清河秋冬季霧變化規律及相關氣象要素分析

荀偉唯，李秀英，莊 萌，李諾冰

(1.清河縣氣象局，河北清河 054800；2.沙河市氣象局，河北沙河 054100；3.柏鄉縣氣象局，河北柏鄉 055450)

在地面氣象觀測規范[1]中，霧的定義為大量微小水滴浮游空中，常呈乳白色，使水平能見度小于1.0 km。其中水平能見度的觀測一般指人工觀測能見度。人工觀測僅定時觀測(02時、08時、14時、20時或者08時、14時、20時)，一天只進行4次或者3次觀測。2016年以前自動能見度觀測尚未完善，對于霧發展規律特征及相關因子分析多采用人工觀測能見度數據[2-10]。隨著自動化觀測不斷推進，能見度觀測普遍實現自動化，實現了24 h每分鐘不間斷地數據采集傳輸，地面觀測中霧的識別利用地面綜合觀測業務軟件綜合視程障礙算法每分鐘自動判別，提升了資料的時間精度。為了提高霧的精細化預報能力，預報服務中開始利用霧天氣過程中逐時能見度數據分析霧的空間分布及天氣成因[11-12]。鄧小麗等[13]利用監測站的逐時能見度資料分析了高速公路的低能見度及其影響因子，盧盛棟[14]研究了大氣能見度對相對濕度及PM2.5顆粒物質量濃度的響應關系。李慧晶等[15]分析了水平能見度低于1 000 m和相對濕度大于等于90%時，四川地區不同等級霧的時空分布特征和生消變化規律。胡躍文等[16]利用自動站逐時資料分析了能見度在500 m以下貴州大霧天氣的時空分布特征。為了保持人工和自動觀測能見度數據序列化，按照中國氣象局預報與網絡司要求，將能見度閾值在人工觀測基礎上下調25%[17-18]。地面綜合觀測業務軟件中利用自動觀測能見度綜合判別霧的標準已經改變，目前利用國家氣象觀測站自動觀測能見度綜合判別結果分析霧發展規律及其氣象要素的相關性研究較少。2016年清河國家氣象觀測站開始利用前向散射能見度儀采集的能見度作為正式上傳數據，實現了能見度的自動化觀測，視程障礙現象(大霧、輕霧、霾、揚沙、沙塵暴等)由ISOS軟件根據視程障礙算法綜合判別。本研究利用1960—2015年人工觀測霧和2016—2020年綜合自動判別的霧數據資料，分析清河秋冬季霧變化規律特征及其與氣象要素的相關性，以期為霧的預報預警提供參考。

1 資料來源

從2016年1月1日(即北京時2015年12月31日20時01分)開始，能見度開始由人工觀測改為自動觀測，實現了能見度的分鐘級采集，全天24小時連續觀測。自動觀測能見度數據分為1 min平均能見度和10 min平均能見度，為了保持數據的連續性，在分析霧數據時采用10 min滑動能見度(用V表示)。2016年3月，在《地面氣象觀測業務技術規定實用手冊》[19]中，明確霧的自動觀測判別標準為小于750 m。《霧的預報等級》 (GB/T 27964—2011)規定了霧的判定標準：大霧為500 m≤V<1 000 m，濃霧為200 m≤V<500 m，強濃霧為50 m≤V<200 m，特強濃霧為V<50 m。所以，在統計分析自動觀測的逐小時能見度數據時，將大霧區間范圍訂正為500 m≤V<750 m，其他等級范圍不變。

利用河北省綜合氣象信息共享平臺[20]中清河國家氣象觀測站1960—2020年霧日數分析清河霧的年、季、月變化規律，利用2016年1月1日—2020年12月31日小時和分鐘數據中的10 min滑動能見度分析秋冬季霧的日變化、生消變化、持續時長及與氣象要素的相關性。按照《地面氣象觀測業務技術規定實用手冊》[19]要求，剔除因受降水影響產生的能見度小于750 m的數據及缺測數據。

2 霧的變化特征

2.1 年變化

1960—2020年期間，清河霧日總數為1 308 d，年平均霧日數為21.4 d，最多為1972年(47 d)，最少為2008年(僅有9 d)。由圖1可知，近61 a來霧日數呈波動式緩慢增長趨勢，線性趨勢率為0.99 d/10 a，其中出現三個明顯峰值和三個相對低谷期，峰值分別出現在1964年、1972年和2004年，相對低谷期出現在1965—1971年、1973—1984年、2008—2018年。為了分析霧日數的年代際變化，統計各年代霧日數平均值和歷年平均值做對比，可以看出20世紀60年代、80年代霧日數低于平均值，70年代霧日數與平均值基本持平，90年代霧日數開始高于平均值，21世紀初期(2001—2010年)霧日數達到最高，為27.2 d，2011—2020年霧日數低于平均值。霧日數變化和城市經濟發展及人類環境發生變化有直接關系[21]，但無法確定霧日增減變化是否和城市顆粒物或者其他因素影響有關，其原因需要進一步研究。

2.2 月、季變化

如圖2所示，對1960—2020年各月霧日數進行統計發現，清河各月均有霧出現，出現最多的為12月，其次為1月和11月。12月、1月和11月的平均霧日分別為4.5 d、4.0 d和3.8 d，最少為4—6月，平均霧日為0.3 d。按照目前最常用的氣象季節劃分法，春季為3—5月，夏季為6—8月，秋季為9—11月，冬季為當年12月—次年2月。清河春季霧日數共87 d，占全年的7%，夏季霧日數145 d，占11%，秋季霧日數434 d，占33%，冬季霧日數642 d，占49%。秋冬季霧共占82%，是霧的高發季節。秋冬季霧持續時間長，影響范圍廣，所以進一步利用自動站逐小時能見度數據分析秋冬季節(當年9月至次年2月)霧的日變化、生消變化、持續時長和氣象要素的相關性，這對了解霧特性至關重要。

2.3 日變化

利用2016—2020年秋冬季每日逐時10 min滑動能見度數據，統計大霧、濃霧、強濃霧、特強濃霧在每個時刻的出現頻次，出現相應等級霧記1次。統計得出，秋冬季共出現霧771次，其中大霧、濃霧、強濃霧、特強濃霧出現頻次分別為172次、170次、425次、4次。同時按照未訂正之前大霧標準(500 m ≤V<1 000 m)進行了統計，出現頻次為444次，明顯高于訂正后標準(500 m ≤V<750 m)。如圖3所示，濃霧和強濃霧日變化規律基本一致，強濃霧出現頻次最多，特強濃霧出現頻次最少。秋冬季大霧頻次最多時間為04時、07—08時、10時和22時，出現時間相對分散；濃霧頻次最多時間為05—09時，占比46.4%；強濃霧頻次最多時間為03—09時，占比57.8%，特強濃霧頻次最多時間為00時，占比50%；各等級霧頻次最少時間在14—17時，占比僅3.9%。圖3中4條曲線下方的面積分別代表在5 a內不同等級霧的累計頻次。可以看出，清河出現強濃霧(能見度50～<200 m)的累計頻次最多，占比55.1%，說明秋冬季大霧在發展過程中大概率會發展為強濃霧，在發布大霧預警信號過程中，升級大霧橙色預警信號的概率為55.1%；但特強濃霧出現頻次較少，因此升級大霧紅色預警的概率較小。

2.4 生消變化

利用2016—2020年秋冬季逐時10 min滑動能見度數據統計霧開始生成時間和消散時間，統計方法：霧生成過程中能見度逐漸降低，前一時次無霧出現，當前時次達到大霧判別標準(V<750 m)時記為此時刻霧生成1次；霧消散時，能見度增大到750 m以上，記為此時刻霧消散1次。對每個時刻的霧生成和消散次數進行統計，結果如圖4所示，秋冬季霧最多生成時間為08時，主要生成時間分布在后半夜到清晨，19—20時是霧生成的另一主要時段，11—17時較少有霧生成。秋冬季霧消散時間主要為09—12時。以上分析表明，清河秋冬季霧多為輻射霧，一般在晴朗少云的夜間或清晨，地面輻射冷卻，使空氣中的水汽達到飽和所致，地面風速保持微風時，大氣存在一定的湍流運動，更有利于形成濃霧或強濃霧。日出后隨著太陽輻射增強，氣溫升高，低空逆溫層減弱，霧逐漸趨于消散。

2.5 持續時長

利用2016—2020年秋冬季逐時10 min滑動能見度數據，將每次霧過程的最小能見度按照大霧、濃霧、強濃霧、特強濃霧進行分級，達到相應等級霧標準記為開始時間；霧消散時，能見度增大到750 m以上，記為結束時間，統計各等級霧的過程持續時長，利用箱線圖對各等級霧持續時長進行平均值和離散值統計分析， 結果如圖5所示。由于大霧的持續時長多在1 h，所以最低值和平均值重合，濃霧的平均持續時長為4 h，強濃霧平均持續時長為9 h，特強濃霧持續時長為23 h，說明濃度越高霧持續時間越長。統計發現，2016—2020年秋冬季共出現霧105 d，其中持續時間最長的為33 h，最短持續時長不到1 h，平均持續時長為7.1 h。持續時長5 h以下占比最多，約占總數的48%；持續5～10 h霧占31.5%，持續時長10 h的占20.5%。

3 霧的相關氣象要素分析

3.1 與氣象要素的相關性

為研究清河秋冬季霧和各氣象要素的關系，利用SPSS中的Pearson相關系數法對2016—2020年秋冬季逐時10 min滑動能見度和氣象要素進行相關性分析。分析得出：10 min滑動能見度與相對濕度呈顯著負相關，相關系數為-0.632(通過α=0.01顯著性檢驗)；與10 min平均風速為顯著正相關，相關系數為0.323(通過α=0.01顯著性檢驗)；與露點溫度、水汽壓、10 min平均風向相關性較低。可見，在霧生成和消散過程中，相對濕度和風速的影響尤為重要。

3.2 相對濕度閾值

由相關性分析得知，相對濕度和10 min滑動能見度呈顯著負相關，相對濕度越大，能見度越低，越有利于霧的形成。為進一步了解相對濕度對霧的影響，統計生成各等級霧的逐分鐘相對濕度，結果顯示大霧、濃霧、強濃霧和特強濃霧生成時，對應的相對濕度至少應為：90%、92%、95%和99%，說明相對濕度越大，越有利于高濃度霧的生成。隨著相對濕度不斷增大，霧出現頻次也在不斷增加；但是統計結果顯示相對濕度為100%時霧出現頻次最多，這主要與濕度傳感器的工作特性有關，相對濕度傳感器在高濕狀態下有滯后特性，即當霧已經消散，能見度增大到750 m以上時，相對濕度分鐘數據卻長時間保持100%，造成統計結果存在一定誤差。

3.3 風速閾值

對2016—2020年逐分鐘綜合判識結果中霧和10 min平均風速進行統計發現，出現大霧、濃霧、強濃霧和特強濃霧時，其對應的10 min平均風速的平均值分別為1.4 m/s、1.4 m/s、1.0 m/s和0.5 m/s，表明霧濃度越高，能見度越低，對應的10 min平均風速平均值越小。

在霧形成和消散過程中，即10 min滑動能見度小于750 m時，對逐分鐘能見度對應的10 min平均風速(用f表示)所占比例按照5個區間進行分段統計(表1)。不同等級霧對應的f區間范圍占比不同，但至少有97%的霧相應的f<3 m/s，僅有2%左右的霧相應的f≥3.0 m/s。分析發現，f≥3.0 m/s時，霧正趨于消散，能見度正在逐漸增大。除霧在消散情況下以外，出現強濃霧和特強濃霧時基本上均為f<3.0 m/s。

表1 2016—2020年清河不同等級霧在10 min平均風速區間范圍的占比) %

4 結論與討論

(1)1960—2020年清河霧日數年變化呈緩慢增多趨勢，20世紀90年代霧日數開始高于平均值，21世紀初期(2001—2010年)霧日數達到最高，2011—2020年霧日數低于平均值。一年中霧主要出現在12月、1月和11月，秋冬季是霧的高發季節。

(2)2016—2020年清河濃霧和強濃霧日變化規律基本一致，強濃霧(能見度50～<200 m)出現頻次最多，累計時長最長，特強濃霧出現頻次最少，僅出現4次。在發布大霧預警信號過程中，升級大霧橙色預警信號的概率為55.1%，升級大霧紅色預警的概率較小。

(3)秋冬季霧主要在后半夜到清晨生成，其次為19—20時，11—17時較少有霧生成，消散時間主要在09—12時；秋冬季霧濃度越高，持續時間越長，平均持續時長為7.1 h，持續時長5 h以下占比最多，約占48%。

(4)10 min滑動能見度與相對濕度呈顯著負相關,與10 min平均風速呈顯著正相關,相對濕度越大，風速越小，越有利于高濃度霧的生成。秋冬季，當相對濕度大于90%，10 min平均風速小于3.0 m/s時，當地業務人員要注意結合天氣形勢，關注霧的生成和發展，及時發布相關預警信息。