环境科学学报  2020, Vol. 40 Issue (12): 4453-4460
天津静稳指数建立及在环境气象预报和评估中的应用    [PDF全文]
张敏1,2, 蔡子颖1, 韩素芹1    
1. 天津市环境气象中心, 天津 300074;
2. 中国气象局-南开大学大气环境与健康研究联合实验室, 天津 300074
摘要:基于2014—2015年NCEP再分析资料及天津地区PM2.5质量浓度数据,构建天津地区静稳指数以期反映大气综合扩散能力,为天津霾、空气质量预报和大气环境气象条件评估提供支撑.研究结果表明:本文构建的静稳指数可作为评估天津地区细颗粒物大气扩散能力的重要指标参数,其建模产品与天津地区PM2.5质量浓度相关系数为0.62,在评测期间(2016年6月1日—2018年5月31日),基于EC模式的静稳指数24 h预报产品与天津地区PM2.5质量浓度相关系数为0.67,1~7 d预报产品与PM2.5质量浓度相关系数超过0.53,8~10 d预报产品随着时效增加指示能力有所下降,相关系数为0.4左右,但通过显著性检验.对比同期基于GFS资料和WRF/Chem构建的天津中长期环境气象数值模式,其相关系数接近,趋势预报效果相当.同时,由于静稳指数综合了水平风速、混合层高度、相对湿度等多项指标,可以综合反映一个地区大气扩散能力,在大气环境气象条件评估中可发挥积极作用,以同排放源不同气象条件的数值模拟为基准定义细颗粒物大气扩散条件,2013—2018年逐月大气扩散条件同比上年改善的占总样本41%,同比转差的占总样本59%,利用静稳指数对大气扩散条件月同比变化趋势进行判断,识别准确率可达80%.
关键词静稳指数    大气扩散条件    预报和评估    天津    
Establishment of stable weather index of Tianjin and its application in environmental weather forecast and assessment
ZHANG Min1,2, CAI Ziying1, HAN Suqin1    
1. Tianjin Environmental Meteorological Center, Tianjin 300074;
2. CMA-NKU Cooperative Laboratory for Atmospheric Environment-Health Research, Tianjin 300074
Received 2 January 2020; received in revised from 28 June 2020; accepted 28 June 2020
Abstract: For the purpose of reflecting the atmospheric diffusion capacity, Stable Weather Index (SWI) was established based on the NCEP reanalysis data and PM2.5 mass concentration data in Tianjin from 2014 to 2015. It can be used for air quality forecast and environmental meteorological assessment. The results showed that SWI constructed in this paper can be used as an important index parameter to evaluate the atmospheric diffusion capacity of fine particles in Tianjin. The correlation coefficient between SWI established with NCEP data and PM2.5 from 2014 to 2015 was 0.62. The 1~10 days SWI forecast products were calculated with ECMWF forecasting data from 20160601 to 20180531, the correlation coefficient between 1-day SWI forecast product and the mass concentration of PM2.5 in Tianjin was 0.67, and the correlation coefficient between 1~7 days SWI forecast product and PM2.5 was greater than 0.53, the indicator ability of the SWI prediction products from 8 to 10 days decreased with a correlation coefficient of 0.4, but it also passed the significance test of 0.01. The forecast trend with SWI was similar to that with the medium and long-term numerical model of Tianjin WRF-Chem. At the same time, because SWI integrated multiple indicators such as horizontal wind speed, mixed layer height and relative humidity, it could comprehensively reflect the region atmospheric diffusion capacity and play an active role in the monthly and annual assessment of environmental meteorology. The standard atmospheric diffusion conditions of fine particles were defined with numerical simulations results with different meteorological conditions and the same pollution emission. During 2013 to 2018, the month when atmospheric diffusion conditions turn better and worse accounted for 41% and 59%, respectively. The accuracy of using SWI to identify the trend of monthly atmospheric diffusion conditions was more than 80%.
Keywords: Stable Weather Index (SWI)    atmospheric diffusion capacity    forecast and assessment    Tianjin    
1 引言(Introduction)

2013年1月以来, 我国中东部地区相继出现多次大范围持续性雾-霾天气(关月等, 2013李明等, 2016杨正龙等, 2016), 严重的空气污染和低能见度天气对城市交通和人民的健康生活造成严重影响(谢元博等, 2013高坤等, 2017), 同时引起了各级政府和气象部门的高度关注.2013年9月10日国务院公布了《大气污染防治行动计划》, 经过多年治理, 全国城市空气质量总体改善, 天津雾、霾天气比2013年减少一半, 但冬季雾、霾问题依然严峻.气象条件对于雾、霾天气的影响是多方面且重要的(Ding et al., 2014毛卓成等, 2015赵子菁等, 2015, 李令军等, 2016Wang et al., 2016), 有研究显示2013年雾、霾天气逐日演变的方差有超过2/3的可以由气象因子解释(穆穆等, 2014), 通过气象条件的分析可较好开展雾、霾天气预报和成因辨识, 如王静等(2015)对上海市一次重雾、霾过程的分析发现气团在不同高度层做下沉运动造成的大气层结稳定及地面的小风是造成持续性雾、霾天气的主要原因, 陈镭认为槽后西北气流和稳定的垂直层结及弱的地面气压场有利于上海地区霾天气的发生及维持(陈镭等, 2016);广州秋冬季霾天气易发生在冷空气影响后的变性脊控制及高压出海后的回流天气造成的辐射逆温和受低槽、脊后槽前暖气流造成的平流逆温的时段(夏冬等, 2013);廖晓农等研究认为冬季雾、霾形成和维持的主要机制是边界层逆温、地面弱风场以及底层湿度逐渐增大(廖晓农等, 2015孙兆彬等, 2017).天津研究则显示当日均混合层厚度小于200 m时, 天津地区出现中度以上霾的概率高达46%;当天津城区0~250 m日均温差小于0.4 ℃/100 m时, 出现中度以上污染概率为64%, 重污染概率为47%(张敏等, 2018蔡子颖等, 2018), 通过混合层和温度层结的指标可以较好的指导雾、霾预报.

大量研究事实表明地面风速、相对湿度、混合层厚度、边界层温度层结以及中低空的环流配置等水平和垂直气象条件均对雾、霾天气的形成具有重要作用(王莉莉等, 2010Zhang et al., 2014Wang et al., 2014Zhang et al.., 2016), 这些气象要素之间彼此又存在相互影响和内在联系, 预报员在实际预报中经常需要分析多种气象要素综合比较判断才能得出预报结论, 建立一个融合多种气象要素可直接用于雾、霾预报的客观综合指标对预报员在实际预报业务中有重要作用, 也有助于定量评估气象条件在雾、霾重污染天气中的作用.早在2001年朱蓉等(2002)基于城市空气污染数值预报系统CAPPS开发了城市空气污染潜势指数(PPI)预报并在全国多个城市推广;张小曳等开发了空气质量气象条件参数(PLAM)指数并探讨了该指数在华北地区雾、霾天气预报中的应用(Yang et al., 2015), 上述指数可以体现气象条件在雾、霾和重污染天气中的综合作用.张恒德等(2017)通过分段统计多个气象要素在不同区间内雾、霾天气出现概率构建了北京市静稳天气综合指数, 该指数能客观定量的描述气象条件在雾、霾、重污染天气中的综合作用, 可用于重污染天气过程预报和污染减排评估.本文参考北京市静稳天气指数(张恒德等, 2017)的构建方法, 结合天津市雾、霾天气特征(Han et al., 2017蔡子颖等, 2017)对静稳天气指数的构成因子及权重系数进行调整, 建立适用于天津地区的静稳指数指标, 并通过与欧洲中期天气预报中心EC模式预报数据衔接实现静稳指数0~10 d预报, 检验相关产品, 与天津中长期环境气象数值模式产品性能进行对比.此外由于静稳指数综合反映水平风速、相对湿度等大气扩散能力指标, 本文也试验性将静稳指数运用于大气环境气象条件评估中, 以反映气象条件变化对空气质量改善的影响, 并将其结果与数值模拟分析结果进行比对.通过两方面工作, 以期实现静稳指数指标在天津环境气象预报和评估的运用, 为上述业务的开展提供支撑方法.

2 资料的选取和模式参数的介绍(Selection of data and introduction of model parameters) 2.1 监测数据

本文使用的监测数据主要为天津地区逐时PM2.5质量浓度监测资料, 数据来自两部分:2014年1月1日—2018年12月31日为天津市生态环境监测站逐小时PM2.5质量浓度监测数据, 监测站点28个(图 1), 监测方法为振荡天平法;气象数据来自天津市气象局天津13个监测站点逐小时资料, 其均匀分布在天津所有区, 包括风速、温度、湿度和气压观测.

图 1 天津市空气质量监测站分布图 Fig. 1 Distribution of air quality monitoring stations in Tianjin
2.2 静稳指数构建

静稳指数的构建参考张恒德等(2017)提出的北京地区静稳天气指数构建方法, 使用2014—2015年的NCEP再分析资料(https://rda.ucar.edu/datasets/ds083.2)和WRF/Chem模式输出结果, 以及同期的PM2.5浓度观测数据.考虑到天津和北京地理位置相近, 参考北京静稳天气综合指数的构建因子, 同时结合天津本地雾、霾天气特征, 选取2 m相对湿度、10 m风速、海平面气压、24 h变压、1000 hPaV分量风速、925 hPa垂直风速、700 hPa风速、700~1000 hPa位温差和混合层厚度10个气象要素作为天津静稳指数的构成因子.为验证所选因子的可用性, 分别计算了其与PM2.5浓度的相关系数, 结果表明相关系数均在0.45以上, 所选因子可用.利用2014—2015年NCEP再分析资料和地面观测PM2.5浓度数据作为建模样本, 对选定的10个气象因子分别确定其权重系数.方法如下:按照每个气象因子的分布将其划分为10等份, 分别计算每一份区间内对应的PM2.5质量浓度, 然后求取其与2014—2015年平均PM2.5质量浓度的比值, 定为该气象因子对应分布段的权重系数, 见式(1).以混合层厚度为例, 将其划分为0~214、215~300、301~362、363~425、426~482、483~520、521~580、581~643、644~810和811 m以上, 当混合层厚度低于214 m时, 其对应的PM2.5质量浓度为161.46 μg·m-3, 2014—2015年PM2.5质量浓度均值为78 μg·m-3, 将二者的比值初步定为其权重系数, 依次类推对10个气象因子分别计算, 最后对10个因子求和作为最终静稳指数, 反映大气综合扩散条件.为使得静稳指数与PM2.5浓度相关性更好, 编辑程序反复微调(计算确定权重系数的10%左右)权重系数, 以得到的静稳指数和PM2.5质量浓度相关系数最大为目标, 最终确定权重系数, 见表 1.

(1)
表 1 天津地区细颗粒物扩散指数权重系数表 Table 1 The weight coefficient of the fine particulate meteorological diffusion index in Tianjin

式中, Wini气象要素n段范围内分指数权重, aini气象要素n段范围内PM2.5质量浓度, b为平均PM2.5质量浓度.

(2)

式中, Wii气象要素权重, n为静稳指数考虑的气象要素个数, 本文为10, SWI为静稳指数.

2.3 中长期环境气象预报数值模式

中长期环境气象数值预报模式使用WRF/Chem模式, 该模式是由NCAR和NOAA联合一些大学和研发机构开发的中尺度在线大气化学模式, 考虑了大气污染的化学过程、平流输送、湍流扩散、干湿沉降过程, 在全球空气质量预报和模拟中有广泛的运用.本文采用WRF/Chem3.8.1版本, 气相化学过程采用CBMZ机制, 气溶胶过程采用MOSAIC模型, 主要物理过程设置如下:积云对流方案采用grell-3D, 微物理过程采用WSM5, 长波辐射方案和短波辐射方案均采用RRTMG, 考虑气溶胶直接辐射反馈, 边界层方案使用YSU, 模式水平分辨率为15 km, 水平网格为121×121, 中心经纬度为39°N、117°E, 垂直方向分为41层.模式的人为排放源清单使用清华大学MEIC2012, 分辨率为0.25°×0.25°, 在天津地区使用28个空气质量监测站实况数据和相关排放源统计信息进行时空的细化, 气象初始场和背景场均使用GFS资料, 预报时效为10 d, 资料时间范围为2016年6月1日—2018年5月31日.

2.4 大气环境气象条件评估模式

大气环境气象条件月评估也使用WRF/Chem模式, 设置与中长期环境气象数值预报模式相同, 气象初始场和背景场使用NCEP的FNL资料, 模拟采用24 h滚动计算, 每24 h重新使用一次FNL气象初始场, 6 h使用一次FNL作为背景场, 污染初始场则为上一次的模拟值, 模拟时间为2013年1月1日—2018年12月31日.排放源使用清华大学MEIC2012, 分辨率为0.25°×0.25°, 在天津地区使用28个空气质量监测站实况数据和相关排放源统计信息进行时空的细化, 模拟过程中保持年排放源恒定, 实现同排放源不同气象条件模拟, 以同排放源条件下当月模拟的PM2.5与上年同期模拟的PM2.5对比, 综合反映大气扩散条件.检验模拟情况, 其逐日模拟PM2.5质量浓度和实况PM2.5相关系数为0.75, 相对误差为35%, 具有较好的模拟性能.假定恒定排放源下, 不同月份模拟PM2.5质量浓度主要由气象条件引起, 则本月模拟的PM2.5为80 μg·m-3, 上年同期为50 μg·m-3, 两者比较, 大气扩散条件转差为60%.

3 结果和讨论(Results and discussion) 3.1 静稳指数检验及在环境气象预报中的应用

为检验天津市静稳指数的可用性, 对2014—2015年静稳指数和PM2.5平均质量浓度相关系数进行检验, 如图 2所示, 11、12、1月和2月相关系数较高, 达到0.7以上;夏季6—8月相关系数较低, 为0.66, 全年相关系数为0.62, 可以较好的指示大气中PM2.5质量浓度变化趋势.

图 2 静稳指数与PM2.5浓度的逐月相关系数 Fig. 2 The monthly correlation coefficients between SWI and mass concentration of PM2.5

为进一步确定静稳指数对霾及污染天气预报的指示意义, 统计2014—2015年出现霾和污染天气时其对应的静稳指数区间范围.将静稳指数划分为5档, 静稳指数小于8时, 大气扩散条件非常有利, 平均PM2.5质量浓度为31 μg·m-3;静稳指数为8~10时, 大气扩散条件较有利, 平均PM2.5质量浓度为58 μg·m-3;静稳指数为10~12时, 大气扩散条件一般, 平均PM2.5质量浓度为78 μg·m-3;静稳指数为12~14时, 大气扩散条件较不利, 平均PM2.5质量浓度为109 μg·m-3;静稳指数大于14, 大气扩散条件非常不利, 平均PM2.5质量浓度为156 μg·m-3.

2014—2015年出现重污染日65 d, 静稳指数表征出大气扩散条件为非常不利的占55%, 大气扩散条件为较不利的36%, 通过静稳指数指示可识别91%的重污染过程;中度以上污染134 d, 静稳指数表征大气扩散条件为非常不利的占41%, 大气扩散条件较不利的34%, 通过静稳指数指示可识别75%的中度以上污染过程;静稳指数小于8时, 仅出现轻度污染1 d, 非污染日识别率98%.基于上述分析可以认为, 通过静稳指数可以初步识别重污染日、中度以上污染日和非污染日, 91%的重污染日静稳指数大于12, 当静稳指数小于8时, 98%的概率空气质量维持优良水平.

在2014—2015年基于NCEP建立静稳指数模型的基础上, 基于EC模式预报产品实测静稳指数预报对于霾和污染天气的指导, 提取EC模式2 m相对湿度、10 m风速、海平面气压、24 h变压、1000 hPaV分量风速、925 hPa垂直风速、700 hPa风速、700~1000 hPa位温差和混合层厚度10个气象要素, 加权计算获取0~10 d静稳指数预报产品.检验数据为2016年6月1日—2018年5月31日, 根据预报产品检验表明, 通过EC模式获取静稳指数预报产品(图 3), 其24 h预报产品与PM2.5观测值相关系数0.67, 检验期间出现重污染日36 d, 44%的重污染日静稳指数大于14, 85%的重污染日静稳指数大于12, 中度以上污染日61 d, 77%的中度污染日静稳指数大于12, 通过静稳指数可以较好的反映大气扩散能力, 指示中度和重度污染过程, 为霾和污染天气预报提供有效支撑.

图 3 天津地区静稳指数与PM2.5质量浓度关系 (a.基于NCEP资料构建静稳指数, b.基于EC模式预报构建静稳指数) Fig. 3 The scatter diagrams of SWI and the mass concentration of PM2.5 (a. NCEP reanalysis data, b. EC modeling forecast result)

检验期间, 预报产品静稳指数小于8时, PM2.5质量浓度为31 μg·m-3, 出现轻度污染2次, 非污染日62次, 当静稳指数小于8时, 空气质量保持优良水平.通过2016年6月1日—2018年5月31日试验, 基本认为基于EC模式建立静稳指数预报指标, 可以较好的反映大气综合扩散条件, 指导霾和污染天气预报.评测产品时效性, 图 4显示基于EC模式的静稳指数预报产品与PM2.5观测的相关系数, 其0~72 h预报结果与PM2.5相关系数在0.64以上;72~120 h预报和实况相关系数为0.59.当预报时效大于148 h后, 静稳指数与PM2.5日均值相关性下降明显, 由第7 d的0.53下降至第10 d的0.38.为实际检验基于EC模式的静稳指数预报产品实际运用价值, 对比同期的环境气象中长期数值模式预报结果, 1~5 d静稳指数预报与实况相关系数比数值模式预报略低, 6~10 d两者相关系数接近, 趋势预报效果相当, 而中长期环境气象数值模式消耗机时是庞大的, 基于EC模式的静稳指数预报产品在实际业务运用有一定的价值.

表 2 基于NCEP的静稳指数对应的PM2.5质量浓度和污染天气出现概率(2014—2015年) Table 2 PM2.5 mass concentration and probability of occurrence of pollution weather corresponding to different SWI in Tianjin during the period of 2014 to 2015

表 3 基于EC模式的静稳指数对应的PM2.5质量浓度和污染天气出现概率(2016—2018年) Table 3 PM2.5 mass concentration and probability of occurrence of pollution weather corresponding to different SWI in Tianjin during the period of 2016 to 2018

图 4 天津地区0~10 d静稳指数、中长期环境气象数值模式预报产品与实况PM2.5相关系数 Fig. 4 The correlation coefficients between 0~10 days forecast SWI and medium-long term environmental meteorological numerical model forecast products and PM2.5 mass concentration respectively
3.2 大气环境气象评估中静稳指数应用

大气环境气象评估指通过气象条件分析大气扩散能力, 从而解析月和年空气质量发生变化的气象原因.目前大气环境气象条件的评估主要有3种方式, ①单一指标的统计分析, 如风速、混合层厚度和相对湿度等;②数值模式, 采用同排放源不同气象条件的模拟解析气象条件对空气质量改善影响, 如EMI指数;③综合气象指标, 典型的有PLAM指数.本文中静稳指数综合了水平风速、混合层、相对湿度等多项指标, 可以综合反映一个地区大气扩散能力, 同时克服了数值模式评估方法对计算资源需求大的问题.以同排放源不同气象条件数值模拟PM2.5质量浓度为基准定义细颗粒物大气扩散条件, 2013—2018年大气扩散条件月同比上年改善样本占总样本的41%, 同比转差的样本占总样本的59%, 静稳指数同比变化与细颗粒物大气扩散条件同比变化趋势一致, 两者相关系数达到0.65(图 5), 通过静稳指数对大气扩散条件月同比变化趋势识别准确率可达80%.

图 5 静稳指数和数值模拟反映月大气扩散条件同比变化率对比 Fig. 5 The scatter plot of SWI and numerical simulation in reflecting the monthly variation rate of the atmospheric diffusion conditions

图 6给出2014—2018年天津地区静稳指数变化趋势, 2018年天津平均静稳天气指数为10.06, 略低于2017年的10.20, 但显著高于2014—2015年天津静稳指数数值, 显示出2017—2018年相比前一阶段天津大气扩散条件的转好趋势, 其与同源数值模拟, 本地的气象要素监测, 中国气象局EMI指数反映是一致的, 与相关的研究和报道(Zhang et al., 2019)也基本一致, 尤其表明静稳指数可以用来较好的评估一个地区一段时间大气综合扩散条件的变化趋势.

图 6 天津地区2014—2018年全年和冬半年(1—3月、10—12月)静稳天气指数变化 Fig. 6 The changes of SWI in Tianjin from 2014 to 2018

在逐月的分析中, 以2018年10、11月为例, 2018年10月天津平均静稳指数为10.38, 较上年同期11.14明显减小, 2018年11月静稳指数为11.24, 显著高于上年同期8.99.基于上述指标, 可以判断天津地区2018年10月大气扩散条件同比转好, 2018年11月大气扩散条件同比转差.对于PM2.5实况观测, 10月PM2.5质量浓度同比下降24.2%, 11月PM2.5质量浓度同比上升56.6%, 其显示了较好的一致性.定义同排放源不同气象条件模拟得到的大气扩散条件变化趋势为较为准确的数值, 计算结果表明2018年10月大气扩散条件改善导致天津PM2.5质量浓度同比下降38%, 11月大气扩散条件转差导致PM2.5同比上升56.4%, 其结论与静稳指数分析得到的结论也较为一致, 显示静稳指数在大气环境月评估中也可以有较好的运用.

4 结论(Conclusions)

1) 基于10项气象要素综合构建天津地区静稳指数, 可以较好反映天津大气综合扩散条件, 其与PM2.5观测的相关系数达到0.62.静稳指数小于8时, 表征大气扩散条件有利, 静稳指数为8~10时, 表征大气扩散条件较有利, 静稳指数为10~12时, 表征大气扩散条件一般, 静稳指数为12~14时, 表征大气扩散条件较差, 静稳指数大于14时, 表征大气扩散条件非常不利.

2) 基于EC模式开发静稳指数预报产品可以较好地指导天津地区霾和污染天气预报.通过2016年6月1日—2018年5月31日评测, 其24 h预报产品与PM2.5观测值相关系数0.67, 可指示出85%以上的重污染过程.0~72 h产品与PM2.5实况相关系数0.64以上, 0~7 d预报相关系数超过0.53, 在霾和污染天气趋势预报中有较好指导作用.

3) 静稳指数综合了水平风速、混合层、相对湿度等多项指标, 可以综合反映一个地区大气扩散能力, 指标可用于大气环境评估中气象条件对空气质量影响解析.以同排放源不同气象条件数值模拟为基准定义细颗粒物大气扩散条件, 通过静稳指数对大气扩散条件月同比变化趋势识别准确率可达80%.

参考文献
陈镭, 马井会, 耿福海, 等. 2016. 上海地区一次典型连续颗粒物污染过程分析[J]. 气象, 42(2): 203-212.
蔡子颖, 韩素芹, 汪靖, 等. 2017. 基于天气背景天津地区重污染天气特征分析[J]. 环境科学学报, 37(10): 3906-3917.
蔡子颖, 韩素芹, 张敏, 等. 2018. 天津地区污染天气分析中垂直扩散指标构建及运用[J]. 环境科学, 39(6): 46-54.
Ding Y H, Liu Y J. 2014. Analysis of long-term variations of fog and haze in China in recent 50 years and their relations with atmospheric humidity[J]. Science China:Earth Sciences, 57(1): 36-46. DOI:10.1007/s11430-013-4792-1
高坤, 涂辉招, 时恒, 等. 2017. 雾霾天气低能见度对不同跟驰状态驾驶行为的影响[J]. 吉林大学学报(工), 47(6): 1716-1727.
关月, 何立富. 2013. 2013年1月大气环流和天气分析[J]. 气象, 39(4): 531-536.
Han S Q, Cai Z, Zhang Y, et al. 2015. Long-term trends in fog and boundary layer characteristics in Tianjin, China[J]. Particuology, 20(3): 61-68.
Han S Q, Hao T Y, Zhang Y F, et al. 2017. Vertical observation and analysis on rapid formation and evolutionary mechanisms of a prolonged haze episode over central-eastern China[J]. Science of Total Environment, 616.
Han S Q, Zhang Y, Wu J, et al. 2015. Evaluation of regional background particulate matter concentration based on vertical distribution characteristics[J]. Atmospheric Chemistry & Physics, 15(19): 14889-14921.
李令军, 王占山, 张大伟, 等. 2016. 2013-2014年北京大气重污染特征研究[J]. 中国环境科学, 36(1): 27-35.
李明, 花丛, 马学款. 2016. 2015年12月大气环流和天气分析[J]. 气象, 42(3): 382-388.
廖晓农, 孙兆彬, 唐宜西, 等. 2015. 高空偏北风背景下北京地区高污染形成的环境气象机制研究[J]. 环境科学, 36(3): 801-808.
毛卓成, 马井会, 许建明, 等. 2015. 上海地区持续东风系统控制下污染扩散条件分析[J]. 气象, 41(7): 890-898.
穆穆, 张人禾. 2014. 应对雾霾天气:气象科学与技术大有可为[J]. 中国科学:地球科学, 44(1): 1-2.
孙兆彬, 李梓铭, 廖晓农, 等. 2017. 北京大气热力和动力结构对污染物输送和扩散条件的影响[J]. 中国环境科学, 37(5): 1693-1705.
Wang H J, Chen H P. 2016. Understanding the recent trend of haze pollution in eastern China:roles of climate change[J]. Atmospheric Chemistry & Physics, 16(6): 1-18.
Wang Y S, Yao L, Wang L L, et al. 2014. Mechanism for the formation of the January 2013 heavy haze pollution episode over central and eastern China[J]. Science China Earth Sciences, 57(1): 14-25.
王静, 施润和, 李龙, 等. 2015. 上海市一次重雾霾过程的天气特征及成因分析[J]. 环境科学学报, 35(5): 1537-1546.
王莉莉, 王跃思, 王迎红, 等. 2010. 北京夏末秋初不同天气形势对大气污染物浓度的影响[J]. 中国环境科学, 30(7): 924-930.
夏冬, 吴志权, 莫伟强, 等. 2013. 一次热带气旋外围下沉气流造成的珠三角地区连续灰霾天气过程分析[J]. 气象, 39(6): 759-767.
谢元博, 李巍. 2013. 基于能源-环境情景模拟的北京市大气污染对居民健康风险评价研究[J]. 环境科学学报, 33(6): 1763-1770.
Yang Y Q, Wang J, Gong S, et al. 2015. PLAM-a meteorological pollution index for air quality and its applications in fog-haze forecasts in north China[J]. Atmospheric Chemistry & Physics, 15(6): 1353-1364.
杨正龙, 高拴柱. 2016. 2015年10月大气环流和天气分析[J]. 气象, 42(1): 122-128.
Zhang R H, Li Q, Zhang R N. 2014. Meteorological conditions for the persistent severe fog and haze event over eastern China in January 2013[J]. 中国科学:地球科学, 57(1): 26-35.
Zhang Z, Zhang X, Gong D, et al. 2016. Possible influence of atmospheric circulations on winter haze pollution in the Beijing-Tianjin-Hebei region, northern China[J]. Atmospheric Chemistry & Physics, 15(16): 561-571.
Zhang X Y, Xu X D, Ding Y H, et al. 2019. The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China[J]. Science China Earth Sciences, 62(12): 1885-1902. DOI:10.1007/s11430-019-9343-3
张恒德, 张碧辉, 吕梦瑶, 等. 2017. 北京地区静稳天气综合指数的初步构建及其在环境气象中的应用[J]. 气象, 43(8): 998-1004.
张敏, 蔡子颖, 韩素芹, 等. 2018. 天津污染天气边界层温度层结变化特征及预报阈值确定[J]. 环境科学学报, 38(6): 2270-2278.
杨正龙, 高拴柱. 2016. 2015年10月大气环流和天气分析[J]. 气象, 42(1): 122-128.
赵子菁, 魏永杰, 张祥志, 等. 2015. 南京市霾天气与主要气象条件的相关分析[J]. 中国环境科学, 35(12): 3570-3580.
朱蓉, 徐大海. 2002. 新一代CAPPS系统的开发与推广应用[J]. Annual Report of CAMS, (1): 36-37.