辐合带内，主要受交替出现的西南季风（6–9月）和东北季风（11–2月）的影响，导致高湿度和强烈的对流现象以及复杂的陆地-海洋环流（Zhang et al., 2025）。人为活动与自然过程的相互作用产生了多样化的氣溶胶来源：印度尼西亚和马来西亚的广阔泥炭地和森林在干旱季节经常发生大规模火灾，释放出富含黑碳和有机碳的烟雾；泰国和缅甸的农作物残余物燃烧显著增加了区域内的生物质燃烧气溶胶；而曼谷、胡志明市和雅加达等大城市的快速城市化和工业化进程则导致了硫酸盐和硝酸盐等二次无机气溶胶的积累（Suriyawong et al., 2023）。这些多重气溶胶来源导致了该地区显著的时空异质性，这种异质性受到厄尔尼诺-南方涛动（ENSO）等年际气候异常的强烈影响，厄尔尼诺年份通常伴随着极端干旱和异常高的气溶胶光学厚度（AOD）事件（Xie et al., 2022）。然而，尤其是岛屿和山区，地面监测网络较为稀疏，限制了全面描述东南亚地区气溶胶负荷和成分结构的能力。 为填补这一空白，现代再分析产品已成为重要的工具。NASA开发的MERRA-2（Modern-Era Retrospective Analysis for Research and Applications, Version 2）结合了GEOS-5大气模型和GOCART气溶胶模块，整合了包括AERONET、MODIS和MISR在内的多源观测数据，自1980年以来提供了全球高时间分辨率的气溶胶产品，包括总AOD以及黑碳、有机碳、硫酸盐、尘埃和海盐的成分解析AOD（Gelaro et al., 2017）。MERRA-2的长时间覆盖范围和成分分解为源解析、传输路径研究和辐射效应评估提供了独特优势。然而，其在高湿度、复杂地形和强对流条件下的适用性仍需进一步评估。 另一方面，区域气溶胶污染对公共健康的威胁长期以来被低估。东南亚拥有超过6.7亿人口，人口密度极高，许多城市位于生物质燃烧和工业排放区的交汇处（Vadrevu et al., 2018）。尽管AOD常被用作气溶胶浓度的代理指标，但平均值无法充分反映居民的实际暴露水平及其在不同空间尺度上的变化。近年来，如全球人类居住层（GHSL）这样的高分辨率人口网格使得基于人口的暴露评估成为可能。然而，这些工具在东南亚气溶胶暴露研究中的应用仍有限，缺乏对长期暴露水平和动态变化的全面分析。 为解决这些研究空白，本研究提出了一个多维度框架，整合了再分析数据、地面观测和人口分布数据集，系统评估了MERRA-2气溶胶产品在东南亚地区的适用性，揭示了区域气溶胶负荷的时空演变，并量化了人口暴露水平。为克服数据获取和处理的瓶颈，我们使用Google Earth Engine（GEE）构建了一个在线数据获取和预处理框架，结合Google Drive进行云存储和共享，并利用Google Colab进行高性能统计建模和时间序列分析。这种云集成工作流程不仅大大提高了数据处理效率，还确保了分析过程的可重复性和可扩展性，为多云热带地区的气溶胶研究提供了方法论创新。

研究区域

东南亚位于亚洲大陆和太平洋的交界处，大致覆盖北纬5°–25°、东经90°–130°的范围，包括缅甸、泰国、老挝、柬埔寨、越南、马来西亚、新加坡、文莱、印度尼西亚、菲律宾和东帝汶（图1）。该地区是全球最复杂的热带季风系统之一，主要受交替出现的西南季风（6–9月）和东北季风（11–2月）的影响。

MERRA 2气溶胶产品的准确性验证

使用2015–2024年间26个AERONET站点提供的每小时气溶胶光学厚度（AOD）和?ngstr?m指数（AE）观测数据，评估了MERRA-2气溶胶产品在东南亚地区的表现。站点级别的验证指标包括皮尔逊相关系数（R）、均方根误差（RMSE）和平均偏差误差（MBE）（见表2）。 在所有站点中，MERRA-2与AERONET在550纳米波长的AOD之间的一致性表现出明显的空间和站点依赖性差异。

厄尔尼诺-南方涛动年份及其对气溶胶负荷和成分的影响

根据NINO3.4海表温度异常，2015–2024年的ENSO阶段按照NOAA标准进行了分类：2015年、2016年、2019年和2023年被认定为厄尔尼诺年份（异常≥ +0.5 °C），2021–2022年被认定为拉尼娜年份（异常≤ ?0.5 °C），其余年份被视为中性年份。比较ENSO年份和非ENSO年份发现，在厄尔尼诺期间东南亚地区的气溶胶负荷显著增加（图13）。空间上，这种增加最为明显。

结论与建议

本研究通过整合地面AERONET观测数据、再分析数据和高分辨率人口网格，系统评估了MERRA-2气溶胶产品在东南亚地区的适用性。MERRA-2能够有效再现陆地地区的季节性和年际气溶胶光学厚度变化，但在高AOD条件下存在系统性低估，在对流活跃的沿海地区准确性较低。有机碳和硫酸盐被确定为该地区气溶胶负荷的主要贡献因素。 郑志：撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发。 Helmi Zulhaidi Mohd Shafri：撰写 – 审稿与编辑、监督、项目管理、资金获取、正式分析、数据管理、概念构思。 董伟：可视化。 朱凯琳：撰写 – 审稿与编辑、可视化。 Abdul Rashid Mohamed Shariff：撰写 – 审稿与编辑、监督、资源协调。 余盛瑞：可视化。 贾鹏飞：可视化。 <未引用参考文献> Nguyen, 2013; Schutgens, 2020a. <参与同意书> 所有参与研究的人员均已获得知情同意。 <发表同意书> 参与者同意将手稿提交给期刊。 <伦理批准> 作者确认本研究不涉及人类或动物实验。 <利益冲突声明> 作者声明没有已知的可能影响本文工作的财务利益或个人关系。在准备本研究过程中，作者使用了ChatGPT来优化语言表达和语法修正。使用该工具/服务后，作者对内容进行了必要的审查和编辑，并对发表文章的内容负全责。 <数据和代码可用性> 所有处理过的数据集和分析脚本（包括GEE数据处理、Colab笔记本用于统计分析以及暴露模型工作流程）均通过GitHub公开获取。 <关于生成式ai和ai辅助技术在写作过程中的使用声明> ChatGPT仅用于提高本文的语言清晰度和修正语法错误。所有数据获取、分析和解释均由作者独立完成，作者对内容、准确性和整体完整性承担全部责任。 <资金情况> 不适用。 <利益冲突声明> ? 作者声明以下财务利益/个人关系可能被视为潜在的利益冲突：Helmi Zulhaidi Bin Mohd Shafri表示获得了马来西亚普特拉大学（UPM）的行政支持。如果还有其他作者，他们也声明没有可能影响本文工作的已知财务利益或个人关系。 <致谢> 作者衷心感谢马来西亚普特拉大学（UPM）通过Geran Putra Inisiatif（GPI）研究项目“开发用于遥感数据土地利用的高级机器学习技术”（项目代码：GPI/2023/9757000）提供的资助和支持。作者还感谢匿名审稿人的建设性评论和宝贵建议，这些评论和建议显著提升了本文的质量。