共查询到19条相似文献，搜索用时 109 毫秒
1.
南京北郊气溶胶粒子的光学散射特征 总被引：2，自引：1，他引：1
利用三波段积分浊度仪对南京北郊2009-2010年四季气溶胶散射系数进行观测和分析。结果表明：气溶胶散射系数具有明显的季节变化特征,春季最低,秋季最高,冬夏季差别不大;气溶胶散射系数变化范围为51．6～2748．3Mm-1,平均值为478．6Mm-1。气溶胶散射系数的日变化特征为双峰型。空气相对湿度与气溶胶散射系数呈正相关关系：地面风向与气溶胶散射系数关系密切,偏东风时气溶胶散射系数最大,偏南风和偏西风时气溶胶散射系数较小。降水对气溶胶有明显的清除作用。能见度大于5km时,能见度与散射系数呈负相关关系。四季大气中SO2和NO2与气溶胶散射系数存在一定相关性,其中秋季SO,与气溶胶散射系数的相关系数最大（0．68）,春季NO2与散射系数的相关系数最大（0．62）,均通过0．05信度的显著性检验。 相似文献
2.
天津冬季大气能见度与空气污染的相互关系 总被引：3，自引：1，他引：2
为探求天津冬季大气能见度特征与空气污染的相互关系,于2008年12月至2009年1月连续观测大气能见度和空气污染物浓度(PM10、PM2.5质量浓度,O_3、NO_2和SO_2体积浓度),并结合相对湿度进行相关分析。结果表明:天津冬季大气能见度平均值为11.59 km,日变化呈明显的单峰特征,其变化特征受到空气污染物,尤其是气溶胶质量浓度及相对湿度变化共同影响;观测期内霾的发生频率接近50%;采用非线性回归方程拟合能见度与气溶胶质量浓度相互关系显示,PM2.5质量浓度对水平能见度的贡献大于PM10质量浓度,并且高湿情况下,能见度与气溶胶质量浓度相关性更好。 相似文献
3.
利用2011—2012年盖州市大气能见度和地面气象要素(相对湿度、风速、气温、气压)的观测资料,分析了盖州地区大气能见度月和日的变化特征及大气能见度与气象要素的相关性。结果表明:盖州市大气高能见度事件多出现在3月和10月,低能见度事件多出现在6—8月;夏季能见度最低,14时能见度最大,20时能见度比08时略小。大气能见度与相对湿度相关性最大,与风速和气温相关性次之,与气压相关性最差;当相对湿度80.0%时,能见度最低值为10.4±3.2km,大气能见度与气压、气温、相对湿度的相关系数分别为-0.52、0.51和-0.52;其中较高的气温、较大的相对湿度、较小的风速及较低的气压是盖州地区低能见度(10km)事件发生的主要气象条件。 相似文献
4.
京津冀及周边地区冬季能见度与PM2.5浓度和环境湿度的多元回归分析 总被引：1，自引：0，他引：1
2013年至今,中国冬季与雾霾相伴的低能见度事件频发,京津冀及周边地区尤为严重。PM2.5浓度与环境湿度是导致低能见度的最关键影响因素。为了深入研究PM2.5浓度与环境湿度对大气能见度的影响,利用2017年1月京津冀及周边地区MICAPS气象数据与PM2.5观测数据,运用天气学诊断分析方法讨论了不同相对湿度下PM2.5浓度、环境湿度对冬季能见度变化的相对贡献,按照地理环境与污染程度差异将京津冀及周边地区划分为北京-天津地区与河北-山东地区,建立了PM2.5浓度与环境湿度（由露点温度、温度代表）对能见度的多元回归方程,并对2015、2016、2018、2019年冬季能见度进行了回算检验。结果显示:相对湿度低于70%、PM2.5浓度低于75 μg/m3时,北京-天津地区与河北-山东地区能见度多高于10 km,PM2.5浓度升高是此时能见度迅速降低的主导因素;相对湿度从70%上升至85%和PM2.5浓度从75 μg/m3升高200 μg/m3的共同作用导致了能见度降低到10 km至5 km;能见度进一步从5 km下降至2 km则更多依赖于相对湿度进一步从85%升高至95%,PM2.5浓度与此时能见度相关减弱;能见度降低至2 km甚至更低主要是由于水汽近饱和状态下（相对湿度95%以上）的雾滴消光引起,与PM2.5浓度的变化关系不大。与不分组直接拟合相比,以相对湿度85%为界线,分别拟合能见度能够很大程度优化多元回归模型,相对湿度高于85%时能见度拟合值的均方根误差从9.2和5.2 km下降至0.5和0.7 km,5 km以下拟合能见度的误差大幅度减小。按相对湿度85%将数据分组所得的拟合方程对2015、2016、2018、2019年1月能见度估算结果较好,观测值与拟合值相关系数均高于0.91,为雾-霾数值预报系统提供了新的能见度参数化算法。 相似文献
5.
利用2016年10月—2019年9月太原地区逐时能见度、相对湿度及颗粒物质量浓度等观测数据,研究分析了大气能见度与相对湿度及PM_(2.5)质量浓度的关系,采用神经网络方法,构建了能见度与相对湿度及颗粒物质量浓度的非线性模型,并利用2019年10月—12月气象小时数据对该模型进行了检验。结果表明:(1)太原不同季节能见度日变化特征明显,春夏秋季能见度在06时左右最低,冬季在09时左右最低;从空间分布上看,太原地区能见度南北差异明显,北部能见度高于南部。(2)细颗粒物质量浓度与相对湿度对大气能见度变化都有明显影响。PM_(2.5)质量浓度与能见度之间存在幂函数非线性关系,在40%≤相对湿度60%的区段内相关性最强,PM_(2.5)质量浓度与10 km能见度对应的阈值随相对湿度升高而减小,范围为5～103μg/m~3。(3)采用神经网络方法构建能见度与相对湿度及颗粒物质量浓度的关系模型,相关系数为0.81。利用太原地区2019年10—12月逐时气象观测数据对模型进行检验,均方根误差为5.29 km,平均绝对百分误差为31.45%,轻微级霾情况下模拟能见度TS评分为0.86,误差呈现正态分布,误差小于4 km的比例达72.99%。该模型对研究太原地区能见度具有较高的参考价值。 相似文献
6.
基于1980~2014年上甸子国家级地面气象台站人工观测的大气水平能见度数据和大气成分站资料,采用Mann-Kendall趋势分析及突变检验法对大气能见度进行分析,并结合气象和污染要素进行相关性检验,以了解华北背景地区大气能见度的变化趋势及其影响因素。结果表明:上甸子地区年均能见度呈下降趋势,能见度最大和最小变率出现在夏季和春季,分别为3.4 km（10 a）-1和1.7 km（10 a）-1;冬季能见度（38.1 km）最高,秋季（36.2 km）次之,春季（32.8 km）和夏季（31.4 km）较低;突变分析表明上甸子地区的年均能见度未出现明显突变。能见度受各类气象因子的综合影响。根据Person相关和偏相关的统计结果,能见度与相对湿度和风速均呈明显负相关;与气压呈明显的正相关;而与气温的相关系数时正时负,表明气温对能见度的影响具有两面性。能见度下降的主要原因为大气污染,能见度随着大气细颗粒物增加呈幂指数降低（决定系数R2=0.98,显著性水平p < 0.01）;能见度为10 km时对应的细颗粒物（PM2.5）的边界浓度为74 μg/m3;在现行的国家环境空气质量标准二级标准（75μg/m3）下,可以使华北背景地区保持较高的大气能见度（≥ 10 km）。 相似文献
7.
利用2012~2020年成都市气象站观测资料和环境空气质量监测数据,研究了该地区能见度时空演变规律以及不同等级能见度下气象要素和污染物浓度的关系。结果表明:（1）成都市近9 a年平均能见度呈上升趋势。四季平均能见度由高到低依次为夏季（12.25 km）、春季（10.82 km）、秋季（9.04 km）和冬季（6.33 km）。成都市能见度日变化呈单峰型分布特征,07时能见度最低,17时能见度最高。（2）能见度空间分布特征为东高西低且北高南低,中部中心城区最低。（3）成都市3 km以下低能见度出现频率为10.92%,3~5 km、5~10 km和10~20 km能见度出现频率分别为15.92%、24.95%和22.51%。（4）能见度上升与对应的PM2.5和PM10浓度、相对湿度减少以及风速增加有关。当能见度低于1 km时,多为高湿（RH>96%）低温（T<10.6℃）和小风速（<1.0 m/s）和高浓度（PM2.5>84.8 μg/m3,PM10>129.0 μg/m3）。 相似文献
8.
为探讨大连市大气能见度特征及其影响因子,揭示低能见度天气成因,利用2010—2012年大连地区大气能见度与地面气象要素(相对湿度、风速、气温、气压)日均值的统计资料,分析了大连地区大气能见度与气象要素的相关性。进一步结合PM_(10)质量浓度的变化特征,分析了两次低能见度事件中的天气成因。结果表明:2010—2012年大连地区年均能见度分别约为13.5 km、13.2 km和13.9 km,高能见度事件多出现在10月—次年2月,低能见度事件多出现在每年6—8月,大连地区低能见度事件每年7月较多,1月较少,2010—2012年大连地区低能见度事件分别出现169、157 d和163 d;2010—2012年PM_(10)质量浓度分别为57.8μg·m~(-3)、67.4μg·m~(-3)和65.9μg·m~(-3),PM_(10)质量浓度高值多出现在每年的4—5月和9—12月,PM_(10)质量浓度低值多出现在1—2月;大气能见度和相对湿度和气温的相关性较好,随着相对湿度的增加,能见度与PM_(10)质量浓度的相关性逐渐减小,当相对湿度大于90%时,能见度与PM_(10)质量浓度相关系数减小至-0.23;两次低能见度事件过程中,2011年10月31日一次辐射平流雾过程中的水汽输送来自西南风气流,2012年4月28日一次浮尘事件过程中的沙尘来自西北方向的沙源。该研究可为空气质量预报提供科学依据参考。 相似文献
9.
武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报 总被引：1，自引：0，他引：1
武汉作为中部地区高湿度代表城市,大气污染严重,霾天气多发,但有关该地区大气能见度与PM2.5浓度及相对湿度(RH)的定量关系尚不明确。利用2014年9月—2015年3月武汉地区逐时能见度、相对湿度及颗粒物质量浓度观测数据,研究分析了武汉大气能见度与PM2.5浓度及相对湿度的关系,并进行能见度非线性预报初探,得到以下结论:武汉霾时数发生比例高,霾的发生和加重是能见度降低的主要原因;能见度降低伴随大量细粒子产生和累积,这是武汉大气能见度恶化的重要诱因。细颗粒物浓度与相对湿度共同影响和制约大气能见度变化,高湿高浓度时能见度显著下降,湿情景下(RH≥40%),能见度恶化主要是由湿度增高诱使细颗粒物粒径吸湿增长导致其散射效率增大造成的。当RH >90%时,能见度随湿度升高成线性递减,相对湿度每升高1%,武汉平均能见度降低0.568 km。而干情景下(RH2.5质量浓度升高。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,这主要与PM2.5对能见度的影响及吸湿性颗粒物的散射效率变化有关。PM2.5浓度与能见度成幂函数非线性关系,80%≤RH2.5浓度对能见度的影响敏感阈值是随着湿度升高而减小的,干情景下能见度10 km对应的PM2.5浓度阈值为70 μg/m3,湿情景下该阈值为18—55 μg/m3。当PM2.5质量浓度低于约40 μg/m3时,继续降低PM2.5可显著提高武汉大气能见度。预报试验表明,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,预报能见度相关系数为0.86,均方根误差为1.9 km,能见度≤10 km的TS评分为0.92。网络模型具有较高预报性能,对霾的判别有较高准确性,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。 相似文献
10.
武汉作为中部地区高湿度代表城市,大气污染严重,霾天气多发,但有关该地区大气能见度与PM2.5浓度及相对湿度(RH)的定量关系尚不明确。利用2014年9月—2015年3月武汉地区逐时能见度、相对湿度及颗粒物质量浓度观测数据,研究分析了武汉大气能见度与PM2.5浓度及相对湿度的关系,并进行能见度非线性预报初探,得到以下结论:武汉霾时数发生比例高,霾的发生和加重是能见度降低的主要原因;能见度降低伴随大量细粒子产生和累积,这是武汉大气能见度恶化的重要诱因。细颗粒物浓度与相对湿度共同影响和制约大气能见度变化,高湿高浓度时能见度显著下降,湿情景下(RH≥40%),能见度恶化主要是由湿度增高诱使细颗粒物粒径吸湿增长导致其散射效率增大造成的。当RH >90%时,能见度随湿度升高成线性递减,相对湿度每升高1%,武汉平均能见度降低0.568 km。而干情景下(RH<40%),能见度迅速降低的关键因素是PM2.5质量浓度升高。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,这主要与PM2.5对能见度的影响及吸湿性颗粒物的散射效率变化有关。PM2.5浓度与能见度成幂函数非线性关系,80%≤RH<90%湿度区段下相关性最强。PM2.5浓度对能见度的影响敏感阈值是随着湿度升高而减小的,干情景下能见度10 km对应的PM2.5浓度阈值为70 μg/m3,湿情景下该阈值为18—55 μg/m3。当PM2.5质量浓度低于约40 μg/m3时,继续降低PM2.5可显著提高武汉大气能见度。预报试验表明,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,预报能见度相关系数为0.86,均方根误差为1.9 km,能见度≤10 km的TS评分为0.92。网络模型具有较高预报性能,对霾的判别有较高准确性,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。 相似文献
11.
北京高速公路大气能见度演变特征及其物理分析 总被引：13，自引：1，他引：12
根据首都国际机场高速公路专业气象自动监测站网所提供的高时间分辨率资料, 对大气能见度演变特征以及相应的物理因子进行分析。结论如下: (1) 大气能见度具有明显的日变化和逐月变化特征。就日变化而言, 能见度以14时最大, 但最低值出现时段却不一定。对于季节变化, 全年以夏季大气能见度状况最好。 (2) 无论是季节变化还是日变化, 高速公路上的大气能见度与气象要素之间都是复杂的非线性关系, 而不是简单的线性关系。通过对21个月中能见度最低月资料的分析表明, 大气能见度与湿度间呈明显的乘幂分布关系, 其与气温呈U型相关。但在月平均能见度最大月, 能见度则与湿度呈指数关系。 (3) 从物理上来看, 大气能见度与湿度的关系, 主要是通过水汽分子的Rayleigh散射和雾的Mie散射两个方面来表现; 风速则是由于压力阻力卷起大气气溶胶来影响大气能见度的; 而0℃附近温度影响大气能见度则主要是通过Bergeron三相过程。 (4) 200 m以下的低能见度基本上是湿度在100%的情况下发生的, 即都是大雾天气影响的直接结果, 但对200 m以上的低能见度则不同, 200～1000 m其间有一半是雾, 而1～4 km的能见度中不到三分之一是雾, 主要是由灰霾、 沙尘暴等天气现象造成。 相似文献
12.
利用2017年1月—2019年12月太原地区逐时气象资料,分析了能见度及其主要影响因子的变化特征,并对两次低能见度过程进行深入分析,构建了能见度预报模型并进行检验,结果表明:(1)从空间分布看,太原北部能见度明显高于南部地区。从时间分布看,太原地区平均能见度最大值出现在5月,最小值出现在1月;日间最低值出现在06:00(北京时,下同),冬季略向后推移,最高值出现在15:00前后。(2)2017—2019年太原地区低能见度分别出现93、84、79 d;低能见度发生时,干霾、湿霾发生频率分别为59.27%、40.73%;湿霾发生时,能见度降低更加明显。(3)所选个例中,能见度均随各影响因子有所起伏,干霾、湿霾过程中能见度分别与颗粒物浓度、相对湿度变化一致。(4)采用神经网络方法构建太原地区能见度预报模型,预报模型相关系数为0.81,均方根为4.43 km,平均绝对误差为17.39%,轻微级能见度的TS评分为87%。神经网络方法对太原地区能见度预报具有较高的参考价值。 相似文献
13.
长江三角洲地区近30年非雾天能见度特征分析 总被引：4，自引：1，他引：3
利用地面能见度观测数据和中分辨率成像光谱仪(简称M(ODIS)所提供的气溶胶光学厚度(Aerosol Optical Depth,AOD)资料,分析了中国长江三角洲地区近30年的能见度变化特征。结果表明,该地区1980—2009年能见度年均值为19.5±1.8km,其中最高值为21.9km,在1984年,最低值为16.1km在2007年。近30年能见度呈下降趋势,平均年递减率为-0.20±0.013km/a,近几年能见度趋于稳定。该地区能见度:夏季能见度最好,秋、春季次之,冬季最差;沿海地区能见度好于内陆地区,沿江(河)两岸能见度较差;沿江(河、海)地区能见度的下降速度大于其他地区,在浙江东南部沿海地区尤为明显。利用EOF方法分析长三角地区能见度,结果表明第一模态的特征向量均为正值,说明全区能见度均呈下降趋势。利用MO-DIS AOD数据分析区域性及长期能见度变化趋势与利用地面观测数据方法分析结论相一致。 相似文献
14.
天津港秋冬季低能见度数值释用预报研究 总被引：3，自引：1，他引：2
本文利用近5年(2009—2013年)天津港资料,分析了该地区大气能见度的分级特征。采用7年秋、冬季NCEP(2006—2012年)和地面资料,通过相关分析给出了对港口低能见度天气有高影响的高、低空物理量因子;排除沙尘和降水天气,针对不同区间的能见度样本,利用BP神经网络方法分类训练了3个统计模型;并与WRF天气模式产品对接,采用分步筛选法,研发了天津港秋、冬季72 h时效的逐时能见度BP释用预报产品。经过3年业务运行,检验结果表明:对逐时能见度而言,BP释用预报对10 km以下低能见度比WRF模式的预报技巧显著提高,达到10.5%~35.4%;其中对0.5 km大雾的预报技巧总体相当,但当WRF预报有降水时,WRF模式预报结果略优;对0.5~1 km的大雾预报,WRF模式的预报技巧1%,BP释用预报提高到了14%~21%。日最低能见度的检验表明:对小于1 km的大雾过程,BP释用预报的TS评分平均达到75%,比WRF预报技巧提高了24%;对1~10 km的低能见度过程,比WRF的预报技巧平均提高了60%。 相似文献
15.
The particulate matter pollution has been serious in Chinese megacities due to the rapidly expanding economic and industrial developments, which has significant influences in atmospheric visibility. Visibility is a highly relevant factor indicating the level of atmospheric quality, and is inversely related to the optical extinction coefficient caused by gas and particle phases. In our study, visibility trends for six major megacities (Beijing, Chengdu, Guangzhou, Shanghai, Shenyang, and Xi'an) in China were evaluated during 1973–2007 on the basis of the National Climatic Data Center (NCDC) database using four measurement methods: the days per year of daily visibility < 10 km, the days per year of daily visibility > 19 km, the annual mean visibility, and the dry extinction coefficient. The annual and seasonal change trends of visibility for each city were analyzed by using a linear regression model. The annual mean visibilities for the six cities (Beijing, Chengdu, Guangzhou, Shanghai, Shenyang, and Xi'an) were 10.67, 8.60, 10.76, 8.59, 8.16, and 9.74 km respectively. Shenyang has experienced a significant increasing trend during the entire time series while visibilities for other five sites showed decreasing trends especially since the middle of 1990s. In the southern and midwestern regions (Chengdu, Guangzhou, Shanghai, and Xi'an), visibility was best in summer, whereas in the northern regions (Beijing and Shenyang), visibility was best in spring. Mean visibility in spring was worst at Guangzhou, while for the other five cities visibility in winter was worst, probably because of coal burning during the heating period. The general degradation of visibility in these megacities was probably due to the excess aerosol loading. Consequently, an urgent targeted reduction of aerosol pollution may be needed for the sake of better air quality in Chinese megacities. 相似文献
16.
以辽宁地表温度为研究对象,采用普适性单通道算法,利用FY-3A/MERSI数据,并结合MODIS 1000 m分辨率数据,反演了2009年和2010年4-9月间10个时次晴空或局部晴空时的地表温度。结果表明：计算验证了模型的反演精度与同期NASA所发布MODIS地表温度产品的精度相当,其结果与相应的56个气象站点的实际观测数据相一致。多源遥感数据的综合应用,可获得较合理的地表温度反演结果;不同土地覆盖类型间地表温度的高低在相同时间内存在显著差异;研究期内,林地、水田、旱地和建设用地的NDVI与地表温度具有负相关性。综合利用遥感、地理信息系统技术,可以表征地表温度与土地利用类型以及地表温度与归一化植被指数(NDVI)之间的关系。 相似文献
17.
利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R2=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R2=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R2=0.71, 预测结果已不具备实际应用意义。 相似文献
18.
利用郑州机场近9 a（2004-2012年）地面气象观测资料,分析了能见度的年、季节和日变化特征,并统计了低能见度出现的天数。结果表明：郑州机场年平均能见度仅为4 219 m,平均每年上升约69 m,秋季上升速率最快,冬季最慢,出现小于1500 m、800 m和600 m能见度的天数均呈下降趋势;能见度月际变化特征十分明显,春季平均能见度最好,秋季和冬季较差,低能见度出现的天数以秋、冬季较多,春、夏季较少;日变化特征除夏季外,春、秋、冬季能见度都呈现双峰双谷型变化,能见度16时最佳,凌晨4时最差。 相似文献
19.
利用首都机场1998-2005年每小时观测数据和NCEP／NCAR每日4次的再分析资料,分析了首都机场雾发生的日变化、季节变化和年际变化特点;合成分析了首都机场大雾形成、持续和消散阶段天气形势的气候特征。结果表明：首都机场1998-2005年雾的季节变化特征显著。夏季、秋季出现轻雾天气过程多;秋冬季节是首都机场大雾的高发期。首都机场轻雾与大雾的日变化特征有明显差异。轻雾过程的日变化特征明显,在13时（北京时间,下同）达极大值,从20时至次日9时能见度较差。能见度的变化与温度的变化有很好的正相关,而与相对湿度的变化有很好的负相关。大雾过程中各要素日变化不明显。对1998-2005年大雾天气过程合成分析的结果表明,大雾形成、持续和消散阶段的850hPa形势场均是“一槽一脊”型。大雾形成和持续阶段的地面形势场是鞍形场或均压场,大雾消散阶段的地面形势场是完整的高压前部。在形成阶段,北京受弱暖脊控制,无明显冷暖平流,大气层结稳定,有利于辐射降温作用和水汽在近地面层的积聚;在持续阶段,北京区域地面辐合,冷空气在上游堆积,随着850hPa槽脊位置的东移南压,南方暖湿空气输送受阻,高层逐渐转干;在消散阶段,850hPa高空槽过境,完整的高压控制北京区域,强冷空气随北风南下,大雾过程逐渐结束。 相似文献