自然资源遥感, 2024, 36(1): 275-280 doi: 10.6046/zrzyyg.2022409

技术应用

2019—2021年疫情前后唐山市大气污染物变化特征及成因分析

马东玲,1, 任永强,1, 陈星彤1, 孔金哥2

1.华北理工大学矿业工程学院,唐山 063210

2.唐山市生态环境局路南区分局,唐山 063001

Analysis of the variations and causes of air pollutants in Tangshan City before and after the COVID-19 pandemic from 2019 to 2021

MA Dongling,1, REN Yongqiang,1, CHEN Xingtong1, KONG Jinge2

1. College of Mining Engineering, North China University of Science and Technology, Tangshan 063210, China

2. Tangshan Ecological Environment Bureau Lunan Branch, Tangshan 063001, China

通讯作者: 任永强(1987-),男,硕士,主要研究方向为地理信息系统应用与开发。Email:lvdou2518@163.com。

责任编辑: 李瑜

收稿日期: 2022-10-24   修回日期: 2023-03-24  

基金资助: 教育部产学合作协同育人项目“《PIE-Engine遥感大数据云计算实战》课程建设与实践”(202102245007)
华北理工大学教育教学改革研究与实践项目“碳中和元素融入《PIE Engine遥感云计算实战》课程教学中的探索与实践”(202202)

Received: 2022-10-24   Revised: 2023-03-24  

作者简介 About authors

马东玲(1997-),女,硕士研究生,主要研究方向为区域资源环境遥感监测与评价。Email: 1418096828@qq.com。

摘要

为了研究COVID-19疫情前后大气污染受人类活动的影响程度,特对2019—2021年的唐山市大气污染物变化特征进行分析及成因研究。采用减排效应估算模型及反距离插值法,得出各时间段大气污染物的浓度变化情况及影响因素,为唐山市大气环境治理提供合理化建议。结果表明: 2019—2021年唐山市首要污染物占比比较稳定,PM2.5占据榜首,以O3为代表的光化学污染近几年大幅增多; 通过人为减排公式计算,表明控制人为源排放对大气污染治理有明显作用。通过反距离插值法分析发现,PM2.5浓度峰值逐步减少,且高浓度区域分布有往市中心移动的趋势。

关键词： COVID-19疫情; 唐山市; 大气污染物特征; 人为影响

Abstract

To investigate the anthropogenic influence on air pollution before and after the COVID-19 pandemic, this study analyzed the variations and causes of air pollutants in Tangshan City from 2019 to 2021. It derived the changes in their concentrations and their influencing factors in each time period using an estimation model for emission reduction effects and an inverse distance interpolation method. Accordingly, this study proposed reasonable suggestions for the atmospheric environment control in Tangshan. The results show that: ① From 2019 to 2021, the proportions of primary pollutants in Tangshan remained relatively stable, with PM2.5 ranking first and photochemical pollution represented by O3 increasing significantly in recent years; ② The results calculated using the formula for anthropogenic emission reduction show that the control over anthropogenic emissions plays a significant role in constraining air pollution; ③ The analysis based on the inverse distance interpolation method indicates that the peak concentration of PM2.5 gradually decreased, with the high-concentration distribution shifting toward the city center.

Keywords： COVID-19; Tangshan City; characteristics of air pollutants; anthropogenic influence

PDF (11478KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

马东玲, 任永强, 陈星彤, 孔金哥. 2019—2021年疫情前后唐山市大气污染物变化特征及成因分析[J]. 自然资源遥感, 2024, 36(1): 275-280 doi:10.6046/zrzyyg.2022409

MA Dongling, REN Yongqiang, CHEN Xingtong, KONG Jinge. Analysis of the variations and causes of air pollutants in Tangshan City before and after the COVID-19 pandemic from 2019 to 2021[J]. Remote Sensing for Land & Resources, 2024, 36(1): 275-280 doi:10.6046/zrzyyg.2022409

0 引言

近年来,河北省唐山市政府积极采取大气污染防治措施,唐山市空气质量有所提高,年均PM2.5浓度已由100 μg·m-3(2016年)[1]降至54 μg·m-3(2019年)[2]。2019年12月6日,新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)疫情爆发,为有效阻止疫情蔓延[3-4],京津冀地区于2020年1月启动了重大突发公共卫生事件一系列严格的管控措施,例如封锁重要交通线、限制人口非必要流动、居家隔离、学校停课、工厂停工等[5]。这些举措的提出大大降低了大气污染物的人为因素,也便于调查大气污染受人类活动的影响程度。

唐山市是被誉为“中国近代工业摇篮”的典型资源型城市[6]。凭借南临渤海、北依燕山、毗邻京津的重要地理位置和丰富的物产资源,成为以冶金、水泥、焦化、能源为主导产业的工业重地[7]。可是在经济飞速发展的同时,环境问题日益突出。近年来对PM2.5,PM10,O3颗粒物污染研究成果较多,而对污染气体时空变化特征及影响因素综合分析较少。本文着重研究唐山市2019年初至2021年初的PM2.5,PM10,O3浓度变化情况,将对唐山市各县区的环境监测站的污染气体监测资料进行初步分析,研究其时间和空间分布特征及其与气象要素关系,以期对唐山市大气环境治理提供技术支撑。

1 数据源与研究方法

1.1 数据源

本次研究采用的唐山市大气监测数据来自于中国环境监测总站发布的各城市大气成分监测站点数据,主要包括空气质量指数(air quality index,AQI),PM2.5,PM10,SO2,NO2,CO及O3数据,时间跨度为2019—2021年,所有数据均为小时平均质量浓度,日平均值由小时平均值计算得到。气象数据来源于中国气象局气象数据中心,包括温度、气压、风向、风速等。

1.2 研究方法

1.2.1 减排效应估算

2020年1月26日唐山市启动重大突发公共卫生事件一级响应; 根据唐山市工信局公布的数据看,2020年3月2日唐山市规上工业企业复工率达93.5%; 自4月30日起,河北省疫情防控应急响应级别由一级调整为二级,逐步恢复交通及人员有序流动。

本文将按以上时间点将疫情防控分为前期(2020年1月1日—1月26日前)、初期(2020年1月26日—3月2日)、中期(3月3日—4月30日)、后期(5月1日—31日)。

为详细研究疫情前后期人为活动对唐山市各项大气污染物的影响作用,计算唐山市疫情前后各项大气污染物的本地排放浓度和疫情防控措施(减少人为活动)对减排的贡献,计算公式为:

ρ2=ρ1-ρ0，

式中: ρ2为2020年人为减排浓度; ρ1为2020年初期本地排放浓度; ρ0为2020年前期本地排放浓度。

1.2.2 反距离权重插值法

反距离权重(inverse distance weight,IDW)方法[8-9]是以待插点与实际观测样本点之间的距离为权重的插值方法, 离插值点越近的样本点被赋予的权重越大, 其权重贡献与距离成反比,计算公式为:

Z(xe)=(∑i=1mZ(xi)din)/(∑i=1m1din)，

式中: Z(xe)为xe处待插点的估算值; Z(xi)为xi处的实际观测值; di为xi到xe的距离; m为参与计算的实测样本个数; n为距离的幂,一般取值为2[10]。

对2019—2021年同样采用上述时间节点进行划分,控制时间变量便于研究大气污染物的变化特征。唐山市国控站点分布图见图1。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   唐山市国控站点分布图

Fig.1   Distribution map of state-controlled stations in Tangshan City


2 结果分析

2.1 污染物浓度特征

2019—2021年PM2.5,PM10,O3,O3_8H(日最大8 h平均值)质量浓度及AQI年平均变化曲线见图2,从中可以看出该系列大气污染物浓度变化呈“M”型[11]。由于唐山市积极采取大气防治措施,PM2.5浓度已经降至良等级范围,在疫情防控时期(2020年)与2019年同期对比PM2.5季度浓度变化一路降低。2019年冬季PM2.5达到几年间峰值75 μg/m3,2020年春季PM2.5浓度同比降低48%,2020年冬季PM2.5浓度同比降低49.6%。从图2可知AQI的变化近几年与PM2.5浓度变化趋势不一致,2020年春季PM2.5浓度大幅降低,但同时唐山市AQI值却一路上升,2020年夏季AQI值达到近几年峰值159(重度污染),此时O3_8H也达到峰值(224 μg/m3),可知O3_8H变化趋势与AQI变化趋势一致,O3_8H将要代替PM系列成为新的首要污染物。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2019—2021年大气污染物浓度及AQI季节均值变化曲线

Fig.2   Variation curve of air pollutant concentration and AQI seasonal mean from 2019 to 2021


2.2 唐山市首要污染物占比变化

2019—2021年唐山市污染天气中首要污染物有PM2.5,PM10和O3_8H,其中以PM2.5为首要污染物的占比为44.56%,O3_8H为首要污染物的占比为41.03%,PM10为首要污染物的占比为14.41%。王秀玲等[12]分析2015—2017年唐山市重污染天气首要污染物中,PM2.5占比高达87%,O3仅占7%,PM10为首要污染物占比6%。而在几年后O3_8H为首要污染物占比大幅升高,说明唐山市对PM2.5的防治有了明显效果,使得PM2.5浓度变化大幅降低。从年变化来看,2019—2021年首要污染物占比比较稳定,PM2.5长期占据榜首,而以O3_8H为代表的光化学污染趋势近几年的升高也提醒我们要多加注意O3_8H带来的污染影响。

2.3 唐山市大气污染物变化的气象原因

相关研究表明,大规模减少工业排量与交通排放,能有效改善当地空气质量[13⇓-15],气象也是大气污染物浓度变化的重要影响因素[16]。图3—图6分别为重污染阶段RM2.5日变化图、温度走势图、风向玫瑰图和污染玫瑰图。由图3可知,唐山市在2020年1月份发生3次重污染,首次是1月18日全市区域PM2.5浓度高达250 μg/m3,此过程维持了1 d,在20号下降到谷底,并在2 d时间内迅速攀升达到第二次重污染程度; 1月22日全市区域PM2.5浓度为203 μg/m3(重度污染),相较于首次重污染浓度下降18.8%,并也在2 d内持续下降至94 μg/m3(轻度污染),到达谷峰后又在3 d内攀至第三次重污染程度; 1月27日全市区域PM2.5浓度为247 μg/m3(重度污染),对比首次重污染浓度降低1.2%。由图4可知,唐山市在3次重污染阶段都经历了消极的气象条件: 首先是大气温度的升高,形成了逆温层,阻碍了污染物的垂直扩散; 其次,如图5和图6所示,3次污染前,唐山市经历了单一主导风向,即北风,故PM2.5污染的主要来源于北方向; 最后,受区域低压场控制,平均风速较小(<2 m/s),不利于污染物的水平扩散。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   重污染阶段PM2.5日变化

Fig.3   Daily variation diagram of PM2.5 in heavy pollution stage


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   重污染阶段温度走势

Fig.4   Temperature trend in heavy pollution stage


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   重污染阶段风向玫瑰图

Fig.5   Rose chart of wind direction in heavy pollution stage


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   重污染阶段污染玫瑰图

Fig.6   Pollution rose chart of heavy pollution stage


2.4 唐山市大气污染物变化与人为关系

本次研究采用减排效应估算的方法,将减少量定义为人为因素导致的减排量,将2020年封控前期初期的大气污染物数据代入式(1)中,计算结果见表1。同比2020年前期,5项大气污染物均有降低, NO2,PM10的降幅最大(分别是36.2%和23.4%),其次是PM2.5和SO2(分别是16.5%和18.7%),这表明控制人为源排量对大气污染治理有明显作用。但在疫情防控期间,人为流动得到控制后,O3浓度并没有想象中得到大幅降低反而有所升高,这说明控制人为流动对O3的防治作用不大,需要进一步研究控制O3升高的方法。

表1   防控初期唐山市本地排放及人为减排估算值

Tab.1  Estimated value of local emission and man-made emission reduction in Tangshan at the initial stage of prevention and control

指标PM2.5PM10SO2NO2O3CO
本地排放值/(μg·m-3)79.4111.323.141.253.041.924
人为减排估算值/(μg·m-3)15.7234.065.323.4-22.760.132
同比前期变化/%-16.5-23.4-18.7-36.242.9-6.8

新窗口打开| 下载CSV


通过反距离权重插值法对唐山市2019—2021年(1—5月)的PM2.5浓度数据进行处理,得到4个阶段的平均浓度分布图,便于对不同年份同一时间段的PM2.5浓度变化及分布进行研究,如图7—图9所示。总体看来,2019—2020年,PM2.5高浓度分布于西北方,即遵化市和玉田县。在2019—2021年间,高浓度分布逐渐往中心移动,由于疫情突发,交通管制,多数工业和矿业受到影响,故PM2.5的工业源排放得到减少,市区周围PM2.5浓度逐年下降。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   2019年PM2.5浓度分布

Fig.7   PM2.5 concentration distribution map in 2019


图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   2020年PM2.5浓度分布

Fig.8   PM2.5 concentration distribution map in 2020


图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   2021年PM2.5浓度分布

Fig.9   PM2.5 concentration distribution map in 2021


观察图9所知,从初期到后期,PM2.5浓度峰值在逐步降低,受冬季供暖因素影响,初期是在4个时期中峰值浓度最高的。2020年受到疫情影响,后期比初期浓度低了58%,说明控制人为流动、工厂减排有效的控制了PM2.5的排放。

3 结论

采用减排效应估算模型及IDW法,得出唐山市COVID-19前后大气污染物的浓度变化情况及影响因素,结果表明:

1)2019—2021年,AQI,PM2.5,PM10和O3浓度变化呈“M”型且均在下降。

2)2019—2021年唐山市污染天气中首要污染物包括PM2.5,PM10和O3_8H,其中以PM2.5为首要污染物的占比44.56%,O3_8H为首要污染物的占比41.03%,PM10为首要污染物的占比为14.41%。从年变化来看,2019—2021年首要污染物占比比较稳定,PM2.5长期占据榜首,而以O3_8H为代表的光化学污染趋势近几年的升高也提醒我们要多加注意O3_8H带来的污染影响。

3)唐山市2020年的一次重污染过程反映PM2.5浓度受气温、风向、风速的影响。24 h变温越大、风速越小、风向越单一会使污染情况越严重。

4)通过人为减排公式计算,得出同比2020年前期,5项大气污染物均有降低, NO2 和PM10的降幅最大(分别是36.2%和23.4%),其次是PM2.5和SO2(分别是16.5%和18.7%),这表明控制人为源排量对大气污染治理有明显作用。通过反距离权重插值法对2019—2021年PM2.5浓度数据插值分析,得出PM2.5浓度峰值在逐步减少,且高浓度分布有往市中心移动趋势。

参考文献

田晓蕾, 谢志辉, 刘孟雄, 等.

2014—2020年唐山市O3与PM2.5浓度变化及复合污染特征

[C]// 中国环境科学学会2021年科学技术年会论文集(一).中国环境科学学会, 2021:580-586.

[本文引用: 1]

Tian X L, Xie Z H, Liu M X, et al.

DOTA:Changes of O3 and PM2.5 concentrations and characteristics of combined pollution in Tangshan City from 2014 to 2020

[C]// Chinese Society for Environmental Sciences, 2021:580-586.

[本文引用: 1]

张壹, 魏扬.

2019—2021年唐山市PM2.5及O3污染特征分析

[J]. 绿色科技, 2023, 25(2):81-87.

[本文引用: 1]

Zhang Y, Wei Y.

Characteristics of PM2.5 and O3 pollution in Tangshan City from 2019 to 2021

[J]. Journal of Green Science and Technology, 2023, 25(2):81-87.

[本文引用: 1]

赵雪, 沈楠驰, 李令军, 等.

COVID-19疫情期间京津冀大气污染物变化及影响因素分析

[J]. 环境科学, 2021, 42(3):1205-1214.

[本文引用: 1]

Zhao X, Shen N C, Li L J, et al.

Analysis of changes and factors influencing air pollutants in the Beijing-Tianjin-Hebei region during the COVID-19 Pandemic

[J]. Environmental Science, 2021, 42(3):1205-1214.

[本文引用: 1]

易嘉慧, 何超, 杨璐, 等.

COVID-19疫情期间全球气温和主要大气污染物浓度变化的空间关联

[J]. 生态环境学报, 2022, 31(4):740-749.

DOI:10.16258/j.cnki.1674-5906.2022.04.012      [本文引用: 1]

新冠肺炎（COVID-19）疫情期间,全球采取封锁措施给研究气温变化和空气质量变化的关联性提供了机会。基于2015&#x02014;2020年全球0.1&#x000b0;&#x000D7;0.1&#x000b0;分辨率的气温数据和全球城市逐日主要污染物（PM<sub>2.5</sub>、NO<sub>2</sub>和O<sub>3</sub>）浓度数据,利用空间分析和双变量全局空间自相关等方法,以2015&#x02014;2019年的滑动平均值为基准值,对比分析了2020年COVID-19疫情期间全球气温和主要大气污染物的时空变化规律,探讨了全球9个区域两者之间的空间关联特征,为制定气候变化和污染物防控政策提供科学参考。结果表明,（1）相比2015&#x02014;2019年同期基准值,2020年全球气温在COVID-19封锁期间（2020年Q<sub>1</sub>时段）平均升高0.24 ℃;其中,中亚（1.72 ℃）、东欧和北亚地区（1.70 ℃）2020年年均气温升幅较大;南亚（-0.93 ℃）和北欧（-0.64 ℃）年均气温降幅较大。（2）相比2015&#x02014;2019年基准值,2020年Q<sub>1</sub>时段全球PM<sub>2.5</sub>和NO<sub>2</sub>浓度分别下降16.41%和29.73%,O<sub>3</sub>浓度升高7.92%;南亚PM<sub>2.5</sub>（-22.40 &#x003bc;g&#x000b7;m<sup>-3</sup>）和NO<sub>2</sub>（-6.42 &#x003bc;g&#x000b7;m<sup>-3</sup>）质量浓度下降最显著。对于全球O<sub>3</sub>质量浓度而言,欧洲显著增加,增幅为2.61 &#x003bc;g&#x000b7;m<sup>-3</sup>,而亚洲（-0.93 &#x003bc;g&#x000b7;m<sup>-3</sup>）和北美洲（-1.96 &#x003bc;g&#x000b7;m<sup>-3</sup>）显著下降。（3）在COVID-19期间各污染物与气温的空间关联性由强及弱依次为O<sub>3</sub>、NO<sub>2</sub>和PM<sub>2.5</sub>。从空间上看,降温区域中,南亚（0.219）和北美洲（0.159）的气温与NO<sub>2</sub>呈显著空间正相关,各区域气温与O<sub>3</sub>呈不显著空间关联;升温区域中,北欧（0.558）、南欧（0.406）和西欧（0.284）气温均与O<sub>3</sub>呈显著空间正相关。疫情封锁期间,大气污染物浓度变化对气温有影响,PM<sub>2.5</sub>和NO<sub>2</sub>浓度大幅下降时,当地气温有下降趋势。

Yi J H, He C, Yang L, et al.

Spatial correlation between changes in global temperature and major air pollutants during the COVID-19 pandemic

[J]. Ecology and Environmental Sciences, 2022, 31(4):740-749.

[本文引用: 1]

Wilder-Smith A, Freedman D O.

Isolation,quarantine,social distancing and community containment:Pivotal role for old-style public health measures in the novel coronavirus (2019-nCoV) outbreak

[J]. Journal of Travel Medicine,2020, 27(2):taaa020.

DOI:10.1093/jtm/taaa020      URL     [本文引用: 1]

Public health measures were decisive in controlling the SARS epidemic in 2003. Isolation is the separation of ill persons from non-infected persons. Quarantine is movement restriction, often with fever surveillance, of contacts when it is not evident whether they have been infected but are not yet symptomatic or have not been infected. Community containment includes measures that range from increasing social distancing to community-wide quarantine. Whether these measures will be sufficient to control 2019-nCoV depends on addressing some unanswered questions.

侯广玺.

唐山以“中国近代工业的摇篮”闻名于世

[J]. 中国地名, 2014(1):74-76.

[本文引用: 1]

Hou G X.

Tangshan is famous as “the cradle of China’s modern industry”

[J]. China Place Name, 2014(1):74-76.

[本文引用: 1]

张浩杰. 唐山市PM2.5污染特征与来源解析[D]. 济南: 山东大学, 2019.

[本文引用: 1]

Zhang H J. Characteristics and source apportionment of PM2.5 pollution in Tangshan[D]. Jinan: Shandong University, 2019.

[本文引用: 1]

彭思岭.

气象要素空间插值方法优化研究

[J]. 地理空间信息, 2017, 15(7):86-89.

[本文引用: 1]

Peng S L.

Optimized study on spatial interpolation methods for meteorological element

[J]. Geospatial Information, 2017, 15(7):86-89.

[本文引用: 1]

曹越, 王宏宇.

城市环境中遥感技术的应用研究

[J]. 环境科学与管理, 2015, 40(3):5-8.

[本文引用: 1]

Cao Y, Wang H Y.

Application of remote sensing technology in environmental research

[J]. Environmental Science and Management, 2015, 40(3):5-8.

[本文引用: 1]

李令军, 王占山, 张大伟, 等.

2013—2014年北京大气重污染特征研究

[J]. 中国环境科学, 2016, 36(1):27-35.

[本文引用: 1]

Li L J, Wang Z S, Zhang D W, et al.

Analysis of heavy air pollution episodes in Beijing during 2013-2014

[J]. China Environmental Science, 2016, 36(1):27-35.

[本文引用: 1]

张荣芝, 王云霞, 史密伟, 等.

石家庄市大气PM_(2.5)中PAHs污染特征及来源分析

[J]. 山东化工, 2021, 50(21):234-237.

[本文引用: 1]

Zhang R Z, Wang Y X, Shi M W, et al.

Pouution characteristics and sources of PAHs in PM2.5 in Shijiazhuang City

[J]. Shandong Chemical Industry, 2021, 50(21):234-237.

[本文引用: 1]

王秀玲, 花家嘉, 李轩, 等.

2015—2017年唐山市PM_(2.5)重污染生消气象条件分析

[J]. 气象与环境学报, 2020, 36(4):45-51.

[本文引用: 1]

Wang X L, Hua J J, Li X, et al.

Meteorological conditions for formation and dissipation of PM2.5 heavy pollution in Tangshan from 2015 to 2017

[J]. Journal of Meteorology and Environment, 2020, 36(4):45-51.

[本文引用: 1]

彭玏, 赵媛媛, 赵吉麟, 等.

京津冀大气污染传输通道区大气污染时空格局研究

[J]. 中国环境科学, 2019, 39(2):449-458.

[本文引用: 1]

Peng L, Zhao Y Y, Zhao J L, et al.

Spatiotemporal patterns of air pollution in air pollution transmission channel of Beijing-Tianjin-Hebei from 2000 to 2015

[J]. China Environmental Science, 2019, 39(2):449-458.

[本文引用: 1]

周亚端, 朱宽广, 黄凡, 等.

新冠肺炎疫情期间湖北省大气污染物减排效果评估

[J]. 环境科学与技术, 2020, 43(3):228-236.

[本文引用: 1]

Zhou Y D, Zhu K G, Huang F, et al.

Emission reductions and air quality improvements during the COVID-19 pandemic in Hubei Province

[J]. Environmental Science & Technology, 2020, 43(3):228-236.

[本文引用: 1]

王晓琦, 郎建垒, 程水源, 等.

京津冀及周边地区 PM2.5传输规律研究

[J]. 中国环境科学, 2016, 36(11):3211-3217.

[本文引用: 1]

Wang X Q, Lang J L, Cheng S Y, et al.

Study on transportation of PM2.5 in Beijing-Tianjin-Hebei(BTH) and its surrounding area

[J]. China Environmental Science, 2016, 36(11):3211-3217.

[本文引用: 1]

Huang F F, Li X, Wang C, et al.

PM2.5 spatiotemporal variations and the relationship with meteorological factors during 2013-2014 in Beijing,China

[J]. PLoS One, 2015, 10(11):E0141642.

DOI:10.1371/journal.pone.0141642      URL     [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发