欧美a性_久久久久这里只有精品_欧美mv日韩mv国产网站app_黄色国产区_91精品色_国产一级二级三级在线_男生捅女生机机_亚洲AV无码乱码国产精品牛牛_黄色电影小说_97超级碰撞免费在线观看完整版_ol制服撕破肉色薄丝袜美腿_掀开奶罩边吃边摸她的胸_日韩欧美一区二区三区_免费av一级_国产91精品久久久久久久网曝门

北京城市化進程對霧生成的影響

陳昌碩 張同升

摘要：由于京津冀地區的城市化進程迅速，城市面積快速增加，北京地區土地利用類型的顯著變化，對局地大氣環流特征產生了影響，導致霧的發生頻次減少。然而，最新的觀測數據顯示，北京地區的霧霾頻次在2016年前后出現了顯著的上升，與傳統的城市化導致霧減少的現象相悖。為此，本研究基于1945-2024年的霧霾觀測數據，結合區域數值模式進行了逐小時的模擬，并開展了不同土地利用類型的敏感性試驗。研究結果表明，盡管城市化進程在1990年到2010年間總體上對霧霾有減少作用，但土地利用類型的變化引發了風場的東南向轉變，并加劇了南北溫度梯度，導致南向暖濕氣流更容易聚集形成霧霾，結合大尺度的大氣環流作用，共同推動了2016年前后極端霧霾事件的發生。因此，城市化的影響可能不完全是對霧產生抑制作用，實際上，它可能與大尺度氣候背景相互作用，促發極端霧事件。鑒于此，城市規劃應更加關注未來極端天氣事件的模擬與評估，特別是在土地利用變化對大氣環流和危險天氣生成機制的影響方面，從而為有效應對氣象災害提供科學依據，減少潛在的經濟損失。

關鍵詞：霧；城市化；土地利用；數值模式

一、研究背景

霧是由懸浮在空氣中或是地球近地面層的液滴、冰晶組成的一種可見氣溶膠，可以使能見度降低至1千米以下[1,2]，霧形成時的低能見度所造成的經濟損失在特定環境下甚至可以與臺風相當[3]。北京是霧的高發區[4]，在冬春兩季尤為嚴重[5]。霧的生成容易引發交通事故，也會影響人的身體健康，造成大量經濟損失。僅2013年1月，全國霧霾造成的交通和健康直接經濟損失高達230億元，造成交通事故965起，36人死亡[6]。據飛行情況調查表明，霧的生成對航空業產生顯著影響，已成為造成航班延誤、威脅飛行安全最主要的天氣因素之一，引起約13%的航班取消[7]，造成巨額的經濟損失和嚴重的安全事故[8]。

城市熱島效應是指由于人類活動，使得城市的溫度比城郊溫度高的現象，該現象已經在世界范圍內各個城市都有發生[9-11]。北京市的轄區面積在過去70年來從707平方千米擴大為2020年的1.64萬平方千米，城市熱島強度的增溫率高達城郊的8倍[12]。在北京城市化的進程中，原本的土壤、植被、湖泊等自然下墊面被瀝青、混凝土、樓房等人造下墊面取代，改變了原本的陸氣相互作用過程[13]。下墊面的土壤含水量、比熱容、以及粗糙度等要素的改變進一步改變了風場結構、湍流、以及邊界層結構[14,15]。城市熱島效應引起的局地大氣環流會造成霧的生成頻率和強度發生改變，導致大部分城市生成的霧逐漸減少[16-18]。這主要是因為城市熱島效應增強，導致城市溫度升高[19,21]，從而降低大氣穩定度，不利于霧的生成和維持。城市熱島效應也會影響霧區的擴散，從而在城市地區形成無霧的空洞，而在城郊仍然為嚴重的霧區，其霧頻比城區高出約50%，對于城郊的交通造成極大的影響[22]。城市熱島效應同樣會造成城市熱環流，產生的輻合區導致霧頂升高[23]。此外，熱島效應也是導致城市霧霾的一個主要因素。當風較小時，支撐霧霾生成的空氣中的小顆粒就會隨著熱島效應的形成的城市環流運動，甚至會被困在城市邊界層中，導致發生極端霧霾事件。因此，城市化過程對霧的影響不僅體現在對霧的抑制作用上，同時也會因為局部大氣環流的改變而影響霧的形成發展，而在不同的城市化過程中這兩種作用的效果也有所不同。這種變化不僅對研究城市化進程中霧的變化過程和機制提出了新的挑戰，同時也對交通安全保障、低空無人機的安全飛行保障、以及機場航班規劃提出了實際問題。

根據《北京市“十四五”時期重大基礎發展規劃》，2025年北京全市森林覆蓋率將提高到45%。《北京城市總體規劃(2016年-2035年)》也指出，到2050年全市生態控制區面積要從2020年的73%提高到80%。隨著北京對生態文明的建設，城市下墊面物理性質將進一步改變，從而可能導致未來霧的生成條件發生變化。

本文利用北京的長時間觀測序列，通過氣象再分析數據研究在不同的城市化階段起霧前后北京的局地大氣環流特點，并通過氣象數值模式和城市冠層模式進行耦合，模擬首都機場的霧在不同下墊面條件下的變化特征，開展敏感性試驗研究城市下墊面如何通過改變城市熱環流從而影響到霧的生成。本文主要研究城市化進程中首都機場霧的變化，研究內容對城市發展以及機場安全和運營提供參考意見，以便落實提高災害性天氣預報能力的舉措。

二、數據和方法

本文采用4.2版本的WRF（Weather Research and Forecasting）區域數值模式進行模擬。WRF氣象數值模式是一種廣泛應用于氣象研究和業務預報的中尺度數值天氣預報系統，具有高度的靈活性和可擴展性，能夠模擬從幾米到數千公里范圍內的天氣現象。由于北京霧的高發期主要在冬季，考慮到城市化進程前后模擬回算時間一致，使前后兩段模擬具備可比性，因此，本文模擬回算時間覆蓋1980-2020年冬季，空間分辨率為10千米，時間分辨率為1小時，擁有52層模式層，并在近地面層進行了垂向加密，以便更好地模擬大氣邊界層的天氣過程。具體方案如表1所示。

表1 模擬所用參數化方案組合

本文主要考慮不同的城市下墊面對霧和大氣環流生成的影響，因此，我們選用了美國地質調查局（US Geological Survey，USGS）和中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）提供的兩套下墊面數據進行研究。其中MODIS數據是從2010年的MODIS衛星遙感數據提取，總共有21類，代表城市化后。USGS數據則覆蓋1992年到1993年，總共分為24類，代表城市化前。在USGS中，城鎮土地利用類型編碼為1，MODIS的城鎮土地利用類型編碼為13。可看見，在1990年到2010年間，京津冀地區的城鎮用地面積的變化在過去40年間變化巨大，城鎮用地急速擴大，東北側和南側的綠地減少。

圖1 USGS和MODIS的城鎮土地利用變化情況，其中紫色區域為城鎮用地，綠色區域為植被。

本研究的歷史回算模擬主要使用歐洲中期天氣預報中心提供的ERA5再分析數據作為大氣背景場，空間分辨率為0.25°，時間分辨率為每6小時一次，時間范圍與WRF模擬時間一致。ERA5數據同樣用于氣候變化和城市化進程霧生成過程的分析，具體使用的變量包括2米溫度、2米露點、10米風、海平面氣壓、高空溫度、風向、液態水含量。

用以驗證試驗模擬結果和開展氣候研究的實際觀測數據采用了ISD（Integrated Surface Dataset）逐小時站點觀測數據。ISD數據集包含了全球的逐小時站點觀測，觀測變量包括常規氣象要素，例如溫度、風速、風向、濕度、氣壓、能見度等，以及天氣現象。在對霧進行統計時，本研究主要通過對能見度和天氣現象記錄進行篩選，即當能見度小于1千米，并且天氣現象觀測為霧時才進行統計，以排除其他沙塵、降雨、降雪等造成的低能見度情況。

在利用ERA5對歷史的霧進行診斷時，主要利用液態水含量進行計算。液態水含量（LWC）是霧的觀測和模擬中的重要參數，通常，能見度由消光系數和LWC的關系進行計算，如式1所示。

通過上式對ERA5進行能見度計算，選取能見度小于1千米的時候（認為霧發生）進行統計，形成ERA5的霧的年代際變化趨勢。

本文利用霧個數來定量分析霧的變化。在觀測數據中，我們僅篩選天氣記錄為霧，且能見度小于等于1千米的霧事件，提取出每一次霧過程。逐月總霧數為當月發生的所有霧事件的數量，在統計時，將兩次霧事件之間間隔時間小于1小時的霧定義為一次霧事件，以此消除由于觀測誤差造成的影響，防止將一個不連續的霧過程統計成多個霧事件。

液態水路徑（Liquid Water Path，LWP）是液態水含量LWC在空氣柱中的垂直積分。考慮到LWP既能表示霧的空間分布，也能表示霧的垂直厚度，因此相比單層LWC能更好的表現出霧的發展過程和空間特征。具體計算方法如式2所示：

上式中dz是兩個高度層之間的高度差，本文利用ERA5和WRF的950hPa以下的層計算LWP，這主要是因為濃霧的垂直厚度一般在950hPa以下。

三、研究結果

（一）北京霧的季節和年際變化特征

通過對京津冀地區的霧進行季節分析，以北京首都機場的霧的長時間序列為例（圖2），發現北京的霧存在明顯的季節變化趨勢，表現為冬春多，夏秋少，這與前人的研究結果一致，主要是因為京津冀地區相對較大的空氣污染和特殊的大氣環境所致。

圖2 北京霧季節變化時間序列

從長期變化趨勢來看，京津冀地區的冬季霧存在明顯的趨勢變化。以北京首都機場觀測的霧為例（圖3），從1980年到1995年期間，冬季霧呈現上升的趨勢，但是在城市高速發展階段的1995年到2010年，北京霧一直顯著減少。然而，從2010年到2017年，冬季霧呈現暴增的變化特征，且在極端霧增多年份過去后，一直到2020年，北京霧并沒有回到2017年以前的狀態，反而持續緩慢增長。這與前人認為的北京霧受到城市化影響，溫度上升和水汽減少導致霧減少的原因并不一致。說明北京冬季霧的變化并非單純的受到城市下墊面的改變和城市化的影響，其中還有大尺度環流背景對霧的生成影響的因素沒有考慮進來。

圖3 北京首都機場冬季霧個數時間序列

除了高速城市化對霧霾的顯著影響外，各類環境政策的作用同樣不可忽視。自2013年以來，我國積極推動城市環境改善，京津冀地區實施了一系列嚴格的環保措施，包括《大氣污染防治行動計劃》《打贏藍天保衛戰三年行動計劃》《空氣質量持續改善行動計劃》等一系列長期政策，推動切實落實空氣治理舉措，通過推動農村“煤改清潔能源”、加大工業產業升級、管控高排放機動車、深化區域大氣污染協作機制等行動，有效改善了空氣質量，降低了大氣中的顆粒物和污染物，從而削弱了霧霾形成的條件。此外，城市規劃和管理在霧霾減少方面也發揮了重要作用。隨著城市化進程的加速，城市規劃更加注重生態平衡和可持續發展，綠地、公園等生態空間不斷增加，城市通風廊道得到了有效利用，這些都為改善空氣質量、減少霧霾提供了支持。同時，城市管理部門強化了建筑施工、道路揚塵等污染源的監管與治理，進一步降低了大氣中的污染物濃度。

（二）ERA5模擬結果

針對北京霧的特殊變化，我們首先利用ERA5再分析數據中的云液態水含量（Cloud Liquid Water Content, CLWC）對能見度進行計算，獲得北京霧的生成個數，從而對北京的冬季霧進行分析。為了能更好地顯示北京霧變化的結果，我們對數據進行了0-1歸一化處理。結果顯示，ERA5模擬結果雖然在某些年份上與觀測數據存在一定差異，但總體上還是能夠反映出北京冬季霧的長期變化趨勢（圖4）。ERA5合理地模擬出了北京冬季霧在1980年到1995年的上升過程和1995年到2010年的減少過程，但在2010年到2017年的暴增特征上，ERA5模擬結果并未能完全反映。這可能是因為ERA5再分析數據在大尺度環流背景的模擬上存在一定局限性，特別是對于京津冀地區這種地形復雜、氣候變化敏感的區域，其模擬精度可能受到一定影響。總體上，通過ERA5的云液態水含量獲取的北京霧個數的相關系數達到了0.58，p<0.01。從LWP來看，其模擬趨勢和CLWC類似，同樣模擬出了霧在2010年前的增多和變少的變化趨勢，然而，LWP的模擬完美顯示了2012年到2017年的霧極端增多的過程，與觀測幾乎一致，相關系數高達0.65。從LWP的定義來看，LWP是CLWC的垂直積分，因此，LWP 的準確模擬說明在ERA5中,更多模擬的是低云而不是霧。

圖4 ERA5的冬季霧模擬結果，藍色線為觀測數據，橙色線為CLWC，綠色線為LWP，紅色數字代表ERA5和觀測的相關系數。數據經過0-1歸一化處理。

（三）WRF模擬結果

為了更好地研究氣候變化和城市化對霧生成的影響，我們利用WRF對過去40年的北京霧進行了模擬，并且針對不同的土地利用類型數據進行了敏感性試驗，結果如下所示（圖5）。USGS和MODIS兩個試驗均較好地模擬了1980-2020年的長時間霧數量氣候態特征，并且兩個試驗都準確抓住了在2012-2016年期間霧的快速增多變化趨勢。說明WRF試驗模擬結果優于ERA5。重要的是，WRF在模擬霧時，并未在2012-2016年期間準確反映出觀測到的變化趨勢，在LWP的模擬中同樣也有2012-2016年期間的極端事件，說明WRF很好地模擬了在地表的霧的生成，具備更好的霧和低云的模擬能力。

圖5 WRF模擬的1980到2020年霧數量和觀測對比的時間序列圖

我們研究了WRF模擬結果和觀測之間的相關性（表2）。對于USGS試驗，主要利用的是1990s的土地利用狀態，表征了在城市化之前的城市狀態。而MODIS試驗用的是2010年的土地利用數據，表征快速城市化之后的城市狀態。從模擬的真實條件看，USGS試驗在2000年前的試驗顯然更符合實際情況。該試驗主要為了在同樣的氣候背景條件下，研究下墊面條件的不同對霧生成的影響。從表中可以看到，在1980年到2000年的模擬試驗中，USGS 在2000年前的試驗更符合實際情況，因此其相關系數略高于 MODIS。對于2000年后的試驗，MODIS的相關系數要顯著高于USGS試驗，分別是0.75和0.62，說明在2000年后，土地利用類型的改變對霧的模擬起到更重要的作用。2000年前后的試驗都表明，匹配相應城市下墊面的試驗模擬效果更好。對于2016年前后的極端霧年份，MODIS試驗對2012-2016年的快速增長和峰值模擬都優于USGS，說明城市化進程對霧的影響不僅是抑制作用，更好地匹配對應的土地利用類型數據能獲得更好的霧模擬結果。因此，最好的霧模擬試驗是用對應的土地利用類型的模擬，平均為0.745，高于USGS和MODIS的單獨的試驗。

表2 WRF模擬試驗模擬的霧個數和觀測霧格式的相關系數

為了更好地研究不同的土地利用類型對局地環流造成的影響，我們以北京為中心點，選取了一條緯向剖面進行研究。在京津冀地區，兩個試驗模擬的云水含量（QCLOUD）主要顯示為從較低緯度一直延伸到京津冀地區的低云，其中心主要在1200米左右，兩個試驗顯示的空間形勢基本一致（圖省略）。我們對比了兩個試驗模擬的剖面的差別，如圖6所示。總體來看，在1980年到2020年期間，MODIS模擬的QCLOUD在低空領域更高，這種更高的空間結構來自于1980年到2000年期間。MODIS下墊面在1980-2000年表現除了相較USGS更高的QCLOUD，即城市化并不一定抑制霧生成。在同一氣候變暖還未加劇的背景下，MODIS土地利用類型雖然有更大的城鎮面積，但是在1980-2000年的氣候變化期間，展示出了相較實際情況更高的QCLOUD。但是，MODIS試驗在北京地區的近地面QCLOUD更低。對于2000-2020年的模擬試驗，其QCLOUD差異空間分布類似，同樣是低云更多，京津冀地區的近地面QCLOUD較低。但是QCLOUD的低云中心相對更低，其中心高度在1000米左右。

圖6 MODIS和USGS模擬的QCLOUD剖面差異（MODIS-USGS）。第一行為1980年到2020年的差異，第二行為1980年到2000年的差異，第三行2000年到2020年的差異平均值。

對于溫度剖面，我們分析了霧多和霧少時不同下墊面模擬的溫度垂直分布和南北空間分布（圖7）。霧多年份的定義為超過平均值1個標準差的年份，霧少的年份定義為少于平均值1個標準差的年份。通過分別選取霧多和霧少的年份進行合成，用以放大霧多和霧少時的溫度變化特征。霧多時一般呈現更強的逆溫層，使大氣更穩定。MODIS下墊面在1980-2000年霧多時造成了更暖的溫度，說明城鎮下墊面的增多確實會造成更高的溫度，形成城市熱島效應，這與前人的研究一致。然而，在2000-2020年的溫度剖面分析中發現，霧多時造成了南方更暖，北方更冷，暖中心位于800米高空。這種空間分布增加了南北溫度梯度，使從南方來的暖濕空氣更容易在北上過程中凝結，從而造成霧的生成。

圖7 MODIS和USGS模擬的溫度剖面差異（MODIS-USGS）。第一行為1980年到2020年的差異，第二行為1980年到2000年的差異，第三行2000年到2020年的差異平均值。

我們同時對霧多和霧少時的風場進行了合成分析（圖8），發現霧少時，在整個階段MODIS下墊面帶來更多西北風，使得成霧所需的溫濕條件更加缺乏。而在霧多時，MODIS下墊面在1980-2000年帶來更多的南風，且在更大的溫度梯度下，風場的輸運進一步促進了霧的生成。在2000-2020年則帶來了更多的北風，整體上抑制了霧的生成。說明MODIS下墊面帶來的大尺度環流形勢變化，導致了城市化霧的長期變化。

圖8 霧少時MODIS和USGS模擬的溫度風場差異（MODIS-USGS）。第一行為1980年到2020年的差異，第二行為1980年到2000年的差異，第三行2000年到2020年的差異平均值

四、結論

本研究通過對過去70年的霧觀測資料進行分析，同時利用WRF區域數值模式進行了1980-2020年冬季霧的逐小時模擬，并開展了不同土地利用類型的敏感性試驗。研究表明，北京地區冬季霧的演變受多重因素影響。雖然整體城市化進程在一定階段對霧霾具有抑制作用，但土地利用類型的變化卻引起了局地大氣環流的顯著調整，包括風場東南向轉變和南北溫度梯度加劇，從而使暖濕氣流在北輸過程中更易冷卻凝結，促發極端霧霾事件。尤其在2016年前后，極端霧霾事件頻發，充分印證了城市化與大尺度氣候背景相互作用的重要性。因此，未來在霧霾數值模擬與預報中，需要綜合考慮城市下墊面演變對局地大氣環流的影響，以提高預報精度和應急響應能力。

鑒于極端霧霾事件可能對交通、航空安全及公眾健康造成不利影響，建議在城市規劃中完善極端天氣預警與應急響應機制，構建高精度、實時性的極端天氣預警系統。一是氣象部門應借助高分辨率數值模式、人工智能預報、衛星遙感和地面觀測數據，建立多層次、多時段的預警信息發布機制，并與城市管理、交通、應急等部門實現信息共享。二是針對霧霾及低云引發的災害風險，制定詳細的應急預案，包括臨時交通管制措施、機場調度優化方案和公眾健康防護指導，同時定期開展應急演練，提高各部門聯動處置能力，最大限度減少極端天氣對社會經濟和人民生活的影響。三是提高跨部門協同能力，完善氣象信息發布制度，開展大霧天氣預警演練，確保事故發生時有序疏散和其他應急響應措施順利實施。

低空經濟是我國重要的戰略性新興產業，然而霧和低云降低了低空作業區域的能見度，增加了飛行安全風險，從而導致航空運輸延誤、無人機物流中斷和低空旅游受阻，進而對整個低空經濟鏈條造成不利影響。與此同時，隨著氣候變化和城市化進程的不斷推進，未來極端低能見度事件可能會更加頻繁，進一步加劇低空交通及相關經濟活動的不確定性。針對這一挑戰，建議一是建立高精度低空氣象監測系統，利用先進的數值模式、衛星遙感和地面傳感器實現實時預警；二是完善低空作業的應急響應和調度機制，強化跨部門協同合作，確保在極端天氣條件下能及時調整運營計劃，降低事故率和經濟損失風險，從而為低空經濟的可持續發展提供堅實保障。

參考文獻

[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,張世秋.2013年1月中國大面積霧霾事件直接社會經濟損失評估.中國環境科學,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., Bre?on, F. M., & Myneni, R. B.  Surface urban heat island across 419 global big cities. Environmental science & technology,2012,46(2):696-703.

[12] 林學椿,于淑秋,唐國利.北京城市化進程與熱島強度關系的研究.自然科學進展,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：文中部分圖片來源于網絡，版權歸原作者所有，若有侵權請聯系刪除。