廊坊市大氣能見度與相對濕度、PM2.5、PM10間的關系研究

張馨木 郭淑靜 郭立平 張衛中

摘要 為研究大氣能見度與相對濕度、氣溶膠濃度之間的關系，選取2019—2021年逐年逐小時的廊坊市國家氣象觀測站能見度、相對濕度數據以及環保局PM2.5、PM10數據，將其之間的關系進行量化分析。結果表明：能見度與相對濕度、PM2.5、PM10濃度均呈顯著負相關；不同季節，大氣能見度與相對濕度的非線性相關性與線性相關性差別不大，相關系數均在0.7左右，冬季相關性略高；大氣能見度與PM2.5的相關性均大于PM10；大氣能見度與PM2.5、PM10濃度呈指數函數關系，與相對濕度呈3次方多項式關系，相關性均達0.6以上。利用相對濕度、PM2.5、PM10濃度分不同季節對大氣能見度進行非線性擬合，并對結果進行檢驗，模擬能見度與實際能見度相關性達0.95，該擬合公式能較好地模擬能見度。

關鍵詞 能見度；相對濕度；PM2.5；PM10；擬合

中圖分類號：P427 文獻標識碼：B 文章編號：2095–3305（2023）09–0-04

作為了解大氣的穩定性和垂直結構的重要天氣指標之一，能見度是保障交通運輸安全的一個極為重要的因素。以能見度表征大氣透明度，不同的天氣現象均會對大氣能見度產生一定的影響。

20世紀，國外一些學者就研究發現了大氣能見度和氣溶膠間存在的相關關系[1-2]。此后，國內一些學者對大氣污染物時空變化特征與氣象條件的關系進行了研究[3-5]。大量研究表明，能見度與大氣相對濕度及氣溶膠顆粒物等氣象因素都有一定的關系。如呂建華等[6]研究得出在各項大氣污染物中，顆粒物對能見度的影響最大，且不同季節條件下，相關性存在一定的差異。王淑英等[7]、張凱等[8]對京津地區的觀測數據進行研究，發現能見度與相對濕度在不同季節下呈現明顯且規律不同的負相關。郝巨飛等[9]也發現相對濕度和PM2.5質量濃度與大氣能見度有很好的負相關。張琳等[10]、宋明等[11]通過分析相對濕度、PM2.5、PM10質量濃度的關系，建立了多元大氣能見度擬合公式，揭示顆粒物濃度和相對濕度對能見度的影響規律。

受大氣能見度觀測手段和觀測密度的影響，國內相關研究多是以日數據為基礎的，以分析得出月、季、年變化特征，且現階段測量大氣能見度大多是根據散射系數估算消光系數的，從而計算得到氣象光學視程，缺乏檢驗和修正。因此，選取2019—2021年逐年逐小時的廊坊市國家氣象觀測站能見度、相對濕度數據及廊坊市環保局PM2.5、PM10數據，嘗試用相對濕度、氣溶膠質量濃度推算模擬大氣能見度，為開展基于多源觀測資料的能見度數據質量控制、校驗和再分析及業務預報大氣能見度提供參考。

1 資料來源與處理

地面觀測資料來自廊坊國家觀測站2019—2021年逐小時能見度、相對濕度數據，能見度儀量程0～30 km，數據質量高且具有連續性，按河北省地面氣象觀測業務技術規定進行定期人工訂正質控，根據《地面氣象自動觀測規范》《新型自動氣象站實用手冊》對設備按時校準。顆粒物質量濃度數據來自環保局2019—2021年逐小時逐日PM2.5、PM10資料，獲取數據后按3倍標準差法對數據進行預處理，并結合當日的天氣狀況剔除無效數據和異常數據。

2 結果與分析

2.1 能見度與各影響因子隨時間變化規律

由圖1可以看出，能見度、相對濕度、PM10、PM2.5的季節變化特征明顯。廊坊市4、5月的能見度較高，5月達到峰值19.8 km，1—2月和7月的能見度較差；7—9月相對濕度較大，均達70%以上，其余月份值較低，4月最低，僅為40.9%（圖1a）。PM2.5、PM10的變化趨勢高度相似（圖1b），1—2月較高，4—9月處于低谷，峰值分別為2月的70.2 μg/m3（PM2.5）、1月的108.2 μg/m3（PM10），8月濃度最低，僅為25.7 μg/m3（PM2.5）、50.0 μg/m3（PM10）。這可能與廊坊的天氣狀況有關，廊坊春季多為大風天氣，能見度良好，相對濕度較低，有利于污染物擴散；夏季多雨水，7—9月為廊坊主汛期，降水較多，相對濕度較大，降水對顆粒物具有一定的清除作用，導致PM2.5、PM10濃度相對較低；而冬季靜穩天氣偏多，氣溶膠不易擴散，加之燃煤影響，使PM2.5、PM10濃度達到高值。

圖2a為能見度與相對濕度的日變化曲線，可以看出其存在明顯的日變化規律，相對濕度在06：00達全天最高值70.4%，后逐漸減小至15：00的39.0%為谷值，15：00后至夜間逐漸增大，能見度正與之相反，06：00能見度最低，后逐漸上升，16：00達峰值后下降，可以看出能見度與相對濕度存在明顯的負相關關系。圖2b為PM2.5與PM10的日變化曲線，PM2.5和PM10濃度日變化趨勢基本一致，呈雙峰型。在07：00～09：00濃度達峰值，此時為早高峰時期，車流量較大；隨后氣溫升高，均在15：00達濃度最低，夜間21：00為次高峰，夜間濃度均偏高，與夜間大氣層結狀態較穩定、污染物不易擴散有關。

2.2 能見度與各影響因子線性相關性分析

不同濕度條件下，大氣能見度及PM2.5、PM10濃度分析結果表明（表1），隨著相對濕度的不斷增加，能見度明顯下降，可見相對濕度的增加是降低大氣能見度的重要因素。當相對濕度在0%～69%，隨著相對濕度的增加，PM2.5、PM10濃度均逐漸升高，能見度逐漸下降，可見PM2.5和PM10也對降低大氣能見度有一定的貢獻。但在相對濕度70%以上，隨相對濕度的增加，PM2.5、PM10濃度變化出現了先減小后增加再減小的不穩定趨勢，這可能是由于高相對濕度存在降水過程，而降水對顆粒物具有一定的吸附清除作用。

利用Excel表格分四季對數據進行線性擬合，相關系數見表2。可以看出，除夏季能見度與PM10濃度相關性較弱外，不同季節大氣能見度與PM2.5、PM10濃度、相對濕度均存在0.5以上的強線性相關性。不同季節，大氣能見度與相對濕度的相關性差別不大，相關系數均在0.7左右，冬季相關性略高，春季相關性略低。大氣能見度與PM2.5濃度的相關性明顯大于PM10，與PM2.5濃度春、冬季相關性較好，與PM10濃度冬季相關性最高，兩者均在夏季的相關性最差，可能由于夏季降水的清除作用使污染物濃度下降，濕度較大，使夏季PM2.5、PM10濃度不足以作為影響能見度的主要因子，此時能見度主要受濕度影響。

2.3 大氣能見度與PM2.5、PM10濃度的非線性關系

為進一步驗證能見度與相對濕度、PM2.5、PM10濃度的關系，將相對濕度劃分為9個等級，利用SPSS 16.0軟件對其按下式進行指數擬合。

Vv=ae（bx）+c（1）

式（1）中Vv為能見度，x為PM2.5或PM10濃度，a、b、c為系數。表3為不同濕度條件下，大氣能見度與PM2.5、PM10濃度的指數擬合參數表，表中可以明顯看出，大氣能見度與PM2.5、PM10濃度有著很強的指數相關性。當相對濕度在70%以下，隨濕度的增加，大氣能見度與PM2.5、PM10濃度的指數相關性逐漸升高，在相對濕度60%～69%，相關性最高。相對濕度大于70%時，隨相對濕度增加，相關性開始有所下降，此時相對濕度較大，顆粒物吸濕，粒徑增大，消光性增強，大氣能見度主要受相對濕度的影響，受PM2.5、PM10濃度的影響相對會有所減弱。

2.4 大氣能見度與相對濕度的非線性關系

為明確能見度與相對濕度的關系，使用SPSS 16.0軟件對其進行多種非線性擬合發現，能見度與相對濕度的3次方多項式有較好的擬合關系，其擬合方程如下：

Vv=a+bx+cx2+dx3（2）

式（2）中，Vv為能見度，x為相對濕度，a、b、c為系數。表4為不同季節不同擬合公式的能見度與相對濕度的相關系數，并將其相關性與線性相關性進行對比。由表4可以看出，不同季節大氣能見度與相對濕度的非線性相關性與線性相關性相差不大，說明公式（2）也能很好地模擬能見度和相對濕度之間的關系。大氣能見度與相對濕度在冬季的相關性最高，春季最低。

2.5 大氣能見度與各要素的多元非線性擬合公式

根據以上研究發現，大氣能見度受相對濕度和PM2.5、PM10的濃度影響明顯，利用SPSS 16.0軟件多次迭代進行多元非線性擬合來模擬大氣能見度。不同季節，大氣能見度與PM2.5、PM10、相對濕度非線性擬合各參數見表5。Vv=a+b×ec×PM2.5+d×ee×PM10+f×RH g （3）

式（3）中，Vv為能見度（km），a、b、c、d、e、f、g為系數。由表5可以看出，不同季節，用相對濕度和PM2.5、PM10濃度模擬出的大氣能見度值與實際測得的大氣能見度值相關性均在0.92以上，說明該非線性方程能很好地模擬大氣能見度。

2.6 大氣能見度非線性擬合公式檢驗

為進一步檢驗模擬方程的準確度，將模擬得到的2022年1月的能見度小時值與2022年1月實際觀測值進行對比，觀測值和模擬值隨時間的變化（圖3），其中灰色柱形為觀測值，黑色折線為模擬值，可以看出，模擬值與觀測值隨時間變化趨勢大致吻合，但因能見度儀自身的量程限制，該模擬方程對能見度30 km以上和5 km以下的能見度的模擬效果較差。圖4為模擬能見度與實測能見度的散點圖，圖中可以看出模擬值與實測值的相關性高達0.951，說明該方程能較好地模擬能見度，可以用式（3）通過相對濕度、PM2.5、PM10濃度模擬能見度。

3 結論

研究2019—2022年廊坊市大氣能見度與相對濕度、PM2.5、PM10數據，分析大氣能見度與相對濕度、PM2.5、PM10濃度間的關系，得出以下結論。

（1）大氣能見度具有明顯的季節變化特征，春季最高，冬季較低，夏季強降水時能見度最低。相對濕度7—9月最高，春季最低。PM2.5、PM10濃度冬季最高，7—9月最低。

（2）大氣能見度、相對濕度、PM2.5、PM10均存在日變化規律。大氣能見度與相對濕度呈負相關，PM2.5、PM10在早間（07：00～09：00）濃度最大，下午（15：00）濃度最低。

（3）大氣能見度隨相對濕度的增加而下降。當相對濕度在70%以下時，PM2.5、PM10濃度隨相對濕度的增加而上升；當相對濕度大于70%時，PM2.5、PM10濃度有所下降。

（4）不同季節，大氣能見度與PM2.5濃度的線性相關性均大于PM10。不同季節，大氣能見度與相對濕度的相關性差別不大。能見度與PM2.5濃度的相關性春季最好，夏季最差，與PM10濃度相關性冬季最好，夏季最差。

（5）大氣能見度與PM2.5、PM10濃度呈指數函數關系，與相對濕度呈3次方多項式關系。

（6）利用相對濕度、PM2.5、PM10濃度分不同季節對大氣能見度進行非線性擬合并檢驗，結果表明該非線性擬合公式能較好地模擬能見度。

參考文獻

[1] Charlson R J. Atmospheric visibility related to aerosol mass concentration： A review[J]. Environmental Seience and Technology， 1969， 3（10）： 430-435.

[2] Baik N J， Kim Y P， Moon K C. Visibility study in Seoul， 1993[J]. Atmospheric Environment， 1996， 30（13）： 2319-2328.

[3] 馮良敏，陳朝平，龍柯吉，等.成都地區2012年PM10污染過程氣象條件分析[J].高原山地氣象研究，2014，34（2）：57-62.

[4] 鄧霞君，蔡振群，項曉美，等.麗水空氣污染物時序特征及與氣象條件的關系研究[J].氣象與環境科學，2015，38（2）：60 -65.

[5] 吳雁，陳瑞敏，王頡，等.2013年河北中南部PM10和PM2.5濃度時間變化特征及其影響氣象條件分析[J].氣象與環境科學，2015，38（4）：68-75.

[6] 呂建華，彭巖波，謝剛.2013年濟南市大氣能見度與相對濕度和PM10、PM2.5的關系[J].氣象與環境科學，2016，39（4）：93 -97.

[7] 王淑英，張小玲，徐曉峰.北京地區大氣能見度變化規律及影響因子統計分析[J].氣象科技，2003，31（2）：109-114.

[8] 張凱，柴發合，陳義珍，等.天津武清能見度特征分析[J].氣候與環境研究， 2008，13（6）：800-806.

[9] 郝巨飛，張功文，楊允凌.大氣能見度及影響因子特征分析[J].干旱區資源與環境，2017，31（4）：160-164.

[10] 張琳，高雷娜，朱保美.德州能見度與PM2.5、PM10和相對濕度的關系[J].山東氣象，2016，36（2）：26-30.

[11] 宋明，韓素芹，張敏，等.天津大氣能見度與相對濕度和PM10及PM2.5的關系[J].氣象與環境學報，2013，29（2）：34-41.

Study on the Relationship between Atmospheric Visibility and Relative Humidity， PM2.5 and PM10 in Langfang City

Zhang Xin-mu et al（Langfang Meteorological Bureau， Langfang， Hebei 065000）

Abstract To study the relationship between atmospheric visibility， relative humidity and aerosol concentrations， selected the visibility and relative humidity data of Langfang National Meteorological Observatory and PM2.5 and PM10 data of Langfang Environmental Protection Bureau from 2019 to 2021， and quantitatively analyzed their relationship. The results show that visibility was negatively correlated with relative humidity， PM2.5 and PM10 concentrations. In different seasons， the nonlinear correlation and linear correlation between atmospheric visibility and relative humidity have little difference， and the correlation coefficients were all around 0.7， the correlation in winter was slightly higher. The correlation between atmospheric visibility and PM2.5 was greater than PM10; The atmospheric visibility had an exponential function relationship with PM2.5 and PM10 concentrations and a cubic polynomial relationship with relative humidity with a correlation of more than 0.6. The relative humidity， PM2.5 and PM10 concentrations were used for nonlinear fitting of atmospheric visibility in different seasons， the results were tested. The correlation between simulated visibility and actual visibility was more than 0.95， this fitting formula can simulate visibility well.

Key words Visibility; Relative humidity; PM2.5; PM10; Fitting