太原大氣能見度影響因子分析及能見度預報

盧盛棟，陳立瑾，趙桂香，張澤秀，段鵬飛

（1.山西省氣象災害防御技術中心，山西 太原030012；2.太原理工大學，山西 太原030024；3.山西省氣象臺，山西 太原030006；4.太原市氣象局，太原030082；5.太原市尖草坪區氣象局，山西 太原030023）

大氣能見度與人們生產生活密切相關，低能見度容易導致交通事故、飛機延誤等。近年來大氣能見度問題，特別是低能見度問題，受到我國學者的廣泛關注，并開展了大量研究[1-8]。李瀟瀟等[5]利用大連地區大氣能見度與相對濕度、風速、氣溫、氣壓的關系，分析了大連地區大氣能見度與氣象要素的相關性。姜江等[6]研究了北京大氣能見度與相對濕度、風速、PM2.5的關系，發現當相對濕度增加至80%時，能見度受PM2.5濃度的影響下降、受相對濕度的影響增加。吳兌等[7]發現人類活動產生的細粒子是造成廣州低能見度的主要原因。李良玉等[8]研究表明石家莊地區特有的地形地貌導致了該地區低能見度頻發。由此可見，能見度影響因素復雜，不僅與氣象條件有關，還受當地大氣成分、地形條件和人類活動等因素影響。

分析影響能見度成因的同時，廣大學者也展開了能見度預報模型的探討。倪江波等[9]利用數學建模的方法構建了華北地區的能見度預報模型。白永清等[10]研究了在不同相對濕度條件下武漢地區大氣能見度與PM2.5濃度的定量關系。胡海川[11]、梁之彥[12]利用神經網絡的方法分別對環渤海地區、廣州地區的能見度進行了預報研究。

太原是山西省省會，三面環山，處于山西中部盆地，大氣常處于靜穩狀態，不利于污染物的擴散，低能見度現象頻繁發生。管琴等[13]利用2009年太原地區日平均能見度、日平均相對濕度及空氣污染指數進行擬合，建立了能見度預報模型，該模型對太原地區能見度預報具有一定的適用性。但隨著近幾年太原市城市規模的擴大，都市圈區域逐漸南移，且隨著山西省資源轉型發展，太原周邊企業污染物排放已發生了變化，影響能見度的因素更加復雜。文章利用2017—2019年太原地區逐時能見度、相對濕度、風速、氣溫、PM2.5濃度和PM10濃度觀測數據，定量分析了天氣環境因素對能見度的影響，并以兩次典型霾過程詳細分析了低能見度的演變特征，最后采用神經網絡方法構建了能見度預報模型，為太原地區能見度預報提供科學參考。

1 資料與方法

1.1 資料來源

選擇太原市大氣能見度、相對濕度、風速、氣溫、PM2.5濃度和PM10濃度資料開展分析，氣象數據和污染物濃度數據均由山西省氣象信息中心提供，資料序列為2017—2019年逐時數據（其中去掉了受降水影響的樣本），經質量控制去掉奇異值，所有時刻均為北京時。

1.2 方法簡介

參照中國氣象局發布的《霾的觀測和預報等級》標準[14]對霾進行判別：排除時段內降水等天氣造成的低能見度，即當能見度V＜10 km且相對濕度RH＜80%時，或相對濕度滿足80%≤RH＜95%且PM2.5＞75μg/m3時，統計為霾；當能見度V≥10 km時，統計為非霾。當判斷為霾時，可根據能見度（V）將霾劃分等級：輕微（5 km≤V＜10 km）、輕度（3 km≤V＜5 km）、中度（2 km≤V＜3 km）和重度（V＜2 km）。

BP神經網絡是一種前饋性神經網絡，有信號前向傳遞，誤差反向傳播的特點。在前向傳遞中，輸入信號從輸入層、隱含層逐層處理直至輸出層，如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使預測輸出不斷逼近期望輸出。

采用神經網絡方法建立大氣能見度預報模型，主要用到TS評分、均方根誤差（ERMS）、平均絕對百分誤差（EMAP），檢驗方法如下：

式（1）～（3）中，NA代表預報正確樣本數，NB代表空報樣本數，NC代表漏報樣本數，P代表預報值，O代表觀測值，N代表檢驗樣本個數。預報正確指預報等級與實況等級相同；空報指預報出現在等級內而實況沒有出現在等級內；漏報指預報沒有出現在等級內而實況出現在等級內。

2 結果與分析

2.1 太原地區大氣能見度及主要影響因子時空分布特征

基于2017—2019年氣象資料統計結果，太原年平均能見度為18.24 km。從空間分布看（圖1），東南部分能見度較低，北部能見度最高，太原大氣能見度表現為由南向北逐漸好轉的分布特征。

圖1 太原地區平均能見度空間分布

從時間變化看（圖2），2017—2019年太原地區平均能見度最大值出現在5月，平均能見度超過20 km，最小值出現在1月，平均能見度不足10 km，這與姜江等[6]研究得出的北京最低能見度在夏季7月份，結果截然不同，表現出地域性差異，這可能與太原及周邊地區污染物輸送有關，并且太原三面環山的地形不利于污染物排放也有影響。能見度的波峰（谷）與風速的波峰（谷）及濕度的波谷（峰）基本一致。PM2.5濃度在1月過后大幅下降，在4—10月平均濃度均低于50μg/m3，10月開始回升；而平均能見度在5月出現最高值，6月開始下降，這時氣溫上升顯著，這與夏季較高的氣溫有利于消光特性的氣溶膠的增長有關。PM10濃度較PM2.5濃度變化幅度較大，但二者增減趨勢基本一致。

依據氣候學常用方法對季節進行劃分：春季（3—5月）、夏季（6—8月）、秋季（9—11月）、冬季（12—次年2月），對各要素按季分類統計，得出日變化特征（圖3）。能見度最低值出現在06時（北京時，下同）左右，冬季出現在09時左右，能見度最高值出現在15時前后。能見度的波峰（谷）較好的對應于相對濕度波谷（峰）、風速波峰（谷）。氣溫在每日06時前后達到最低，15時達到最高，與能見度變化也較為一致。對于PM2.5濃度與PM10濃度，春夏變化規律較為一致，09時達到波峰，15時達到波谷，秋冬季節06時前后出現波谷，然后遞增，09時出現波峰，之后由于熱力擴散條件逐漸好轉，風速增大，有利于擴散，開始降低，15時達到波谷，此時顆粒物濃度最小，濕度最低，能見度處于最高值，之后風速下降，顆粒物濃度逐漸增加，能見度開始下降，且秋冬季下降更明顯，21：00前后逆溫層形成，顆粒物濃度達到最高峰，能見度處于波谷。就平均狀態而言，逐時能見度周期變化規律與氣象因子變化一致，且與顆粒物濃度有關。

圖2 2017—2019年月平均能見度（a）、風速（b）、PM2.5濃度（c）及PM10濃度（d）

圖3 2017—2019年季平均能見度（a）、濕度（b）、PM2.5濃度（c），PM10濃度（d）日變化特征

2.2 低能見度與氣象要素變化特征

圖4為太原地區2017—2019年低能見度（V＜10 km）分布圖。太原地區低能見度事件1月最多，5月最少；1月低能見度分別出現17、13、14 d，5月低能見度分別出現3、1、3 d。2017、2018、2019年太原低能見度分別出現93、84、79 d，年平均發生頻率分別為25.48%、23.01%、21.64%。

圖4 2017—2019年太原地區低能見度月變化

為分析相對濕度、顆粒物濃度、風速等對能見度的影響，本文統計分析了在不同低能見度等級下各影響因子的均值變化情況（表1）。隨著能見度降低，PM2.5濃度、PM10濃度、相對濕度增加，氣溫及風速減小。低能見度現象出現時，發生頻率最高的是輕微級（49.83%），發生頻率最低的是重度級（12.1%）。

表1 不同低能見度等級下的影響因子

相關研究表明[15-16]，隨著相對濕度及顆粒物濃度的增加，能見度下降明顯，且在高濕環境下，相對濕度對能見度的影響更大，原因在于空氣中水分達到一定含量時，相對濕度對大氣中可溶性氣溶膠的消光系數影響很大，導致折射指數發生改變，消光能力顯著增強，能見度惡化顯著。參照姜江等[7]對北京大氣能見度研究的方法，本文將相對濕度＜80%的霾稱為干霾，相對濕度≥80%的霾稱為濕霾，對干霾和濕霾分別進行統計。

2017—2019年太原地區低能見度事件發生時，干霾發生頻率占59.27%，濕霾發生頻率為40.73%。由表2、表3可知，在同一霾等級下，濕霾發生時的能見度、風速、顆粒物濃度明顯低于干霾發生時，而氣溫比干霾發生時高。在濕霾情況下，4個等級對應的風速差別不大，輕微級與輕度級對應的風速基本相同，風速與霾的等級一致性不強，因為霾現象發生時，平均風速在微風狀態，導致霧粒的碰并增長，將底層水汽輸送到較高層形成霧，導致能見度下降，風速只有達到一定程度才能破壞霧的出現，使污染物有效擴散。

從發生頻率看，太原地區低能見度事件多由干霾造成，而濕霾比干霾造成的能見度惡化得更加明顯。干霾事件發生時，發生頻率最高的是輕微級（62.29%），發生頻率最低的是重度級（3.98%）；濕霾發生時，發生頻率最高的是輕微級（31.69%），其次是重度級（28.47%），發生頻率最低的是中度級（17.11%），可見濕霾現象發生時，重度級能見度發生率較高。

表2 干霾不同等級下的能見度及其影響因子

表3 濕霾不同等級下的能見度及其影響因子

2.3 典型霾事件過程中能見度及各影響因子變化

選擇太原兩次典型的低能見度事件，對相對濕度、風速、氣溫、PM2.5濃度及PM10濃度對能見度的影響進行分析。

2018年12月13日15：00—12月16日15時太原出現一次低能見度天氣過程，相對濕度在整個日變化過程中均在80%以下，是典型的干霾過程。由圖5可知，2018年12月13日15時，太原大氣能見度為24.1 km，相對濕度為16%，PM2.5濃度及PM10濃度分別為63.9μg/m3、96μg/m3。隨著相對濕度、PM2.5濃度、PM10濃度逐漸遞增，能見度開始下降，在12月14日09時，能見度降至4.4 km。隨后相對濕度、PM2.5濃度、PM10濃度開始降低，隨著氣溫升高以及午后局地對流加強，13時PM2.5濃度、PM10濃度降到24.8μg/m3、49.5μg/m3，能見度短暫恢復至10.5 km，之后隨著顆粒物濃度再次升高，能見度出現波動性降低。直到12月15日09時，PM2.5濃度、PM10濃度分別增加到260.1μg/m3、374.8μg/m3，能見度降到最低為2.4 km。在12月15日19時PM2.5濃度、PM10濃度快速下降到11.6、47.2μg/m3，風速增加到3.9 m/s，能見度迅速回升至22.5 km，之后隨著風速下降，顆粒物濃度升高，能見度降低至4.2 km。12月16日09時起，顆粒物濃度降低，能見度轉好，15時能見度增加到23.9 km，此次干霾過程結束。整個過程PM2.5濃度與PM10濃度變化趨勢一致，相對濕度日變化特征明顯，PM2.5濃度及PM10濃度對能見度變化影響顯著。

2018年1月13日15時太原地區能見度＞20 km，只有城區小部分區域＜20 km。12月14日17時能見度降到10 km左右，且能見度由北向南逐漸減弱。至12月15日09時，由于顆粒物濃度達到峰值，能見度降到最低，太原城區（東南部分）低于5 km。隨著顆粒物濃度減弱，能見度開始轉好，至12月16日15時，太原大部分地區能見度恢復到20 km以上。

另選取2020年1月9—10日太原地區經歷的一次低能見度事件，太原市在此期間實行了交通管制。在此次事件中，相對濕度除自身的日變化規律外均＞80%，是一次典型的濕霾過程。由圖6可知，2020年1月9日11時太原大氣能見度為12.22 km，隨著相對濕度、PM2.5濃度及PM10濃度的持續增加，能見度持續下降，9日13時雖然風速持續增加，但由于相對濕度在高值區維持阻礙了能見度的好轉；9日19時相對濕度達到最高值為89%，PM2.5濃度達到峰值為243μg/m3，PM10濃度達到峰值為302μg/m3，此時能見度降到最低為3.6 km。之后隨著相對濕度、PM2.5濃度、PM10濃度逐漸降低，大氣能見度波動性增加，1月10日01時，能見度出現短暫回升（6.63 km），之后隨著相對濕度及顆粒物濃度增大，能見度降至5.2 km（1月10日09時）。1月10日12時起，伴隨著氣溫回升及相對濕度、顆粒物濃度的快速下降，能見度迅速回升至25.88 km（1月10日15時），此次濕霾天氣過程結束。與2018年12月的干霾過程比較，此次濕霾過程中，相對濕度對能見度變化影響較大。

圖5 2018年12月13日15時—12月16日15時霾天氣過程能見度（a）、相對濕度（b）、PM2.5濃度（c）、PM10濃度變化特征（d）

2020年1月9日11時，太原地區能見度在10 km左右，北部區域比南部區域高，隨著相對濕度增大，1月9日19時，能見度降到最低，整個太原地區能見度不足5 km，隨著相對濕度開始降低，能見度出現回升，至1月10日11時，大部分能見度恢復至6 km左右，直至1月10日14時，太原地區大部分區域能見度恢復至10 km以上，只有南部城區恢復較慢。

2.4 能見度預報模型初探

太原地區相對濕度、溫度、風速、PM2.5濃度和PM10濃度與能見度的相關系數分別為-0.414、0.221、0.257、-0.113、-0.203，都達到了0.01的顯著性水平（表4），但大量研究表明大氣能見度與顆粒物濃度、相對濕度、風速等影響因子為非線性關系[17-21]，因此不能以簡單線性回歸方法建立能見度預報模型。

表4 能見度影響因子相關性分析

神經網絡方法具有很好的處理非線性問題的能力，采用神經網絡方法建立能見度預報模型，一般確定隱含層節點數為10。隱含層節點數的確定直接關系到模型構建的合理性，一般來說，增加隱含層節點數可以提高網絡收斂精度，但隱含層過多，會使網絡對樣本識別能力下降，出現過擬合現象。通過Matlab軟件編程來實現建模。

選用BP神經網絡算法，將相對濕度、風速、氣溫、PM2.5濃度和PM10濃度5個預報因子作為網絡學習的矩陣輸入端，能見度預報值作為網絡的期望輸出端。將太原市2019年1—12月逐時數據分為兩段，前3/4長度為訓練期，后1/4作為預報期，構建神經網絡大氣能見度預報模型，并采用公式（1）～（3）對預報模型的效果進行檢驗。

圖6 2020年1月9日11時—1月10日15時霾天氣過程能見度（a）、相對濕度（b）、PM2.5濃度（c）、PM10濃度變化特征（d）

圖7給出了訓練后的大氣能見度預報模型在預報期內模擬值與實況值的對比。模擬值與實況值的變化趨勢基本一致，但對于20 km以上能見度隨實況值增大模擬略偏低，但整體預報與實況基本吻合，對低能見度樣本模擬效果更佳。神經網絡在預報初期模擬預報值的準確度高于預報后期，實際業務應用中可不斷更新訓練樣本，以提高后期預報效果。

均方根誤差反映模擬值與觀測值之間的偏差，平均絕對百分誤差反映誤差占觀測值的比例大小，這兩個指標常用來判斷模型的模擬效果。對神經網絡構建的大氣能見度預報模型進行檢驗，均方根為4.43 km，平均絕對誤差為17.39%。由表5可知，神經網絡構建的能見度模型預報效果良好，對輕微級能見度的TS評分為0.87，具有較高準確性。隨著能見度的降低，TS評分逐漸降低，模擬值略偏大。

圖7 神經網絡模型預報期內能見度預報與實況對比

表5 能見度分級檢驗評分指標

3 結論

本文利用2017—2019年太原地區逐時氣象觀測資料，分析了能見度及其主要影響因子的變化特征，并對兩次低能見度過程進行深入分析，利用神經網絡模型構建了能見度預報模型，并進行了檢驗，得到如下結論：

（1）太原地區月平均能見度最大值出現在5月，最小值出現在12月和1月。春、夏、秋平均能見度日間最低值出現在06時前后，冬季出現在09時前后，最高值都出現在15時前后；能見度的波峰（谷）較好的對應于相對濕度波谷（峰）、風速波峰（谷）；能見度周期變化規律與氣象條件非常一致，且與顆粒物濃度有關。

（2）2017—2019年太原低能見度分別出現93、84、79 d，年平均發生頻率分別為25.48%、23.01%、21.64%。低能見度現象出現時，發生頻率最高的是輕微級（49.83%），發生頻率最低的是重度級（12.1%）。太原地區低能見度天氣現象多由干霾天氣造成，但濕霾天氣發生時，能見度惡化得更加明顯。干霾事件發生時，發生頻率最高的是輕微級（62.29%），發生頻率最低的是重度級（3.98%）；濕霾發生時，發生頻率最高的是輕微級（31.69%），其次是重度級（28.47%），發生頻率最低的是中度級（17.11%）。

（3）根據兩次典型的低能見度分析結果，能見度均隨相對濕度、風速、氣溫、PM2.5濃度及PM10濃度的變化有所起伏；PM2.5濃度和PM10濃度變化趨勢基本一致，但PM2.5濃度對能見度的影響更大；濕霾過程中，大氣能見度與相對濕度變化特征更為一致；干霾天氣過程中，大氣能見度與PM2.5濃度及PM10濃度變化特征更為相關。濕霾的發生、發展到結束，能見度在空間上表現為由北向南逐漸減弱，由南向北逐漸好轉的變化規律，且城區區域能見度低于郊區。

（4）神經網絡構建的大氣能見度預報模型預報性能良好，經檢驗，相關系數為0.81，均方根為4.43 km，平均絕對誤差為17.39%，輕微級能見度的TS評分為0.87，具有較高準確性。