CLDAS陆面融合实况数据对天津雾和霾判识的准确性分析

doi:10.11755/j.issn.1006-7639(2023)-04-0657

干旱气象 ›› 2023, Vol. 41 ›› Issue (4): 657-665.DOI: 10.11755/j.issn.1006-7639(2023)-04-0657

CLDAS陆面融合实况数据对天津雾和霾判识的准确性分析

郭阳¹^,²(), 师春香³(), 徐宾³, 司鹏¹^,², 徐梅¹^,², 王敏⁴, 孙玫玲⁵

1.天津市海洋气象重点实验室，天津 300074
2.天津市气象信息中心，天津 300074
3.国家气象信息中心，北京 100081
4.广东省韶关市气象局，广东韶关 512026
5.天津市气象服务中心，天津 300074

收稿日期:2022-06-28 修回日期:2022-09-14 出版日期:2023-08-31 发布日期:2023-08-29
通讯作者: 师春香（1964—），女，博士，研究员，主要从事多源数据融合与再分析研究。E-mail：shicx@cma.gov.cn。
作者简介:郭阳（1990—），男，博士，工程师，主要从事多源数据融合研究。E-mail：guoy13@lzu.edu.cn。
基金资助:
国家重点基础研究发展计划项目(2018YFC1506601);国家自然科学基金项目(41905132);天津市科技重大专项与工程项目(18ZXAQSF00130);天津市气象局科研项目(202119ybxm07);天津市气象局科研项目(202306ybxm02)

Accuracy analysis of fog and haze identification based on CLDAS land surface fusion data in Tianjin

GUO Yang¹^,²(), SHI Chunxiang³(), XU Bin³, SI Peng¹^,², XU Mei¹^,², WANG Min⁴, SUN Meiling⁵

1. Tianjin Key Laboratory of Oceanic Meteorology， Tianjin 300074， China
2. Tianjin Meteorological Information Center， Tianjin 300074， China
3. National Meteorological Information Center， Beijing 100081， China
4. Shaoguan Meteorological Service of Guangdong Province， Shaoguan 512026， Guangdong， China
5. Tianjin Meteorological Service Center， Tianjin 300074， China

Received:2022-06-28 Revised:2022-09-14 Online:2023-08-31 Published:2023-08-29

摘要/Abstract

摘要：

雾和霾是危害人类健康和影响社会经济发展的灾害天气，精细化的实况资料能够在雾和霾的防治中发挥重要作用。利用2017年12月1日至2020年11月30日天津及其周边地区国家气象观测站资料、Himawari-8卫星L1级全圆盘观测数据和L3级气溶胶光学厚度产品，分析了中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）能见度和相对湿度融合实况分析产品判识天津地区雾、轻雾和霾的准确性。结果表明：与台站资料相比，CLDAS产品对轻雾、雾和霾的平均检出率分别为90.4%、84.2%和78.8%；CLDAS产品对轻雾的逐月检出率为81.1%~96.4%，雾和霾出现较多的月份，其检出率均在80.0%左右。个例分析表明CLDAS产品判识的雾、轻雾和霾与台站观测结果以及Himawari-8卫星反演检测结果基本一致。CLDAS产品未正确判识雾、轻雾和霾的情况主要表现为雾误判为轻雾（各站为3.8%~21.4%）和霾漏判（各站为8.6%~25.0%）。当台站水平能见度在区间[0，0.75 km）时，CLDAS能见度的误差主要导致雾误判为轻雾；在区间[0.75，7.5 km）时，CLDAS能见度的误差主要导致霾漏判；在区间[7.5，15 km）时，CLDAS能见度的误差主要导致轻雾和霾空报。当台站相对湿度大于40%且小于等于60%时，CLDAS相对湿度的误差主要导致霾误判为轻雾。总体而言，CLDAS产品对天津地区雾、轻雾和霾的判识准确性较好，能够为雾、轻雾和霾的精细化监测提供参考，改善雾和霾监测中能见度观测站点稀少、空间覆盖不足的现状。

关键词: CLDAS产品, 雾和霾, 能见度, 相对湿度, 准确性判识

Abstract:

Fog and haze are disaster weathers which endanger human health and affect social and economic development. Accurate and detailed monitoring data can play an important role in the prevention and control of fog and haze. The accuracy of China Meteorological Administration Land Data Assimilation System (CLDAS) visibility and relative humidity fusion products in identifying fog, light fog and haze is analyzed by using the observation data of national stations in Tianjin and its surrounding areas from December 1, 2017 to November 30, 2020, Himawari-8 L1 full-disk data and L3 aerosol optical depth product. The results show that compared with the station observation data, the average detection rates of CLDAS products in identifying light fog, fog and haze are 90.4%, 84.2% and 78.8%, respectively. The detection rates of light fog in different months are 81.1%-96.4%. In the months with more fog and haze, the detection rates are about 80.0%. The cases analysis shows that the fog, light fog and haze identified by CLDAS products are basically consistent with the results of Himawari-8 satellite and observations. The failure of CLDAS products to correctly identify fog, light fog and haze mainly shows that fog is misjudged as light fog (3.8%-21.4% at different stations) and haze is missed (8.6%-25.0% at different stations). When the horizontal visibility of the station is between 0 and 0.75 km, the error of CLDAS visibility mainly causes fog to be mistakenly identified as light fog. When the horizontal visibility of the station is between 0.75 and 7.5 km，the error of CLDAS visibility mainly leads to haze being missed. When the station visibility is between 7.5 and 15 km, the error of CLDAS visibility mainly leads to light fog and haze being reported empty. When the relative humidity of the station is greater than 40% and less than or equal to 60%, the error of CLDAS relative humidity mainly leads to haze being misjudged as light fog. In general, the accuracy of CLDAS products in identifying fog, light fog and haze in Tianjin area is good, which can provide reference for fine monitoring of fog, light fog and haze, and improve the status quo of scarce visibility observation stations and insufficient space coverage in fog and haze monitoring.

Key words: CLDAS products, fog and haze, visibility, relative humidity, accuracy identification

中图分类号:

P412

郭阳, 师春香, 徐宾, 司鹏, 徐梅, 王敏, 孙玫玲. CLDAS陆面融合实况数据对天津雾和霾判识的准确性分析[J]. 干旱气象, 2023, 41(4): 657-665.

GUO Yang, SHI Chunxiang, XU Bin, SI Peng, XU Mei, WANG Min, SUN Meiling. Accuracy analysis of fog and haze identification based on CLDAS land surface fusion data in Tianjin[J]. Journal of Arid Meteorology, 2023, 41(4): 657-665.

图/表 8

表1 天津地区雾、轻雾和霾的判识标准

Tab.1 Identification standard of fog， light fog and haze in Tianjin

视程障碍现象	水平能见度/km	相对湿度/%
雾	[0，0.75）	（60，100]
轻雾	[0.75，7.5）	（60，100]
霾	[0，7.5）	（0，60]

图1 2017年12月1日至2020年11月30日天津各站（a）及逐月（b）雾、轻雾和霾的累计时数

Fig.1 Accumulated hours of fog， light fog and haze in each station （a） and each month （b） in Tianjin from December 1， 2017 to November 30， 2020

图2 2017年12月1日至2020年11月30日CLDAS产品对天津各站（a）及逐月（b）轻雾、雾和霾的检出率（4—8月的雾和8月的霾出现较少，未做分析。下同）

Fig.2 Detection rate of CLDAS products for fog， light fog and haze identification in each station （a） and each month （b） in Tianjin from December 1， 2017 to November 30， 2020 （The fog from April to August and haze in August are less， so they are not analyzed. the same as below）

图3 2017年12月1日至2020年11月30日CLDAS产品对天津各站（a、c、e）及逐月（b、d、f）雾（a、b）、轻雾（c、d）和霾（e、f）的误判率和漏判率

Fig.3 False alarm ratio and miss alarm ratio of CLDAS products for fog （a， b）， light fog （c， d） and haze （e， f） identification in each station （a， c， e） and each month （b， d， f） in Tianjin from December 1， 2017 to November 30， 2020

图4 天津及周边地区2020年3月8日雾（a、b、c）、10月31日轻雾（d、e、f）及26日霾（g、h、i）实况（实心圆点）和CLDAS产品判识（阴影区）的空间分布 [红色实心圆点和蓝色空心圆点分别为观测到和未观测到雾（轻雾或霾）的台站]

Fig.4 Spatial distribution of fog on March 8， 2020 （a， b， c）， light fog on October 31， 2020 （d， e， f） and haze on October 26， 2020 （g， h， i） identified by CLDAS products （the shaded areas） and station observations （the solid dots） in Tianjin and its surrounding area （Red solid dots and blue hollow dots are stations with and without fog or light fog or haze， respectively）

图5 2019年1月12日23：00（a、d）、2020年1月18日05：00（b、e）及2月9日16：00（c、f）天津及周边地区CLDAS产品判识的雾（a、b）、霾（c）与Himawari-8卫星反演的雾（d、e）、气溶胶光学厚度（f）（阴影区）以及台站观测（实心圆点）对比 [红色实心圆点和蓝色空心圆点分别为观测到和未观测到雾或霾的台站]

Fig.5 Comparison of the fog （a， b） and haze （c） identified by CLDAS products with the fog （d， e） and the aerosol optical thickness （f） retrieved by Himawari-8 satellite （the shaded area） and station observations （the solid dots） at 23：00 on January 12， 2019 （a， d）， 05：00 on January 18， 2020 （b， e） and 16：00 on February 9， 2020 （c， f） in Tianjin and its surrounding area （Red solid dots and blue hollow dots are stations with and without fog or haze， respectively）

图6 2017年12月1日至2020年11月30日天津地区CLDAS产品在不同能见度（a）和相对湿度（b）范围的平均偏差和不同类别样本占比

Fig.6 Average deviations and sample proportions of CLDAS products in different visibility （a） and relative humidity （b） ranges from December 1， 2017 to November 30， 2020 in Tianjin area

图7 2017年12月1日至2020年11月30日天津地区台站不同相对湿度范围出现雾、轻雾和霾的比例

Fig.7 Proportions of fog， light fog and haze in different relative humidity ranges at stations in Tianjin area from December 1， 2017 to November 30， 2020

参考文献 32

[1]	蔡子颖, 刘爱霞, 韩素芹, 等, 2014. 天津低能见度特征初探[J]. 气象, 40(1): 114-118.
[2]	蔡子颖, 姚青, 韩素芹, 等, 2019. 天津地区霾天气特征研究[J]. 中国环境科学, 39(1): 50-60.
[3]	蔡子颖, 张敏, 韩素芹, 等, 2018. 天津重污染天气混合层厚度阈值及应用研究[J]. 气象, 44(7): 911-920.
[4]	崔园园, 覃军, 敬文琪, 等, 2018. GLDAS和CLDAS融合土壤水分产品在青藏高原地区的适用性评估[J]. 高原气象, 37(1): 123-136. DOI
[5]	东高红, 于莉莉, 郝天依, 2017. 天津秋冬季重度霾天气过程气象特征分析及海风的作用[J]. 环境科学与技术, 40(10): 117-123.
[6]	胡彬, 陈瑞, 徐建勋, 等, 2015. 雾霾超细颗粒物的健康效应[J]. 科学通报, 60(30): 2 808-2 823.
[7]	蒋雨荷, 黄晓龙, 李施颖, 等, 2020. 四川CLDAS 5 km小时能见度实况产品与能见度观测站资料质量对比评估[J]. 高原山地气象研究, 40(3): 73-78.
[8]	孟丽红, 蔡子颖, 李英华, 等, 2020. 天津市PM_2.5浓度时空分布特征及重污染过程来源模拟分析[J]. 环境科学研究, 33(1): 9-17.
[9]	孟丽红, 刘海玲, 王炜, 等, 2022. 基于多源资料天津一次雾-霾过程的边界层特征[J]. 中国环境科学, 42(9): 4 018-4 025.
[10]	牛生杰, 陆春松, 吕晶晶, 等, 2016. 近年来中国雾研究进展[J]. 气象科技进展, 6(2): 6-19.
[11]	师春香, 潘旸, 谷军霞, 等, 2019. 多源气象数据融合格点实况产品研制进展[J]. 气象学报, 77(4): 774-783.
[12]	司鹏, 高润祥, 2015. 天津雾和霾自动观测与人工观测的对比评估[J]. 应用气象学报, 26(2): 240-246.
[13]	王雪娇, 杨旭, 孙玫玲, 等, 2023. 天津地区雾霾低能见度短临预报预警方法研究[J]. 环境科学学报, 43(4): 93-101.
[14]	韦海宁, 王维真, 徐菲楠, 等, 2019. Himawari-8气溶胶产品的验证及应用[J]. 遥感技术与应用, 34(5): 1 005-1 015.
[15]	吴雁, 王荣英, 李江波, 等, 2017. 1960—2013年河北省雾霾天气变化特征[J]. 干旱气象, 35(3): 391-397. DOI
[16]	向嘉敏, 祝善友, 张桂欣, 等, 2019. 灰霾遥感监测研究进展[J]. 遥感技术与应用, 34(1): 12-20.
[17]	许健民, 张文建, 杨军, 等, 2008. 风云二号卫星业务产品与卫星数据格式实用手册[M]. 北京: 气象出版社: 60-63.
[18]	于丽娟, 尹承美, 何建军, 等, 2017. 济南雾和霾特征及其影响因素分析[J]. 干旱气象, 35(4): 581-589. DOI
[19]	张培, 吴东, 2019. 基于Himawari-8数据的日间海雾检测方法[J]. 大气与环境光学学报, 14(3): 211-220.
[20]	赵普生, 徐晓峰, 孟伟, 等, 2012. 京津冀区域霾天气特征[J]. 中国环境科学, 32(1): 31-36.
[21]	中国气象局气象探测中心, 2016. 地面气象观测业务技术规定[M]. 北京: 气象出版社: 12-14.
[22]	ALVES C, EVTYUGINA M, VICENTE E, et al, 2022. PM_2.5 chemical composition and health risks by inhalation near a chemical complex[J]. Journal of Environmental Sciences, 124: 860-874. DOI URL
[23]	HAN S Q, CAI Z Y, ZHANG Y F, et al, 2015. Long-term trends in fog and boundary layer characteristics in Tianjin, China[J]. Particuology, 20(3): 61-68. DOI URL
[24]	HAN S, LIU B C, SHI C X, et al, 2020. Evaluation of CLDAS and GLDAS datasets for near-surface air temperature over major land areas of China[J]. Sustainability, 12(1): 1-19. DOI URL
[25]	HAO T Y, HAN S Q, CHEN S C, et al, 2017. The role of fog in haze episode in Tianjin, China: a case study for November 2015[J]. Atmospheric Research, 194(1): 235-244. DOI URL
[26]	KIM S H, SUH M S, HAN J H, 2018. Development of fog detection algorithm during nighttime using Himawari8/AHI satellite and ground observation data[J]. Asia-Pacific Journal of the Atmospheric Sciences, 55(1): 337-350. DOI
[27]	LIU C, HUA C, ZHANG H D, et al, 2019. A severe fog-haze episode in Beijing-Tianjin-Hebei region: characteristics, sources and impacts of boundary layer structure[J]. Atmospheric Pollution Research, 10(4): 1 190-1 202. DOI URL
[28]	LIU Q, WANG Z Y, WU B G, et al, 2021. Microphysics of fog bursting in polluted urban air[J], Atmospheric Environment, 253: 1-11.
[29]	WU G X, LI Z Q, FU C B, et al, 2016. Advances in studying interactions between aerosols and monsoon in China[J]. Science China: Earth Science, 59(1): 1-16. DOI URL
[30]	XIE Y F, KOCH S E, MCGINLEY J A, et al, 2011. A space-time multiscale analysis system: a sequential variational analysis approach[J]. Monthly Weather Review, 139(4): 1 224-1 240. DOI URL
[31]	YU J W, WANG Y, LIU M, 2020. Mechanisms of an extreme fog and haze event in the megacities of central and eastern China[J]. Meteorology and Atmospheric Physics, 133(9): 123-139. DOI
[32]	ZHAO Y, ZHANG T, WU T, et al, 2021. Effects of technological progress from different sources on haze pollution in China[J]. Sustainability, 13(5): 1-18. DOI URL

CLDAS陆面融合实况数据对天津雾和霾判识的准确性分析

Accuracy analysis of fog and haze identification based on CLDAS land surface fusion data in Tianjin

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 32

相关文章 15

编辑推荐

Metrics

[1]	张宏芳, 张曦, 梁佳, 郭琦, 王靖中. 连霍高速公路陕西段低能见度特征及影响因素[J]. 干旱气象, 2023, 41(1): 82-90.
[2]	武荣盛, 侯琼, 杨玉辉, 冯旭宇, 李彬, 郑凤杰. 多时间尺度气象干旱指数在内蒙古典型草原的适应性研究[J]. 干旱气象, 2021, 39(2): 177-184.
[3]	孙明, 王博妮, 艾文文, 夏敏洁. 江苏南部一次暖区降水诱发的大雾过程分析#br#[J]. 干旱气象, 2020, 38(5): 764-770.
[4]	邢楠, 赵玮, 付宗钰, 王媛媛, 亢妍妍. 多元动态逐步回归方法在北京地区能见度预报中的应用[J]. 干旱气象, 2020, 38(4): 665-673.
[5]	黄鹤楼, 丁烨毅, 涂小萍, 赵昶昱, 姚日升. 城市化对宁波地区极端气温及人体舒适度的影响[J]. 干旱气象, 2020, 38(03): 396-403.
[6]	刘光普, 黄思源, 梁莺, 任雍, 周亭亭. 毫米波雷达在港口海雾观测和能见度反演中的应用[J]. 干旱气象, 2019, 37(6): 993-1004.
[7]	吴丹, 柳泉, 范俊红, 贾小卫, 郭蕊, 李美琪. 2016—2017年河北省高速公路沿线低能见度变化特征[J]. 干旱气象, 2019, 37(4): 639-647.
[8]	裴少阳，周丹，保广裕，申燕玲. 青海省公路沿线能见度时空变化特征及其影响因素[J]. 干旱气象, 2017, 35(6): 1004-1010.
[9]	赵熙，李京萌，童红梅. 济南机场低能见度和低跑道视程对比分析[J]. 干旱气象, 2017, 35(5): 847-856.
[10]	尚子溦，宁贵财，王捷馨，程一帆，王式功. 十个代表城市空气污染指数与能见度和相对湿度的关系[J]. 干旱气象, 2017, 35(4): 590-597.
[11]	于志翔1，于晓晶2,3，李霞2,3. 2013—2015年乌鲁木齐北部城区大气能见度变化特征及其影响因素[J]. 干旱气象, 2017, 35(3): 412-.
[12]	张娣1，曲晓黎1,2，张金满1，赵增保1，张成伟1. 河北省高速公路秋冬季浓雾特征及预报[J]. 干旱气象, 2017, 35(1): 51-56.
[13]	俞科爱1，徐宏辉2，胡晓3，丁烨毅4，顾小丽4，张晶晶1，徐迪峰4. 浙江宁波地区能见度变化特征和成因[J]. 干旱气象, 2016, 34(6): 1003-1009.
[14]	王晓敏，韩军彩，陈静，钤伟妙，岳艳霞. 石家庄地区能见度变化特征及其与相对湿度和颗粒物浓度的关系[J]. 干旱气象, 2016, 34(4): 648-655.
[15]	李二杰，刘晓慧，李洋，赵玉广. 一次重污染过程及其边界层气象特征量分析[J]. 干旱气象, 2015, 33(5): 856-860.