北京城市化进程对雾生成的影响

陈昌硕 张同升

摘要：由于京津冀地区的城市化进程迅速，城市面积快速增加，北京地区土地利用类型的显著变化，对局地大气环流特征产生了影响，导致雾的发生频次减少。然而，最新的观测数据显示，北京地区的雾霾频次在2016年前后出现了显著的上升，与传统的城市化导致雾减少的现象相悖。为此，本研究基于1945-2024年的雾霾观测数据，结合区域数值模式进行了逐小时的模拟，并开展了不同土地利用类型的敏感性试验。研究结果表明，尽管城市化进程在1990年到2010年间总体上对雾霾有减少作用，但土地利用类型的变化引发了风场的东南向转变，并加剧了南北温度梯度，导致南向暖湿气流更容易聚集形成雾霾，结合大尺度的大气环流作用，共同推动了2016年前后极端雾霾事件的发生。因此，城市化的影响可能不完全是对雾产生抑制作用，实际上，它可能与大尺度气候背景相互作用，促发极端雾事件。鉴于此，城市规划应更加关注未来极端天气事件的模拟与评估，特别是在土地利用变化对大气环流和危险天气生成机制的影响方面，从而为有效应对气象灾害提供科学依据，减少潜在的经济损失。

关键词：雾；城市化；土地利用；数值模式

一、研究背景

雾是由悬浮在空气中或是地球近地面层的液滴、冰晶组成的一种可见气溶胶，可以使能见度降低至1千米以下[1,2]，雾形成时的低能见度所造成的经济损失在特定环境下甚至可以与台风相当[3]。北京是雾的高发区[4]，在冬春两季尤为严重[5]。雾的生成容易引发交通事故，也会影响人的身体健康，造成大量经济损失。仅2013年1月，全国雾霾造成的交通和健康直接经济损失高达230亿元，造成交通事故965起，36人死亡[6]。据飞行情况调查表明，雾的生成对航空业产生显著影响，已成为造成航班延误、威胁飞行安全最主要的天气因素之一，引起约13%的航班取消[7]，造成巨额的经济损失和严重的安全事故[8]。

城市热岛效应是指由于人类活动，使得城市的温度比城郊温度高的现象，该现象已经在世界范围内各个城市都有发生[9-11]。北京市的辖区面积在过去70年来从707平方千米扩大为2020年的1.64万平方千米，城市热岛强度的增温率高达城郊的8倍[12]。在北京城市化的进程中，原本的土壤、植被、湖泊等自然下垫面被沥青、混凝土、楼房等人造下垫面取代，改变了原本的陆气相互作用过程[13]。下垫面的土壤含水量、比热容、以及粗糙度等要素的改变进一步改变了风场结构、湍流、以及边界层结构[14,15]。城市热岛效应引起的局地大气环流会造成雾的生成频率和强度发生改变，导致大部分城市生成的雾逐渐减少[16-18]。这主要是因为城市热岛效应增强，导致城市温度升高[19,21]，从而降低大气稳定度，不利于雾的生成和维持。城市热岛效应也会影响雾区的扩散，从而在城市地区形成无雾的空洞，而在城郊仍然为严重的雾区，其雾频比城区高出约50%，对于城郊的交通造成极大的影响[22]。城市热岛效应同样会造成城市热环流，产生的辐合区导致雾顶升高[23]。此外，热岛效应也是导致城市雾霾的一个主要因素。当风较小时，支撑雾霾生成的空气中的小颗粒就会随着热岛效应的形成的城市环流运动，甚至会被困在城市边界层中，导致发生极端雾霾事件。因此，城市化过程对雾的影响不仅体现在对雾的抑制作用上，同时也会因为局部大气环流的改变而影响雾的形成发展，而在不同的城市化过程中这两种作用的效果也有所不同。这种变化不仅对研究城市化进程中雾的变化过程和机制提出了新的挑战，同时也对交通安全保障、低空无人机的安全飞行保障、以及机场航班规划提出了实际问题。

根据《北京市“十四五”时期重大基础发展规划》，2025年北京全市森林覆盖率将提高到45%。《北京城市总体规划(2016年-2035年)》也指出，到2050年全市生态控制区面积要从2020年的73%提高到80%。随着北京对生态文明的建设，城市下垫面物理性质将进一步改变，从而可能导致未来雾的生成条件发生变化。

本文利用北京的长时间观测序列，通过气象再分析数据研究在不同的城市化阶段起雾前后北京的局地大气环流特点，并通过气象数值模式和城市冠层模式进行耦合，模拟首都机场的雾在不同下垫面条件下的变化特征，开展敏感性试验研究城市下垫面如何通过改变城市热环流从而影响到雾的生成。本文主要研究城市化进程中首都机场雾的变化，研究内容对城市发展以及机场安全和运营提供参考意见，以便落实提高灾害性天气预报能力的举措。

二、数据和方法

本文采用4.2版本的WRF（Weather Research and Forecasting）区域数值模式进行模拟。WRF气象数值模式是一种广泛应用于气象研究和业务预报的中尺度数值天气预报系统，具有高度的灵活性和可扩展性，能够模拟从几米到数千公里范围内的天气现象。由于北京雾的高发期主要在冬季，考虑到城市化进程前后模拟回算时间一致，使前后两段模拟具备可比性，因此，本文模拟回算时间覆盖1980-2020年冬季，空间分辨率为10千米，时间分辨率为1小时，拥有52层模式层，并在近地面层进行了垂向加密，以便更好地模拟大气边界层的天气过程。具体方案如表1所示。

表1 模拟所用参数化方案组合

本文主要考虑不同的城市下垫面对雾和大气环流生成的影响，因此，我们选用了美国地质调查局（US Geological Survey，USGS）和中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）提供的两套下垫面数据进行研究。其中MODIS数据是从2010年的MODIS卫星遥感数据提取，总共有21类，代表城市化后。USGS数据则覆盖1992年到1993年，总共分为24类，代表城市化前。在USGS中，城镇土地利用类型编码为1，MODIS的城镇土地利用类型编码为13。可看见，在1990年到2010年间，京津冀地区的城镇用地面积的变化在过去40年间变化巨大，城镇用地急速扩大，东北侧和南侧的绿地减少。

图1 USGS和MODIS的城镇土地利用变化情况，其中紫色区域为城镇用地，绿色区域为植被。

本研究的历史回算模拟主要使用欧洲中期天气预报中心提供的ERA5再分析数据作为大气背景场，空间分辨率为0.25°，时间分辨率为每6小时一次，时间范围与WRF模拟时间一致。ERA5数据同样用于气候变化和城市化进程雾生成过程的分析，具体使用的变量包括2米温度、2米露点、10米风、海平面气压、高空温度、风向、液态水含量。

用以验证试验模拟结果和开展气候研究的实际观测数据采用了ISD（Integrated Surface Dataset）逐小时站点观测数据。ISD数据集包含了全球的逐小时站点观测，观测变量包括常规气象要素，例如温度、风速、风向、湿度、气压、能见度等，以及天气现象。在对雾进行统计时，本研究主要通过对能见度和天气现象记录进行筛选，即当能见度小于1千米，并且天气现象观测为雾时才进行统计，以排除其他沙尘、降雨、降雪等造成的低能见度情况。

在利用ERA5对历史的雾进行诊断时，主要利用液态水含量进行计算。液态水含量（LWC）是雾的观测和模拟中的重要参数，通常，能见度由消光系数和LWC的关系进行计算，如式1所示。

通过上式对ERA5进行能见度计算，选取能见度小于1千米的时候（认为雾发生）进行统计，形成ERA5的雾的年代际变化趋势。

本文利用雾个数来定量分析雾的变化。在观测数据中，我们仅筛选天气记录为雾，且能见度小于等于1千米的雾事件，提取出每一次雾过程。逐月总雾数为当月发生的所有雾事件的数量，在统计时，将两次雾事件之间间隔时间小于1小时的雾定义为一次雾事件，以此消除由于观测误差造成的影响，防止将一个不连续的雾过程统计成多个雾事件。

液态水路径（Liquid Water Path，LWP）是液态水含量LWC在空气柱中的垂直积分。考虑到LWP既能表示雾的空间分布，也能表示雾的垂直厚度，因此相比单层LWC能更好的表现出雾的发展过程和空间特征。具体计算方法如式2所示：

上式中dz是两个高度层之间的高度差，本文利用ERA5和WRF的950hPa以下的层计算LWP，这主要是因为浓雾的垂直厚度一般在950hPa以下。

三、研究结果

（一）北京雾的季节和年际变化特征

通过对京津冀地区的雾进行季节分析，以北京首都机场的雾的长时间序列为例（图2），发现北京的雾存在明显的季节变化趋势，表现为冬春多，夏秋少，这与前人的研究结果一致，主要是因为京津冀地区相对较大的空气污染和特殊的大气环境所致。

图2 北京雾季节变化时间序列

从长期变化趋势来看，京津冀地区的冬季雾存在明显的趋势变化。以北京首都机场观测的雾为例（图3），从1980年到1995年期间，冬季雾呈现上升的趋势，但是在城市高速发展阶段的1995年到2010年，北京雾一直显著减少。然而，从2010年到2017年，冬季雾呈现暴增的变化特征，且在极端雾增多年份过去后，一直到2020年，北京雾并没有回到2017年以前的状态，反而持续缓慢增长。这与前人认为的北京雾受到城市化影响，温度上升和水汽减少导致雾减少的原因并不一致。说明北京冬季雾的变化并非单纯的受到城市下垫面的改变和城市化的影响，其中还有大尺度环流背景对雾的生成影响的因素没有考虑进来。

图3 北京首都机场冬季雾个数时间序列

除了高速城市化对雾霾的显著影响外，各类环境政策的作用同样不可忽视。自2013年以来，我国积极推动城市环境改善，京津冀地区实施了一系列严格的环保措施，包括《大气污染防治行动计划》《打赢蓝天保卫战三年行动计划》《空气质量持续改善行动计划》等一系列长期政策，推动切实落实空气治理举措，通过推动农村“煤改清洁能源”、加大工业产业升级、管控高排放机动车、深化区域大气污染协作机制等行动，有效改善了空气质量，降低了大气中的颗粒物和污染物，从而削弱了雾霾形成的条件。此外，城市规划和管理在雾霾减少方面也发挥了重要作用。随着城市化进程的加速，城市规划更加注重生态平衡和可持续发展，绿地、公园等生态空间不断增加，城市通风廊道得到了有效利用，这些都为改善空气质量、减少雾霾提供了支持。同时，城市管理部门强化了建筑施工、道路扬尘等污染源的监管与治理，进一步降低了大气中的污染物浓度。

（二）ERA5模拟结果

针对北京雾的特殊变化，我们首先利用ERA5再分析数据中的云液态水含量（Cloud Liquid Water Content, CLWC）对能见度进行计算，获得北京雾的生成个数，从而对北京的冬季雾进行分析。为了能更好地显示北京雾变化的结果，我们对数据进行了0-1归一化处理。结果显示，ERA5模拟结果虽然在某些年份上与观测数据存在一定差异，但总体上还是能够反映出北京冬季雾的长期变化趋势（图4）。ERA5合理地模拟出了北京冬季雾在1980年到1995年的上升过程和1995年到2010年的减少过程，但在2010年到2017年的暴增特征上，ERA5模拟结果并未能完全反映。这可能是因为ERA5再分析数据在大尺度环流背景的模拟上存在一定局限性，特别是对于京津冀地区这种地形复杂、气候变化敏感的区域，其模拟精度可能受到一定影响。总体上，通过ERA5的云液态水含量获取的北京雾个数的相关系数达到了0.58，p<0.01。从LWP来看，其模拟趋势和CLWC类似，同样模拟出了雾在2010年前的增多和变少的变化趋势，然而，LWP的模拟完美显示了2012年到2017年的雾极端增多的过程，与观测几乎一致，相关系数高达0.65。从LWP的定义来看，LWP是CLWC的垂直积分，因此，LWP 的准确模拟说明在ERA5中,更多模拟的是低云而不是雾。

图4 ERA5的冬季雾模拟结果，蓝色线为观测数据，橙色线为CLWC，绿色线为LWP，红色数字代表ERA5和观测的相关系数。数据经过0-1归一化处理。

（三）WRF模拟结果

为了更好地研究气候变化和城市化对雾生成的影响，我们利用WRF对过去40年的北京雾进行了模拟，并且针对不同的土地利用类型数据进行了敏感性试验，结果如下所示（图5）。USGS和MODIS两个试验均较好地模拟了1980-2020年的长时间雾数量气候态特征，并且两个试验都准确抓住了在2012-2016年期间雾的快速增多变化趋势。说明WRF试验模拟结果优于ERA5。重要的是，WRF在模拟雾时，并未在2012-2016年期间准确反映出观测到的变化趋势，在LWP的模拟中同样也有2012-2016年期间的极端事件，说明WRF很好地模拟了在地表的雾的生成，具备更好的雾和低云的模拟能力。

图5 WRF模拟的1980到2020年雾数量和观测对比的时间序列图

我们研究了WRF模拟结果和观测之间的相关性（表2）。对于USGS试验，主要利用的是1990s的土地利用状态，表征了在城市化之前的城市状态。而MODIS试验用的是2010年的土地利用数据，表征快速城市化之后的城市状态。从模拟的真实条件看，USGS试验在2000年前的试验显然更符合实际情况。该试验主要为了在同样的气候背景条件下，研究下垫面条件的不同对雾生成的影响。从表中可以看到，在1980年到2000年的模拟试验中，USGS 在2000年前的试验更符合实际情况，因此其相关系数略高于 MODIS。对于2000年后的试验，MODIS的相关系数要显著高于USGS试验，分别是0.75和0.62，说明在2000年后，土地利用类型的改变对雾的模拟起到更重要的作用。2000年前后的试验都表明，匹配相应城市下垫面的试验模拟效果更好。对于2016年前后的极端雾年份，MODIS试验对2012-2016年的快速增长和峰值模拟都优于USGS，说明城市化进程对雾的影响不仅是抑制作用，更好地匹配对应的土地利用类型数据能获得更好的雾模拟结果。因此，最好的雾模拟试验是用对应的土地利用类型的模拟，平均为0.745，高于USGS和MODIS的单独的试验。

表2 WRF模拟试验模拟的雾个数和观测雾格式的相关系数

为了更好地研究不同的土地利用类型对局地环流造成的影响，我们以北京为中心点，选取了一条纬向剖面进行研究。在京津冀地区，两个试验模拟的云水含量（QCLOUD）主要显示为从较低纬度一直延伸到京津冀地区的低云，其中心主要在1200米左右，两个试验显示的空间形势基本一致（图省略）。我们对比了两个试验模拟的剖面的差别，如图6所示。总体来看，在1980年到2020年期间，MODIS模拟的QCLOUD在低空领域更高，这种更高的空间结构来自于1980年到2000年期间。MODIS下垫面在1980-2000年表现除了相较USGS更高的QCLOUD，即城市化并不一定抑制雾生成。在同一气候变暖还未加剧的背景下，MODIS土地利用类型虽然有更大的城镇面积，但是在1980-2000年的气候变化期间，展示出了相较实际情况更高的QCLOUD。但是，MODIS试验在北京地区的近地面QCLOUD更低。对于2000-2020年的模拟试验，其QCLOUD差异空间分布类似，同样是低云更多，京津冀地区的近地面QCLOUD较低。但是QCLOUD的低云中心相对更低，其中心高度在1000米左右。

图6 MODIS和USGS模拟的QCLOUD剖面差异（MODIS-USGS）。第一行为1980年到2020年的差异，第二行为1980年到2000年的差异，第三行2000年到2020年的差异平均值。

对于温度剖面，我们分析了雾多和雾少时不同下垫面模拟的温度垂直分布和南北空间分布（图7）。雾多年份的定义为超过平均值1个标准差的年份，雾少的年份定义为少于平均值1个标准差的年份。通过分别选取雾多和雾少的年份进行合成，用以放大雾多和雾少时的温度变化特征。雾多时一般呈现更强的逆温层，使大气更稳定。MODIS下垫面在1980-2000年雾多时造成了更暖的温度，说明城镇下垫面的增多确实会造成更高的温度，形成城市热岛效应，这与前人的研究一致。然而，在2000-2020年的温度剖面分析中发现，雾多时造成了南方更暖，北方更冷，暖中心位于800米高空。这种空间分布增加了南北温度梯度，使从南方来的暖湿空气更容易在北上过程中凝结，从而造成雾的生成。

图7 MODIS和USGS模拟的温度剖面差异（MODIS-USGS）。第一行为1980年到2020年的差异，第二行为1980年到2000年的差异，第三行2000年到2020年的差异平均值。

我们同时对雾多和雾少时的风场进行了合成分析（图8），发现雾少时，在整个阶段MODIS下垫面带来更多西北风，使得成雾所需的温湿条件更加缺乏。而在雾多时，MODIS下垫面在1980-2000年带来更多的南风，且在更大的温度梯度下，风场的输运进一步促进了雾的生成。在2000-2020年则带来了更多的北风，整体上抑制了雾的生成。说明MODIS下垫面带来的大尺度环流形势变化，导致了城市化雾的长期变化。

图8 雾少时MODIS和USGS模拟的温度风场差异（MODIS-USGS）。第一行为1980年到2020年的差异，第二行为1980年到2000年的差异，第三行2000年到2020年的差异平均值

四、结论

本研究通过对过去70年的雾观测资料进行分析，同时利用WRF区域数值模式进行了1980-2020年冬季雾的逐小时模拟，并开展了不同土地利用类型的敏感性试验。研究表明，北京地区冬季雾的演变受多重因素影响。虽然整体城市化进程在一定阶段对雾霾具有抑制作用，但土地利用类型的变化却引起了局地大气环流的显著调整，包括风场东南向转变和南北温度梯度加剧，从而使暖湿气流在北输过程中更易冷却凝结，促发极端雾霾事件。尤其在2016年前后，极端雾霾事件频发，充分印证了城市化与大尺度气候背景相互作用的重要性。因此，未来在雾霾数值模拟与预报中，需要综合考虑城市下垫面演变对局地大气环流的影响，以提高预报精度和应急响应能力。

鉴于极端雾霾事件可能对交通、航空安全及公众健康造成不利影响，建议在城市规划中完善极端天气预警与应急响应机制，构建高精度、实时性的极端天气预警系统。一是气象部门应借助高分辨率数值模式、人工智能预报、卫星遥感和地面观测数据，建立多层次、多时段的预警信息发布机制，并与城市管理、交通、应急等部门实现信息共享。二是针对雾霾及低云引发的灾害风险，制定详细的应急预案，包括临时交通管制措施、机场调度优化方案和公众健康防护指导，同时定期开展应急演练，提高各部门联动处置能力，最大限度减少极端天气对社会经济和人民生活的影响。三是提高跨部门协同能力，完善气象信息发布制度，开展大雾天气预警演练，确保事故发生时有序疏散和其他应急响应措施顺利实施。

低空经济是我国重要的战略性新兴产业，然而雾和低云降低了低空作业区域的能见度，增加了飞行安全风险，从而导致航空运输延误、无人机物流中断和低空旅游受阻，进而对整个低空经济链条造成不利影响。与此同时，随着气候变化和城市化进程的不断推进，未来极端低能见度事件可能会更加频繁，进一步加剧低空交通及相关经济活动的不确定性。针对这一挑战，建议一是建立高精度低空气象监测系统，利用先进的数值模式、卫星遥感和地面传感器实现实时预警；二是完善低空作业的应急响应和调度机制，强化跨部门协同合作，确保在极端天气条件下能及时调整运营计划，降低事故率和经济损失风险，从而为低空经济的可持续发展提供坚实保障。

参考文献

[1] Gultepe, I. Fog and boundary layer clouds: Fog visibility and forecasting. Basel: Springer Science & Business Media. 2008.

[2] Niu, S., Lu, C., Yu, H., Zhao, L., & Lü, J.Fog research in China: An overview. Advances in Atmospheric Sciences, 2010,27(3):639-662.

[3] Gultepe, I., Tardif, R., Michaelides, S. C., Cermak, J., Bott, A., Bendix, J., & Cober, S. G.  Fog research: A review of past achievements and future perspectives. Pure and applied geophysics, 2007,164(6): 1121-1159.

[4] Niu, F., Li, Z., Li, C., Lee, K. H., & Wang, M.  Increase of wintertime fog in China: Potential impacts of weakening of the Eastern Asian monsoon circulation and increasing aerosol loading. Journal of Geophysical Research: Atmospheres, 2010,115(D7).

[5] Zhao, P., Zhang, X., Xu, X., & Zhao, X. Long-term visibility trends and characteristics in the region of Beijing, Tianjin, and Hebei, China. Atmospheric Research,2011,101(3):711-718.

[6] 穆泉,张世秋.2013年1月中国大面积雾霾事件直接社会经济损失评估.中国环境科学,2013(11):2087-2094.

[7] Njeru, R. Investigating Contribution of Fog to Air Traffic Delay at Jomo Kenyatta International Airport. Doctoral dissertation, University of Nairobi. 2016.

[8] Bergot, T., & Koracin, D. Observation, simulation and predictability of fog: Review and perspectives. Atmosphere, 2021,12(2):235.

[9] Oke, T. R. The energetic basis of the urban heat island. Quarterly Journal of the Royal Meteorological Society, 1982,108(455):1-24.

[10] Li, X., Zhou, Y., Asrar, G. R., Imhoff, M., & Li, X. The surface urban heat island response to urban expansion: A panel analysis for the conterminous United States. Science of the Total Environment, 2017(605):426-435.

[11] Peng, S., Piao, S., Ciais, P., Friedlingstein, P., Ottle, C., Bréon, F. M., & Myneni, R. B.  Surface urban heat island across 419 global big cities. Environmental science & technology,2012,46(2):696-703.

[12] 林学椿,于淑秋,唐国利.北京城市化进程与热岛强度关系的研究.自然科学进展,2005,15(7):882-886.

[13] Mahmood, R., Pielke Sr, R. A., Hubbard, K. G., Niyogi, D., Dirmeyer, P. A., McAlpine, C., & Fall, S. Land cover changes and their biogeophysical effects on climate. International journal of climatology,2014, 34(4):929-953.

[14] Ji, C. P. Impact of urban growth on the heat island in Beijing. Chinese Journal of Geophysics, 2006(49):69-77.

[15] Roth, M.  Review of atmospheric turbulence over cities. Quarterly Journal of the Royal Meteorological Society, 2000,126(564):941-990.

[16] Li, Z. H., Yang, J., Shi, C. E., & Pu, M. J.  Urbanization effects on fog in China: Field research and modeling. Pure and Applied Geophysics, 2012,169(5):927-939.

[17] Sachweh, M., & Koepke, P. Radiation fog and urban climate. Geophysical Research Letters, 1995,22(9):1073-1076.

[18] Shi, C., Roth, M., Zhang, H., & Li, Z. Impacts of urbanization on long-term fog variation in Anhui Province, China. Atmospheric Environment,2008, 42(36):8484-8492.

[19] Grimmond, S. U. E. Urbanization and global environmental change: local effects of urban warming. The Geographical Journal, 2007,173(1):83-88.

[20] Bokwa, A., Wypych, A., & Hajto, M. J.Role of fog in urban heat island modification in Kraków, Poland. Aerosol and Air Quality Research, 2018,18(1): 178-187.

[21] Jones, P. D., Groisman, P. Y., Coughlan, M., Plummer, N., Wang, W. C., & Karl, T. R.  Assessment of urbanization effects in time series of surface air temperature over land. Nature, 1990,347(6289):169-172.

[22] Gautam, R., & Singh, M. K. Urban heat island over Delhi punches holes in widespread fog in the Indo‐Gangetic Plains. Geophysical Research Letters, 2018,45(2):1114-1121.

[23] Zhang, L., Shi, C., Yang, J., & Li, Z. Numerical Simulation of Fog Events. Beijing: China Meteorological Press. 2002.

注：文中部分图片来源于网络，版权归原作者所有，若有侵权请联系删除。