氣象資料同化對PM2.5預(yù)報(bào)影響的模擬分析

胡譯文,臧增亮,馬曉燕,梁延飛,趙定池,尤 偉

?

氣象資料同化對PM2.5預(yù)報(bào)影響的模擬分析

胡譯文1,臧增亮2*,馬曉燕1,梁延飛2,4,趙定池3,尤 偉2

(1.南京信息工程大學(xué),氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室/氣候與環(huán)境變化國際合作聯(lián)合實(shí)驗(yàn)室/氣象災(zāi)害預(yù)報(bào)預(yù)警與評估協(xié)同創(chuàng)新中心/中國氣象局氣溶膠與云降水重點(diǎn)開放實(shí)驗(yàn)室,江蘇 南京 210044；2.國防科技大學(xué)氣象海洋學(xué)院,江蘇 南京 211101；3.中國人民解放軍75839部隊(duì),廣東 廣州 510510；4.中國人民解放軍32145部隊(duì),河南 新鄉(xiāng) 453000)

基于GSI(網(wǎng)格點(diǎn)統(tǒng)計(jì)插值)同化系統(tǒng)和WRF-Chem模式,利用高分辨率的氣象自動(dòng)站觀測資料和天氣雷達(dá)資料進(jìn)行同化和模擬預(yù)報(bào),針對2017年11月4~5日發(fā)生在我國京津冀地區(qū)的一次污染過程,對比研究了氣象資料同化對PM2.5模擬效果的影響.結(jié)果表明,WRF-Chem模式能較為準(zhǔn)確地預(yù)報(bào)出北京-石家莊-邯鄲的污染帶分布和演變,低層風(fēng)場輻合是污染帶形成的主要?dú)庀笠蛩?無同化的控制試驗(yàn)由于地層風(fēng)場輻合較強(qiáng),高估了污染帶上的PM2.5濃度,同化試驗(yàn)減小了低層的風(fēng)場輻合,同時(shí)增高了地面溫度并抬升了邊界層高度,從而降低了污染帶上PM2.5的濃度;預(yù)報(bào)檢驗(yàn)分析表明,同化試驗(yàn)的預(yù)報(bào)效果整體好于控制試驗(yàn),0~36h的平均BIAS(標(biāo)準(zhǔn)偏差)和RMSE(均方根誤差)分別降低了7.55和5.42μg/m3,MFB(平均相對偏差)和MFE(平均相對誤差)分別降低了28.8%和9.4%,同化試驗(yàn)在預(yù)報(bào)的第10~30h時(shí)段上的改善效果最為顯著.

資料同化；GSI；PM2.5；WRF-Chem

大氣化學(xué)模式(或空氣質(zhì)量模式)是污染物預(yù)報(bào)預(yù)警的重要工具,對于任何大氣化學(xué)模式而言,準(zhǔn)確的氣象場條件都是污染物預(yù)報(bào)的前提.氣象條件不僅直接決定污染物的擴(kuò)散和傳輸,而且影響污染物化學(xué)反應(yīng)的強(qiáng)度和速率[1-3].很多數(shù)值模擬研究都表明,氣象條件對區(qū)域污染的發(fā)展和消散過程起著重要作用[4-8].

氣象資料同化是改進(jìn)模式初始場的有效手段,目前已廣泛應(yīng)用于氣象要素的預(yù)報(bào).薛諶彬等[9]和Wan等[10]分析了氣象觀測資料同化對氣象預(yù)報(bào)的影響,結(jié)果表明資料同化能有效增加初始場中的中小尺度溫度場、水物質(zhì)含量和風(fēng)場等信息,對初始場場進(jìn)行調(diào)整,對提高強(qiáng)降水的預(yù)報(bào)水平有重要作用. Igri等[11]通過使用三維變分同化改善中尺度模式的初始條件,使降水預(yù)報(bào)提高了15%~25.2%.

氣象資料同化在改進(jìn)氣象要素預(yù)報(bào)的同時(shí),必然也會(huì)對污染物的預(yù)報(bào)有一定影響,特別是局地風(fēng)場資料的同化,可以直接改變污染物的傳輸擴(kuò)散及其濃度分布,而溫度場資料同化可以通過影響邊界層高度改變污染物的濃度分布.但目前大氣化學(xué)模式的業(yè)務(wù)預(yù)報(bào)和科學(xué)研究,通常是直接利用氣象再分析場啟動(dòng)預(yù)報(bào),很少考慮到氣象資料同化的效應(yīng).雖然再分析資料中也同化了一些常規(guī)觀測和衛(wèi)星資料,但一方面目前廣泛采用的NECP和ECMWF等再分析資料是基于全球模式實(shí)施的,其對區(qū)域的中小尺度大氣環(huán)流難以精細(xì)化描述;另一方面,國外的再分析資料沒有同化國內(nèi)的雷達(dá)、衛(wèi)星和地面自動(dòng)站等資料,同化更多的精細(xì)化氣象資料能在一定程度上改進(jìn)區(qū)域氣象的準(zhǔn)確性.本文基于GSI系統(tǒng)同化國內(nèi)的自動(dòng)站和雷達(dá)資料,對2017年11月4日京津冀地區(qū)發(fā)生的一次污染物傳輸、擴(kuò)散過程進(jìn)行預(yù)報(bào),分析氣象資料同化對PM2.5濃度分布和演變的影響,并對模擬結(jié)果進(jìn)行評估.

1 資料與方法

1.1 大氣化學(xué)模式

大氣化學(xué)模式采用區(qū)域大氣動(dòng)力-化學(xué)耦合模式WRF-Chem(V3.7).該模式是由美國國家大氣研究中心(NCAR)、美國國家大氣海洋局(NOAA)等單位共同發(fā)展的“在線”區(qū)域化學(xué)/傳輸模式,包含了詳細(xì)的大氣物理和化學(xué)過程處理方案,其化學(xué)部分和物理部分在線耦合,使用相同的模式網(wǎng)格、大氣動(dòng)力和物理過程方案,氣象場和化學(xué)場信息能在每個(gè)積分時(shí)部上相互反饋[12].在線模式減少了離線模式對隨時(shí)間變化顯著的氣象要素插值帶來的信息丟失,能更詳細(xì)地模擬和預(yù)報(bào)氣象要素和污染物的時(shí)空分布,現(xiàn)已廣泛應(yīng)用于大氣污染的模擬研究[13-15].

模擬區(qū)域設(shè)置為三重嵌套網(wǎng)格(圖1),其網(wǎng)格距分別為45,15和5km,垂直方向分為30層,分辨率在低層較高,隨高度增加而逐漸降低.最內(nèi)層嵌套以(115.64°E,38.854°N)為中心,網(wǎng)格點(diǎn)為130×136,該模擬區(qū)域包括了京津冀及其周邊地區(qū).WRF-Chem模式模擬選擇的物理化學(xué)參數(shù)化方案如表1所示.模式模擬所使用的氣象資料為0.25°×0.25°、6h一次的NCEP全球預(yù)報(bào)系統(tǒng)的再分析資料,由此提供氣象背景場和邊界條件.化學(xué)初始場來自前期的模擬結(jié)果.排放源資料采用清華大學(xué)的MEIC排放源清單(http://www.meicmodel.org/index.html).

表1 物理化學(xué)參數(shù)化方案選擇

1.2 氣象資料同化系統(tǒng)

氣象資料同化采用GSI同化系統(tǒng),該系統(tǒng)是將全球和區(qū)域的變分同化技術(shù)集一體的資料分析系統(tǒng),在氣象資料同化方面被廣泛應(yīng)用[16-17].該系統(tǒng)集成了EnKF、3DVar、hybrid等多種同化方法,并通過引入遞歸濾波方法,建立了格點(diǎn)上的背景誤差協(xié)方差,具有適應(yīng)實(shí)際情況、各項(xiàng)異性且非均一的特征,對中尺度數(shù)據(jù)同化和預(yù)報(bào)尤其重要.與傳統(tǒng)的WRFDA同化模塊相比,GSI系統(tǒng)不僅可以調(diào)整初始場的內(nèi)部信息,也可以同時(shí)更新初始場的底邊界與側(cè)邊界條件0.

GSI同化系統(tǒng)設(shè)計(jì)了不同觀測類型的數(shù)據(jù)接口,目前可同化的常規(guī)觀測資料達(dá)20多種,對于非常規(guī)觀測資料,如衛(wèi)星輻射率、掩星折射率和雷達(dá)徑向風(fēng)、反射率等均進(jìn)行同化.值得注意的是,對雷達(dá)徑向風(fēng)資料的同化,采用三維變分技術(shù),與其它風(fēng)觀測資料一起進(jìn)行變分同化分析;對雷達(dá)反射率資料則采用內(nèi)置于GSI內(nèi)部的復(fù)合云分析技術(shù),通過非絕熱初值化方案進(jìn)行熱力調(diào)整改進(jìn)濕度參量.

1.3 資料介紹

自動(dòng)站資料為國家級地面觀測站逐小時(shí)觀測數(shù)據(jù),主要包括北京、天津、河北和河南等省市的386個(gè)地面自動(dòng)觀測站記錄,其要素包括氣壓、海平面氣壓、10min平均風(fēng)向、10min平均風(fēng)速、溫度、相對濕度、水汽壓等.為更好地同化地面自動(dòng)站觀測資料,對氣壓、風(fēng)向、風(fēng)速、氣溫和相對濕度等要素采用氣候極值檢查、內(nèi)部一致性檢查、時(shí)間一致性檢查和空間一致性檢查,剔除異常的站點(diǎn)觀測資料.

氣象雷達(dá)資料來自我國東部38部CINRAD/SA多普勒天氣雷達(dá)觀測,本文主要使用雷達(dá)反射率因子和徑向風(fēng)數(shù)據(jù).多普勒雷達(dá)探測資料的時(shí)間分辨率為5~6min,空間分辨率為250~1000m,能有效探測中小尺度系統(tǒng)的結(jié)構(gòu).本文對天氣雷達(dá)資料的質(zhì)量控制主要采取剔除孤立點(diǎn)、去除地物雜波、速度退模糊及平滑濾波等方法,并分別將雷達(dá)徑向風(fēng)和反射率轉(zhuǎn)換為GSI所需的BUFR格式后進(jìn)行資料同化.

同化效果的檢驗(yàn)資料為地面的PM2.5檢測數(shù)據(jù),來源于中國環(huán)境監(jiān)測總站(http://www.cnemc.cn/),全國共1500多個(gè)監(jiān)測站點(diǎn).觀測資料每小時(shí)更新1次,包含PM2.5、PM10、SO2、NO2、CO、O3等污染物濃度信息.

圖1 模擬區(qū)域及觀測站點(diǎn)分布

大實(shí)心圓點(diǎn)為雷達(dá)站;小實(shí)心點(diǎn)為氣象觀測自動(dòng)站;空心圓為環(huán)境空氣質(zhì)量監(jiān)測站

1.4 試驗(yàn)設(shè)計(jì)和檢驗(yàn)分析方法

為分析氣象資料同化對污染物的影響效果,針對2017年11月4~5日的一次污染過程,設(shè)計(jì)無同化的控制試驗(yàn)和同化試驗(yàn)進(jìn)行對比(表2).控制試驗(yàn)不同化任何氣象觀測資料,從2017年11月4日00:00起報(bào),向后積分預(yù)報(bào)36h;同化試驗(yàn)中同化自動(dòng)站和雷達(dá)資料,將同化得到的4日00:00分析場作為初始場,向后積分36h.

表2 數(shù)值試驗(yàn)方案

為了量化對PM2.5模擬結(jié)果的準(zhǔn)確性,使用平均偏差(BIAS)、均方根誤差(RMSE)、平均相對偏差(MFB)和平均相對誤差(MFE),具體計(jì)算公式如下:

2 結(jié)果與分析

2.1 污染過程分析

圖2 2017年11月4日~5日地面PM2.5質(zhì)量濃度(μg/m3)和地面風(fēng)場(m/s)

2017年11月4~5日京津冀地區(qū)經(jīng)歷了一次PM2.5污染加重的過程.圖2是2017年11月4~5日地面實(shí)況PM2.5質(zhì)量濃度和自動(dòng)站風(fēng)場分布.由圖可見,在4日00:00[圖2(a)],天津和唐山附近分別存在著PM2.5的高值中心,濃度值在100μg/m3以上.到了4日12:00[圖2(b)],隨著地面的降溫,邊界層高度降低,大氣層結(jié)轉(zhuǎn)變?yōu)榉€(wěn)定層結(jié),不利于污染擴(kuò)散,此時(shí)北京-石家莊-邯鄲一線形成一個(gè)PM2.5的高值帶.另外,在忻州和太原還各存在一個(gè)相對孤立的大值區(qū),污染中心的PM2.5濃度達(dá)160μg/m3以上.同時(shí),在污染帶的南側(cè),有較強(qiáng)的偏南風(fēng),將山東、河南等地的污染污染物向北輸送,而在污染帶的北側(cè),為弱的偏西氣流,即污染帶為一氣流輻合區(qū),導(dǎo)致污染加重.到了5日12:00[圖2(d)],污染帶的濃度大多在150μg/m3以上,并且與太原和忻州的污染區(qū)連為一體.

2.2 控制試驗(yàn)的污染過程模擬分析

圖3為2017年11月4日~5日控制試驗(yàn)?zāi)M的PM2.5濃度值及地面風(fēng)場.對比實(shí)況觀測(圖2),控制試驗(yàn)?zāi)茌^好地模擬出PM2.5和地面風(fēng)速的分布:4日00:00模擬的PM2.5濃度與實(shí)測的小時(shí)濃度值基本相同,在天津-石家莊-邯鄲一線存在一個(gè)污染帶,PM2.5濃度值大多在75μg/m3以上,唐山、太原還各存在一個(gè)相對孤立的高值中心,在污染帶的南側(cè)有較強(qiáng)的偏南風(fēng),北側(cè)為弱的偏西氣流,與觀測結(jié)果基本一致,但風(fēng)速略大;4日12:00,北京-石家莊-邯鄲一線形成污染帶污染加重,且污染范圍逐步擴(kuò)大,對比圖2(b),模式高估了唐山、天津以及污染中心的PM2.5濃度,對張家口、承德等地則有一定的低估,5日12:00,北京-石家莊-邯鄲一線的污染帶與太原、忻州的污染高值中心連為一體,但與觀測結(jié)果相比,高估了北京和唐山這2個(gè)污染大值區(qū)的PM2.5濃度,但對石家莊、邯鄲和太原附近的PM2.5濃度有所低估.

圖3 控制試驗(yàn)?zāi)M2017年11月4~5日地面PM2.5質(zhì)量濃度((μg/m3)和地面風(fēng)場(m/s)

(a)4日00:00 (b) 4日12:00 (c)5日00:00 (d)5日12:00

2.3 同化效果分析

由圖4(a)可見,通過資料同化調(diào)整了地面風(fēng)場,在山東北部為輻合差值場,而北京附近是輻散差值場,由于同化的資料為氣象場數(shù)據(jù),因此在初始時(shí)刻PM2.5濃度沒有變化.從圖4(b)、(c)和(d)可以看出,隨著預(yù)報(bào)積分的延長,同化試驗(yàn)和控制試驗(yàn)的PM2.5也存在顯著差異:4日12:00和5日00:00的模擬結(jié)果顯示,與控制試驗(yàn)相比,同化試驗(yàn)在北京-石家莊-邯鄲污染帶上的PM2.5濃度有所降低,而在忻州、承德這2個(gè)區(qū)域的PM2.5濃度有所升高,與觀測的PM2.5分布更為一致;5日12:00,石家莊和邯鄲的PM2.5濃度升高,而北京的PM2.5濃度降低,更趨于實(shí)際觀測結(jié)果.

圖4 同化試驗(yàn)與控制試驗(yàn)2017年11月4~5日地面PM2.5質(zhì)量濃度(μg/m3)和地面風(fēng)場(m/s)模擬結(jié)果的差

(a)4日00:00 (b) 4日12:00 (c)5日00:00 (d)5日12:00

由圖5可見,控制試驗(yàn)在山東大部分地區(qū)為輻散場(正值區(qū)),在北京-石家莊-邯鄲一線的污染帶上為輻合場(負(fù)值區(qū));同化試驗(yàn)的分布與控制試驗(yàn)大致相同,但污染帶上的輻合場范圍和強(qiáng)度減小;同化試驗(yàn)與控制試驗(yàn)的差值場在污染帶上表現(xiàn)為輻散場,在山東東部附近顯示為輻合場.這表明通過資料同化對風(fēng)場的調(diào)整,有利于降低污染帶上的PM2.5濃度,并提高山東東部PM2.5的濃度.

圖5 初始時(shí)刻地面風(fēng)的散度場

(a)控制試驗(yàn)(b)同化試驗(yàn)(c)增量場

圖6 圖5中直線上的散度場的垂直剖面

(a)控制試驗(yàn)(b)同化試驗(yàn)(c)增量場

圖6與圖5類似,為圖5(a)中黑色直線污染帶上的散度場的垂直剖面圖.由圖可見,在控制試驗(yàn)中污染帶上的散度場基本呈現(xiàn)低層輻合(正值)、高層輻散(負(fù)值)的配置,這樣的高低空配置有利于污染物的堆積,使污染加重;而同化試驗(yàn)中低層的輻合和高層的輻散都有所減弱;兩者的差值場表現(xiàn)為低層為輻散、高層輻合,即同化結(jié)果有利于地面污染帶上氣溶膠的擴(kuò)散,降低地面PM2.5濃度,使同化結(jié)果更接近于觀測.

由圖7可見,地面溫度的模擬表現(xiàn)為白天高、夜間低的日變化特征,同化試驗(yàn)相對于控制試驗(yàn)的地面溫度明顯偏高,這主要是來自于同化自動(dòng)站溫度數(shù)據(jù)的貢獻(xiàn),并且一直持續(xù)到36h以后;同化試驗(yàn)地面溫度的偏高,造成邊界層高度抬升,從而降低了污染帶上PM2.5的濃度.值得注意的是,同化試驗(yàn)和控制試驗(yàn)的差異在預(yù)報(bào)的第10h以后最為顯著,這可能是由于控制試驗(yàn)中夜間溫度迅速降低,在近地面形成靜穩(wěn)邊界層,而同化試驗(yàn)中地表溫度偏高,形成的靜穩(wěn)邊界層高度偏高,或形成的時(shí)間滯后.

2.4 同化預(yù)報(bào)效果對比分析

圖8 2017年11月4日~5日控制和同化試驗(yàn)36h預(yù)報(bào)結(jié)果統(tǒng)計(jì)

圖8為模式最內(nèi)層(d03)區(qū)域175個(gè)監(jiān)測站PM2.5平均的BIAS、RMSE、MFB和MFE統(tǒng)計(jì)結(jié)果與模擬時(shí)間序列曲線.總體來看,同化試驗(yàn)明顯好于控制試驗(yàn):平均BIAS由22.38μg/m3減小至14.83μg/m3,降低了34%[圖8(a)],由于BIAS均為正值,說明模擬的濃度偏大,同化試驗(yàn)有效降低了平均的濃度;平均RMSE由37.87μg/m3減小至32.45μg/m3,降低了14%[圖8(b)];MFB和MFE則分別由0.085、0.105降低到0.061、0.095,平均降低了28.8%和9.4%[圖8(c)和(d)].值得注意的是,這幾個(gè)檢驗(yàn)指標(biāo)的同化和控制試驗(yàn)在第10h左右的差異明顯偏大,這主要是由于夜間邊界層高度降低,PM2.5濃度升高所致;當(dāng)邊界層高度降低后,PM2.5的濃度對邊界層高度的敏感性增大,因此控制試驗(yàn)和同化試驗(yàn)的差異也增大,同化試驗(yàn)的預(yù)報(bào)效果在整個(gè)夜間至第二天上午(10~30h)的改進(jìn)效果均比較明顯;其后,隨著邊界層高度的抬高,以及兩個(gè)試驗(yàn)溫度差異的減小,對PM2.5預(yù)報(bào)的效果趨于一致.

表3為北京、天津、石家莊和邯鄲站點(diǎn)36h預(yù)報(bào)的檢驗(yàn)結(jié)果,可以看出控制試驗(yàn)PM2.5的濃度均顯著偏高,同化試驗(yàn)有效降低了對4個(gè)站點(diǎn)的平均濃度,4個(gè)站點(diǎn)的BIAS分別下降12.47,10.22,21.15和8.18μg/m3;RMSE分別下降7.64,5.56,11.74和4.59μg/m3.同化試驗(yàn)對石家莊站點(diǎn)的預(yù)報(bào)結(jié)果改善最為顯著,由圖7可知,同化試驗(yàn)和控制試驗(yàn)邊界層高度在石家莊的差異最為顯著,這說明邊界層高度是影響模擬效果的關(guān)鍵因子.

表3 主要站點(diǎn)同化和控制試驗(yàn)PM2.5的模擬結(jié)果對比

3 結(jié)論

3.1 WRF-Chem模式對本次污染傳輸過程有較好的模擬能力,能比較準(zhǔn)確地預(yù)報(bào)出北京-石家莊-邯鄲污染帶的分布特征和演變規(guī)律,污染帶的低層為輻合場,高層為輻散場,有利于PM2.5的堆積;

3.2 控制試驗(yàn)的模擬高估了污染帶上的PM2.5濃度;同化試驗(yàn)與控制試驗(yàn)的風(fēng)場差異在污染帶上表現(xiàn)為輻散場,且同化試驗(yàn)中地面溫度偏高,導(dǎo)致污染帶附近邊界層高度升高,有利于污染帶上PM2.5濃度的降低,與觀測結(jié)果更為一致;

3.3 氣象初始場同化對PM2.5的后續(xù)預(yù)報(bào)有持續(xù)的改進(jìn),相對于控制試驗(yàn),同化試驗(yàn)0~36h預(yù)報(bào)的BIAS和RMSE平均降低了7.55和5.42μg/m3,MFB和MFE則分別降低了28.8%和9.4%,同化試驗(yàn)對石家莊站點(diǎn)的預(yù)報(bào)結(jié)果改善最為顯著,其BIAS和RMSE分別降低21.15和11.74μg/m3,溫度及邊界層高度的差異是對PM2.5持續(xù)改進(jìn)的主要因素.

[1] Wang X M, Wu Z Y, Liang G X. WRF/CHEM modeling of impacts of weather conditions modified by urban expansion on secondary organic aerosol formation over Pearl River Delta [J]. Particuology, 2009,7(5): 384-391.

[2] 孫家仁,許振成,劉 煜,等.氣候變化對環(huán)境空氣質(zhì)量影響的研究進(jìn)展[J]. 氣候與環(huán)境研究, 2011,16(6):805-814. Sun J R, Xu Z C, Liu Y, et al. Advances in the Effect of Climate Change on Air Quality [J]. Climatic and Environmental Research, 2011,16(6):805-814.

[3] 龐 楊,韓志偉,朱 彬,等.利用WRF-Chem模擬研究京津冀地區(qū)夏季大氣污染物的分布和演變[J]. 大氣科學(xué)學(xué)報(bào), 2013,36(6):674- 682. Pang Y, Han Z W, Zhu B, et al. 2013. A model study on distribution and evolution of atmospheric pollutants over Beijing-Tianjin-Hebei region in summertime with WRF-Chem [J]. Trans Atmos Sci, 36(6): 674-682.

[4] 劉 琳,王玲玲,白永清,等.應(yīng)用WRF/Chem模擬河南冬季大氣顆粒物的區(qū)域輸送特征[J]. 環(huán)境科學(xué)學(xué)報(bào), 2017,37(5):1843-1854. Liu L, Wang L L, Bai Y Q, et al. Simulation for impacts of regional trasport on winter particulate matter levels over Henan based on WRF/ Chem model [J]. Acta Scientiae Circumstantiae, 2017,37(5):1843- 1854.

[5] 蔣伊蓉,朱 蓉,朱克云,等.京津冀地區(qū)重污染天氣過程的污染氣象條件數(shù)值模擬研究[J]. 環(huán)境科學(xué)學(xué)報(bào), 2015,35(9):2681-2692. Jiang Y R, Zhu R, Zhu K Y, et al. Numerical simulation on the air pollution potential in the severe air pollution episodes in Beijing- Tianjin-Hebei Region [J]. Acta Scientiae Circumstantiace, 2015,35(9): 2681-2692.

[6] 張 艷,余 琦,伏晴艷,等.長江三角洲區(qū)域輸送對上海市空氣質(zhì)量影響的特征分析[J]. 中國環(huán)境科學(xué), 2010,30(7):914-923. Zhang Y, Yu Q, Fu Q Y, et al. Impact of the transport of atmospheric pollutants from the Yangtze River Delta on the air quality in Shanghai [J]. China Environmental Science, 2010,30(7):914-923.

[7] 李 鋒,朱 彬,安俊嶺,等.2013年12月初長江三角洲及周邊地區(qū)重霾污染的數(shù)值模擬[J]. 中國環(huán)境科學(xué), 2015,37(7):1965-1974. Li F, Zhu B, An J L, et al. Modeling study of a severe haze episode occurred over the Yangtze River Delta and its surrounding regions during early December, 2013. [J]. China Environmental Science, 2015,35(7):1965-1974.

[8] 麥健華,鄧 濤,黃燁琪,等.中山市一次灰霾天氣過程污染物來源數(shù)值模擬分析[J]. 中國環(huán)境科學(xué), 2017,37(9):3258-3267. Mai J H, Deng T, Huang Y Q, et al. Source analysis of a haze event in Zhongshan by numerical simulation [J]. China Environmental Science, 2017,37(9):3258-3267.

[9] 薛諶彬,陳 嫻,吳 俞,等.雷達(dá)資料同化在局地強(qiáng)對流預(yù)報(bào)中的應(yīng)用[J]. 大氣科學(xué), 2017,41(4):673-690. Xue C B, Chen X, Wu Y, et al. Application of radar data assimilation in local severe convective weather forecast [J]. Chinese Journal of Atmospheric Sciences, 2017,41(4):673-690.

[10] Wan Q L, Xu J J. A numerical study of the rainstorm characteristics of the June 2005 flash flood with WRF/GSI data assimilation system over south-east China [J]. Hydrological Processes, 2011,25(8):1327-1341.

[11] Igri P M, Tanessong R S, Vondou D A, et al. Added-Value of 3D VAR Data assimilation in the simulation of heavy rainfall events over west and Central Africa [J]. Pure & Applied Geophysics, 2015, 172(10): 2751-2776.

[12] 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.

[13] Zhang Y, Liao H, Zhu K F, et al. Role of black carbon-induced changes in snow albedo in predictions of temperature and precipitation during a snowstorm [J]. Atmospheric & Oceanic Science Letters, 2009, 2(4):230-236.

[14] Forkel R, Balzarini A, Baró R, et al. Analysis of the WRF-Chem contributions to AQMEII phase2 with respect to aerosol radiative feedbacks on meteorology and pollutant distributions [J]. Atmospheric Environment, 2015,115:630-645.

[15] 靳璐濱,臧增亮,潘曉濱,等. PM2.5和PM2.5~10資料同化及在南京青奧會(huì)期間的應(yīng)用試驗(yàn)[J]. 中國環(huán)境科學(xué), 2016,36(2):331-341. Jin L B, Zang Z L, Pan X B, et al. Data assimilation and application experiments of PM2.5and PM2.5~10during Nanjing Youth Olympic Games [J]. China Environmental Science, 2016,36(2):331-341.

[16] Purser R J, Wu W S, Parrish D F, et al. Numerical aspects of the application of recursive filters to variational statistical analysis. Part II: Spatially Inhomogeneous and Anisotropic General Covariances [J]. Monthly Weather Review, 2003,131(8):211-4.

[17] 鄒曉蕾,秦正坤,翁富忠.晨昏軌道微波溫度計(jì)資料同化對降水定量預(yù)報(bào)的影響及其對三軌衛(wèi)星系統(tǒng)的意義[J]. 大氣科學(xué), 2016, 40(1):46?62. Zou X L, Qin Z K, Wen F Z. Impact of Dawn-Dusk Satellite AMSU- A Data on quantitative precipitation forecasts and the implications for three-orbit constellation [J]. Chinese Journal of Atmospheric Sciences, 2016,40(1):46?62.

[18] 沈菲菲,閔錦忠,許冬梅,等.Hybrid ETKF-3DVAR方法同化多普勒雷達(dá)速度觀測資料Ⅰ:模擬資料試驗(yàn)[J]. 大氣科學(xué)學(xué)報(bào), 2016,39(1): 81-89. Shen F F, Min J Z, Xu D M, et al. Assimilation of Doppler radar velocity observations with hybrid ETKF-3DVAR method part I: Experiments with simulated data [J]. Trans. Atmos. Sci., 2016,39(1): 81-89.

[19] Boylan J W, Russell A G. PM and light extinction model performance metrics, goals, and criteria for three-dimensional air quality models [J]. Atmospheric Environment, 2006,40(26):4946-4959.

致謝：感謝感謝中國氣象數(shù)據(jù)網(wǎng)提供氣象觀測資料和全國城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái)提供的PM2.5資料.

Research on the effects of assimilation meteorological observation data on aerosol concentration.

HU Yi-wen1, ZANG Zeng-liang2*, MA Xiao-Yan1, LIANG Yan-fei2,4, ZHAO Ding-chi3, YOU Wei2

(1.Key Laboratory of Meteorological Disaster, Ministry of Education (KLME)/Joint International Research Laboratory of Climate and Environment Change (ILCEC)/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters (CIC-FEMD)/Key Laboratory for Aerosol-Cloud- Precipitation of China Meteorological Administration, Nanjing University of Information Science & Technology, Nanjing 210044, China；2.Institute of Meteorology and Oceanography, National University of Defense Technology, Nanjing 211101, China；3.No.75839 Unit of PLA, Guangzhou 510510, China；4.No.32145 Unit of PLA, Xinxiang 453000, China)., 2019,39(2)：523~532

Influence of meteorological data assimilation on aerosol simulation during an air pollution event occurred in 4~5 November 2017 overBeijing-Tianjin-Hebei was investigated, using the Weather Research and Forecasting Model with Chemistry (WRF-Chem) coupled with the Gridpoint Statistical Interpolation (GSI) data assimilation system.Two pairs of experiments were carried out to compare the differences in PM2.5with and without assimilating high-resolution meteorological observation data and radar data. It was shown that the WRF-Chem model can successfully simulate the spatial pattern and its evolution in the pollution zone of Beijing-Shijiazhuang-Handan. The convergence of low-level wind was an important factor for the pollution zone. But, the experiment without the assimilation overestimated the convergence and thus leaded to an overestimate of the PM2.5concentration. There was an obvious decrease of PM2.5concentration in the assimilation experiment since the convergence of low-level wind decreases, and the planetary boundary layer height (PBLH) increases resulted from the increases of the ground temperature by assimilation of meteorological data.Compared with the experiment without assimilation, the mean bias reduced by up to 7.55μg/m3, the root-mean-square errors reduced by up to 5.42μg/m3, the mean fractional bias reduced by over 28.8%, and the mean fractional error reduced by about 9.4% for the average of 0~36h forecasts in the experiment with assimilation. The positive impact in the assimilation experiment was very significant during the 10~30h forecasts.

data assimilation；GSI；PM2.5；WRF-Chem

X513

A

1000-6923(2019)02-0523-10

胡譯文(1995-),女,遼寧鐵嶺人,南京信息工程大學(xué)大氣物理學(xué)院碩士研究生,主要從事氣溶膠環(huán)境影響研究.發(fā)表論文1篇.

2018-07-02

國家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2017FYC0209803);國家自然科學(xué)基金資助項(xiàng)目(41775123, 41675004,41475005)

* 責(zé)任作者, 副教授, zzlqxxy@163.com