高青县大雾特征及气象要素相关性分析

孙燕玲　张宁瑾　王健　张兵

摘要通过对高青单站2007-2016年大雾观测资料进行统计分析，发现高青单站大雾季节变化和日变化明显。大雾发生期间随着大雾强度的增加，相对湿度增大，温度3h变化量减小，温度露点差减小，气压3h变化量减小，风速减小。通过回归方程找出不同强度等级大雾的预报因子，雾的预报因子为相对湿度、温度露点差;浓雾的预报因子为相对湿度、温度、温度露点差;强浓雾的预报因子为温度3h变化量、气压3h变化量。根据各预报因子建立不同强度等级大雾的预报模型。

关键词 大雾;相关性;气象要素;精细化分级预报;山东高青

中图分类号 P426.4

文献标识码 A

文章编号 1007-5739（2019）05-0179-05

随着社会经济的快速发展、城市化和工业化程度不断提升、交通运输业的不断壮大，作为灾害性天气之一的大雾越来越受到社会各界的关注。山东省高青县处于淄博市的北部，毗邻滨博高速公路，大雾天气给交通运输、生活、生产等带来重大影响。因此，寻找局地与大雾发生相关的各气象要素、提高高青县大雾预报水平、更加准确地发布大雾预警，可为车辆安全出行提供建议。相关应急部门也可以提前做好准备，减少不必要的损失。高青县位于滨州和淄博2个城市之间，虽然自身城市化水平较低，但也可与城市大雾预报进行比较验证。大雾是局地性强的天气过程，各地区因自身环境特点，影响因子有所不同，各因子的重要性也存在差异。针对高青县大雾预报需要建立独特的预报方法，通过统计和分析，在此基础上形成预报模型，提高大雾精细化预报水平，解决气象服务问题。

近年来，为了加强对大雾的预报，许多学者进行了大雾分析和预报研究工作。对持续性大雾天气过程的成因进行分析发现，大雾发生主要由地表辐射降温引起并加强，大气有稳定层结建立，低层暖平流的輸人和边界层浅层抬升延长了大雾时间，最终又由偏北大风驱散。李江波等对华北连续大雾的特征进行统计分析发现，连续性大雾通常有深厚逆温层，大多呈“上干下湿”特点;通常因为强冷空气人侵破坏逆温层结束，少数因为较强降水所致;气压场分为高压前部型、锋前低压型均压场型。王淑英等对北京高速公路大气能见度和气象条件进行相关分析发现，能见度与相对湿度成明显负相关，与风速和气压成正相关，高湿和小风是低能见度的主要气象条件。王瑜8对枣庄大雾气候特征及形成条件进行分析发现，1971-2000年大雾日数呈减少的趋势，年平均气温和雾日数的逐年变化呈反位相，得到大雾形成前地面形势的3种天气形势典型场及单站要素预报指标，对2006年进行了检验，效果良好。张婉莹等采用REOF法对1961-2014年辽宁地区雾日进行了分区，并对不同分区雾日数的年际及年代际变化特征进行了分析，研究区域雾日数多时间尺度的变化特征。李法然等1对湖州大雾天气成因进行分析，找到有利于大雾发生的预报因子，并用神经网络方法进行预报，建立预报模型，业务应用效果明显。齐建华等叫研究池州大雾特征及预警服务系统，通过分析1959-2007年大雾资料，找到了大雾出现时温度、湿度、风向、风速、气压等气象要素变化的一般规律，建立了池州大雾出现时高空、地面形势的概念模型。夏凡等凹利用中尺度天气研究与预报快速更新循环模式系统中SW方案、RUC方案和FSL方案，对2015年10月至2016年3月山东地区的25次雾天气个例进行预报试验，得知FSL方案更适合作为WRF-RUC模式业务中雾天气的预报产品。张庆奎等3对大雾发生时各预报因子进行阈值和消空指标的确定，建立基于PP法思想和指标叠套方法的阜阳市大雾天气潜势预报模型。在充分考虑池州特殊地理环境的基础上，通过相关分析，找到影响当地大雾的关键因子，利用二级判别法和时间概率回归法建立预报模型。

1资料来源与方法

本文使用淄博高青国家一般气象站2007-2016年地面常规观测资料，对大雾存在的时段进行统计（高青夜间不观测，20：00至翌日8：00作为1个时段进行统计）;同时，利用同时段的气象观测资料分析大雾与各气象要素的关系，采用一元线性趋势方程和多元线性趋势方程，进行2007-2016年各要素的趋势倾向分析，形成大雾预报模型。

为了准确统计大雾的相关数据，本文将能见度（V为有效水平气象能见度）分为3个等级：V<50m称为强浓雾，50≤V<500m称为浓雾，500m≤V<1000m称为雾。同时规定，将0≤V<1000m统称为大雾。

2大雾气候特征

2.1大雾年际变化特征

统计表明，高青站2007-2016年共出现雾日数234d，每年平均23.4d，出现大雾日数最多的年份是2016年，为60d，占25.6%，最少的年份是2010年，为6d，占2.6%。近10年高青站大雾日数呈增加趋势（图1）。进一步分析雾、浓雾、强浓雾的年际变化发现，浓雾出现的日数最多，强浓雾出现的日数最少，雾与浓雾的年际变化与大雾变化趋势一致，而强浓雾呈波动性变化（图2）。

2.2大雾月变化特征

从2007-2016年高青站各大雾日数月变化图（图3）可以看出，大雾日数月变化明显，主要出现在9月至翌年2月，共199d，占85%，其中以12月最多，为45次，占19%，这主要因为冬季夜间因辐射冷却而产生辐射雾。进一步分析雾、浓雾、强浓雾的月变化发现，雾、浓雾、强浓雾的月变化与大雾月变化趋势基本一致，但雾、浓雾、强浓雾分别在11月、10月、12月骤减。对于高青地区，秋、冬季为大雾的多发期，且以辐射雾为主（图4）。

2.3大雾的日变化特征

2007-2016年高青共发生大雾234d，其中夜间发生223d，约占95%.8：00（北京时间，下同）前消散的约占33%;8：00-10：00消散的约占32%;10：00-12：00消散的约占16%;一直持续到12：00后消散的约占20%。不同的是，有2次大雾是午后才出现并一直延续到夜间，约占1%（图5）。研究表明，大雾天气在夜间辐射降温，日出后随着地面温度上升，空气又恢复到未饱和状态，雾滴也就立即蒸发消散I59。因此，高青县大雾以辐射雾为主。

3大雾与各气象要素的关系

3.1各要素的分布区间

大雾的发生是多种因素共同作用的结果，各气象要素在不同量值范围导致大雾发生的强度和概率不同。本文对不同强度等级的大雾发生时各气象要素的分布区间进行了统计（表1）。从表1可以看出，随着大雾的强度越强，相对湿度越高，温度露点差越小，有水汽输送，接近饱和凝结状态;温度3h变化量越小，气压3h变化量越小，大气层结稳定;风速越小。

3.2各要素频率的分布特征

为找到与大雾有关的基本气象要素，分别统计雾（500～1000m）、浓雾（50～500m）.强浓雾（0-50m）、大雾（0～1000m）4个区间内的频率分布。相对湿度、温度露点差、气压3h变化量的频率分布较为相似（图6）。各要素出现频率的计算公式如下：

式中，N;≤x

从图6（a）、图6（d）可知，相对湿度、温度露点差的频率均呈“单峰"分布，相对湿度在95%频率最高，温度露点差在0.5C频率最高，大雾是在一定温度及湿度条件下形成，低层近地层高湿为大雾提供充沛的水汽条件16，可以作为适合的预报因子。由图6（b）图6（e）可知，温度、气压频率分布显示了不同月份雾日的温度、气压差异，且不同大雾强度反映不同，大雾强度越强，温度越低，可以作为预报因子。由图6（c）、图6（f）可知，温度3h变化量、气压3h变化量变化区间小，以“0”为中心点，中间频率高，两边频率低。大雾强度越强，变化区间越小，可以作为预报因子。由图6（g）.图6（h）可知，风向、风速频率分布除强浓雾外在各大雾强度中保持一致，风向在偏东风频率高，风速在1m/s附近频率最高，可以作为预报因子。虽然大雾发生时的气象要素变化基本一致，但强浓雾的发生条件更为严格，可以分别建立能见度预报模型。

3.3大雾与各要素的相关分析

为进一步考量各基本气象要素与能见度的相关性，计算各气象要素与大雾级别的同期线性相关系数。

从表2可以看出，考虑所有样本时，风速对大雾级别影响显著（P<0.05），相对湿度、温度温度露点差、气压、气压3h变化量对大雾级别影响达到了0.01的极显著水平。气压3h变化量和风速均与能见度成负相关，这反映了当处于低能见度天气时，气压变化小，大气层结稳定，风速减弱有利于大雾天气的生成。温度3h变化量与能见度成负相关，这是因为大雾是水汽在凝结核上凝结，空气温度的降低，使空气中水汽达到或近似饱和，产生凝结，有利于大雾产生凹。相对湿度、温度露点差相关系数绝对值均>0.18，是较为理想的预报因子。强浓雾条件下，各基本气象要素相关系数绝对值均>0.1，相关性最好。大雾条件下，相对湿度、温度、温度露点差、气压、气压3h变化量相关系数绝对值均>0.1，相关性较好。雾条件下，除气压3h变化量、风向外，其他要素相关系数绝对值均>0.1，相关性也较好。浓雾条件下，只有相对湿度、温度、温度露点差、气压的相关系数绝对值>0.1，相关性较差。

结合3.2发现，大雾的强度与各基本气象要素关系复杂，不同级别大雾的相关因子有所不同，但相对湿度和温度露点差关系最稳定。

4大雾预报模型的建立

4.1各基本气象要素与大雾预报模型建立

建立各基本气象要素与大雾、雾、浓雾、强浓雾的一元回归方程（表3、4、5.6），从表3可知，温度温度露点差、风向与能见度成正比，相对湿度气压3h变化量、风速与能见度成反比。因与F对应的概率P<0.05时，方程成立，所以温度3h变化量的回归模型不成立。表4中的相对湿度、温度露点差、风向的回归模型成立，其他不成立。发生浓雾时，相对湿度温度、温度露点差的回归模型成立且相关性好（表5）。

发生强浓雾时，温度3h变化量、气压3h变化量相关性最好，回归模型成立（表6）。从回归方程和R2可得出，大雾期间的相对湿度与能见度关系最为密切，其次是温度露点差。

结合与F对应的概率P能更好地检验模型是否成立。

4.2大雾预报模型建立

根据大雾与各基本气象要素的相关系数和一元回归方程可知，大雾主要与相对湿度、温度、温度露点差、气压、气.压3h变化量、风速6个气象要素有关;雾主要与相对湿度、温度露点差2个气象要素有关;浓雾主要与相对湿度、温度、温度露点差3个气象要素有关;强浓雾与温度3h变化量、气压3h变化量有关。由于各级别大雾与各气象要素的关系差异较大，为了达到精细化预报的要求，分别建立预报模型，得到表7的4个多元逐步回归方程。

5结论与讨论

通过对高青单站2007-2016年大雾观测资料统计分析，选取预报因子利用逐步线性回归建立预报模型，得到如下结论。

（1）高青站2007-2016年出现雾日234d，以浓雾日数最多，呈增加趋势，2016年是大雾日数最多年份。大雾主要发生在9月至翌年2月，以12月最多。大雾大多在夜间生成，第2天上午逐渐消散。

（2）分析大雾期间各基本气象要素的数值区间及频率分布，大雾出现时，相对湿度增加，在95%频率最高，温度3h变化量减小，温度露点差减小，气压3h变化量减小，风速减小，以东北风微风为主。随着大雾强度的增加，温度3h变化量、温度露点差、气压3h变化量、风速变化更小，降温增湿过程更明显。

（3）通过计算分析各基本气象要素和能见度的相关系数发现，能见度与相对湿度和温度露点差的相关性较好，相关系数绝对值均超过0.18;与风向的相关性较差，相关系数绝对值最小为0.0022。比较不同强度等级大雾的相关系数发现，各基本气象要素与大雾的相关性最好，而与雾的相关性最差。

（4）通过回归方程找出大雾的预报因子为相对湿度、温度、温度露点差、气压、气压3h变化量、风速;雾的预报因子相对湿度温度露点差;浓雾的预报因子相对湿度、温度、温度露点差;强浓雾的预报因子为温度3h变化量、气压3h变化量根据预报因子建立不同强度等级的大雾预报模型。