石春娥 张 浩 杨关盈 王苏瑶

1. 安徽省气象科学研究所/大气科学与卫星遥感安徽省重点实验室，合肥， 230031

2. 寿县国家气候观象台/中国气象局淮河流域典型农田生态气象野外科学试验基地，寿县， 232200

3. 淮北市气象局，淮北， 235000

1 引 言

雾是大量微小水滴或冰晶浮游在空中，使水平能见度低于1.0 km的天气现象（中国气象局，2007）。其造成的低能见度对交通运输等均有不利影响。为做好高速公路交通气象服务，中国气象局国家气象中心组织制定的国家标准中将能见度低于200 m 的雾定义为强浓雾（中华人民共和国国家质量监督检验检疫总局，2012）。到目前为止，关于强浓雾的研究基本上是以分析一两个孤立的强浓雾个例的特征或生消机制为主（Shi，et al，2010；陆春松等，2010；杨军等，2010；刘端阳等，2014；梁绵等，2019），而关于强浓雾的长期变化趋势、气候成因的研究还很少见。而对雾的分布规律、气候变化及成因的研究较多。

要做好一个地区雾的预报、预警，首先就要深入了解该地区雾的分布及演变规律、影响因子。常用的方法是分析一个特定区域每年或每月观测到的平均雾日数（刘小宁等，2005；王丽萍等，2005），并进一步研究雾日数与气候因子、气象因子、城市热岛、大气污染等因子的关系（Sachweh，et al，1995；Shi，et al，2008；Niu，et al，2010；LaDochy，2005；Yan，et al，2019）。有学者根据雾的形成机制，利用大气能见度（V）及其他因子（如风速、云量、降水）确定不同类型的雾事件，再进行分类统计分析。雾事件不同于雾日，增加了对雾持续时间的要求。如Tardif等（2007）设计了一套客观算法，利用大气能见度及其他气象资料，识别纽约市17个站20 a的雾事件，并基于雾形成触发机制对每个事件进行分类，研究了纽约雾的时、空分布规律，讨论了下垫面的影响，但没有讨论长期变化趋势。Akimoto等（2015）利用Tardif等（2007）提出的方法建立了近40 a日本各站雾（V＜1000 m）、准浓雾（V＜500 m）和浓雾（V＜100 m）事件，并根据站点周边环境将雾分为山区雾、盆地雾、平原雾和城市雾，分析不同等级雾的气候变化特征。中国学者陈潇潇等（2008）也利用天气现象记录和气象能见度分级编码资料分析了中国重浓雾（V＜200 m）、浓雾（200 m≤V＜500 m）和大雾（500 m≤V＜1000 m）的时空分布、持续时间和年代际变化等。

关于雾气候变化成因的研究，大多从城市化、大气污染、大尺度气候条件出发（Shi，et al，2008；Niu，et al，2010；郭婷等，2016）。如Shi等（2008）分析发现在城市的不同发展阶段，城市化和气溶胶粒子对雾的影响不同：发展初期，丰富的吸湿性气溶胶粒子会促进雾的形成；发展成熟阶段，城市热岛对雾的阻碍作用会超过气溶胶粒子的影响。Yan等（2019）量化了气候变化、城市化和大气污染对中国京津冀、长江三角洲和珠江三角洲等3大经济区雾日数的影响；最近又进一步研究了气溶胶粒子对雾生命史的影响（Yan，et al，2021）。Izett等（2019）研究了荷兰45 a雾的时、空变化特征，结合观测站点附近下垫面变化情况，指出区域环境如地形、下垫面类型等对雾这样的局地性天气有显著影响。Nomoto（2003）指出日本盆地郊区站雾日数减少与1969年开始当地稻田减少有关。

尽管中外学者对不同地区雾的气候特征及影响因子进行了较多的研究，但对雾的时、空分布规律及有关特征的研究基本上是基于区域内所有站点或不同下垫面（Akimot，et al，2015）、不同规模城市（Yan，et al，2019）、人为划分的不同区域（陈潇潇等，2008）内站点所有雾（或不同等级雾）的统计平均，而没有考虑雾是否同时发生。地形、下垫面类型等对雾这样局地性强的天气均有显著影响（Izett，et al，2019；Akimoto，et al，2015），下垫面类型的改变会影响雾的频次（Nomoto，2003），即使是距离较近的站点，因站点周边的环境不同，雾的发生频次也会有较大差异，如石春娥等（2021a）根据强浓雾发生时间的一致性对安徽进行分区后，统计得到各区域内站点强浓雾日数标准差都大于4 d。因此，为避免局地下垫面因子的影响，本研究将在石春娥等（2021a）的基础上首先明确各区域区域性强浓雾的判断标准，建立各区域1980—2019年08时区域性强浓雾数据集，分析区域性强浓雾的长期变化趋势，利用2016—2019年逐时资料分析区域性强浓雾的年变化、日变化、持续时间等，进一步通过相关分析和对比分析研究局地气象因子和大尺度环流对区域性强浓雾的影响，旨在为建立强浓雾的预测、预报方法奠定基础。此前，周自江等（2006，2007）探讨了四川盆地和长江三角洲的区域性浓雾的认定标准及其年代际变化特征，所用方法为本研究提供了有益的参考。

2 研究区域、资料与方法

2.1 研究区域

安徽省地处南、北气候过渡带，境内地形复杂，长江、淮河横贯东西，江淮之间西部和江南分别为大别山山脉和黄山山脉，江淮之间东部以丘陵为主，淮河以北是平原。安徽雾以辐射雾为主且有明显的区域性特征（Shi，et al，2008；邓学良等，2015）。根据陈潇潇等（2008）研究，1961—2005年，安徽省属于强浓雾显著增多的区域。

2.2 资料与方法

（1）安徽省77个国家级气象观测站（不包括黄山光明顶、九华山和天柱山3个高山站和海拔相对较高的岳西站）1980—2019年天气现象记录和地面常规气象观测资料，具体要素包括能见度、相对湿度、降水量、风速、气温；天气现象包括雾、霾、雨、雪等，来自安徽省气象信息中心。1980—2013年，能见度观测方式为人工目测，记录方式为目测距离，只有一天4次的定时值（02、08、14和20时，北京时，下同）。2014—2015年能见度观测逐步由仪器观测取代人工观测，2016年1月1日开始所有测站都使用仪器观测，即2016—2019年所有测站都有逐时的能见度观测资料，所有测站均使用蓝盾光电子生产的DNQ2前向散射能见度仪（中国气象局气象探测中心，2016）。

（2）1980—2019年逐月大气环流指数，来自中国气象局国家气候中心网站（http://cmdp.ncc-cma.net/Monitoring/cn_index_130.php），各指数的定义及计算公式见网站提供的说明文档。

（3）美国NOAA全球实时预报同化分析场资料（NCEP/GDAS）（http://ready.arl.noaa. gov/archives.php），水平分辨率 1°×1°，垂直方向从地面到20 hPa分为23层。

各级雾的确定方法见石春娥等（2021a），该文根据强浓雾出现时间的一致性，利用SPSS13.0中基于二元要素分层聚类的方法并考虑区域站点地理位置的连续性，将安徽分为5个区（图1，石春娥等，2021a）。前期研究（石春娥等，2021a）表明，尽管各地雾均以辐射雾为主，但不同区域的强浓雾统计特征不同，如强浓雾平均日数、标准差、表示同步性的技巧评分等都存在较大差异，且各区强浓雾时间分布规律也存在明显不同。因此，有必要分区域探讨区域性强浓雾的演变规律和影响因子。鉴于安徽雾具有明显的日变化特征，峰值在06时，考虑资料条件（6 h一次能见度观测，且有的站夜间无能见度观测），在区域性强浓雾认定标准和分析长期变化规律时仅使用1980—2019年逐日08时能见度和逐日天气现象记录。去除资料连续缺测2 a以上的台站，有效站点为68个（表1）。2016—2019年，所有测站都具有逐时能见度和相对湿度等资料，因而可得到所有时次不同等级雾的记录（石春娥等，2021a），基于该资料分析各区域区域性强浓雾的年变化、日变化和持续时数分布。根据已有研究（Gao，et al，2020；Yu，et al，2022），目测能见度和器测能见度存在系统偏差，即与目测能见度相比，仪器会低估能见度，如Pei等（2018）在分析北京霾的变化趋势时，为保持器测能见度与目测能见度的一致，将所有器测能见度值除以0.766；中国气象局地面气象观测业务中已把雾的能见度判别阈值调整为0.75 km，但并没有明确区分雾、霾等级的能见度调整方法（石春娥等，2017）。石春娥等（2021a）的分析也发现2016—2019年（器测能见度）与2010—2013年（目测能见度）相比，安徽年均雾日数增加了83%。但根据已有观测，从浓雾到强浓雾能见度下降非常迅速，强浓雾形成后，能见度基本上都在100 m以下（张浩等，2021），即使不对能见度进行调整，对强浓雾发生频次的高估也有限。因此，在确定强浓雾时不做能见度调整。

表1 不同区域区域性强浓雾统计结果Table 1 Statistical results of regional extremely dense fog （REDF） in each region

图1 安徽省强浓雾分区 （绿色表示地形高低，红线为各区分界线） （石春娥等，2021a）Fig. 1 Partition results of Anhui province based on the consistency of extremely dense fog （the green color indicates the elevation of the terrain，the red lines are the regional boundaries）（Shi，et al，2021a）

由于安徽雾主要发生在冬半年（10月—次年4月），尤其以12月和1月最多。因此，根据辐射雾形成的物理机制，计算了冬季（12月—次年2月）各区域不同等级降水日数、降水量、风速、小风（日均风速＜2.0 m/s）日数、相对湿度、日均气温、08时气温和相对湿度等与区域性强浓雾日数的相关系数，以了解局地气象因子对强浓雾的影响。

有研究（Niu，et al，2010；Syed，et al，2012）表明，东亚季风、全球环流等大尺度系统也会对亚洲雾产生影响。为探讨强浓雾年际变化的气候成因，文中计算了各区域1月区域性强浓雾日数与中国国家气候中心网站提供的所有环流指数的相关系数。给出了各区域1月区域性强浓雾次数与东亚槽位置（强度）指数和亚洲纬向（经向）环流指数的相关系数。最后，为探讨大尺度环流对安徽强浓雾的影响机制，挑选淮河以北2个区域1月雾最多和最少的3对相近年份，用NCEP/GDAS全球实时预报同化分析场资料比较1月不同高度的平均位势高度及925 hPa和海平面风与相对湿度。

3 区域性强浓雾的认定方法

尽管文献中常见区域性大雾、浓雾、强浓雾，但目前仍没有关于区域性雾（浓雾、强浓雾）的统一标准。以往关于某种区域性天气的定义要么明确区域内多少站点同时发生（周自江等，2007；刘端阳等，2014），要么规定在区域内有一定比例的站点同时发生（石春娥等，2018；中国气象局，2020）。文中首先仿照石春娥等（2018）的做法，定义“同一时次，某设定区域中当有1/3或以上的国家级气象观测站出现能见度低于1.0 km的雾、0.5 km的浓雾或低于0.2 km的强浓雾，记为一次区域性雾、浓雾或强浓雾过程 ”。据此，安徽各区域判断强浓雾要达到的最少站点数初步设定为：4（区域1）、3（区域2）、5（区域3）、10（区域4）和4（区域5）站。然后参考周自江等（2007）的方法，给出1980—2019年逐年单站（站数N=1，局地性雾）到多站（N=10）、1/3站点数同时出现强浓雾、浓雾、大雾的天数，计算40 a强浓雾日数的偏度系数和峰度系数（表2），忽略年均区域性强浓雾日数不足3 d的情况。

由表2可见，各区每年08时出现局地或区域性雾33—100 d，占全年（365 d）的比例为9.0%—27.4%；出现局地或区域性浓雾22—72 d，占全年的6.0%—19.7%；出现局地或区域性强浓雾17—56 d，占全年的4.6%—15.3%。各区域雾的概率均接近或超过10%，相对较高；考虑到这里仅用了08时的资料且区域2仅有7个站，相比周自江等（2007）的结果，浓雾概率仍然偏高。从大雾到浓雾，各区域发生概率下降幅度较大，而从浓雾到强浓雾概率下降幅度较小。因此，可以只考虑强浓雾，也说明条件收紧到强浓雾是合理的和必要的。随着要求站数的增多，各级区域性雾日数均减少。

由表2可见，使用1/3站点数的标准，所得区域1—5的年均区域性强浓雾天数分别为7、6、8、3和9 d。区域4的概率不到1%，区域2的偏度系数略大于临界值，区域5的峰度系数达到临界值。针对区域2偏度系数超过上限（也就是按这个标准得到的逐年强浓雾天数不满足正态分布）的情况，考虑到该区域站点较少，可适当放宽标准，增加一个条件，即“有2个站点强浓雾和2个站点达到浓雾”也算一次区域性强浓雾，得到的结果放在表2最后一列，年均日数为6 d，偏度系数和峰度系数均满足要求。为满足正态分布，区域5的最少站点数调整为5站。由于最初分区时考虑不宜分得太多，区域4有相对较多的站（34站，有效站数29个），若考虑1/3站点，则区域4的最低站数超过其他区的2倍，要求相对较高，业务中发现区域4的局部（如沿江东部）会出现超过连片5站达到强浓雾的情况，相比于其他区域“1/3站点”的标准就显得过于苛刻。因此，将区域4的最低站数调整为6站，则年均区域性强浓雾日数为6 d，与其他区域接近。以下用2016—2019年逐时数据得到的各区域区域性强浓雾日数比较一致（表1）。最后得到区域性强浓雾的标准为：

表2 各区域08时单站或多站同时出现雾、浓雾和强浓雾的年均日数及1980—2019年强浓雾日数序列的偏度和峰度系数Table 2 Annual average number of days with fog，dense fog and extremely dense fog at single station or multiple stations at 08：00 in each region and skewness and kurtosis coefficients of series of extremely dense fog days from 1980 to 2019

（1）区 域1—5分 别 有 至 少4站、3站（或2+2站）、5站、6站、5站达到强浓雾标准；1980—2019年，各区域08时平均有6、6、4、6、7个区域性强浓雾日。

（2）一天中只要有一个时次达到上述第（1）条标准，即认为出现了区域性强浓雾。

应用上述标准得到2016—2019年各区出现区域性强浓雾的天数见表1，在全年的概率分别为3.9%（区域3）—5.3%（区域2），与周自江等（2007）得到的区域性浓雾日数概率接近。

4 安徽区域性强浓雾分布的基本特征

4.1 安徽区域性强浓雾的空间分布

表1给出了基于上述标准用1980—2019年08时资料和2016—2019年逐时资料得到的各区域年均区域性强浓雾日数。根据08时资料的统计结果，沿淮地区最少（3.9 d），其他各区域年均区域性强浓雾日数都多于6 d，如上文所述，这个天数与所定的标准有关，标准中要求的站点多则天数少。各区域区域性强浓雾的最少站数4—6站，但总站数和平均强浓雾日数差别较大，因此，尽管区域4和区域5强浓雾区域性特征不及其他区域（石春娥等，2021a），但区域4总站数多，区域5总的强浓雾日数多，最后得到的年均区域性强浓雾日数最多。当使用2016—2019年的逐时资料时，各区域年均区域性强浓雾日数都大幅度上升（均超过14 d，区域2最多，达到19.5 d）。增多的原因可能有能见度观测方式不同造成的系统偏差，也有有效时次增多的贡献，如已有统计表明安徽各区域强浓雾高峰时间总体上都是06时，那么，用08时资料统计必然会漏掉部分样本。

4.2 1980—2019年各区区域性强浓雾日数的年际变化相似性

1980—2019年5个区域之间08时区域性强浓雾次数的相关系数见表3，相关系数高则说明两个区域间强浓雾年际变化相似，也说明影响天气系统、地理环境相似。区域5与其他各区域相关系数都通过了α=0.01的信度检验，但相关系数都不高。相关系数最高的是区域2和区域3，其次是区域1与区域3、区域1与区域2，区域4与区域1相关不显著。由图1可见，区域1、2、3空间上相邻，地势平坦；区域1和区域2境内湖泊较少；区域3境内河流、湖泊众多，水系发达；区域2、3东边都距江苏境内的洪泽湖较近，雾日数可能会受其影响，因而区域2、3的区域性强浓雾日数存在较高的相关；区域4和区域5地形复杂、地表差异较大，因而与其他区域相关较弱。可见分区讨论的必要性与合理性。另外，表3最后一行还给出了各区域逐年区域性强浓雾日数与区域内平均强浓雾日数的相关系数，这个相关系数说明区域1、2强浓雾的区域性特征更加明显。

表3 各区域之间年区域性强浓雾日数的相关系数Table 3 Correlation coefficients of annual REDF days between regions

考虑到表3中区域1—3两两之间相关系数较大，故尝试将区域1—3合并（总站点数为31个，1/3的站点数为10个），重复表2中的统计分析，得到合并后的区域满足正态分布要求的最小站点数分别为1、2、3、4、5、6、10，最少站点数取5、6、10对应的年均强浓雾日数分别为11.6、9.7和5.0 d，变化趋势一致，但取5个站时年均区域性强浓雾日数比取10个站时的2倍还多，说明3个区域强浓雾出现时间存在较大的不一致，从服务的精准性出发，进一步说明了分区的必要性和合理性。

4.3 08时强浓雾日数的年际变化和年代际变化

各区域1980—2019年08时区域性强浓雾日数年际变化和年代际变化分别见图2和图3。由图2a可见，1980-2019年沿淮淮北3个区的区域性强浓雾日数都有先升后降的变化趋势，拐点在2006或2007年；沿江和江南2个区域在2010年之前无明显的变化趋势，但2010年之后明显减少（图2b）。各区域年际变化都很大，最少年份0—1 d，区域1、2、5最多的年份可达到或超过10 d，除了区域3，各区区域性强浓雾日数的标准差都超过均值的50%（表1）。沿淮淮北3个区域21世纪第1个10年中期及之前的变化趋势与陈潇潇等（2008）的结论一致。

图2 1980—2019年各区区域性强浓雾日数的年际变化Fig. 2 Interannual variations of REDF days in each region from 1980 to 2019

图3 1980—2019年各区区域性强浓雾日数年代际变化Fig. 3 Interdecadal variations of REDF days in various regions from 1980 to 2019

根据已有研究，从20世纪80年代中期开始，受城市化及气溶胶粒子浓度升高影响，中国东部地区城市雾日数减少，雾日能见度下降、雾持续时间延长，但县城测站雾日数增多，且不同规模城市雾日数开始下降的时间不同（Shi，et al，2008；Yan，et al，2019），贾星灿等（2012）的模拟结果也证实人为大气污染物可使雾的范围增大、强度增强、持续时间延长。因此，推测2010年之前区域1—3区域性强浓雾增多与20世纪80年代改革开放以来中国东部地区气溶胶污染加重有关。为分析气溶胶污染对区域性强浓雾的可能影响，进一步对图2中峰值年（2007年）之前，区域性强浓雾日数做趋势分析，得到线性拟合方程及决定系数见表4，从决定系数看，区域1和2的变化趋势分别通过了α=0.01和α=0.05的显著性t检验，区域3通过了α=0.1的显著性t检验，而区域4、5不显著。由于缺乏长期的气溶胶浓度监测资料，参考已有的做法（Yan，et al，2019），采用逐年霾日数表示气溶胶污染程度。石春娥等（2016，2018）分别对安徽不同区域的区域性霾、区域或全省平均霾日数做过统计分析，文中区域1和2的空间范围与石春娥等（2018）中的沿淮淮北空间上大致相同，对1980—2013年区域1和2区域性强浓雾日数与石春娥等（2018）中沿淮淮北区域性霾日数进行比较，发现2010年之前，二者变化趋势较为一致（图略），表4给出了各区域1980—2010年区域性强浓雾日数与上述研究中不同霾日数年际变化的相关系数。可见，总体上区域性强浓雾日数与对应区域的区域性霾日数相关最好，各区域都达到显著相关，这是可以理解的，雾和霾的形成都与气溶胶浓度密切相关，形成的气象条件相似。这也说明2010年之前区域1—3区域性强浓雾日数的增多原因之一是大气气溶胶粒子浓度升高。至于2010年，特别是2013年之后各区域的区域性强浓雾日数都显著下降，可能与“大气十条”实施之后，中国东部地区气溶胶（如PM2.5）浓度普遍下降有关，但强浓雾日数和霾日数发生改变的年份不一致，即霾日数下降时间滞后于雾日数下降时间，如Yu等（2022）得到的中国霾日数的峰值在2013—2016年，2016年之后开始下降，石春娥等（2018）也指出2012—2015年安徽省区域性霾日数明显上升，生态环境部的数据显示安徽PM2.5污染峰值出现在2017年（石春娥等，2021b）。考虑到2015年前后存在能见度观测方法的改变，不管是霾日数或是强浓雾日数都可能存在系统偏差，2010年后强浓雾日数下降和区域性强浓雾与霾日数变化趋势不完全一致的原因在此不做深入讨论。

表4 1980—2007年各区域区域性强浓雾日数的线性拟合方程及决定系数Table 4 Linear fitting equation and determination coefficient of REDF days in each region from 1980 to 2007

从年代际变化情况（图3）看，各区域都表现为先升后降，峰值在20世纪90年代或21世纪最初10年，都是21世纪第2个10年最少。如淮河以北西部（区域1）和东部（区域2）峰值分别在21世纪最初10年和20世纪90年代年均达到9.2次、8.5次，21世纪第2个10年年均分别为4.6次、4次，约为峰值的一半。与周自江等（2007）得到的长江三角洲区域性浓雾变化趋势相比，有相同也有不同。相同之处，沿江、江南2个区域和淮河以北东部，都在20世纪90年代区域性强浓雾最多，可能和上述区域与长江三角洲区域邻近有关；不同之处，本研究中淮河以北西部和沿淮是21世纪最初10年区域性强浓雾最多。

4.4 区域性强浓雾的年变化

2016—2019年各区域年均区域性强浓雾日数14.3—19.5 d，主要集中在仲秋到仲春（沿淮淮北10月—次年4月，沿江、江南9月—次年3月），占全年的比例分别为88%、82%、89%、91%和96%。各区域7月都没有区域性强浓雾发生，除了区域2，各区域5—8月都不超过0.5 d（图4）。区域1—5区域性强浓雾最多的月份不一致，分别是1、11、1、12和12月。

4.5 区域性强浓雾的日变化

用2016—2019年的资料得到各时次区域性强浓雾出现情况（图5）。由图5可见，区域性强浓雾具有明显的日变化特征，午后到傍晚很少出现，23时开始增多，区域2在06时达到峰值，其他区域都在08时达到峰值，09时迅速减少。区域2的高峰时间与其他区域不同，可能与日出时间季节变化有关，如一年中，合肥日出时间最早05时（05：05 BT）和最晚07时（07：12 BT），相差约2 h。区域2的区域性强浓雾高发月份是11月（秋季），其次是4月（春季），其他区域的区域性强浓雾高发月份是1月或12月（图4），11月和4月的日出时间均比冬季早。

图4 2016—2019年各区域平均区域性强浓雾日数年变化Fig. 4 Annual variations of REDF days in various regions averaged over 2016 to 2019

图5 2016—2019年各区域年平均区域性强浓雾出现次数日变化Fig. 5 Diurnal variations of occurrence time of REDF in each region averaged over 2016 to 2019

区域性强浓雾持续时间的频率分布如图6所示。各区域都是持续1 h的区域性强浓雾占比最高，达30.0%（区域1）—50.9%（区域4）；区域性强浓雾最长持续14 h，出现在区域1（淮河以北西部）；区域5（江南南部）持续最长时间为10 h，其他区域持续最长时间为11—13 h。除了区域4（沿江地区），各区域都存在另一个峰值，即持续3 h的强浓雾，区域1—5区域性强浓雾持续时间达到3 h及以上的占比分别为61.7%、52.6%、45.6%、36.8%和48.5%。说明淮河以北的2个区域不仅区域性强浓雾出现次数多且持续时间最长，危害最大。

图6 2016—2019年各区域不同持续时间的区域性强浓雾频率分布Fig. 6 Frequency distributions of REDF with different durations in each region from 2016 to 2019

5 区域性强浓雾年际变化的气象成因

由图2可见区域性强浓雾有明显的年际变化，本小节分析局地气象因子和大尺度环流对区域性强浓雾的影响。雾的形成机制复杂，很多学者都将雾日数的年际变化归因于气候变化、城市化和大气污染（如气溶胶粒子）（Shi，et al，2008；Niu，et al，2010；Yan，et al， 2019）。20世纪80年代以来，中国东部地区经历了快速的城市化和工业化，对雾日数和霾日数均产生了显著影响，因此，在研究气候因子影响时，有些学者会做去趋势影响，但大多是针对霾（Li，et al，2016；吴萍等，2016；张浩等，2019）。考虑到只有区域1和2的区域性强浓雾在2007年之前呈显著的增多趋势，而区域4和5的变化趋势并不显著，且考虑到各区域在2010年后区域性强浓雾日数明显下降、能见度观测方式改变等诸多原因，文中暂不对强浓雾日数做去趋势分析。为了排除趋势的影响，在进行环流形势对比时，选择相近的年份比较，而不做相似年份平均。

5.1 局地气象因子的影响

以冬季为例探讨局地气象因子对区域性强浓雾的影响。表5给出了冬季不同等级降水日数、降水量、风速、小风（日均风速＜2 m/s）日数、相对湿度、日均气温、08时气温等要素与区域性强浓雾日数的相关系数。计算时，区域性强浓雾、降水量和降水日数均为3个月之和，风速、相对湿度、气温为一天4个时次（02、08、14、20时）平均后再做季平均，08时气温为季平均。由表5可见，区域性强浓雾日数与各气象要素的相关在各区域表现不同。淮河以北2个区域（区域1、2）区域性强浓雾日数与降水日数、降水量、相对湿度和08时气温均有较为显著的正相关，与平均气温呈弱正相关，而与风速和小风日数相关不明显；沿淮（区域3）与淮河以北2个区域相似，但相关减弱，说明冬季偏暖、多雨有助于沿淮、淮北平原地区形成区域性强浓雾；区域4（江淮之间到沿江）区域性强浓雾日数仅与风速存在显著负相关，与小风日数存在较弱的正相关，可能与该区域水源充足有关；区域5（江南）强浓雾日数与各气象要素均不相关。

表5中的结果与安徽雾的形成机理及各区域的地理位置、地形有关。安徽强浓雾主要是辐射雾，其形成的有利条件有增湿、降温和静小风（石春娥等，2021a）。安徽年降水量和降水日数均是由南向北递减。淮河以北地势平坦，河流、湖泊较少，局地水源较少，因此，降水增湿是决定该区域雾形成与否的重要因子。沿江地区河流、湖泊众多，水汽充足，但受地形影响，风速较大、小风日数少，因此，该区域强浓雾日数与风速存在负相关、与小风日数存在较弱的正相关。再次说明安徽不同区域强浓雾的影响因子（形成机制）不同。

表5 冬季 （12月—次年2月） 各区域区域性强浓雾日数与局地气象因子的相关系数Table 5 Correlation coefficients between REDF days and local meteorological parameters in winter （December—next February）

5.2 大尺度环流的影响

表6给出了各区域1月区域性强浓雾日数与同期部分环流指数的相关系数。可见，各区域的强浓雾日数与亚洲纬向环流指数都呈正相关，仅区域1不够显著，说明各区域都是纬向环流强的年份容易发生强浓雾；区域1—3的区域性强浓雾日数与东亚槽位置指数有较弱（区域1、3）到显著（区域2）的正相关，而各区域区域性强浓雾日数与东亚槽强度指数均不相关。当东亚槽位置偏东，沿淮到淮河以北的区域容易出现区域性强浓雾，可能与近地层水汽输送有关，如Jia等（2015）指出当西伯利亚高压位置偏东，对流层低层风的改变会导致水汽在华北地区辐合、相对湿度升高。各区域强浓雾日数与经向环流指数均不相关。

表6 各区域1月区域性强浓雾日数与一些气候指数的相关系数Table 6 Correlation coefficients between the number of REDF days in January and various climate indexes in each region

为进一步理解大尺度环流对安徽雾的影响机制，从2000—2019年挑选1月沿淮淮北（区域1、2、3）区域性强浓雾较多（2006、2013、2017年）和较少（2005、2010、2015年）的年份（表7）比较1月不同高度（500、925 hPa）平均高度场和平均海平面气象场（MSLP）。

500 hPa高度场（图7），两种情景中纬度（20°—45°N）等高线都比较平直，高纬度有区别，如区域性强浓雾多的1月（2006、2013、2017年）高纬度（45°N以北）为2槽1脊形势（图7a、c、e），东亚槽位置与相近的雾少年份同期相比偏东2—11°，基本上都在145°E以东（表7）；强浓雾少的1月（2005、2010、2015年）高纬度（45°N以北）为1槽1脊形势，东亚槽位置偏西（145.5°E以西）（图7b、d、f），除了2015年，纬向环流指数显著低于区域性强浓雾多的1月（表7）。需要说明的是，2015年1月安徽区域性霾过程较多（石春娥等，2018）。

图7 多雾1月 （a. 2006年，c. 2013年，e. 2017年） 与少雾1月 （b. 2005年，d. 2010年，f. 2015年） 500 hPa平均位势高度 （单位：dagpm；图中黑色实心圆点为蒙城气象站大致位置，代表沿淮淮北中心位置）Fig. 7 Average geopotential height （unit：dagpm） at 500 hPa in January of more fog days （a. 2006，c. 2013，e. 2017） and January of fewer fog days （b. 2005，d. 2010，f. 2015） （the black spot is the Mengcheng weather station）

表7 选取的对比年份1月各区域区域性强浓雾日数 （d） 及东亚大槽位置指数 （°E） 和纬向环流指数Table 7 Number of REDF days （d） in January in the years selected for comparison and corresponding IEATP （°E） and IZ

925 hPa高度场（图略），多雾年份安徽位于均压区（2013年）或者有一根东西向等高线（2006年和2017年），说明有偏东来向的气流；少雾年份安徽也位于接近均压区，但靠近南北向等高线，说明以偏北来向气流为主（图8）。

海平面气压场上（图9），多雾年份，40°N以北1030 hPa等值线位置偏东（在120°E以东）；少雾年份，40°N以 北1030 hPa等 值 线 位 置 偏 西（在120°E以西），这与东亚槽位置一致，也会影响近地层风场和湿度，如：若1030 hPa等值线位置偏东，中国东部地区近地层风向偏东北，有利于地面增湿；若1030 hPa等值线位置偏西，中国东部地区近地层风向偏北，不利于地面增湿（图8）。除了2013年，安徽海平面气压等值线在多雾的1月比少雾的1月密，对应地面偏东风风速大，如2006和2017年地面平均风速大于1 m/s，而其他年份都低于1 m/s，说明近地层较大的偏东风有利于水汽输入，进而有利于强浓雾的形成。当然，由表7可见，2013年区域1的区域性强浓雾次数少于2006和2017年同期，这也与Jia等（2015，2018）的结论一致。Jia等（2015）基于华北地区冬季大气光学厚度与西伯利亚高压异常的关系构建了一个新的西伯利亚高压位置指数，该指数与华北地区大气光学厚度存在显著的正相关，即当西伯利亚高压位置偏东，则从地面到对流层中层西北风减弱，华北地区水汽辐合增强，气溶胶向南输送减弱，因而认为西伯利亚高压位置偏东是华北大气光学厚度增大（霾日数增多）的关键气候因子。

图8 同图7，但为925 hPa的平均风 （矢量） 和1000 hPa平均相对湿度 （色阶） （黑点和三角分别为蒙城和合肥的大致位置）Fig. 8 Same as Fig. 7 but for average winds at 925 hPa （vector） and average relative humidity （color shaded） at 1000 hPa （the black dot and triangle are the locations of Mengcheng and Hefei，respectively）

图9 同图7，但为平均海平面气压 （等值线，单位：hPa） 和10 m风速 （矢线） （色阶为平均风速）Fig. 9 Same as Fig. 7 but for average sea level pressure （isoline，unit：hPa） and 10 m wind （the color shade represents the average wind speed）

6 结论与讨论

根据国家级气象观测站40 a的历史资料，将安徽省分为5个区域，判定区域1—5出现区域性强浓雾的标准是最少要有4、3（2+2）、5、6、5站同时出现强浓雾，并据此建立了5个区域1980—2019年08时区域性强浓雾日时序资料，分析了区域性强浓雾的年际和年代际变化趋势；利用2016—2019年77个国家级气象观测站逐时资料分析了各区域区域性强浓雾的年变化、日变化等，探讨了冬季强浓雾年际变化的成因。主要结论如下：

（1）安徽各区域08时年均区域性强浓雾4—7 d，各区域08时区域性强浓雾具有明显的年际变化，最少的年份0—1 d，最多的年份超过10 d。各区域都是21世纪第2个10年最少，沿江、江南和淮河以北东部在20世纪90年代最多，淮河以北西部和沿淮在21世纪第1个10年最多。1980—2019年，区域1—3的区域性强浓雾日数呈先升后降的趋势，拐点在2006/2007年。1980—2007年，区域1—3的区域性强浓雾呈显著增多趋势，与气溶胶粒子浓度升高有关，如变化趋势与同期区域性霾日数呈显著正相关。考虑到能见度观测方式改变可能会对雾、霾日数产生系统偏差，2010年之后强浓雾日数明显减少的原因未做深入分析。

（2）用2016—2019年逐时资料得到各区域年均区域性强浓雾日数为14—20 d，明显多于结论（1）中仅用08时资料得到的日数，一方面是因为仅用08时资料会漏掉在08时之前已经消散的个例，另一方面是因为能见度观测由人工观测改为仪器自动观测后的系统偏差会使雾日数观测记录大增（石春娥等，2021a）。区域性强浓雾主要出现在仲秋到仲春（10月—次年4月或9月—次年3月），各区域峰值月份不同，以1月和12月为主。区域2（淮河以北东部）在06时达到峰值，其他区域都在08时达到峰值，这与强浓雾峰值月份有关。

（3）区域性强浓雾持续时间的频率分布以持续1 h最多，在各区域占比30%（区域1）—51%（区域4），其次是持续3 h，持续3 h及以上的样本占比分别为61.7%（淮河以北西部，区域1）、52.6%（淮河以北东部，区域2）、45.6%（沿淮，区域3）、36.8%（沿江，区域4）和48.5%（江南，区域5）。

（4）冬季多雨和气温偏高有助于沿淮淮北3个区域形成区域性强浓雾；而沿江地区强浓雾的多寡只与风速有关，江南则与各要素均不相关。1月区域性强浓雾天数都与纬向环流指数存在正相关，沿淮淮北3个区域的区域性强浓雾天数都与东亚槽位置存在正相关，而与东亚槽强度和经向环流指数无关。说明中高纬度纬向型环流、东亚槽位置偏东易在安徽沿淮淮北形成区域性强浓雾，因为当东亚槽位置偏东，海平面气压中高纬度1030 hPa等值线位置偏东（如：40°N以北1030 hPa线位置在120°E以东），沿淮淮北近地层偏东风较强，湿度偏高。

本研究为进一步研究各区域强浓雾形成机制和预报方法奠定了基础。由于多种原因，分析强浓雾日数气候成因时未做去趋势分析。由于雾是小概率事件，月平均后上述要素差异缩小，下一步将分区域研究区域性强浓雾环流形势特征。

致 谢：感谢周自江研究员细致地审阅了初稿并提出了很有意义的修改意见。