中国气象学会主办。
文章信息
- 石春娥, 李耀孙, 张浩, 杨关盈, 周建平. 2021.
- SHI Chun'e, LI Yaosun, ZHANG Hao, YANG Guanying, ZHOU Jianping. 2021.
- 安徽省不同等级雾和重度霾时空分布特征及地面气象条件比较
- Comparisons of spatiotemporal distribution characteristics and surface meteorological conditions for fog and heavy haze events of different levels in Anhui province
- 气象学报, 79(5): 828-840.
- Acta Meteorologica Sinica, 79(5): 828-840.
- http://dx.doi.org/10.11676/qxxb2021.046
文章历史
-
2021-02-19 收稿
2021-05-14 改回
2. 寿县国家气候观象台/中国气象局淮河流域典型农田生态气象野外科学试验基地,寿县,232200;
3. 云南省气象台,昆明,650034;
4. 安徽省公共气象服务中心,合肥,230031
2. Shouxian National Climatology Observatory/Huai River Basin Typical Farm Eco-meteorological Experiment Field of CMA,Shouxian,China,Shouxian 232200,China;
3. Yunnan Meteorological Observatory,Kunming 650034,China;
4. Anhui Public Weather Service Center,Hefei 230031,China
雾和霾都是发生在边界层内的低能见度天气现象,但二者对社会经济和人们生活的影响不同。雾的危害主要体现在对交通运输业的影响,其造成的经济损失可与台风、龙卷等天气相比(Gultepe,et al,2007)。强浓雾对交通运输业产生的直接影响属于实时效应,如高速公路汽车追尾、航班延误、海上轮渡停航甚至相撞等,其对人民生命财产的危害立竿见影。近年来,观测发现城市雾往往伴随着严重的大气污染(杨军等,2009;李子华等,2011;顾凯华等,2011;朱彬等,2016;石春娥等,2016a;Li,et al,2019;Wang,et al,2020),其对人体健康的危害也逐渐受到关注。霾主要危害人体健康,其危害体现的是累积效应,如Tie等(2009)研究发现,广州霾日数显著增加后7—8年,肺癌死亡率明显升高。因此,气象预报业务中,针对不同等级的雾和霾有不同的预警信号,重点关注的是强浓雾和重度霾。由于雾的形成机制极其复杂,对雾的准确预报仍然是气象预报业务中极大的挑战。
雾与霾属于不同的天气现象,但在生成条件方面有很多共性,如均对应着小风、高湿、逆温的静风稳定天气,二者常相伴出现,可以相互转化、相互作用(Haeffelin,et al,2010;杨军等,2010a;刘端阳等,2014;郭丽君等,2015;Liu,et al,2018)。很多研究(杨军等,2010a;石春娥等,2017a;朱承瑛等,2018)都表明城市雾生成前往往对应有一段时间的霾,甚至重度霾,雾消散后往往也会有霾天气发生,但并非所有的重度霾天气均能转变为雾,也不是所有的雾都能发展到强浓雾。有的雾后是霾,有的雾后即晴空,这可能与当地的背景条件有关(石春娥等,2017a)。相似的气象条件(如均压场、小风、高湿),有时出现雾,有时不出现雾。因此,Bergot等(2007)给出了“近似雾”(near fog)的定性标准;随后,Haeffelin等(2010)在对2007年巴黎雾外场观测试验进行总结的文章中给出了“近似雾”的定量判断标准,并增加了“准雾”(quasi-fog,能见度<2 km),从能见度范围看“准雾”和“近似雾”都是“轻雾”的一部分。基于上述标准,Haeffelin等(2013)比较了巴黎雾外场观测试验中辐射雾与准雾形成过程的异同。根据Haeffelin等(2010)的定义,准雾的能见度标准与中国气象行业标准的“重度霾”接近,但没明确相对湿度。已往的研究(Shi,et al,2012;石春娥等,2013)也发现,雾的模式预报或基于模拟结果的多要素诊断预报中空报常发生在观测为近似雾或准雾的情形。
鉴于人工观测能见度时间分辨率低的局限,已往关于雾、霾互转的研究基本上均是科研项目观测的个例研究,而且是集中于已经形成了强浓雾的过程(Shi,et al,2010;陆春松等,2010;杨军等,2010b;刘端阳等,2014;梁绵等,2019),但是对于相同时段(如辐射雾高发的后半夜)、相似的气象条件下,强浓雾与准雾、重度霾形成的气象条件差异研究较少。近年来,常规气象观测业务已经逐步由人工观测全面转为仪器自动观测,这使得通过地面常规观测资料研究不同等级雾、霾的生消规律及其影响因子成为可能。文中利用安徽省78个地面观测站2010—2019年的逐时观测资料,基于雾、霾发生物理条件,建立不同等级雾日和重度霾日的观测诊断方法,重建了不同等级雾和重度霾的时序资料,在此基础上分析其时、空分布特征,研究强浓雾高发时段,不同等级雾和重度霾形成时地面气象条件的差异,为建立强浓雾预报方法奠定基础。
2 资料和方法 2.1 资 料所用资料包括安徽省78个地面观测站(不包括黄山光明顶、九华山和天柱山3个高山站)2010—2019年地面常规气象观测资料,均来自安徽省气象信息中心。具体要素包括:能见度、相对湿度、降水量、风速、风向、气温及逐日天气现象记录(如雾、霾、雨、雪等)。2010—2013年安徽各站均为人工观测能见度,一日3或4次(02、08、14、20时,大多数测站无02时资料);2014—2015年,安徽自北向南逐步开始器测能见度,2016年1月1日开始,所有观测站均开始使用器测能见度。因此,文中用2016—2019年逐时资料建立各级雾和重度霾记录,并分析各等级雾和重度霾的时、空分布及气象要素差异,用2010—2013年和2016—2019年的天气现象记录检验重建结果。
2.2 不同等级雾、霾天气判别方法根据能见度(V),雾可分为大雾(0.5 km≤V<1.0 km)、浓雾(0.2 km≤V<0.5 km)、强浓雾(0.05 km≤V<0.2 km)和特强浓雾(V<0.05 km)(中国气象局,2011)。根据对寿县观象台分钟级数据的分析,很少出现能见度低于50 m的特强浓雾(张浩等,2021)。因此,文中把雾分为大雾、浓雾和强浓雾3个等级,不单独考虑特强浓雾。根据气象行业标准“霾的观测和预报等级”(QX/T113-2010)(中国气象局,2010)定义重度霾。参考Haeffelin等(2010)的方法,增加“准雾”(750 m≤V<2 km,RH>90%),与重度霾(V<2 km,RH≤90%)对应。从准雾对应的相对湿度和能见度范围看,准雾属于轻雾的一部分。
前述标准中并没有明确雾、霾的定义中所用能见度是器测能见度或人工观测能见度。而根据已有研究,近年来广泛使用的器测能见度与以往的人工观测能见度存在系统偏差,地面气象观测业务中已把雾的能见度判别阈值调整为0.75 km,但并没有明确区分雾、霾等级的能见度调整方法(石春娥等,2017b)。因此,文中统一给出不同等级雾和霾的判断标准(表1,表中能见度为器测能见度)。考虑到降水也可以使能见度降到0.75 km以下,即存在雨雾、雪雾,此处暂不考虑,判断条件中增加无降水。
雾、霾类别 | 能见度(V) | 相对湿度(RH) | 雨否 |
强浓雾 | V≤200 m | RH>90% | 否 |
浓雾 | 200 m<V≤500 m | RH>90% | 否 |
大雾 | 500 m<V<750 m | RH>90% | 否 |
准雾 | 750 m≤V<2 km | RH>90% | 否 |
重度霾 | V<2 km | RH≤90% | 否 |
由于历史能见度资料仅保留1位小数,因此确定判断浓雾和强浓雾时能见度上限调整为“不大于”。具体步骤如下:
步骤1:基于小时资料的不同等级雾、霾天气的诊断。首先根据表1给出的判据利用逐时能见度、相对湿度和雨量判断逐时低能见度天气现象,即不同等级的雾或重度霾。
步骤2:根据天气现象记录对诊断结果进行检验和调整。即如果诊断为雾,且该日天气现象记录有“雾”,则认为是雾;如果天气现象记录中无“雾”,但有“雨”或“雪”,则该时次调整到“雨雾”或“雪雾”中对应的等级,本研究中不予考虑。准雾和重度霾不做调整。统计发现,还存在天气现象中无“雾”、也无“雨、雪”,但用小时资料诊断有雾的情况,检查后发现能见度变化连续,这种情况很少,因此予以保留。
步骤3:雾、霾日判断。一日中只要有一个时次出现强浓雾、浓雾或大雾,即认为该日为一个雾日,用于与天气现象观测记录的结果进行比较。
不同等级雾、霾日确定方法为:首先根据小时天气现象判断是否为强浓雾日,若无强浓雾,再依次判断是否为浓雾日、大雾日。
排除雾日再判断是否为重度霾日和准雾。即一天之中强浓雾、浓雾、大雾和准雾(重度霾)只计一个,准雾日和重度霾日可以重合。判断准雾日和重度霾日时不排除雨(雪)雾日。
采用以下步骤检验诊断方法的可靠性:
(1)比较2010—2013年、2016—2019年基于人工观测得到的雾日数空间分布;
(2)计算2016—2019年人工观测雾日与诊断得到的雾日数的技巧评分(Threat score,TS)、命中率(HR)(Wilks,2006):
$ {\rm{TS}}=\frac{{N_{\rm A}}}{{N_{\rm A}+N_{\rm B}+N_{\rm C}}} $ | (1) |
$ {\rm{HR}}=\frac{N_{\rm A}}{N_{\rm A}+N_{\rm C}} $ | (2) |
式中,NA为诊断有雾且观测有雾的样本数,NB为诊断有雾而未观测到雾的样本数,NC为诊断无雾而观测记录有雾的样本数。TS和HR的范围是0(最差)—1(最好),越大越好。
(3)计算人工记录和诊断得到的各站逐月雾日数的相关系数。
2.3 分区方法根据已有研究(Shi,et al,2008;邓学良等,2015a,2015b;石春娥等,2016b),安徽省雾、霾具有明显的时、空分布特征,存在雾的高发区和低发区,且不同区域雾的高发季节不同。因此,为全面了解安徽各地雾的季节、时间变化特征及强浓雾形成的气象条件,基于2016—2019年各站强浓雾发生时间的一致性对全省地面测站进行分区。首先对全省78个观测站逐日判断是否强浓雾日,用SPSS13.0中基于二元要素的聚类方法对全省测站进行分类,同时辅以人工方法,即考虑区域站点地理位置上的连续性,最后将安徽分为5个区(结果见3.3节)。根据分区结果,计算每一个区中站点间强浓雾有、无的TS矩阵,即把一个站点作为观测,另一个站点作为预报。在此基础上,可计算各站点的平均TS,据此可判断区域内强浓雾发生的时间一致性。
2.4 气象要素差异统计根据分析结果,强浓雾的发生有显著的日变化特征,选取强浓雾高峰时段并向前推,最终选定02—08时,对不同等级雾和重度霾发生时的风向、风速、气温变幅(与前一日20时气温之差)进行统计分析,统计变量包括:均值、中位值、最大值、最小值、5%、25%、75%、95%分位等,制作箱线图。
3 结果分析 3.1 雾日诊断方法验证使用器测能见度后,观测记录的全省雾日数普遍增多。78个地面站年均雾日数在2010—2013年为16.3 d,2016—2019年增至29.9 d,增加了83%,增多原因可归因于能见度观测方式的改变。但分布形势基本一致,二者相关系数为0.52。与已往分析结果(Shi,et al,2008;邓学良等,2015a)一致,2016—2019年安徽省雾日数空间分布不均,皖南山区、大别山区和沿淮淮北为雾的高发区,年均雾日数超过30 d,个别测站超过50 d,沿江属于雾的低发区,不到20 d。
图1为用上述方法诊断的2016—2019年年均雾日数空间分布。该分布与观测记录得到的雾日数空间分布基本一致(空间相关系数0.943)。重建雾日记录与观测记录的TS为0.72,命中率(HR)为72.5%。2016—2019年所有站逐月观测和诊断雾日数亦高度相关(相关系数0.95)。综上所述,文中诊断的雾日记录可靠。
3.2 安徽省不同等级雾和重度霾日的空间分布图2为按上述方法得到的2016—2019年安徽省不同等级雾和重度霾的空间分布。由图可见,皖南山区、大别山区和沿淮淮北是强浓雾的高发区,大部分地区年均超过10 d,局部超过20 d,个别测站超过30 d;而沿江地区和大别山北麓为低值区(低于10 d,局部低于5 d)。浓雾日数和大雾日数与强浓雾空间分布一致,与强浓雾空间分布的相关系数分别为0.69和0.60。全省平均的强浓雾、浓雾和大雾日数分别为12.58、5.83和3.56 d,假定强浓雾都要经过大雾、浓雾发展而来,那么有57%的大雾可以发展为强浓雾。
重度霾日有明显的北边多、南边少、大别山区和皖南山区最少的空间分布特征,与安徽PM2.5污染分布态势一致(王化杰等,2018);亳州、淮北等地年均超过15 d;而皖南和沿江西部部分测站不到3 d;全省平均7.38 d。空间上,与强浓雾、浓雾、大雾均不存在显著相关,说明重度霾与雾有本质的不同。
准雾的分布形势表现为沿江西部到江南最少,年均不到30 d;沿淮西部到淮河以北东北部、沿江中部为高值区,超过50 d,局部地区超过60 d,全省平均46.2 d。空间上,与各类雾和重度霾的相关系数分别为0.27(强浓雾)、0.08(浓雾)、0.44(大雾)和0.38(重度霾),可见,准雾与大雾空间分布相似程度最高,其次是重度霾。已有的研究表明,高湿和高PM2.5浓度均可导致低能见度,不同地区颗粒物成分和相对湿度存在差异,对能见度的影响也不同(张浩等,2017)。由此可推测安徽省不同地区准雾形成的关键因子不同,重度霾高发的淮河以北地区可能源于高污染,在水汽充足的江南可能更倾向于高湿度。
3.3 安徽强浓雾的区域特征及分区结果根据强浓雾日发生的一致性,即是否同一天发生强浓雾,将全省分为5个区,分别为淮河以北西部(1区,Area01)、淮河以北东部(2区,Area02)、沿淮地区(3区,Area03)、沿江地区(4区,Area04)和江南(5区,Area05)(图3)。
表2给出了各区内测站数、平均TS、区域内强浓雾日数标准差、各级雾和重度霾年均日数。由表2可见,淮河以北2个区(1区、2区),年均强浓雾日数分别为15.4和17.7 d,5个区中排名第3和第2,这2个区平均TS超过0.3,在5个区中排名第1和第2,说明强浓雾发生一致性好,容易发生区域性强浓雾。
子区名称 | 测站数 | 平均TS | 强浓雾日数
标准差(d) |
强浓雾日数
(d) |
浓雾日数
(d) |
大雾日数
(d) |
准雾日数
(d) |
重度霾日数
(d) |
1区:淮河以北西部 | 10 | 0.346 | 6.56 | 15.35 | 5.93 | 3.83 | 51.78 | 13.12 |
2区:淮河以北东部 | 7 | 0.302 | 5.56 | 17.68 | 6.61 | 5.46 | 52.61 | 12.11 |
3区:沿淮地区 | 14 | 0.255 | 9.15 | 14.39 | 5.32 | 3.50 | 52.04 | 8.68 |
4区:沿江地区 | 35 | 0.159 | 4.04 | 8.23 | 4.33 | 2.66 | 45.23 | 5.39 |
5区:江南 | 12 | 0.201 | 7.51 | 17.85 | 10.29 | 4.92 | 33.90 | 4.15 |
沿江地区(4区),站点数最多,强浓雾日数最少,平均TS最低,说明强浓雾发生的一致性差,雾的局地性强,不容易发生区域性强浓雾。江南(5区)平均强浓雾日数最多,但平均TS在5个区中为次低,强浓雾日数标准差大,说明强浓雾的局地性强,不易发生区域性强浓雾。
沿淮地区(3区)强浓雾日数略低于1区,TS居中,但强浓雾日数的标准差最大,说明这个区强浓雾空间分布严重不均,这从图2a也可以看出。
从图3可以看出,1区和2区地形平坦、湖泊较少,因而雾的区域性特征明显;3区地形平坦,河流、湖泊众多,水系发达,因而强浓雾高发但局地性强;4区和5区地形复杂,有山脉、长江、湖泊,4区长江沿岸西部湖泊众多,位于大别山山脉和黄山山脉之间,易形成狭管效应,静风少,因而强浓雾少发;长江沿岸东部为冲积平原、地形开阔。这说明强浓雾空间分布与下垫面特征密切相关。
由表2可见,强浓雾和浓雾各区排序一致,按江南(5区)、淮河以北东部(2区)、淮河以北西部(1区)、沿淮地区(3区)、沿江地区(4区)的顺序递减;大雾的排序是在强浓雾的基础上2区和5区交换。总体上,4区强浓雾、浓雾、大雾日数均是各区中最少、其强浓雾日数不到5区的一半。各区分别有61% (1区)、59% (2区)、62% (3区)、54% (4区、5区)的雾能发展到强浓雾。
准雾和重度霾都是北多南少。沿淮淮北3个区(1—3区)年均准雾日数都是约52 d,江南34 d,沿江地区45 d。重度霾南北差异较大,1区和2区分别为13、12 d,5区仅4 d。
综上,可见各区域之间差异显著,分区结果合理。
3.4 不同等级雾和重度霾的月际变化从各区雾和重度霾日数月际变化(图4)可见,1—3区,强浓雾呈明显的双峰型分布,7、8月为低谷,年均0.1—0.2 d,9月开始增多,1月达到最大峰值;2月为另一个谷值,3、4月强浓雾日数又增多,并在4月达到春季的峰值。4、5区第2个峰值不明显,强浓雾从9月开始增多,12月达到峰值,然后下降。总体上,强浓雾主要发生在冬半年(10月—次年4月),这7个月的强浓雾日数占全年强浓雾日数的82% (1区)—85% (3区)。各区高发月份不同,强浓雾日数最多的3个月份分别为:①淮河以北西部(1区),1月、4月和12月,强浓雾日数占全年的51.4%,1月最为突出,平均达4 d。②淮河以北东部(2区),4月、1月、11月,强浓雾日数占全年的45.4%。③沿淮地区(3区),1月、11月、12月,强浓雾日数接近,总数占全年的48.0%。④沿江地区(4区),12月、1月、11月,强浓雾日数占全年的47.3%。⑤江南(5区),12月、11月、3月,强浓雾日数占全年的46.6%。各区都是7、8月最少。除了江南,1月都是强浓雾最多或次多的月份,说明安徽强浓雾以辐射雾为主。区域之间的差异反映了不同地区强浓雾的形成机制和影响系统不同。
浓雾和大雾年变化不及强浓雾明显,但也能看出双峰型变化,峰值月份各区不同。总体上仍是7、8月最少,其他月份参差不齐。区域之间比较,江南浓雾最多,4—6月和11—12月平均都超过了1 d;淮河以北东部大雾最多。每个月都有准雾发生,总体上夏半年(5—9月)少、冬半年(10—4月)多,1月最多。
重度霾年变化呈明显的单峰型分布,峰值在1月、谷值在8月,主要发生在11月至次年的3月,这5个月的重度霾天数占全年的86%—88%(1—4区),江南占73%,4—10月天数很少。重度霾与雾日数的年变化差异反映了霾与雾本质上的不同以及形成机制的不同。
3.5 强浓雾和重度霾的日变化按季节统计了各区强浓雾发生次数日变化(图5)。一天之中,13—20时各区强浓雾年均次数不到0.2次,其中14—17时各区都无强浓雾。强浓雾高发时段既有季节差异也有区域差异,如:淮河以北东部冬季峰值时间最早(05时),且04—08时各时次强浓雾次数接近,秋季峰值时间最晚(07时);其他各区峰值时间都是夏季最早(04时)、冬季(08时)或秋季(07时)最晚。全年合计,各区强浓雾峰值时间都是06时,其次是07、05时,也就是说,强浓雾主要形成于后半夜。日出之后,地面升温、湍流增强,促使强浓雾消散,因此峰值出现在日出前后。若以峰值时刻为中心,强浓雾出现频次呈非对称分布,向峰值时刻之前(图中的左边)倾斜,形成的时间比较分散,在入夜后到日出前后,只要条件成熟都可以形成强浓雾,这增加了预报的难度。强浓雾的这种日变化说明安徽强浓雾可能以辐射雾为主(Tardif,et al,2007)。
图6为各区重度霾发生次数日变化。各区重度霾的日变化均为双峰型,2个峰值分别位于9—11时和19—22时,谷值位于14—16时,各区峰、谷值时间略有差异。日变化形势接近于PM2.5浓度日变化(石春娥等,2017c),这也说明霾的本质是细粒子污染。
3.6 各等级雾和重度霾地面气象条件的差异如图5所示,强浓雾有明显的日变化,峰值在日出前后,且在峰值前后呈非对称分布。选取强浓雾高发时段统计各级雾和重度霾出现时地面气象要素的差异。根据辐射雾的形成机制,主要考虑与前一天20时相比的降温幅度(△T)及当时的风速、风向。以高峰时刻为中心向前后延伸若干小时,尽可能多地覆盖强浓雾形成的时段。如果按强浓雾出现的小时数计算,02—08时强浓雾出现的次数占总次数的73%—83%,因此,选取这个时段做比较。
从安徽省各区02—08时出现不同等级雾与重度霾时相比于前一天20时的降温幅度(图7)可见,各级雾发生时都有明显降温,其中,强浓雾发生时的降温幅度最大,准雾或重度霾时降温幅度最小。从各类天气现象与降温幅度变化情况看,沿淮淮北3个区变化一致,强浓雾发生时的降温幅度最大,中位值都达到4.0℃(均值3.9—4.2℃),约75%的样本降温幅度大于3.0℃;而重度霾和准雾的降温幅度比较接近,均值不到3℃,比强浓雾时约低1℃。在沿江到江南2个区(4区、5区)也是随着雾的强度减弱,降温幅度变小,但是准雾时降温幅度最小,强浓雾发生时的降温幅度中位值(均值)为3.6—3.8℃(3.5—3.8℃)。各区准雾时的降温幅度中位值在1.9℃(沿江地区,4区)—2.7℃(淮河以北,1、2区)。总体上,如果以降温幅度的下四分位为界(即75%的样本满足条件),可以认为强浓雾时降温幅度必须大于3.0℃。这也说明安徽的强浓雾形成的一个重要机制是辐射降温。
由各区02—08时不同等级雾与重度霾时的风速统计结果(图8)可见,除了江南(5区),各区都是随着雾的强度减弱(从强浓雾到准雾)风速上升风速变化范围(图中长方形长度)增大。强浓雾、浓雾和大雾发生时风速普遍较低,中位值都不超过1.0 m/s。强浓雾时风速变化范围最小(图中长方形长度最短),上四分位不到1.5 m/s,中位值(均值)0.8—0.9 m/s (0.92—1.04 m/s),除了淮河以北西部(1区),其他区95%分位值低于2.0 m/s,也就是说,超过75%的样本风速低于1.5 m/s,有95%的样本风速低于2.0 m/s,这进一步说明安徽的雾以辐射雾为主(Tardif,et al,2007)。
总体上,除了江南,重度霾发生时的风速显著高于各级雾,且变化范围更大,下四分位值接近或超过1.0 m/s,在淮河以北西部和沿淮地区高于强浓雾时的上四分位值;中位值与强浓雾时的中位值的差值最大可超过1.0 m/s(淮河以北西部)。若以75%的样本(或者上、下四分位)能区分为接受标准,大部分区域重度霾与强浓雾发生时的风速是可以区分的,其差异程度超过了降温幅度。也就是说,重度霾向强浓雾转化的最关键的地面气象因子是风速,即风速须低于1.5 m/s。这对强浓雾的预报有较好的指示意义。另外,重度霾与准雾发生时风速差异显著,因此,准雾形成的气象条件更接近于雾。
刘端阳等(2014)和朱承瑛等(2018)的个例分析表明,强浓雾发生时不仅有风速减弱,还有风向的明显变化。本研究根据风向角度将风的来向分为16个方向和静风,合计有17个风向。计算了各区不同等级雾与重度霾时风向分布频率。进一步统计了各区各等级雾和重度霾时17个风向频率的相关系数,发现相邻等级雾之间相关较强,如强浓雾与浓雾的各类风向频率相关超过强浓雾与大雾之间风向频率的相关。除了沿江地区(4区),强浓雾与浓雾、大雾、准雾时的17个风向频率都显著相关(相关系数最低值为0.66,其余均大于0.8,通过显著水平α=0.01的t检验),说明这3个等级的雾之间风向分布差异可以忽略。而强浓雾与重度霾风向频率相关不明显。
图9给出各区强浓雾与重度霾时风向频率分布。由图9a可见,江南强浓雾时偏东到东南(东、东南东、东南)3个风向占比明显高于其他风向,都超过了10%,其中东南东频率最高,为14.47%,其次是东北和东北东,均为7.1%,这5个风向频率之和为49.82%,也就是说江南强浓雾时的风向以东北到东南为主,静风频率略低于东北风,为6.77%。与江南不同,其他几个区强浓雾时都是静风频率最高,接近或超过10%,其中,淮河以北西部强浓雾时静风频率最高,为17.63%,其他风向频率差异不大,在偏东到东南有一个6%—8%的峰值。频率最低的风向各区不一致。
由图9b可见,重度霾出现时各区都有明显的主导风向,淮河以北西部频率最高的3个风向是北、西北北和西北,均超过了12%,其次是东北北,8.64%,这4个风向频率之和为52.31%,再其次是东,7.45%,也就是说该区出现重度霾的风向以西北到东北偏北为主。江南占比最高的是东北到东南偏东,这4个风向占比为54.9%。其他3个区重度霾出现时的风向不及淮河以北西部重度霾时风向集中,但也是以西北到东北为主。各区重度霾时南到西南偏西频率都比较低,大多低于3%,这与合肥PM2.5污染发生时的风向频率分布较为一致(石春娥等,2017c),即PM2.5重度污染时偏南风出现频率较低;各区重度霾时静风频率均较低(2%—4%)。
综上,从多站点多时次的统计结果看江南以外的区域强浓雾时无主导风向,可能与强浓雾一般发生在高压系统里风向较乱有关;重度霾时风向频率分布与对安徽冬季PM2.5输送轨迹一致(Shi,et al,2018),这说明安徽霾发生时存在明显的颗粒物输送。由于是大量同类样本的统计,文中的强浓雾与重度霾不一定存在时间上的先后关系,因而,看不出与风向变化的关系。
4 结论与讨论基于雾、霾发生的物理条件,结合中国现行气象行业标准,建立了不同等级雾日和重度霾日的观测诊断方法,重建了不同等级雾和重度霾的时序资料,并进行了检验。在此基础上,基于强浓雾发生的时间一致性,将安徽分为5个特征明显的不同区域,进一步分析各区域不同等级雾及重度霾出现时地面气象条件的异同。主要结论如下:
(1)安徽省淮河以北和江南属于强浓雾高发区,年均强浓雾日数超过15 d;淮河以北强浓雾区域特征明显,但东、西部差异显著,说明这2个区强浓雾形成机制或影响系统不同。江南强浓雾局地性强;沿江地区属于强浓雾低发区,年均8.23 d,且强浓雾局地性强;沿淮地区强浓雾发生频率和区域性特征均居中。各区有54%(沿江江南)—62%(沿淮)的雾能发展到强浓雾。大雾、浓雾与强浓雾空间分布态势大体一致。
(2)重度霾的空间分布基本上呈北多、南少的分布态势,各区差异显著。准雾的空间分布与大雾和重度霾均有一定程度的相似,与大雾相似程度更高。
(3)强浓雾的年变化呈双峰型,双峰分别出现在1月和4月,7、8月是低谷。除了江南,1月都是强浓雾最多或次多的月份。重度霾的年变化呈单峰型分布,峰值在1月。
(4)各区强浓雾主要出现在后半夜,峰值时间均为06时,出现频次呈非对称分布,向峰值时刻之前倾斜。霾的日变化呈双峰型分布,双峰分别位于9—11时和19—22时。
(5)安徽强浓雾主要是辐射雾,根据02—08时气象要素统计结果,强浓雾发生时的降温幅度最大,中位值(均值)达到3.6—4.0℃(3.5—4.2℃);风速最低,中位值不超过1.0 m/s,超过75%的样本风速低于1.5 m/s。重度霾发生时,降温幅度小、风速偏大,且降温幅度和风速变化范围较大,降温幅度中位值比强浓雾降温幅度中位值约低1.0℃,风速显著高于各级雾时。
(6)江南强浓雾时的风向以东北到东南为主,其他区域强浓雾发生时静风频率最高(超过10%)、其他风向频率差异不大,说明处于均压场中,无明显的主导风。重度霾时各区都有明显的主导风。
上述结果说明重度霾能否演变为强浓雾的关键地面气象因子是风速、风向和降温幅度。重度霾与雾的本质和形成机制不同,安徽不同区域强浓雾均以辐射雾为主,但各区强浓雾形成的影响系统可能不同。要想做好强浓雾的预报服务,需针对不同的区域做进一步的分析研究。
邓学良, 石春娥, 吴必文等. 2015a. 1970—2009年安徽省大雾气候特征分析. 长江流域资源与环境, 24(12): 2125-2134. Deng X L, Shi C E, Wu B W, et al. 2015a. Analysis of fog climatic characteristics in Anhui province during 1970-2009. Resour Environ Yangtze Basin, 24(12): 2125-2134. (in Chinese) |
邓学良, 石春娥, 姚晨等. 2015b. 安徽霾日重建和时空特征分析. 高原气象, 34(4): 1158-1166. Deng X L, Shi C E, Yao C, et al. 2015b. Research of reconstruction and characteristics of hazes in Anhui. Plateau Meteor, 34(4): 1158-1166. (in Chinese) |
顾凯华, 樊曙先, 黄红丽等. 2011. 南京冬季雾天颗粒物中PAHs分布与气象条件的关系. 中国环境科学, 31(8): 1233-1240. Gu K H, Fan S X, Huang H L, et al. 2011. Characteristics of polycyclic aromatic hydrocarbons (PAHs)in particles and the influence of foggy weather conditions during the winter in Nanjing. China Environ Sci, 31(8): 1233-1240. (in Chinese) |
郭丽君, 郭学良, 方春刚等. 2015. 华北一次持续性重度雾霾天气的产生、演变与转化特征观测分析. 中国科学: 地球科学, 45(4): 427-443. Guo L J, Guo X L, Fang C G, et al. 2015. Observation analysis on characteristics of formation, evolution and transition of a long-lasting severe fog and haze episode in North China. Sci China Earth Sci, 58(3): 329-344
|
李子华, 刘端阳, 封洋等. 2011. 中国雾水化学研究进展. 气象学报, 69(3): 544-554. Li Z, Liu D Y, Feng Y, et al. 2011. Recent progress in the studies of the fog-water chemical characteristics in China. Acta Meteor Sinica, 69(3): 544-554. (in Chinese) |
梁绵, 杨军, 王巍巍等. 2019. 雨后两次强浓雾的爆发性增强过程. 气象科学, 39(2): 153-163. Liang M, Yang J, Wang W W, et al. 2019. The burst reinforcement process of the twice heavy fog after the rain. J Meteor Sci, 39(2): 153-163. (in Chinese) |
刘端阳, 濮梅娟, 严文莲等. 2014. 淮河下游连续雾-霾及转换成因分析. 中国环境科学, 34(7): 1673-1683. Liu D Y, Pu M J, Yan W L, et al. 2014. Study on the formation and the cause of the fog-haze transformation in the lover reaches of Huaihe River. China Environ Sci, 34(7): 1673-1683. (in Chinese) |
陆春松, 牛生杰, 杨军等. 2010. 南京冬季一次雾过程宏微观结构的突变特征及成因分析. 大气科学, 34(4): 681-690. Lu C S, Niu S J, Yang J, et al. 2010. Jump features and causes of macro and microphysical structures of a winter Fog in Nanjing. Chinese J Atmos Sci, 34(4): 681-690. DOI:10.3878/j.issn.1006-9895.2010.04.02 (in Chinese) |
石春娥, 吴照宪, 邓学良等. 2013. MM5与MM5-PAFOG模式区域雾预报效果评估比较. 高原气象, 32(5): 1349-1359. Shi C E, Wu Z X, Deng X L, et al. 2013. Validation and comparison of regional fog forecast by MM5 and MM5-PAFOG models. Plateau Meteor, 32(5): 1349-1359. (in Chinese) |
石春娥, 邓学良, 朱彬等. 2016a. 合肥市不同天气条件下大气气溶胶粒子理化特征分析. 气象学报, 74(1): 149-163. Shi C E, Deng X L, Zhu B, et al. 2016a. Physical and chemical characteristics of atmospheric aerosol under the different weather conditions in Hefei. Acta Meteor Sinica, 74(1): 149-163. (in Chinese) |
石春娥, 王喜全, 李元妮等. 2016b. 1980~2013年安徽霾天气变化趋势及可能成因. 大气科学, 40(2): 357-370. Shi C E, Wang X Q, Li Y N, et al. 2016b. The trend of haze in Anhui Province from 1980 to 2013 and the possible reasons. Chinese J Atmos Sci, 40(2): 357-370. (in Chinese) |
石春娥, 邓学良, 余金龙等. 2017a. 安徽省雾、霾、晴空天气的气象条件对比分析. 气候与环境研究, 22(2): 242-252. Shi C E, Deng X L, Yu J L, et al. 2017a. Comparisons of meteorological conditions on fog, haze, and clear days in Anhui Province, China. Climatic Environ Res, 22(2): 242-252. (in Chinese) |
石春娥, 张浩, 马井会等. 2017b. 基于器测能见度的霾天气判断标准的探讨. 高原气象, 36(6): 1693-1702. Shi C E, Zhang H, Ma J H, et al. 2017b. Investigation on norm of haze identification based on hourly Auto-monitored visibility. Plateau Meteor, 36(6): 1693-1702. (in Chinese) |
石春娥, 张浩, 弓中强等. 2017c. 2013—2015年合肥市PM2.5重污染特征研究
. 气象学报, 75(4): 632-644. Shi C E, Zhang H, Gong Z Q, et al. 2017c. Characteristics of severe PM2.5 pollution in Hefei during 2013-2015
. Acta Meteor Sinica, 75(4): 632-644. (in Chinese) |
王化杰, 张波, 胡昊等. 2018. 安徽省大气污染物时空分布特征及演化规律. 环境科学研究, 31(4): 628-641. Wang H J, Zhang B, Hu H, et al. 2018. Evolution characteristics and spatial-temporal pattern of air pollutants in Anhui province. Res Environ Sci, 31(4): 628-641. (in Chinese) |
杨军, 谢玉静, 石春娥等. 2009. 南京冬季辐射雾和平流辐射雾的化学特征差异. 大气科学学报, 32(6): 776-782. Yang J, Xie Y J, Shi C E, et al. 2009. Differences in ion compositions of winter fogwater between radiation and advection-radiation fog episodes in Nanjing. Trans Atmos Sci, 32(6): 776-782. DOI:10.3969/j.issn.1674-7097.2009.06.006 (in Chinese) |
杨军, 牛忠清, 石春娥等. 2010a. 南京冬季雾霾过程中气溶胶粒子的微物理特征. 环境科学, 31(7): 1425-1431. Yang J, Niu Z Q, Shi C E, et al. 2010a. Microphysics of atmospheric aerosols during winter haze/fog events in Nanjing. Environ Sci, 31(7): 1425-1431. (in Chinese) |
杨军, 王蕾, 刘端阳等. 2010b. 一次深厚浓雾过程的边界层特征和生消物理机制. 气象学报, 68(6): 998-1006. Yang J, Wang L, Liu D Y, et al. 2010b. The boundary layer structure and the evolution mechanisms of a deep dense fog event. Acta Meteor Sinica, 68(6): 998-1006. (in Chinese) |
张浩, 石春娥, 吴必文等. 2017. 合肥市能见度与相对湿度、PM2.5质量浓度的定量关系
. 生态环境学报, 26(6): 1001-1008. Zhang H, Shi C E, Wu B W, et al. 2017. Quantified relationships among the visibility, relative humidity and PM2.5 mass concentration in Hefei City
. Ecol Environ Sci, 26(6): 1001-1008. (in Chinese) |
张浩, 石春娥, 杨军等. 2021. 寿县不同强度雾的微物理特征及其与能见度的关系. 大气科学, 45(5):1-15. Zhang H, Shi C E, Yang J, et al. 2021. Microphysical characteristics of fog with different intensities and their relationship with visibility in Shouxian County. Chinese J Atmos Sci, 45(5):1-15 (in Chinese)
|
中国气象局. 2010. 霾的观测和预报等级: QX/T113-2010. 北京: 气象出版社, 8pp. China Meteorological Administration. 2010. Observation and Forecasting Levels of Haze: QX/T113-2010. Beijing: China Meteoro-logical Press, 8pp(in Chinese)
|
中国气象局. 2011. 雾的预报等级: GB/T 27964-2011. 北京: 中国标准出版社, 16pp. China Meteorological Administration. 2011. Grade of Fog Forecast: GB/T 27964-2011. Beijing: China Standards Press, 16pp(in Chinese)
|
朱彬, 郭婷. 2016. 空气污染对雾影响的研究进展. 气象科技进展, 6(2): 56-63. Zhu B, Guo T. 2016. Review of the impact of air pollution on fog. Adv Meteor Sci Technol, 6(2): 56-63. (in Chinese) |
朱承瑛, 朱毓颖, 祖繁等. 2018. 江苏省秋冬季强浓雾发展的一些特征. 气象, 44(9): 1208-2019. Zhu C Y, Zhu Y Y, Zu F, et al. 2018. Some characteristics of the development of heavy fog in Autumn and winter in Jiangsu province. Meteor Mon, 44(9): 1208-1219(in Chinese)
|
Bergot T, Terradellas E, Cuxart J, et al. 2007. Intercomparison of single-column numerical models for the prediction of radiation fog. J Appl Meteor Climatol, 46(4): 504-521. DOI:10.1175/JAM2475.1 |
Gultepe I, Tardif R, Michaelides S C, et al. 2007. Fog research: A review of past achievements and future perspectives. Pure Appl Geophys, 164(6): 1121-1159. |
Haeffelin M, Bergot T, Elias T, et al. 2010. Parisfog: Shedding new light on fog physical processes. Bull Amer Meteor Soc, 91(6): 767-783. DOI:10.1175/2009BAMS2671.1 |
Haeffelin M, Dupont J C, Boyouk N, et al. 2013. A comparative study of radiation fog and quasi-fog formation processes during the Paris Fog Field Experiment 2007. Pure Appl Geophys, 170(12): 2283-2303. DOI:10.1007/s00024-013-0672-z |
Li Z H, Liu D Y, Yan W L, et al. 2019. Dense fog burst reinforcement over eastern China: A review. Atmos Res, 230: 104639. DOI:10.1016/j.atmosres.2019.104639 |
Liu D Y, Yan W L, Kang Z M, et al. 2018. Boundary-layer features and regional transport process of an extreme haze pollution event in Nanjing, China. Atmos Pollut Res, 9(6): 1088-1099. DOI:10.1016/j.apr.2018.04.009 |
Shi C E, Roth M, Zhang H, et al. 2008. Impacts of urbanization on long-term fog variation in Anhui Province, China. Atmos Environ, 42(36): 8484-8492. DOI:10.1016/j.atmosenv.2008.08.002 |
Shi C E, Yang J, Qiu M Y, et al. 2010. Analysis of an extremely dense regional fog event in eastern China using a mesoscale model. Atmos Res, 95(4): 428-440. DOI:10.1016/j.atmosres.2009.11.006 |
Shi C E, Wang L, Zhang H, et al. 2012. Fog simulations based on multi-model system: A feasibility study. Pure Appl Geophys, 169(5-6): 941-960. DOI:10.1007/s00024-011-0340-0 |
Shi C E, Yuan R M, Wu B W, et al. 2018. Meteorological conditions conducive to PM2.5 pollution in winter 2016/2017 in the western Yangtze River Delta, China
. Sci Total Environ, 642: 1221-1232. DOI:10.1016/j.scitotenv.2018.06.137 |
Tardif R, Rasmussen R M. 2007. Event-based climatology and typology of fog in the New York City Region. J Appl Meteor Climatol, 46(8): 1141-1168. DOI:10.1175/JAM2516.1 |
Tie X X, Wu D, Brasseur G. 2009. Lung cancer mortality and exposure to atmospheric aerosol particles in Chuangzhou, China. Atmos Environ, 43(14): 2375-2377. DOI:10.1016/j.atmosenv.2009.01.036 |
Wang H B, Zhang Z W, Liu D Y, et al. 2020. Study on a large-scale persistent strong dense fog event in Central and eastern China. Adv Meteor, 2020: 8872334. DOI:10.1155/2020/8872334 |
Wilks D S. 2006. Statistical Methods in the Atmospheric Sciences. 2nd ed. Cambridge: Academic Press, 630pp
|