雙層PCT天氣分型法的建立及其應用

蔡旭璋,王成剛*,王華卿,勞秀峰

雙層PCT天氣分型法的建立及其應用

蔡旭璋1,王成剛1*,王華卿2,勞秀峰2

(1.南京信息工程大學大氣物理學院,中國氣象局氣溶膠與云降水重點開放實驗室,江蘇 南京 210044；2.杭州市富陽區氣象局,浙江 杭州 311400)

提出了一種新的雙層PCT天氣分型方法.該方法分別對高層背景場與低層地面場進行PCT分型,再將結果組合、分類、調整后獲得最終分型結果.分型結果表明比傳統分型法擁有更好的準確性與穩定性.在此基礎上針對2014～2019年長江下游地區冬季天氣進行了分類研究,得到了8類主要天氣形勢,分別為:弱氣壓場型、冷鋒過境型、高壓前部型、高壓底部型、高壓控制型、高壓后部型、倒槽前部型和倒槽后部型.其中弱氣壓場型占比最高(26.6%)、通風系數最低(晝間3518m2/s,夜間1373m2/s),且重污染率在常見天氣型中較高(8.0%);另外倒槽前部型的污染率與重污染率最高(49.0%與12.0%).利用分型結果分析各類天氣形勢演化趨勢后,得到長江下游冬季高壓主要的4條移動路徑,其中“高壓前部—高壓底部—高壓后部”型路徑最為頻繁(占比42.9%),且最不利于通過靜穩天氣使大氣污染物發生累積,為最清潔的路徑類型.

客觀天氣分型；雙層分型法；PCT；長江下游地區

地面污染物的輸送、堆積與擴散均受到氣象要素的影響[1-4],而氣象要素的分布特征與變化趨勢則與天氣形勢密切相關[5].因此在不同的天氣形勢下,大氣污染演變規律有明顯差異[6].故天氣分型方法成為環境污染研究中的重要手段,而提高天氣分型方法的準確性對空氣質量預報工作具有指導意義.

天氣分型方法一般分為人為的主觀分型方法與客觀分型方法.相對于主觀分型,客觀分型法由主觀因素引起的選擇性誤差較小[7],并可以應用于較大的樣本庫,從而得到更具有普遍意義的結果[8].目前常用的客觀分型方法有5類:主成分分析法(PCA)[9-10]、相關性方法[11]、聚類分析法[12]、非線性方法[13]以及Fuzzy法[14-15].Huth等[16]對比了上述5類方法針對天氣形勢的分型效果后,認為進行T模態斜交旋轉的PCA方法(PCT)在天氣分型工作中有更好的分型效果.PCT方法的優勢在于能夠較為準確地將原始氣象要素場的特征反映出來,不容易由于分型對象的變化而產生較大的變化[17].目前已有諸多國內外學者在研究中應用PCT方法對天氣形勢進行分類[18-22].Jan等[23]在對不同區域間資料的對比驗證中,將環流類型分為數類后,分別在不同氣象背景下探討問題;Zhang等[24]利用PCT方法將華北附近的小范圍區域的地面環流場分為數類,將環流場的類型與北京周邊地區的污染物區域傳輸狀況相聯系;張瑩等[25]將PCT方法用于中國及周邊地區冬季的地面環流場分類,基于此探討冬季成都地區各類天氣形勢下邊界層內的擴散條件與污染程度;而許建明等[26]則將PCT方法應用于上海秋冬季污染天氣形勢的研究中,將中國及周邊地區秋冬季地面環流場分為數類,識別并分析了易于發生污染的背景天氣形勢與清潔型天氣形勢.

以往的研究中分型對象多為單層的地面環流場,沒有同時考慮高空場與地面場.而不同類型的天氣往往是由高空背景環流形勢與地面氣象要素特征同時作用下的結果[27].若分型區域只取單層氣象場,則分型范圍的選擇會陷入兩難境地:分型區域如果偏小則不足以表征背景天氣形勢的環流狀況,若是偏大則會模糊研究區域當地的環流特征.因此本文提出一種針對地面與高空雙層氣象場的分型方式,結合了高空大范圍背景場與地面小范圍氣象場各自的PCT分型結果,既能充分針對研究區域的地面氣象要素分布特征進行分類,又可以兼顧大范圍的高空環流背景場特征,使得分類結果更具有天氣學意義且更為客觀.

長江三角洲地區是我國大氣污染頻發和危害較嚴重的地區之一[28].故本研究以該地區作為基于雙層天氣分型方法的首個應用區域,既驗證該方法的可行性、準確性和實用性,也期望為冬季長江下游地區的大氣污染研究提供參考依據.

1 數據與方法

1.1 數據

本文選用歐洲中心(ECMWF)提供的2014～ 2019年內1, 2, 12月份的ERA5再分析資料進行天氣分型及后續研究,空間分辨率為0.25°×0.25°,每日等間隔取8個時次(本文時次均為UTC).提取資料中的海平面氣壓場、10m及850hPa風場、850hPa位勢場為分型對象,除上述變量再增選邊界層高度、2m溫度及水汽密度用于分析氣象要素分布特征.

水汽密度(v)與水汽壓()由下式計算獲取:

式中:v為水汽密度, g/g;為溫度, K;為水汽壓, Pa;為時鐘常數,取0.622;d為干空氣氣體常數,取461.51J/(K×kg);d為露點溫度, K.

空氣質量數據來自中國環境監測總站的全國城市空氣質量實時發布平臺(http://106.37.208.233:20035/),選取江浙滬皖4省境內共41市的空氣質量數據代表長江下游地區,數據時段與上文ERA5資料對應.

1.2 PCT分型方法

本文使用的PCT客觀分型方法利用了由歐盟開發的cost733class客觀天氣分型軟件(http: //www.cost733.org).該方法是將原始高維數據分解為主成分矩陣與載荷矩陣,篩選出方差貢獻較大的數個主成分后將其斜交旋轉,最后依據載荷大小對每個時次的天氣形勢進行分類.利用PCT方法對氣壓場或位勢場與UV風場進行多變量斜交旋轉分解,即將多個物理量作為一個整體進行時空展開,同時表現要素的空間分布以及各要素之間的空間關系,進而得到較準確的環流分型結果.

2 雙層PCT分型方法

2.1 方法介紹

本文以大氣污染物擴散原理為出發點,選擇地面及850hPa兩個高度為研究對象,嘗試建立一種雙層分型方法.選取地面是由于空氣污染物近地面的傳輸、擴散過程對人類生產、生活影響最大;850hPa通常位于大氣邊界層頂部,該高度氣象要素受地表強迫作用較小,同時又能有效地反映高空背景環流場的形勢.

為進一步說明雙層PCT分型方法的使用,本文以長江下游地區冬季天氣型為例,作簡要敘述:

區域選擇.此個例中,選取的背景區域為105°～135°E,22°～40°N,地面研究區域為115°～125°E, 28°～34°N,即圖1中的全部區域與黑框區域.高空背景區域所轄范圍較大是由于850hPa高度上的天氣系統的尺度較大,且移動速度較快.

雙層分型.將地面高度處的海平面氣壓場和UV風場,以及850hPa高度處的位勢高度場和UV風場分別利用PCT方法進行分型,得到兩個高度上各5種分型結果.對高空850hPa、地面場分型結果進行組合,可得25種組合結果.

分型歸類.根據長江下游地區冬季典型高低空天氣配置形勢,可將這25種分型結果歸類為6類天氣形勢,分別為:高壓前部型、高壓底部型、高壓控制型、高壓后部型、倒槽前部型和倒槽后部型.

特殊處理.根據研究區域內天氣系統特征建立了兩類特殊的分型結果,分別為弱氣壓場型與冷鋒過境型.其中,弱氣壓場定義為研究區域內無明顯天氣系統且地面最大壓差小于5hPa,平均風速小于2m/s.這類天氣型的特殊性在于上述6種天氣型的發展演變過程中都會產生弱氣壓場,而且持續時間通常較長.冷鋒過境型定義為研究區域內地面最大氣壓差達到12.5hPa且平均風速大于5m/s.這類天氣型的特殊性在于高壓前部型與高壓底部型都有可能產生等壓線密集、風速較大的冷鋒過程,且其生命史通常較短,對污染物的輸送、擴散能力較強.

圖1 雙層PCT天氣分型區域示意

圖中全部區域為背景區域,黑框內區域為研究區域

綜上,通過雙層PCT分型方法,長江下游地區冬季污染季的天氣分型結果可歸為8類,分別為:弱氣壓場型、冷鋒過境型、高壓前部型、高壓底部型、高壓控制型、高壓后部型、倒槽前部型和倒槽后部型.

2.2 分型效果檢驗

2.2.1 準確性檢驗 為了檢驗分型結果的準確性,本文將新的雙層分型結果與傳統的單層分型結果進行對比.對分型結果分歧的多個案例逐次分析后,現舉其中2次典型的差異個例說明分型結果的差異:圖2a為2014年1月9日03:00時的海平面氣壓場.地面高壓中心處于魯南蘇北地區,陸地等壓線稀疏,海面上等壓線略為密集.若以背景區域(大框區)為研究對象,由于長江下游地區與高壓中心的相對位置不夠敏感,單層PCT分型方法將誤判整個區域處于高壓前部型.若以長江下游地區(陰影區域)為研究對象,由于研究范圍小,無法獲取外界環流信息,故誤判高壓中心已經在研究區域中,為高壓控制型.而雙層PCT分型方法不僅考慮了地面場的分型結果還兼顧了850hPa的分型結果,給出高壓底部型的結果更為合理與準確.

圖2b為2018年12月17日03:00時的氣象場,針對背景區域的單層分型、針對研究區域的單層分型和雙層分型作出的分型結果分別為高壓控制型、弱氣壓場型、高壓前部型,顯然高壓中心大致處于華中南部或華南北部,此時研究區域處于高壓系統下游位置,背景區域內的單層分型由于對研究區域與高壓中心的相對位置不夠敏感而誤判為高壓控制型,研究區域內的單層分型由于忽略了大范圍的背景區域而僅以等壓線略為疏密的情況便判定為弱氣壓場型,而雙層PCT分型法給出的高壓前部型更為合理與準確.

圖2 2014年1月9日03:00時(a)與2018年12月17日03:00時(b)的海平面氣壓場等壓線分布(hPa)

2.2.2 穩定性檢驗 實際情況中,天氣系統的演變過程在一定時間內總是連續的、穩定的.因此,好的分型結果應在短期內表現出顯著的連續性及穩定性特征[29].故本文對天氣形勢變化的頻次進行統計,得出針對背景區域的單層分型、針對研究區域的單層分型和雙層分型在下個時次維持不變的概率分別為79.1%、80.2%和82.1%,可見雙層分型方法得到的天氣類型其短期內維持不變的概率更高.而當時間間隔足夠遠,天氣系統由于遠離或消散而對研究區域影響減弱甚至消除時,其天氣類型與相隔一定時間后天氣型相同的概率將趨于式(3)中的*.

式中:表示相隔的時間,為天氣類型的種類,P為其中一種天氣類型出現的概率.

計算天氣類型隨時間推移而持續的概率,結果如圖3.圖中用縱虛線標示出3類分型下的值趨于各自*值(橫虛線)的時間.能夠發現大區域的單層分型易對天氣系統的影響時間作出高估;而小區域的單層分型則在短時間內的穩定性低于雙層分型方法.可見雙層分型結果能夠更好地反映出穩定的天氣類型與天氣形勢整體的變化規律.因此從維持率來看,雙層分型比傳統單層分型結果更穩定.

圖3 任一天氣類型與一定時間后天氣型相同的概率

2.2.3 代表性檢驗 評估環流形勢分型結果的代表性常以聚類解釋方差(ECV)為衡量標準,ECV表征了分型得到各子集其內部元素的相似程度,故一種分型結果其氣象要素的ECV越大,則說明該種分型效果越好[7].ECV由式(4)計算得出.

式中:WSS為各組內部距平平方和的總和,TSS為所有元素的距平平方和,為分類得到的子集數量,為子集內的元素,為每個子集內元素的個數,為所有元素的總個數.

本文通過計算得到針對研究區域的單層分型、針對背景區域的單層分型和雙層分型各自對風速、邊界層高度(PBLH)、通風系數的ECV值見表1,能夠看到雙層分型得到的結果擁有更高的ECV,表明了雙層分型方法得到的各類天氣類型其內部氣象場的同質性更高.因此從聚類解釋方差來看,雙層分型取得比傳統單層分型結果更具代表性的結果.

表1 不同分型方法的結果對風速、邊界層高度、通風系數的ECV值

3 分型結果的應用

3.1 長江中下游冬季不同天氣型下的氣象要素及大氣污染物特征分析

利用雙層PCT天氣分型方法,對2014～2019年冬季長江下游地區天氣系統進行了分類(圖4).各類天氣型的基本特征如下:

弱氣壓場型:出現頻率最大,可達26.6%,研究區域內氣壓梯度較小,地面平均風速<2.3m/s,風向不定.

冷鋒過境型:占比2.5%,研究區域位于高壓中心南側或東南側,氣壓梯度大于12.5hPa且風速> 5m/s,地面主導風向為偏北風.

高壓前部型:占比21.5%,研究區域處于高壓中心的東側或東南側,氣壓梯度較大,地面主導風向為偏北風,風速較大.

高壓底部型:占比23.8%,研究區域處于高壓中心的南側,區域內等壓線呈“V”型分布,地面平均風速>2.8m/s,風向偏東北.

高壓控制型:占比13.9%,高壓中心位于研究區域內,氣壓梯度小,地面風向呈反氣旋特征分布.

高壓后部型:占比8.6%,研究區域主要受其東側或東南側高壓系統影響,氣壓梯度大于5hPa,地面風速>2.6m/s,風向以東南風為主.

倒槽前部型:占比1.9%,研究區域的西南側存在低壓倒槽,地面主導風向偏東.

倒槽后部型:占比1.2%,研究區域東側或東南側存在低壓倒槽,地面主導風向偏北.

圖4 長江下游地區冬季8類天氣型平均氣壓場(hPa)

陰影表示研究區域

3.1.1 不同天氣形勢下溫度、濕度特征分析 由表2可見,在所有天氣型中,冷鋒過境時平均氣溫最低,為3.3℃,且3h變溫亦最低,為-0.45℃/3h.這主要是由于冷鋒過境型時,氣團移動速度快,變性緩慢所致.弱氣壓場型、高壓后部型均擁有較高的平均氣溫和較低的溫度變化,這是由于這兩種天氣形勢在研究區域所處時間長,氣團變性增溫效果明顯.此外,倒槽前部與倒槽后部型也有類似高溫現象,但這是由于倒槽系統多以偏東風為主,多為暖濕氣團控制研究區域.其余高壓型(高壓前部、高壓底部、高壓控制)的平均氣溫介于5～6℃之間,3h變溫為-0.11～0.36℃/ 3h.

從水汽的分布特征來看,冷鋒過境時平均水汽密度相對較小,只有4.9g/m3,且3h濕度遞減率最大,可達-0.25g/(m3×3h),這主要是由于干冷空氣快速掃過研究區域所致.弱氣壓場型、高壓后部型、倒槽前部與倒槽后部型的平均水汽密度相對較大,介于5.43～6.94g/m3.而在高壓前部、高壓底部、高壓控制下,由于受北方氣流及高空下沉氣流的影響,平均水汽密度相對較小,只有4.28～5.08g/m3.

表2 長江下游地區冬季不同天氣型條件下,研究區域內溫度、濕度特征統計結果

3.1.2 不同天氣形勢下大氣擴散條件分析 前人工作表明,不同的天氣類型下,大氣擴散條件有明顯的差異.由表3可知,當研究區域處于冷鋒過境型時,研究區域內的平均風速最大,可達5m/s,主導風向為偏北風;與此同時,在強動力作用下邊界層高度也發展的最高,可達3830m(晝)和1605m(夜).弱氣壓場控制時,由于研究區域內等壓線稀疏,故平均風速最小,為2.3m/s,風向不定.而且邊界層高度相較其它天氣類型也最低,僅有1380m(晝)和564m(夜).高壓前部型、倒槽前部與倒槽后部控制時,研究區域內主要以偏北風控制,平均風速在3m/s左右,邊界層高度白天在2200～2500m之間,夜間在800～950m之間.而在高壓底部、高壓控制、高壓后部下,平均風速相對較小(<3m/s),邊界層高度也都較小(白天<2000m,夜間<750m).

表3 長江下游地區冬季不同天氣型條件下,研究區域內平均風場及邊界層高度統計結果

通風系數為邊界層高度與地面風速的乘積,可以用來表征當地某個時刻下邊界層內污染物的傳輸速率[30-31].由圖5可知,處于冷鋒過境型下的通風系數不論晝夜均為所有天氣型中最大,晝間高達20006m2/s夜間達到了7700m2/s.弱氣壓場控制時,由于研究區域內邊界層高度低,風速小,故通風系數只有晝間為3518m2/s,而夜間只有1373m2/s.擴散條件極差,易發生污染物的累積.其它天氣類型下的通風系數介于上述兩種結果之間,與表2所示結果類似,這里不再累述.

3.1.3 不同天氣形勢下大氣污染特征分析 由圖6可見, 各天氣型下空氣質量達優比例的趨勢除弱氣壓場型外大體與通風系數的分布趨勢相同.在全部種類的天氣形勢中,冷鋒過境型與倒槽后部型的大氣最為清潔,二者污染率與重污染率低于其他天氣型,其中冷鋒過境型污染天比例在全天氣型中最低(22.9%),而倒槽后部型則是重污染率最低(2.2%).反觀倒槽前部型,其污染潛勢最高,污染率與重污染率均為全部天氣形勢中的最高值(49.0%與12.0%).另外在占比較高的天氣形勢中,由于擴散條件較差,高壓控制型天氣下的污染率較高(43.6%),而弱氣壓場型天氣下的重污染率較高(8.0%).此外高壓前部型與高壓底部型受益于較高的通風系數,污染率均低于高壓控制型與弱氣壓場型.而高壓后部型盡管污染率與重污染率均較低,但其空氣質量優秀天數在非污染天中占比較低.

3.2 長江中下游冬季主要天氣型的演變特征分析

天氣形勢并非一成不變,隨著時間推演會轉變為其它天氣形勢.本文對冬季長江中下游地區天氣系統一些較明顯的演變過程進行了分析,經統計得到了各天氣類型之間主要的演變關系(圖7).結合天氣學知識可以看到,每當新一輪冷高壓臨近,研究區域進入高壓前部型或冷鋒過境型天氣.隨著高壓系統東移,根據高壓移動方向不同,研究區域或向高壓底部型發展,或向高壓控制型發展.亦有少數情況是一部分冷空氣分離并迅速南下,這部分冷空氣總是處于研究區域的西側,即研究區域持續處于高壓前部型天氣的狀況.而當研究區域進入高壓底部型后,有概率南下演變為高壓控制型.而不論高壓底部型還是高壓控制型,冷空氣都有可能繼續東移入海令研究區域演變為高壓后部型.此時若冷空氣已近消散,且新一波的強勢冷空氣還未到來,研究區域則視低壓系統發展強烈與否而進入低壓倒槽型或弱氣壓場型.

圖7 長江下游地區冬季天氣型之間的主要演變關系

圖8 長江下游地區冬季4類高壓路徑的典型個例

圖a1～4為路徑1示意,圖b1～4為路徑2示意,圖c1～4為路徑3示意,圖d1～4為路徑4示意,圖中H表示高壓中心位置,箭頭表示高壓系統移動方向

可以觀察到,冬季長江下游地區的天氣形勢及其演變與每一次新臨近的冷高壓的移動路徑與發展強弱相對應.天氣形勢的變化可以通過高壓系統的位移趨勢來推斷,反之亦能夠利用天氣形勢的演變特征而得到高壓移動路徑的特征.本文以高壓前部型為節點,從長江下游地區2014～2019年的冬季中截取出112個與高壓移動路徑相對應的天氣過程.根據高壓系統的相對位置歸納出長江下游地區冬季高壓的4條主要移動路徑,分別為:1)高壓前部—高壓底部—高壓后部;2)高壓前部—高壓底部—高壓控制—高壓后部;3)高壓前部—高壓控制—高壓后部;4)高壓前部—弱高壓系統.

圖8給出了4類高壓移動路徑各自的一次典型過程.路徑1表示了高壓中心從研究區域的西北方臨近,經過研究區域北方東移入海,平均歷時3.9d,占所有路徑的42.9%,是冬季最常見的高壓路徑;路徑2表示了高壓中心從研究區域的西北方臨近,到達研究區域北側時南下,控制研究區域后東移入海,平均歷時4.9d,占比24.1%,該路徑歷時最久;路徑3表示了高壓系統或是先南下再東移,或是直接從西北方向東南推進控制研究區域,隨后東移入海,平均歷時4.7d,占比24.1%;路徑4表示了冷空氣迅速南下,從研究區域的西側經過,平均歷時4.0d,占比8.9%.

統計4類路徑中各天氣類型的平均占比,結果見表4.將某條路徑中通風系數較高的通風型天氣(高壓前部型、冷鋒過境型)占比除以通風系數較低的滯留型天氣(弱氣壓場型、高壓控制型)占比,可以得到一個能夠大致衡量該路徑對應的天氣過程擴散條件的參數.路徑1～4中的通風型天氣對滯留型天氣時長的比值分別約為1.05, 0.45, 0.57和0.37.路徑1的比值約為其他路徑的2～3倍,當高壓以該路徑為移動路線時,研究區域將處于污染物輸送與擴散條件較強的天氣中.而當高壓中心走路徑4時,研究區域將較長時間處于不利于污染物擴散的天氣形勢下.

另外本文統計了4類路徑中長江下游地區的地面空氣質量狀況(圖9).路徑1的污染率最低(33.3%),路徑2的污染率最高(43.7%),路徑4的重污染率最高(11.2%),該結果與4類路徑中通風與滯留型天氣占比之比相對應.

表4 長江下游地區冬季4類高壓路徑中的主要天氣形勢占比(%)

4 結論

4.1 本文采用的雙層天氣分型法比起傳統單層PCT天氣分型方法能夠得到更準確、更穩定的天氣分型結果.

4.2 長江下游地區冬季主要有8種天氣類型,分別為:弱氣壓場型、冷鋒過境型、高壓前部型、高壓底部型、高壓控制型、高壓后部型、倒槽前部型和倒槽后部型.

4.4 主要天氣形勢中,冷鋒過境型與倒槽后部型控制研究區域時,空氣最為清潔;而倒槽前部型控制研究區域時污染率與重污染率最高,但其出現的比例只占全部天氣型中的1.9%.

4.5 長江下游地區冬季天氣類型的演變多由高壓系統的移動路線決定.統計結果表明,高壓移動路徑主要有4條,分別為1)高壓前部—高壓底部—高壓后部;2)高壓前部—高壓底部—高壓控制—高壓后部;3)高壓前部—高壓控制—高壓后部;4)高壓前部—弱高壓系統.其中路徑1出現最頻繁,占比42.9%,該路徑下研究區域污染物的輸送與擴散能力亦最強.

[1] Li L, Chen C H, Fu J S, et al. Air quality and emissions in the Yangtze River Delta, China [J]. Atmospheric Chemistry and Physics, 2011, 10(4):1621-1639.

[2] Li Z, Tao W, Lv M, et al. On the severe haze in Beijing during January 2013: Unraveling the effects of meteorological anomalies with WRF-Chem [J]. Atmospheric Environment, 2015,104(4):11-21.

[3] 李 莉,蔡鋆琳,周 敏.2013年12月中國中東部地區嚴重灰霾期間上海市顆粒物的輸送途徑及潛在源區貢獻分析 [J]. 環境科學, 2015,36(7):2327-2336.

Li L, Cai J L, Zhou M. Potential source contribution analysis of the particulate matters in Shanghai during the heavy haze episode in eastern and Middle China in December, 2013 [J]. Environmental Science, 2015,36(7):2327-2336.

[4] 任陣海,蘇福慶,陳朝暉,等.夏秋季節天氣系統對邊界層內大氣中PM10濃度分布和演變過程的影響 [J]. 大氣科學, 2008,32(4): 741-751.

Ren Z H, Su F Q, Chen Z H, et al. Influence of synoptic systems on the distribution and evolution process of PM10concentration in the boundary layer in summer and autumn [J]. Chinese Journal of Atmospheric Sciences, 2008,32(4):741-751.

[5] Jacobeit J. Classifications in climate research [J]. Physics & Chemistry of the Earth Parts A/b/c, 2010,35(9-12):411-421.

[6] 徐逸雯.長三角地區冬季污染天氣型分析及邊界層特征對PM2.5垂直分布的影響 [D]. 南京:南京信息工程大學, 2019.

Xu Y W. Analysis of Pollution synoptic patterns and impacts of boundary layer characteristics on the distribution of PM2.5over the Yangtze River Delta in winter [D]. Nanjing: Nanjing University of Information Science and Technology, 2019.

[7] 李雪超.蘭州地區采暖期空氣污染天氣分型研究 [D]. 蘭州:蘭州大學, 2020.

Li X C. Study on the classification of polluted weather during the heating period in Lanzhou [D]. Lanzhou: Lanzhou University, 2020.

[8] 王夢瑤.基于不同天氣型和污染背景的江淮與華南地區暖季降水雨滴譜分布特征研究 [D]. 南京:南京大學, 2019.

Wang M Y. Effect of synoptic weather patterns and pollution on microphysical characteristics of precipitation in east and south China during warm season [D]. Nanjing: Nanjing University, 2019.

[9] Huth R, Climatology A. A circulation classification scheme applicable in GCM studies [J]. Theoretical, 2000,67(1/2):1-18.

[10] Richman M B. Obliquely rotated principal components: An improved meteorological map typing technique? [J]. Japplmeteor, 1981,20(10): 1145-1159.

[11] Lund, Iver A. Map-pattern classification by statistical methods [J]. 1963,2(1):56-65.

[12] Brinkmann W, Climatology A. Application of non-hierarchically clustered circulation components to surface weather conditions: Lake superior basin winter temperatures [J]. Theoretical, 1999,63(1/2):41- 56.

[13] Cavazos T. Using self-organizing maps to investigate extreme climate events: An application to wintertime precipitation in the Balkans [J]. Journal of Climate, 2000,13(10):1718-1718.

[14] Bardossy A, Duckstein L, Bogardi I. Fuzzy rule-based classification of atmospheric circulation patterns [J]. International Journal of Climatology, 1995,15(10):1087-1097.

[15] Kalkstein L S, Tan G, Skindlov J A. An Evaluation of three clustering pocedures for use in synoptic climatological classification [J]. Journal of Applied Meteorology, 1987,26(6):717-730.

[16] Huth R, Beck C, Philipp A, et al. Classifications of atmospheric circulation patterns: recent advances and applications [J]. Annals of the New York Academy of Sciences, 2010,1146(1):105-152.

[17] Huth R. An intercomparison of computer-assisted circulation classification methods [J]. International Journal of Climatology, 2015, 16(8):893-922.

[18] Compagnucci R H, Richman M B. Can principal component analysis provide atmospheric circulation or teleconnection patterns? [J]. International Journal of Climatology, 2010,28(6):703-726.

[19] Huth R. An example of using obliquely rotated principal components to detect circulation types over Europe [J]. Annals De Linstitut Destudis Gironins, 1993,14:185-200.

[20] Richman M. Rotation of principal components: A reply [J]. International Journal of Climatology, 2010,7(5):511-520.

[21] 李培榮,肖天貴.成都地區秋冬季污染天氣形勢下PM2.5的擴散與輸送 [J]. 中國環境科學, 2020,40(1):65-77.

Li P R, Xiao T G. The diffusion and transport of PM2.5under the polluted weather conditions during autumn and winter seasons in Chengdu [J]. China Environmental Science, 2020,40(1):65-77.

[22] 張 瑩,王式功,賈旭偉,等.華北地區冬半年空氣污染天氣客觀分型研究 [J]. 環境科學學報, 2018,38(10):43-50.

Zhang Y, Wang S G, Jia X W, et al. Study on an objective synoptic typing method for air pollution weather in North China during winter half year [J]. Acta Scientiae Circumstantiae, 2018,38(10):43-50.

[23] Jan S, Radan H. Classifications of winter atmospheric circulation patterns: validation of CMIP5GCMs over Europe and the North Atlantic [J]. Climate Dynamics, 2018,52:3575-3598.

[24] Zhang J P, Zhu T, Zhang Q H, et al. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings [J]. Atmospheric Chemistry Physics, 2012,11(11):33465- 33509.

[25] 張 瑩,王式功,倪長健,等.成都冬季PM2.5污染天氣形勢的客觀分型研究 [J]. 環境科學與技術, 2020,43(5):145-150.

Zhang Y, Wang S G, Ni C J, et al. Study on an objective synoptic typing method for air pollution weather in Chengdu during winter [J].Environmental Science and Technology, 2020,43(5):145-150.

[26] 許建明,常爐予,馬井會,等.上海秋冬季PM2.5污染天氣形勢的客觀分型研究 [J]. 環境科學學報, 2016,36(12):4303-4314.

Xu J M, Chang L Y, Na J H, et al. Objective synoptic weather classification on PM2.5pollution during autumn and winter seasons in Shanghai [J].Acta Scientiae Circumstantiae, 2016,36(12):4303-4314.

[27] 胡小玲,李 艷,夏佳琦,等.北京市顆粒物污染特征及其大氣環流成因分析 [J]. 地球科學前沿, 2020,10(5):425-436.

Hu X L, Li Y, Xia J Q, et al. Analysis on the characteristics of atmospheric particulate matter and its causes of atmospheric circulation in Beijing [J]. Advances in Geosciences, 2020,10(5): 425-436.

[28] 周兆媛,張時煌,高慶先,等.京津冀地區氣象要素對空氣質量的影響及未來變化趨勢分析 [J]. 資源科學, 2014,(1):191-199.

Zhou Z Y, Zhang S H, Gao Q X, et al. The impact of meteorological factors on air quality in the Beijing-Tianjin-Hebei Region and trend analysis [J]. Resources Science, 2014,(1):191-199.

[29] Philippopoulos K, De Ligiorgi D, Mavrakou T, et al. Winter atmospheric circulation patterns and their relationship with the meteorological conditions in Greece [J]. Meteorology Atmospheric Physics, 2014,124(3/4):195-204.

[30] Ashrafi K, Shafie-Pour M, Kamalan H. Estimating temporal and seasonal variation of ventilation coefficients [J]. International Journal of Environmental Research, 2009,3(4):637-644.

[31] 李 博,王 穎,張稼軒,等.河谷城市通風系數研究 [J]. 環境科學研究, 2021,31(8):1382-1388.

Li B, Wang Y, Zhang J X, et al. Ventilation coefficient in river valley terrain [J]. Research of Environmental Sciences, 2021,31(8):1382- 1388.

The establishment of double-layer PCT classification method and its application.

CAI Xu-zhang1, WANG Cheng-gang1*, WANG Hua-qing2, LAO Xiu-feng2

(1.Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration, School of Atmospheric Physics, Nanjing University of Information Science and Technology, Nanjing 210044, China；2.Fuyang Meteorological Bureau, Hangzhou 311400, China)., 2022,42(1)：1～10

This paper proposes a new double-layer PCT weather classification method. This method separately classifies weather data from the high-level background field and the low-level ground field, and then combines, classifies, and adjusts all initial classes to form the final classification. The winter weather information over the lower reaches of the Yangtze River from 2014 to 2019 was collected and used in this study. As a result, 8 main weather patterns were classified as: weak pressure field, cold front transit, high pressure front, high pressure bottom, high pressure control, high pressure rear, inverted trough front and inverted trough rear. Among them, the weak pressure field had the highest proportion (26.6%) and the lowest ventilation coefficient (3518m2/s in daytime, 1373m2/s at night), and the pollution rate was higher in common weather types. We observed four main moving paths of the winter high pressure over the lower reaches of the Yangtze River of which the "high pressure front-high pressure bottom-high pressure rear" path was the most frequent (accounting for 42.9%), and this kind of path has been proven to be most unfavorable for accumulating atmospheric pollutants through quiet and stable weather. Our typing results finally verify that the double-layer PCT weather classification method has better accuracy and stability than the traditional one.

objective synoptic weather pattern classification；double-layer classification method；PCT；lower reaches of the Yangtze River

X513

A

1000-6923(2022)01-0001-10

蔡旭璋(1995-),男,福建漳州人,南京信息工程大學碩士研究生,主要研究方向為大氣環境污染、大氣邊界層.

2021-06-03

國家重點研發計劃(2016YFA0602003);國家自然科學基金資助項目(41975011);杭州富陽政府資助項目(ZJHCCGFY-0808001)

*責任作者, 副教授, wcg@nuist.edu.cn