1980年1月1日～2022年1月31日中国各城市逆温数据&每年各城市逆温天数数据（空气污染影响相关研究的工具变量）

1472 字 约 5 分钟 数据资料 空气质量

前几天给大家分享了一份 1980年1月1日～2022年1月31日的逆温数据：中国各区县逆温数据（1980年1月1日～2022年1月31日），今天我们再更新份城市版的。

×

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。

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：

图表

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()
图表

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城市的逆温：

过几天会开设专题课程讲解逆温的计算，敬请期待。

  1. 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）；
  2. 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 1990 年 7 月 18 日的：
第一层 第二层 第三层
  1. 把栅格数据准换成城市面板数据（使用的是 2021 年中国市级行政区划）：
2022-01-31中国各城市近地第一层平均气温
  1. 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）；
  2. 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。

经过上述的计算就得到了 1980年1月1日～2022年1月31日的城市逆温数据：

1980年1月1日～2022年1月31日各城市逆温数据.rds

这个文件的大小为 1.47GB （使用 R 语言的 readr::read_rds() 函数读取），为了方便大家使用，我把数据拆分成了每年的 xlsx 文件：

图表

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
  • 市：城市名称
  • 市代码：城市行政区划代码
  • 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

进一步我们可以根据这份详细数据计算各个城市每年的逆温天数：

read_rds("1980年1月1日～2022年1月31日各城市逆温数据.rds") -> df

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

#> # A tibble: 15,953 × 7
#>     year 省     省代码 市     市代码 days1 days2
#>    <dbl> <chr>   <dbl> <chr>   <dbl> <dbl> <dbl>
#>  1  1980 安徽省 340000 安庆市 340800   201   107
#>  2  1980 安徽省 340000 蚌埠市 340300   233   157
#>  3  1980 安徽省 340000 亳州市 341600   253   169
#>  4  1980 安徽省 340000 池州市 341700   209   140
#>  5  1980 安徽省 340000 滁州市 341100   223   129
#>  6  1980 安徽省 340000 阜阳市 341200   259   166
#>  7  1980 安徽省 340000 合肥市 340100   222   130
#>  8  1980 安徽省 340000 淮北市 340600   253   184
#>  9  1980 安徽省 340000 淮南市 340400   243   148
#> 10  1980 安徽省 340000 黄山市 341000   207   144
#> # … with 15,943 more rows

下图展示了 2021 年各个城市的逆温天数分布：

2021年中国各城市逆温天数

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：1980年1月1日～2022年1月31日中国各城市逆温数据&每年各城市逆温天数数据（空气污染影响相关研究的工具变量）

相关文章

评论