文章采用空间天气分类法（Spatial Synoptic Classification, SSC）对南京市的天气进行分类。SSC是一种基于地面观测的天气类型分类法，最初是在20世纪90年代中期开发的^[9]，如今已经成为实施多种气候和健康研究调查的关键分析工具之一^[10]，应用领域包括空气质量变化、人类健康、城市热岛和气候趋势分析，适用于各种各样的跨学科领域，具有广阔的地理使用范围^[11]。

SSC定义了以下几种不同的天气类型^[9]：①干燥寒冷（dry polar, DP）：凉爽或寒冷而又干燥，天空通常很少或没有云层，通常与反气旋有关。②干燥温和（dry moderate, DM）：干燥的气团、温度温和，接近正常的平均温度。③干燥炎热（dry tropical, DT）：最热、最干燥的类型，气温高于平均水平，天空晴朗阳光充足。④湿润寒冷（moist polar, MP）：有较高的湿度，凉爽，不稳定，通常是阴天或有少量降水。⑤湿润温和（moist moderate, MM）：温和、多云、可能有降雨。比MP类型更温暖、更潮湿、云量更多。⑥湿润炎热（moist tropical, MT）：非常温暖，最潮湿、不稳定、有明显的对流。在这种天气类型中，对流降水很常见，特别是在夏季。⑦过渡（transitional, TR）：一个空气类型相对于另一个空气类型的中间过渡。

SSC系统运用一种名为“滑动种子日（sliding seed days）”的方法，量化研究对象城市的每种天气类型的典型气象特征，所使用的气象参数包括温度、露点温度、气压、风速和云量等，然后将实际条件与种子日进行比较，并将每天分类为最接近的天气类型。具体方法见文献[9]。

本文从ECMWF欧洲中心网站（https://www.ecmwf.int/）下载2012～2017年天气数据，包括每日00:00、06:00、12:00、18:00这4个时刻的温度、露点温度、气压、风速、风向和云量的网格数据。然后使用Matlab软件对下载的nc文件进行读取，根据南京市所在经纬度提取出所需数据。

基于南京市2012～2017年的气象数据，用空间天气分类法将南京市天气分为以下8类：干燥寒冷（DP）、干燥温和（DM）、干燥炎热（DT）、湿润寒冷（MP）、湿润温和（MM）、湿润炎热（MT）、加倍湿润炎热（MT+）以及过渡类型（TR）。其中加倍湿润炎热（MT+）是根据南京市实际天气条件而增加的天气类型，以区分具有最大热应力潜力的日子。当早晨和下午的表观温度都高于该天气的MT天气类型时，就定义为MT+类型^[10]。各天气类型的出现频率以及各类型下的气象因子平均值见表1。

总体来说，南京市湿润炎热的天气类型出现最多，包括MT和MT+类型共占比30%，其次是干燥温和（DM）类型，干燥炎热（DT）类型出现频率最低，仅占3%。从温度角度来看，温和炎热类型的天气较多，从湿度角度来看，湿润的天气类型较为常见，这也与南京市所处亚热带湿润气候带的气候条件相吻合。

按月份分析各天气类型的出现频率，计算2012～2017年各天气类型在每个月份中出现频率的算术平均数，结果见图1。

夏季（6、7、8月）湿润炎热天气占主导地位，除了MT、MT+和MM外很少出现其他天气类型，MT+类型绝大部分出现在7、8月；冬季（12、1、2月）则更多地出现DP、MP等寒冷的天气类型，且天气相对干燥，DM、DP占比较多；春秋两季各天气类型均有出现，其中干燥温和的天气出现最为频繁。

为了探究大气污染与天气条件的关系，本研究选取环境空气质量标准中规定的6项基本污染物SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃作为研究对象，分析不同污染物在各种天气类型下的浓度特征。污染物数据来自江苏省生态环境厅提供的南京市2012～2017年6种污染物的日均浓度数据。

6种污染物SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃在不同天气类型下的浓度分布见图2。

箱线图中矩形的上下两边分别对应污染浓度数据的上下四分位数，矩形内部线条代表中位数，中心点代表平均值，矩形外的点代表异常值。总体来说，各污染物在干燥少云的天气类型下（DM、DP、DT）的平均浓度高于湿润类型（MM、MP、MT）。SO₂在DT类型下平均浓度最高，达40.21 μg/m³，MM类型下最低，为15.20 μg/m³；NO₂在DM类型下平均浓度最高，为63.88 μg/m³，MT+类型下最低，为40.07 μg/m³；PM₁₀在DT类型、PM_2.5在DM类型下平均浓度最高，最高值分别为140.02和75.18 μg/m³；CO平均浓度在各个天气类型下较为接近，无明显规律，而O₃的浓度分布差异最为显著，在炎热条件下（DT、MT、MT+）的平均浓度明显高于寒冷条件（DP、MP），并在DT类型下浓度最高，达154.4 μg/m³，可以看出O₃浓度受温度影响较大。

为了进一步研究气象因子对污染物浓度的影响，本文采用灰色关联分析法计算6种污染物与各气象因子的关联度。灰色关联分析（Grey Relation Analysis，GRA）是一种多因素统计分析的方法^[12]，1983年提出以来，已在生态环境与经济发展、水资源管理、决策方法等领域中广泛运用^[13]。其基本思想是通过确定参考数据列和若干个比较数据列的几何形状相似程度来判断其联系是否紧密，它反映了曲线间的关联程度^[14]。更近的曲线表明相对变量之间的相关性更大。目标因子的主要影响因子可以通过灰色关联分析找到。

将目标参考数列记作$ \left\{ {{X_{0\left( k \right)}}} \right\}$，影响因素比较数列记作$ \left\{ {{X_{i\left( k \right)}}} \right\}$的计算方法见式（1~2）。

式（1～2）中，m表示影响因素的数量，n表示观测数据的总量。在计算灰色关联系数之前，需要将数据处理变换为无量纲。通过将原始系列中的数据除以它们的平均值来对每个数列进行归一化。参考数列与比较数列的灰色关联系数$ ({{\rm{\xi }}_{i\left( k \right)}})$的计算方法见式（3）。

式（3）中，$ \mathop {\min }\limits_i \mathop {\min }\limits_k \left| {{X_{0\left( k \right)}} - {X_{i\left( k \right)}}} \right|$是所有比较数列与参考数列的绝对差值的最小值，$ \mathop {\max }\limits_i \mathop {\max }\limits_k \left| {{X_{0\left( k \right)}} - {X_{i\left( k \right)}}} \right|$是绝对差值的最大值；$ \left| {{X_{0\left( k \right)}} - {X_{i\left( k \right)}}} \right|$代表比较数列曲线上的每一个点与参考数列曲线上的每一个点的绝对差值；ρ为分辨系数，一般在0～1之间，具体取值可视情况而定，本文参照文献取值为0.5^[3]。

灰色关联度$({{\rm{\gamma }}_{i\left( k \right)}})$是各个时刻（即曲线中的各点）的关联系数的平均值，计算方法见式（4）。

灰色关联度表示影响因子和目标因子之间的相关性。如果影响因子对目标因子比其他影响因子更重要，则影响因子与目标因子之间的灰色关联度等级大于其他灰色关联度等级。

文中计算了6种污染物SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃与气象因子（包括温度、露点温度、气压、云量和风速）之间的灰色关联度，结果见表2。

表2可知，在各气象因子中，除O₃以外的污染物SO₂、NO₂、PM₁₀、PM_2.5、CO浓度都与气压的关联度最大，与露点温度的关联度最小，各气象因子对浓度的影响程度排序依次为气压、风速、温度、云量、露点。而O₃与温度的关联度最大，与云量关联度最小，影响O₃的气象因子排序为温度、气压、风速、露点、云量。

另外，为了研究季节因素的影响，文章还分别计算了春、夏、秋、冬4个季节内各污染物与气象因子的灰色关联度，见图3。

图3可见，4个季节中冬季各个气象因子对污染物浓度的影响最大，冬季除露点以外的气象因子均与各个污染物浓度的关联度明显高于其他季节，春秋两季相较于冬夏季，受气象条件的影响较小。在每个季节内，各气象因子的影响程度高低大致与上文分析结果相符。

污染物浓度越高，对人体造成的负面影响越大，减少和预防重污染天气，是空气污染防治的重要任务。本研究将各污染物浓度超过总体的95%分位定义为极端污染情形，通过定义极端污染风险比值来研究极端污染情形与天气类型的关系，见式（5）。

比值为1.0表明一个极端污染情形更可能发生在给定的天气类型，比值≥2.0表示统计学意义(p<0.05)的显著性。比值接近0意味着给定天气类型几乎没有发生极端污染情形的可能性^[6]。

6种污染物在各天气类型下的极端污染风险比的计算结果，见表3。

SO₂极端污染容易发生在干燥的天气类型下，在DP、DT类型下的风险比达到3.02和2.25；NO₂和CO在DM类型下最可能发生极端污染，风险比分别为2.69和2.10。O₃极端污染几乎都发生在高温条件下，尤其是干燥炎热类型下极端污染风险比最大，达到4.18。在所有天气类型中，MM、MP类型下发生极端污染的可能性很小，相对干燥与相对炎热的天气条件更容易导致极端污染的发生。

为了进一步研究气象因子与发生极端污染情形的关联，计算出每个气象因子在不同区间内发生极端污染情形的频率，见图4。

随着温度的升高，极端污染情形发生频率先升高再降低（图4a），出现峰值的区间各污染物略有差异。NO₂、PM₁₀、PM_2.5和CO的极端污染频率峰值出现在5～10 ℃区间，分别为34.48%、31.67%、35.09%和39.62%。SO₂极端污染频率峰值出现在0～5 ℃区间，为30.51%，而O₃则出现在25～30 ℃区间，且频率达到49.12%。发生O₃极端污染情形的温度区间整体远远高于其他污染物，基本在15 ℃以上，这与光化学污染形成条件吻合。露点温度的规律与温度基本一致（图4b），大部分污染物在0～5 ℃区间内发生极端污染的频率最高，而O₃则在15～−20 ℃区间内频率达到最大值，为42.11%。

在气压为1 020～1 025 hPa时，SO₂、NO₂、PM₁₀、PM_2.5和CO发生极端污染情形的频率最高，为33.90%、40.52%、39.17%、35.09%和36.79%，O₃则在气压1 005～1 010 hPa区间内最易发生极端污染，频率为37.72%（图4c）。各污染物发生极端污染情形频率在云量为0～2区间内最高，且随云量升高而降低。

风速2～3 m/s区间内，风向为东风时，各污染物发生极端污染情形的频率达到最大值，其中O₃在东北偏东、东以及东南偏东的风向下，发生极端污染频率分别为19.30%、18.42%和19.30%，远远大于其他风向。

总体来说，温度5～10 ℃，露点温度0～5 ℃，气压1 020～1 025 hPa，云量0～2，风速2～3 m/s的条件下较容易发生极端污染情形。

用空间天气分类法可将南京市天气类型分为干燥寒冷（DP）、干燥温和（DM）、干燥炎热（DT）、湿润寒冷（MP）、湿润温和（MM）、湿润炎热（MT）、加倍湿润炎热（MT+）以及过渡类型（TR），其中湿润炎热（包括MT和MT+）的天气类型出现最频繁，并集中出现在夏季。不同的天气类型会对污染物浓度产生不同的影响。干燥晴朗的天气条件下（DM、DP、DT）各污染物的平均浓度高于湿润条件（MM、MP、MT），极端污染也更容易发生在DM、DT等天气类型下。这是由于DM、DT类型下，天空晴朗少云，天气较为稳定，降水较少，不利于污染物的稀释和清除。4个季节中，冬季气象条件对污染物浓度的影响最大。冬季南京受蒙古西伯利亚高压控制，以下沉气流为主，且冬季易发生逆温现象，不利于污染物扩散，因此冬季往往空气污染更为严重，更应加大污染控制力度。具体来说，温度5～10 ℃，露点温度0～5 ℃，气压1 020～1 025 hPa，云量0～2，风速2～3 m/s的条件下比较容易发生极端污染情形。如果预计出现这样的气象条件，需要更加注意空气质量控制，尽量削减污染排放，结合空气质量监测数据发布重污染天气预警，对公众进行健康防护引导，必要时可采取一些强制性污染减排措施，降低极端污染情形的危害。

灰色关联分析表明，对于除O₃以外的5种污染物，气象因子影响程度排序依次为气压、风速、温度、云量、露点。气压与风速是影响污染物浓度的重要因素。高气压时地面多下沉气流，易形成下沉逆温层，污染物难以向上层大气运动和稀释。风速决定了污染物冲淡稀释的速度，风速越小，越不利于污染物的扩散。而O₃浓度受温度的影响最大，O₃极端污染情形极易发生在高温、低压、少云的气象条件下，由于紫外辐射加强及温度升高会提高光化学反应速率，增强大气中氧分子的分解，使得O₃的浓度升高。因此在夏季晴朗高温天气下应特别注意O₃污染防范，减少氮氧化物、挥发性有机物等O₃前体物的排放，倡导公众不在室外长时间剧烈运动，降低O₃危害。

本研究分析了南京市天气类型以及气象因子对污染物浓度的影响，并探究了极端污染情形发生的气象条件，可为南京市大气污染防治、有效预防与应对极端污染情形的发生提供决策依据。