2017, Vol. 36
2. 长三角环境气象预报 预警中心, 上海 200030;
3. 合肥市气象局, 安徽 合肥 230000
霾是一种天气现象, 具有空气质量的指示意义, 其危害、特征及形成机理已得到学术界的广泛关注(吴兑等, 2008, 2010; 王喜全等, 2011; 吕梦瑶等, 2011; 王自发等, 2014; 石春娥等, 2014, 2016a, 2016b; 丁一汇等, 2014; 邓学良等, 2015; 吴萍等, 2016)。但由于霾的生成条件跟雾极其相似, 如小风、静稳、高湿, 且二者能相互转换(杨军等, 2010), 在气象观测中如何区分轻雾和霾一直是一个存在争议的问题。
根据“地面气象观测规范”(中国气象局, 2003, 2007)中霾的定义(即:大量极细微的干尘粒等均匀地浮游在空中, 使水平能见度小于10.0 km的空气普遍混浊的现象。霾使远处光亮物体微带黄、红色, 使黑暗物体微带蓝色), 观测员判断是否有霾不仅要考虑能见度, 还有天空颜色。为与轻雾区分, 一般的台站都把相对湿度作为判断空气干湿程度的辅助判据, 但没有全国统一的标准(吴兑等, 2010)。在目测能见度的年代, 判别霾所依据的能见度和天空颜色都带有一定的主观性, 其观测记录受观测员主观判断的影响较大。因此, 吴兑等(2010)认为中国气象系统台站观测记录的霾缺乏可比性, 关键是各地对“干尘粒”的标准把握并不一致。
为开展霾的变化趋势研究, 吴兑等(2010)介绍了国际上常用的3种根据历史气象资料重建霾日的方法, 即单次值法、日均值法和14时值法(吴兑等, 2014), 其中日均值法和14时值法在科研和业务中均得到广泛应用(石春娥等, 2016b), 这两个方法都是在满足能见度和相对湿度条件的前提下把能产生视程障碍的9种天气现象中雾、霾以外的天气现象排除。2010年, 中国气象局颁布了中国第一个关于霾的气象行业标准“霾的观测和预报等级”(QX/T113-2010)(中国气象局, 2010)。该标准给出了霾观测的判识条件, 除了能见度低于10 km外, 还给出了2个临界相对湿度, 即80%和95%。在满足能见度低于10 km的前提下, 当相对湿度低于80%为霾, 大于95%为雾; 当相对湿度在80%~95%时, 引入大气成分指标(PM1、PM2.5和气溶胶散射系数+气溶胶吸收系数)作为辅助标准, 这强调了“霾的本质是细粒子污染”, 但给该标准的推广应用带来了不便。
近年来, 能见度自动观测仪在我国气象台站得到广泛应用, 但能见度自动观测(下称器测能见度)和人工观测(下称目测能见度)存在系统偏差, 部分天气现象的观测业务被取消后, 中国气象局下文停止使用QX/T113-2010, 并将能见度自动观测的台站轻雾和霾的能见度判别阈值调整为7.5 km, 同时规定基层台站霾的自动判识依据为10 min平均能见度(V)和平均相对湿度(RH), 霾的判识标准为V < 7.5 km, RH < 台站RHc(任芝花等, 2015), 如安徽RHc为65%~70%。统计发现, 这种自动记录的霾, 即使调整了能见度的阈值(从10 km到7.5 km), 各地自动记录的霾日数也比过去显著上升(任芝花等, 2015; 石春娥等, 2016c)。
2013年以来, 关于霾及霾日的判断标准和预警标准, 中国气象局也发了一系列的文件, 考虑的要素也主要是相对湿度、能见度以及细颗粒物(PM2.5)质量浓度。但目前仍然没有一个统一的得到普遍认可且可行的标准。马楠等(2015)以雾和霾在物理性质上的客观区别为基础, 提出了一种基于实测PM2.5质量浓度、能见度和相对湿度来辨别雾、霾的新方法, 但是该方法要求有气溶胶数浓度谱分布的观测, 目前不易推广。但日益受到重视的环境气象业务中不能回避对霾日的判断。那么, 面对能见度自动观测的形势, 究竟采用什么标准才能充分发挥连续(逐时)数据的优势, 使其既具有明确的空气质量指示意义, 又能使仪器自动判断的霾日数合理, 且具有历史的延续性, 被大众接受呢？利用2015年安徽省6个地级市器测能见度和相对湿度资料, 结合环保部门公布的PM2.5小时浓度数据, 分析得出“排除降水, 临界相对湿度(RHc)取90%, 器测能见度不超过5 km”可作为小时霾的判据, 6 h连续为霾算作一个霾日, 得到的霾日数较为合理且具有历史延续性。
2 资料选取和方法介绍 2.1 资料选取气象资料来自安徽省气象信息中心, 包括逐时的相对湿度、能见度和降水量等。安徽地面观测台站自2013年底开始分批使用器测能见度代替目测能见度。
逐时PM2.5质量浓度数据来自中国国家环境保护部网站公布的监测数据(http://datacenter.mep.gov.cn/)。2015年初, 安徽16个地市都开展了PM2.5实时监测, 但2015年并非所有地市都用了器测能见度。考虑到网上获取的资料有缺测情况, 首先, 用插值的方法对一天缺4个时次以内资料(能见度、相对湿度、PM2.5质量浓度)的情况进行了插补。根据资料的完整性, 选取宿州、阜阳、蚌埠、滁州、安庆和马鞍山等6个地市进行分析, 这6个地市分别位于淮河以北(宿州、阜阳)、沿淮(蚌埠)、江淮之间东部(滁州)以及沿江(安庆、马鞍山), 基本上可以代表安徽不同的地区。这6个地市中, 马鞍山的资料最完整(缺36天, 主要在1月和4月), 宿州缺测资料最多(缺58天, 主要在1月和4月), 缺的主要是PM2.5。所选各市资料缺测情况如表 1所示, 部分地市缺小时降水资料, 考虑到降水以夏季为主, 而夏季是霾的低发季节, 因此, 降水缺测按无降水处理, 这对计算结果影响不大。
|
表 1 安徽6个地市PM2.5缺资料天数 Table 1 Number of days without PM2.5 data at 6 cities in Anhui Province |
历史上, 不同机构对霾的定义中关于临界能见度Vc和临界相对湿度RHc的规定都有不同, 如世界气象组织(World Meteorological Organisation, WMO)在2001, 2005和2008年的报告中规定Vc=5 km, 英国气象局的“观测人员手册”和“气象术语”等并没有给出Vc的范围(吴兑等, 2014), 而我国最近2个版本的“地面气象观测规范”中给出的霾的能见度限值都是10 km(中国气象局, 2003, 2007)。考虑到器测能见度与目测能见度的系统误差, 以及使用的便利性, Vc最好取整数, 因此, 尝试把霾的能见度限值Vc调整为器测能见度5 km。
历史上, 我国的“地面气象观测规范”(中国气象局, 2003, 2007)中, 霾和轻雾的能见度限值是一样的; 二者的区别是关于湿度和颜色的定性描述。实际业务中, 各地观测站都有自己的辅助判别标准, 安徽的观测员用相对湿度65%~70%作为区分轻雾与霾的辅助判据。而WMO、英国气象局等组织给出的RHc都是95%, 气象行业标准(QX/T113-2010)(中国气象局, 2010)给的RHc是一个范围, 即当RH在80%~95%之间要借助于PM2.5质量浓度等。可见, 在以往的标准中RHc的差别很大, 到底取多少合适？考虑到霾要具有空气质量的指示意义, 即霾天气与PM2.5质量浓度的联系, 利用小时资料统计无降水(小时降水 < 0.1 mm)时相对湿度RH与PM2.5质量浓度等级的关系。具体地, 把RH分为7档( < 70%, 70%~75%, 75%~80%, 80%~85%, 85%~90%, 90%~95%, >95%), 将PM2.5小时质量浓度按空气质量等级分为4档(优良、轻度污染、中度污染、重度污染), 统计各级PM2.5质量浓度样本出现在各相对湿度段的百分比, 最后得到低于某个相对湿度的累积百分比(图 1), 以及在各相对湿度段各PM2.5质量浓度等级出现的百分比(图 2)。据此选定2个RHc(90%和95%)。考虑到不是所有的城市(如安徽大部分县城)都有PM2.5质量浓度实时资料, 应探讨一下不使用PM2.5质量浓度的诊断结果。因此, 设计的计算方案包括RHc取2个值(90%和95%), 分别按考虑PM2.5和不考虑PM2.5组合, 最终得到诊断霾的4个方案:
|
图 1 各级PM2.5污染出现时的相对湿度分布 Figure 1 Frequency distributions of PM2.5 pollutions |
|
图 2 各相对湿度段PM2.5污染样本百分比 Figure 2 Percentages of PM2.5 pollution at different RH ranges |
方案一: V≤5 km(Vc=5 km)、RH < 95%(RHc=95%), 且小时降水 < 0.1 mm; 方案二: V≤5 km(Vc=5 km)、RH < 90%(RHc=90%), 且小时降水 < 0.1 mm; 方案三:在方案一的基础上考虑PM2.5质量浓度(标准见表 2); 方案四:在方案二的基础上考虑PM2.5质量浓度(标准见表 2)。
|
|
表 2 霾等级相关判识标准 Table 2 Identification standards of haze grades |
参考任芝花等(2015)的工作, 连续6 h达到霾的标准为一个霾日。当某一天的数据缺损达6 h, 且这一天判断为无霾, 则认为数据不全。
根据这4个方案计算2015年上述安徽6个地市霾的出现情况, 并仿照“霾的观测和预报等级”(QX/T113-2010)(中国气象局, 2010), 根据能见度和PM2.5质量浓度对霾的强度进行分级(表 2)。考虑到马鞍山的资料相对完整, 下文分别分析6市平均和马鞍山的情况。
3 相对湿度与PM2.5污染等级的匹配图 1为各级PM2.5污染样本随相对湿度从低到高的累积百分比分布, 图中污染表示所有达到轻度及以上污染等级的样本之和。由图 1可见, 当出现PM2.5污染时(浓度75 μg·m-3以上), 相对湿度低于70%的样本总数约占30%;达到重度污染时, 相对湿度在70%以下的样本总数低于25%。可见, 如果把霾的RHc取为70%, 则有约70%以上的污染时次被排除。随着RHc上升, 污染样本数的累积百分比接近线性上升, 当RHc为90%时, 污染样本数的累积百分比超过70%。考虑到存在降水缺测的情况, 相对湿度在95%以上的百分比可能比实际高。
从各相对湿度段不同等级PM2.5污染出现的百分比(图 2)可以看出, 当RH在70%~95%时, 出现PM2.5污染的百分比较高, RH为85%~90%时最高; 当RH < 70%或RH>95%时, 百分比较低[图 2(a)], 考虑到有降水缺测情况, RH>95%时的百分比可能比实际低。马鞍山的情况与6市平均的情况接近, 但出现污染的百分比比平均情况高, 且PM2.5污染的百分比在RH为85%~90%呈明显的峰值。
总之, 从PM2.5质量浓度与RH的关系来看, 把判别霾的RHc取为70%是不合适的, 这不仅会排除约70%的污染样本, 同时选取的是PM2.5污染百分比较低的相对湿度范围, 这不符合“霾具有空气质量指示意义”的说法, 考虑到这一点, RHc至少应在85%以上, 使得图 1中PM2.5污染的累积百分比超过50%。考虑到图 2中峰值出现的相对湿度段为85%~90%, 认为不该把这个相对湿度段排除在霾天气之外。因此, 设计的方案对RHc分别取90%和95%进行计算。
4 结果分析 4.1 2015年霾日数图 3给出了2015年各级霾的出现情况。需要说明的是, 图 3中考虑PM2.5的方案(方案三、四), 受资料缺测影响, 得到的霾天数比实际低。由图 3可见, 总体上, 中度霾多于轻度霾, 重度霾较少见, 仅方案一、三有几次重度霾。使用了PM2.5质量浓度这一限制条件后, 轻度霾日数变化不大, 中度霾日数和总霾日数均明显下降。当RHc取95%时, 使用PM2.5质量浓度(方案三)与不使用PM2.5质量浓度(方案一)的霾日数相比, 6市平均总霾日数约下降了50%, 马鞍山降幅也超过30%(从129到81)。当RHc取90%, 使用PM2.5质量浓度(方案四)与不使用PM2.5质量浓度(方案二)的霾日数相比, 6市平均总霾日数约下降45%, 马鞍山下降了25%(从76天下降到57天)。考虑到1月份大部分城市都有PM2.5缺测, 而1月份又是霾(或者PM2.5污染)高发季节, 使用PM2.5与否的实际差别应该比图 3中小, 就是说, 以马鞍山为例, 当RHc取90%时, 方案四的总霾日数比方案二的霾日数减少应不到25%。总之, 能见度下降与相对湿度密切相关, 在高湿条件下, 低能见度不一定意味着高PM2.5质量浓度。
|
图 3 不同方案得到2015年各级霾日数 Figure 3 Total haze days of each grade of 2015 by different schemes |
各方案得到的6市平均及单站总霾日数范围见表 3。方案一得到的平均霾日数达124天, 最多的达178天。其他方案得到的平均霾日数都低于90天, 但方案二仍有单站超过100天。
|
|
表 3 2015年各市总霾日数的变化范围 Table 3 Average and ranges of total haze days at 6 cities in 2015 |
比较方案二、三, 方案二中6市平均的中度霾日数约是方案三的1.5倍, 总霾日数的差别不那么显著, 马鞍山方案二、三得到的中度霾差别不大, 总霾日数方案二比方案三少5天。可见, 如果方案三得到的霾日数因使用了PM2.5资料, 被认为是合理的, 那么方案二得到的霾日数也是可以接受的。
4.2 霾日数的月变化各方案得到的霾日数月变化如图 4。从6市平均情况看[图 4(a)], 方案一、二和方案三、四得到的霾日数月变化趋势较为一致。没有使用PM2.5资料的两类方案在1月差别最大, 这是因为1月份大部分城市缺测PM2.5资料, 其他月份, 方案二、三、四得到的霾日数比较接近。四个方案得到的马鞍山霾日数月变化趋势比较一致, 但是, 不论是马鞍山还是6市平均, 方案一得到的霾日数总体上明显高于其他方案。从马鞍山的情况看, 10月份, 方案三的霾日数也明显超过方案二、四的霾日数, 也就是说, RHc由90%提高到95%使得该月的霾日数大幅度上升(3~11天), 另外, 方案二得到的7月霾日数比方案三、四多3~4天, 经查, 有2天实为降水日, 由于缺少降水资料而没被剔除。
|
图 4 各方案得到的2015年总霾日数月变化 Figure 4 Monthly variations of total haze days by each scheme |
如果统一各方案的样本数, 即:在统计时去掉PM2.5缺测的日期, 各方案得到的霾日数月变化趋势一致(图 5), 而且除了方案一, 其余三个方案得到的霾日数比较接近。马鞍山方案二、四得到的月霾日数之差为0~4天。各方案霾日数月变化的情形也能反映出PM2.5和小时降水资料缺失的影响。
|
图 5 统一有效样本数后各方案得到的2015年总霾日数月变化 Figure 5 Monthly variations of total haze days by each scheme after unifying effective sample days |
受温度、湿度以及污染物浓度日变化影响, 基于上述客观标准得到的霾天气也有明显的日变化(图 6), 即夜间多、白天少, 09:00(北京时, 下同)为峰值, 14:00为谷值。方案一与其他三个方案之间的差值在09:00后减少, 19:00后增大, 00:0007:00差别较大, 在午后至18:00, 差别较小。可见, RHc过高(95%)主要是在夜间高估霾的发生几率, 考虑到辐射雾一般形成于夜间, 消散于日出之后, 且目前仪器自动观测的相对湿度也有一定的误差, 与人工观测相比总体偏干, 系统性低于人工观测, 如寿县观象台器测相对湿度的系统偏差约为-4%, 在清晨相对湿度较高时偏差会更大(茆佳佳等, 2016), 方案一可能会把雾判断为霾, 从而造成霾日数的虚高。
|
图 6 统一有效样本数后各方案得到2015年总霾次数日变化 Figure 6 Diurnal variations of haze times by each scheme after unifying effective samples |
从6市平均情况[图 6(a)]看, 方案二的结果在夜间与方案三比较接近, 在午后与方案一接近, 但从马鞍山的结果[图 6(b)]看, 方案二的霾次数仅在上午略多于方案三, 在午后到傍晚, 方案二、三、四都比较接近。考虑到人类的活动规律(夜间休息, 白天外出), 方案二是比较可取的, RHc取90%, 与方案一相比, 夜间减少了约一半, 可能是由于高湿造成的虚假霾, 即使在白天条件略显宽松, 存在非PM2.5污染的虚霾情形, 也是对民众健康的保护, 是合理的。
4.4 年霾日数的历史延续性考虑霾日数历史延续性问题, 分析了用不同方案得到的上述6个城市20082015年霾日数的年变化, 包括观测员记录的霾日数和用吴兑等(2010)介绍的日均值法重建的霾日数(简称日均值法), 2014年已有部分测站是器测能见度, 换算到目测。统计发现, 2008-2011年, 除了蚌埠和安庆, 重建和观测的各市霾日数均较低, 因此, 图 7为6个城市重建霾日数年变化, 其中2012-2015年各地霾日数用日均值法重建, S2-2015, S 3-2015, S 4-2015分别用上文中方案二、三、四重建。
|
图 7 2012-2015年6个城市重建霾日数年变化 Figure 7 Yearly variations of re-constructed haze days by different schemes for 6 cities during 2012-2015 |
2012-2015年, 用日均值法得到的安庆和蚌埠的霾日数相对较稳定, 分别在43~81天和89~118天, 均是2013年最多, 之后呈下降趋势, 这与用环保部门公布的数据得到的PM2.5年均浓度的变化趋势一致(依据合肥2013-2015年PM2.5质量浓度统计的结果)(石春娥等, 2017); 宿州、滁州和马鞍山变化幅度较大, 2012年和2013年均不足20天; 2014年和2015年均接近100天; 宿州2014年达131天。阜阳从2012-2014年霾日数稳步上升, 2012年仅52天, 2014年达131天。需要说明的是, 2013-2015年, 观测记录霾日数远大于重建霾日数, 如2014年上述6个城市观测记录的平均霾日数达207天, 2015年为98天。表 4给出了各方案得到的2012-2015年上述6个城市霾日数情况。
|
|
表 4 安徽6个城市2015年霾日数回算情况及与过去3年的比较 Table 4 Re-constructed annual haze days by different schemes for 2015 and comparisons with those of the past three years |
比较用不同方案得到的2015年各市霾日数(图 7)可以发现, 宿州以外的城市均是日均值法>方案二>方案三>方案四, 即日均值法得到的霾日数最多, 仅宿州市为方案二得到的霾日数最多。另外方案三得到的蚌埠和马鞍山霾日数超过了方案二。因此, 从历史延续性看, 方案二得到的2015年霾日数与日均值法得到的2014年和2015年霾日数最为接近, 且低于2014年, 与环保部门公布的合肥PM2.5年均浓度的变化趋势一致(石春娥等, 2017)。
4.5 霾的等级与空气质量等级的比较综上所述, 可以认为方案二得到的霾日数较合理, 且具有历史延续性, 又可独立于环境数据。为考察方案二的“空气质量的指示意义”, 基于小时数据计算了方案二得到的无霾到各级霾天气各等级PM2.5污染出现的百分比(图 8)。由图 8可见, 从无霾到中度霾、重度霾, PM2.5质量浓度为优良等级的百分比下降, 中度和重度污染的百分比上升。例如, 无霾时接近或超过80%的样本PM2.5质量浓度为优良等级, 中度霾(重度霾很少, 代表性不足)时, PM2.5质量浓度为优良等级的样本百分比都在30%以下, 蚌埠、马鞍山和安庆都低于10%。可见, 霾的严重程度与PM2.5污染的严重程度有较强的一致性, 方案二得到的霾具有较好的空气质量指示意义。
|
图 8 方案二得到的各级霾天气下PM2.5质量浓度的各等级百分比 Figure 8 Percentages of each PM2.5 pollution grade among each haze grade by scheme 2 |
利用2015年安徽6个地级市的逐时器测能见度、相对湿度和降水等资料, 结合环保部门公布的逐时PM2.5质量浓度资料, 分析并探讨了基于器测能见度资料确定霾天气的客观标准, 目的是使诊断出的霾天气具有空气质量的指示意义, 既要使得出的年霾日数合理, 能被大众接受, 且与以往人工观测的数据相比具有历史延续性, 又要使方法易于推广应用。
通过对地面气象观测规范、行标、相关文献及近年来中国气象局下发的一系列关于霾的判断标准的文件梳理, 确立了诊断霾的基本要素, 通过对PM2.5质量浓度与相对湿度关系的分析, 初步给出了4个霾的诊断方案, 即临界相对湿度RHc分别取95%和90%与是否考虑PM2.5质量浓度的组合。得到以下主要结论:
(1) 根据“霾要具有空气质量的指示意义”, 诊断霾的RHc不得低于90%。
(2) 方案一(RHc取95%, 不考虑PM2.5质量浓度)得到的霾天气约有一半不属于PM2.5污染; 其余方案得到霾日数较接近, 且月变化和日变化趋势一致。
(3) 方案一的虚霾现象主要发生在夜间, 而方案二(RHc取90%, 不考虑PM2.5)可以较好地规避这种夜间虚霾现象, 虽然白天比方案四(RHc取90%, 考虑PM2.5的方案)的条件略显宽松, 但考虑到人类的活动规律, 方案二是比较合理的。
(4) 与日均值法得到的2012-2015年霾日数相比, 方案二的历史延续性最好。
(5) 与PM2.5污染等级比较, 方案二得到的各级霾天气具有较好的空气质量指示意义。
从各方案的条件看, 考虑了PM2.5质量浓度的诊断方案(方案三、四), 霾就一定是空气污染了, 同等级的霾比同等级的空气污染危害更大, 不仅仅是PM2.5的质量浓度高, 且能见度低。如果不考虑PM2.5, 霾的天数会增多, 但不一定会比空气污染总天数多, 如方案二得到的无霾天气里仍然有达到污染等级的情况。2015年, 宿州以外的城市分别用方案二、三、四得到的霾日数都比日均值法低, 具体采用哪个方案, 取决于制定标准的指导思想, 即是否需要定义一个比中国环境部定义的“污染”危害更严重的天气现象。从实用性出发, 在当前气象部门PM2.5观测站点不全的情况下, 可将“排除降水, 临界相对湿度RHc取90%, 器测能见度不超过5 km”, 即方案二暂定为小时霾的判据, 6 h连续为霾算作一个霾日。未来, 随着基层气象站观测设备的逐步完善, 可以进一步更新标准。
邓学良, 石春娥, 姚晨, 等. 2015. 安徽霾日重建和时空特征分析[J]. 高原气象, 34(4): 1158–1166.
DOI:10.7522/j.issn.1000-0534.2014.00007 Deng X L, Shi C E, Yao C, et al. 2015. Research of reconstruction and characteristics of hazes in Anhui[J]. Plateau Meteor, 34(4): 1158–1166.
DOI:10.7522/j.issn.1000-0534.2014.00007 |
|
丁一汇, 柳艳菊. 2014. 近50年我国雾和霾的长期变化特征及其与大气湿度的关系[J]. 中国科学(地球科学), 44(1): 37–48.
DOI:10.1007/s11430-013-4792-1 Ding Y H, Liu Y J. 2014. Analysis of long-term variations of fog and haze in China in recent 50 years and their relations with atmospheric humidity[J]. Sci China:Earth Sciences, 44(1): 37–48.
DOI:10.1007/s11430-013-4792-1 |
|
吕梦瑶, 刘红年, 张宁, 等. 2011. 南京市灰霾影响因子的数值模拟[J]. 高原气象, 30(4): 929–941.
Lü M Y, Liu H N, Zhang N, et al. 2011. Numerical simulation of impact factors of urban haze in Nanjing area[J]. Plateau Meteor, 30(4): 929–941.
|
|
马楠, 赵春生, 陈静, 等. 2015. 基于实测PM2.5、能见度和相对湿度分辨雾霾的新方法[J]. 中国科学(地球科学), 45: 227–235.
DOI:10.1007/s11430-014-4885-5 Ma N, Zhao C S, Chen J, et al. 2015. A novel method for distinguishing fog and haze based on PM2.5, visibility, and relative humidity[J]. Sci China:Earth Sciences, 45: 227–235.
DOI:10.1007/s11430-014-4885-5 |
|
茆佳佳, 莫月琴, 张雪芬, 等. 2016. 自动观测与人工观测相对湿度比对分析[J]. 应用气象学报, 27(3): 370–379.
DOI:10.11898/1001-7313.20160312 Mao J J, Mo Y Q, Zhang X F, et al. 2016. Comparison and analysis of automatically-observed and manually-observed relative humidity[J]. J Appl Meteor Sci, 27(3): 370–379.
DOI:10.11898/1001-7313.20160312 |
|
任芝花, 余予, 韩瑞, 等, 2015. 自动观测对雾霾现象日数据记录的影响与订正[C]. 全国决策气象服务业务技术交流会, 西安.
Ren Z H, Yu Y, Han R, et al, 2015.Impacts and corrections of automatically-observed visibility on daily haze record[C].Conference on decision-making meteorological services, Xi'an, China.
|
|
石春娥, 邓学良, 杨元建, 等. 2014. 2013年1月安徽持续性霾天气成因分析[J]. 气候与环境研究, 19(2): 227–236.
DOI:10.3878/j.issn.1006-9585 Shi C E, Deng X L, Yang Y J, et al. 2014. Analyses on the causes of the persistent haze in Anhui Province in January 2013[J]. Climat Environ Res, 19(2): 227–236.
DOI:10.3878/j.issn.1006-9585 |
|
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[J]. 气象学报, 74(1): 149–163.
|
|
Shi C E, Deng X L, Zhu B, et al. 2016. Physical and chemical characteristics of atmospheric aerosol under the different weather conditions in Hefei[J]. Acta Meteor Sinica, 74(1): 149–163.
DOI:10.11676/qxxb2016.003 |
|
石春娥, 王喜全, 李元妮, 等. 2016b. 1980-2013年安徽霾天气变化趋势及其可能成因[J]. 大气科学, 40(2): 357–370.
|
|
Shi C E, Wang X Q, Li Y N, et al. 2016. The trend of haze in Anhui province from 1980 to 2013 and the possible reasons[J]. Atmos Sci, 40(2): 357–370.
DOI:10.3878/j.issn.1006-9895.1504.14319 |
|
石春娥, 张浩, 杨元建. 2016c. 能见度观测方式改变对安徽省霾日数分布的影响分析[J]. 气象与减灾, 1: 1–4.
|
|
Shi C E, Zhang H, Yang Y J. 2016. Impacts of changing eye-observed to automatically-observed visibility on haze distribution in Anhui[J]. Meteor Disaster Reduction, 1: 1–4.
|
|
石春娥, 张浩, 弓中强, 等. 2017. 2013-2015年合肥市PM2.5重污染特征研究[J]. 气象学报, 75(4): 632–644.
DOI:10.11676/qxxb2017.037 Shi C E, Zhang H, Gong Z Q, et al. 2017. Characteristics of severe PM2.5 pollution in Hefei during 2013-2015[J]. Acta Meteor Sinica, 75(4): 632–644.
DOI:10.11676/qxxb2017.037 |
|
王喜全, 杨婷, 王自发. 2011. 灰霾污染的跨控制区影响-一次京津冀与东北地区灰霾污染个案分析[J]. 气候与环境研究, 16(6): 690–696.
Wang X Q, Yang T, Wang Z F. 2011. Impacts of dust-haze episode from one air pollution control region to the other-one case study[J]. Climatic Environ Res, 16(6): 690–696.
|
|
王自发, 李杰, 王哲, 等. 2014. 2013年1月我国中东部强霾污染的数值模拟和防空对策[J]. 中国科学(地球科学), 44(1): 3–14.
DOI:10.1007/s11430-013-4793-0 Wang Z F, Li J, Wang Z, et al. 2014. Modeling study of regional severe hazes over Mid-Eastern China in January 2013 and its implications on pollution prevention and control[J]. Sci China:Earth Sciences, 44(1): 3–14.
DOI:10.1007/s11430-013-4793-0 |
|
吴兑, 陈慧忠, 吴蒙, 等. 2014. 三种霾日统计方法的比较分析-以环首都圈京津冀晋为例[J]. 中国环境科学, 34(3): 545–554.
Wu D, Chen H Z, Wu M, et al. 2014. Comparison of three statistical methods on calculating haze days-taking areas around the capital for example[J]. China Environ Sci, 34(3): 545–554.
|
|
吴兑, 廖国莲, 邓雪娇, 等. 2008. 珠江三角洲霾天气的近地层输送条件研究[J]. 应用气象学报, 19(1): 1–9.
DOI:10.11898/1001-7313.20080101 Wu D, Liao G L, Deng X J, et al. 2008. Transport condition of surface layer under haze weather over the Pearl River Delta[J]. J Appl Meteor Sci, 19(1): 1–9.
DOI:10.11898/1001-7313.20080101 |
|
吴兑, 吴晓京, 李菲, 等. 2010. 1951-2005年中国大陆霾的时空变化[J]. 气象学报, 68(5): 680–688.
DOI:10.11676/qxxb2010.066 Wu D, Wu X J, Li F, et al. 2010. Temporal and spatial variation of haze during 1951-2005 in Chinese mainland[J]. Acta Meteor Sinica, 68(5): 680–688.
DOI:10.11676/qxxb2010.066 |
|
吴萍, 丁一汇, 柳艳菊, 等. 2016. 中国中东部冬季霾日的形成与东亚冬季风和大气湿度的关系[J]. 气象学报, 74(3): 352–366.
DOI:10.11676/qxxb2016.029 Wu P, Ding Y H, Liu Y J, et al. 2016. Influence of East Asia winter monsoon and atmospheric humidity on the winter haze frequency over East-Central China[J]. Acta Meteor Sinica, 74(3): 352–366.
DOI:10.11676/qxxb2016.029 |
|
杨军, 牛忠清, 石春娥, 等. 2010. 南京冬季雾霾过程中气溶胶粒子的微物理特征[J]. 环境科学, 31(7): 1425–1431.
Yang J, Niu Z Q, Shi C E, et al. 2010. Microphysics of atmospheric aerosols during winter haze/fog events in Nanjing[J]. Environ Sci, 31(7): 1425–1431.
|
|
中国气象局. 2003. 地面气象观测规范第4部分:天气现象观测[M]. 北京: 气象出版社, 23.
China Meteorological Administration. 2003. Specifications for surface meteorological observation Part 4:Observation of weather phenomenon[M]. Beijing: China Meteorological Press, 23.
|
|
中国气象局, 2007. QX/T 48-2007地面气象观测规范第4部分: 天气现象观测[S]. 北京: 气象出版社, 10.
China Meteorological Administration, 2007.QX/T 48-2007 Specifications for surface meteorological observation, Part 4:Observation of weather phenomenon[S].Beijing:China Meteorological Press, 10.
|
|
中国气象局, 2010. 霾的观测和预报等级(QX/T113-2010)[S]. 北京: 气象出版社, 8.
China Meteorological Administration, 2010.QX/T 113-2010 Observation and forecasting levels of haze[S].Beijing:China Meteorological Press, 8.
|
2. Yangtze River Delta Center for Environmental Meteorology Prediction and Warning, Shanghai 200030, China;
3. Hefei Meteorological Bureau, Hefei 230041, Anhui, China