-
霾是大量极细微的干尘粒等颗粒均匀浮游在空中,使水平能见度小于10km的空气普遍浑浊现象(中国气象局,2010)。过去,形成霾的干气溶胶粒子主要来自自然界,但随着人类活动加剧,经济快速发展,城镇化率提高,近二三十年中国中东部地区人为排放的大气气溶胶显著增加(张小曳等,2013),这其中包括大量的细粒子(PM2.5),造成霾天气日益增多。近年来,长三角地区霾日在时间和空间上均呈增多趋势(史军和崔林丽,2013)。安徽霾日在20世纪80年代初之后发生激增,东部霾日数明显高于西部(邓学良等,2015),这些可观测到的霾污染增多,严重危及人类健康和交通安全等(Chameides et al.,1999)。
-
近年来科技工作者对霾的识别、成分特征、污染影响机制、气象影响条件等进行了大量的研究(吴兑,2008;吴丹等,2016;Yin and Wang,2016,2017)。霾天气时,空气中的硫酸盐气溶胶是造成能见度下降的主要原因(Malm,1992),有机物、水溶性无机离子和元素碳是PM2.5中影响大气能见度,影响大气消光的主要化学组分(Cao et al.,2012)。天气也是影响霾污染发生发展的重要因素,有利的天气形势可以造成稳定的大气层结,混合层降低,形成近地面逆温,地面风速小,大气垂直方向湍流交换减弱的气象条件,造成霾天气的维持和加剧(周莉等,2019),而冷空气南下造成污染物伴随输入至长三角地区也是造成重污染发生的有利天气条件,这种污染往往发生在重污染过程的初期(韩博威和马晓燕,2020)。为了解决霾造成的一系列社会经济问题,对霾进行了解和控制,珠三角、长三角、京津冀等地建立了霾的地面和遥感监测体系(向嘉敏等,2019),并开展霾预报预测研究和业务,主要预报方法包括逐步回归(尹志聪等,2019),动态统计(张自银等,2018),基于模式的MOS法(尤佳红等,2014)等,但是中长期预测尤其是定量预测的方法相对较少。大气环流、海温等气候系统指数常被用于气象要素的气候预测(陈丽娟等,2019),以及其他与气候密切相关事件的预测(王纯枝等,2019)。目前基于气候系统指数的霾日中长期定量预测方法并不多见,而霾和天气气候密切相关(陶丽等,2016),因此本文拟研究使用气候系统指数作为因子定量预测月尺度霾日的方法,并以芜湖市为例开展。
-
芜湖市位于安徽省东部,霾的气候特征及预测对其经济发展、人民生活、长江生态环境保护有积极意义,但与其相关的研究成果大都时间相对较早,针对性不强。本研究首先对芜湖市霾的气候特征进行分析,再建立芜湖市月尺度霾日的预测方程,为其中长期空气质量预测业务提供客观定量的参考。但长期以来中国气象台站的观测业务中,对于霾的记录没有统一标准,尤其是作为霾辅助判据的相对湿度取值范围过宽,标准不一,大量霾被记成了轻雾(吴兑,2006),同时也受观测员主观因素影响,造成霾的观测记录可对比性较差,因此用长时间序列气候资料进行霾统计时,不能直接使用天气现象观测数据,要建立统一的定量标准(吴兑,2012),需要先对霾日的时间序列进行重建,再进行其他分析。因此本文对芜湖市霾日的时间序列进行重建(吴兑,2008),然后再进行气候特征分析和预测方程的研究。
-
1 资料与方法
-
1.1 资料来源
-
本文使用1955—2018年芜湖市国家气象观测站的观测资料重建霾日时间序列及气候特征分析,包括逐日能见度、相对湿度、天气现象数据。观测数据1955—1985年为每日02、08、14、20时4次观测,1986—2014年8月为每日08、14、20时3次观测,2014年9月—2018年12月为每日24次观测。其中能见度数据1955—1979年为等级观测,其他为距离观测。
-
用于霾日预测方程计算的130项气候系统指数为1980—2018年逐月的88项大气环流指数、26项海温指数、16项其他指数。数据来自国家气候中心网站百项气候系统指数集(https://cmdp.ncc-cma.net/Monitoring/cn_index_130.php)。
-
1.2 霾日重建方法
-
1.2.1 能见度、相对湿度数据的处理
-
日平均值计算时,每日3次或4次观测的,取其平均值;每日24次观测的,取02、08、14、20时观测平均值。能见度等级观测数据,需将其按照表1换算为对应的距离中值(史军和吴蔚,2010)。另外,2014年9月之后能见度观测改为自动观测,需将之前人工观测数据乘以0.75的系数进行订正,以确保数据具有可对比性(中国气象局气象探测中心,2016)。
-
1.2.2 霾日的统计
-
采用日均法对霾日进行统计(史军和吴蔚,2010;吴兑等,2010),定义日平均能见度<10km,日平均相对湿度<90%,并排除降水、吹雪等其他天气现象导致低能见度事件的情况,记为1个霾日。参照《霾的观测和预报等级》(QX/T113-2010),根据能见度距离(V,单位:km)将霾划分为轻微、轻度、中度和重度4个等级,划分标准依次为:5≤V<10、3≤V<5、2≤V<3、V<2。
-
1.3 霾日的气候特征分析方法
-
使用线性趋势分析和Mann-Kendall气候突变检验(简称M-K检验,魏凤英,2007)对芜湖市霾日的气候特征进行分析。季节分析时,划分如下:3—5月春季,6—8月夏季,9—11月秋季,12—次年2月冬季。
-
1.4 霾日的月尺度定量预测方程计算方法
-
使用多元逐步回归方法计算月尺度霾日的预测方程。计算方程前,首先使用月霾日时间序列与对应的前1—12月130项气候系统指数时间序列分别进行相关分析,并进行显著性检验,遴选出显著相关的气候系统指数。计算方程时,应变量为月霾日时间序列,自变量为遴选出的所有与其显著相关的月气候系统指数时间序列。计算出方程后,方程和系数进行相关性和显著性检验。各月霾日依次计算。由于20世纪70年代海气关系出现转变(江志红和屠其璞,2001),为保证建立的方程有一定气候意义,因此建立方程时仅使用1980年之后的数据。
-
2 结果分析
-
2.1 霾日的重建及气候特征
-
2.1.1 霾日重建值和实测值对比
-
对比1955—2018年芜湖市霾日的重建值与芜湖市国家观测站人工记录的霾天气现象实测值(图1a),1978年之前霾日较少,重建值和实测值差别不大。1978年之后重建值明显增加,而实测值仍变化不大,两者差距明显。对比芜湖市所在区域霾日变化特征的相关研究结果(史军和崔林丽,2013;邓学良等,2015),认为重建的霾日时间序列更能够客观反映霾日的实际变化特征,许多学者也通过研究证明了重建的可行性和必要性(史军和吴蔚,2010;杨志彪等,2014;王凯等,2016)。因此下文使用重建值进一步进行研究。
-
2.1.2 霾日的年际变化特征
-
1955—2018年,芜湖市年霾日总体呈显著增加趋势(图1),年均增加霾日2.08d,1978年之前霾日较少,随后开始快速增长,其中2015年霾日最多,达191d。2013年中国出台《大气污染防治行动计划》(简称“大气十条”)后,京津冀、长三角等重点区域不断加大减排措施力度,取得了实质性的进展,2016年起冬季污染物的排放量得到了有效消减,这是2015年之后空气质量得到改善的主要原因(张小曳等,2020)。另外,“大气十条”实施后的2014、2015年长三角等重点区域的气象条件较2013年变差,2016、2017年转好,也在一定程度上促成2015年霾日数明显高于相邻年份的特征。M-K检验表明芜湖市1980年之前,霾日变化不显著,增多减少交替出现,但1980年之后显著增多,存在突变特征(图2a)。
-
1955—2018年芜湖市轻微、轻度、中度和重度霾日数分别占总霾日数的88.3%、9.1%、2.1%和0.5%,各等级霾日均呈显著增加趋势(图1b),分别年均增加1.704、0.281、0.078、0.017d。中度以上的霾日虽占比小,但影响大,因此除了总霾日,本文还对中度和重度霾日的气候特征和预测方程进行分析和计算,又因重度霾次数少,故将二者合称为中度以上霾日统一进行分析。
-
1980年之前,芜湖市无中度以上霾发生,之后零星出现,1991年起明显增多,年均4d,其中2015年最多,达27d,包括重度霾5d。M-K检验显示其没有表现出突变特征(图2b)。
-
2.1.3 霾日的季、月变化特征
-
1955—2018年,霾日(图3a)和中度以上霾日(图3b)均表现出冬季最多,秋、春、夏季依次减少的特征,分别为23.890d、17.328d、14.359d、9.266d和1.093d、0.422d、0.141d、0.047d。各季节霾日均表现出显著增多的趋势(表2),增速秋季最快,夏季最慢。中度以上霾日在冬、秋、春季表现出显著增多的趋势,增速依次减小(表2),夏季则没有显著变化趋势。
-
图1 1955—2018年芜湖市霾日的实测值和重建值的变化趋势对比(a,圆点线:重建值;三角线:实测值;虚线:重建值的线性趋势)和各等级霾日的变化趋势(b,方形线:轻微霾;菱形线:轻度霾;三角线:重度霾;原点线:重度霾)
-
Fig.1 (a) The contrast between measured and reconstructed value of haze days’ variation trends(dot lines:reconstruction value;deltoid lines:measured value;dotted lines:linear trends of reconstructed value) and(b) the variation trends of each level haze days(square lines:slight haze;diamond lines:light haze;deltoid lines:moderate haze;dot lines:heavy haze) in Wuhu during1955—2018
-
图2 年霾日(a)和年中度以上霾日(b)的M-K检验结果(水平点虚线:信度为5%的显著性水平)
-
Fig.2 The M-K test results of(a) annual haze days and(b) moderate or more serious haze days(The dotdashed line:the5%significance level of the M-K test)
-
图3 1955—2018年芜湖市各季节霾日(a)和中度以上霾日(b)的平均数量
-
Fig.3 The average number of(a) seasonal haze days and(b) moderate or more serious haze days in Wuhu during1955—2018
-
一年之中霾日最多的是1月(图略),年均9.047d,其次是12月(8.922d)和11月(7.297d)。4—9月霾日相对较少,其中7月最少(2.359d)。中度以上霾日(图略)1月和12月最多,年均0.453d,其次是11月(0.266d)和2月(0.188d)。4—9月很少出现中度以上霾,其中8月出现天数为0,5、6月也仅出现过1d。
-
2.2 霾日的月尺度定量预测
-
2.2.1 预测方程的计算
-
月尺度霾日的预测,实际业务应用时常需提前1~2个月制作,如预测2020年11月的霾日数,9或10月就需要计算出预测结果,而当月气候系统指数的及时获取具有一定不确定性,为了业务应用时霾日计算数据完整,本文计算某月(T)霾日时,使用(T-3至T-14)这12个月的气候系统指数建立预测方程。含有缺测数据的气候系统指数将被剔除。
-
首先,使用月(T)霾日的37a时间序列(1982年1月—2018年12月)分别与其对应的T-3至T-14月逐月130项气候系统指数(共1 560个)的37a时间序列(1980年10月—2018年9月)求相关系数(R),并进行0.05的显著性检验,遴选显著相关的气候系统指数。
-
其次,月(T)霾日37a时间序列作为应变量,遴选出的所有与其显著相关气候系统指数37a时间序列作为自变量带入多元逐步回归模型,计算出该月(T)霾日的预测方程。计算出的方程和系数进行相关性和显著性检验。各月霾日数的预测方程依次计算,其中遴选出的作为自变量带入模型的显著相关气候系统指数数量不等。中度以上霾日的预测方程计算方法相同。
-
逐步回归是一种线性回归模型自变量选择方法,其基本思想是将变量一个一个引入,引入的条件是其偏回归平方和经检验是显著的。同时,每引入一个新变量后,对已入选回归模型的老变量逐个进行检验,将经检验认为不显著的变量删除,以保证所得自变量子集中每一个变量都是显著的。此过程经过若干步直到不能再引入新变量为止。这时回归模型中所有变量对因变量都是显著的(耿修林和张琳,2006),因此计算出的各最优方程中变量的个数是不同的。计算出的最优各月霾日、中度以上霾日的预测方程见表3、4,由于部分最优方程的自变量非常多,方程较长,受篇幅所限,这些方程使用10个变量的较优方程代替展示。所有方程均通过了0.001信度的显著性水平检验,其常数项、自变量系数均通过了0.05信度的显著性水平检验。由于8月没有中度以上霾日出现,因此没有预测方程。方程中气候系统指数使用字母加数字的方式表示,其中Atm代表大气环流指数(IAtm),Oce代表海温值数(IOce),Ext代表其他指数(IExt),其后数字代表指数的编号,括号中的数字代表指数的月份,各指数具体名称及定义可查阅国家气候中心网站百项气候系统指数集,如IAtm65(5)表示大气环流指数中的第65项,5月的西藏高原-1指数。
-
2.2.2 预测方程的检验
-
首先对各月霾日、中度以上霾日预测方程在1982—2018年的模拟效果进行检验,各月检验样本37个。月霾日误差范围在-7.2~7.4d,68%的误差在2d以内,其中2、6、9月误差较小,10、11、12月误差较大。月中度以上霾日误差范围在-1.6~1.8d,明显优于霾日的模拟效果,其中4—7月的误差均在1d以内,模拟效果很好,而3月相对较差。
-
接下来将2017年11月—2019年10月的逐月气候系统指数代入预测方程,对2019年1—12月芜湖市各月霾日、中度以上霾日的数量进行预测实验,并与实况对比检验(表5),多数月霾日的绝对误差在1~3d,2、6、12月的预测误差相对较大。11月—次年3月霾日相对较多的月份,预测值普遍偏少。2019年实况仅1、2月出现中度以上霾,预测误差分别为0.7d和-1.5d,其余月份中有7个月预测值为负值,记为0,误差为0,预报基本准确。总体来说,预测方程可以较好地对月尺度霾日进行定量预测,尤其是月中度以上霾日,具有较好的参考价值。
-
注:1)计算结果为负数时,预测值为0.
-
3 结论与讨论
-
1)使用日均法对1955—2018年芜湖市霾日进行重建,对比霾日天气现象实测值,并参考其他相关研究结果,表明重建的霾日时间序列能够更客观地反映芜湖市霾日实际的长期变化特征。
-
2)1955—2018年芜湖市年霾日呈显著增多趋势,年均增加2.080d,在1980年左右出现突变特征。季霾日,年均数量从多到少依次为冬、秋、春、夏季,各季霾日均呈显著增多趋势,增速从快到慢依次为秋、冬、春、夏季。月霾日,1、12、11月较多,7、8月较少。
-
3)1955—2018年中度以上霾日也呈显著增多趋势,年均增加0.095d,但没有出现突变特征。季中度以上霾日,数量从多到少依次为冬、秋、春、夏季,冬、秋、春季的中度以上霾日数表现出显著增多的趋势,增速依次减小,夏季则没有显著的变化趋势。月中度以上霾日数,1、12、11月较多,5、6月较少,8月从未出现过。
-
4)各月霾日、中度以上霾日与多项月气候系统指数表现出显著的相关性,使用这些显著相关的月气候系统指数作为自变量,月霾日、中度以上霾日作为因变量,用多元逐步回归方法计算出其月尺度预测方程。借助方程,可以提前查阅气候系统指数,对月霾日和中度以上霾日数进行计算、预测。预测方程进行了模拟效果检验、预测实验,结果显示预测方程具有较好的参考价值。
-
本研究表明,借助多元逐步回归方法,使用气候系统指数可以作为因子直接定量预测月尺度霾日,方法在气候相似的江淮等地区具有推广价值。这种统计方法通常历史拟合较好,但预报准确率不稳定,因此预测方程还需要进一步检验和完善,同时统计方法缺乏动力学意义(王冀等,2011),后期可以根据相关分析等结果,进一步分析具有动力学意义的气候系统指数,更深入地开展这些指数对霾天气影响机理的研究。
-
参考文献
摘要
利用1955—2018年芜湖市国家气象观测站资料,1980—2018年国家气候中心气候系统指数资料,对芜湖市近64 a的霾日气候序列进行重建,在此基础上使用线性趋势和Mann-Kendall方法,系统分析了芜湖市霾日的气候特征。以芜湖市为例,借助多元逐步回归方法,尝试研究了一种以气候系统指数为自变量,霾日为因变量,建立霾日预测方程并对月尺度霾日进行定量预测的方法。结果表明:1)重建的霾日时间序列能够更客观的反映芜湖市霾日实际的长期变化特征。近64 a霾的气候特征:年日数显著增加,并在1980年左右出现突变;季日数在冬、秋季较多,夏季最少,四季均呈显著增多趋势,增速秋季最快,夏季最慢;月日数在1、12、11月较多,7、8月较少。中度以上霾的气候特征:年日数显著增加,表现出渐变特征;季日数冬季最多,夏季最少,除夏季外均显著增多趋势,增速冬季最快,秋、春季次之;月日数在1、12、11月较多,5、6月较少,8月则从未出现过。2)各月霾日、中度以上霾日与多项月气候系统指数表现出显著的相关性,使用这些指数,计算出各月霾日、中度以上霾日的预测方程,最后对方程效果进行检验。
Abstract
In this article,the time series of haze days were constructed on the basis of past 64 years data which was collected from the national meteorological observatory of Wuhan and 130 climate system indexes of the National Climate Center during the time spread from 1955 to 2018.The linear trend analysis and Mann-Kendall were validated to analyze the climatic characteristics of haze days in Wuhan during this specific period.In the next stage of this research method,the stepwise multiple regression analysis was adopted in order to develop the prediction equations and quantitative monthly forecast scale of haze days.While in this piece of research,climate system index and haze days were considered as independent and dependent variables accordingly.The consequences of this research indicated that the reconstructed time series of haze days contemplated the actual long-term variations in haze days characteristics of Wuhan.During the selected span of time,the climatic characteristics in terms of annual haze days expanded significantly while the unanticipated variations were observed around the 1980s.It can also be observed that the span of seasonal haze days in winter and autumn comparatively more expanded than the summer.The number of seasonal haze days significantly increased in winter and autumn and in contrast decreased spring and summer seasons.The aggregate of monthly haze days in November,December,and January significantly increased while on other side declined in July and August.In the consideration of serious climatic conditions of haze days significantly increased and owned the gradient feature in winter and less effective in summer.The aggregate of moderate or more serious monthly haze days in November,December,and January significantly increased while on the other side declined in May,June,and August.Based on the outcome it can be concluded that discrete monthly haze days and harsh haze days owned a significant correlation with many monthly climate system indexes.The results showed that this prediction method had a great effect in Wuhu and wealth simplifying broadly in similar areas.
