引言
近年来，随着城镇化建设的急剧发展及人口的逐渐增多，我国中东部地区雾霾天气越来越频繁（吴雁等，2017；于丽娟等，2017；Yu et al.，2020），给社会经济和民生造成一定影响（胡彬等，2015；Wu et al.，2016；Zhao et al.，2021；Alves et al.，2022）。天津是我国北方最大的港口城市，受污染物排放增加、海风锋前累积以及超大城市下垫面共同作用（Hao et al.，2017；蔡子颖等，2018；Liu et al.，2019；孟丽红等，2020），近年来持续性雾霾天气频发（Liu et al.，2021；孟丽红等，2022；王雪娇等，2023），严重影响城市空气质量以及公众身心健康，且雾霾事件导致的低能见度天气对海事交通和港口作业也造成严重影响（王雪娇等，2023）。据统计，20世纪80年代以来天津地区雾出现次数呈上升趋势，并且85%的雾日出现在秋冬季（Han et al.，2015；东高红等，2017），2014—2017年天津秋冬季重污染天气发生率高达15.5%（赵普生等，2012；蔡子颖等，2019）。如何准确识别雾和霾现象是治理雾霾污染天气的重中之重，而在雾霾天气的识别研究中，高质量和高时空分辨率的观测资料则是重要的基础支撑。
目前，雾和霾的观测手段有多种，但由于其判识的复杂性，导致这些判识方法均有不足之处。气象站主要通过观测相对湿度、能见度和PM2.5判识雾和霾，但在实际观测中，仅国家站和少量区域自动站布设了能见度仪，难以准确反映雾和霾的空间分布。借助卫星遥感技术开展的雾和霾监测具有覆盖范围广、直观和及时的优点，但卫星遥感在分离雾和低云以及识别云下雾方面仍然存在挑战（牛生杰等，2016；张培和吴东，2019）；基于遥感光谱特征的霾监测多是定性判识与提取，判识轻霾的准确度不高且难以区分雾和霾（向嘉敏等，2019）；基于遥感气溶胶光学厚度等参数的霾监测依赖于气溶胶产品精度，通常在晴天才能获得较好效果（向嘉敏等，2019）。近年来，师春香等（2019）基于中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）研制的陆面多源融合实况分析产品，为雾和霾的判识提供了一种新的可能。已有研究表明，相比于国际同类别的GLDAS（Global Land Data Assimilation System）产品，CLDAS产品在许多区域具有更高的精度和可靠性（崔园园等，2018；Han et al.，2020；蒋雨荷等，2020）。理论上，借助CLDAS能见度和相对湿度网格化数据能够逐小时判识雾和霾的空间分布，相比站点资料空间连续性强，可以直观反映雾和霾的空间分布和发展过程。同时，该产品融合了地面观测资料，在识别云下雾及在区分雾和层云方面比卫星遥感资料更具优势。但是CLDAS产品判识雾、轻雾和霾的准确性如何，能否适用于天津雾和霾的判识，还有待定量研究。
为此，本文利用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，对CLDAS产品判识天津雾、轻雾和霾的准确性进行评估，以期为CLDAS产品更好地应用于天津雾和霾的判识提供基础数据支撑。
1 资料和方法
1.1 资料及处理
CLDAS的陆面多源融合实况分析产品采用多重网格变分同化技术（Xie et al.，2011），融合了地面站点观测数据、卫星遥感地形数据和欧洲中期天气预报中心数值预报资料等多源数据。CLDAS产品的要素包括气温、风速、相对湿度和能见度，时间分辨率1 h，空间分辨率0.05°×0.05°，覆盖亚洲区域（70°E—140°E，0°—60°N）。选取2017年12月1日至2020年11月30日CLDAS相对湿度和能见度产品，为保证CLDAS数据质量并方便与台站资料进行对比，根据自动气象站观测仪器的测量范围，剔除相对湿度大于100%和水平能见度大于30 km的数据。同时，通过人工检查CLDAS能见度的时间序列并与台站观测资料比较，发现CLDAS能见度存在异常跳变数据，因此剔除CLDAS能见度与前、后2个相邻时次数据相差超过10 km的数据。
台站资料来源于天津市气象信息中心提供的同期天津及其周边地区（112°E—122°E，36°N—43°N）356个国家气象观测站的水平能见度和相对湿度逐小时自动观测数据，数据均经过气象资料业务系统MDOS2.0实时质量控制。其中，天津有13个站，分别位于市区、蓟州、武清、宝坻、东丽、西青、北辰、宁河、汉沽、静海、津南、塘沽和大港。
文中涉及的省（市、区）行政边界基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2019）1823号的标准地图制作，底图无修改。文中时间为北京时。
1.2 评估方法
表1 天津地区雾、轻雾和霾的判识标准
Tab.1
| 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] |
将CLDAS产品判识的视程障碍现象（雾、轻雾和霾）与台站观测结果进行比较。如果台站观测到某种视程障碍现象，同时台站所在格点或周边3×3格点内CLDAS产品也判识到该现象，则认为CLDAS产品判识正确，否则为错误。采用检出率（Probability of Detection，POD）、误判率（False Alarm Ratio，FAR）、漏判率（Miss Alarm Ratio，MAR）和空报率（Empty Alarm Ratio，EAR）评估CLDAS产品判识视程障碍现象的准确性。计算公式分别如下：
式中：w代表某种视程障碍现象；nw为CLDAS产品正确判识该视程障碍现象的样本数量；Nw为台站观测到该视程障碍现象的样本数量；nf为台站观测到视程障碍现象w，而CLDAS产品将其误判为其他视程障碍现象的样本数量；nm为台站观测到视程障碍现象w，而CLDAS产品判识为无视程障碍现象的样本数量；ne为台站观测无视程障碍现象，而CLDAS产品判识出现视程障碍现象w的样本数量；N0为台站观测无视程障碍现象的样本数量。
2 结果分析
2.1 天津雾、轻雾和霾的时空分布
图1
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
2.2 CLDAS产品判识雾、轻雾和霾的准确性
2017年12月1日至2020年11月30日CLDAS产品对天津雾、轻雾和霾的检出率如图2所示。从不同台站来看，CLDAS产品对轻雾的检出率较高（86.7%~92.9%），平均为90.4%，检出率达90.0%及以上的台站占69.2%；对雾和霾的平均检出率分别为84.2%、78.8%，检出率达80.0%及以上的台站均占53.8%。从不同月份来看，CLDAS产品对轻雾的检出率较高（81.1%~96.4%）；雾天主要出现在1—3月和11—12月，除2月雾的检出率为73.7%外，1、3、11、12月的检出率可达83.5%~89.9%；CLDAS产品对霾的检出率夏季较低，冬季较高，在霾出现较多的1—4月和10—12月，CLDAS产品的检出率在80.0%左右。
图2
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）
2017年12月1日至2020年11月30日CLDAS产品对天津雾、轻雾和霾的误判率和漏判率见图3。可见，CLDAS产品在各台站将雾误判为轻雾的比例较高（3.8%~21.4%）；大部分台站和大多数月份CLDAS产品对轻雾的漏判率和误判率在10.0%以下；对霾的漏判率较高，各站和各月分别为8.6%~25.0%和9.4%~35.6%。此外，CLDAS产品对各站雾、轻雾和霾的空报率分别为0.3%~0.7%、1.3%~4.5%和0.9%~2.5%（图略）。以上分析表明，CLDAS产品未正确判识的情况主要表现为雾误判为轻雾及霾漏判。
图3
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为CLDAS产品对2020年3月8日及10月31日、26日发生在天津及周边地区雾、轻雾和霾的判识情况和台站观测实况。可以看出，CLDAS产品判识天津地区雾、轻雾和霾的范围与台站观测结果基本一致，且在整个京津冀地区一致性也较好。
图4
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为CLDAS产品判识的雾和霾空间分布与Himawari-8卫星反演以及台站观测结果的对比（Himawari-8卫星反演的雾为水平能见度低于1 km的区域，为方便比较，CLDAS产品和台站资料判识雾的能见度临界值调整为1 km）。可以看出，2019年1月12日23：00和2020年1月18日05：00，CLDAS产品判识[图5（a）、（b）]和Himawari-8卫星反演[图5（d）、（e）]的雾范围在天津大部分地区都基本一致，其中，天津北部部分地区，CLDAS产品判识与台站观测均有雾，但Himawari-8卫星反演无雾。此外，2020年1月18日05：00，CLDAS产品判识和台站观测山东北部均无雾[图5（b）]，而Himawari-8卫星反演有雾[图5（e）]，这可能是雾和低云具有相似的辐射特性和微物理特征，导致卫星反演将低云误判为雾（牛生杰等，2016；张培和吴东，2019）。将2020年2月9日16：00 CLDAS产品判识的霾[图5（c）]与Himawari-8卫星气溶胶光学厚度[图5（f）]进行对比，可以看出CLDAS产品判识为霾的区域，气溶胶光学厚度基本在0.6以上，且与台站观测结果基本一致。
图5
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）
2.3 雾、轻雾和霾未正确判识原因
CLDAS能见度和相对湿度相对于台站观测的误差可能导致雾、轻雾和霾的误判、漏判或空报。采用双线性插值法将CLDAS能见度和相对湿度插值到天津13个台站位置，通过分析CLDAS产品在不同水平能见度和相对湿度范围的平均偏差和不同类别样本所占比例来说明其如何影响雾、轻雾和霾的判识。由表1可知，0.75 km和7.5 km水平能见度以及60%相对湿度是判识雾、轻雾和霾的临界值，为便于分析，将台站能见度按[30 km]进行划分，将相对湿度按20%等间隔进行划分，统计各范围内CLDAS能见度的平均偏差和能见度 小于0.75 km及小于 7.5 km的样本占比，以及各范围内CLDAS相对湿度的平均偏差和相对湿度大于60%的样本占比。
由图6（a）可知，CLDAS能见度在各能见度范围内均为正偏差，偏差为0.11~2.76 km，且随台站能见度增大而增大。当台站能见度在区间[0， 0.75 km）时，CLDAS能见度小于0.75 km的样本占77.7%，表明有22.3%的样本CLDAS能见度大于等于0.75 km，分析发现这些样本的CLDAS能见度主要在区间[0.75， 7.5 km）（占22.0%），结合表1可知，这些样本可能导致雾误判为轻雾。当台站能见度在区间[0.75， 7.5 km）时，CLDAS能见度小于0.75 km的样本占0.6%，结合表1可知，这些样本可能导致轻雾误判为雾；CLDAS能见度小于7.5 km的样本占90.5%，表明CLDAS能见度 大于等于7.5 km的样本占9.5%，结合表1可知，这些样本会导致轻雾或霾漏判（结合图3可知，轻雾的漏判率较小，主要是霾漏判）。同理，当台站能见度在区间[30 km]时，CLDAS能见度小于0.75 km的样本均在0.1%以下，表明CLDAS能见度的误差基本不会导致雾空报；而当台站能见度在区间[7.5， 15 km）时，CLDAS能见度小于7.5 km的样本占11.1%，这些样本会导致轻雾和霾空报。
图6
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
CLDAS相对湿度的误差对雾、轻雾和霾判识准确性的影响还取决于雾、轻雾和霾与相对湿度的关系。图7为雾、轻雾和霾在不同相对湿度范围内出现比例，雾发生时99.9%的样本分布在台站相对湿度区间（80%， 100%]，由上文可知，该范围内CLDAS相对湿度小于等于60%的样本（结合表1可知，这类样本可能导致雾误判为霾）仅占1.3%，所以雾误判为霾的可能性较小（实际仅为1.5%）。同理，轻雾发生时，大部分样本（63.8%）也分布在台站相对湿度区间（80%，100%]，最终轻雾误判为霾的比例仅为1.4%。霾出现时，大部分样本（74.1%）分布在台站相对湿度区间（40%，60%]，该范围内CLDAS相对湿度大于60%的样本占16.3%[图6（b）]（结合表1可知，这类样本可能导致霾误判），最终霾误判为轻雾和雾的比例分别为6.3%和0.1%。
图7
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
3 结论与讨论
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能见度和相对湿度资料、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，评估了中国气象局陆面数据同化系统（CLDAS）能见度和相对湿度产品判识天津雾、轻雾和霾的准确性。得到如下结论：
（1）天津各站雾、轻雾和霾的累计时数均表现为轻雾最多，雾最少。其中，轻雾3—6月较少，7月最多（10 843 h）；雾和霾冬季较多，均在1月达到峰值（分别为443 h和3 828 h）。
（2）CLDAS产品对天津各站轻雾、雾和霾的平均检出率分别为90.4%、84.2%和78.8%。CLDAS产品对逐月轻雾的检出率为81.1%~96.4%，雾和霾出现较多的月份，其检出率均在80.0%左右。空间范围上，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卫星反演结果基本一致。CLDAS产品未正确判识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%）。
（3）CLDAS能见度的误差对雾、轻雾和霾判识的影响，主要是台站能见度在区间[0,0.75 km）时雾误判为轻雾,在区间（0.75,7.5 km]时霾漏判，在区间[60%]时霾误判为轻雾。
通过本文分析可知，CLDAS融合实况分析产品判识天津雾、轻雾和霾的准确性总体较好，可为精细化监测雾、轻雾和霾提供参考，从而改善雾和霾监测中能见度观测站点稀疏、空间覆盖不足的现状。同时，CLDAS产品与台站观测资料存在一定差异，主要包括：（1）CLDAS产品存在一定系统偏差，CLDAS能见度与相对湿度分别存在0.11~2.76 km和0.2%~4.0 %的正偏差，这可能与卫星、模式等融合数据的误差及融合过程中的计算误差有关；（2）CLDAS格点产品和台站观测资料的空间代表性不同，CLDAS格点数据代表网格内的平均状况，站点数据则代表观测站周围的平均状况，在高大地形和复杂下垫面上，2种资料可能存在明显差异（师春香等，2019）；（3）CLDAS能见度与相对湿度需要插值到站点位置时，如果插值过程中受到锋面、气旋和切变线等天气系统影响，气象要素空间分布不均匀，水平梯度较大，插值误差可能增大。
参考文献
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].
利用第三次青藏高原（下称高原）大气科学试验（TIPEX Ⅲ）和高原周边自动土壤水分观测站0~10 cm层次土壤湿度观测资料，通过计算全球陆面同化系统（GLDAS-NOAH）和中国气象局陆面同化系统的融合产品（CLDAS-V1.0）与观测资料之间的相关性和偏差，综合评估了融合土壤水分产品在高原的适用性。结果表明，两种融合资料在安多、那曲、聂荣、Sta-ave区域（小嵩草高寒草甸）4个站点表现较优，而融合资料在班戈（禾草高寒草原）、嘉黎（亚高山常绿叶灌丛）和比如（亚高山常绿叶灌丛）质量较差，阿里站（矮半灌木荒漠）是融合资料与观测相差最大的站点；融合土壤湿度产品的质量存在明显的日变化，并在14：00-20：00（北京时）表现为最差；融合资料的质量2014年整体上优于2013年，其中2013年8月中下旬和10月中旬两种资料质量较差，进一步分析发现当降水强度急剧增强时，融合资料的质量变差；融合产品质量在高原地区由东南向西北方向递减，相对于GLDAS资料，CLDAS在对四川东南地区和新疆地区大部分站点的土壤湿度描述能力上有了较大的改善，两种资料在四川东北部地区有较好的一致性。
1960—2013年河北省雾霾天气变化特征
[J].利用1960—2013年河北省11个气象站常规观测资料、1980—2013年NCEP 2.5°×2.5°再分析资料等，采用线性趋势、Morlet小波分析等方法对河北省及各地市雾、霾天气的演变特征和高空环流形势进行分析。结果表明：（1）1960—2013年11个地市中衡水市年平均雾日数最多，张家口市最少；石家庄市年平均霾日数最多，承德市最少，衡水霾日数呈下降趋势外，其他10个地市均呈上升趋势；（2）1960—2013年全省年平均雾日数呈下降趋势，霾日数呈上升趋势，且霾日数上升比雾日数下降趋势更明显；（3）河北省及各地市年平均雾日数周期性特征明显，基本都存在14 a的主振荡周期。雾、霾多发月华北上空500 hPa的纬向环流较强，环流形势利于雾、霾天气的形成和维持；雾日数与西风指数成显著的正相关关系。
济南雾和霾特征及其影响因素分析
[J].利用2000—2013年济南逐日地面气象观测资料分析雾和霾的气候变化特征；同时基于NCEP FNL海平面气压资料，采用T-mode主成分分析结合K平均聚类法对天气形势进行客观分型，研究不同天气形势下雾和霾的发生频率。结果表明：（1）雾日数以0.4 d·a-1的速度下降，与相对湿度年际变化紧密相关；2011年以前济南霾日数呈现正常波动性变化，从2011年开始显著增加，尤其2013年出现霾日数跃增，霾日数年际变化与850~700 hPa大气层逆温频率年际变化显著相关；（2）济南地区9种天气型中，冬季出现的弱低压型（WT6）和北路冷空气型（WT9）发生雾概率较高，冬季时均压场型（WT1）、弱冷空气型（WT5）和北路冷空气型（WT9）出现霾概率较高，秋季弱高压型（WT3）出现时发生霾频率较高。
PM2.5 chemical composition and health risks by inhalation near a chemical complex
[J].
Long-term trends in fog and boundary layer characteristics in Tianjin, China
[J].
Evaluation of CLDAS and GLDAS datasets for near-surface air temperature over major land areas of China
[J].It is difficult for curriculum reform to achieve sustainable success without support from teachers in the front line. The authors of this paper investigated teacher factors behind the successful implementation of a reformed instructional model, the Dao Jiang Ping (DJP) model, in China. This study is part of a longitudinal project (2012–2017) that reported the level of DJP implementation and explored factors that influence teachers’ implementation. This paper mainly focuses on the latter. Six teachers were examined to look for reasons behind their different levels of DJP implementation. The theory of planned behavior (TPB), which has been widely used to explain and predict people’s behavior or intention to perform a behavior, is used as the theoretical framework for the study. Referring to the TPB framework, this study summarized factors into individual factors, perceived social factors and perceived contextual factors. Furthermore, the authors suggest extending the TPB framework by including teachers’ understanding of the reform ideas to facilitate its application in order to explore factors in reform contexts. Lastly, this study discusses several important factors that help teachers to implement new teaching methodologies continually, thus promoting the sustainable implementation of reforms.
The role of fog in haze episode in Tianjin, China: a case study for November 2015
[J].
Development of fog detection algorithm during nighttime using Himawari8/AHI satellite and ground observation data
[J].
A severe fog-haze episode in Beijing-Tianjin-Hebei region: characteristics, sources and impacts of boundary layer structure
[J].
Microphysics of fog bursting in polluted urban air
[J],
Advances in studying interactions between aerosols and monsoon in China
[J].
A space-time multiscale analysis system: a sequential variational analysis approach
[J].As new observation systems are developed and deployed, new and presumably more precise information is becoming available for weather forecasting and climate monitoring. To take advantage of these new observations, it is desirable to have schemes to accurately retrieve the information before statistical analyses are performed so that statistical computation can be more effectively used where it is needed most. The authors propose a sequential variational approach that possesses advantages of both a standard statistical analysis [such as with a three-dimensional variational data assimilation (3DVAR) or Kalman filter] and a traditional objective analysis (such as the Barnes analysis). The sequential variational analysis is multiscale, inhomogeneous, anisotropic, and temporally consistent, as shown by an idealized test case and observational datasets in this study. The real data cases include applications in two-dimensional and three-dimensional space and time for storm outflow boundary detection (surface application) and hurricane data assimilation (three-dimensional space application). Implemented using a multigrid technique, this sequential variational approach is a very efficient data assimilation method.
Mechanisms of an extreme fog and haze event in the megacities of central and eastern China
[J].
Effects of technological progress from different sources on haze pollution in China
[J].Firms must adapt to a business environment in constant flux. Economic and political factors and the constant interruption of new technologies force firms and organizations to change and to adapt, so that they are not left behind. Over recent years, the development of disruptive innovations has completely revolutionized past scenarios. These innovations break with what is already established and firms from various sectors face no choice other than to incorporate them into their project management portfolios, so as to ensure survival and business sustainability. Using MIVES methodology as its foundation, a business sustainability management model is presented in this paper for the management of disruptive innovation projects that a firm may wish to develop within a given sector. The management model is designed to facilitate disruptive innovation project management for firms within technological-industrial sectors, by assessing the sustainability of the project. The model is applied to two firms, one from the machine-tooling sector and another from the construction sector. Finally, a sensitivity analysis was performed, the results of which verified the validity and the stability of the proposed model.
