太原大气能见度影响因子分析及能见度预报

2020-11-01 02:07卢盛栋陈立瑾赵桂香张泽秀段鹏飞
沙漠与绿洲气象 2020年4期
关键词:能见度太原颗粒物

卢盛栋,陈立瑾,赵桂香,张泽秀,段鹏飞

(1.山西省气象灾害防御技术中心,山西 太原030012;2.太原理工大学,山西 太原030024;3.山西省气象台,山西 太原030006;4.太原市气象局,太原030082;5.太原市尖草坪区气象局,山西 太原030023)

大气能见度与人们生产生活密切相关,低能见度容易导致交通事故、飞机延误等。近年来大气能见度问题,特别是低能见度问题,受到我国学者的广泛关注,并开展了大量研究[1-8]。李潇潇等[5]利用大连地区大气能见度与相对湿度、风速、气温、气压的关系,分析了大连地区大气能见度与气象要素的相关性。姜江等[6]研究了北京大气能见度与相对湿度、风速、PM2.5的关系,发现当相对湿度增加至80%时,能见度受PM2.5浓度的影响下降、受相对湿度的影响增加。吴兑等[7]发现人类活动产生的细粒子是造成广州低能见度的主要原因。李良玉等[8]研究表明石家庄地区特有的地形地貌导致了该地区低能见度频发。由此可见,能见度影响因素复杂,不仅与气象条件有关,还受当地大气成分、地形条件和人类活动等因素影响。

分析影响能见度成因的同时,广大学者也展开了能见度预报模型的探讨。倪江波等[9]利用数学建模的方法构建了华北地区的能见度预报模型。白永清等[10]研究了在不同相对湿度条件下武汉地区大气能见度与PM2.5浓度的定量关系。胡海川[11]、梁之彦[12]利用神经网络的方法分别对环渤海地区、广州地区的能见度进行了预报研究。

太原是山西省省会,三面环山,处于山西中部盆地,大气常处于静稳状态,不利于污染物的扩散,低能见度现象频繁发生。管琴等[13]利用2009年太原地区日平均能见度、日平均相对湿度及空气污染指数进行拟合,建立了能见度预报模型,该模型对太原地区能见度预报具有一定的适用性。但随着近几年太原市城市规模的扩大,都市圈区域逐渐南移,且随着山西省资源转型发展,太原周边企业污染物排放已发生了变化,影响能见度的因素更加复杂。文章利用2017—2019年太原地区逐时能见度、相对湿度、风速、气温、PM2.5浓度和PM10浓度观测数据,定量分析了天气环境因素对能见度的影响,并以两次典型霾过程详细分析了低能见度的演变特征,最后采用神经网络方法构建了能见度预报模型,为太原地区能见度预报提供科学参考。

1 资料与方法

1.1 资料来源

选择太原市大气能见度、相对湿度、风速、气温、PM2.5浓度和PM10浓度资料开展分析,气象数据和污染物浓度数据均由山西省气象信息中心提供,资料序列为2017—2019年逐时数据(其中去掉了受降水影响的样本),经质量控制去掉奇异值,所有时刻均为北京时。

1.2 方法简介

参照中国气象局发布的《霾的观测和预报等级》标准[14]对霾进行判别:排除时段内降水等天气造成的低能见度,即当能见度V<10 km且相对湿度RH<80%时,或相对湿度满足80%≤RH<95%且PM2.5>75μg/m3时,统计为霾;当能见度V≥10 km时,统计为非霾。当判断为霾时,可根据能见度(V)将霾划分等级:轻微(5 km≤V<10 km)、轻度(3 km≤V<5 km)、中度(2 km≤V<3 km)和重度(V<2 km)。

BP神经网络是一种前馈性神经网络,有信号前向传递,误差反向传播的特点。在前向传递中,输入信号从输入层、隐含层逐层处理直至输出层,如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使预测输出不断逼近期望输出。

采用神经网络方法建立大气能见度预报模型,主要用到TS评分、均方根误差(ERMS)、平均绝对百分误差(EMAP),检验方法如下:

式(1)~(3)中,NA代表预报正确样本数,NB代表空报样本数,NC代表漏报样本数,P代表预报值,O代表观测值,N代表检验样本个数。预报正确指预报等级与实况等级相同;空报指预报出现在等级内而实况没有出现在等级内;漏报指预报没有出现在等级内而实况出现在等级内。

2 结果与分析

2.1 太原地区大气能见度及主要影响因子时空分布特征

基于2017—2019年气象资料统计结果,太原年平均能见度为18.24 km。从空间分布看(图1),东南部分能见度较低,北部能见度最高,太原大气能见度表现为由南向北逐渐好转的分布特征。

图1 太原地区平均能见度空间分布

从时间变化看(图2),2017—2019年太原地区平均能见度最大值出现在5月,平均能见度超过20 km,最小值出现在1月,平均能见度不足10 km,这与姜江等[6]研究得出的北京最低能见度在夏季7月份,结果截然不同,表现出地域性差异,这可能与太原及周边地区污染物输送有关,并且太原三面环山的地形不利于污染物排放也有影响。能见度的波峰(谷)与风速的波峰(谷)及湿度的波谷(峰)基本一致。PM2.5浓度在1月过后大幅下降,在4—10月平均浓度均低于50μg/m3,10月开始回升;而平均能见度在5月出现最高值,6月开始下降,这时气温上升显著,这与夏季较高的气温有利于消光特性的气溶胶的增长有关。PM10浓度较PM2.5浓度变化幅度较大,但二者增减趋势基本一致。

依据气候学常用方法对季节进行划分:春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12—次年2月),对各要素按季分类统计,得出日变化特征(图3)。能见度最低值出现在06时(北京时,下同)左右,冬季出现在09时左右,能见度最高值出现在15时前后。能见度的波峰(谷)较好的对应于相对湿度波谷(峰)、风速波峰(谷)。气温在每日06时前后达到最低,15时达到最高,与能见度变化也较为一致。对于PM2.5浓度与PM10浓度,春夏变化规律较为一致,09时达到波峰,15时达到波谷,秋冬季节06时前后出现波谷,然后递增,09时出现波峰,之后由于热力扩散条件逐渐好转,风速增大,有利于扩散,开始降低,15时达到波谷,此时颗粒物浓度最小,湿度最低,能见度处于最高值,之后风速下降,颗粒物浓度逐渐增加,能见度开始下降,且秋冬季下降更明显,21:00前后逆温层形成,颗粒物浓度达到最高峰,能见度处于波谷。就平均状态而言,逐时能见度周期变化规律与气象因子变化一致,且与颗粒物浓度有关。

图2 2017—2019年月平均能见度(a)、风速(b)、PM2.5浓度(c)及PM10浓度(d)

图3 2017—2019年季平均能见度(a)、湿度(b)、PM2.5浓度(c),PM10浓度(d)日变化特征

2.2 低能见度与气象要素变化特征

图4为太原地区2017—2019年低能见度(V<10 km)分布图。太原地区低能见度事件1月最多,5月最少;1月低能见度分别出现17、13、14 d,5月低能见度分别出现3、1、3 d。2017、2018、2019年太原低能见度分别出现93、84、79 d,年平均发生频率分别为25.48%、23.01%、21.64%。

图4 2017—2019年太原地区低能见度月变化

为分析相对湿度、颗粒物浓度、风速等对能见度的影响,本文统计分析了在不同低能见度等级下各影响因子的均值变化情况(表1)。随着能见度降低,PM2.5浓度、PM10浓度、相对湿度增加,气温及风速减小。低能见度现象出现时,发生频率最高的是轻微级(49.83%),发生频率最低的是重度级(12.1%)。

表1 不同低能见度等级下的影响因子

相关研究表明[15-16],随着相对湿度及颗粒物浓度的增加,能见度下降明显,且在高湿环境下,相对湿度对能见度的影响更大,原因在于空气中水分达到一定含量时,相对湿度对大气中可溶性气溶胶的消光系数影响很大,导致折射指数发生改变,消光能力显著增强,能见度恶化显著。参照姜江等[7]对北京大气能见度研究的方法,本文将相对湿度<80%的霾称为干霾,相对湿度≥80%的霾称为湿霾,对干霾和湿霾分别进行统计。

2017—2019年太原地区低能见度事件发生时,干霾发生频率占59.27%,湿霾发生频率为40.73%。由表2、表3可知,在同一霾等级下,湿霾发生时的能见度、风速、颗粒物浓度明显低于干霾发生时,而气温比干霾发生时高。在湿霾情况下,4个等级对应的风速差别不大,轻微级与轻度级对应的风速基本相同,风速与霾的等级一致性不强,因为霾现象发生时,平均风速在微风状态,导致雾粒的碰并增长,将底层水汽输送到较高层形成雾,导致能见度下降,风速只有达到一定程度才能破坏雾的出现,使污染物有效扩散。

从发生频率看,太原地区低能见度事件多由干霾造成,而湿霾比干霾造成的能见度恶化得更加明显。干霾事件发生时,发生频率最高的是轻微级(62.29%),发生频率最低的是重度级(3.98%);湿霾发生时,发生频率最高的是轻微级(31.69%),其次是重度级(28.47%),发生频率最低的是中度级(17.11%),可见湿霾现象发生时,重度级能见度发生率较高。

表2 干霾不同等级下的能见度及其影响因子

表3 湿霾不同等级下的能见度及其影响因子

2.3 典型霾事件过程中能见度及各影响因子变化

选择太原两次典型的低能见度事件,对相对湿度、风速、气温、PM2.5浓度及PM10浓度对能见度的影响进行分析。

2018年12月13日15:00—12月16日15时太原出现一次低能见度天气过程,相对湿度在整个日变化过程中均在80%以下,是典型的干霾过程。由图5可知,2018年12月13日15时,太原大气能见度为24.1 km,相对湿度为16%,PM2.5浓度及PM10浓度分别为63.9μg/m3、96μg/m3。随着相对湿度、PM2.5浓度、PM10浓度逐渐递增,能见度开始下降,在12月14日09时,能见度降至4.4 km。随后相对湿度、PM2.5浓度、PM10浓度开始降低,随着气温升高以及午后局地对流加强,13时PM2.5浓度、PM10浓度降到24.8μg/m3、49.5μg/m3,能见度短暂恢复至10.5 km,之后随着颗粒物浓度再次升高,能见度出现波动性降低。直到12月15日09时,PM2.5浓度、PM10浓度分别增加到260.1μg/m3、374.8μg/m3,能见度降到最低为2.4 km。在12月15日19时PM2.5浓度、PM10浓度快速下降到11.6、47.2μg/m3,风速增加到3.9 m/s,能见度迅速回升至22.5 km,之后随着风速下降,颗粒物浓度升高,能见度降低至4.2 km。12月16日09时起,颗粒物浓度降低,能见度转好,15时能见度增加到23.9 km,此次干霾过程结束。整个过程PM2.5浓度与PM10浓度变化趋势一致,相对湿度日变化特征明显,PM2.5浓度及PM10浓度对能见度变化影响显著。

2018年1月13日15时太原地区能见度>20 km,只有城区小部分区域<20 km。12月14日17时能见度降到10 km左右,且能见度由北向南逐渐减弱。至12月15日09时,由于颗粒物浓度达到峰值,能见度降到最低,太原城区(东南部分)低于5 km。随着颗粒物浓度减弱,能见度开始转好,至12月16日15时,太原大部分地区能见度恢复到20 km以上。

另选取2020年1月9—10日太原地区经历的一次低能见度事件,太原市在此期间实行了交通管制。在此次事件中,相对湿度除自身的日变化规律外均>80%,是一次典型的湿霾过程。由图6可知,2020年1月9日11时太原大气能见度为12.22 km,随着相对湿度、PM2.5浓度及PM10浓度的持续增加,能见度持续下降,9日13时虽然风速持续增加,但由于相对湿度在高值区维持阻碍了能见度的好转;9日19时相对湿度达到最高值为89%,PM2.5浓度达到峰值为243μg/m3,PM10浓度达到峰值为302μg/m3,此时能见度降到最低为3.6 km。之后随着相对湿度、PM2.5浓度、PM10浓度逐渐降低,大气能见度波动性增加,1月10日01时,能见度出现短暂回升(6.63 km),之后随着相对湿度及颗粒物浓度增大,能见度降至5.2 km(1月10日09时)。1月10日12时起,伴随着气温回升及相对湿度、颗粒物浓度的快速下降,能见度迅速回升至25.88 km(1月10日15时),此次湿霾天气过程结束。与2018年12月的干霾过程比较,此次湿霾过程中,相对湿度对能见度变化影响较大。

图5 2018年12月13日15时—12月16日15时霾天气过程能见度(a)、相对湿度(b)、PM2.5浓度(c)、PM10浓度变化特征(d)

2020年1月9日11时,太原地区能见度在10 km左右,北部区域比南部区域高,随着相对湿度增大,1月9日19时,能见度降到最低,整个太原地区能见度不足5 km,随着相对湿度开始降低,能见度出现回升,至1月10日11时,大部分能见度恢复至6 km左右,直至1月10日14时,太原地区大部分区域能见度恢复至10 km以上,只有南部城区恢复较慢。

2.4 能见度预报模型初探

太原地区相对湿度、温度、风速、PM2.5浓度和PM10浓度与能见度的相关系数分别为-0.414、0.221、0.257、-0.113、-0.203,都达到了0.01的显著性水平(表4),但大量研究表明大气能见度与颗粒物浓度、相对湿度、风速等影响因子为非线性关系[17-21],因此不能以简单线性回归方法建立能见度预报模型。

表4 能见度影响因子相关性分析

神经网络方法具有很好的处理非线性问题的能力,采用神经网络方法建立能见度预报模型,一般确定隐含层节点数为10。隐含层节点数的确定直接关系到模型构建的合理性,一般来说,增加隐含层节点数可以提高网络收敛精度,但隐含层过多,会使网络对样本识别能力下降,出现过拟合现象。通过Matlab软件编程来实现建模。

选用BP神经网络算法,将相对湿度、风速、气温、PM2.5浓度和PM10浓度5个预报因子作为网络学习的矩阵输入端,能见度预报值作为网络的期望输出端。将太原市2019年1—12月逐时数据分为两段,前3/4长度为训练期,后1/4作为预报期,构建神经网络大气能见度预报模型,并采用公式(1)~(3)对预报模型的效果进行检验。

图6 2020年1月9日11时—1月10日15时霾天气过程能见度(a)、相对湿度(b)、PM2.5浓度(c)、PM10浓度变化特征(d)

图7给出了训练后的大气能见度预报模型在预报期内模拟值与实况值的对比。模拟值与实况值的变化趋势基本一致,但对于20 km以上能见度随实况值增大模拟略偏低,但整体预报与实况基本吻合,对低能见度样本模拟效果更佳。神经网络在预报初期模拟预报值的准确度高于预报后期,实际业务应用中可不断更新训练样本,以提高后期预报效果。

均方根误差反映模拟值与观测值之间的偏差,平均绝对百分误差反映误差占观测值的比例大小,这两个指标常用来判断模型的模拟效果。对神经网络构建的大气能见度预报模型进行检验,均方根为4.43 km,平均绝对误差为17.39%。由表5可知,神经网络构建的能见度模型预报效果良好,对轻微级能见度的TS评分为0.87,具有较高准确性。随着能见度的降低,TS评分逐渐降低,模拟值略偏大。

图7 神经网络模型预报期内能见度预报与实况对比

表5 能见度分级检验评分指标

3 结论

本文利用2017—2019年太原地区逐时气象观测资料,分析了能见度及其主要影响因子的变化特征,并对两次低能见度过程进行深入分析,利用神经网络模型构建了能见度预报模型,并进行了检验,得到如下结论:

(1)太原地区月平均能见度最大值出现在5月,最小值出现在12月和1月。春、夏、秋平均能见度日间最低值出现在06时前后,冬季出现在09时前后,最高值都出现在15时前后;能见度的波峰(谷)较好的对应于相对湿度波谷(峰)、风速波峰(谷);能见度周期变化规律与气象条件非常一致,且与颗粒物浓度有关。

(2)2017—2019年太原低能见度分别出现93、84、79 d,年平均发生频率分别为25.48%、23.01%、21.64%。低能见度现象出现时,发生频率最高的是轻微级(49.83%),发生频率最低的是重度级(12.1%)。太原地区低能见度天气现象多由干霾天气造成,但湿霾天气发生时,能见度恶化得更加明显。干霾事件发生时,发生频率最高的是轻微级(62.29%),发生频率最低的是重度级(3.98%);湿霾发生时,发生频率最高的是轻微级(31.69%),其次是重度级(28.47%),发生频率最低的是中度级(17.11%)。

(3)根据两次典型的低能见度分析结果,能见度均随相对湿度、风速、气温、PM2.5浓度及PM10浓度的变化有所起伏;PM2.5浓度和PM10浓度变化趋势基本一致,但PM2.5浓度对能见度的影响更大;湿霾过程中,大气能见度与相对湿度变化特征更为一致;干霾天气过程中,大气能见度与PM2.5浓度及PM10浓度变化特征更为相关。湿霾的发生、发展到结束,能见度在空间上表现为由北向南逐渐减弱,由南向北逐渐好转的变化规律,且城区区域能见度低于郊区。

(4)神经网络构建的大气能见度预报模型预报性能良好,经检验,相关系数为0.81,均方根为4.43 km,平均绝对误差为17.39%,轻微级能见度的TS评分为0.87,具有较高准确性。

猜你喜欢
能见度太原颗粒物
大兴机场低能见度变化特征分析
能见度仪在海陀山的应用
道路空气颗粒物污染与骑行流的相关性研究
太原清廉地图
人造太原
除夜太原寒甚
某高中校园内颗粒物尘源调查实测与分析
低能见度下高速公路主动诱导技术的应用
低能见度下高速公路主动发光诱导设施设置
多层介质阻挡放电处理柴油机尾气颗粒物