基于氣候系統指數的月尺度霾日定量預測方法研究

付偉 司紅君 何冬燕 盧堯 劉蕾 楊瓊瓊 鄒瑩瑾

摘要 利用1955—2018年蕪湖市國家氣象觀測站資料，1980—2018年國家氣候中心氣候系統指數資料，對蕪湖市近64 a的霾日氣候序列進行重建，在此基礎上使用線性趨勢和Mann-Kendall方法，系統分析了蕪湖市霾日的氣候特征。以蕪湖市為例，借助多元逐步回歸方法，嘗試研究了一種以氣候系統指數為自變量，霾日為因變量，建立霾日預測方程并對月尺度霾日進行定量預測的方法。結果表明：1）重建的霾日時間序列能夠更客觀的反映蕪湖市霾日實際的長期變化特征。近64 a霾的氣候特征：年日數顯著增加，并在1980年左右出現突變;季日數在冬、秋季較多，夏季最少，四季均呈顯著增多趨勢，增速秋季最快，夏季最慢;月日數在1、12、11月較多，7、8月較少。中度以上霾的氣候特征：年日數顯著增加，表現出漸變特征;季日數冬季最多，夏季最少，除夏季外均顯著增多趨勢，增速冬季最快，秋、春季次之;月日數在1、12、11月較多，5、6月較少，8月則從未出現過。2）各月霾日、中度以上霾日與多項月氣候系統指數表現出顯著的相關性，使用這些指數，計算出各月霾日、中度以上霾日的預測方程，最后對方程效果進行檢驗。

關鍵詞 霾日;重建;氣候系統指數;多元逐步回歸;月尺度定量預測

霾是大量極細微的干塵粒等顆粒均勻浮游在空中，使水平能見度小于10 km的空氣普遍渾濁現象（中國氣象局，2010）。過去，形成霾的干氣溶膠粒子主要來自自然界，但隨著人類活動加劇，經濟快速發展，城鎮化率提高，近二三十年中國中東部地區人為排放的大氣氣溶膠顯著增加（張小曳等，2013），這其中包括大量的細粒子（PM2.5），造成霾天氣日益增多。近年來，長三角地區霾日在時間和空間上均呈增多趨勢（史軍和崔林麗，2013）。安徽霾日在20世紀80年代初之后發生激增，東部霾日數明顯高于西部（鄧學良等，2015），這些可觀測到的霾污染增多，嚴重危及人類健康和交通安全等（Chameides et al.，1999）。

近年來科技工作者對霾的識別、成分特征、污染影響機制、氣象影響條件等進行了大量的研究（吳兌，2008;吳丹等，2016;Yin and Wang，2016，2017）。霾天氣時，空氣中的硫酸鹽氣溶膠是造成能見度下降的主要原因（Malm，1992），有機物、水溶性無機離子和元素碳是PM2.5中影響大氣能見度，影響大氣消光的主要化學組分（Cao et al.，2012）。天氣也是影響霾污染發生發展的重要因素，有利的天氣形勢可以造成穩定的大氣層結，混合層降低，形成近地面逆溫，地面風速小，大氣垂直方向湍流交換減弱的氣象條件，造成霾天氣的維持和加劇（周莉等，2019），而冷空氣南下造成污染物伴隨輸入至長三角地區也是造成重污染發生的有利天氣條件，這種污染往往發生在重污染過程的初期（韓博威和馬曉燕，2020）。為了解決霾造成的一系列社會經濟問題，對霾進行了解和控制，珠三角、長三角、京津冀等地建立了霾的地面和遙感監測體系（向嘉敏等，2019），并開展霾預報預測研究和業務，主要預報方法包括逐步回歸（尹志聰等，2019），動態統計（張自銀等，2018），基于模式的MOS法（尤佳紅等，2014）等，但是中長期預測尤其是定量預測的方法相對較少。大氣環流、海溫等氣候系統指數常被用于氣象要素的氣候預測（陳麗娟等，2019），以及其他與氣候密切相關事件的預測（王純枝等，2019）。目前基于氣候系統指數的霾日中長期定量預測方法并不多見，而霾和天氣氣候密切相關（陶麗等，2016），因此本文擬研究使用氣候系統指數作為因子定量預測月尺度霾日的方法，并以蕪湖市為例開展。

蕪湖市位于安徽省東部，霾的氣候特征及預測對其經濟發展、人民生活、長江生態環境保護有積極意義，但與其相關的研究成果大都時間相對較早，針對性不強。本研究首先對蕪湖市霾的氣候特征進行分析，再建立蕪湖市月尺度霾日的預測方程，為其中長期空氣質量預測業務提供客觀定量的參考。但長期以來中國氣象臺站的觀測業務中，對于霾的記錄沒有統一標準，尤其是作為霾輔助判據的相對濕度取值范圍過寬，標準不一，大量霾被記成了輕霧（吳兌，2006），同時也受觀測員主觀因素影響，造成霾的觀測記錄可對比性較差，因此用長時間序列氣候資料進行霾統計時，不能直接使用天氣現象觀測數據，要建立統一的定量標準（吳兌，2012），需要先對霾日的時間序列進行重建，再進行其他分析。因此本文對蕪湖市霾日的時間序列進行重建（吳兌，2008），然后再進行氣候特征分析和預測方程的研究。

1 資料與方法

1.1 資料來源

本文使用1955—2018年蕪湖市國家氣象觀測站的觀測資料重建霾日時間序列及氣候特征分析，包括逐日能見度、相對濕度、天氣現象數據。觀測數據1955—1985年為每日02、08、14、20時4次觀測，1986—2014年8月為每日08、14、20時3次觀測，2014年9月—2018年12月為每日24次觀測。其中能見度數據1955—1979年為等級觀測，其他為距離觀測。

用于霾日預測方程計算的130項氣候系統指數為1980—2018年逐月的88項大氣環流指數、26項海溫指數、16項其他指數。數據來自國家氣候中心網站百項氣候系統指數集（https：//cmdp.ncc-cma.net/Monitoring/cn_index_130.php）。

1.2 霾日重建方法

1.2.1 能見度、相對濕度數據的處理

日平均值計算時，每日3次或4次觀測的，取其平均值;每日24次觀測的，取02、08、14、20時觀測平均值。能見度等級觀測數據，需將其按照表1換算為對應的距離中值（史軍和吳蔚，2010）。另外，2014年9月之后能見度觀測改為自動觀測，需將之前人工觀測數據乘以0.75的系數進行訂正，以確保數據具有可對比性（中國氣象局氣象探測中心，2016）。

1.2.2 霾日的統計

采用日均法對霾日進行統計（史軍和吳蔚，2010;吳兌等，2010），定義日平均能見度<10 km，日平均相對濕度<90 %，并排除降水、吹雪等其他天氣現象導致低能見度事件的情況，記為1個霾日。參照《霾的觀測和預報等級》（QX/T 113-2010），根據能見度距離（V，單位：km）將霾劃分為輕微、輕度、中度和重度4個等級，劃分標準依次為：5≤V<10、3≤V<5、2≤V<3、V<2。

1.3 霾日的氣候特征分析方法

使用線性趨勢分析和Mann-Kendall氣候突變檢驗（簡稱M-K檢驗，魏鳳英，2007）對蕪湖市霾日的氣候特征進行分析。季節分析時，劃分如下：3—5月春季，6—8月夏季，9—11月秋季，12—次年2月冬季。

1.4 霾日的月尺度定量預測方程計算方法

使用多元逐步回歸方法計算月尺度霾日的預測方程。計算方程前，首先使用月霾日時間序列與對應的前1—12月130項氣候系統指數時間序列分別進行相關分析，并進行顯著性檢驗，遴選出顯著相關的氣候系統指數。計算方程時，應變量為月霾日時間序列，自變量為遴選出的所有與其顯著相關的月氣候系統指數時間序列。計算出方程后，方程和系數進行相關性和顯著性檢驗。各月霾日依次計算。由于20世紀70年代海氣關系出現轉變（江志紅和屠其璞，2001），為保證建立的方程有一定氣候意義，因此建立方程時僅使用1980年之后的數據。

2 結果分析

2.1 霾日的重建及氣候特征

2.1.1 霾日重建值和實測值對比

對比1955—2018年蕪湖市霾日的重建值與蕪湖市國家觀測站人工記錄的霾天氣現象實測值（圖1a），1978年之前霾日較少，重建值和實測值差別不大。1978年之后重建值明顯增加，而實測值仍變化不大，兩者差距明顯。對比蕪湖市所在區域霾日變化特征的相關研究結果（史軍和崔林麗，2013;鄧學良等，2015），認為重建的霾日時間序列更能夠客觀反映霾日的實際變化特征，許多學者也通過研究證明了重建的可行性和必要性（史軍和吳蔚，2010;楊志彪等，2014;王凱等，2016）。因此下文使用重建值進一步進行研究。

2.1.2 霾日的年際變化特征

1955—2018年，蕪湖市年霾日總體呈顯著增加趨勢（圖1），年均增加霾日2.08 d，1978年之前霾日較少，隨后開始快速增長，其中2015年霾日最多，達191 d。2013年中國出臺《大氣污染防治行動計劃》（簡稱“大氣十條”）后，京津冀、長三角等重點區域不斷加大減排措施力度，取得了實質性的進展，2016年起冬季污染物的排放量得到了有效消減，這是2015年之后空氣質量得到改善的主要原因（張小曳等，2020）。另外，“大氣十條”實施后的2014、2015年長三角等重點區域的氣象條件較2013年變差，2016、2017年轉好，也在一定程度上促成2015年霾日數明顯高于相鄰年份的特征。M-K檢驗表明蕪湖市1980年之前，霾日變化不顯著，增多減少交替出現，但1980年之后顯著增多，存在突變特征（圖2a）。

1955—2018年蕪湖市輕微、輕度、中度和重度霾日數分別占總霾日數的88.3 %、9.1 %、2.1 %和0.5 %，各等級霾日均呈顯著增加趨勢（圖1b），分別年均增加1.704、0.281、0.078、0.017 d。中度以上的霾日雖占比小，但影響大，因此除了總霾日，本文還對中度和重度霾日的氣候特征和預測方程進行分析和計算，又因重度霾次數少，故將二者合稱為中度以上霾日統一進行分析。

1980年之前，蕪湖市無中度以上霾發生，之后零星出現，1991年起明顯增多，年均4 d，其中2015年最多，達27 d，包括重度霾5 d。M-K檢驗顯示其沒有表現出突變特征（圖2b）。

2.1.3 霾日的季、月變化特征

1955—2018年，霾日（圖3a）和中度以上霾日（圖3b）均表現出冬季最多，秋、春、夏季依次減少的特征，分別為23.890 d、17.328 d、14.359 d、9.266 d和1.093 d、0.422 d、0.141 d、0.047 d。各季節霾日均表現出顯著增多的趨勢（表2），增速秋季最快，夏季最慢。中度以上霾日在冬、秋、春季表現出顯著增多的趨勢，增速依次減小（表2），夏季則沒有顯著變化趨勢。

一年之中霾日最多的是1月（圖略），年均9.047 d，其次是12月（8.922 d）和11月（7.297 d）。4—9月霾日相對較少，其中7月最少（2.359 d）。中度以上霾日（圖略）1月和12月最多，年均0.453 d，其次是11月（0.266 d）和2月（0.188 d）。4—9月很少出現中度以上霾，其中8月出現天數為0，5、6月也僅出現過1 d。

2.2 霾日的月尺度定量預測

2.2.1 預測方程的計算

月尺度霾日的預測，實際業務應用時常需提前1～2個月制作，如預測2020年11月的霾日數，9或10月就需要計算出預測結果，而當月氣候系統指數的及時獲取具有一定不確定性，為了業務應用時霾日計算數據完整，本文計算某月（T）霾日時，使用（T-3至T-14）這12個月的氣候系統指數建立預測方程。含有缺測數據的氣候系統指數將被剔除。

首先，使用月（T）霾日的37 a時間序列（1982年1月—2018年12月）分別與其對應的T-3至T-14月逐月130項氣候系統指數（共1 560個）的37 a時間序列（1980年10月—2018年9月）求相關系數（R），并進行0.05的顯著性檢驗，遴選顯著相關的氣候系統指數。

其次，月（T）霾日37 a時間序列作為應變量，遴選出的所有與其顯著相關氣候系統指數37 a時間序列作為自變量帶入多元逐步回歸模型，計算出該月（T）霾日的預測方程。計算出的方程和系數進行相關性和顯著性檢驗。各月霾日數的預測方程依次計算，其中遴選出的作為自變量帶入模型的顯著相關氣候系統指數數量不等。中度以上霾日的預測方程計算方法相同。

逐步回歸是一種線性回歸模型自變量選擇方法，其基本思想是將變量一個一個引入，引入的條件是其偏回歸平方和經檢驗是顯著的。同時，每引入一個新變量后，對已入選回歸模型的老變量逐個進行檢驗，將經檢驗認為不顯著的變量刪除，以保證所得自變量子集中每一個變量都是顯著的。此過程經過若干步直到不能再引入新變量為止。這時回歸模型中所有變量對因變量都是顯著的（耿修林和張琳，2006），因此計算出的各最優方程中變量的個數是不同的。計算出的最優各月霾日、中度以上霾日的預測方程見表3、4，由于部分最優方程的自變量非常多，方程較長，受篇幅所限，這些方程使用10個變量的較優方程代替展示。所有方程均通過了0.001信度的顯著性水平檢驗，其常數項、自變量系數均通過了0.05信度的顯著性水平檢驗。由于8月沒有中度以上霾日出現，因此沒有預測方程。方程中氣候系統指數使用字母加數字的方式表示，其中Atm代表大氣環流指數（IAtm），Oce代表海溫值數（IOce），Ext代表其他指數（IExt），其后數字代表指數的編號，括號中的數字代表指數的月份，各指數具體名稱及定義可查閱國家氣候中心網站百項氣候系統指數集，如IAtm65（5）表示大氣環流指數中的第65項，5月的西藏高原-1指數。

2.2.2 預測方程的檢驗

首先對各月霾日、中度以上霾日預測方程在1982—2018年的模擬效果進行檢驗，各月檢驗樣本37個。月霾日誤差范圍在-7.2～7.4 d，68%的誤差在2 d以內，其中2、6、9月誤差較小，10、11、12月誤差較大。月中度以上霾日誤差范圍在-1.6～1.8 d，明顯優于霾日的模擬效果，其中4—7月的誤差均在1 d以內，模擬效果很好，而3月相對較差。

接下來將2017年11月—2019年10月的逐月氣候系統指數代入預測方程，對2019年1—12月蕪湖市各月霾日、中度以上霾日的數量進行預測實驗，并與實況對比檢驗（表5），多數月霾日的絕對誤差在1～3 d，2、6、12月的預測誤差相對較大。11月—次年3月霾日相對較多的月份，預測值普遍偏少。2019年實況僅1、2月出現中度以上霾，預測誤差分別為0.7 d和-1.5 d，其余月份中有7個月預測值為負值，記為0，誤差為0，預報基本準確。總體來說，預測方程可以較好地對月尺度霾日進行定量預測，尤其是月中度以上霾日，具有較好的參考價值。

3 結論與討論

1）使用日均法對1955—2018年蕪湖市霾日進行重建，對比霾日天氣現象實測值，并參考其他相關研究結果，表明重建的霾日時間序列能夠更客觀地反映蕪湖市霾日實際的長期變化特征。

2）1955—2018年蕪湖市年霾日呈顯著增多趨勢，年均增加2.080 d，在1980年左右出現突變特征。季霾日，年均數量從多到少依次為冬、秋、春、夏季，各季霾日均呈顯著增多趨勢，增速從快到慢依次為秋、冬、春、夏季。月霾日，1、12、11月較多，7、8月較少。

3）1955—2018年中度以上霾日也呈顯著增多趨勢，年均增加0.095 d，但沒有出現突變特征。季中度以上霾日，數量從多到少依次為冬、秋、春、夏季，冬、秋、春季的中度以上霾日數表現出顯著增多的趨勢，增速依次減小，夏季則沒有顯著的變化趨勢。月中度以上霾日數，1、12、11月較多，5、6月較少，8月從未出現過。

4）各月霾日、中度以上霾日與多項月氣候系統指數表現出顯著的相關性，使用這些顯著相關的月氣候系統指數作為自變量，月霾日、中度以上霾日作為因變量，用多元逐步回歸方法計算出其月尺度預測方程。借助方程，可以提前查閱氣候系統指數，對月霾日和中度以上霾日數進行計算、預測。預測方程進行了模擬效果檢驗、預測實驗，結果顯示預測方程具有較好的參考價值。

本研究表明，借助多元逐步回歸方法，使用氣候系統指數可以作為因子直接定量預測月尺度霾日，方法在氣候相似的江淮等地區具有推廣價值。這種統計方法通常歷史擬合較好，但預報準確率不穩定，因此預測方程還需要進一步檢驗和完善，同時統計方法缺乏動力學意義（王冀等，2011），后期可以根據相關分析等結果，進一步分析具有動力學意義的氣候系統指數，更深入地開展這些指數對霾天氣影響機理的研究。

參考文獻（References）

Cao J J，Wang Q Y，Chow J C，et al.，2012.Impacts of aerosol compositions on visibility impairment in Xi′an，China[J].Atmos Environ，59：559-566.doi：10.1016/j.atmosenv.2012.05.036.

Chameides W L，Yu H，Liu S C，et al.，1999.Case study of the effects of atmospheric aerosols and regional haze on agriculture：an opportunity to enhance crop yields in China through emission controls？[J].Proc Natl Acad Sci USA，96（24）：13626-13633.doi：10.1073/pnas.96.24.13626.

陳麗娟，顧薇，龔振淞，等，2019.影響2018年汛期氣候的先兆信號及預測效果評估[J].氣象，45（4）：553-564. Chen L J，Gu W，Gong Z S，et al.，2019.Precursory signals of the 2018 summer climate in China and evaluation of real-time prediction[J].Meteor Mon，45（4）：553-564.doi：10.7519/j.issn.1000-0526.2019.04.010.（in Chinese）.

鄧學良，石春娥，姚晨，等，2015.安徽霾日重建和時空特征分析[J].高原氣象，34（4）：1158-1166. 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.（in Chinese）.

耿修林，張琳，2006.計量經濟學[M].北京：科學出版社. Geng X L，Zhang L，2006.Econometrics[M].Beijing：Science Press.（in Chinese）.

韓博威，馬曉燕，2020.2014—2018年冬季長三角強霾事件及天氣形勢影響分析[J].環境科學學報，40（7）：2333-2345. Han B W，Ma X Y，2020.Analysis of the severe haze events in the Yangtze River Delta during the winter of 2014—2018 and the impact of the weather situation on severe haze[J].Acta Sci Circumstantiae，40（7）：2333-2345.doi：10.13671/j.hjkxxb.2020.0075.（in Chinese）.

江志紅，屠其璞，2001.國外有關海氣系統年代際變率的機制研究[J].地球科學進展，16（4）：569-573. Jiang Z H，Tu Q P，2001.Review of overseas study on mechanisms of interdecadal variability of air-sea system[J].Adv Earth Sci，16（4）：569-573.doi：10.3321/j.issn：1001-8166.2001.04.020.（in Chinese）.

Malm W C，1992.Characteristics and origins of haze in the continental United States[J].Earth-Sci Rev，33（1）：1-36.doi：10.1016/0012-8252（92）90064-Z.

史軍，吳蔚，2010.上海霾氣候數據序列重建及其時空特征[J].長江流域資源與環境，19（9）：1029-1036. Shi J，Wu W，2010.Data reconstruction and spatial-temporal characteristics of haze days in Shanghai[J].Resour Environ Yangtze Basin，19（9）：1029-1036.（in Chinese）.

史軍，崔林麗，2013.長江三角洲城市群霾的演變特征及影響因素研究[J].中國環境科學，33（12）：2113-2122. Shi J，Cui L L，2013.Characteristics and influencing factors of haze in the Yangtze River Delta region[J].China Environ Sci，33（12）：2113-2122.（in Chinese）.

陶麗，周宇桐，李瑞芬，2016.我國霾日和API分布特征及典型大城市中它們與氣象條件關系[J].大氣科學學報，39（1）：110-125. Tao L，Zhou Y T，Li R F，2016.Characteristics of haze days and air pollution index （API） and their relationship with weather conditions at four large cities/district of China[J].Trans Atmos Sci，39（1）：110-125.doi：10.13878/j.cnki.dqkxxb.20150721001.（in Chinese）.

王純枝，張蕾，郭安紅，等，2019.基于大氣環流的稻縱卷葉螟氣象預測模型[J].應用氣象學報，30（5）：565-576. Wang C Z，Zhang L，Guo A H，et al.，2019.Long-term meteorological prediction model on the occurrence and development of rice leaf roller based on atmospheric circulation[J].J Appl Meteorol Sci，30（5）：565-576.doi：10.11898/1001-7313.20190505.（in Chinese）.

王冀，宋瑞艷，郭文利，2011.統計降尺度方法在北京月尺度預測中的應用[J].氣象，37（6）：693-700. Wang J，Song R Y，Guo W L，2011.Application of statistical downscaling method to forecasts in monthly scale[J].Meteor Mon，37（6）：693-700.（in Chinese）.

王凱，方思達，李蘭，2016.基于序列重建的湖北省大范圍持續性霾過程特征分析[J].氣象與環境學報，32（1）：40-45. Wang K，Fang S D，Li L，2016.Characteristics of persistent haze periods using large range sequence reconstruction in Hubei Province[J].J Meteorol Environ，32（1）：40-45.doi：10.11927/j.issn.1673-503X.2016.01.006.（in Chinese）.

魏鳳英，2017.現代氣候統計診斷與預測技術[M].北京：氣象出版社. Wei F Y，2017. Modern climate statistical diagnosis and Prediction Technology[M].Beijing：China Meteorological Press.（in Chinese）.

吳丹，于亞鑫，夏俊榮，等，2016.南京市灰霾天氣的長時間變化特征及其氣候原因探討[J].大氣科學學報，39（2）：232-242. Wu D，Yu Y X，Xia J R，et al.，2016.Long-term variation in haze days and related climatic factors in Nanjing[J].Trans Atmos Sci，39（2）：232-242.doi：10.13878/j.cnki.dqkxxb.20150610001.（in Chinese）.

吳兌，2008.霾與霧的識別和資料分析處理[J].環境化學，27（3）：327-330. Wu D，2008.Discussion on the distinction between haze and fog and analysis and processing of data[J].Environ Chem，27（3）：327-330.doi：10.3321/j.issn：0254-6108.2008.03.011.（in Chinese）.

吳兌，2012.近十年中國灰霾天氣研究綜述[J].環境科學學報，32（2）：257-269. Wu D，2012.Hazy weather research in China in the last decade：a review[J].Acta Sci Circumstantiae，32（2）：257-269.doi：10.13671/j.hjkxxb.2012.02.011.（in Chinese）.

吳兌，吳曉京，李菲，等，2010.1951—2005年中國大陸霾的時空變化[J].氣象學報，68（5）：680-688. Wu D，Wu X J，Li F，et al.，2010.Temporal and spatial variation of haze during 1951-2005 in Chinese mainland[J].Acta Meteorol Sin，68（5）：680-688.（in Chinese）.

向嘉敏，祝善友，張桂欣，等，2019.灰霾遙感監測研究進展[J].遙感技術與應用，34（1）：12-20. Xiang J M，Zhu S Y，Zhang G X，et al.，2019.Progress in haze monitoring by remote sensing technology[J].Remote Sens Technol Appl，34（1）：12-20.（in Chinese）.

楊志彪，陳冬冬，徐向明，2014.霾觀測判識標準定量化對霧霾觀測記錄的影響[J].氣象科技，42（2）：198-203. Yang Z B，Chen D D，Xu X M，2014.Influence of identifying index quantification on fog and haze observation records[J].Meteorol Sci Technol，42（2）：198-203.doi：10.19517/j.1671-6345.2014.02.003.（in Chinese）.

尤佳紅，束炯，陳亦君，等，2014.基于MOS的杭州秋冬季空氣污染預報和霾診斷[J].中國環境科學，34（7）：1660-1666. You J H，Shu J，Chen Y J，et al.，2014.Autumn and winter air pollution forecasting and haze events diagnosis in Hangzhou：a MOS-based approach[J].China Environ Sci，34（7）：1660-1666.（in Chinese）.

Yin Z C，Wang H J，2016.Seasonal prediction of winter haze days in the north central North China Plain[J].Atmos Chem Phys，16（23）：14843-14852.doi：10.5194/acp-16-14843-2016.

Yin Z C，Wang H J，2017.Statistical prediction of winter haze days in the North China plain using the generalized additive model[J].J Appl Meteorol Climatol，56（9）：2411-2419.doi：10.1175/jamc-d-17-0013.1.

尹志聰，王會軍，段明鏗，2019.近幾年我國霾污染實時季節預測概要[J].大氣科學學報，42（1）：2-13. Yin Z C，Wang H J，Duan M K，2019.Outline of the real-time seasonal haze pollution prediction in China in recent years[J].Trans Atmos Sci，42（1）：2-13.doi：10.13878/j.cnki.dqkxxb.20181224001.（in Chinese）.

張小曳，孫俊英，王亞強，等，2013.我國霧-霾成因及其治理的思考[J].科學通報，58（13）：1178-1187. Zhang X Y，Sun J Y，Wang Y Q，et al.，2013.Factors contributing to haze and fog in China[J].Chin Sci Bull，58（13）：1178-1187.doi：10.1360/972013-150.（in Chinese）.

張小曳，徐祥德，丁一匯，等，2020.2013～2017年氣象條件變化對中國重點地區PM2.5質量濃度下降的影響[J].中國科學：地球科學，50（4）：483-500. Zhang X Y，Xun X D，Ding Y H，et al.，2020.The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China [J].Sci China：Earth Sci，50（4）：483-500.（in Chinese）.

張自銀，趙秀娟，熊亞軍，等，2018.基于動態統計預報方法的京津冀霧霾中期預報試驗[J].應用氣象學報，29（1）：57-69. Zhang Z Y，Zhao X J，Xiong Y J，et al.，2018.The fog/haze medium-range forecast experiments based on dynamic statistic method[J].J Appl Meteorol Sci，29（1）：57-69.doi：10.11898/1001-7313.20180106.（in Chinese）.

中國氣象局氣象探測中心，2016.地面氣象觀測業務技術規定實用手冊[M].北京：氣象出版社. Meteorological Observation Center，China Meteorological Administration，2016.Standard business procedure for landserface meteorology observation[M].Beijing：China Meteorological Press.（in Chinese）.

中國氣象局，2010.霾的觀測和預報等級：QX/T 113-2010[S].北京：氣象出版社. Observation and forecasting levels of haze：QX/T 113-2010[S].Beijing：China Meteorological Press.（in Chinese）

周莉，蘭明才，張艦齊，等，2019.2017年冬季長沙一次重度霾污染天氣過程氣象成因分析[J].氣象與環境學報，35（3）：45-51. Zhou L，Lan M C，Zhang J Q，et al.，2019.Characteristics and causes of a heavy haze event in Changsha during winter of 2017[J].J Meteorol Environ，35（3）：45-51.doi：10.3969/j.issn.1673-503X.2019.03.006.（in Chinese）.

In this article，the time series of haze days were constructed on the basis of past 64 years data which was collected from the national meteorological observatory of Wuhan and 130 climate system indexes of the National Climate Center during the time spread from 1955 to 2018.The linear trend analysis and Mann-Kendall were validated to analyze the climatic characteristics of haze days in Wuhan during this specific period.In the next stage of this research method，the stepwise multiple regression analysis was adopted in order to develop the prediction equations and quantitative monthly forecast scale of haze days.While in this piece of research，climate system index and haze days were considered as independent and dependent variables accordingly.The consequences of this research indicated that the reconstructed time series of haze days contemplated the actual long-term variations in haze days characteristics of Wuhan.During the selected span of time，the climatic characteristics in terms of annual haze days expanded significantly while the unanticipated variations were observed around the 1980s.It can also be observed that the span of seasonal haze days in winter and autumn comparatively more expanded than the summer.The number of seasonal haze days significantly increased in winter and autumn and in contrast decreased spring and summer seasons.The aggregate of monthly haze days in November，December，and January significantly increased while on other side declined in July and August.In the consideration of serious climatic conditions of haze days significantly increased and owned the gradient feature in winter and less effective in summer.The aggregate of moderate or more serious monthly haze days in November，December，and January significantly increased while on the other side declined in May，June，and August.Based on the outcome it can be concluded that discrete monthly haze days and harsh haze days owned a significant correlation with many monthly climate system indexes.The results showed that this prediction method had a great effect in Wuhu and wealth simplifying broadly in similar areas.

haze days;reconstruction;climate system index;stepwise multiple regression;monthly scale quantitative prediction

doi：10.13878/j.cnki.dqkxxb.20200725001

（責任編輯：袁東敏）