印度未达到空气质量标准城市的对流层二氧化氮（NO2）的时空变化特征及典型季节性变化模式：来自TROPOMI卫星数据、ERA5气象模型及趋势敏感性分析的见解

《International Journal of Applied Earth Observation and Geoinformation》：Spatio-temporal variability and canonical seasonal regimes of tropospheric NO2 across India’s non-attainment cities: Insights from TROPOMI, ERA5 meteorology, and trend sensitivity analysis

　　迪比延杜·杜塔（Dibyendu Dutta）
印度班加罗尔，前印度空间研究组织（Indian Space Research Organization）成员

**摘要**
对流层二氧化氮（NO2）是一种关键的空气污染物，与城市排放、工业活动以及不良健康后果密切相关。本研究利用TROPOMI观测数据（2018–2025年），对印度国家清洁空气计划（National Clean Air Programme）下的131个未达到空气质量标准的城市中的NO2变化进行了全面的卫星评估。

研究发现，NO2存在明显的季节性变化，并且这种变化在空间上具有高度一致性：冬季浓度峰值经常超过30 × 10?? mol m?2，而季风季节的浓度最低值则受到增强的湿沉降作用和大气混合过程的影响。城市间的NO2变化幅度在冬季达到最大（约77–82%），而在季风季节显著下降（约45–51%），这表明季节性因素对NO2的空间分布具有很强的控制作用。持续存在的污染热点区域主要集中在主要的城市-工业走廊，尤其是以煤炭为基础的电力生产和采矿地区（例如Korba–Anpara），这些地区的年平均NO2浓度超过20 × 10?? mol m?2；相比之下，南部和东北部地区的NO2浓度较低。

气象因素对NO2的变化具有很强的季节性影响：降水量与NO2浓度呈负相关（相关系数r约为?0.47至?0.77），风速对NO2的扩散也有显著作用；而在较大空间尺度上，边界层效应的影响相对较弱。趋势分析显示，NO2浓度变化趋势总体较弱且统计上不显著（约46–66%），排除受COVID-19影响年份后，约91–99%的城市NO2浓度保持稳定，这表明短期扰动对NO2浓度变化趋势有显著影响。

本研究的一个重要贡献是识别出了五种典型的季节性变化模式，表明不同的城市环境最终可以归结为少数几种物理上可解释的时间变化模式。中等程度的季节性变化在大多数城市中占主导地位（约67%），而强烈的季节性差异主要出现在主要工业区（约30%）。与CPCB（Central Pollution Control Board）的观测数据对比显示，两者之间存在中等程度的一致性（相关系数r = 0.41–0.56），但存在系统性的低估现象。

这些发现表明，印度对流层NO2的变化受到排放强度、季节性气象条件以及偶发扰动共同作用的影响，为区域空气质量评估和政策制定提供了一个可扩展的、基于不同变化模式的框架。

**1. 引言**
二氧化氮（NO2）是一种重要的活性微量气体，参与对流层光化学反应、臭氧生成以及二次气溶胶的形成，在调节大气氧化能力方面起着关键作用（Iqbal和Ahmad，2022；Schneider和Lahoz，2015）。长期暴露于高浓度NO2与不良的呼吸系统和心血管健康问题密切相关（Huangfu和Atkinson，2020；Meng，2021）。在像印度这样的快速发展地区，能源生产、工业化、交通运输和城市化的进程导致了NO2排放模式的空间差异（Hilboll等人，2017；Singh等人，2023）。因此，了解大气中NO2的空间和时间变化对于空气质量管理和减排策略至关重要。

基于地面的监测网络提供了重要的观测数据；然而，这些监测网络在印度各地的分布并不均匀。主要大都市区的监测覆盖度较高，但在许多小型城市和工业区则较为稀疏（Gulia等人，2020；CSE，2025）。这种分布不均导致了观测数据的缺失，使得仅依靠地面观测无法充分了解NO2的长期变化特征、持久性和空间分布。为了解决这些问题，需要采用空间连续的观测方法来补充地面测量数据，从而更全面地理解大气中NO2的动态变化。

卫星遥感技术能够提供对流层NO2垂直柱密度（TNVCD）的空间连续观测数据，从而超越地面监测网络的局限，实现区域和全国范围内的排放模式评估（Bechle等人，2013；Georgoulias，2019）。早期的卫星仪器（如臭氧监测仪OMI）显著提高了对印度NO2变化和污染热点的理解（Hilboll等人，2017）。最近的TROPOMI仪器安装在Sentinel-5卫星上，凭借其更高的空间分辨率（约3.5 × 5.5公里）、更好的信噪比以及每日全球覆盖能力，极大地增强了基于卫星的空气污染监测能力，能够更详细地检测到城市排放羽流和主要工业走廊（包括热电厂、钢铁厂和石化产业集群）。

随着卫星观测技术的进步，印度的空气质量管理也朝着与可持续发展目标相一致的目标政策干预方向发展。2019年启动的印度国家清洁空气计划（NCAP）确定了131个未达到空气质量标准的城市（即连续五年未能满足国家环境空气质量标准的城市）。这些城市代表了多样化的城市、工业和地理环境，为评估全国范围内大气污染物的空间分布提供了重要依据。尽管高分辨率卫星观测数据的可用性不断提高，但对这些城市中NO2的季节性变化、空间聚集特征及持久性的全面评估仍然有限。以往基于卫星的研究主要集中在长期趋势或污染热点识别上，而较少有研究探讨NO2变化的季节性结构、城市区域内的季节性持久性，以及城市是否表现出与排放强度和气象条件相关的典型季节性变化模式。这类分析对于理解城市是否遵循相似的污染模式或表现出区域性的时间变化特征至关重要。

大量高分辨率卫星时间序列数据的日益丰富，进一步推动了能够识别潜在模式并降低数据复杂性的分析方法的发展。地理空间人工智能（GeoAI）和机器学习的最新进展显著提升了环境和大气数据集的分析能力。GeoAI结合了遥感、地理空间数据和人工智能技术，使得对复杂的多源地球观测数据进行分析成为可能，从而改善了环境监测和知识发现（Pierdicca和Paolanti，2022；Li，2025；Iyer等人，2025）。在这一框架下，神经网络、高斯过程回归和基于集合的机器学习方法在捕捉空气质量及环境系统中的非线性关系和复杂时空变化方面表现出强大能力（Hoffman等人，2022；??narer，2025；Jin和Xu，2025），特别是在预测建模和高分辨率预测方面。

尽管这些模型具有预测能力，但它们通常计算复杂度较高且可解释性较差，这可能限制了它们在识别大范围、异质区域内的普遍性季节性模式方面的适用性。鉴于本研究的主要目标是识别对流层NO2变化的典型季节性模式，而非开发预测模型，因此采用了基于质心的聚类方法（K-means），因其简单性、稳健性和可解释性。尽管如此，先进的GeoAI和机器学习方法仍被视为未来研究的有前景的方向，特别是在预测性和高分辨率时空应用方面。

本研究利用TROPOMI传感器的时间序列观测数据，研究了印度NCAP城市中对流层NO2的空间和时间变化特征。分析结合了季节气候学、空间热点检测、统计趋势分析以及标准化月度剖面的聚类方法，以识别典型的季节性变化模式。具体目标包括：（i）描述NCAP城市中对流层NO2的季节性变化；（ii）分析城市和工业区域内的空间热点分布；（iii）使用Mann–Kendall和Sen斜率分析评估时间趋势；（iv）通过聚类技术量化季节性变化幅度并识别典型季节性模式；（v）评估卫星观测数据与CPCB地面测量数据之间的一致性。通过这一综合框架，本研究提供了印度城市环境中NO2变化的多尺度特征描述，揭示了季节性动态、空间异质性和持久性模式，同时展示了高分辨率卫星观测在支持区域空气质量监测和减排策略方面的能力。

**2. 研究区域**
本研究聚焦于中央污染控制委员会（CPCB）确定的131个未达到空气质量标准的城市，这些城市连续五年未能满足国家环境空气质量标准（NAAQS），涉及颗粒物（PM2.5和PM10）和二氧化氮（NO2）的排放。这些城市构成了印度国家清洁空气计划（NCAP）的核心，该计划由环境、森林和气候变化部（MoEFCC）于2019年启动，旨在通过排放控制措施、监测网络扩展、行业减排策略和机构能力建设，到2026年将颗粒物浓度相对2017年的水平降低40%（MoEFCC，2019；Goyal等人，2022）。

研究区域覆盖了印度北纬06°44′–37°05′、东经68°10′–97°20′之间的地区，涵盖了整个印度大陆。所选区域确保了所有NCAP城市的覆盖。这些城市涵盖了印度多样的地理、气候和社会经济环境，包括印度-恒河平原的城市聚居区、大都市区、沿海城市以及以采矿为主的地区。这种空间多样性为研究不同环境和城市条件下大气中NO2的变化提供了合适的背景。

图1显示了印度NCAP城市的空间分布，北部地区（尤其是印度-恒河平原）的NO2浓度相对较高。此外，在印度西部、中部和半岛地区也观察到了多个污染热点集群，而东部和东北部地区分布着一些城市。

**3. 材料与方法**
**3.1. 使用的数据**
**3.1.1. TROPOMI NO2数据**
对流层二氧化氮（NO2）观测数据来自Sentinel-5卫星上的Tropospheric Monitoring Instrument（TROPOMI），观测时间范围为2018年6月至2025年12月。该仪器能够提供每日全球范围内的大气微量气体测量数据，其空间分辨率显著高于早期的NASA Aura卫星上的臭氧监测仪OMI。TROPOMI通过紫外-可见光谱范围内的后向散射太阳辐射进行测量，并利用差分光学吸收光谱技术获取对流层NO2的垂直柱密度。其空间分辨率约为3.5 × 5.5公里2，具有近乎每日的全球覆盖能力，有助于更精确地检测城市污染热点、工业排放羽流和区域排放梯度。这种更高的分辨率使其特别适合进行城市尺度的大气分析。与早期卫星产品相比，TROPOMI能够更精确地识别局部排放源和城市污染结构。

**3.1.2. 气象数据（ERA5）**
为了评估气象条件对对流层NO2变化的影响，使用了ERA5数据集中的再分析数据（2018–2025年）。根据这些数据与污染物传输和去除过程的物理相关性，选择了三个关键参数：行星边界层高度（PBLH）、总降水量和近地面风速。PBLH数据来自ERA5的每小时产品，并在06–09 UTC时间范围内（约11:30–14:30 IST）进行平均处理，以匹配TROPOMI的观测时间（约13:30 IST），确保数据反映了白天的良好混合大气条件（Hersbach等人，2023；Li等人，2023）。总降水量表示为月度累积值，反映了湿沉降过程。近地面风速数据来自ERA5的10米纬向（u10）和经向（v10）风分量，风速通过计算这两个分量的矢量和（WS=u2+v2）得到，以确保水平气流的物理一致性。然后计算2018–2025年期间的月平均风速，并在每个NCAP城市的10公里缓冲区内进行空间聚合。所有气象变量均被聚合为月平均值（降水量为总量），随后生成每个NCAP城市的气候学月度值。数据提取通过Google Earth Engine平台在城市坐标处采样ERA5网格完成，所得数据集与TROPOMI的NO2观测数据进行了配准，以便进行一致的统计分析。

**3.1.3. NCAP城市位置**
使用代表131个NCAP城市位置的地理空间形状文件（CPCB，2020）提取了城市中心的卫星观测数据。该形状文件包含与每个城市相关的监测位置或行政中心点的地理坐标，作为从网格化数据中提取NO2统计数据的采样点。NCAP城市的名称和位置坐标见补充表S1。提取缓冲区的空间尺度根据城市规模进行了评估：考虑到所有城市，中位面积约为159平方公里（平均值约为209平方公里），排除大型大都市区后，中位面积约为147平方公里（平均值约为164平方公里）。这些值相当于大约6–7公里的半径，反映了典型的城市范围。采用的10公里半径缓冲区既考虑了城市的核心区域，又保持了物理意义上的城市规模，确保了核心城市排放和周边城市影响的准确表示。这种方法还最小化了卫星观测中的空间不对准和数据噪声的影响。

**3.1.4. 基地观测**
地面NO2观测数据来自中央污染控制委员会（CPCB）的监测网络，该网络在印度境内共设有52个监测站，数据覆盖时间范围为2019年1月至2025年12月。月度平均值是根据每日观测数据得出的，以确保与基于卫星的数据的时间聚合一致。每日地表二氧化氮（NO2）测量数据来自官方的CPCB数据门户网站（cpcb.nic.in、airquality.cpcb.gov.in和data.gov.in）。所选站点涵盖了城市、半城市和工业环境，为验证TROPOMI数据得出的对流层NO2提供了广泛的空间覆盖。为了确保数据的可靠性，只有那些每月至少有15天有效观测数据且这些数据在月份内分布合理的月份才会被考虑用于聚合。这种过滤方法确保了月度估计值的代表性，并减少了由于时间覆盖不完整而可能产生的偏差。通过地面-卫星对比来评估季节变化性和时间行为的一致性，而不是直接的大小等效性，这承认了近地表现场测量和柱积分卫星反演之间的固有差异。

3.2 方法论
3.2.1 数据聚合和配准方法
使用Google Earth Engine（GEE）平台，从TROPOMI观测数据生成了月度和季节性的对流层NO2垂直柱密度（TNVCD）数据集。通过对场景级别的NO2反演结果应用质量保证标志来过滤掉受云层污染和反演不确定性影响的低质量数据。大约处理了2018-2025年期间的90个卫星场景，以得出月度合成数据。对于每个NCAP城市，通过以城市中心为圆心的固定10公里半径缓冲区提取NO2值。这种基于缓冲区的方法通过聚合多个卫星像素，提供了城市尺度NO2的空间代表性估计，从而减少了反演噪声并最小化了地理定位的不确定性。选择这个缓冲区大小的详细理由在3.1.3节中提供。计算了每个月份的统计描述符，包括平均值、中位数、标准差（SD）和变异系数（CV）。随后根据标准的气候学分组方法得出季节平均值：冬季（12月至2月）、季风前（3月至5月）、季风期（6月至9月）和季风后（10月至11月），以便在不同地区之间进行季节变化性的统一评估。为了确保方法的一致性，TROPOMI NO2数据和ERA5气象变量都采用了相同的空间框架。虽然10公里缓冲区聚合了多个高分辨率的TROPOMI像素，但它大致对应于较粗的ERA5数据集的网格级别采样（约0.25°分辨率）。这种统一的方法使得在不同数据集之间进行比较成为可能，同时考虑了空间分辨率的差异。

3.2.2 趋势分析
使用非参数的Mann–Kendall（MK）检验（Mann, 1945, Kendall, 1975）以及Sen的斜率估计器（Sen, 1968）来评估对流层NO2的长期趋势。MK检验可以在不假设特定数据分布的情况下检测单调趋势，并广泛应用于环境时间序列分析中。MK趋势的标准检验统计量（Zc）计算如下：
Zc = (S - Σ(Si) / (n - 1)) * sqrt(n * Var(Si))，
其中S表示Mann–Kendall统计量，Var(Si)表示其方差。标准化的Z值（MKZ）与尺度无关，允许在不同空间位置之间进行比较。Z的符号表示趋势方向，其大小反映了趋势的强度。统计显著性在95%置信水平上进行评估（|Z| ≥ 1.96）。为了考虑潜在的序列自相关性，按照Yue和Wang（2004）的方法进行了方差校正。对每个NCAP城市进行了季节性的趋势分析。

3.2.3 敏感性分析和Sen的斜率
为了评估短期排放扰动的影响，特别是在COVID-19期间，通过比较完整数据集（2018-2025年）和排除2020-2021年的数据集得出的斜率来进行Sen斜率的敏感性分析。两个估计值之间的差异（ΔSS）被用作敏感性的度量。根据ΔSS的大小，NCAP城市被分为三类以量化敏感性的程度。考虑到观察到的斜率值范围，采用了T = 5 × 10^-6的阈值。|ΔSS| < T的城市被归类为稳定的，表明COVID相关异常对趋势估计的影响可以忽略不计。T ≤ |ΔSS| < 2t的城市被归类为中等敏感，而|ΔSS| ≥ 2t的城市则被归类为高度敏感，这反映了由于包含异常年份而导致的斜率显著变化。这一框架使得能够定量评估不同城市之间趋势估计的稳健性，并有助于解释在短期外部扰动影响下的NO2变化性的空间一致性。

3.2.4 典型季节模式的识别
典型季节模式指的是在多个地点或时间序列中表征变量典型行为的代表性且重复出现的时间结构。在气候分析中，这些模式通过识别季节变化性的主导模式来简化复杂的数据集。使用K-means聚类算法识别了对流层NO2变化性的典型季节模式。该方法通过最小化簇内方差来将具有相似标准化月度NO2轮廓的城市分组，从而识别出代表性的季节模式。选择K-means方法是因为其计算效率高、对中等规模数据集的鲁棒性强以及易于解释，这对于具有物理意义的环境分析至关重要。由于本研究的目的是识别主导的季节模式而不是进行预测建模，因此认为基于质心的聚类方法比更复杂的机器学习方法更为合适。使用轮廓分析确定了最优的簇数（k），该方法评估了簇的紧凑性和分离度。平均轮廓分数在k = 5时达到最大（平均值约为0.41），表明簇内相似性和簇间差异性之间达到了适当的平衡。相应的轮廓分布进一步确认大多数城市都被很好地分类，重叠最小。因此，每个簇代表了一个典型的季节模式，反映了不同城市和工业环境中共享的NO2特征。k = 5的选择得到了轮廓分析的支持（补充图F1），该分析显示了数据集中簇分离的一致性。

3.2.5 季节性分析
使用季节性比率来量化对流层NO2浓度的季节性，该比率定义为每个城市最高和最低季节平均NO2值之间的比率。这一指标提供了季节变化幅度的指示，并突出了受气象过程（如冬季逆温或季风通风）强烈影响的区域。较高的季节性比率表明污染水平的季节性对比更强。

3.2.6 使用CPCB地面观测验证TROPOMI NO2
使用CPCB地面观测数据来验证卫星得出的NO2模式，以评估卫星反演和地面测量之间的一致性。将CPCB监测站的月度平均NO2浓度与在同一地点提取的相应TROPOMI观测数据进行比较。使用相关性、RMSE、NRMSE、MBE和IOA以及散点图比较来评估统计关系，验证主要集中在季节变化性和相对时间行为上。这种方法考虑了柱积分卫星反演和近地表现场测量之间的固有差异。

3.2.7 错误指标
为了定量评估卫星得出的NO2与基于地面的CPCB观测之间的一致性，采用了多种统计性能指标。除了皮尔逊相关系数（r）之外，还计算了基于误差的指标，包括均方根误差（RMSE）、标准化RMSE（NRMSE）、平均偏差误差（MBE）和一致性指数（IOA）。RMSE提供了观测值（Oi）和预测值（Pi）之间总体误差大小的估计：
RMSE = (1/n) * Σ(i=1:n) (Pi - Oi)^2。
标准化RMSE（NRMSE）表示相对于观测平均值的误差，允许在不同浓度范围的内进行比较：
NRMSE = RMSE / Oˉ。
平均偏差误差（MBE）量化了系统性的高估或低估：
MBE = (1/n) * Σ(i=1:n) (Pi - Oi)。
一致性指数（IOA）衡量模型预测误差相对于观测方差的程度，范围从0到1：
IOA = 1 - Σ(Pi - Oi)^2 / Σ(Pi - Oˉ)^2。
这些互补的指标提供了对误差大小和方向的全面评估，使得能够更稳健地评估不同季节和地区卫星数据的性能。

3.2.8 计算框架
所有数据处理和分析都是使用Google Earth Engine（GEE）云平台进行的，该平台能够高效处理大规模地理空间数据集。使用GEE可以直接访问TROPOMI数据档案，并支持多年时间序列分析的可扩展计算，而无需本地高性能计算资源。分析工作流程是使用GEE JavaScript API实现的，包括一系列用于数据过滤、空间聚合和时间分析的脚本例程。城市级别的分析是使用向量边界数据集（作为GEE资产上传）进行的，从而能够在所有NCAP城市中一致地提取NO2和气象参数。中间和最终输出从GEE导出到Google Drive，然后进行统计分析和可视化。这种基于云和脚本驱动的框架确保了可重复性，最小化了计算开销，并允许对额外数据集或时间段进行高效的重新处理或扩展。本研究采用的总体分析框架如图2所示。

4. 结果与讨论
4.1 NCAP城市对流层NO2的季节性行为
从TROPOMI观测数据（2019-2025年）得出的多年月度气候学显示，印度NCAP城市的对流层NO2具有明显的季节性周期。平均月浓度表现出明显的冬季最大值-季风最小值模式，反映了排放强度和季节性气象条件的综合影响。如表1和补充图F2所总结的，12月至1月的平均NO2值最高（7.22–7.11 × 10^-5 mol m^-2），然后在季风月份下降到最低值（3.49–3.21 × 10^-5 mol m^-2），在季风后期间再次增加。中位数遵循类似的轨迹，但始终低于平均值，表明少数高排放的城市中心不成比例地抬高了整体平均值。

表1. NCAP城市对流层NO2浓度的月度统计摘要（×10^-5 mol m^-2）
| 月份 | 最大值 | 最小值 |
|------|------|------|
| 1月 | 29.64 | 1.30 |
| 2月 | 27.94 | 1.30 |
| 3月 | 28.99 | 1.61 |
| 4月 | 24.39 | 1.79 |
| 5月 | 10.59 | 1.28 |
| 6月 | 11.19 | 1.23 |
| 7月 | 20.47 | 1.15 |
| 8月 | 31.30 | 1.19 |
| 9月 | 33.06 | 1.27 |
| 10月 | 11.09 | 1.20 |
| 11月 | 12.98 | 1.11 |
| 12月 | 20.47 | 1.15 |

平均值的季节性变化表明，冬季排放强度较高，而季风期间由于混合增强、云层覆盖和湿润清除作用，污染物去除效率较高，导致污染水平降低。城市间的变异性使用变异系数（CV）量化，冬季的CV最高（77–82%），表明排放强度和积累条件的异质性较强；而在季风期间，CV显著降低（45–51%），这是由于大气混合和降水的均质化作用。季节性周期还通过记录最高和最低平均NO2水平的月份频率分布得到进一步支持（表2；图3）。冬季月份记录最高值的城市占比最高，特别是12月，约占所有最高值的32.82%，其次是1月和2月/3月。最低值主要发生在季风月份，尤其是8月（61.07%），7月也有显著贡献（19.85%）。这种分布强化了冬季大气稳定性在增强污染物积累中的主导作用以及季风过程的强烈清洁效果。

表2. 记录最高和最低月度对流层NO2值的NCAP城市数量和百分比
| 月份 | 最高值 | 最低值 |
|------|--------|--------|
| 1月 | 23 | 11 |
| 2月 | 17 | 7 |
| 3月 | 17 | 12.98 |
| 4月 | 8 | 6.11 |
| 5月 | 7 | 5.34 |
| 6月 | 7 | 5.34 |
| 7月 | 0 | 19.85 |
| 8月 | 0 | 6.87 |
| 9月 | 9 | 6.87 |
| 10月 | 11 | 10.76 |
| 11月 | 8 | 6.10 |
| 12月 | 43 | 13.22 |

年度平均NO2浓度的空间对比（表3）进一步突出了排放强度和区域条件的影响。浓度最低的城市主要位于印度东北部和南部（例如，Kohima、Dimapur、Silchar、Sibsagar、Chotoor、Hubli Dharwad），这些地方的工业活动较低，扩散条件有利。相比之下，最高的浓度出现在主要的城市和工业中心，如Delhi、Noida、Faridabad、Durgapur、Korba、Talcher、Angul和Anpara，其中许多位于以煤炭为基础的发电、采矿活动和密集交通网络为主的工业走廊内。在这些城市中，Korba和Anpara的年度平均浓度最高（>20 × 10^-5 mol m^-2），强调了局部人为排放在塑造印度NO2分布中的主导作用。

表3. 记录最高和最低年度平均对流层NO2值的十个NCAP城市
| 城市 | 最高年度平均NO2值 | 最低年度平均NO2值 |
|------------|------------|------------|
| Kohima | 1.53 | 1.53 |
| Ghaziabad | 10.73 | 10.73 |
| Dimapur | 1.98 | 1.98 |
| Chandrapur | 10.93 | 10.93 |
| Silchar | 2.00 | 2.00 |
| Faridabad | 11.05 | 11.05 |
| Ongole | 2.13 | 2.13 |
| Delhi | 12.48 | 12.48 |
| Sibsagar | 2.14 | 2.14 |
| Durgapur | 14.06 | 14.06 |
| Devangere | 2.22 | 2.22 |
| Noida | 14.16 | 14.16 |
| Chitoor | 2.24 | 2.24 |
| Talcher | 15.99 | 15.99 |
| Hubli_Dharwad | 2.27 | 2.27 |
| Angul | 16.30 | 16.30 |
| Nagaon | 2.43 | 2.43 |
| Anpara | 20.95 | 20.95 |

图3. NCAP城市记录的最高和最低月度对流层NO2值的百分比分布
年度平均NO2浓度的空间对比（表3）进一步突出了排放强度和区域条件的影响。浓度最低的城市主要位于印度东北部和南部（例如，Kohima、Dimapur、Silchar、Sibsagar、Chotoor、Hubli Dharwad），这些地方的工业活动较低，扩散条件有利。相比之下，最高的浓度出现在主要的城市和工业中心，如Delhi、Noida、Faridabad、Durgapur、Korba、Talcher、Angul和Anpara，其中许多位于以煤炭为基础的发电、采矿活动和密集交通网络为主的工业走廊内。在这些城市中，Korba和Anpara的年度平均浓度最高（>20 × 10^-5 mol m^-2），强调了局部人为排放在塑造印度NO2分布中的主导作用。

图4. 使用TROPOMI观测数据（2018-2025年）检查NCAP城市对流层NO2的季节性变化、空间分布、趋势行为和典型季节模式的分析框架。印度南部地区的二氧化氮（NO2）浓度仍然相对较低。下载：下载高分辨率图像（665KB）下载：下载全尺寸图像

图4. 基于TROPOMI观测数据得出的NCAP城市对流层NO2的季节性和年度空间分布。在季风期间，高NO2区域的空间范围显著缩小，高浓度主要局限于安帕拉（Anpara）和科尔巴（Korba）等局部地区，而大多数城市的NO2浓度处于较低水平。这种减少与季风过程的影响一致，包括大气混合增强和降雨驱动的去除作用。季风过后，多个地区的NO2水平再次上升，德里大都会区以及印度中部和东部的工业带（包括那格浦尔（Nagpur）、杜尔加普尔（Durgapur）、比莱-赖布尔（Bhilai–Raipur）、科尔巴（Korba）和安古尔-塔尔彻（Angul–Talcher）地区再次出现高浓度聚集。

在所有季节中，多个城市的NO2水平持续较高，尤其是德里、诺伊达（Noida）、法里达巴德（Faridabad）、安帕拉、科尔巴、塔尔彻、安古尔、赖布尔和杜尔加普尔，这反映了这些城市与主要城市和工业区的关联。从年度角度来看，诺伊达、那格浦尔、安帕拉、科尔巴、塔尔彻、安古尔和杜尔加普尔等城市的NO2浓度仍然相对较高，而东北部和南部城市（如科希马（Kohima）、迪马普尔（Dimapur）、西尔查尔（Silchar）和翁戈尔（Ongole）的NO2浓度则持续较低。

总体而言，这些空间模式表明，印度城市地区对流层NO2的变化受到排放强度和季节性大气过程相互作用的影响。为了进一步量化气象因素对这些观测模式的影响，分析了ERA5数据中的参数，包括降水量、风速和行星边界层高度，并为每个NCAP城市设置了10公里的统一缓冲区，具体内容将在下一节中讨论。

4.3. 气象因素对对流层NO2季节性变化的控制

为了定量评估气象因素对对流层NO2季节性变化的影响，从ERA5再分析数据（2018–2025年）中提取了行星边界层高度（PBLH）、总降水量和近地面风速的月度气候场，并与131个NCAP城市（共1572个数据点）进行了关联分析。

月度分析（表4）显示NO2与气象因素之间的关系具有明显的季节性变化。在季风前和季风期间（2月至9月），降水量与NO2浓度之间存在强烈的负相关，相关系数范围从-0.47到-0.77，其中6月的关联最强（r ≈ -0.77）。这清楚地表明，在降雨增强的条件下，湿沉降作用在减少对流层NO2方面起着主导作用。

表4. TROPOMI NO2与ERA5气象参数之间的月度相关系数（n = 131）

| 月份 | PBLH | 降水量 | 风速 |
|------|-------|-------|-------|
| 1月 | -0.147 | -0.025 | -0.245 |
| 2月 | -0.032 | -0.648 | -0.220 |
| 3月 | 0.103 | -0.471 | -0.151 |
| 4月 | 0.157 | -0.438 | -0.153 |
| 5月 | 0.195 | -0.516 | -0.237 |
| 6月 | 0.244 | -0.767 | 0.113 |
| 7月 | -0.052 | -0.680 | -0.233 |
| 8月 | -0.058 | -0.606 | -0.111 |
| 9月 | -0.033 | -0.591 | -0.141 |
| 10月 | 0.098 | -0.407 | -0.167 |
| 11月 | 0.120 | -0.448 | 0.275 |
| 12月 | -0.066 | -0.298 | 0.297 |

风速在大多数月份与NO2浓度呈负相关，表明大气扩散和通风对调节污染物浓度的重要性。然而，在季风后和初冬时期（11月至12月），风速与NO2浓度之间的正相关较弱，这可能表明在较为稳定的大气条件下通风效率降低。此外，印度北部收获后的偶发性排放增加（包括农业残留物燃烧）可能进一步导致该时期NO2浓度升高，尽管这种效应具有区域性。

相比之下，NO2与PBLH之间的关系相对较弱且变化较大（r ≈ -0.15至0.24），各个月之间的相关性不显著。这表明，尽管边界层动态在局部冬季积累中起重要作用，但在不同地区和月度气候尺度上其影响不太一致。

总体而言，这些结果表明，印度城市地区对流层NO2的变化受排放强度和季节性大气过程相互作用的影响。为了进一步评估气象因素的作用，分析了ERA5数据中的参数，包括降水量、风速和行星边界层高度，并为每个NCAP城市设置了10公里的统一缓冲区。

4.4. COVID-19封锁对对流层NO2趋势的影响

首先通过Mann-Kendall显著性类别的转变来检查COVID-19影响年份（2020–2021年）对对流层NO2趋势的影响（补充表S2）。结果表明，从无显著性到显著性的转变占多数，特别是在正无显著性（PIS–PIS）和负无显著性（NIS–NIS）类别中。对于大多数月份，仅PIS–PIS转变就占了大约46–66%的城市（例如，4月：66.29%；5月：64.42%；11月：63.64%），而NIS–NIS转变的比例在7月至8月期间达到峰值（7月：61.96%；8月：51.16%）。这表明，无论是否包括COVID-19影响年份，大多数NCAP城市的趋势在统计上都是不显著的，显示出整体上弱且不稳定的单调行为。

涉及统计显著性变化的转变（例如，PIS–NS、NS–PIS、PS–PIS）相对较少且具有季节性变化。这些转变在季风前和冬季更为明显，表明短期排放扰动（包括封锁导致的减少）在这些时期具有更大的影响。相比之下，季风季节的稳定性更高，不同显著性类别之间的转变较少，反映了气象因素在调节NO2变化中的主导作用。

这些模式的空间表现体现在Mann-Kendall趋势图中（图5）。全周期分析（图5A、5C）显示，在印度-恒河平原（IGP）、印度中部和东部工业走廊的部分地区，存在空间上连贯的弱正趋势和负趋势。然而，当排除COVID-19影响年份后（图5B、5D），这些模式变得更加分散，多个地区趋于接近中性或无显著性行为。值得注意的是，正趋势的明显空间一致性减弱，表明包含与疫情相关的排放减少以及随后的恢复人为增强了在短期观测窗口内单调趋势的可检测性。

使用Sen的斜率差异进一步量化了这些变化的程度（表5）。大多数NCAP城市的斜率变化可以忽略不计（约45–72%），证实了趋势幅度的整体稳定性。尽管如此，仍存在明显的季节性信号。显示斜率增加的城市比例从季风前月份（3月至5月）的约30–36%增加到季风期间（6月至7月）的约43.5%。这表明，当去除与疫情相关的异常减少后，潜在的排放驱动趋势变得更加明显。相比之下，冬季月份的斜率下降比例较高，特别是在12月（约22.9%），这突显了在稳定大气条件下，趋势估计对封锁导致的排放减少更为敏感。

为了进一步评估这些变化的稳健性，根据Sen的斜率对COVID-19排除的敏感性对城市进行了分类（表6）。结果表明，绝大多数城市在所有月份都保持稳定（约91.6–99.2%），表明长期趋势估计对异常年份的排除敏感性有限。中度敏感的城市占一小部分（约0.8–6.9%），而高度敏感的城市很少（<3%），并且在某些月份甚至不存在，特别是在季风季节。季节性模式显示，季风期间的稳定性最高（>98%），反映了气象因素的主导作用，而季风前和冬季月份的敏感性略高，表明排放变化和边界层动态的影响相对较大。

这些定量模式与Sen的斜率空间分布一致（图6）。全周期分析（图6A）显示，全国大部分地区的斜率为正，而印度东北部、南部和西部平原的部分地区斜率为负或接近中性。在科尔巴-罗尔凯拉（Korba-Rourkela）地区，非常高的斜率值（3.8–23.7 (×10?5 mol m?2）表明工业NO2排放的强烈影响。排除COVID-19影响年份后（图6B），正斜率的幅度普遍减弱，空间分布更加分散，多个地区趋于负值。这进一步支持了COVID-19相关异常在短期数据集中放大了趋势信号的推断。

这些定量模式与Sen的斜率空间分布一致。全周期分析（图6A）显示，全国大部分地区的斜率为正，而印度东北部、南部和西部平原的部分地区斜率为负或接近中性。非常高的斜率值表明工业NO2排放的强烈影响。排除COVID-19影响年份后（图6B），正斜率的幅度减弱，空间分布更加分散。

总体而言，结合MKZ转变和Sen的斜率分析表明，在TROPOMI期间，NCAP城市对流层NO2的趋势主要是弱的、空间上分散的，并且具有季节性变化。大多数城市表现出稳定且统计上不显著的趋势，而观察到的变化主要由短期扰动驱动，特别是COVID-19异常，而不是持续的长期排放变化。这些发现强调了短期观测记录在解决稳健排放趋势方面的局限性，并强调了需要更长时间序列来准确评估政策驱动的空气质量改善。

4.5. 对流层NO2的季节性

为了描述NCAP城市对流层NO2的季节性变化，计算了每个城市的季节性幅度比（定义为最高和最低月度NO2浓度之比）。这一指标提供了季节性对比强度的定量度量，特别是在冬季积累和季风驱动的减少之间的对比。

图7. NCAP城市对流层NO2季节性幅度的空间分布。季节性的空间分布显示，大约67.17%的城市表现出中等的季节性行为。这些城市广泛分布在印度中部、印度-恒河平原的部分地区、半岛印度和东北部地区。中等季节性表明，由于边界层条件较浅和扩散减少，冬季NO2浓度增加，随后在季风期间由于湿沉降和大气混合作用而减少，但没有极端的幅度差异。

相比之下，强季节性（约29.77%）表现出明显的空间模式，形成了三个主要集群：

i. 西北集群：集中在德里及其邻近的哈里亚纳邦（Haryana）和北方邦（Uttar Pradesh）西部地区，强烈的冬季积累与高效的季风通风相结合，产生了非常高的季节性对比。

ii. 东部工业走廊：覆盖西孟加拉邦（West Bengal）、贾坎德邦（Jharkhand）、奥里萨邦（Odisha）和恰蒂斯加尔邦（Chhattisgarh），其特征是持续的工业排放加剧了冬季峰值，同时仍然经历强烈的季风驱动的减少。

iii. 西部工业走廊：覆盖古吉拉特邦（Gujarat）东部和马哈拉施特拉邦（Maharashtra）沿海地区，工业活动和沿海-气象因素的结合导致了明显的季节性变化。

这些地区反映了高排放强度和强气象调节的共同作用，导致较大的幅度比（>2.5）。

只有少数城市（约3.05%）表现出弱季节性（<1.5），主要位于印度南部和一些孤立的北部地区。弱季节性表明全年NO2浓度相对稳定，这表明要么是排放变化较小，要么是大气条件限制了强烈的季节性积累-扩散对比。

总体而言，观察到的空间模式表明，印度的季节性并不均匀，而是强烈依赖于地区，反映了排放强度和气象因素的相互作用。季节性强的地区表明冬季停滞和季风通风共同作用，而中等和弱季节性类别则表明季节性对比逐渐减弱。这些发现为解释区域NO2动态提供了重要基础，并在下一节的趋势敏感性分析中得到了进一步阐述。

4.6. 基于聚类分析的NO2典型季节性模式

虽然季节性气候学描述了对流层NO2的整体时间行为，但它并没有明确区分具有相似年内模式的城市。为此，应用K均值聚类方法对标准化月度NO2值（值/最大值）进行了分析，从而独立于绝对浓度差异识别出典型的季节性模式。分析得出五个不同的集群（图8），每个集群都具有独特的季节性高峰和低谷组合。

图8. 基于K均值分析的NCAP城市标准化月度TROPOMI NO2剖面的聚类可视化。这五个集群表现出不同的季节性特征，这些特征由标准化月度NO2浓度的高峰和低谷的时间和幅度决定。

图9. 基于K均值聚类分析的131个NCAP城市标准化月度TROPOMI观测值的典型季节性模式。实线代表每个集群的平均季节性剖面，阴影区域表示集群内的变化（±1标准差）。每个集群所属的城市数量在面板标题中显示。这些模式反映了与不同排放强度和气象影响相关的不同季节性行为。

集群1的特点是在4月和8月至9月有两个明显的高峰，中间伴随着季风初期的相对下降。12月至1月期间观察到一个明显的冬季最低值。这种模式反映了双相增强现象，在季风前和季风后-后季风期间浓度升高。第2组表现出更复杂的季节性行为，主要峰值出现在冬季（12月至1月），次级峰值出现在6月至7月。剖面图显示4月和9月有明显的最低值，导致全年出现交替的峰值和低谷的多相结构。第3组代表一个广泛的季节性周期，在5月至6月有一个明确的最低值，然后逐渐上升到冬季峰值。曲线相对平滑，表明这是一个以冬季增强和季风相关减少为主的经典积累-分散模式。第4组的特征是从6月到10月NO2浓度持续升高，8月略有下降，冬季月份有明显的最低值。这种机制反映了年中持续的增强，而不是尖锐的季节性峰值。第5组在3月至4月显示一个明显的单峰，随后在季风季节持续下降。此后，浓度保持相对较低，从11月开始逐渐增加，表明季风前的主导地位以及季风期间的长期低谷。

这些机制表明，尽管存在较大的空间异质性，印度城市中的NO2变化可以通过有限数量的典型时间模式来表示。第1组构成了最大的城市群体（约29.01%的城市），其次是第5组（约21.37%），而第2组、第3组和第4组各自占大约15-17%（表7）。印度-恒河平原和主要工业走廊的城市主要属于以冬季积累强烈或持续为特征的组别（第1组、第2组和第5组），而印度南部和东北部的城市则更常与较弱或非典型的季节性结构相关（第3组和第4组）。表7中展示了对应于五种典型模式的选定NCAP城市的代表性月度NO2剖面图，说明了聚类分析所捕捉到的特征性季节性行为。

表7. NCAP城市在五种典型季节性NO2模式中的分布。

这些机制共同表明，印度城市环境中对流层NO2的变化可以组织成有限数量的典型季节性模式，这些模式由峰值和低谷的时间和幅度定义，而不是简单的单调周期。冬季主导、季风前驱动的双峰和年中持续增强模式的共存突显了排放动态与季节性气象控制之间的复杂相互作用。这些不同的时间特征为解释区域空气质量行为提供了坚实的基础，并为将季节性变化与潜在的排放-气象相互作用联系起来提供了依据。

4.7. 典型NO2模式的空间组织和综合解释
典型簇类型的空间分布揭示了NCAP城市中季节性NO2行为的明显区域组织（图10）。聚类模式不是随机分布的，而是表现出明显的地理一致性，反映了排放强度和区域气象条件的共同影响。

图10. NCAP城市的典型簇类型的空间分布。
第1组、第2组和第3组主要分布在印度-恒河平原（IGP）及其相邻的中部地区。这些地区的特点是强烈的季节性变化，冬季在浅边界层条件下的积累与季风驱动的扩散形成对比。在这个广泛的区域内，第3组（冬季主导模式）特别普遍，表明具有明显的冬季峰值和季风低谷的经典季节性周期。第1组和第2组则出现在该区域的更局部区域，反映了季节演变的额外复杂性，包括双峰或多相行为。
相比之下，第4组和第5组在印度南部和东北部更常见，其季节性结构与北部平原明显不同。第4组的特点是在季风和季风后期间NO2浓度持续升高，特别是在半岛地区，表明年中持续增强而不是尖锐的冬季峰值。第5组在季风前有一个明显的峰值，随后是一个长期的低谷期，也在这些地区普遍存在，表明季节性主导地位从冬季驱动的积累转向了其他模式。
第2组的空间分布相对分散，出现在印度西北部、西部（包括古吉拉特邦和马哈拉施特拉邦沿海地区）以及印度东部的部分地区。这种分布反映了季节性行为偏离了经典的冬季主导模式，表现出多个峰值和过渡阶段。此外，某些沿海城市（例如金奈）表现出通常与北部模式相关的簇特征，表明局部排放强度和城市活动可以超越更广泛的区域气候控制。

总体而言，簇的空间分布和时间特征表明，印度对流层NO2的变化受排放和气象之间区域组织相互作用的控制。印度-恒河平原和主要工业走廊主要由具有强烈季节性对比和冬季积累的模式主导，而南部和东北部地区则与不同的季节性结构相关，包括季风前或年中持续的增强。
重要的是，聚类框架表明，尽管存在显著的空间异质性，但不同城市环境中的NO2季节性行为可以通过有限数量的典型模式有效表示。这为解释城市空气质量动态提供了一个统一且可扩展的框架，并突显了卫星观测在国家级尺度上捕捉一致排放-气象联系的能力。

5. 使用CPCB观测数据验证TROPOMI推导的NO2
TROPOMI推导的对流层NO2垂直柱密度与CPCB监测网络的地面测量数据进行了对比，以评估柱积分卫星反演与近地面观测之间的一致性。鉴于这些数据集之间的根本差异，验证重点关注时间一致性和相对变异性，而不是绝对幅度的等价性。
季节性散点图分析（图11）显示，在所有季节中，CPCB地面NO2浓度与TROPOMI对流层柱浓度之间存在明显的正相关。大多数观测值低于1:1线，表明卫星产品系统性地低估了地面浓度，这与之前的卫星-地面NO2比较结果一致。
观测到的低估主要源于空间、垂直和时间上的不匹配。TROPOMI反演代表的是相对较大像素区域（约3.5 × 5.5公里）内的平均NO2浓度，而CPCB站点测量的是城市热点内的局部近地面浓度，导致卫星观测中的峰值被稀释（Virta等人，2023年）。此外，卫星反演依赖于先验的垂直NO2剖面，可能无法充分捕捉近地面浓度梯度，从而降低了对地面排放的敏感性（Prunet等人，2020年）。时间上的不匹配也导致了差异，因为TROPOMI的过境时间大约在当地时间13:30，通常对应于由于边界层混合增强而较低的NO2水平，而地面观测则捕捉到的是早晨和晚上的交通高峰浓度（Prunet等人，2020年）。此外，由于气溶胶散射和表面反射效应，在地表附近的敏感性降低也可能导致低估，特别是在污染严重的冬季条件下（Tonion和Pirotti，2022年）。
在高浓度下，观测值的分布增加，表明边界层动态、垂直混合和局部排放变化的额外影响在卫星像素尺度上没有完全解决。
相关性分析显示，在所有季节中都存在中等但统计上显著的一致性（p < 0.05），系数从季风期间的0.41到季风后的0.56不等（表8）。冬季（r = 0.509）和季风后（r = 0.562）显示出相对较强的对应关系，这可能是由于大气条件稳定和边界层较浅，增强了表面排放与对流层柱之间的耦合。相比之下，季风期间的相关性较弱（r = 0.411），反映了大气混合增强、云层覆盖和湿清除过程，减少了表面和柱浓度之间的直接对应关系。当所有观测值结合在一起时，整体关系仍然稳健（r = 0.53；n = 1522），表明TROPOMI有效地捕捉了研究区域内NO2的时间变化。

表8. 验证指标。
季节RRMSENRMSEMBEIOADJF0.50922.59695.964?17.4470.495MAM0.42617.48396.893?13.0270.481JJAS0.41112.68790.906?10.1730.474ON0.56218.05193.981?13.9450.502年度0.52817.40596.635?13.1500.487
误差指标进一步支持了这一解释。平均偏差误差（MBE）值始终为负（–10.17至–17.45），证实了卫星产品的系统低估。均方根误差（RMSE）在冬季最高（约22.6），对应于强烈的排放和积累条件，在季风期间最低（约12.7），此时增强的混合减少了浓度变化。归一化RMSE（约91–97%）反映了柱积分和地面测量之间的固有差异，而一致性指数（IOA ≈ 0.47–0.50）表明季节间的一致性适中但一致。
总体而言，验证结果表明，尽管在表示绝对幅度方面存在局限性，TROPOMI仍能可靠地捕捉大气NO2的季节性变化和区域尺度模式。这支持了其分析印度空间分布、季节动态和趋势行为的适用性，特别是在地面监测稀少的地区。

6. 不确定性和敏感性评估
本研究的不确定性主要来自三个方面：（i）卫星和再分析数据集中的反演不确定性，（ii）卫星-地面比较中的观测不确定性，以及（iii）方法论和分析上的局限性。
TROPOMI推导的对流层NO2受到云层覆盖、气溶胶负荷、表面反射率和垂直敏感性的影响，这些因素可能影响浓度和空间分布。特别是在高云层覆盖条件下（例如季风期间），数据可用性的减少引入了采样不确定性。ERA5气象变量也带有与模型参数化和粗空间分辨率相关的固有不确定性。
观测不确定性源于柱积分卫星测量与近地面CPCB观测之间的比较，这些测量受到边界层动态和垂直混合的影响。这种不匹配导致了验证分析中识别出的中等相关性和系统低估。
方法论上的不确定性与使用10 × 10公里的空间缓冲区有关，虽然提高了代表性并减少了反演噪声，但可能会平滑局部排放峰值。同样，聚类结果取决于选择的簇数量，尽管轮廓分析确认了所选配置的稳健性。相对较短的时间记录（2018–2025年）进一步限制了检测长期趋势的能力。
为了评估趋势估计的敏感性，进行了排除COVID-19时期（2020–2021年）的比较分析。结果表明，当移除这些异常年份时，几个明显的趋势减弱或变得不显著，表明短期扰动可以显著影响单调趋势的检测。这种敏感性分析提供了稳健性的实际衡量，并确认观察到的变化主要由年际波动而非持续的长期变化所主导。
总体而言，尽管存在多种不确定性来源，但空间模式、季节行为和敏感性结果的一致性表明，关键发现 在区域和季节尺度上是稳健的。

7. 局限性和未来展望
尽管使用高分辨率卫星观测对印度NCAP城市中的对流层NO2变化进行了全面评估，但仍应承认几个局限性。首先，尽管TROPOMI传感器在空间分辨率上有了显著改进，但分析基于对流层柱密度而非直接表面浓度。柱积分卫星反演与地面测量之间的差异可能是由于边界层动态、垂直混合和大气传输过程造成的。因此，验证框架强调时间一致性和相对变异性，而不是绝对幅度的等价性。
其次，本研究关注NO2的时空变化，但没有明确纳入时间分辨的排放清单或主要工业源的设施级运营数据。因此，工业活动的变化、技术转型和排放控制措施可能会影响局部NO2行为，超出了当前分析的范围。此外，尽管考虑了关键的气象参数，但研究没有明确模拟大气过程，如化学转化、长距离传输和边界层演变，这些过程使用化学-传输建模框架进行。
未来的研究可以通过将卫星观测与高分辨率排放清单和先进的建模方法相结合来解决这些局限性，以更好地量化源贡献和传输机制。纳入更长的时间序列，包括历史卫星数据集，将进一步提高趋势检测的稳健性，并能够更可靠地评估长期排放轨迹。扩展分析到其他污染物，如SO2和颗粒物，也将增强对多污染物相互作用和城市空气质量动态的理解。
此外，新兴的高分辨率监测框架，如基于无人机的实时空气污染测绘与机器学习和移动传感方法的结合（Bakirci，2024年），提供了捕捉细尺度空间变化和动态排放模式的补充能力。虽然当前研究侧重于基于卫星的大规模时空特征描述，但这些方法可以提高近地面和城市内部的分辨率。将卫星观测数据与这些先进的基于地球人工智能（GeoAI）的监测系统相结合，为未来的研究指明了一个有前景的方向，使得能够进行多尺度的空气质量动态评估。尽管存在一些限制，但这些结果仍提供了关于印度城市地区对流层二氧化氮（NO2）的空间分布、季节性变化及短期波动性的有力见解。研究结果表明，卫星观测能够捕捉到排放与气象之间的相互作用，并为空气质量管理的数据驱动策略的发展提供了支持。

8. 政策意义
研究结果为《国家清洁空气计划》（NCAP）下的空气质量管理提供了若干可行的建议。首先，特定城市-工业走廊（如燃煤发电和采矿区）中高浓度NO2的持续存在表明，需要针对热电厂、工业集群和高密度交通网络等主要污染源制定区域性的排放控制策略。鉴于观察到的显著空间异质性，统一的国家策略可能效果不佳。其次，明显的季节性周期和强烈的气象调节作用表明，采取季节性适应的管理策略至关重要。冬季由于高度的变异性和NO2积累（变异系数高达约82%），需要加强排放控制措施；而季风期间则主要依靠自然沉降和扩散作用来减轻污染。第三，识别出的五种典型季节性模式为政策制定提供了新的框架。具有相似季节性特征的城市（如以冬季为主、双峰型或季风前驱动的模式）可以归为一组，从而实施更具效率和可扩展性的空气质量管理措施，而不是采取针对单个城市的孤立方法。

9. 结论
本研究利用2018-2025年的TROPOMI观测数据，对印度《国家清洁空气计划》覆盖的131个未达到空气质量标准城市的对流层NO2变化进行了全面评估。分析显示了对流层NO2具有稳定且空间上一致的季节性结构：冬季浓度峰值经常超过30 × 10?? mol m?2，而季风期间的浓度谷值明显降低。城市间的变异性在冬季最高（约77-82%），这反映了排放强度和积累条件的显著差异；而在季风期间，由于扩散作用和自然沉降作用增强，变异性显著降低（约45-51%）。
从空间上看，高浓度的NO2主要分布在主要的城市-工业走廊，尤其是燃煤发电和采矿区，如Korba和Anpara，这些地区的年均浓度超过20 × 10?? mol m?2。相比之下，东北部和半岛地区的城市浓度较低。尽管存在这些差异，大多数城市的NO2浓度仍处于非常低到较低的范围内（年均约56-82%），表明高污染水平主要局限于特定区域但具有结构性持续性。
气象分析显示，NO2的变化受到季节性因素的强烈影响：降水与NO2浓度呈显著负相关（相关系数r约为-0.47至-0.77，6月达到峰值），证实了季风期间自然沉降是主要的去除机制；风速与NO2浓度呈负相关，表明扩散作用的作用；而与边界层高度（PBLH）的相关性较弱且不一致（r约为-0.15至0.24），表明其影响是次要的且依赖于具体尺度。
使用Mann-Kendall统计量和Sen的斜率进行趋势分析发现，在2018-2025年间，《国家清洁空气计划》覆盖城市的对流层NO2浓度变化总体上是趋势中性的。正趋势的转变占多数（约46-66%），表明变化趋势较为微弱且不稳定。Sen的斜率分析进一步表明，大多数城市（约45-72%）在完整数据集和排除COVID影响后的数据集之间的变化可以忽略不计；约91.6-99.2%的城市在敏感性分类下保持稳定。季节性调节作用明显，季风期间斜率变化增加（约43.5%），冬季下降幅度更大（12月约为22.9%），这反映了封锁措施对大气稳定条件下排放扰动的影响。
空间趋势结构进一步证实了这些发现：排除COVID年份后，完整数据集的趋势一致性减弱，表明短期异常显著影响了短周期卫星记录中的趋势检测。总体而言，观察到的变异性主要由年际波动而非长期持续的排放变化所驱动。
本研究的一个关键成果是识别出了五种典型的季节性模式，这些模式共同解释了印度城市中NO2变化的结构特征。其中最大的群体（约29%）表现出双峰型或过渡性的季节性变化；其他类型包括以冬季为主（约15-17%）、季风前驱动（约21%）和全年持续变化的模式。中等程度的季节性变化占多数（约67.17%），而高强度的季节性变化主要集中在主要工业走廊（约29.77%）。这些典型模式表明，NO2的变化更多地受到季节性峰值和低谷出现时间和结构的影响，而非绝对浓度水平的影响。
与中央污染控制委员会（CPCB）的观测数据进行比对显示，两者之间存在中等但统计上显著的一致性（相关系数r = 0.41-0.56），但在预测精度上存在一致的低估（平均绝对误差MBE约为-10.17至-17.45），以及季节性性能差异（冬季的RMSE较高，约为22.6；季风期间较低，约为12.7）。这些结果证实，尽管柱积分测量和地表测量之间存在固有差异，TROPOMI仍能可靠地捕捉到空间和时间上的变化。
总体而言，研究表明，印度城市环境中的对流层NO2变化受到排放强度、季节性气象条件和短期扰动之间的相互作用的影响，并且可以归纳为少数几种典型的季节性模式。这为解释区域尺度的城市空气质量动态提供了一个物理上一致且具有政策意义的框架。
本研究使用的对流层二氧化氮（NO2）数据来自Sentinel-5卫星的TROPOspheric Monitoring Instrument（TROPOMI）任务。这些数据可通过Copernicus开放获取平台免费获取，也可通过Google Earth Engine（GEE）平台访问。
本研究使用的气象数据来自欧洲中期天气预报中心（ECMWF）提供的ERA5再分析数据集。ERA5数据可通过Copernicus气候数据存储库（CDS）公开获取，并通过Google Earth Engine平台进行处理和提取。
用于验证的地面NO2观测数据来自中央污染控制委员会（CPCB）运营的监测站，可通过官方数据门户网站获取（例如airquality.cpcb.gov.in和data.gov.in）。
本研究生成的处理后的数据集可在合理请求下从相应作者处获得。
本研究未获得任何资助。

CRediT作者贡献声明：
Dibyendu Dutta：负责写作、审稿与编辑、初稿撰写、数据可视化、验证、资源整理、方法论设计、数据分析、概念构建及数据整理。