1980～2024 年中国各省份逆温数据（空气污染影响相关研究的工具变量）

1438 字 约 5 分钟 数据资料 空气质量

前几天给大家分享了区县和城市的逆温数据，今天我们再更新份省份版的，可能用处就没有上面的两份大了。

首先我们先了解下逆温。正常情况下，海拔越高，气温越低，但是有时候会出现海拔高的地方气温反而更高，这个时候冷空气在下方，空气不易流通，污染物扩散慢。这种现象称为逆温，由于逆温对污染物扩散的外生性和相关性，所以逆温是研究空气污染影响很好的工具变量。

计算方法

逆温的衡量计算方法有很多，这里我们采用 Shuai Chen（2018）中的方法进行计算：

不过文中对这种逆温的衡量计算方法并不完全准确，NASA 的 MERRA-2 数据集提供了 0.5 度×0.625 度分辨率、42 个气压层（不同的海拔有着不同的气压）的气温等数据，但是并不是每个格点在 42 个气压层都有数据，例如青藏高原的海拔在 5000 m 以上，底部很多气压层是没数据的：

library(terra)
rast("data/MERRA2_100.inst6_3d_ana_Np.19900718.SUB.nc") -> rst
cairo_pdf("levtemp.pdf", width = 10, height = 10)
plot(rst)
dev.off()

所以我们计算逆温的应该采用每个格点近地的第一层和第二层（也就是最开始有数据的两层）。

因此我们可以通过下面的流程计算中国各省份的逆温：

关于这份数据是如何处理的，可以参考区县逆温数据的计算，注意不要使用区县的平均作为省份数据。需要类似区县逆温数据的计算流程计算省份的。

第一步：从 NASA 下载 1980 年至今的 MERRA-2 数据：https://disc.gsfc.nasa.gov/datasets/M2I6NPANA_5.12.4/summary（需要登陆注册）；

第二步：从下载到的 netCDF 数据提取近地的第一、二、三层数据（第三层数据可以用来进行稳健性分析），例如 2022 年 1 月 31 日的：

第三步：把栅格数据准换成省份面板数据（使用的是 2021 年中国市级行政区划）：

第四步：比较第一层和第二层的平均气温就可以判断逆温情况了，如果第二层的气温高于第一层就是逆温，差值就是逆温强度，反之就不是逆温，逆温强度为 0（每天都有四个时点的数据，只有有一个时点的结果是逆温当天就视为逆温天）；

第五步：另外可以使用一三层的温度进行比较得到逆温2 和逆温强度2 用于稳健性检验。

数据概览

各省份逆温数据

经过上述的计算就得到了 1980 年 1 月 1 日～2024 年 12 月 31 日的省份逆温数据：

1980年～2024年省份逆温数据.rds

该数据包含如下变量，各个变量的含义如下：

  • date：日期
  • year：年
  • month：月
  • day：日
  • 省：省份名称
  • 省代码：省份行政区划代码
  • T1_layer1：0 点近地第一层的平均气温
  • T1_layer2：0 点近地第二层的平均气温
  • T1_layer3：0 点近地第三层的平均气温
  • T2_layer1：6 点近地第一层的平均气温
  • T2_layer2：6 点近地第二层的平均气温
  • T2_layer3：6 点近地第三层的平均气温
  • T3_layer1：12 点近地第一层的平均气温
  • T3_layer2：12 点近地第二层的平均气温
  • T3_layer3：12 点近地第三层的平均气温
  • T4_layer1：18 点近地第一层的平均气温
  • T4_layer2：18 点近地第二层的平均气温
  • T4_layer3：18 点近地第三层的平均气温
  • T1_thermal_inv12：0 点根据一二层计算的逆温强度
  • T2_thermal_inv12：6 点根据一二层计算的逆温强度
  • T3_thermal_inv12：12 点根据一二层计算的逆温强度
  • T4_thermal_inv12：18 点根据一二层计算的逆温强度
  • T1_thermal_inv13：0 点根据一三层计算的逆温强度
  • T2_thermal_inv13：6 点根据一三层计算的逆温强度
  • T3_thermal_inv13：12 点根据一三层计算的逆温强度
  • T4_thermal_inv13：18 点根据一三层计算的逆温强度
  • thermal_inv_yesno12：根据一二层判断当天是否是逆温天
  • thermal_inv_yesno13：根据一三层判断当天是否是逆温天

每年各省份逆温天数数据

进一步我们可以根据这份详细数据计算各个省份每年的逆温天数：

read_rds(" 1980年～2024年省份逆温数据.rds") -> df

df %>%
  group_by(year, 省, 省代码) %>%
  summarise(days1 = sum(thermal_inv_yesno12),
            days2 = sum(thermal_inv_yesno13)) %>%
  ungroup() -> yeardf
yeardf

#> # A tibble: 1,462 × 5
#>     year 省             省代码 days1 days2
#>    <dbl> <chr>           <dbl> <dbl> <dbl>
#>  1  1980 安徽省         340000   235   121
#>  2  1980 澳门特别行政区 820000    11     3
#>  3  1980 北京市         110000   257   180
#>  4  1980 重庆市         500000   147    73
#>  5  1980 福建省         350000   194   150
#>  6  1980 甘肃省         620000    46     3
#>  7  1980 广东省         440000   119   119
#>  8  1980 广西壮族自治区 450000   152   105
#>  9  1980 贵州省         520000   128   103
#> 10  1980 海南省         460000     7    10
#> # … with 1,452 more rows

其中 days1 表示根据一二层判断的逆温天数，days3 表示根据一三层判断的逆温天数。

这样就得到了 1980～2024年各省份年逆温天数数据：

下图展示了 2021 年各个省份的逆温天数分布：

还挺有意思，原来华北地区的空气状况不好也跟逆温天太多有关系！

点击这里跳转到 RStata 短书平台获取附件：旧版本｜1980～2024 年中国各省份逆温数据（空气污染影响相关研究的工具变量）

相关文章

评论