基于氣候系統(tǒng)指數(shù)的月尺度霾日定量預(yù)測(cè)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(guó)家氣象觀測(cè)站資料，1980—2018年國(guó)家氣候中心氣候系統(tǒng)指數(shù)資料，對(duì)蕪湖市近64 a的霾日氣候序列進(jìn)行重建，在此基礎(chǔ)上使用線性趨勢(shì)和Mann-Kendall方法，系統(tǒng)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(tǒng)指數(shù)為自變量，霾日為因變量，建立霾日預(yù)測(cè)方程并對(duì)月尺度霾日進(jìn)行定量預(yù)測(cè)的方法。結(jié)果表明：1）重建的霾日時(shí)間序列能夠更客觀的反映蕪湖市霾日實(shí)際的長(zhǎng)期變化特征。近64 a霾的氣候特征：年日數(shù)顯著增加，并在1980年左右出現(xiàn)突變;季日數(shù)在冬、秋季較多，夏季最少，四季均呈顯著增多趨勢(shì)，增速秋季最快，夏季最慢;月日數(shù)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(shù)顯著增加，表現(xiàn)出漸變特征;季日數(shù)冬季最多，夏季最少，除夏季外均顯著增多趨勢(shì)，增速冬季最快，秋、春季次之;月日數(shù)在1、12、11月較多，5、6月較少，8月則從未出現(xiàn)過(guò)。2）各月霾日、中度以上霾日與多項(xiàng)月氣候系統(tǒng)指數(shù)表現(xiàn)出顯著的相關(guān)性，使用這些指數(shù)，計(jì)算出各月霾日、中度以上霾日的預(yù)測(cè)方程，最后對(duì)方程效果進(jìn)行檢驗(yàn)。

關(guān)鍵詞 霾日;重建;氣候系統(tǒng)指數(shù);多元逐步回歸;月尺度定量預(yù)測(cè)

霾是大量極細(xì)微的干塵粒等顆粒均勻浮游在空中，使水平能見(jiàn)度小于10 km的空氣普遍渾濁現(xiàn)象（中國(guó)氣象局，2010）。過(guò)去，形成霾的干氣溶膠粒子主要來(lái)自自然界，但隨著人類活動(dòng)加劇，經(jīng)濟(jì)快速發(fā)展，城鎮(zhèn)化率提高，近二三十年中國(guó)中東部地區(qū)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(xì)粒子（PM2.5），造成霾天氣日益增多。近年來(lái)，長(zhǎng)三角地區(qū)霾日在時(shí)間和空間上均呈增多趨勢(shì)（史軍和崔林麗，2013）。安徽霾日在20世紀(jì)80年代初之后發(fā)生激增，東部霾日數(shù)明顯高于西部（鄧學(xué)良等，2015），這些可觀測(cè)到的霾污染增多，嚴(yán)重危及人類健康和交通安全等（Chameides et al.，1999）。

近年來(lái)科技工作者對(duì)霾的識(shí)別、成分特征、污染影響機(jī)制、氣象影響條件等進(jìn)行了大量的研究（吳兌，2008;吳丹等，2016;Yin and Wang，2016，2017）。霾天氣時(shí)，空氣中的硫酸鹽氣溶膠是造成能見(jiàn)度下降的主要原因（Malm，1992），有機(jī)物、水溶性無(wú)機(jī)離子和元素碳是PM2.5中影響大氣能見(jiàn)度，影響大氣消光的主要化學(xué)組分（Cao et al.，2012）。天氣也是影響霾污染發(fā)生發(fā)展的重要因素，有利的天氣形勢(shì)可以造成穩(wěn)定的大氣層結(jié)，混合層降低，形成近地面逆溫，地面風(fēng)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?。ㄖ芾虻龋?019），而冷空氣南下造成污染物伴隨輸入至長(zhǎng)三角地區(qū)也是造成重污染發(fā)生的有利天氣條件，這種污染往往發(fā)生在重污染過(guò)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(huì)經(jīng)濟(jì)問(wèn)題，對(duì)霾進(jìn)行了解和控制，珠三角、長(zhǎng)三角、京津冀等地建立了霾的地面和遙感監(jiān)測(cè)體系（向嘉敏等，2019），并開(kāi)展霾預(yù)報(bào)預(yù)測(cè)研究和業(yè)務(wù)，主要預(yù)報(bào)方法包括逐步回歸（尹志聰?shù)龋?019），動(dòng)態(tài)統(tǒng)計(jì)（張自銀等，2018），基于模式的MOS法（尤佳紅等，2014）等，但是中長(zhǎng)期預(yù)測(cè)尤其是定量預(yù)測(cè)的方法相對(duì)較少。大氣環(huán)流、海溫等氣候系統(tǒng)指數(shù)常被用于氣象要素的氣候預(yù)測(cè)（陳麗娟等，2019），以及其他與氣候密切相關(guān)事件的預(yù)測(cè)（王純枝等，2019）。目前基于氣候系統(tǒng)指數(shù)的霾日中長(zhǎng)期定量預(yù)測(cè)方法并不多見(jiàn)，而霾和天氣氣候密切相關(guān)（陶麗等，2016），因此本文擬研究使用氣候系統(tǒng)指數(shù)作為因子定量預(yù)測(cè)月尺度霾日的方法，并以蕪湖市為例開(kāi)展。

蕪湖市位于安徽省東部，霾的氣候特征及預(yù)測(cè)對(duì)其經(jīng)濟(jì)發(fā)展、人民生活、長(zhǎng)江生態(tài)環(huán)境保護(hù)有積極意義，但與其相關(guān)的研究成果大都時(shí)間相對(duì)較早，針對(duì)性不強(qiáng)。本研究首先對(duì)蕪湖市霾的氣候特征進(jìn)行分析，再建立蕪湖市月尺度霾日的預(yù)測(cè)方程，為其中長(zhǎng)期空氣質(zhì)量預(yù)測(cè)業(yè)務(wù)提供客觀定量的參考。但長(zhǎng)期以來(lái)中國(guó)氣象臺(tái)站的觀測(cè)業(yè)務(wù)中，對(duì)于霾的記錄沒(méi)有統(tǒng)一標(biāo)準(zhǔn)，尤其是作為霾輔助判據(jù)的相對(duì)濕度取值范圍過(guò)寬，標(biāo)準(zhǔn)不一，大量霾被記成了輕霧（吳兌，2006），同時(shí)也受觀測(cè)員主觀因素影響，造成霾的觀測(cè)記錄可對(duì)比性較差，因此用長(zhǎng)時(shí)間序列氣候資料進(jìn)行霾統(tǒng)計(jì)時(shí)，不能直接使用天氣現(xiàn)象觀測(cè)數(shù)據(jù)，要建立統(tǒng)一的定量標(biāo)準(zhǔn)（吳兌，2012），需要先對(duì)霾日的時(shí)間序列進(jìn)行重建，再進(jìn)行其他分析。因此本文對(duì)蕪湖市霾日的時(shí)間序列進(jìn)行重建（吳兌，2008），然后再進(jìn)行氣候特征分析和預(yù)測(cè)方程的研究。

1 資料與方法

1.1 資料來(lái)源

本文使用1955—2018年蕪湖市國(guó)家氣象觀測(cè)站的觀測(cè)資料重建霾日時(shí)間序列及氣候特征分析，包括逐日能見(jiàn)度、相對(duì)濕度、天氣現(xiàn)象數(shù)據(jù)。觀測(cè)數(shù)據(jù)1955—1985年為每日02、08、14、20時(shí)4次觀測(cè)，1986—2014年8月為每日08、14、20時(shí)3次觀測(cè)，2014年9月—2018年12月為每日24次觀測(cè)。其中能見(jiàn)度數(shù)據(jù)1955—1979年為等級(jí)觀測(cè)，其他為距離觀測(cè)。

用于霾日預(yù)測(cè)方程計(jì)算的130項(xiàng)氣候系統(tǒng)指數(shù)為1980—2018年逐月的88項(xiàng)大氣環(huán)流指數(shù)、26項(xiàng)海溫指數(shù)、16項(xiàng)其他指數(shù)。數(shù)據(jù)來(lái)自國(guó)家氣候中心網(wǎng)站百項(xiàng)氣候系統(tǒng)指數(shù)集（https：//cmdp.ncc-cma.net/Monitoring/cn_index_130.php）。

1.2 霾日重建方法

1.2.1 能見(jiàn)度、相對(duì)濕度數(shù)據(jù)的處理

日平均值計(jì)算時(shí)，每日3次或4次觀測(cè)的，取其平均值;每日24次觀測(cè)的，取02、08、14、20時(shí)觀測(cè)平均值。能見(jiàn)度等級(jí)觀測(cè)數(shù)據(jù)，需將其按照表1換算為對(duì)應(yīng)的距離中值（史軍和吳蔚，2010）。另外，2014年9月之后能見(jiàn)度觀測(cè)改為自動(dòng)觀測(cè)，需將之前人工觀測(cè)數(shù)據(jù)乘以0.75的系數(shù)進(jìn)行訂正，以確保數(shù)據(jù)具有可對(duì)比性（中國(guó)氣象局氣象探測(cè)中心，2016）。

1.2.2 霾日的統(tǒng)計(jì)

采用日均法對(duì)霾日進(jìn)行統(tǒng)計(jì)（史軍和吳蔚，2010;吳兌等，2010），定義日平均能見(jiàn)度<10 km，日平均相對(duì)濕度<90 %，并排除降水、吹雪等其他天氣現(xiàn)象導(dǎo)致低能見(jiàn)度事件的情況，記為1個(gè)霾日。參照《霾的觀測(cè)和預(yù)報(bào)等級(jí)》（QX/T 113-2010），根據(jù)能見(jiàn)度距離（V，單位：km）將霾劃分為輕微、輕度、中度和重度4個(gè)等級(jí)，劃分標(biāo)準(zhǔn)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(shì)分析和Mann-Kendall氣候突變檢驗(yàn)（簡(jiǎn)稱M-K檢驗(yàn)，魏鳳英，2007）對(duì)蕪湖市霾日的氣候特征進(jìn)行分析。季節(jié)分析時(shí)，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(yù)測(cè)方程計(jì)算方法

使用多元逐步回歸方法計(jì)算月尺度霾日的預(yù)測(cè)方程。計(jì)算方程前，首先使用月霾日時(shí)間序列與對(duì)應(yīng)的前1—12月130項(xiàng)氣候系統(tǒng)指數(shù)時(shí)間序列分別進(jìn)行相關(guān)分析，并進(jìn)行顯著性檢驗(yàn)，遴選出顯著相關(guān)的氣候系統(tǒng)指數(shù)。計(jì)算方程時(shí)，應(yīng)變量為月霾日時(shí)間序列，自變量為遴選出的所有與其顯著相關(guān)的月氣候系統(tǒng)指數(shù)時(shí)間序列。計(jì)算出方程后，方程和系數(shù)進(jìn)行相關(guān)性和顯著性檢驗(yàn)。各月霾日依次計(jì)算。由于20世紀(jì)70年代海氣關(guān)系出現(xiàn)轉(zhuǎn)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(shí)僅使用1980年之后的數(shù)據(jù)。

2 結(jié)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(shí)測(cè)值對(duì)比

對(duì)比1955—2018年蕪湖市霾日的重建值與蕪湖市國(guó)家觀測(cè)站人工記錄的霾天氣現(xiàn)象實(shí)測(cè)值（圖1a），1978年之前霾日較少，重建值和實(shí)測(cè)值差別不大。1978年之后重建值明顯增加，而實(shí)測(cè)值仍變化不大，兩者差距明顯。對(duì)比蕪湖市所在區(qū)域霾日變化特征的相關(guān)研究結(jié)果（史軍和崔林麗，2013;鄧學(xué)良等，2015），認(rèn)為重建的霾日時(shí)間序列更能夠客觀反映霾日的實(shí)際變化特征，許多學(xué)者也通過(guò)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(jìn)一步進(jìn)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(shì)（圖1），年均增加霾日2.08 d，1978年之前霾日較少，隨后開(kāi)始快速增長(zhǎng)，其中2015年霾日最多，達(dá)191 d。2013年中國(guó)出臺(tái)《大氣污染防治行動(dòng)計(jì)劃》（簡(jiǎn)稱“大氣十條”）后，京津冀、長(zhǎng)三角等重點(diǎn)區(qū)域不斷加大減排措施力度，取得了實(shí)質(zhì)性的進(jìn)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(zhì)量得到改善的主要原因（張小曳等，2020）。另外，“大氣十條”實(shí)施后的2014、2015年長(zhǎng)三角等重點(diǎn)區(qū)域的氣象條件較2013年變差，2016、2017年轉(zhuǎn)好，也在一定程度上促成2015年霾日數(shù)明顯高于相鄰年份的特征。M-K檢驗(yàn)表明蕪湖市1980年之前，霾日變化不顯著，增多減少交替出現(xiàn)，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(shù)分別占總霾日數(shù)的88.3 %、9.1 %、2.1 %和0.5 %，各等級(jí)霾日均呈顯著增加趨勢(shì)（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(duì)中度和重度霾日的氣候特征和預(yù)測(cè)方程進(jìn)行分析和計(jì)算，又因重度霾次數(shù)少，故將二者合稱為中度以上霾日統(tǒng)一進(jìn)行分析。

1980年之前，蕪湖市無(wú)中度以上霾發(fā)生，之后零星出現(xiàn)，1991年起明顯增多，年均4 d，其中2015年最多，達(dá)27 d，包括重度霾5 d。M-K檢驗(yàn)顯示其沒(méi)有表現(xiàn)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(xiàn)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(jié)霾日均表現(xiàn)出顯著增多的趨勢(shì)（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(xiàn)出顯著增多的趨勢(shì)，增速依次減?。ū?），夏季則沒(méi)有顯著變化趨勢(shì)。

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(duì)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(xiàn)中度以上霾，其中8月出現(xiàn)天數(shù)為0，5、6月也僅出現(xiàn)過(guò)1 d。

2.2 霾日的月尺度定量預(yù)測(cè)

2.2.1 預(yù)測(cè)方程的計(jì)算

月尺度霾日的預(yù)測(cè)，實(shí)際業(yè)務(wù)應(yīng)用時(shí)常需提前1～2個(gè)月制作，如預(yù)測(cè)2020年11月的霾日數(shù)，9或10月就需要計(jì)算出預(yù)測(cè)結(jié)果，而當(dāng)月氣候系統(tǒng)指數(shù)的及時(shí)獲取具有一定不確定性，為了業(yè)務(wù)應(yīng)用時(shí)霾日計(jì)算數(shù)據(jù)完整，本文計(jì)算某月（T）霾日時(shí)，使用（T-3至T-14）這12個(gè)月的氣候系統(tǒng)指數(shù)建立預(yù)測(cè)方程。含有缺測(cè)數(shù)據(jù)的氣候系統(tǒng)指數(shù)將被剔除。

首先，使用月（T）霾日的37 a時(shí)間序列（1982年1月—2018年12月）分別與其對(duì)應(yīng)的T-3至T-14月逐月130項(xiàng)氣候系統(tǒng)指數(shù)（共1 560個(gè)）的37 a時(shí)間序列（1980年10月—2018年9月）求相關(guān)系數(shù)（R），并進(jìn)行0.05的顯著性檢驗(yàn)，遴選顯著相關(guān)的氣候系統(tǒng)指數(shù)。

其次，月（T）霾日37 a時(shí)間序列作為應(yīng)變量，遴選出的所有與其顯著相關(guān)氣候系統(tǒng)指數(shù)37 a時(shí)間序列作為自變量帶入多元逐步回歸模型，計(jì)算出該月（T）霾日的預(yù)測(cè)方程。計(jì)算出的方程和系數(shù)進(jìn)行相關(guān)性和顯著性檢驗(yàn)。各月霾日數(shù)的預(yù)測(cè)方程依次計(jì)算，其中遴選出的作為自變量帶入模型的顯著相關(guān)氣候系統(tǒng)指數(shù)數(shù)量不等。中度以上霾日的預(yù)測(cè)方程計(jì)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(gè)一個(gè)引入，引入的條件是其偏回歸平方和經(jīng)檢驗(yàn)是顯著的。同時(shí)，每引入一個(gè)新變量后，對(duì)已入選回歸模型的老變量逐個(gè)進(jìn)行檢驗(yàn)，將經(jīng)檢驗(yàn)認(rèn)為不顯著的變量刪除，以保證所得自變量子集中每一個(gè)變量都是顯著的。此過(guò)程經(jīng)過(guò)若干步直到不能再引入新變量為止。這時(shí)回歸模型中所有變量對(duì)因變量都是顯著的（耿修林和張琳，2006），因此計(jì)算出的各最優(yōu)方程中變量的個(gè)數(shù)是不同的。計(jì)算出的最優(yōu)各月霾日、中度以上霾日的預(yù)測(cè)方程見(jiàn)表3、4，由于部分最優(yōu)方程的自變量非常多，方程較長(zhǎng)，受篇幅所限，這些方程使用10個(gè)變量的較優(yōu)方程代替展示。所有方程均通過(guò)了0.001信度的顯著性水平檢驗(yàn)，其常數(shù)項(xiàng)、自變量系數(shù)均通過(guò)了0.05信度的顯著性水平檢驗(yàn)。由于8月沒(méi)有中度以上霾日出現(xiàn)，因此沒(méi)有預(yù)測(cè)方程。方程中氣候系統(tǒng)指數(shù)使用字母加數(shù)字的方式表示，其中Atm代表大氣環(huán)流指數(shù)（IAtm），Oce代表海溫值數(shù)（IOce），Ext代表其他指數(shù)（IExt），其后數(shù)字代表指數(shù)的編號(hào)，括號(hào)中的數(shù)字代表指數(shù)的月份，各指數(shù)具體名稱及定義可查閱國(guó)家氣候中心網(wǎng)站百項(xiàng)氣候系統(tǒng)指數(shù)集，如IAtm65（5）表示大氣環(huán)流指數(shù)中的第65項(xiàng)，5月的西藏高原-1指數(shù)。

2.2.2 預(yù)測(cè)方程的檢驗(yàn)

首先對(duì)各月霾日、中度以上霾日預(yù)測(cè)方程在1982—2018年的模擬效果進(jìn)行檢驗(yàn)，各月檢驗(yàn)樣本37個(gè)。月霾日誤差范圍在-7.2～7.4 d，68%的誤差在2 d以內(nèi)，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(yōu)于霾日的模擬效果，其中4—7月的誤差均在1 d以內(nèi)，模擬效果很好，而3月相對(duì)較差。

接下來(lái)將2017年11月—2019年10月的逐月氣候系統(tǒng)指數(shù)代入預(yù)測(cè)方程，對(duì)2019年1—12月蕪湖市各月霾日、中度以上霾日的數(shù)量進(jìn)行預(yù)測(cè)實(shí)驗(yàn)，并與實(shí)況對(duì)比檢驗(yàn)（表5），多數(shù)月霾日的絕對(duì)誤差在1～3 d，2、6、12月的預(yù)測(cè)誤差相對(duì)較大。11月—次年3月霾日相對(duì)較多的月份，預(yù)測(cè)值普遍偏少。2019年實(shí)況僅1、2月出現(xiàn)中度以上霾，預(yù)測(cè)誤差分別為0.7 d和-1.5 d，其余月份中有7個(gè)月預(yù)測(cè)值為負(fù)值，記為0，誤差為0，預(yù)報(bào)基本準(zhǔn)確?？傮w來(lái)說(shuō)，預(yù)測(cè)方程可以較好地對(duì)月尺度霾日進(jìn)行定量預(yù)測(cè)，尤其是月中度以上霾日，具有較好的參考價(jià)值。

3 結(jié)論與討論

1）使用日均法對(duì)1955—2018年蕪湖市霾日進(jìn)行重建，對(duì)比霾日天氣現(xiàn)象實(shí)測(cè)值，并參考其他相關(guān)研究結(jié)果，表明重建的霾日時(shí)間序列能夠更客觀地反映蕪湖市霾日實(shí)際的長(zhǎng)期變化特征。

2）1955—2018年蕪湖市年霾日呈顯著增多趨勢(shì)，年均增加2.080 d，在1980年左右出現(xiàn)突變特征。季霾日，年均數(shù)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(shì)，增速?gòu)目斓铰来螢榍?、冬、春、夏季。月霾日?、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(shì)，年均增加0.095 d，但沒(méi)有出現(xiàn)突變特征。季中度以上霾日，數(shù)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(shù)表現(xiàn)出顯著增多的趨勢(shì)，增速依次減小，夏季則沒(méi)有顯著的變化趨勢(shì)。月中度以上霾日數(shù)，1、12、11月較多，5、6月較少，8月從未出現(xiàn)過(guò)。

4）各月霾日、中度以上霾日與多項(xiàng)月氣候系統(tǒng)指數(shù)表現(xiàn)出顯著的相關(guān)性，使用這些顯著相關(guān)的月氣候系統(tǒng)指數(shù)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(jì)算出其月尺度預(yù)測(cè)方程。借助方程，可以提前查閱氣候系統(tǒng)指數(shù)，對(duì)月霾日和中度以上霾日數(shù)進(jìn)行計(jì)算、預(yù)測(cè)。預(yù)測(cè)方程進(jìn)行了模擬效果檢驗(yàn)、預(yù)測(cè)實(shí)驗(yàn)，結(jié)果顯示預(yù)測(cè)方程具有較好的參考價(jià)值。

本研究表明，借助多元逐步回歸方法，使用氣候系統(tǒng)指數(shù)可以作為因子直接定量預(yù)測(cè)月尺度霾日，方法在氣候相似的江淮等地區(qū)具有推廣價(jià)值。這種統(tǒng)計(jì)方法通常歷史擬合較好，但預(yù)報(bào)準(zhǔn)確率不穩(wěn)定，因此預(yù)測(cè)方程還需要進(jìn)一步檢驗(yàn)和完善，同時(shí)統(tǒng)計(jì)方法缺乏動(dòng)力學(xué)意義（王冀等，2011），后期可以根據(jù)相關(guān)分析等結(jié)果，進(jìn)一步分析具有動(dòng)力學(xué)意義的氣候系統(tǒng)指數(shù)，更深入地開(kāi)展這些指數(shù)對(duì)霾天氣影響機(jī)理的研究。

參考文獻(xiàn)（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(hào)及預(yù)測(cè)效果評(píng)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(xué)良，石春娥，姚晨，等，2015.安徽霾日重建和時(shí)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(jì)量經(jīng)濟(jì)學(xué)[M].北京：科學(xué)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(zhǎng)三角強(qiáng)霾事件及天氣形勢(shì)影響分析[J].環(huán)境科學(xué)學(xué)報(bào)，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(guó)外有關(guān)海氣系統(tǒng)年代際變率的機(jī)制研究[J].地球科學(xué)進(jìn)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(shù)據(jù)序列重建及其時(shí)空特征[J].長(zhǎng)江流域資源與環(huán)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(zhǎng)江三角洲城市群霾的演變特征及影響因素研究[J].中國(guó)環(huán)境科學(xué)，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(guó)霾日和API分布特征及典型大城市中它們與氣象條件關(guān)系[J].大氣科學(xué)學(xué)報(bào)，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(huán)流的稻縱卷葉螟氣象預(yù)測(cè)模型[J].應(yīng)用氣象學(xué)報(bào)，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(tǒng)計(jì)降尺度方法在北京月尺度預(yù)測(cè)中的應(yīng)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(dá)，李蘭，2016.基于序列重建的湖北省大范圍持續(xù)性霾過(guò)程特征分析[J].氣象與環(huán)境學(xué)報(bào)，32（1）：40-45. Wang K，F(xiàn)ang 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(xiàn)代氣候統(tǒng)計(jì)診斷與預(yù)測(cè)技術(shù)[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(zhǎng)時(shí)間變化特征及其氣候原因探討[J].大氣科學(xué)學(xué)報(bào)，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(shí)別和資料分析處理[J].環(huán)境化學(xué)，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(guó)灰霾天氣研究綜述[J].環(huán)境科學(xué)學(xué)報(bào)，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(guó)大陸霾的時(shí)空變化[J].氣象學(xué)報(bào)，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(jiān)測(cè)研究進(jìn)展[J].遙感技術(shù)與應(yīng)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(cè)判識(shí)標(biāo)準(zhǔn)定量化對(duì)霧霾觀測(cè)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(yù)報(bào)和霾診斷[J].中國(guó)環(huán)境科學(xué)，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(huì)軍，段明鏗，2019.近幾年我國(guó)霾污染實(shí)時(shí)季節(jié)預(yù)測(cè)概要[J].大氣科學(xué)學(xué)報(bào)，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(qiáng)，等，2013.我國(guó)霧-霾成因及其治理的思考[J].科學(xué)通報(bào)，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(duì)中國(guó)重點(diǎn)地區(qū)PM2.5質(zhì)量濃度下降的影響[J].中國(guó)科學(xué)：地球科學(xué)，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(dòng)態(tài)統(tǒng)計(jì)預(yù)報(bào)方法的京津冀霧霾中期預(yù)報(bào)試驗(yàn)[J].應(yīng)用氣象學(xué)報(bào)，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(guó)氣象局氣象探測(cè)中心，2016.地面氣象觀測(cè)業(yè)務(wù)技術(shù)規(guī)定實(shí)用手冊(cè)[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(guó)氣象局，2010.霾的觀測(cè)和預(yù)報(bào)等級(jí)：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(zhǎng)沙一次重度霾污染天氣過(guò)程氣象成因分析[J].氣象與環(huán)境學(xué)報(bào)，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(zé)任編輯：袁東敏）