南京大气能见度变化规律及影响因子分析

侯灵，安俊琳，朱彬

(1．广东省气象信息中心，广东广州510080;2．南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京210044)

南京大气能见度变化规律及影响因子分析

侯灵1，安俊琳2，朱彬2

(1．广东省气象信息中心，广东广州510080;2．南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京210044)

利用累积百分率法、Ridit中值分析法、“非常好”能见度出现频率法以及平均能见度年际和季节变化法，对1980—2005年南京大气能见度年际变化趋势进行分析，发现1980—1984年能见度呈上升趋势，1985年以后则在波动中呈明显下降趋势。26 a中，日均大气能见度最小值为0.55 km，最大值为29.25 km，平均值为8.59 km。大气能见度具有明显的日变化和季节变化特征，一日之中，14时最好，08时最差;一年之中，冬季能见度最低，夏季最高。能见度与相对湿度呈负相关，与风速呈正相关，与温度和气压的相关性相对较小。PM10是影响南京地区大气能见度的首要污染物，通过对能见度与PM10平均质量浓度进行曲线拟合发现，二者呈负相关，复相关系数在秋季最高，夏季最低。由统计预报方程可知，空气污染和气象条件协同作用对能见度的影响在春季、秋季、冬季较为明显，夏季则相对较差。

能见度趋势;气象要素;大气污染物;相关系数

0 引言

通常的能见度是指水平能见度，即指视力正常的人在当时天气条件下，能够从天空背景中看到和辨认出黑色、大小适度目标物的最大水平距离;夜间则是能看到和确定出的一定强度灯光的最大水平距离(Chan et al.，1999)。美国、英国等国家从20世纪60年代起就开始了对大气能见度变化趋势的研究，并对能见度变化趋势进行定量化分析，以此作为衡量空气污染的指标，分析空气污染的变化规律(Craig and Faulkenberry，1979;Sloane，1982，1984;Doyle and Dorling，2002)。1990年以来，美国分析了其大陆能见度降低的趋势与空气中颗粒物浓度变化的关系。20世纪80年代以来我国针对能见度变化也开展了一系列的研究。总体来说，目前我国的研究较多采用趋势统计分析(赵习方等，2001;王淑英等，2003;范引琪等，2005)，而对能见度的影响因素系统探究较少。

城市大气能见度与湿度、风速等气象条件及雾、降水、浮尘等天气现象有密切关系。近年来，引起大气能见度下降的主要原因是大气污染，其中大气颗粒物特别是细颗粒物是造成能见度下降的主要原因(宋宇等，2003;王淑英等，2003)，而且大气能见度与颗粒物的成分也有密切关系(Tsai and Cheng，1999;Cheng and Tsai，2000)，硫酸盐类和硝酸盐类是导致其下降的最主要的成分(Lee and Sequeira，2002)。在没有污染的大气中，能见度可达到250 km(Leavey and Sweeney，1990)。大气受到污染后，颗粒状污染物对光线的散射和吸收有降低能见度的效应(周淑贞和张超，1985)。大气污染物综合排放标准详解中指出，通常颗粒物质量浓度达0.10 μg/m3时，能见度开始下降，质量浓度达 0.25 μg/m3时，大气能见度下降52.7%，太阳辐射损失12%以上，质量浓度达0.50 μg/m3时，大气能见度下降80.8%(国家环境保护局科技标准司，1997)。因此，大气能见度的变化反映了环境空气质量的优劣，是空气中颗粒物污染的重要标志之一。

能见度的好坏直接影响人们的工作、生活以及陆、海、空交通活动的正常进行。南京是长江三角洲地区的中心城市之一，随着工业化、城市化不断发展，近年来灰霾现象越来越严重，能见度恶化事件也越来越多。因此，分析南京大气能见度的变化规律，探讨能见度与大气污染物、气象要素之间的关系，对指导大气能见度改善与污染物治理有重要意义。

1 资料

本文选用的 1980—2005 年每日 02、08、14、20时(北京时间，下同)的地面常规气象要素(水平能见度、温度、压强、相对湿度、风速)资料是从中国气象局提供的地面气候资料定时值数据集中获取的;大气污染物资料为中华人民共和国环境保护部提供的大气污染指数(API，air pollution index)(数据来源http://datacenter.mep.gov.cn/report/air_daily/air_dairy.jsp)，选取了2000年6月—2005年12月的API资料，利用浓度转化表(数据来源http://www. gdepb. gov. cn/xcyjy/hjzs/daqi/200510/t20051020_18510.html)，首先将各台站的API数据转化为对应的污染物质量浓度，由于PM10是南京地区主要的污染物，本文主要对PM10日均质量浓度资料进行分析。

2 方法

2.1 大气能见度趋势

本文将大气能见度分为5个档:［0，1.9］km、(1.9，9］km、(9，19］km、(19，39］km、＞39 km，分别用累积百分率法、Ridit中值分析法、“非常好”能见度出现频率法以及平均能见度年际和季节变化法，对能见度变化趋势进行分析。

2.1.1 累积百分率法

能见度资料为非均匀分类频率分布的资料，很适合用累积百分率处理。第i段能见度累积百分率定义为所有观测到的能见度等于或超过第i段区间能见度的百分率(Sloane，1984)，能见度的累计频率分布函数可表示为

其中:f(v)表示能见度频率密度函数;vi表示第i段的能见度;n表示能见度总的观测次数;ni表示在n次观测中有ni次能见度等于或超过vi值。因此×100%表示第i段能见度的累积百分率。

能见度趋势就是与某一特定的累积百分率相对应的能见度随时间的变化。通常这个代表趋势的、特定的累积百分率取50%，如果能见度资料连续且其频率分布范围大，则50%就是累积百分率的中值。但在实际应用中，对于某些年代，50%的累积百分率只能由外推得到。由于实际的累积百分率曲线并不是线性的，外推困难，即便推出结果，其误差也会很大(Sloane，1984)。因此，应根据能见度频率分布的实际情况选择作趋势分析的特定的累积百分率。本文分别选累积百分率为10%、60%和90%所对应的能见度进行“能见度高值、中值和低值”的趋势分析。应用累积百分率法，可以比较直观地了解一段时间内较好能见度、一般能见度和较差能见度的年际变化序列。

2.1.2 Ridit中值分析法

Ridit中值分析法(Doyle and Dorling，2002)主要用来分析边缘变量，人工观测的大气能见度就属于边缘变量，观测值的准确性取决于观测员的技术水平。

Ridit中值定义为某一给定时段的能见度好于总体能见度的概率。令fA(v)为某一给定时段的能见度频率密度函数(简称A分布)，fR(v')为总体能见度频率密度函数(简称参考分布或R分布)，FR表示参考分布的累积百分率分布函数。则A分布中某一能见度观测值(vA)大于R分布中某一能见度观测值(v＇R)的频率由下式给出

上式中积分上限应取最大的能见度(本文取40 km)。如果用fAi和fRi分别代表各自分布中第i段能见度出现的频率，则Ridit中值的计算公式为

相对于累积百分率法，Ridit中值分析法具有以下优点:以整个能见度时间序列作为参考分布，非常简捷地反映了整个能见度观测值的分布;在计算过程中不涉及任何外推;对雨、雾及高相对湿度等气象条件的影响不敏感(Sloane，1982)。

2.1.3 “非常好”能见度出现频率法

这是一种比较简单的分析方法，先计算出各段能见度出现频率，再确定出“非常好”能见度所占的百分比。本文将大于19 km的能见度定义为“非常好”的能见度，因为19 km是判断大气污染物影响夏季能见度水平的一个非常好的标志(Gomez and Smith，1987)。

2.1.4 平均能见度年际和季节变化法

这种方法非常简单，通过计算得到每年的年平均能见度和各季平均能见度，用于分析26 a来能见度的总体变化趋势。这种方法的优势在于能够利用较简单的方法直观地了解各季节能见度的年际变化趋势。

2.2 能见度与各气象要素的偏相关

能见度受多个因子影响，在分析某一个因子的影响时，必须先固定其他自变量的影响。偏相关分析也称净相关分析，它是在控制其他变量的线性影响下分析两变量间的线性相关。偏相关分析可以有效地揭示变量间的真实关系，识别干扰变量并寻找隐含的相关性。根据m个预报因子与y的相关矩阵，则偏相关系数(黄嘉佑，2004)表示为

偏相关是衡量两个变量之间关系密切程度的量，这个量的大小是否显著也需要作统计检验。偏相关分析的原假设为两总体的偏相关系数与0无显著差异，采用t统计量作为检验统计量，其数学定义为

其中:r为偏相关系数;n为样本数;q为阶数。如果检验统计量的概率p值小于给定的显著水平α，则应拒绝原假设，认为偏相关显著;反之，则接受原假设，认为两总体的偏相关系数与0无显著差异。

3 结果与讨论

3.1 南京地区能见度统计特征

为了解大气能见度的基本分布规律，本文对1980—2005年的日平均能见度进行统计分析发现，26 a来，日均能见度最小值为0.55 km，最大值为29.25 km，平均值为8.59 km，出现次数最多的能见度为7.25 km，分布偏度为0.85，峰度为0.67。

对1980—2005年每日四个时次的能见度进行统计分析，结果表明，大气能见度日变化特征明显，早晨08时能见度最差，平均为5.92 km，夜间02时次低，平均为7.60 km，午后14时最好，平均为11.69 km，这与广州大气能见度日变化特征相同(沈家芬等，2007)。08时能见度最低有三方面的原因，一是清晨大气层结较为稳定，近地气层内常有逆温出现，抑制了低层空气中污染物向上输送;二是清晨尾气排放、炊烟等人类活动较为集中，造成大气污染源排放量增加;三是夜间至早晨相对湿度较大，风速较小，易产生辐射雾。而日出之后，随着太阳辐射加强，空气湿度减少，逆温逐渐抬升而消失，大气垂直交换加强，空气污染物容易扩散，因此午后通常是一日之中大气能见度最好的时段。

3.2 能见度变化趋势

由于08时能见度观测值易受局地两方面的影响:一是早晨出现的辐射雾，二是由于夜间形成的近地逆温未被破坏，导致此时近地面颗粒物浓度升高。而02时和20时分别属夜间和傍晚，这两个观测时刻所选的目标物与白天目标物不同，易造成观测资料的不一致(范引琪等，2005)。因此本文选取14时的能见度资料进行能见度趋势分析，因为该时刻的观测值比其他时刻更能代表所在区域的能见度水平。此外，为了排除雾的影响，本文仅选取14时中相对湿度小于90%的能见度资料进行本节的能见度趋势分析。

3.2.1 累积百分率法结果

图1为1980—2005年南京地区不同累计百分率对应的大气能见度高值、中值和低值的变化趋势。可知，1980—2005年年平均能见度高值、中值及低值变化趋势基本一致，1980—1984年均呈上升的趋势，1985—2005年能见度在波动中呈下降趋势。能见度高值在1991年之前变化不大，约为30 km，1991年之后，下降比较明显，到2003年，仅为15 km左右;能见度低值变化不大，但整体上也呈现出明显的下降趋势;能见度中值的年际变化一般能较好地代表大气能见度的整体变化趋势，1980—1984年，能见度中值从15 km增加到20 km，1985—1995年，能见度中值呈明显下降趋势，1998年以后下降趋于平缓，2004年下降趋势中断，能见度略微回升，这说明2004年能见度恶化的情况有了一定的改善，这可能与南京为准备2005年第10届全国运动会进行的污染治理及绿化行动有关。

图1 能见度高值、中值和低值的变化趋势Fig.1 Variation trends of the high visibility，the median visibility and the low visibility

3.2.2 Ridit中值分析法结果

本文用1980—2005年的观测资料代表其总体能见度，它的频率分布称为参考分布。分别用Ridit中值分析方法对能见度进行年、夏季、冬季趋势分析。计算年Ridit中值时，参考分布用1—12月的资料;计算夏季、冬季的Ridit中值时，参考分布分别用6—8月和12月—次年2月的资料。

由图2可知，年、夏季Ridit中值曲线变化趋势基本一致，1980—1984年均呈上升趋势，1985—2005年在波动中呈下降趋势，这与累积百分率法分析结果一致。冬季Ridit中值较小且变化趋势不明显。夏季Ridit中值最大，略高于年Ridit中值而远大于冬季Ridit中值。1993年以前，年Ridit中值都大于0.5，说明这个时期各年的能见度均好于26 a平均的能见度。1993—1995年，年Ridit中值在0.5上下波动，这个时期属于能见度降低的过渡期。1996年，年Ridit中值降为0.49，在随后的年份中，年Ridit中值一直小于0.5，说明此后各年份的能见度均差于26 a能见度的平均水平。2003年，年Ridit中值达到最低，此后有了一个较小的增长，但2004年以后年Ridit中值降低趋势又延续了下去。3.2.3 “非常好”能见度出现频率法结果

图2 Ridit中值的变化趋势Fig.2 Variation trends of mean Ridit

图3描述了1980—2005年“非常好”能见度出现频率变化趋势。结果表明:26 a中，“非常好”能见度出现频率在1980—1984年呈上升趋势，1985—2005年在波动中呈下降趋势，这与年Ridit中值变化趋势一致，但是它主要强调的是各年份中比较好的能见度出现频率的年际变化。

图3 “非常好”能见度年出现频率变化趋势Fig.3 Variation trend of“very good”visibility frequency

由图3可知，1980—1984年，“非常好”能见度年出现频率从29.3%上升到41.3%，能见度高值出现的次数增加，说明这段时间大气能见度得到了改善。1985年以后，“非常好”能见度年出现频率在波动中呈现出明显的下降趋势，1996—2001年下降速率减缓，但从2002年开始，下降速率又加快，“非常好”能见度年出现的频率接近于0，说明这段时间能见度严重恶化。2004年以后，“非常好”能见度年出现频率略有增加。

3.2.4 平均能见度年际和季节变化法结果

利用1980—2005年每日14时能见度资料，可得能见度年际和季节变化趋势，如图4所示。

由图4可见，大气能见度年变化与各季节变化趋势基本一致，1980—1984年呈上升趋势，1985—2005年在波动中呈下降趋势。由各季节能见度趋势变化曲线可知，一年之中，夏季平均能见度最高，春季和秋季次之，冬季最低。这主要是由温度决定的，温度越高，大气对流运动越强，混合层高度越高，越有利于污染物扩散。由能见度年际变化曲线可知，1980—1984年能见度呈逐年上升的趋势，1985—1994年下降趋势比较明显，1994、1995年有了一个较小的回升之后，1995—1999年能见度又变差，1999—2001年能见度逐年转好，2002年之后又不断降低，2003年能见度达到所有观测年份的最低，2004年有了一个较小回升之后能见度继续降低，这与以上3种方法所得的分析结果是一致的。

图4 能见度年际和季节变化趋势Fig.4 Variation trends of the annualand seasonal average visibility

3.3 能见度影响因子

3.3.1 能见度与气象要素的相关性

能见度的基本特征是由区域气候条件决定的，混合层高度、相对湿度、平均风速、温度、24 h变压、变湿、气压等气象要素与能见度有明显的相关关系。相对湿度和平均风速对大气能见度的影响较大，而地面24 h变压、气压和气温的影响则相对较小(王淑英等，2003;沈家芬等，2007)。

利用1980—2005年的常规观测资料，统计分析可得日均能见度与对应地面气象要素偏相关系数，能见度与相对湿度呈显著反相关，相关系数为-0.46，统计T检验结果显示p值小于10-3，通过了显著性水平为0.01的统计检验。当空气中水汽较丰富时，一方面，发生凝结而生成大量的小液滴，小滴通过反射、散射作用，损耗太阳辐射，另一方面，小液滴吸附细粒子，从而降低能见度。能见度与平均风速呈显著正相关关系，相关系数为0.29，p值为0.01。风可以使大气中的沙尘和污染物快速扩散，从而使沙尘或烟雾淡化，能见度就会增大。能见度与温度、气压的相关系数分别为0.22和0.12，统计检验结果显示p值均小于10-3，通过了0.99置信度的显著性检验，但较之相对湿度和风速，温度和气压对能见度的影响较小。

各季节平均能见度与相应地面气象要素的相关系数分布如图5所示。可见，各季节平均能见度与相对湿度呈显著负相关关系，与风速呈较好正相关关系，而温度、气压与能见度的相关性不稳定，在冬季和夏季均呈负相关。

由图5可知，温度、气压与能见度相关系数相对较小且不稳定。春季、夏季和秋季，温度与各季平均能见度均呈正相关，而在冬季呈负相关，相关系数为-0.29，统计检验显示p值小于10-3。冬季温度的降低主要受北方冷空气的影响，冷空气到来伴随的高空冷槽等天气系统使地面气压升高，有利于大气污染物扩散，即气温下降、气压升高使得大气能见度好转。而夏季南京多处于副热带高压控制之下，温度高，地面气压低，大气不稳定出现的机会增多。地面温度越高，垂直交换层越高，越有利于污染物的扩散，能见度越好。因此，冬季气压与能见度呈现出较好的正相关性，相关系数为0.35;而夏季气压与能见度呈负相关关系，且相关性较差，相关系数为-0.03，p值为0.23，未通过显著性水平为0.05的统计T检验。而由于春季、秋季温度气压变化不明显，它们与能见度的相关性都较小。

图5 各季节日平均能见度与各气象要素的关系Fig.5 Correlation between the meteorological factors and the daily average visibility in different seasons

对比温度与各季节能见度的相关系数可知，不同季节温度对能见度的影响效果不同，而国内一些研究表明不同地点其作用也不同，如徐鹏炜等(2005)发现杭州能见度与温度呈正相关关系，而陶俊等(2007)则发现广州能见度与温度呈负相关关系。

3.3.2 低能见度、高湿、小风日出现概率的年际变化

低能见度指小于等于1 km的能见度，高湿度指大于等于80%的相对湿度，小风指小于等于2 m/s的风速 (Craigand Faulkenberry，1979)。利用1980—2005年常规气象要素资料，统计分析各风速及各湿度所对应的低能见度次数占能见度总观测次数的百分比，发现当风速小于等于2 m/s时，低能见度次数占对应能见度总观测次数的85%;而风速大于2 m/s时，低能见度次数只有15%，说明小风天气更有利于低能见度的出现。当相对湿度大于等于80%时，低能见度次数占74%，说明高湿更有利于产生低能见度天气。为了进一步了解高湿对低能见度的影响，分别统计1980—2005年高湿和低能见度出现概率，得到其年际变化趋势(图6)。可见，高湿度与低能见度呈现出很好的正相关关系，相关系数为0.52，p值为0.01，通过了置信度为0.99的显著性检验。而对小风与低能见度做相关性分析也发现二者呈较好的正相关关系，相关系数为0.45，p值为0.02，通过了显著性水平为0.05的显著性检验。

图6 高湿度出现概率及08时低能见度出现概率的年际变化Fig.6 Interannual variations of high relative humidity and low visibility frequencies at 08:00 BST

3.4 大气污染物对能见度的影响

统计分析南京逐日污染指数资料发现，在所研究的时间段内，当空气质量为污染(空气污染指数大于100)和良(空气污染指数为51～100)时，对应的每天的首要污染物均为PM10，所以下文重点分析PM10与大气能见度的关系。

由于早晨人类活动集中，再加上地面逆温层的影响，08时近地面污染物较多，对能见度影响最大。对08时能见度进行相对湿度订正后(Rosenfeld et al.，2007)，利用2005年各季节每日08时能见度资料和日均PM10质量浓度值，进行曲线拟合。由拟合结果可知，08时能见度与日均PM10质量浓度的对数有很好的线性关系，各季08时能见度均随PM10质量浓度增高而减小。秋季08时能见度与PM10质量浓度相关性最好(图7)，复相关系数为0.60，春季、冬季次之，夏季二者相关性较差，复相关系数为0.19。利用主成分因子分析法可知，2005年夏季PM10对08时能见度的贡献率小于7%。夏季PM10对能见度影响较小主要有两方面的原因:1)5—7月南京正值梅雨季节，降水持续，对颗粒物有明显的去除作用(胡敏等，2006);2)是夏季高温使空气垂直扩散层增高，污染物容易扩散，使得PM10对能见度的影响减弱。此外，能见度日变化特征显示14时能见度最好，本文对每日14时能见度与日均PM10质量浓度值也进行了曲线拟合，拟合方程的形式为:y=B0+B1X。对比14时与08时拟合结果(表1)可以发现，14时能见度与日均PM10质量浓度的对数线性关系较差，除秋季显著相关之外，其他季节的拟合

图7 秋季08时能见度与PM10质量浓度的相关关系Fig.7 Relativity between the average mass concentration of PM10and the visibility at 08:00 BST in autumn

结果均未通过显著性水平为0.05的统计T检验。

表1 08时和14时大气能见度与日均PM10质量浓度对数线性拟合特征Table 1 The logarithm linear fitting characteristics of daily mean PM10mass concentration and the visibility at 08:00 BST and 14:00BST

3.5 能见度统计预报方程

大气能见度是各影响因子共同作用的结果，统计分析可得2000年6月至2005年12月期间能见度日均值与各影响因子的相关系数分布。由表2可知，各季节能见度均与相对湿度的相关系数最大;春季与风速的相关系数次之，与PM10质量浓度和温度的相关系数较小;夏季与温度的相关系数次之;秋季与PM10质量浓度的相关系数次之;冬季则与气压的相关性次之，与温度和PM10质量浓度也呈显著负相关关系。

表2 日均能见度与其影响因子的相关系数Table 2 Correlation coefficients of daily average vi sibility and its influence factors

利用2000年6月—2005年12月期间能见度、气象要素和污染物浓度同步资料，对各季日均能见度和主要影响因子进行多元线性回归。通过主成分因子分析法分析可知，气压对日均能见度的贡献小于5%，相比其他因子，气压的影响可忽略。所以本文所选因子为:X1(相对湿度)，X2(风速)，X3(PM10质量浓度)，X4(温度)。多元线性回归方程的形式为

其中:b0为常数;b1、b2、b3、b4称为各因子的回归系数。统计结果见表3，R为复相关系数。

表3 日平均能见度与其影响因子的多元回归分析结果Table 3 Results of multivariate regression analysis of daily mean visibility and its influence factors

统计结果表明，空气污染和气象条件共同作用对能见度的影响以春、秋、冬季最为明显，相关系数在0.75以上，夏季相对较差，相关系数为0.67，但是根据各季节数据建立的线性回归方程均通过了显著性水平为0.01的统计F检验。而从回归系数来看，各季节均以PM10质量浓度的贡献最大，以日平均风速次大。

4 结论与讨论

1)1980—2005年南京地区大气能见度变化表现为1980—1984年逐年好转，1985年以后大气能见度在波动中呈明显下降的趋势。大气能见度呈现出较明显的日变化和季节变化特征，一年之中，冬季能见度最低，夏季最高;一日之中，08时能见度最差，14时最好。

2)大气能见度与相对湿度呈较好的负相关关系，与风速呈正相关关系，相关系数分别为-0.45和0.23，与温度和气压的相关性相对较小且不稳定。高相对湿度、低风速是造成低能见度的主要气象条件。

3)PM10是影响南京地区能见度的主要污染物，通过曲线拟合分析发现，08时能见度与PM10平均质量浓度的对数具有很好的线性关系，颗粒物质量浓度对能见度的影响以秋季最为明显，其相关系数为0.60，夏季最差，相关系数为0.19。而14时能见度与PM10日均质量浓度拟合效果较差。

4)综合分析影响能见度的各因子可以发现，各季节能见度与相对湿度的相关性均最为显著，次显著因子因季节而异。由多元线性回归方程可知，各因子共同作用对能见度的影响以春、秋、冬季较为明显，夏季较差。

需要指出的是，PM10是影响南京地区能见度的最主要污染物，它对于低能见度的贡献很大，但目前国内PM10观测点及观测时次均较少，本文采用的PM10质量浓度值为南京各观测站点PM10质量浓度的日均值，而采用的能见度资料为每日四次常规观测中的一次或是日均值，由于观测站点及观测时间不一致，观测值可比较性相对较差。此外，虽然国内已经出台了能见度等级划分标准，但目前各地的能见度资料受观测员观测水平的限制，观测结果有很强的主观性，不利于不同地区相互比较。期待国内尽早出台更为具体的等级划分标准，以利于各地区资料的更好交流。

范引琪，李二杰，范增禄.2005.河北省1960—2002年城市大气能见度的变化趋势［J］.大气科学，29(4):526-535.

国家环境保护局科技标准司.1997.大气污染物综合排放标准详解［S］.北京:中国环境科学出版社.

胡敏，刘尚，吴志军，等.2006.北京夏季高温高湿和降水过程对大气颗粒物谱分布的影响［J］.环境科学，27(11):2293-2298.

黄嘉佑.2004.气象统计分析与预报方法［M］.北京:气象出版社.

沈家芬，冯建军，谢利，等.2007.广州市大气能见度的特征及其影响因子分析［J］.生态环境，16(4):1199-1204.

宋宇，唐孝炎，方晨，等.2003.北京市能见度下降与颗粒物污染的关系［J］.环境科学学报，23(4):468-471.

陶俊，谢文彰，许振成，等.2007.冬季广州大气能见度影响因子分析［J］.城市环境与城市生态，20(1):17-20.

王淑英，张小玲，徐晓峰.2003.北京地区大气能见度变化规律及影响因子统计分析［J］.气象科技，31(2):109-114.

徐鹏炜，谭湘萍，蔡菊珍，等.2005.杭州城市大气消光系数和能见度的影响因子研究［J］.环境污染与防治，27(6):410-413.

赵习方，徐晓峰，王淑英，等.2001.北京地区低能见度区域分布初探［J］.气象科技，29(4):19-22.

周淑贞，张超.1985.城市气候学导论［M］.上海:华东师范大学出版社.

Chan Y C，Simpson R W，Mc Tainsh G H，et al.1999.Source apportionment of visibility degradation problems in Brisbane(Australia)using the multiple linear regression techniques［J］.Atmos Environ，33(19):3237-3250.

Cheng M T，Tsai Y I.2000.Characterization of visibility and atmospheric aerosols in urban，suburban，and remote areas［J］.The Science of the Total Environment，263(1/2/3):101-114.

Craig C D，Faulkenberry G D.1979.The application of ridit analysis to detect trends in visibility［J］.Atmos Environ，13:1617-1622.

Doyle M，Dorling S.2002.Visibility trends in the UK 1950—1997［J］.Atmos Environ，36:3161-3172.

Gomez B，Smith C G.1987.Visibility at Oxford 1926—1985［J］.Weather，42:98-106.

Leavey M，Sweeney J.1990.The influence of long range transport of air pollutants on summer visibility at Dublin［J］.Int J Climatol，10:191-201.

Lee Y L，Sequeira R.2002.Water-soluble aerosol and visibility degradation in Hong Kong during autumn and early winter，1998［J］.Environmental Pollution，116(2):225-233.

Rosenfeld D，Dai J，Yu X，et al.2007.Inverse relations between amounts of air pollution and orographic precipitation［J］.Science，315(5817):1396-1398.

Sloane C S.1982.Visibility trends I:Methods of analysis［J］.Atmos Environ，16:41-51.

Sloane C S.1984.Meteorologically adjusted air quality trends visibility［J］.Atmos Environ，18:1217-1229.

Tsai Y I，Cheng M T.1999.Visibility and aerosol chemical compositions near the coastal area in Central Taiwan［J］.The Science of the Total Environment，231(1):37-51.

(责任编辑:刘菲)

Characterization of visibility variation trend and its influence factors in Nanjing

HOU Ling1，AN Jun-lin2，ZHU Bin2
(1.Guangdong Meteorology Information Center，Guangzhou 510080，China;2.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters，NUIST，Nanjing 210044，China)

Visibility variation trends from 1980 to 2005 have been constructed using four different statistical methods:Ridit analysis，cumulative percentiles，frequency of“very good”visibility，and annual and seasonal means.Improvements in visibility were experienced from 1980 to 1984.A decline trend can be observed after 1985 with some fluctuations in the process.In these 26 years，the mean daily visibility was 8.59 km with the maximum at 29.25 km and the minimum at 0.55 km，respectively.There were obvious seasonal and daily variation features in visibility.It was worst in winter and best in summer in one year while it was worst at 08:00 BST and best at 14:00 BST in one day.Visibility showed a positive correlation with wind speed and a negative correlation with relative humidity.However，temperature and atmospheric pressure showed comparatively little correlation with it.PM10was the major pollutant in Nanjing.Curve estimation of daily mean PM10mass concentration and the visibility presented a negative correlation and the coefficient was the largest in autumn and the smallest in summer.A regression model based on relative humidity，PM10，wind speed and temperature has been developed.There were seasonal differences in the coactions of air pollution and meteorological condition on visibility，which was worse in summer than that in the other three seasons.

visibility trends;meteorological elements;air pollutant;correlation coefficient

P412.17

A

1674-7097(2014)01-0091-08

侯灵，安俊琳，朱彬.2014.南京大气能见度变化规律及影响因子分析［J］.大气科学学报，37(1):91-98.

Hou Ling，An Jun-lin，Zhu Bin.2014.Characterization of visibility variation trend and its influence factors in Nanjing［J］.Trans Atmos Sci，37(1):91-98.(in Chinese)

2011-06-10;改回日期:2011-12-11

国家自然科学基金资助项目(41305135;41275143);中国科学院战略先导科技专项(B类)子课题(XDB05020206)

安俊琳，副教授，研究方向为大气环境、大气化学，junlinan@nuist.edu.cn.