眉山市霾气候数据序列重建及其气候特征分析

方 敏,毛文书,徐卫红,王雪芹,罗张咏

(1.眉山市气象局,四川 眉山 620010；2.成都信息工程大学大气科学学院，成都 610225)

引 言

霾是一种天气现象，指大量的悬浮于空气中肉眼难以分辨的粒子,这些粒子能使空气混浊,从而导致水平能见度低于10 km的一种现象。霾形成时，大气往往比较稳定和干燥,在一天当中任意时间均可以出现[1-2]。近年来随着社会经济快速发展，霾给人们生活、健康和交通运输带来诸多问题，霾天气也愈发受到国内外学者的关注。Okada[3]等研究表明,造成霾天气现象出现的主要原因是悬浮于空气中的气溶胶颗粒物。Kerr[4]对由污染物质所造成的霾气候致冷机制进行了研究。Malm[5]美国大陆霾天气的时空演变进行了定量分析。Schichtel[6]等研究发现美国实行空气洁净运动后15年间霾日数降低了10%,与污染物排放量下降趋势有较好的对应关系。国内学者也对霾天气的观测标准以及区域性霾天气的气候特征、形成机理都陆续开展了大量的研究。吴兑[7～9]对霾的形成机制以及雾和霾的判别标准做了大量、细致的分析,为人们观测和判定究竟是雾还是霾提供了一些重要的参考标准。高歌[10]研究了近45年中国地区霾的时空分布特征，表明年和四季霾日的空间分布为东多西少，平均年霾日数增长趋势明显。张云海等[11]研究表明沈阳地区霾日数也是呈现逐年上升的趋势。贾秋兰[12]等利用邢台地区1990～2018年的观测资料分析了近30年邢台地区雾霾天气的空间分布特征和影响因子。然而，由于过去对于霾全国没有统一量化的指标，各省市在实际观测中采用的是一些不成文的规定，所以直接利于地面观测中的霾日记录开展霾研究缺乏一定的可比性和科学性。目前，国内外对于历史霾日判别方法较多，对于如何选取最优判别方法的研究较少。

本文基于近5年获取的PM2.5浓度数据采用肯德尔相关系数等方法综合比较分析了三种传统霾日判别方法与现有方法的一致性从而选取最优传统判别方法，此方法具有较好的科学性和先进性。通过此方法重建眉山地区霾气候数据序列，利用经验正交函数分解等方法分析其霾的变化趋势,对眉山地区霾污染天气的防治以及空气质量提供科学依据。

1 资料和研究方法

1.1 资料来源

利用眉山地区六个区县40年(1980～2019)的地面气象记录A文件，翻阅、查找统计出眉山地区六个区县40年的逐日日均相对湿度、日均能见度、14时相对湿度、14时能见度、天气现象等数据，眉山地区2015～2019年五年的逐日空气污染物浓度数据由眉山市环境监测中心站提供。

1.2 研究方法

1.2.1 霾日判别方法

首先对几种传统常用霾日判别方法进行整理归纳，选取三种传统霾日判别方法，见表1。方法4是依据现有霾的判别标准(2013《关于霾天气现象观测补充规定的函》),将各指标值应用于日均值的方法。其次利用四种判别方法对眉山市东坡区2015～2019年三年共1 826天进行逐日判别，得到四个不同的霾日序列，然后分析比较三种传统霾日判别方法与现有霾日判别方法的一致性。

表1 霾日的四种判别方法

1.2.2 霾日对比分析

图1为2015年1月到2019年12月眉山市东坡区不同判别方法下逐月的霾日数情况。如图所示，4种不同判别方法得出的霾日均能较好地反映出2015年1月到2019年12月逐月的霾日的变化趋势。不同的判别方法得到的年霾日数差别较大，在霾日数出现天数较少的年份(2015年)各方法统计的年霾日数差距不大，统计最多的方法与最少的方法差距只有19天，而在出现霾日数天数较多的年份(2016年)，两者相差达到84天。

图1 2015～2019年东坡区不同判别方法下逐月的霾日数

为了更进一步判断三种传统判别方法中哪一种方法更加与现有方法对于霾日的判别一致，采用kendall correlation coefficient(肯德尔相关系数)进行衡量。肯德尔相关系数是人们用来计算两个随机变量的相关性的一种方法，通常采用希腊字母τ来表示其值。肯德尔相关系数大小介于-1到1之间，当τ值为1时，表示两个随机变量拥有一致的等级相关性；当τ值为-1时，则表示着两个随机变量的等级相关性是完全相反的；当τ为0时，则表示着两个随机变量是相互独立的。选取眉山东坡区2015～2019年5年共1 826d，通过四种判别方法进行判别，霾日确定为一个等级，无霾日确定为另一个等级，这样通过四种判别方法就得到四个不同的序列，然后分别计算三种传统方法与现有方法的肯德尔相关性系数，如表2所示，三种传统判别方法与现有方法对于判别霾日是呈一致性趋势的，方法2和现有方法的一致性程度是最高的，接近0.8，方法1次之，方法3与现有判别方法的一致性最差。

表2 三种传统方法与现有方法的肯德尔相关性系数

为了分析四种判别方法在判别霾等级时存在的差别程度，本文参考了QX/T113-2010中给出的霾的等级划分标准，重新将能见度分为三个等级，当能见度大于5km而小于10km时判定为轻度霾，能见度大于2km而小于5km时为判定中度霾，当能见度小于2km时判定为重度霾。由表3可以看出，4种方法得到的轻度霾日比例都较大，方法二得到的轻度霾日最多，但是在方法3在2016年轻度霾高达94d，与现有方法(方法4)相差45d，方法1和现有方法(方法4)三年的轻度霾日最为接近，方法2五年的轻度霾日都略微比现有方法多。对于中度霾的判别，表中可以看出，方法2与现有方法得到的五年的中度霾日是最接近的，方法1五年的中度霾日都明显少于现有方法，方法3在2015、2016年较接近现有方法，在2017年得到的中度等级霾日比现有方法明显偏少，2018和2019年比现有方法多。对于重度霾的判别，方法1五年都没有出现重度霾日，方法3在2015年也没有出现重度霾，方法2和现有方法在五年中都出现了重度霾，现有方法得到的重度霾日是最多的，方法2得到的重度霾日也是最为接近的。以上分析可知，对于霾等级的判别，方法2与现有方法判别的结果最为接近。

表3 2015～2019年四种方法分级别年霾日数

通过分析四种方法对2015～2019年五年霾日数的统计结果，结果表明，三种传统判别方法与现有方法对于判别霾日是呈一致性趋势的，方法2和现有方法的一致性程度是最高的，方法1次之，方法3与现有判别方法的一致性最差；对于霾等级的判别，方法2与现有方法判别的结果也是最为接近。最后，采用方法2本文重建了1980～2015年眉山地区六个区县霾气候数据序列，利用重建的霾气候数据序列，采用经验正交函数分解、小波分析等方法分析了眉山地区1980～2015年霾日气候特征。

2 研究结果与分析

2.1 霾日数的年平均空间分布特征

图2为利用重建的1980～2015年眉山地区六个区县霾日气候数据得到的眉山地区年平均霾日数的空间分布图。如图所示，方法2统计的眉山地区年平均霾日数分布主要表现为在南部青神县存在一个大值区，其年平均霾日数高达148.5d，最少的彭山区为90.4d，两个地区相差58.1d。

图2 1980～2015年眉山地区年平均霾日数空间分布

眉山地区年平均风向除静风以外以偏北风为主,青神县因处于下风向，外来污染物输送较多，这是导致青神霾日数偏多的一个重要因素。而在眉山西南沿山地区，植被覆盖率高，大气自身的净化能力较强，加之海拔较高，空气质量好，霾日发生的可能性小。马树青[13]认为在自然界中，雾与霾尽管是两类不同的天气现象，但是这两种天气现象具有可相互转换的联系。大气饱和水汽压会伴随着温度的降低成相应的减少，低温可以造成空气相对湿度增加，一旦空气的相对湿度超过临界值变得过度饱和时，霾就将向雾进行转化，相反的，雾也可以通过降低含水量从而转化成霾。徐会明[14]等对1980～2001年四川盆地大雾的空间分布特征分析中指出：青神年平均日数多达142d，青神大雾年平均日数无论是在眉山还是四川盆地都是最多的，由此可见，青神地区霾日数偏多另一个重要的原因就是由于雾日较多，雾通过脱水转化成霾。

2.2 霾日数的年际变化特征

图3为1980～2015年眉山地区霾日的年际变化序列，图中所示的霾日数为眉山地区六个区县站点平均每年出现的霾日数。如图所示，进入80年代以后眉山地区的平均年霾日数已经处于一个较大的水平上，年平均霾日为111d，最低为1982年达到85d，最多为2004年达到146d。经过计算得到一元线性回归方程为y=0.5805x+100.39，趋势值为0.5805，表明近36年来眉山地区六个区县年霾日数总体呈现缓慢增长的趋势。

图3 1980～2015年眉山地区霾日的年际变化序列

2.3 霾日数的EOF分析

为了对眉山地区霾日的时间趋势和空间分布有着更加科学的认识，本文还采用EOF(经验正交函数分解)分析了眉山地区霾天气的时空分布特征。表4列出霾日数的EOF分析的前三个特征向量场的特征值、方差贡献及累计方差贡献。由表中可以看出眉山地区霾日经过EOF计算出的前三个特征向量场的累计方差贡献就达到83.83%，说明眉山地区的霾日具有较好的收敛性。

表4 霾日数前三个特征向量场的特征值、方差贡献及累计方差贡献

分解出的经验正交函数究竟是有物理意义的信号还是毫无意义的噪声，应该进行显著性检验，本文采用North等提出的计算特征值误差范围来进行显著性检验。由表5中可以看出前两个特征值是满足相邻特征值之差大于或等于特征值误差范围这个条件的，也就是认为这两个特征值所对应的经验正交函数是有价值的信号。

表5 霾日数前三个特征向量North检验

图4a为眉山地区霾日经EOF分解的第一特征向量场分布。特征向量分布上彭山、东坡区为负值，其余四个区县为正值，表明彭山、东坡区的霾日变化与其余四个区县是相反的，当彭山、东坡区年平均霾日减少时，其余四个区县年平均霾日将会增加；反之，将会减少。同时可以看出该特征向量在洪雅地区有一个高值中心，高值达到0.6以上，青神、丹棱的特征向量也达到0.4以上，表明这三个区县的霾日变化具有一定的一致性，且霾日变化大，而东坡区、彭山、仁寿的特征向量绝对值较小，霾日变化较小。结合第一特征向量的时间序列图(图4b)可知，1980～2002年为时间系数呈现缓慢上升阶段，2004～2010年时间系数达到峰值，表明彭山、东坡区两地的霾日在1980～2004年呈现缓慢下降，20014～2010年呈现波动变化，2010年后又开始缓慢增加，而青神、丹棱、洪雅三个区县的霾日在1980～2010年呈现不断上升趋势并且达到峰值，自2010年开始，时间系数下降趋势明显，表明三个区县的霾日减少明显。从第一特征向量的时间序列的小波分析图(图4c)可以看出时间序列在21世纪初开始呈现2～4年的变化周期。

图4 1980～2015年眉山霾日EOF分析的第一主模态

3 结 论

3.1 通过综合分析比较，三种传统霾日判别方法中，方法2(日均90)与现有霾日判别方法对于眉山地区2015～2019年共1 826d是否为霾日的判别一致性最高。

3.2 1980～2015年，眉山地区年霾日数总体呈现缓慢增长的趋势，年平均霾日空间分布主要表现为在青神县为一个大值区，其年平均霾日高达148.5d。

3.3 通过经验正交函数(EOF)分解，眉山地区霾日时空变化主要存在两个模态，可以分别解释总方差的49.97%和25.49%。第一模态主要表现为，东坡、彭山两区霾日变化一致，其余四县呈相反的变化，结合小波分析表明21世纪初眉山地区霾日具有较明显的2～4年的变化周期。

3.4 通过研究为眉山地区霾天气进一步研究提供了科学依据，同时也为各地重建霾日气候数据提供了一些借鉴。