周建康， 顧品強， 湯晨陽， 邱 翔， 李家驊， 李 磊

(1. 上海應用技術大學 a. 機械工程學院； b. 理學院； c. 城市建設與安全工程學院， 上海 201418；2. 上海市奉賢區(qū)氣象局， 上海 201416)

根據世界氣象組織的定義，能見度是指正常視力的人在白天天氣情況下，能夠從天氣背景中看到和辨認出適當大小黑色目標物的最大距離，在夜間則指假設亮度與白天相同條件下，能夠辨認出目標物的最大距離[1]。

在低能見度天氣條件下，大氣顆粒物容易形成二次污染物，從而直接危害人們的身體健康，給日常生活帶來許多不便[2]。同時，低能見度天氣常常是造成交通事故和突發(fā)事件的重要原因。孫冉等[3]研究了上海市在霧、霾等天氣過程，不同天氣現象的氣溶膠光學特性，以及能見度的影響因素。徐薇等[4]探究上海市能見度與和散射系數之間的關系。姜江等[5]分析了北京市能見度的影響因素，主要為相對濕度、風速和濃度。古金霞等[6]研究了濟南市能見度變化特征，大氣能見度主要受相對濕度和細顆粒物質量濃度的影響。施憫憫等[7]對合肥市大氣能見度研究發(fā)現，不同相對濕度下，顆粒物濃度對大氣能見度的影響不同。

氣象要素變化和大氣污染物濃度變化存在多層次時間尺度結構，變化也具有非線性、非平穩(wěn)特征，用傳統(tǒng)的信號分析方法不能真實地描述各因素之間的變化關系。1998年，Huang等[8]提出了經驗模態(tài)分解(empirical mode decomposition,EMD)方法。EMD與傳統(tǒng)信號分析方法不同，該方法不預設基函數，而是預設好判斷，基于信號本身所含有的特征尺度進行分解，具有比較明確的物理意義。2008年，Huang等[9]提出了Hilbert-Huang變換(Hilbert-Huang transform，HHT)，HHT方法對非線性、非平穩(wěn)數據處理得到更加符合物理的解釋和說明,具有自適應的特點。Chen等[10]在2010年提出了一種確定2個時間序列的尺度相關關系的方法，即時間內在關聯分析法(time dependent intrinsic correlation, TDIC)。TDIC根據多尺度復雜信號提供不同的自適應窗口，同時，引入多個物理參數對復雜數據進行多尺度分析，從整體和局部上更清楚的觀察2組數據之間的相關關系以及物理過程。Huang等[11]用TDIC方法分析了海洋中溶解氧與溫度之間的相關關系，研究了溫度與海洋數據之間復雜的關系。Sankaran等[12]使用TDIC方法分析了Kallada河流中水流流速與水中懸浮沉淀物濃度的變化關系，Dhouha等[13]利用TDIC分析了Reunion島上溫度與其他環(huán)境要素的相關關系， Adarsh等[14]根據HHT和TDIC分析了印度雨季降雨的多尺度特征以及對降雨的預測。

本文在分析奉賢區(qū)能見度變化特征的基礎上，利用TDIC重點分析了能見度與相對濕度、能見度與濃度變化、能見度與濃度變化之間的相關關系，進一步探究大氣能見度的變化特征。

1 資料與方法

1.1 資料

數據資料由上海市奉賢區(qū)氣象局提供，研究數據為上海市奉賢區(qū)2008～2017年的氣象數據和2015～2017年的空氣質量監(jiān)測數據。采用上海市國家基本氣象站逐小時地面觀測數據(包括能見度、相對濕度、濃度數據等)，采樣時間分辨率為1 h。所有數據均進行嚴格的質量控制，刪除異常值，對于缺失數據使用點處線性趨勢插值法進行處理。

1.2 HHT方法

采用Huang等[8]提出的經驗模態(tài)分解方法(empirical mode decomposition,EMD)，分析2008年1月～2017年12月大氣能見度、相對濕度和大氣污染顆粒物數據，逐級分解出固有模態(tài)函數(intrinsic mode functions，IMF)分量，將分解后的每個IMF分量進行Hilbert變換，得到原始信號的時頻分布，從而觀察原始數據的多尺度變化。

內模函數的定義[8-9]：① 極值點的個數與過零點數目相等，或最多相差1；② 在任意一點，由極大值構成的包絡與極小值構成的包絡的平均值為0。

這樣就把原始的信號分解為一系列的內模函數IMF和殘余項r(t)：

(1)

對分解后的每一階IMF進行Hilbert變換，得到相應的解析信號：

ai(t)ejφi(t)

(2)

P表示取Hilbert變換的主值，對應的瞬時頻率為：

(3)

(4)

這樣就將原信號表示為有限階內模函數的疊加：

(5)

由式(5)可見，HHT方法分解得原始數據頻率調制和幅值調制信息，這也是對傅里葉分析和小波分析的創(chuàng)新。得到的結果將時間、頻率和能量的關系式H(ω,t)繪在一起，得到Hilbert譜圖。

1.3 TDIC方法

傳統(tǒng)的相關性分析方法，處理非線性數據可能會曲解數據之間的相關關系，忽視真實的物理過程[15-16]。TDIC方法基于EMD分解，根據每個IMF分量的瞬時周期，決定每個信號模態(tài)的自適應窗口大小[10]。在進行TDIC方法分析的時候，首先使用EMD將2個時間序列分解成不同尺度的模態(tài)，其次比較2個時間序列的平均周期，并選擇平均周期幾乎相等的2個IMF分量進行TDIC分析。

假設有2個分量IMF1和IMF2，它們的平均周期幾乎相同，但屬于不同的時間序列，這2個分量的相關性可以這樣估算：

(6)

td=max(T1i(tk),T1j(tk))

(7)

式中：T1i和T1j是瞬時周期；T=w-1；n為任何正整數[11]。

2 奉賢區(qū)大氣能見度的變化特征

2.1 日變化特征

圖1為2008年1月～2017年12月上海市奉賢區(qū)1、4、7和10月小時平均能見度變化。為研究奉賢區(qū)不同季節(jié)能見度變化特征，將季節(jié)劃分為春季(3、4、5月)、夏季(6、7、8月)、秋季(9、10、11月)和冬季(12月、次年1、2月)，并選取每個季節(jié)的中間一個月，即1、4、7和10月作為冬季、春季、夏季和秋季的代表月[2]。

圖1 上海市奉賢區(qū)1、4、7和10月小時平均能見度日變化Fig.1 Daily variation of hourly average visibility in January, April, July and October in Fengxian District of Shanghai

通過對上海市奉賢區(qū)正點觀測能見度數值分析發(fā)現，日均大氣能見度最小值為503.6 m，最大值為35.78 km，平均值為10.86 km，日變化幅度為35.27 km，大氣能見度具有明顯的日變化特征。日出前后6～7時為一天中能見度最差的時段，這可能由于夜間大氣層結構較為穩(wěn)定，大氣湍流強度較弱，再加上早晨因炊事，交通等人類活動較為集中，這都導致了從夜間到早晨能見度的降低；日出之后的3～5 h隨著光照輻射的增強，氣溫的回升，相對濕度減小，而且大氣湍流強度逐漸增強，使得大氣能見度上升迅速，因此13∶00～14∶00時能見度達到一天中最高值；傍晚光照輻射減弱，氣溫下降，相對濕度逐漸增大，大氣能見度迅速降低，到了夜間，能見度緩慢下降。

2.2 季節(jié)變化特征

圖2為2008～2017年，10年間4個季節(jié)小時平均能見度。

圖2 4個季節(jié)小時平均能見度Fig.2 Average hourly visibility per season

結合圖1、圖2分析發(fā)現，在2008～2017年10年間，上海市奉賢區(qū)各個季節(jié)能見度的日變化趨勢大體上是一致的。

表1 2008～2017年各季度日平均能見度Tab.1 Daily average visibility for each quarter in 2008-2017

表1是2008～2017年各季日平均能見度統(tǒng)計結果。由表1可見，日均能見度秋季最高，夏季次之，冬季最低。進入夏季，太陽輻射時間增長，溫度較高，能見度較高，而受梅雨天氣影響，在6月中旬到7月中旬，上海的降水量增加，相對濕度增大，會影響能見度的上升；進入秋季，相對濕度減小，風速增大，能見度上升。冬季對流運動變弱，空氣交換速度變慢，并且霧、霾等天氣頻繁，能見度隨之變差。這一特征與我長三角地區(qū)城市能見度冬、春季較差，夏、秋季較好的一般規(guī)律相同[17-19]。

2.3 年際變化特征

圖3為對2008～2017年上海市奉賢區(qū)日均能見度進行EMD分析。由圖3可得到10個IMF分量和趨勢分量殘余函數(residual function，RES)。每個IMF分量依次反映了原始信號從高頻到低頻不同時間尺度上的波動特征，最后得到的趨勢項RES表示，原始信號總體隨時間變化的趨勢。在10年期間，奉賢區(qū)日均能見度呈小幅度上升趨勢。每個IMF分量具有相對穩(wěn)定的準周期，不同時間尺度的IMF分量周期性呈現非均勻變化，反映了能見度變化受到大氣內部運動和外部因素共同作用的影響。

圖3 2008～2017年奉賢區(qū)日均能見度時間序列EMD分析Fig.3 EMD analysis of daily visibility time series in Fengxian District in 2008-2017

圖4給出了能見度序列的Hilbert譜，顯示了不同頻率信號的振幅能量隨時間的變化。能見度值隨時間有上升的趨勢，相應的Hilbert譜的波動振幅隨時間有逐漸增大的趨勢，頻率波動相對比較劇烈的時刻對應的Hilbert能量波動較強。

圖4 2008～2017年能見度時間序列Hilbert譜Fig.4 Visibility time series Hilbert spectrum in 2008-2017

3 奉賢區(qū)大氣能見度影響因素分析

3.1 能見度主要影響因子

有關研究表明[5-6],大氣能見度的大小受到相對濕度、風速、溫度、氣壓等氣象條件的影響，還要受到大氣污染顆粒物(PM2.5、PM10)的影響。表2為能見度的主要影響因子與能見度變化的相關系數，在全年范圍內，PM2.5濃度與能見度相關性最強，相對濕度(RH)次之，PM10濃度與能見度相關性最低。秋冬季節(jié)，大氣污染顆粒物與能見度相關系數較高；在春季和夏季，RH與大氣能見度的相關系數較高。

表2 主要影響因子與能見度變化的相關系數

Tab.2 Correlation coefficient between meteorological parameter and visibility change

時間PM2.5PM10RH全年-0.575 8-0.398 4-0.519 7春季-0.485 1-0.165 9-0.601 2夏季-0.055 2-0.392 7-0.567 6秋季-0.693 6-0.469 4-0.585 9冬季-0.652 1-0.398 4-0.553 7

圖5為不同RH下大氣能見度與PM10、PM2.5濃度的變化關系，把RH分為RH<40%，40%

3.2 相對濕度對能見度的影響

圖6為2015～2017年RH與能見度的變化趨勢。其中：圖6(a)為能見度的變化趨勢；圖6(b)為RH的變化趨勢。

為了更詳細的描述RH與能見度的相關關系，采用時間相關的TDIC，數據選取2008～2017年RH和能見度數據，在2008～2017年期間，分為 7 d、30 d、5個月等周期對能見度與RH相關性分析。

圖7為能見度與RH的TDIC圖。其中：圖7(a)為能見度與RH在周期為7 d的TDIC圖，能見度與RH具有豐富的相關性特征，呈現負相關性，整體相關系數為 -0.325 1；圖7(b)為能見度與RH在周期為30 d的TDIC圖，能見度與RH在窗口尺寸<60 d時呈現正相關性；圖7(c)為能見度與RH在周期為5個月的TDIC圖。由圖可見，在2014年6～9月，出現高強度降水天氣，能見度和RH具有弱的正相關性，相關系數為0.4，這種從由負相關性轉變到正相關性還受到降水、風速、大氣污染物濃度變化等因素的共同影響。

3.3 大氣污染顆粒物對能見度的影響

研究表明[6-7]，大氣中高濃度的顆粒物是造成大氣能見度下降的重要原因，它們通過散射和吸收消光作用來降低能見度。本文利用2015～2017年期間日平均能見度和PM10、PM2.5濃度資料。

圖8為能見度、PM10、PM2.5在2015～2017年的變化圖。其中：圖8(a)顯示日均能見度的變化趨勢；圖8(b)顯示日均PM10濃度的變化趨勢；圖8(c)顯示日均PM2.5濃度的變化趨勢。由圖8可見，能見度與PM10濃度、PM2.5濃度變化呈現負相關變化趨勢。

圖5 不同相對濕度下大氣能見度與PM10、PM2.5濃度的變化關系Fig.5 Relationship between atmospheric visibility and concentration of PM10 and PM2.5 at different relative humidity

圖6 2015～2017年能見度及相對濕度的變化趨勢Fig.6 Trends in visibility and relative humidity in 2015-2017

圖7 能見度與RH的TDIC圖Fig.7 TDIC plot between visibility and relative humidity

圖8 能見度、PM10、PM2.5在2015～2017年的變化圖Fig.8 The variation diagram of visibility, PM10 and PM2.5 in 2015～2017

圖9 PM10濃度與能見度的TDIC圖Fig.9 TDIC plot between PM10 and visibility

3.3.1 PM10濃度與能見度的TDIC分析結果

圖9(a)為PM10濃度與能見度在周期為7 d的TDIC圖，圖9(b)為PM10濃度與能見度在周期為30 d的TDIC圖。2015～2017年，日均能見度與PM10濃度變化呈現負相關。從圖9(a)、(b)可以看出，在2015年4～7月、2016年10月～2017年1月等局部時間范圍，能見度與PM10濃度由負相關性轉變?yōu)檎嚓P性，這種變化受到復雜天氣狀況影響，如高強度降水、持久霧霾等極端天氣，都會影響能見度與污染物濃度的關系。

3.3.2 PM2.5濃度與能見度的TDIC分析結果

圖10為能見度與PM2.5濃度的TDIC圖。在圖10(a)中，能見度與PM2.5濃度存在較強的相關關系。圖10(b)中，2015年10～11月，能見度與PM2.5濃度在窗口尺寸小于7 d時具有正相關性，2016年11月～2017年1月，能見度與PM2.5濃度在窗口尺寸小于30 d時具有正相性。在這2個時間段中RH比全年平均相對濕度高1.2%，高相對濕度，影響顆粒物濃度對能見度的作用，同時相關性變化還會受到降水、風速、大氣污染物濃度變化等因素的共同作用。由圖9和圖10可以發(fā)現，大氣能見度與PM2.5濃度變化的相關系數明顯高于PM10。

圖10 PM2.5濃度與能見度的TDIC圖Fig.10 TDIC plot between PM2.5 and visibility

4 結 語

(1) 上海市奉賢區(qū)大氣能見度平均日變化和季節(jié)變化趨勢明顯，日均能見度最高值出現在 13∶00～14∶00時，最低值出現在6∶00～7∶00時，日變化最大幅度為35.27 km，大氣能見度季節(jié)變化為秋季>夏季>春季>冬季，10年期間，能見度有逐漸上升的趨勢。

(2) 在不同的相對濕度下，顆粒物濃度對大氣能見度的影響不同。當RH較高時(RH≥80%)，氣溶膠顆粒的吸濕潮解作用會發(fā)生改變，顆粒物濃度對能見度影響力減弱，能見度主要受到相對濕度的影響。顆粒物濃度的減少對能見度的影響有不同的階段性，當顆粒物濃度大于75 μg·m-3時，顆粒物濃度的減小對能見度的影響不明顯；當顆粒物濃度小于50 μg·m-3時，能見度隨著顆粒物濃度的上升快速下降。

(3) 利用TDIC對能見度與RH、PM10和PM2.5濃度變化進行相關性分析。能見度與RH變化之間存在負相關性，在2014年6～9月時間范圍內，能見度與RH相關關系由負相關性變?yōu)檎嚓P性，這種變化受到降水、風速、大氣污染物等因素和高強度降水天氣的共同影響；能見度與PM10和PM2.5濃度之間存在著強的負相關性，并且PM2.5對大氣能見度的影響大于PM10，在2015年10～11月、2016年11月～2017年1月等局部時間內，能見度與顆粒物濃度呈現正相關性，在此期間，相對濕度比全年相對濕度高1.2%，高相對濕度影響顆粒物濃度對能見度的作用，同時相關性變化還會受到高強度降水、持久霧霾等極端天氣的影響。