近年来，随着经济规模迅速扩大和城市化进程加快，以颗粒物为主的空气污染日趋严重，伴随霾污染问题已成为当前社会关注的焦点。灰霾天气是气溶胶粒子在高湿度条件下引发的低能见度事件，高湿度条件是高浓度气溶胶形成严重灰霾的必要条件，吸湿后气溶胶消光系数会增大3—6倍，使得能见度明显恶化(吴兑，2011)。空气污染物与气象条件关系密切，一旦遇到不利气象条件，大气中的气溶胶颗粒物会聚集升高，导致能见度降低。Wu等(2005)研究了广州一次极端低能见度事件，极端低能见度与飓风系统有关，强烈下沉运动将气溶胶颗粒物限制在浅层大气中，大气扩散条件较差(地面弱风速、较低边界层高度)，导致极端低能见度事件发生。梁延刚等(2008)也论证了香港地区气象条件对低能见度及PM_2.5浓度的重要性。

颗粒物对能见度的影响主要是散射和吸收作用。大气颗粒物对光的散射效应主要是由粒径为0.1—2.0 μm中的SO₄^2-和NO₃^-等二次颗粒物造成，而对光的吸收效应几乎全部是由黑碳(BC)和含有黑碳的颗粒物所造成(余锡刚等，2010；杨复沫等，2013)。此外，大气湿度的升高会导致硫酸盐、硝酸盐等吸湿性二次颗粒物迅速长大到对光散射效率更高的尺寸，从而引起能见度降低(杨复沫等，2013)。作为PM_2.5中重要组成部分的水溶性离子，对大气的消光系数具有较高的分担率，是导致许多大都市大气能见度降低的最主要原因(吴兑，2012)。

中外有关能见度与颗粒物、相对湿度的关系研究已取得阶段性进展。印度德里针对当地更为严重的大气气溶胶粒子污染及其对环境、健康的影响进行了系统性研究(Singh et al，2008，2012；Mohan et al，2009；Firdaus et al，2011； Guttikunda et al，2012；Goyal et al，2014；Goswami et al，2015)。北京大气能见度与细粒子质量浓度成强的负相关性，细粒子污染是造成北京大气能见度下降的主要原因(王京丽等，2006)。珠三角能见度恶化主要与细粒子关系比较大，气溶胶污染的本质是细粒子的污染(吴兑等，2006，2012)。上海PM₁₀浓度平均值与相对湿度平均值成显著线性负相关，RH＞75％时，大气能见度的降低主要反映PM₁₀含水量的快速升高而并不指示PM₁₀浓度的增大(龚识懿等，2012)。天津市小粒径颗粒对能见度的影响作用明显，随着能见度的降低，小粒径颗粒与大粒径颗粒浓度的比值明显增大(边海等，2012)。香港PM_2.5浓度与能见度成倒数或指数关系，相关系数约为0.8(梁延刚等，2008)。广州颗粒物浓度与能见度成幂函数负相关，相关系数从大到小依次为PM₁、PM_2.5、PM₁₀(潘洪密等，2015)；在70％≤RH＜80％区段相关系数最高，且能见度与PM₁浓度的拟合曲线在约60 μg/m³处是一个分界(张芷言等，2014)。北京和广州能见度与PM_2.5浓度的拟合曲线在约50 μg/m³处是一个分界(陈义珍等，2010)。辽宁中部城市群细粒子浓度与能见度存在非线性关系，能见度与PM_2.5浓度的拟合曲线分界点在约30 μg/m³处(刘宁微等，2012)。

武汉是中国中部最大的工业、商业城市，随着城市建设高速推进，高耗能、高污染产业规模持续扩大，大气污染物排放量快速上升，成为武汉市空气质量恶化的主要因素。霾问题同样是武汉市标志性难题，武汉市环境保护局发布2013年空气质量状况，武汉市PM_2.5浓度超标率48.5%，相当于平均每周至少出现一次重污染天气。目前华北(京津冀)、华东(上海)、华南(广州)等地区有关大气环境基础性研究已相对成熟，而华中地区地理位置重要，空气污染日益严重，但相关研究尚在起步阶段。武汉作为中部地区高湿度代表城市，大气污染严重，霾多发，迫切需要开展相关基础研究，充分认识该地区能见度影响的地域性特征及差异。

武汉大气能见度和相对湿度数据由湖北省气象信息与技术保障中心提供。从2013年9月1日起，武汉站(57494)已实现能见度的自动化观测，同时取消人工观测。收集2013年9月1日—2015年3月31日逐时能见度和相对湿度自动观测数据。

PM_2.5、PM₁₀质量浓度数据来源于武汉市大气环境自动监测站，经质量控制剔除掉奇异值。以城区10个空气质量国控站(苗蕾，2013)颗粒物浓度观测的平均值代表武汉颗粒物浓度，资料长度为2014年9月3日—2015年3月31日，时间分辨率为1 h。分析能见度与颗粒物浓度及相对湿度关系时，统一使用该时段内的气象要素与颗粒物浓度资料。

依据气象观测行业标准(中国气象局，2010)，排除时段内降水等天气造成的能见度降低，当满足能见度＜10 km，且相对湿度＜80%，或相对湿度在80%—95%且PM_2.5＞75 μg/m³，统计为霾；当能见度＞10 km，统计为非霾。当判识为霾时，可根据能见度(V)将霾划分等级：轻微(5 km≤V＜10 km)、轻度(3 km≤V＜5 km)、中度(2 km≤V＜3 km)和重度(V＜2 km)。

采用神经网络方法建立大气能见度非线性预报模型，并对预报效果进行客观检验，主要用到以下评估指标。

能见度分级检验：按照能见度≤10 km、≤5 km、≤3 km、≤ 2 km，针对不同预报等级，分别进行TS评分、漏报率(P_O)、空报率(F_AR)评分和预报偏差(B_S)。同时检验能见度预报的均方根误差(E_RMS)和平均绝对百分误差(E_MAP)。

点击浏览公式

点击浏览公式

点击浏览公式

点击浏览公式

点击浏览公式

点击浏览公式

人工观测能见度主观性很强，时间间隔较长，而能见度自动观测基于仪器原理和理论计算，观测结果客观性强，时间间隔较短，从天气现象出现的连续性和趋势演变角度考虑，自动观测也相对人工观测准确(司鹏等，2015)。利用能见度观测仪2013年9月1日—2015年3月31日逐时观测数据，分析各季节武汉大气能见度日变化特征(图 1)。

图 1 不同季节武汉大气能见度的日变化 (a.未剔除雾和降水时次，b.剔除雾和降水时次) Fig. 1 The diurnal variation of visibility in different seasons in Wuhan (a. Visibility collected at all hours are considered，b. visibility at hours of fog and precipitation hours are excluded)

图选项

由图 1a可见，武汉各季节平均能见度不足10 km，冬季最低(日均4.5 km)，其次为春季(日均5.5 km)、秋季(日均5.9 km)和夏季(日均6.2 km)。夏、秋季日间平均能见度略高一些，春季次之，冬季最低；夜间平均能见度在冬季最低，其他季节基本一致。受太阳辐射及大气边界层日变化影响，武汉不同季节能见度日变化特征明显，呈单周期谷、峰形分布。春、夏、秋季能见度在04—06时(北京时，下同)最低、冬季06—08时最低(3—4 km)，之后开始持续上升，至15—16时均为最高(7—9 km)，此后再逐渐下降。

夜间地面辐射降温明显，大气低空容易出现逆温层，空气中排放的颗粒物被限制在浅层大气中，容易集聚成霾。并且冬季夜间气温下降显著，空气中水汽容易达到饱和形成雾，使能见度降低。可以看到，排除了雾(相对湿度大于95%)和降水对能见度的影响(图 1b)，各季节夜间雾多发时段内能见度有所提升，日均能见度升高0.5 km左右。武汉大气能见度较低，主要是由气象条件导致颗粒物聚集成霾造成的，与雨、雾的影响关系不明显。

统计2014年9月3日—2015年3月31日武汉PM_2.5、PM₁₀逐时浓度数据及同期气象数据(表 1)可知，武汉非霾时数仅占总时数的18.4%，而霾时数占总时数的50%，随霾发生、加重，能见度呈非线性下降。可见，霾的发生和加重是武汉大气能见度降低的主要原因。

粗细粒子质量比PM_2.5/PM₁₀可以反映灰霾细粒子污染特征，灰霾严重时，细粒子比重会明显增大，PM_2.5/PM₁₀的范围为80％—90％(吴兑等，2011)。统计武汉平均PM_2.5/PM₁₀，可见霾发生时，平均PM_2.5/PM₁₀超过60%，且随着霾加重，细颗粒物浓度升高，能见度降低，PM_2.5/PM₁₀值增大，当能见度降低到2 km以下，平均PM_2.5/PM₁₀达到80％。表明随霾加重，霾细粒子污染特征表现明显，能见度降低会伴随大量细颗粒物的产生和累积，大气中细颗粒物浓度增大是影响武汉能见度变化的重要因素。

此外，湿度升高对气溶胶消光系数的增大起到推波助澜的作用，灰霾粒子吸湿后会使能见度更加恶化(吴兑，2011)。武汉霾发生时平均相对湿度(RH)大于60%，随霾发生和加重，RH持续升高，当RH＞90%时，PM_2.5与PM₁₀浓度比值突然增大，大气气溶胶细粒子急剧吸湿增长(宋明等，2013；叶兴南等，2013)，能见度更加恶化。

大气颗粒物对能见度的影响很复杂，主要与颗粒物的质量浓度、粒径谱分布、化学组分、吸湿特性、黑碳及其混合状态等性质有关，尤其细颗粒物对大气能见度的影响更显著(黄元龙等，2013)。在PM_2.5复杂的化学组成中，硫酸盐、硝酸盐及含碳组分是引起能见度降低的主要组分(黄元龙等，2013)。

为避免相对湿度(RH)对能见度的影响，将RH分成多个区段，图 2所示，分别用幂函数拟合PM_2.5浓度与能见度的散点分布，表 2给出能见度(y)与PM_2.5浓度(x)的定量关系式，分析二者非线性关系。

图 2 武汉不同相对湿度区段下大气能见度与PM2.5浓度的关系 Fig. 2 The relation between the visibility and PM2.5 concentrationcorresponding to different relative humidity ranges in Wuhan

图选项

由图表可见，PM_2.5浓度与武汉大气能见度的非线性关系良好，当80%≤RH＜90%，二者相关性最强，RH≥90%，相关性开始减弱，RH≥95%时拟合相关系数仅为0.48。相同湿度段下，各地区PM_2.5对能见度的影响不同，陈义珍等(2010)对比北京和广州地区，PM_2.5对北京能见度影响最大(相关系数在0.78—0.90)，对广州影响其次(相关系数在0.61—0.71)。武汉地区，各湿度段的相关系数指标为0.73—0.84，可见细粒子对能见度的影响从南方至北方逐渐严重。此外，70％＜RH≤80％湿度段下，该2个地区能见度与颗粒物相关性最强，而80%≤RH＜90%湿度段下，武汉的相关性指标最高，表现出地域性差异。武汉霾期间，PM_2.5组分中的水溶性离子(NO₃^-、SO₄^-和NH₄⁺)浓度会显著升高(张帆等，2013)，大量水溶性粒子吸湿增长，使得能见度急剧恶化。较高相对湿度明显降低了能见度，随相对湿度的增大，拟合曲线向低能见度方向移动，隐含了细粒子浓度、相对湿度同时对能见度的作用。

由于能见度与PM_2.5浓度成幂函数关系，一定湿度条件下，当PM_2.5低于某浓度阈值时，能见度随细颗粒物浓度降低而迅速升高，而当PM_2.5高于该浓度阈值时，能见度随细颗粒物浓度变化不明显。以能见度为10 km(非灰霾天气)确定该PM_2.5浓度阈值，对提高城市大气能见度有重要指示意义(曹军骥，2014)。

干情景下(RH＜40%)，能见度与PM_2.5浓度的幂函数关系式为y=116.34x^-0.577，将能见度(y)10 km代入拟合方程，计算得到PM_2.5浓度(x)阈值为70 μg/m³。不同湿度段，能见度10 km对应PM_2.5浓度阈值不同，依据各湿度段下能加度与PM_2.5的定量关系式，计算各湿度段下PM_2.5阈值(表 2)。可见，PM_2.5浓度对能见度的影响敏感阈值是随着湿度增大而减小的。

由此可知，潮湿空气中，相对少量的大气细粒子也可能引起灰霾，这与地区颗粒物化学组分有关(含大量水溶性离子)。某地区环境湿度越高，越不利于改善城市能见度，这需要降低大气细粒子浓度至更低。武汉地区，一般情况下，当PM_2.5浓度高于约40 μg/m³时，控制PM_2.5对提高城市能见度成效相对较弱，而当PM_2.5浓度低于此阈值时，降低PM_2.5将显著提高大气能见度。

以上分析表明，PM_2.5浓度是影响武汉市能见度的主要因素，较高相对湿度可明显降低能见度，80%≤RH＜90%湿度区段下细颗粒物浓度的影响作用更显著，高湿条件下(RH≥90%)PM_2.5浓度对能见度的影响作用逐渐减弱，主要影响因子转变为水汽条件。当PM_2.5浓度低于约40 μg/m³时，继续降低PM_2.5可显著提高武汉市大气能见度。

相对湿度对能见度的影响很大，空气中高含量水汽具有较强的吸光作用，同时大气中吸湿性颗粒物(主要为硫酸盐、硝酸盐等二次颗粒物)极易吸收空气中的水汽而改变其物理化学性质(粒径尺度增大)，使得颗粒物消光性能增大，急剧降低大气能见度。以RH为标准，以1%为间隔，用曲线拟合相对湿度与各区间内能见度和PM_2.5浓度的均值散点分布(图 3)。

图 3 武汉大气能见度(a)、PM2.5浓度(b)与相对湿度的关系 Fig. 3 The relation between the relative humidity and visibility (a) and PM2.5 concentration (b) in Wuhan

图选项

由图可见，能见度与相对湿度也是非线性关系，干情景下(RH＜40%)，平均能见度大于10 km，随RH升高能见度下降相对较快，对应PM_2.5浓度也逐渐升高至70 μg/m³左右。湿情景下(RH≥40%)，随RH升高能见度下降相对缓慢一些，而PM_2.5浓度基本不变，但高湿条件(RH＞90%)出现拐点，能见度迅速下降，表 1也表明当RH＞90%气溶胶细粒子成分会急剧吸湿增长。有研究证实，随相对湿度的升高，吸湿性颗粒的散射效率非线性地增大，造成消光系数呈现非线性的增大，当RH＞90%时，这种影响更为显著(曹军骥，2014)。这是造成图 3a拐点的主要原因。

因此，高湿条件，随颗粒物吸湿增长，其消光效应加剧。当RH＞90%时，气溶胶的消光能力随RH成指数增长，能见度的恶化主要由RH的增长决定(Malm et al，2001；陈静等，2014)。由此可见，能见度与相对湿度的非线性，干情景下，主要与PM_2.5对能见度的影响有关；湿情景下，主要与大气吸湿性粒子的散射效率非线性有关。如图 3b所示，当RH＜40%，随RH升高，PM_2.5浓度逐渐聚积，在低于70 μg/m³左右时，该阶段能见度随细颗粒物浓度升高而迅速降低(对应图 2)，这也解释了图 3a。而当RH＞40%，随RH升高，PM_2.5浓度基本不变，但由于大气细粒子吸湿增长，其散射效率逐渐增大，当RH＞90%时散射效率非线性增大，使得大气粒子消光性能迅速增大，从而导致能见度急剧恶化(图 3a拐点)。

武汉能见度(V)与相对湿度(RH)的定量关系可由以下分段函数给出：

点击浏览公式

如图 4所示，当RH≤90%，能见度与RH成幂函数关系，决定系数R²达到0.94；当RH＞90%，能见度与RH成线性关系，决定系数R²达到0.97。当RH＜40%，平均能见度高于10 km，霾频率很低，当40%＜RH≤90%时，平均能见度低于10 km，若PM_2.5浓度不变，能见度随湿度升高而缓慢降低，湿度越高则趋势越缓慢，当RH＞90%，出现分段拐点，在一定细粒子浓度下，湿度对能见度有显著影响，能见度随湿度升高成线性递减，RH每增加1%，平均能见度降低0.568 km。

图 4 武汉大气能见度与相对湿度(a)RH≤90%、(b)RH＞90%的分段拟合 Fig. 4 The relation between the relative humidity and visibility under the condition of RH≤90%(a) and RH＞90%(b) in Wuhan

图选项

综上所述，细颗粒物浓度与相对湿度共同影响和制约武汉大气能见度变化，干情景下，能见度降低的关键因素是PM_2.5浓度升高，湿情景下，能见度恶化主要原因是由湿度增大造成的粒径吸湿增长，当RH＞90%，武汉大气能见度出现急剧下降。

若RH以5%为间隔、PM_2.5浓度以25 μg/m³为间隔，给出区间能见度均值与RH和PM_2.5浓度的分布，如图 5所示。由图可见，同时沿RH和PM_2.5浓度正方向，能见度逐渐下降，且等值线斜率

图 5 武汉大气能见度与相对湿度和PM2.5浓度的分布 Fig. 5 The distribution of visibility versus relative humidity and PM2.5 concentration in Wuhan

图选项

逐渐增大。低能见度分布在高湿、高浓度区域，较高能见度分布在低湿、低浓度区域；由湿霾造成的能见度恶化程度远大于由干霾所造成。等值线斜率越大(小)，表明能见度受RH影响越大(小)，而受PM_2.5浓度影响越小(大)。当平均能见度高于10 km，等值线斜率较小，能见度主要受PM_2.5浓度升高而降低。当能见度低于10 km，RH＞90%，斜率明显增大，能见度主要受RH升高而迅速降低。这与华北地区研究结论相印证(Chen et al，2012)，当RH＜90%，低能见度与高气溶胶体积浓度有关，当RH＞90%，能见度恶化主要受湿度增长所影响。

常用到的消光计算方法包括基于化学组分和吸湿性测量的IMPROVE方案，基于消光影响因素的统计回归算法，以及基于气溶胶光学本质的物理计算3大类(陈静等，2014)。IMPROVE方案和物理计算方案需要用到气溶胶各组成成分、数谱分布及分粒径吸湿性观测数据等，不利于气象台站的推广使用。统计方法使用简便，资料容易获取，通过历史数据回算建立能见度的预报模型，效果也较为理想(张剑等，2011；宋明等，2013；沈铁迪等，2015)。

由于大气能见度与PM_2.5浓度、相对湿度为非线性关系，因此不能以简单线性回归方法建立能见度统计预报模型。神经网络方法具有很强的处理非线性问题的能力，将PM_2.5浓度和相对湿度预报因子作为网络学习的矩阵输入端，能见度预报量作为网络的期望输出端，通过不断地训练学习，调整网络模型各连接层权重系数和阈值，使输入与输出之间自然逼近一种规律。

将2014年9月—2015年3月逐时数据分为两段，前2/3长度为训练期，通过网络自主训练学习建立预报模型；后1/3长度作为预报期，将预报因子带入训练好的参数模型进行独立预报，并与预报量实况进行对比，以检验网络系统预报效果。

选用BP神经网络算法(Jin et al，1997)，输入层设2个节点，分别输入逐时PM_2.5浓度和相对湿度，隐含层设3个节点，在0—1范围内随机设置各连接层的初始权值和阈值，输出层设1个节点，输出逐时能见度。通过训练期内上千次样本训练，不断学习调整网络参数，最终使得输入与输出逼近非线性规律，误差得以收敛。

图 6a给出训练后的网络系统输出的逐时能见度模拟与实况的散点图。由图可见，模拟与实况线性关系良好，相关系数为0.92，但对10 km以上能见度随实况值增大模拟略偏低。图 6b给出基于训练后的固定网络模型在预报期内预报与实况的对比。由图可见，预报与实况的变化趋势基本一致，相关系数为0.86，并且对实况多次出现的低能见度样本，均有较好的预报表现。

图 6 基于神经网络模型的训练期(a)、预报期(b)武汉大气能见度预报与实况对比 Fig. 6 Comparison between observed and simulated hourly visibility using the neural network model during training (a) and forecasting (b) period in Wuhan

图选项

对能见度预报进行客观检验和评分，其均方根误差为1.9 km，平均绝对误差为24.7%，分级检验评分指标见表 3。网络模型的预报性能总体良好，能见度≤10 km的TS评分为0.92，可见对霾的判别有较高准确性，随霾加重，TS评分降低。对低能见度的漏报率要大于空报率，随能见度降低，漏报比例逐渐大于空报(B_S＜1且为降低趋势)，即当能见度≤5 km，能见度越低，漏报时次越多，预报平均值略偏大。

另外，由于训练后的网络模型是固定的，图 5b中可见预报初期预报与实况的吻合度要略高于预报末期，如果采用滑动训练的方式(智协飞等，2009，2013)，通过实时更新训练样本、不断优化网络模型参数，可以提高末期预报效果。

初步试验结果表明，神经网络方法在处理能见度预报的非线性关系上具有很大的优势。基于神经网络方法建立大气能见度非线性预报模型是可行的，为衔接区域环境气象数值预报模式，建立大气能见度精细化动力统计模型提供参考依据。

(1)武汉霾时数发生比例高，各季节平均能见度不足10 km，冬季平均能见度最低，然后依次为春、秋和夏季。不同季节能见度日变化呈单周期谷峰形，冬季06—08时最低，春、夏和秋季04—06时最低，15—16时均为最高。霾的发生和加重是武汉大气能见度降低的主要原因，能见度降低会伴随大量细颗粒物的产生和累积，这是大气能见度恶化的重要诱因。

(2)武汉大气能见度与PM_2.5浓度成幂函数的非线性关系，80%≤RH＜90%湿度区段下相关最强。PM_2.5浓度对能见度的影响敏感阈值是随着湿度升高而减小的，干情景下(RH＜40%)能见度10 km对应的PM_2.5浓度阈值为70 μg/m³，湿情景下该阈值为18—55 μg/m³。当PM_2.5浓度高于40 μg/m³时，能见度随细颗粒物浓度变化不明显，当PM_2.5质量浓度低于该阈值时，继续降低PM_2.5可显著提高武汉大气能见度。

(3)细颗粒物浓度与相对湿度共同影响和制约武汉大气能见度变化，高湿高浓度时能见度显著恶化，干情景下(RH＜40%)，能见度迅速降低是由于PM_2.5浓度逐渐升高，湿情景下(RH≥40%)，能见度持续下降是由于细粒子粒径逐渐吸湿增长。当RH＞90%，能见度随湿度升高成线性递减，RH每增大1%，武汉能见度平均降低0.568 km。在城市大气细粒子污染背景下，能见度与相对湿度成非线性关系，主要与PM_2.5对能见度的影响及吸湿性颗粒物的散射效率变化有关。

(4)基于神经网络方法进行大气能见度的非线性预报是可行的，网络模型具有良好预报性能，对霾的判别有较高准确性。经检验，预报能见度相关系数为0.86，均方根误差为1.9 km，平均绝对误差为24.7%，能见度≤10 km的TS评分为0.92。为衔接区域环境气象数值预报模式，建立大气能见度精细化动力统计模型提供参考依据。

值得关注的是，确定某地区大气能见度与PM_2.5浓度非线性关系的分界线阈值，对治理大气颗粒物污染、提高城市大气能见度具有重要指示意义，通过拟合不同湿度条件二者的定量关系式，以能见度为10 km(非灰霾天气)计算该阈值，比主观界定更为合理。

在理想清洁大气条件下，能见度与相对湿度应是线性关系，而该地区二者表现为非线性关系，由于武汉大气细粒子污染较为严重，二者(能见度与相对湿度)线性关系受到影响，且随湿度升高，吸湿性颗粒物散射效率非线性增长，使得RH＞90%出现分段拐点，同时高湿条件下细粒子对能见度的影响减弱，二者又回归为线性关系。利用PM_2.5对能见度的影响及颗粒物吸湿增长的规律，可以解释能见度与相对湿度的非线性关系。