东北亚地区沙尘气溶胶浓度及其影响因素

doi:10.7522/j.issn.1000-694X.2026.00031

摘要/Abstract

摘要：

沙尘气溶胶作为大气环境与气候变化的重要因子，其驱动机制研究对东北亚地区生态治理与气候适应策略制定至关重要。尽管已有研究从气象条件、生态过程以及人类活动等多方面阐述了沙尘气溶胶浓度的驱动机制，但相关因子之间往往表现出显著的非线性关联及多尺度变异特征。本文基于多种再分析资料，综合运用趋势分析与机器学习方法，系统地探讨了沙尘气溶胶的时空演变及其影响因素。结果表明：（1）在空间上，东北亚沙尘气溶胶浓度呈西高东低空间分布规律，高值区集中于蒙古戈壁及中国西北沙漠地区等沙尘源区，低值区主要集中在中国长江中下游地区、朝鲜半岛、日本等沙尘沉降区；在时间上，Theil-Sen趋势分析与Mann-Kendall显著性检验显示东北亚年均沙尘气溶胶浓度呈现出波动上升趋势，月均沙尘气溶胶浓度4月为峰值期。（2）在各机器学习模型中XGBoost模型展现出较好的模拟能力。（3）不同气候区驱动因子重要性存在显著差异，极端干旱区以风速为主导，干旱区风速是影响沙尘气溶胶浓度的最关键要素，其次为温度和土壤湿度，半干旱和亚湿润地区叶面积指数贡献率较高，湿润区相对湿度的作用较为显著，表征了从沙尘释放区到沉降区，气溶胶浓度分别受释放强度与沉降速率的影响。

关键词: 沙尘气溶胶浓度, 时空变化, 东北亚地区, 影响因素, 机器学习

Abstract:

Dust aerosols are an important factor affecting the atmospheric environment and climate change， and research into their driving mechanisms is crucial for ecological restoration and climate adaptation strategy development in Northeast Asia. Although previous studies have explained the drivers of dust aerosol concentrations from multiple perspectives—such as meteorological conditions， ecological processes， and human activities—the relationships among these factors often exhibit pronounced nonlinearity and multi-scale variability. Based on multiple reanalysis datasets， this study integrates trend analysis and machine learning methods to systematically investigate the spatiotemporal evolution of dust aerosols and their driving mechanisms in Northeast Asia. The results show that：（1） Spatially， dust aerosol concentrations in Northeast Asia follow a high in the west， low in the east pattern， with high-value areas concentrated in dust source regions such as the Mongolian Gobi and the deserts of northwestern China， while low-value areas are mainly located in dust deposition regions including the middle and lower reaches of the Yangtze River in China， the Korean Peninsula， and Japan. Temporally， Theil-Sen trend estimation and the Mann-Kendall significance test indicate a fluctuating upward trend in the annual mean dust aerosol concentration across Northeast Asia， and the monthly mean concentration peaks in April. （2） Among the machine learning models， XGBoost demonstrates superior simulation performance. （3） The importance of driving factors differs markedly among climate zones： wind speed dominates in extremely arid zones； in arid zones， wind speed is the most critical factor， followed by temperature and soil moisture； in semi-arid and sub-humid zones， leaf area index contributes relatively more； and in humid zones， relative humidity plays a more significant role. These patterns indicate that， from dust emission areas to deposition areas， aerosol concentrations are primarily controlled by emission intensity and deposition rate， respectively. This study provides a scientific basis for improving understanding of dust aerosol evolution mechanisms in Northeast Asia and for developing region-specific prevention and control strategies.

Key words: dust aerosol concentration, spatiotemporal variation, Northeast Asia, driving factors, machine learning

中图分类号:

王丽君, 杜鹤强, 范亚伟, 杨胜飞, 刘永杰. 东北亚地区沙尘气溶胶浓度及其影响因素[J]. 中国沙漠, 2026, 46(5): 358-370.

Lijun Wang, Heqiang Du, Yawei Fan, Shengfei Yang, Yongjie Liu. Spatiotemporal variations and driving factors of dust aerosol concentration in Northeast Asia[J]. Journal of Desert Research, 2026, 46(5): 358-370.

图/表 9

图1 研究区示意图

Fig.1 Research area diagram

图2 东北亚地区1981—2023年沙尘气溶胶浓度的年均值空间分布

Fig.2 The spatial distribution of the annual average concentration of dust aerosol in Northeast Asia from 1981 to 2023

图3 1981—2023年东北亚地区沙尘气溶胶浓度月均浓度空间分布

Fig.3 Spatial distribution of monthly average concentrations of dust aerosol in Northeast Asia from 1981 to 2023

图4 1981—2023年东北亚地区沙尘气溶胶浓度的年均值及月均值变化

Fig.4 The annual and monthly average changes of dust aerosol concentration in Northeast Asia from 1981 to 2023

图5 东北亚地区1981—2023年沙尘气溶胶浓度变化率及变化趋势显著性分布

Fig.5 Spatial distribution of the rate of change in dust aerosol concentration and the significance of the temporal trend over Northeast Asia during 1981-2023

表1 东北亚沙尘气溶胶浓度变化统计

Table 1 Statistical data on the variation of dust aerosol concentration in Northeast Asia

沙尘气溶胶浓度变化	面积比例/%
极显著增加	22.16
显著增加	51.54
无变化	2.19
显著下降	7.97
极显著下降	16.14

表2 不同机器学习模型的统计参数

Table 2 Statistical parameters of different machine learning models

	KNN			RF			SVM			XGBoost
	R²	RMSE /(μg·m⁻³)	MAE /(μg·m⁻³)	R²	RMSE /(μg·m⁻³)	MAE /(μg·m⁻³)	R²	RMSE /(μg·m⁻³)	MAE /(μg·m⁻³)	R²	RMSE /(μg·m⁻³)	MAE /(μg·m⁻³)
极端干旱区	0.81	64.08	35.31	0.79	66.97	38.99	0.60	92.94	57.75	0.80	64.75	38.47
干旱区	0.80	35.81	17.44	0.83	34.37	16.62	0.18	75.94	37.03	0.84	33.84	17.75
半干旱区	0.82	20.73	9.89	0.78	22.82	11.65	0.47	35.37	17.48	0.77	23.68	12.98
亚湿润区	0.89	9.45	3.84	0.86	10.37	4.31	0.53	19.22	6.16	0.90	8.84	4.26
湿润区	0.82	8.10	3.16	0.79	8.89	3.54	0.52	12.43	4.97	0.78	8.82	3.72

图6 4种模型在东北亚不同干湿区沙尘气溶胶浓度预测结果（μg·m-3）

Fig.6 Prediction results of dust aerosol concentrations （μg·m-3） in different dry and wet regions of Northeast Asia by four models

图7 4种模型在东北亚不同区域特征变量重要性

Fig.7 Importance of characteristic variables of the four models in different regions of Northeast Asia

参考文献 53

[1]	Han Y， Dai X， Fang X，et al.Dust aerosols： a possible accelerant for an increasingly arid climate in North China［J］.Journal of Arid Environments，2008，72（8）：1476-1489.
[2]	Huneeus N， Schulz M， Balkanski Y，et al.Global dust model intercomparison in AeroCom phase I［J］.Atmospheric Chemistry and Physics，2011，11（15）：7781-7816.
[3]	Koren I， Kaufman Y J， Remer L A，et al.Measurement of the effect of Amazon smoke on inhibition of cloud formation［J］.Science，2004，303（5662）：1342-1345.
[4]	Li R， Min Q L.Impacts of mineral dust on the vertical structure of precipitation［J］.Journal of Geophysical Research：Atmospheres，2010，115（D9）：D09203.
[5]	Jiang J H， Su H， Zhai C，et al.Influence of convection and aerosol pollution on ice cloud particle effective radius［J］.Atmospheric Chemistry and Physics，2011，11（2）：457-463.
[6]	Yu H， Chin M， Yuan T，et al.The fertilizing role of African dust in the Amazon rainforest：a first multiyear assessment based on data from Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observations ［J］.Geophysical Research Letters，2015，42（6）：1984-1991.
[7]	Tang Y， Han Y， Liu Z.Temporal and spatial characteristics of dust devils and their contribution to the aerosol budget in East Asia：an analysis using a new parameterization scheme for dust devils［J］.Atmospheric Environment，2018，182：225-233.
[8]	Jickells T D， An Z S， Andersen K K，et al.Global iron connections between desert dust，ocean biogeochemistry，and climate［J］.Science，2005，308（5718）：67-71.
[9]	Tong Z M， Chen Y J， Malkawi A，et al.Energy saving potential of natural ventilation in China：the impact of ambient air pollution［J］.Applied Energy，2016，179：660-668.
[10]	茹建波，王天河，李积明，等.东亚沙尘源区晴空和云上沙尘气溶胶特征［J］.中国沙漠，2018，38（2）：372-383.
[11]	Chen S Y， Zhao C， Qian Y，et al.Regional modeling of dust mass balance and radiative forcing over East Asia using WRF-Chem［J］.Aeolian Research，2014，15：15-30.
[12]	Middleton N J.Desert dust hazards：a global review［J］.Aeolian Research，2017，24：53-63.
[13]	杭月荷，姜学恭，云静波，等.东亚沙源地与下游影响区沙尘天气频数变化对比分析［J］.气象科技，2023，51（4）：499-509.
[14]	贾瑞，刘玉芝，吴楚樵，等.2007-2017年中国沙尘气溶胶的三维分布特征及输送过程［J］.中国沙漠，2019，39（6）：108-117.
[15]	Jin J B， Pang M J， Segers A，et al.Inverse modeling of the 2021 spring super dust storms in East Asia［J］.Atmospheric Chemistry and Physics，2022，22（10）：6393-6410.
[16]	Chen S Y， Zhao D， Huang J P，et al.Mongolia contributed more than 42% of the dust concentrations in northern China in March and April 2023［J］.Advances in Atmospheric Sciences，2023，40：1549-1557.
[17]	杨雪艳，张丽，袭祝香，等.东北地区春季沙尘天气变化特征及其与大气环流变化的关系［J］.气象与环境学报，2018，34（4）：75-83.
[18]	康林，季明霞，黄建平.欧亚大气环流对中国北方夏季沙尘天气的影响［J］.中国沙漠，2014，34（1）：197-205.
[19]	Zou X K， Zhai P M.Relationship between vegetation coverage and spring dust storms over northern China［J］.Journal of Geophysical Research：Atmospheres，2004，109（D3）：D03104.
[20]	陈思宇，黄建平，李景鑫，等.塔克拉玛干沙漠和戈壁沙尘起沙、传输和沉降的对比研究［J］.中国科学：地球科学，2017，47（8）：939-957.
[21]	Shao Y， Wyrwoll K H， Chappell A，et al.Dust cycle：An emerging core theme in Earth system science［J］.Aeolian Research，2011，3（2）：181-204.
[22]	Xuan J.， Sokolik I.N.， Hao J.，et al.Identification and characterization of sources of atmospheric mineral dust in East Asia［J］.Atmospheric Environment，2004，38（36）：6239-6252.
[23]	Ishizuka M， Mikami M， Yamada Y，et al.An observational study of soil moisture effects on wind erosion at a gobi site in the Taklimakan Desert［J］.Journal of Geophysical Research：Atmospheres，2005，110（D18）：D18S03.
[24]	Soleimani Sardoo F， Mesbahzadeh T， Salajeghe A，et al.Antecedent soil moisture conditions influenced vertical dust flux：a case study in iran using WRF-Chem model［J］.Land，2022，11（6）：819.
[25]	刘鸿雁，田育红，丁登.内蒙古浑善达克沙地和河北坝上地区不同地表覆盖类型对北京沙尘天气物源的贡献［J］.科学通报，2003，48（11）：1229-1232.
[26]	王小玲，翟盘茂.中国春季沙尘天气频数的时空变化及其与地面风压场的关系［J］.气象学报，2004，62（1）：96-103.
[27]	张迪，赵隽颢，沈隽永，等.基于深度学习的大气细颗粒物污染时空预报［J］.环境科学与技术，2020，43（9）：141-154.
[28]	刘倩，王兆茹，胥寒莉，等.基于粒子群优化XGBoost模型的PM2.5质量浓度反演［J］.环境科学，2025，46（8）：5023-5034.
[29]	沙桐，李靓青，严殊祺，等.机器学习在空气污染研究方面的应用进展［J］.环境科学，2025，46（6）：3315-3328.
[30]	李彬，孙小龙，赵悦晨，等.基于随机森林的局地起沙量预测评估模型［J］.中国沙漠，2025，45（1）：292-303.
[31]	陈兴峰，郑逢杰，郭丁，等.气溶胶定量遥感的机器学习方法综述［J］.遥感学报，2021，25（11）：2220-2233.
[32]	Middleton N， Thomas D S G.World Atlas of Desertification［M］.London，UK：Arnold，1997.
[33]	Breiman L.Random forests［J］.Machine Learning，2001，45（1）：5-32.
[34]	Ou Y， Li Z， Chen C，et al.Evaluation of MERRA-2 aerosol optical and component properties over China using SONET and PARASOL/GRASP data［J］.Remote Sensing，2022，14（4）：821.
[35]	Cover T M， Hart P E.Nearest neighbor pattern classification［J］.IEEE Transactions on Information Theory，1967，13（1）：21-27.
[36]	Altman N S.An introduction to kernel and nearest-neighbor nonparametric regression［J］.The American Statistician，1992，46（3）：175-185.
[37]	Friedman J H.Greedy function approximation：a gradient boosting machine［J］.Annals of Statistics，2001，29（5）：1189-1232.
[38]	Friedman J H.Stochastic gradient boosting［J］.Computational Statistics & Data Analysis，2002，38（4）：367-378.
[39]	陈俊言，贯雅雯，张越，等.戈壁沙漠沙尘向青藏高原传输路径和传输机制：以2020年4月一次沙尘事件为例［J］.中国沙漠，2024，44（3）：158-171.
[40]	李彰俊，孙照渤，姜学恭.蒙古气旋天气过程中的沙尘传输特征［J］.中国沙漠，2008，28（5）：927-930.
[41]	王蕾，杨震，刘笑，等.关中地区沙尘输送路径及潜在源区分析［J］.干旱区资源与环境，2023，37（10）：109-117.
[42]	Webb N P， Pierre C.Quantifying anthropogenic dust emissions ［J］.Earth's Future，2018，6（2）：286-295.
[43]	Liu D， Zhao T， Boiyo R，et al.Vertical structures of dust aerosols over east asia based on CALIPSO retrievals ［J］.Remote Sensing，2019，11（6）： 701.
[44]	Sen P.Estimates of the regression coefficient based on kendall's tau［J］.Journal of the American Statistical Association，1968，63（324）：1379-1389.
[45]	陈科艺，彭志强.应用OMI卫星资料监测蒙古戈壁沙尘的传播［J］.高原气象，2012，31（3）：798-803.
[46]	崔文岭，郭瑞，张浩.亚洲沙尘由蒙古戈壁向长江三角洲的传输及其与污染气溶胶的混合特征［J］.复旦学报（自然科学版），2009，48（5）：585-592.
[47]	Wang，W， Samat Alim， Abuduwaili Jilili，et al.Machine learning-based prediction of sand and dust storm sources in arid central Asia［J］.International Journal of Digital Earth，2023，16（1）：1530-1550.
[48]	Huang J， Wang T， Wang W，et al.Climate effects of dust aerosols over East Asian arid and semiarid regions［J］.Journal of Geophysical Research： Atmospheres，2014，119（19）：11398-11416.
[49]	熊洁，赵天良，韩永翔，等.1995-2004年东亚沙尘气溶胶的模拟源汇分布及垂直结构［J］.中国环境科学，2013，33（6）：961-968.
[50]	Zamani Joharestani M， Cao C， Ni X，et al.PM2.5 prediction based on random forest，XGBoost，and deep learning using multisource remote sensing data［J］.Atmosphere，2019，10（7）：373.
[51]	陈建坤，牟凤云，张用川，等.基于多机器学习模型的逐小时PM2.5浓度预测对比［J］.南京林业大学学报（自然科学版），2022，46（5）：152-160.
[52]	程叙耕，何金海，车慧正，等.1980-2010年中国区域地面风速对能见度影响的地理分布特征［J］.中国沙漠，2013，33（6）：1832-1839.
[53]	高卫东，袁玉江，刘志辉，等.新疆沙尘源状况及其沙尘气溶胶释放条件分析［J］.中国沙漠，2008，28（5）：968-973.