基于热带中东太平洋海温对冬季中国南方地区霾污染的跨季节预报

程叙耕

快速的城市化和化石燃料的使用等人类活动，在中国冬季霾天气发展的长期趋势中扮演了重要角色。除人类活动之外，气候变化也是造成雾霾增加的重要原因。作为全球大气年际变化最强信号，ENSO事件在冬季达到全盛并通过遥相关作用导致同期我国的气候异常。霾污染过程发生通常需要静稳天气条件做为背景，ENSO是如何对霾污染气象条件产生的作用以及在与中国霾污染变化中关系是怎样的？能否利用ENSO发展前期的海温信号对霾污染频次做季节预报呢？

最近，南京信息工程大学大气物理学院赵天良教授与程叙耕博士以1981—2013年的气象及环境观测资料为基础，分析了热带中东太平洋海温异常的年际变化与中国南方静稳条件和霾事件频次异常的关系。对美国国家气候数据中心采用静稳指数ASI的阈值进行调整，改进后的ASI可以反映我国南方地区与霾污染发生相关的静稳条件。在Niño3.4海温偏暖（El Niño事件）的冬季，南方地区近地面弱风日数、无降水日数和中层弱风日数均存在负异常，静稳指数偏低，有利于污染物的扩散与沉降，相应地南方地区霾污染事件偏少。在Niño3.4海温偏冷（La Niña事件）的冬季时，静稳条件的因子与海温偏暖时情况正相反，静稳指数偏高，霾污染事件增多（图1）。

研究发现Niño3.4 海温异常与冬季霾日数之间的关系存在变化连续性，ENSO事件的海温与霾污染相关信号自4月已经开始显著，在8-10月信号能达到冬季海温相关信号水平。气候因子的前期信号为我国霾日的季节预测提供了一种可行性。结合前任研究结果，以8-10月 Niño 3.4海温、秋季北极海冰面积、夏季大西洋海温综合指数和10-11月欧亚大陆积雪面积这些气候因子作为预报因变量，利用随机森林回归方法建立了对霾日的季节性预测模型。模型中使用了年际增量（DY）方法，以冬季南方区域平均霾日数的年际增量为预报量，以预报因子的年际增量作为预报因子建立统计预测模型。模型在预测冬季霾日数方面都表现良好，模型观测值与模拟值的相关系数为0.95（图2c），预测的误差天数仅为1.70天，优于多元线性模型。并且随机森林模型证明了ENSO发展期的海温是冬季南方霾日事件预报中最重要的预测因子（图2a）。

以上研究成果已发表于《AtmosphericResearch》期刊上。

文章引用：Cheng, X., Boiyo, R., Zhao, T., Xu, X., Gong, S., Xie, X., Shang, K. (2019). Climate modulation of Niño3. 4 SST-anomalies on air quality change in southern China: application to seasonal forecast of haze pollution. Atmospheric Research, 225, 157-164, doi:10.1016/j.atmosres.2019.04.002.

文章地址：https://doi.org/10.1016/j.atmosres.2019.04.002

图（a）随机森林预测模型中各预测因子重要性的柱状图。（b）随机森林算法（蓝色折线）预测的冬季南方霾日数的年际增量。浅蓝色包络线是从1000次回归中得出的95%置信区间。红色曲线是观察冬季南方霾日数的年际增量。（c）观测的冬季霾日数（红色折现）和基于随机森林预报模型得到霾日数（蓝色）。