PM2.5和PM2.5～10資料同化及在南京青奧會期間的應(yīng)用試驗

靳璐濱,臧增亮*,潘曉濱,王體健,郝子龍,蔣自強(.解放軍理工大學(xué)氣象海洋學(xué)院,江蘇 南京0；.南京大學(xué)大氣科學(xué)學(xué)院,江蘇 南京 0；.解放軍966部隊,北京 008；.南京大學(xué)國際地球系統(tǒng)科學(xué)研究所,江蘇 南京 009)

?

PM2.5和PM2.5～10資料同化及在南京青奧會期間的應(yīng)用試驗

靳璐濱1,臧增亮1*,潘曉濱1,王體健2,郝子龍3,蔣自強4(1.解放軍理工大學(xué)氣象海洋學(xué)院,江蘇 南京211101；2.南京大學(xué)大氣科學(xué)學(xué)院,江蘇 南京 211101；3.解放軍96631部隊,北京 102208；4.南京大學(xué)國際地球系統(tǒng)科學(xué)研究所,江蘇 南京 210093)

摘要：建立了面向PM2.5和PM10觀測資料的三維變分同化系統(tǒng),并在南京地區(qū)青奧會期間進(jìn)行了同化和預(yù)報試驗.同化系統(tǒng)的控制變量為PM2.5和PM2.5～10(PM10中扣除PM2.5后剩余部分),利用南京地區(qū)2014年8月的WRF-Chem模擬結(jié)果,估計了PM2.5和PM2.5～10的背景誤差協(xié)方差,發(fā)現(xiàn)在水平和垂直方向上PM2.5的相關(guān)系數(shù)隨距離的衰減均小于PM2.5～10,這可能與PM2.5粒徑小、生命史長,在大氣中傳播地更遠(yuǎn)有關(guān).利用南京及周邊區(qū)域的134個監(jiān)測站PM2.5和PM10逐時觀測資料,對青奧會期間(2014年8月16～28日)進(jìn)行滾動同化和預(yù)報試驗,并利用模式最內(nèi)層觀測資料進(jìn)行檢驗分析,結(jié)果表明同化對初始場有顯著改進(jìn),PM2.5和PM10的相關(guān)系數(shù)均提高53％以上,均方根誤差降低55％以上,平均偏差則降低了90％左右;同化試驗對其后的預(yù)報場也有明顯改進(jìn),正效應(yīng)可以持續(xù)到20h以后,模式對PM10的預(yù)報效果好于PM2.5.

關(guān)鍵詞：WRF/Chem模式；氣溶膠；背景誤差協(xié)方差；資料同化

*責(zé)任作者, 副教授, zzlqxxy@163.com

隨著大氣污染特別是氣溶膠污染對人類生存環(huán)境危害的日益加劇[1-2],空氣質(zhì)量的監(jiān)測、預(yù)報和控制已成為大氣和環(huán)境領(lǐng)域的前沿問題.空氣質(zhì)量模式是研究氣溶膠問題的有利工具, WRF-Chem、CMAQ、CAMx等空氣質(zhì)量模式已廣泛應(yīng)用于氣溶膠的模擬和預(yù)報.而數(shù)值模式的預(yù)報效果,特別是短時、臨近預(yù)報效果,對初始場的依賴性很大.資料同化(Data Assimilation, DA)可以有效改進(jìn)初始場,它是將觀測信息和模式的背景場融合成更準(zhǔn)確、更接近大氣真實狀態(tài)的最優(yōu)估計[3].相對于氣象模式的資料同化而言,空氣質(zhì)量模式的資料同化,特別是對于氣溶膠資料的同化發(fā)展較晚,目前開展此研究的有美國、德國、荷蘭、法國、中國、韓國和歐洲中期天氣預(yù)報中心等國家和組織[4].這一方面是由于氣溶膠的觀測資料少;另一方面是由于氣溶膠觀測和模擬變量的組成特別復(fù)雜,既可按化學(xué)成分劃分[5],也可按粒徑段劃分,或者同時考慮化學(xué)成分和粒徑段,如WRF-Chem模式中MOSAIC (Model for Simulating Aerosol Interactions and Chemistry)對10μm以下劃分為4個或8個粒徑段,每個粒徑段又包括8種化學(xué)成分[6];而GOCART (Georgia Tech/Goddard Global Ozone Chemistry Aerosol Radiation and Transport)氣溶膠方案[7]為組分氣溶膠方案,沙塵分為5個粒徑段,海鹽分為4個粒徑段,其他氣溶膠不分粒徑大小.故面向不同的觀測系統(tǒng)和不同的空氣質(zhì)量模式變量,必須建立不同的氣溶膠資料同化系統(tǒng).

目前大部分空氣質(zhì)量模式的同化系統(tǒng)對氣溶膠顆粒物的同化僅考慮PM2.5或PM10中的一種觀測量,很少有研究將這兩種氣溶膠顆粒物同時同化,如Pagowski等[8]利用WRF-Chem模式和網(wǎng)格點統(tǒng)計插值系統(tǒng)(Gridpoint Statistical Interpolation, GSI)對美國環(huán)保署AIRNow監(jiān)測網(wǎng)(該網(wǎng)站發(fā)布美國實時空氣質(zhì)量數(shù)據(jù))的PM2.5觀測資料作了三維變分(three-dimensional variational, 3DVAR)同化的研究同化系統(tǒng)中的控制變量和觀測變量均為PM2.5,同化后模式對PM2.5濃度的短期預(yù)報有了很大的提高. Tombette等[9]采用最優(yōu)插值方法(Optimal Interpolation, OI)對歐洲地區(qū)的PM10總量進(jìn)行了資料同化研究. Lee[10]等、Lin[11]等分別利用OI法、集合卡爾曼濾波(Ensemble Kalman Filter, EnKF)方法對PM10總量進(jìn)行了同化研究.這類方法的優(yōu)點是在同化系統(tǒng)中只涉及單一氣溶膠控制變量,并且控制變量同時也是觀測變量,從而大大降低了同化的復(fù)雜度.

近年來,隨著空氣質(zhì)量模式的發(fā)展,有些學(xué)者開發(fā)了面向氣溶膠模式變量的同化系統(tǒng),如Li 等[12]基于WRF-Chem的MOSAIC氣溶膠方案建立了面向PM2.5的同化系統(tǒng),同化系統(tǒng)中包括黑碳、有機碳、硫酸鹽、硝酸鹽等5個控制變量,系統(tǒng)對24h內(nèi)的PM2.5預(yù)報有明顯改進(jìn).Denby 等[13]采用 LOTOS-EUROS (Long Term Ozone Simulation-European Operational Smog model)模式,分別用統(tǒng)計內(nèi)插(Statistical Interpolation, SI)和集合卡爾曼濾波(EnKF)兩種不同的方法對PM10的5個變量(EC,OC,SO4,NO3,NH4)進(jìn)行了資料同化.Schwartz等[14]采用3個不同同化系統(tǒng),對美國本土和周邊地區(qū)的AOD、PM2.5和氣象場資料,包括5個氣象變量和15個氣溶膠變量進(jìn)行同化.Jiang等[15]對中國地區(qū)PM10的14個變量進(jìn)行了同化試驗.這些研究中雖然增加了控制變量的數(shù)目,使得同化分析場更加精細(xì),但觀測變量大多仍是單一的PM2.5或PM10,如果要同時對PM2.5和PM10兩種觀測變量進(jìn)行同化,則控制變量的數(shù)量要增加一倍,同化的計算量則要增加4倍甚至更多,故目前對多種氣溶膠觀測變量同時進(jìn)行同化的文獻(xiàn)尚不多見.中國環(huán)保部門自2013年起開始發(fā)布PM2.5和PM10的逐時觀測數(shù)據(jù),其已在空氣質(zhì)量監(jiān)測、環(huán)境評價、模式檢驗分析等方面發(fā)揮了重要作用,但在同化應(yīng)用方面的研究則比較少.

第二屆夏季青年奧林匹克運動會于2014年8月16日在南京舉辦,為保證青奧會期間的空氣質(zhì)量,南京及周邊地區(qū)的城市實施了一系列的減排措施,并進(jìn)行了實時監(jiān)控和預(yù)報.本文利用南京地區(qū)青奧會期間的氣象和氣溶膠觀測資料,基于WRF/Chem 模式和3DVAR同化理論,建立了同時同化PM2.5和PM2.5～10兩種資料的模式系統(tǒng)(同化系統(tǒng)中各控制變量要獨立),并對預(yù)報效果進(jìn)行檢驗分析和改進(jìn).

1 模式和資料

WRF-Chem模式是在WRF模式的基礎(chǔ)上加載化學(xué)模塊,實現(xiàn)了氣象模式與空氣質(zhì)量模式的完全耦合,可同步計算氣象要素與大氣化學(xué)成分,即所謂的“在線(online)”耦合[16-20].本文采用WRF-Chem Vertion 3.5版本,模式物理過程包括WSM5微物理方案,RRTM長波輻射方案, Goddard 短波輻射方案, Monin-Obukhov近地面層方案,Noah陸面過程方案,YSU邊界層方案和Grell-Devenyi 積云對流參數(shù)化方案;化學(xué)過程包括 RADM2化學(xué)機制, MADE/SORGAM氣溶膠方案, Madronich F-TUV光解化學(xué)方案,以及RADM2/MADE/SORGAM人為源和Gunther生物源.其中, MADE/SORGAM方案是由MADE (Modal Aerosol Dynamics Model for Europe)氣溶膠模塊[19]和 SORGAM (Secondary Organic Aerosol Model)氣溶膠化學(xué)過程[20]組合而成,共35個氣溶膠變量,其中粒徑段小于2.5μm的顆粒物有32個變量,介于2.5～10μm之間的有3個變量(記為PM2.5～10).

圖1　模式4層嵌套區(qū)域設(shè)置Fig.1 Four-nested model domains

模式設(shè)計為4層嵌套,其網(wǎng)格距分別為81, 27,9,3km(圖1),垂直方向分為23層.最內(nèi)層嵌套(D04)以南京市主城區(qū)(118°E, 32°N)為中心,網(wǎng)格點為54×60,覆蓋全南京市以及馬鞍山、蕪湖、揚州、鎮(zhèn)江等周邊城市的部分地區(qū)(圖2),第 3 層嵌套(D03)則覆蓋了長江三角洲地區(qū).模式的氣象場資料為 NCEP (National Centers for Environmental Prediction)全球預(yù)報系統(tǒng)的1°×1°的再分析資料,時間間隔為 6h.同化所用的氣溶膠資料來自于全國城市空氣質(zhì)量實時發(fā)布平臺,該資料包括全國1500多個站點的PM2.5、PM10、SO2、NO2、CO、O3等變量逐時觀測信息.排放源資料針對南京青奧會期間的管控措施進(jìn)行了減排比例估算,如管控情景相比于無管控措施情景的SO2,NOx,PM2.5和VOCs分別減排24％,31％,23％和8％.本文主要分析PM2.5和PM10資料同化的效果,同化分別對D03和D04區(qū)域?qū)嵤?但后面的討論分析主要針對D04區(qū)域進(jìn)行.

圖2　D04區(qū)域監(jiān)測站分布Fig.2 Map of measurement sites in nested domain 4

2 三維變分同化理論

三維變分同化的目標(biāo)泛函[21]可由下式表示:

其中:x是同化分析場; xb是背景場; B是背景誤差協(xié)方差; H是觀測算子; y是觀測向量; R是觀測誤差協(xié)方差.本系統(tǒng)中的控制變量為PM2.5和PM2.5～10,其中PM2.5包含模式中前32個氣溶膠變量,PM2.5～10包含后3個氣溶膠變量.觀測變量也處理為這兩類氣溶膠濃度,PM2.5的觀測數(shù)據(jù)可直接利用,而PM10的觀測則要減去PM2.5得到觀測的PM2.5～10.實際求解過程中,通常將式(1)轉(zhuǎn)化為增量形式:

式中:δx=x-xb, δy=x-Hxb.同化后得到PM2.5和PM2.5～10的增量場,再按原有的各成分在變量中的比例分配到模式變量中,從而改進(jìn)模式的初始場.

參考Li[12]的處理方式,將背景誤差協(xié)方差B分解為相關(guān)系數(shù)矩陣和誤差標(biāo)準(zhǔn)差矩陣,即:

式中:D是背景誤差的標(biāo)準(zhǔn)差矩陣;C是背景誤差的相關(guān)系數(shù)矩陣.背景誤差標(biāo)準(zhǔn)差D的影響主要體現(xiàn)在兩個方面:一是決定背景信息和觀測信息的相對權(quán)重,標(biāo)準(zhǔn)差越大,則同化分析結(jié)果就越接近于觀測.二是決定著同化中各分析增量的相對大小,同時反映了模式預(yù)報的不確定性.相關(guān)系數(shù)C決定著觀測信息向周圍網(wǎng)格點的傳播方式.C的結(jié)構(gòu)如下:

對角線上的子矩陣表示各變量的背景誤差在不同格點之間的相關(guān)系數(shù),即各變量的自相關(guān).非對角線上的子矩陣表示變量間的交叉相關(guān),這里暫不考慮,即認(rèn)為兩個變量是相互獨立的.對于式(4)中的每個子矩陣,還能進(jìn)一步分解為垂直和水平相關(guān),如對于CP M2.5采用Kronecker Product方法[22]可將其分別在x、y、z 3個方向近似分解為3個子矩陣[23]:

它是表示x、y、z方向上的格點間的相關(guān)系數(shù)矩陣的張量積特殊形式,從而大大降低誤差協(xié)方差的計算量和存儲量.

3 模式背景場及其誤差協(xié)方差統(tǒng)計分析

采用NMC (National Meteorological Center)方法[24],根據(jù)Fisher[25]和Bannister[26]的理論統(tǒng)計背景誤差協(xié)方差,即針對同一時次預(yù)報的不同預(yù)報時長的資料作差來近似背景誤差,該方法通常需要一個月的模式預(yù)報結(jié)果進(jìn)行統(tǒng)計,文中利用2014年8月的24h和48h時長的00:00(世界時UTC,下同)預(yù)報場進(jìn)行背景誤差協(xié)方差統(tǒng)計.

3.1 背景場及其誤差標(biāo)準(zhǔn)差分析

背景場的誤差標(biāo)準(zhǔn)差反映了模式的不確定性,對于每個控制變量,其誤差標(biāo)準(zhǔn)差是一個與三維網(wǎng)格點數(shù)同維度的對角矩陣(即式(3)中的矩陣D).圖3(c)為PM2.5誤差標(biāo)準(zhǔn)差在模式第一層的水平分布,其大值區(qū)位于西南部的馬鞍山-蕪湖一帶,以及東北部的鎮(zhèn)江-揚州附近,這與PM2.5的月平均濃度[圖3(a)]大值中心也是一致的,即濃度值越大的區(qū)域,其預(yù)報的誤差標(biāo)準(zhǔn)差也越大.但在圖3(c)中,南京及其東南區(qū)域(句容、溧陽)也存在誤差標(biāo)準(zhǔn)差的相對大值區(qū),而PM2.5平均濃度并不大,這可能是因為,這一區(qū)域PM2.5濃度的變化幅度比較大,導(dǎo)致其預(yù)報誤差大.圖3(b)和3(d)分別是PM2.5～10的平均濃度和誤差標(biāo)準(zhǔn)差,可以看出,PM2.5～10的平均濃度和誤差標(biāo)準(zhǔn)差比PM2.5均要低一個量級左右,這與南京及周邊區(qū)域?qū)ㄔO(shè)工地、工廠等采取防塵、控塵、停產(chǎn)、限產(chǎn)等措施,特別是對易形成PM10的工程作業(yè)進(jìn)行了限制、覆蓋、圍擋等處理有很大關(guān)系.

由圖4可以看出,PM2.5誤差標(biāo)準(zhǔn)差在地面最大,0.2km以上逐漸降低,這是因為PM2.5主要來自于地面層,在近地面層(常值通量層)由于湍流較強,PM2.5的濃度均比較大,其誤差標(biāo)準(zhǔn)差也較大.對于PM2.5～10而言,其誤差標(biāo)準(zhǔn)差的最大值在0.2km高度附近,向上迅速遞減,到2km高度接近于0. PM2.5～10由于沉降較快,擴散的高度遠(yuǎn)低于PM2.5,其濃度在邊界層以上衰減較快(圖略),因此PM2.5～10的誤差標(biāo)準(zhǔn)差在邊界層以上衰減的也較快.值得注意的是,PM2.5～10在0.2km處的誤差標(biāo)準(zhǔn)差比地面大1個量級以上,但PM2.5～10在近地面層也應(yīng)該是相對均勻的,兩者的平均濃度差應(yīng)該比較小.這種誤差標(biāo)準(zhǔn)差的差異主要來自于模式預(yù)報的不確定性,在后面的預(yù)報試驗中,可以看到模式對地面的PM2.5～10預(yù)報準(zhǔn)確率較高,故地面的誤差標(biāo)準(zhǔn)差較小;而PM2.5～10在地面以上的垂直分布受大氣穩(wěn)定度、風(fēng)速等氣象要素影響,濃度變化較大[27],導(dǎo)致預(yù)報的不確定性增大,故誤差標(biāo)準(zhǔn)差增大.

圖3　模式初始場最底層PM2.5和PM2.5～10的2014年8月的平均濃度(a)(b),誤差標(biāo)準(zhǔn)差(c)(d)Fig.3 The monthly average concentration (a)(b) and the standard deviation of the background errors (c)(d) of PM2.5and PM2.5～10at the lowest model level in initial fileds

3.2 背景誤差協(xié)方差相關(guān)系數(shù)分析

背景誤差協(xié)方差中的相關(guān)系數(shù)矩陣即模式誤差在任意兩個空間網(wǎng)格點上的相關(guān)矩陣,其可以分解水平和垂直3個方向(式(5)).假定傳播是各向同性的,故水平方向上沿x和y的相關(guān)系數(shù)是相同的,在計算過程中,本文取x和y方向上網(wǎng)格點相關(guān)系數(shù)的平均值.圖5為D04區(qū)域模式底層水平相關(guān)系數(shù)隨距離的變化曲線.可以看出,PM2.5～10隨水平距離衰減的很快,在18km處左右就衰減到0.6以下了,而PM2.5的衰減較慢,到49km處左右衰減到0.6以下.這是由于PM2.5～10沉降快,在大氣中停留的時間短,傳播的距離也短,故水平兩網(wǎng)格點間的相關(guān)性也小;相反,PM2.5沉降慢,傳播的距離長,故兩網(wǎng)格點間的相關(guān)性大.

圖4　誤差標(biāo)準(zhǔn)差廓線Fig.4 Vertical profiles of the standard deviation of the background errors for PM2.5and PM2.5～10

圖5　PM2.5和PM2.5～10在水平方向上相關(guān)系數(shù)Fig.5 Horizontal auto-correlations of PM2.5and PM2.5～10

圖6是PM2.5和PM2.5～10的地面等不同層次高度和各高度層垂直相關(guān)系數(shù)廓線,可以看出,各層次高度與自身高度的相關(guān)系數(shù)為1(表示自相關(guān)),每層次隨垂直距離的增大,相關(guān)系數(shù)逐漸降低(與5km高度以上的相關(guān)系數(shù)除外).圖6(a)和圖6(b)對比還可以看出,PM2.5隨垂直距離的相關(guān)系數(shù)衰減相對較慢,以地面層為例,PM2.5的1km高度處相關(guān)系數(shù)為0.3,而PM2.5～10不到0.2; 2km高度層與1km高度處的垂直相關(guān)系數(shù),PM2.5為0.45, PM2.5～10為0.34.這與水平方向上的相關(guān)系數(shù)衰減是類似的,PM2.5～10沉降快,傳播的高度低,故與地面層的相關(guān)系數(shù)低.

圖6　PM2.5和PM2.5～10的地面等層次和各高度的垂直相關(guān)系數(shù)Fig.6 Vertical correlation coefficients of four different levels and each level for PM2.5and PM2.5～10

4 同化和預(yù)報試驗

為檢驗同化PM2.5和PM10對預(yù)報改進(jìn)的效果,本文設(shè)計了兩個試驗進(jìn)行對比,一個是控制試驗(Control),一個是同化試驗(DA).其中,控制試驗以前一天的預(yù)報場為初始場(即背景場)作24h預(yù)報;同化試驗則是以同化了PM2.5和PM10觀測資料的初始場(即分析場)作24h預(yù)報.試驗的區(qū)域設(shè)置和物理化學(xué)方案如前所述.模式的起報時間為2014 年8月16～28日每日的00:00.分別對D03區(qū)域和D04區(qū)域?qū)嵤┩?其中D03區(qū)域內(nèi)有134個監(jiān)測站,D04區(qū)域內(nèi)有23個監(jiān)測站,但后面的檢驗分析主要針對D04區(qū)域的所有站點進(jìn)行.

4.1 同化預(yù)報試驗個例分析

圖7　2014年8月21日00:00Control (a)(b) 和DA (c)(d) 模擬的初始場最底層PM2.5和PM10的結(jié)果Fig.7 The concentrations of PM2.5and PM10at the lowest model level in initial fields from the control (a)(b) and assimilation (c)(d) experiments at 0000UTC on August 21th, 2014

選取8月21日一次個例過程初始場的同化效果進(jìn)行分析.將同化分析的增量場疊加到背景場上得到分析場,就實現(xiàn)了對模式初始場的調(diào)整. 圖7是8月21日00:00的PM2.5和PM10同化前后模式第一層濃度分布,對比圖7(a)和7(c)可以看出,同化后PM2.5的濃度普遍減小,即同化增量場以負(fù)值為主,如同化前南京市PM2.5值在60～90μg/m3,同化后變?yōu)樵?0～70μg/m3,馬鞍山和揚州兩個地區(qū)的PM2.5高值中心也有顯著降低;但滁州、句容和溧陽地區(qū)的PM2.5數(shù)值基本沒變,這是由于這兩個區(qū)域沒有空氣質(zhì)量監(jiān)測站,故沒有觀測資料進(jìn)行同化系統(tǒng).對比圖7(b)和圖7(d)可以看出,PM10的變化規(guī)律和PM2.5類似,大部分的濃度也是明顯減小.實際上,從圖3中可以看出,PM10中的PM2.5比PM2.5～10大了一個量級,故PM10的變化也主要由PM2.5決定.

圖8　2014年8月21日23個站Control和DA模擬的　PM2.5和PM10預(yù)報平均濃度與觀測實況時間序列Fig.8 The averaged concentrations of PM2.5and PM10in forecasts duration from the control and assimilation experiments against observations using 23　monitoring sites data on August 21th, 2014

圖8是D04區(qū)域8月21日的23個站PM2.5和PM10平均濃度的觀測與模擬時間序列曲線,其中Control、DA是將控制試驗、同化試驗?zāi)M結(jié)果格點值插值到站點上再取平均.從圖8(a)可以看出,控制試驗?zāi)M的PM2.5的初始值接近于160μg/m3,遠(yuǎn)高于觀測的53μg/m3,而同化試驗的結(jié)果為54μg/m3,與觀測值十分接近,這與圖7中同化分析場一致.在隨后的24h預(yù)報中,同化試驗的PM2.5模擬比控制試驗也有持續(xù)的改進(jìn),但隨著預(yù)報時間的延長,改進(jìn)的程度有所降低,兩者的演變也越來越接近.圖8(b)中,同化對PM10的改進(jìn)效果與圖8(a)中的PM2.5類似,在20h以前同化試驗比控制試驗結(jié)果更接近觀測.對比PM2.5和PM10中同化試驗的時間序列曲線還可以發(fā)現(xiàn),兩者除了在開始的5h左右有所差別外,后面的曲線基本相同,這說明PM2.5～10的同化效果只維持了前面5h,這是由于其沉降快、停留時間短,故初始場改變能夠延續(xù)的時效也短.另外,同化前后模式對PM10的預(yù)報效果均高于PM2.5.

4.2 青奧會期間同化預(yù)報試驗統(tǒng)計檢驗

圖9　南京青奧會期間每日00:00Control和DA模擬的PM2.5和PM10初始場值與觀測值的散點Fig.9 Scatter plots of simulated versus observed PM2.5and PM10mass concentrations over initializations from the control and assimilation experiments at 0000UTC during NYOG

在數(shù)值模式預(yù)報中,初始場的準(zhǔn)確性,直接影響模式預(yù)報的效果.通過分析場插值到站點與實際觀測值比較,來檢驗同化后預(yù)報的質(zhì)量.對青奧會期間(2014年8月16～28日)的同化和控制試驗初始場進(jìn)行統(tǒng)計檢驗.圖9給出同化前后所有試驗結(jié)果初始場模擬值與觀測值的散點圖,并計算分析了平均偏差(BIAS)、均方根誤差(RMSE)和相關(guān)系數(shù)(CORR)等檢驗指標(biāo).可以看出,同化試驗的模擬值比控制試驗更接近于觀測值.同化后和同化前相比,PM2.5相關(guān)系數(shù)由0.40提高到0.61,增加了53％; RMSE(μg/m3)由74減小到24,降低了68％; BIAS(μg/m3)由54減小到5,降低了91％[圖9(a)].這里BIAS的降低主要是由于負(fù)的增量場導(dǎo)致同化后整體的PM2.5濃度減小[圖7(c)],這與圖7(a)中負(fù)的增量場是相對應(yīng)的.PM10同化前后的對比[圖9(b)]與PM2.5類似,同化試驗的BIAS、RMSE和CORR等檢驗指標(biāo)明顯優(yōu)于控制試驗.另外,對比圖9(a)和9(b)可以看出,同化后,PM10的BIAS和CORR指標(biāo)均優(yōu)于PM2.5,雖然模式中PM2.5在PM10中占很大比例,但這種改進(jìn)應(yīng)主要來自于PM2.5～10的貢獻(xiàn).

圖10　南京青奧會期間PM2.5和PM10同化前后初始場平均RMSE時間序列Fig.10 Root-mean-square errors of PM2.5and PM10forecasts as a function of forecast range over initializations from the control and assimilation experiments during NYOG

圖10是逐日預(yù)報的PM2.5和PM10平均RMSE時間序列曲線.可以看出,相對于控制試驗,同化試驗的PM2.5和PM10均有一定改進(jìn),進(jìn)一步地分析還發(fā)現(xiàn),這種改進(jìn)主要來自于平均偏差的降低(圖略),即對模式系統(tǒng)性偏差的改進(jìn);改進(jìn)時效可以持續(xù)到20h以后,但主要是在前8h比較明顯,第9h以后兩者的差別基本在5μg/m3以內(nèi).實際上,空氣質(zhì)量模式除了受初始場影響,還受排放源的影響,而且隨著預(yù)報積分時間的影響,排放源對預(yù)報結(jié)果的影響也越來越大,初始場的影響則越來越小.另外,對比PM2.5和PM10還可以發(fā)現(xiàn),無論同化前后,均是PM10的誤差標(biāo)準(zhǔn)差相對較小,大部分?jǐn)?shù)值在70μg/m3以下, 而PM2.5誤差標(biāo)準(zhǔn)差大多在70μg/m3以上,這說明模式對PM10總體的預(yù)報較好,但由于PM2.5在總量中的比重偏大(圖8),導(dǎo)致PM2.5的預(yù)報誤差偏大.

5 討論

本文研究了針對PM2.5和PM10資料的氣溶膠同化問題,但受模式系統(tǒng)、資料和同化方法等方面的局限,同化效果仍有一些不足.一方面由于模式對于中國區(qū)域氣溶膠的模擬預(yù)報本身存在較大的誤差,導(dǎo)致背景誤差協(xié)方差的估計存在一定的不確定性,從而也影響了同化的效果;另一方面,國內(nèi)氣溶膠監(jiān)測站點的總數(shù)雖然已經(jīng)達(dá)到了1500多個,但分布極不均勻,主要集中在大城市的中心市區(qū),而在中小城市及郊縣的監(jiān)測站點很少,這導(dǎo)致同化分析場難以準(zhǔn)確描述氣溶膠分布情況,雖然對初始場的檢驗效果很好,但對預(yù)報的持續(xù)影響會很快降低.另外,四維變分同化、hybird混合同化也是將來要改進(jìn)的方向.

6 結(jié)論

6.1 PM2.5和PM2.5～10背景誤差協(xié)方差統(tǒng)計結(jié)果表明,PM2.5誤差標(biāo)準(zhǔn)差隨高度的增加而遞減,0.2km以下減小比較慢,0.2km以上減小比較快.而PM2.5～10的誤差標(biāo)準(zhǔn)差在0.2km附近最大,向上到2km減小到接近于0.在水平和垂直方向上,PM2.5均比PM2.5～10相關(guān)系數(shù)衰減慢,說明PM2.5比PM2.5～10傳播地更遠(yuǎn).

6.2 利用南京及周邊區(qū)域監(jiān)測站的PM2.5和PM10數(shù)據(jù),對2014年8月21日的實際過程進(jìn)行同化和預(yù)報試驗,并基于模式D04區(qū)域23個監(jiān)測站點的數(shù)據(jù)進(jìn)行檢驗分析.相對于同化前的模式背景場,同化后的分析場更接近于實況,同化能夠有效降低PM2.5和PM10背景場虛高的問題;同化對PM2.5的改善效應(yīng)可持續(xù)24h,對PM10預(yù)報的改進(jìn)主要來自于PM2.5貢獻(xiàn),PM2.5～10的貢獻(xiàn)只在開始的5h左右.

6.3 對青奧會期間2014年8月16～28日的氣溶膠顆粒物進(jìn)行了滾動同化預(yù)報,并對其中D04區(qū)域PM2.5和PM10進(jìn)行檢驗分析,結(jié)果表明同化后的分析場有顯著改善,相關(guān)系數(shù)、均方根誤差、平均偏差等方面均有明顯改善,特別是平均偏差可以降低1個量級左右.24h預(yù)報的均方根誤差時間序列分析也表明,同化對PM2.5和PM10的改善可以持續(xù)20h以上,且模式對PM10的總體預(yù)報效果要好于PM2.5.

參考文獻(xiàn)：

[1] 楊柳林,曾武濤,張永波,等.珠江三角洲大氣排放源清單與時空分配模型建立 [J]. 中國環(huán)境科學(xué), 2015,35(12):3521-3534.

[2] 趙子菁,魏永杰,張祥志,等.南京市霾天氣與主要氣象條件的相關(guān)分析 [J]. 中國環(huán)境科學(xué), 2015,35(12):3570-3580.

[3] 王 斌,趙 穎.一種新的資料同化方法 [J]. 氣象學(xué)報, 2005, 63(5):694-701.

[4] 王自發(fā),龐成明,朱 江,等.大氣環(huán)境數(shù)值模擬研究新進(jìn)展 [J].大氣科學(xué), 2008,32(4):987-995.

[5] Seinfeld J H, Pandis S N. Atmospheric chemistry and physics : from air pollution to climate change [M]// Atmospheric chemistry and physics: from air pollution to climate change. John Wiley and Sons, 2006:212-214(3).

[6] Zaveri R A, Easter R C, Fast J D, et al. Model for Simulating Aerosol Interactions and Chemistry (MOSAIC) [J]. Journal of Geophysical Research, 2008,113(D13):1395-1400.

[7] Chin M, Rood R B, Lin S, et al. Atmospheric sulfur cycle simulated in the global model GOCART: Model description and global properties [J]. Journal of Geophysical Research Atmospheres, 2000,105(D20):24671–24687.

[8] Pagowski M, Grell G A, Mckeen S A, et al. Three‐dimensional variational data assimilation of ozone and fine particulate matter observations: some results using the Weather Research and Forecasting—Chemistry model and Grid‐point Statistical Interpolation [J]. Quarterly Journal of the Royal Meteorological Society, 2010,136(653):2013-2024.

[9] Tombette M, Mallet V, Sportisse B, et al. PM10data assimilation over Europe with the optimal interpolation method [J]. Atmospheric Chemistry and Physics, 2009,9(1):57-70.

[10] Lee E H, Ha J C, Lee S S, et al. PM10data assimilation over south Korea to Asian dust forecasting model with the optimal interpolation method [J]. Asia-Pacific Journal of Atmospheric Sciences, 2013,49(1):73-85.

[11] Lin C, Wang Z, Zhu J. An ensemble Kalman filter for severe dust storm data assimilation over China [J]. Atmospheric Chemistry and Physics, 2008,8(11):2975-2983.

[12] Li Z, Zang Z, Li Q B, et al. A three-dimensional variational data assimilation system for multiple aerosol species with WRF/Chem and an application to PM2.5prediction [J]. Atmospheric Chemistry & Physics & Discussions, 2013,12(8):4265-4278.

[13] Denby B, Schaap M, Segers A, et al. Comparison of two data assimilation methods for assessing PM10exceedances on the European scale [J]. Atmospheric Environment, 2008,42(30): 7122–7134.

[14] Schwartz C S, Liu Z, Lin H, et al. Assimilating aerosol observations with a “hybrid” variational-ensemble data assimilation system [J]. Journal of Geophysical Research Atmospheres, 2014,119:4043-4069.

[15] Jiang Z, Liu Z, Wang T, et al. Probing into the impact of 3DVAR assimilation of surface PM10observations over China using process analysis [J]. Journal of Geophysical Research: Atmospheres, 2013,118(12):6738-6749.

[16] Grell G A, Peckham S E, Schmitz R, et al. Fully coupled "online" chemistry within the WRF model [J]. Atmospheric Environment, 2005,39(37):6957–6975.

[17] 韓素芹,馮銀廠,邊 海,等.天津大氣污染物日變化特征的WRF-Chem數(shù)值模擬 [J]. 中國環(huán)境科學(xué), 2008,28(9):828-832.

[18] 周廣強,耿福海,許建明,等.上海地區(qū)臭氧數(shù)值預(yù)報 [J]. 中國環(huán)境科學(xué), 2015,36(6):1601-1609.

[19] Ackermann I J, Hass H, Memmesheimer M, et al. Modal aerosol dynamics model for Europe. development and first applications [J]. Atmospheric Environment, 1998,32(17):2981-2999.

[20] Schell B, Ackermann I J, Hass H, et al. Modeling the formation of secondary organic aerosol within a comprehensive air quality model system [J]. Journal of Geophysical Research Atmospheres, 2001,106(D22):28275–28293.

[21] Li Z, Chao Y, Mcwilliams J C, et al. A three-dimensional variational data assimilation scheme for the Regional Ocean Modeling System: Implementation and basic experiments [J].Journal of Geophysical Research Oceans, 2008,113(C5):763-763.

[22] Graham A. Kronecker products and matrix calculus with applications [M]. Ellis Horwood Ltd., Chichester; Halsted Press [John Wiley & Sons, Inc.], New York, 1981.

[23] Gaspari G, Cohn S E. Construction of Correlation Functions in Two and Three Dimensions [J]. Quarterly Journal of the Royal Meteorological Society, 1999,125(554):723–757.

[24] Parrish D F, Derber J C. The National Meteorological Center's spectral statistical-interpolation analysis system [J]. Monthly Weather Review, 1992,120(8):1747-1763.

[25] Fisher M. Background error covariance modeling [C]//Seminar on Recent Development in Data Assimilation for Atmosphere and Ocean. 2003:45-63.

[26] Bannister, R. N. A review of forecast error covariance statistics in atmospheric variational data assimilation. I: Characteristics and measurements of forecast error covariances [J]. Quarterly Journal of the Royal Meteorological Society, 2008,134(637):1951–1970.

[27] 丁國安,陳尊裕,高志球,等.北京城區(qū)低層大氣PM10和PM2.5垂直結(jié)構(gòu)及其動力特征 [J]. 中國科學(xué), 2005,35:31-44.

致謝：感謝NCEP/NCAR提供的氣象再分析資料,感謝PM25. in(www.pm25.in)提供的空氣質(zhì)量數(shù)據(jù).

Data assimilation and application experiments of PM2.5and PM2.5～10during Nanjing Youth Olympic Games.

JIN Lu-bin1, ZANG Zeng-liang1*, PAN Xiao-bin1, WANG Ti-jian2, HAO Zi-long3, JIANG Zi-qiang4(1.Institute of Meteorology and Oceanography, PLA University of Science and Technology, Nanjing 211101, China；2.School of Atmospheric Science, Nanjing University, Nanjing 210093, China；3.No.96631 unit of PLA, Beijing 102208, China；4.International Institute for Earth System Science, Nanjing University, Nanjing 210093, China). China Environmental Science, 2016,36(2)：331～341

Abstract：A 3D-VAR assimilation system was established to assimilate the observations of PM2.5and PM10, and assimilation and forecast experiments were performed during Nanjing Youth Olympic Games (NYOG). The control variables of this assimilation system were PM2.5and PM2.5～10(that was the rest of PM10after taking out PM2.5). The background error covariances of PM2.5and PM2.5～10were estimated by using the simulated products of WRF-Chem of August 2014 in Nanjing. The results showed that the decreases of correlation coefficients of PM2.5with the distance in the horizontal and vertical directions were less than those of PM2.5～10, with the possible reason being that the particle size of PM2.5was smaller, the life cycle of it was longer and it spread further in the atmosphere. In addition, the WRF-Chem model was run with assimilation during NYOG (from August 16thto August 28th, 2014), by using the hourly data of PM2.5and PM10observed from 134 measurement sites around Nanjing. Evaluated with the observations in the innermost of the model area, the experiment results suggested that the aerosol forecasts of the initial fields can be significantly improved by the assimilation. The correlation coefficients of PM2.5and PM10increased by over 53％, the root-mean-square errors of the two reduced by over 55％, and the biases reduced by about 90％. The following aerosol forecasts in positive effect can be obviously improved by the assimilation and the benefit from the assimilation of aerosol can last more than 20hours. The forecast of PM10was better than that of PM2.5by the model.

Key words：WRF/Chem model；aerosol；background error covariance；data assimilation

作者簡介：靳璐濱(1989-),男,河北邯鄲人,解放軍理工大學(xué)碩士研究生,研究方向為氣溶膠資料同化.

基金項目：國家自然科學(xué)基金項目(42175128);江蘇省科技支撐計劃-社會發(fā)展重大研究(BE2012771)

收稿日期：2015-07-28

中圖分類號：X513

文獻(xiàn)標(biāo)識碼：A

文章編號：1000-6923(2016)02-0331-11