地面PM2.5和氣溶膠激光雷達(dá)聯(lián)合變分同化對(duì)天津冬季一次重污染過(guò)程數(shù)值模擬改進(jìn)研究

楊 旭,樊文雁,蔡子穎*,朱玉強(qiáng),唐穎瀟,董琪如

地面PM2.5和氣溶膠激光雷達(dá)聯(lián)合變分同化對(duì)天津冬季一次重污染過(guò)程數(shù)值模擬改進(jìn)研究

楊 旭1,2,樊文雁1,2,蔡子穎1,2*,朱玉強(qiáng)1,2,唐穎瀟1,2,董琪如3

(1.天津市環(huán)境氣象中心,天津 300074；2.中國(guó)氣象局-南開(kāi)大學(xué)大氣環(huán)境與健康研究聯(lián)合實(shí)驗(yàn)室,天津 300074；3.天津市氣象科學(xué)研究所,天津 300074)

針對(duì)輸送型重污染過(guò)程,大氣化學(xué)模式垂直模擬偏差較大,地面觀測(cè)同化對(duì)污染垂直初始場(chǎng)改進(jìn)不明顯,高空輸送模擬偏低的問(wèn)題,以2023年1月5～6日天津地區(qū)一次重污染過(guò)程為例,通過(guò)PM2.5地面觀測(cè)和氣溶膠激光雷達(dá)垂直觀測(cè)聯(lián)合應(yīng)用,發(fā)展相應(yīng)的氣溶膠變分同化技術(shù),改進(jìn)大氣化學(xué)模式污染垂直模擬效果,服務(wù)重污染天氣預(yù)報(bào)預(yù)警和成因解析.研究表明:此次重污染過(guò)程由于大氣化學(xué)模式垂直模擬能力不足,導(dǎo)致S1發(fā)展階段地面PM2.5增長(zhǎng)速率和S2維持階段的峰值濃度明顯低估,垂直分布上污染層高度模擬偏低200～300m,白天輸送階段高空PM2.5濃度高于地面、夜間穩(wěn)定邊界層以上污染高值特征均未能有效反映;通過(guò)同化地面PM2.5觀測(cè)有效實(shí)現(xiàn)PM2.5空間分布模擬優(yōu)化,過(guò)程期間上游城市石家莊和衡水的模擬誤差分別下降35.3μg/m3和77.3μg/m3,天津地面PM2.5質(zhì)量濃度模擬誤差下降39.7μg/m3,但地面同化對(duì)垂直分布模擬改進(jìn)有限,尤其是對(duì)于輸送型污染過(guò)程中PM2.5垂直分布的復(fù)雜變化,基本無(wú)法準(zhǔn)確反映;通過(guò)增加氣溶膠激光雷達(dá)PM2.5垂直觀測(cè)同化,模式PM2.5垂直模擬效果進(jìn)一步提升,450m左右均方根誤差減小幅度最大,約19.8μg/m3.在同化時(shí)刻及臨近2～3h正效果明顯,后續(xù)時(shí)效中S2階段表現(xiàn)更優(yōu),夜間穩(wěn)定邊界層以上污染高值得到有效模擬,污染層高度模擬差異減小至50～100m,低于未同化CTRL試驗(yàn)(200～300m)和地面同化DA_SFC試驗(yàn)(100～200m);S1階段隨著時(shí)效延長(zhǎng)垂直模擬偏差明顯增加,但同化的正作用依舊存在,污染層高度模擬誤差比DA_SFC試驗(yàn)降低幅度不低于50m.

氣溶膠同化；三維變分；激光雷達(dá)；數(shù)值模擬

大氣化學(xué)模式是開(kāi)展大氣污染機(jī)理研究和預(yù)報(bào)分析的重要工具[1-3].通過(guò)氣溶膠同化融入觀測(cè)信息提供時(shí)空準(zhǔn)確性更高的污染物初始場(chǎng),能夠有效提升大氣化學(xué)模式的模擬效果,氣溶膠同化常用的方法包括最優(yōu)插值法[4-5]、集合卡爾曼濾波方法[6-8]、三維變分同化[9-12]等.近年來(lái)依托生態(tài)環(huán)境部空氣質(zhì)量觀測(cè)網(wǎng)業(yè)務(wù)運(yùn)行和數(shù)據(jù)共享,使得地面PM2.5觀測(cè)數(shù)據(jù)實(shí)時(shí)業(yè)務(wù)獲取成為可能,基于地面PM2.5觀測(cè)研發(fā)的氣溶膠同化模塊,已經(jīng)成為高水平空氣質(zhì)量預(yù)報(bào)業(yè)務(wù)模式的標(biāo)準(zhǔn)環(huán)節(jié),如CMA-CUACE和CMA-BJ,都配備相應(yīng)的氣溶膠同化模塊,實(shí)現(xiàn)了地面觀測(cè)的同化.天津環(huán)境模式2020年啟動(dòng)相應(yīng)技術(shù)研發(fā),2022年正式實(shí)現(xiàn)業(yè)務(wù)模式地面PM2.5觀測(cè)資料同化,通過(guò)該技術(shù),模式預(yù)報(bào)相對(duì)誤差由30.62%下降至21.91%[13].

相比地面觀測(cè)氣溶膠同化技術(shù)的成熟和廣泛應(yīng)用,應(yīng)用同化技術(shù)改進(jìn)大氣化學(xué)模式垂直初始場(chǎng)一直處于研究階段,垂直觀測(cè)資料缺乏和質(zhì)量控制難成為制約其發(fā)展的重要問(wèn)題.Zang等[14]利用飛機(jī)觀測(cè)進(jìn)行了氣溶膠同化預(yù)報(bào)試驗(yàn),從同化效果分析可以有效改進(jìn)15h預(yù)報(bào),證明了氣溶膠垂直觀測(cè)同化對(duì)模式的提升作用,但飛機(jī)觀測(cè)難度相對(duì)較大,耗費(fèi)代價(jià)高,不易獲取連續(xù)觀測(cè),廣泛應(yīng)用存在一定難度.氣溶膠激光雷達(dá)通過(guò)分析回波信號(hào)獲取不同高度氣溶膠后向散射系數(shù)和消光系數(shù),可以對(duì)氣溶膠垂直分布和時(shí)空演變特征進(jìn)行高時(shí)空分辨率的實(shí)時(shí)觀測(cè)[15],在垂直觀測(cè)同化中具有良好的應(yīng)用價(jià)值.在日本[16]、歐洲[17-18]等地區(qū)的研究表明通過(guò)氣溶膠激光雷達(dá)同化能夠有效改善模式分析場(chǎng)的氣溶膠垂直分布,對(duì)沙塵過(guò)程預(yù)報(bào)以及PM2.5、PM10濃度預(yù)報(bào)均有明顯提高.目前國(guó)內(nèi)關(guān)于氣溶膠激光雷達(dá)同化研究也逐步開(kāi)展,如鄭海濤[19]在地面觀測(cè)同化基礎(chǔ)上,利用激光雷達(dá)氣溶膠消光系數(shù)廓線,訂正模式初值場(chǎng)不同垂直層的PM2.5濃度,進(jìn)一步提升了NAQPMS模式PM2.5預(yù)報(bào);Xiang等[20]采用格點(diǎn)統(tǒng)計(jì)插值(GSI)同化系統(tǒng),基于PM2.5質(zhì)量濃度與氣溶膠消光系數(shù)的經(jīng)驗(yàn)關(guān)系實(shí)現(xiàn)地面和激光雷達(dá)PM2.5觀測(cè)同化,結(jié)合WRF-Chem模式定量分析華北地區(qū)PM2.5濃度的三維分布和演變特征; Cheng等[21]和Liang等[22]利用CTRM輻射傳輸模型、IMPROVE方程,基于三維變分方法對(duì)氣溶膠激光雷達(dá)消光系數(shù)進(jìn)行同化,模式對(duì)地面到高空的PM2.5濃度預(yù)報(bào)均有所改進(jìn).

天津位于京津冀城市群,秋冬季重污染天氣時(shí)有發(fā)生,且在其形成演變中容易受到區(qū)域污染物輸送影響[23-24].研究表明部分重污染過(guò)程發(fā)展階段和維持階段區(qū)域輸送貢獻(xiàn)可達(dá)到70%以上,且輸送高度往往不在地面,邊界層頂向下200～300m易出現(xiàn)持續(xù)的輸送高值區(qū)[25],在此類(lèi)天氣中,大氣化學(xué)化學(xué)模式由于無(wú)法準(zhǔn)確把握高空輸送,PM2.5的垂直模擬顯著偏低,污染層的高度也出現(xiàn)大幅度偏差,導(dǎo)致重污染天氣數(shù)值模擬與實(shí)況變化趨勢(shì)不符,預(yù)報(bào)員無(wú)法通過(guò)數(shù)值模式有效預(yù)判污染變化.本文針對(duì)輸送型重污染過(guò)程模擬能力不足,以天津地區(qū)2023年1月5～6日過(guò)程為例,發(fā)展相應(yīng)的氣溶膠變分同化技術(shù),通過(guò)地面觀測(cè)和氣溶膠激光雷達(dá)垂直觀測(cè)的聯(lián)合同化,改進(jìn)大氣化學(xué)模式污染垂直模擬效果,服務(wù)重污染天氣預(yù)報(bào)預(yù)警和成因解析.

1 資料與方法

1.1 天津環(huán)境模式設(shè)置

天津環(huán)境模式以WRF-Chem為核心構(gòu)建,該模式是美國(guó)國(guó)家大氣研究中心(NCAR)、美國(guó)國(guó)家海洋和大氣管理局(NOAA)等研究機(jī)構(gòu)及一些大學(xué)共同參與研發(fā)的新一代中尺度模式系統(tǒng),考慮了大氣污染的化學(xué)過(guò)程、平流輸送、湍流擴(kuò)散、干濕沉降過(guò)程,在全球空氣質(zhì)量預(yù)報(bào)和模擬中有廣泛的運(yùn)用.本文采用WRF-Chem 3.8版本,在天津地區(qū)以外人為排放源清單使用清華大學(xué)MEIC2020[26],分辨率0.25°×0.25°,天津地區(qū)使用源譜調(diào)查排放源清單數(shù)據(jù),其分辨率為1km,通過(guò)源同化技術(shù)對(duì)排放源進(jìn)行優(yōu)化,以降低排放清單相比實(shí)際排放源變化的滯后.化學(xué)過(guò)程采用CBMZ方案,氣溶膠過(guò)程采用MOSAIC 4bins方案,長(zhǎng)波輻射方案和短波輻射方案均采用RRTMG,邊界層方案使用YSU方案.采用單層網(wǎng)格設(shè)置,水平分辨率為15km,水平網(wǎng)格數(shù)為121個(gè)×121個(gè),中心經(jīng)緯度為116.2E°、38.6N°,垂直方向分為41層.

1.2 氣溶膠三維變分同化方法

三維變分方法是資料同化的常用方法之一,其基本原理是將一個(gè)物理學(xué)問(wèn)題或者其他學(xué)科問(wèn)題轉(zhuǎn)化為求解泛函極值的問(wèn)題.其目標(biāo)泛函如下所示:

式中:為分析場(chǎng);x為背景場(chǎng);是與背景場(chǎng)x對(duì)應(yīng)的誤差協(xié)方差,稱(chēng)為背景誤差協(xié)方差;為觀測(cè)場(chǎng);是與觀測(cè)場(chǎng)對(duì)應(yīng)的誤差協(xié)方差,稱(chēng)為觀測(cè)誤差協(xié)方差;是將狀態(tài)變量從分析場(chǎng)映射到觀測(cè)場(chǎng)的觀測(cè)算子.

本文使用的氣溶膠方案是MOSAIC 4bins方案,方案中包含EC、OC、NO3-、SO42-、Cl-、NH4+、Na+和其他無(wú)機(jī)成分等8種氣溶膠,并將氣溶膠分為4個(gè)粒徑段(0.039～0.1, 0.1～1.0, 1.0～2.5, 2.5～10μm).計(jì)算中將Cl-、NH4+、Na+和其他無(wú)機(jī)成分歸為一類(lèi),記為OTR,即將氣溶膠分為5類(lèi)(EC、OC、NO3-、SO42-、OTR).同化運(yùn)算將5種氣溶膠組分所有粒徑段(PM2.5為0.039～0.25μm)總質(zhì)量濃度作為控制變量.因此,目標(biāo)泛函式中背景場(chǎng)x為WRF/Chem模式輸出的5種氣溶膠組分濃度的預(yù)報(bào)場(chǎng)或者背景場(chǎng),觀測(cè)場(chǎng)為實(shí)際觀測(cè)的氣溶膠(PM2.5質(zhì)量濃度),觀測(cè)算子將模式輸出的格點(diǎn)類(lèi)型的不同粒徑段的氣溶膠組分質(zhì)量濃度進(jìn)行求和并插值到觀測(cè)站點(diǎn)和對(duì)應(yīng)高度.通過(guò)求解()的最小值所對(duì)應(yīng)的最優(yōu)解,該最優(yōu)解即為經(jīng)過(guò)同化后的最優(yōu)分析場(chǎng),并將作為改進(jìn)后的化學(xué)初始場(chǎng),用于數(shù)值模式的下一次運(yùn)算.具體技術(shù)方法參考相關(guān)研究[27-28].

1.3 PM2.5地面和垂直觀測(cè)

氣溶膠同化地面PM2.5質(zhì)量濃度觀測(cè)資料來(lái)自氣象部門(mén)和生態(tài)環(huán)境部門(mén)共享逐小時(shí)空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù),包括800多個(gè)站點(diǎn),其中天津地區(qū)21個(gè).垂直同化資料來(lái)源于天津氣象部門(mén)布設(shè)在天津城區(qū)邊界層觀測(cè)站(117.13°E, 39.05°N)的氣溶膠激光雷達(dá),由北京怡孚和融科技有限公司生產(chǎn),波長(zhǎng)532nm,垂直觀測(cè)范圍30km,分辨率15m.觀測(cè)點(diǎn)附近東側(cè)為高架橋,其他方向?yàn)檗k公樓和居民樓(高度約20m),激光雷達(dá)理論觀測(cè)盲區(qū)為75m,從實(shí)際觀測(cè)數(shù)據(jù)分析,120m高度PM2.5觀測(cè)與激光雷達(dá)有較好一致性,其高度已超出雷達(dá)探測(cè)盲區(qū),因此在研究中使用該高度以上數(shù)據(jù).通過(guò)激光雷達(dá)氣溶膠消光系數(shù)采用經(jīng)驗(yàn)公式法[29-30]計(jì)算得到垂直P(pán)M2.5質(zhì)量濃度,對(duì)比天津氣象鐵塔120m PM2.5觀測(cè)(震蕩天平法TEOM 1405觀測(cè))對(duì)其進(jìn)一步質(zhì)量控制,圖1給出氣溶膠激光雷達(dá)觀測(cè)PM2.5質(zhì)量濃度與氣象塔120m觀測(cè)PM2.5質(zhì)量濃度對(duì)比,兩者之間的相關(guān)系數(shù)達(dá)到0.87.-

圖1 氣溶膠激光雷達(dá)與氣象鐵塔120m高度PM2.5質(zhì)量濃度觀測(cè)對(duì)比

2 結(jié)果與討論

2.1 重污染過(guò)程變化趨勢(shì)及PM2.5垂直分布

2023年1月5～6日天津地區(qū)出現(xiàn)一次重污染過(guò)程,重度-嚴(yán)重污染持續(xù)25h,PM2.5峰值濃度達(dá)到320μg/m3(圖2).此次重污染過(guò)程主要影響我國(guó)黃淮和華北地區(qū),受持續(xù)靜穩(wěn)天氣和弱冷空氣影響,在1月5日之前黃淮地區(qū)已經(jīng)出現(xiàn)9d大范圍的高濃度污染累積(圖3), 鄭州1月1～4日空氣質(zhì)量連續(xù)達(dá)到重度污染.弱冷空氣影響結(jié)束后,地面轉(zhuǎn)為低壓系統(tǒng)控制,高空處于反氣旋后部,整層西南風(fēng)影響下的輸送帶成型(圖4),積聚在黃淮地區(qū)的污染氣團(tuán)向北擴(kuò)散影響京津冀地區(qū).天津從1月5日上午開(kāi)始PM2.5出現(xiàn)快速累積,整個(gè)過(guò)程可以分為三個(gè)階段:S1污染發(fā)展階段,1月5日白天上游地區(qū)污染物隨西南風(fēng)持續(xù)輸送導(dǎo)致天津空氣質(zhì)量迅速轉(zhuǎn)差,PM2.5質(zhì)量濃度持續(xù)上升,08:00～14:00由117μg/m3迅速上升至193μg/m3,上升速率平均為13μg/m3/h,為近年少見(jiàn); S2污染維持階段,1月5日夜間至1月6日上午逆溫層和高濕環(huán)境形成利于近地面污染物聚集和氣溶膠吸濕增長(zhǎng),期間空氣質(zhì)量維持重度-嚴(yán)重污染,PM2.5峰值濃度達(dá)到320μg/m3;S3污染消散階段,1月6日下午,隨著冷空氣活動(dòng),PM2.5質(zhì)量濃度迅速下降,污染過(guò)程趨于結(jié)束.

圖2 2023年1月5～6日天津地區(qū)PM2.5質(zhì)量濃度和氣象條件變化

圖5 2023年1月5～6日天津氣象鐵塔15層溫度梯度觀測(cè)

虛線為夜間穩(wěn)定邊界層高度

氣溶膠激光雷達(dá)雷達(dá)觀測(cè)顯示(圖6),此次過(guò)程的S1和S2階段均表現(xiàn)出較強(qiáng)的輸送特征.過(guò)程開(kāi)始前,1月4日夜間PM2.5質(zhì)量濃度較低,低層200m以下約50～100μg/m3;S1階段,1月5日白天整層PM2.5質(zhì)量濃度明顯增加,且高空表現(xiàn)更為明顯,在300～ 600m出現(xiàn)PM2.5高濃度層,PM2.5質(zhì)量濃度由75μg/ m3增加至250～300μg/m3左右并維持.從氣象形勢(shì)場(chǎng)和三維污染場(chǎng)分析,該階段上游污染物隨邊界層頂部大風(fēng)速區(qū)形成高空輸送帶影響天津地區(qū);S2階段,1月5日夜間從地面到高空形成深厚的重污染層并持續(xù)維持,前半夜層頂高度在600m左右,后半夜發(fā)展至800～900m,這與以往重污染天氣300～ 500m的重污染層和夜間邊界層高度演變有顯著差異,重污染層內(nèi)PM2.5質(zhì)量濃度普遍超過(guò)200μg/m3. 1月6日上午伴隨冷空氣活動(dòng),高空轉(zhuǎn)為西北風(fēng),PM2.5質(zhì)量濃度由高空向近地面迅速下降,重污染層高度也開(kāi)始逐漸降低,10:00層頂約200m左右.

2.2 重污染過(guò)程數(shù)值模擬

在未采用同化技術(shù)基礎(chǔ)上,通過(guò)天津環(huán)境模式對(duì)此次過(guò)程進(jìn)行模擬,模擬起始時(shí)間為4日20:00(本文所用時(shí)間均為北京時(shí)間),結(jié)束時(shí)間為6日20:00,模擬時(shí)間48h.為了便于后續(xù)與同化模擬試驗(yàn)對(duì)比分析,將本組模擬記為控制試驗(yàn)CTRL.對(duì)比CTRL試驗(yàn)天津PM2.5質(zhì)量濃度模擬和觀測(cè)結(jié)果(圖7), 1月4日20:00～5日14:00模擬值與觀測(cè)值的整體變化趨勢(shì)一致,均呈持續(xù)增長(zhǎng)變化趨勢(shì),1月5日下午開(kāi)始,觀測(cè)值較模擬值明顯偏高,模擬值維持180μg/m3左右,未能反映出天津PM2.5質(zhì)量濃度持續(xù)增加的變化情況.

前述研究已經(jīng)表明,區(qū)域輸送對(duì)此次過(guò)程影響明顯,尤其是河北中南部等上游地區(qū)PM2.5質(zhì)量濃度變化對(duì)天津空氣質(zhì)量模擬效果有很大影響.圖8給出了1月5日14:00～1月6日08:00PM2.5質(zhì)量濃度空間分布,CTRL試驗(yàn)PM2.5質(zhì)量濃度空間分布整體上與觀測(cè)相似,均在京津冀中南部、河南和山東等地出現(xiàn)大范圍的重污染區(qū)域,區(qū)域內(nèi)PM2.5質(zhì)量濃度模擬值明顯低于觀測(cè),大部分地區(qū)濃度模擬值在150～250μg/m3,僅在山東北部出現(xiàn)濃度值超過(guò)250μg/m3的區(qū)域,位于天津上游地區(qū)的衡水和石家莊PM2.5質(zhì)量濃度模擬值分別偏低了114μg/m3和61μg/m3.上游污染物濃度模擬整體偏低導(dǎo)致區(qū)域輸送影響減弱可能是造成過(guò)程后期天津PM2.5質(zhì)量濃度顯著偏低的原因之一.

從垂直模擬效果分析(圖9), S1階段1月5日白天模式模擬350m高度以下出現(xiàn)重污染層,上層濃度始終維持在較低水平, 400～600m PM2.5質(zhì)量濃度在80～120μg/m3左右;S2階段前半夜PM2.5垂直分布較白天無(wú)明顯變化,重污染層頂高度僅達(dá)到300m左右,后半夜整層PM2.5質(zhì)量濃度略增加,重污染層頂向上略抬升至500m左右.對(duì)比觀測(cè),此次過(guò)程垂直模擬偏差主要有三個(gè)方面:(1)污染層高度和整層PM2.5質(zhì)量濃度模擬顯著偏低.觀測(cè)顯示S1～S2階段重污染層能夠發(fā)展至600～800m, PM2.5質(zhì)量濃度最大值超過(guò)300μg/m3,而模擬的重污染層高度僅在300～500m,最大濃度約200μg/m3;(2)模擬的PM2.5垂直分布整體呈現(xiàn)隨高度增加而濃度值遞減的特征,未能較好地反映由于輸送過(guò)程導(dǎo)致的部分時(shí)段高空PM2.5濃度高于地面的情況,如S1階段1月5日白天PM2.5濃度最大值出現(xiàn)在600m高度附近;(3)模式對(duì)夜間穩(wěn)定邊界層以上污染物輸送和殘留的模擬有明顯偏差.利用255米氣象塔15層溫度梯度觀測(cè)資料反算出S2階段天津夜間穩(wěn)定邊界層高度約為200m左右(圖5),從觀測(cè)資料分析,夜間污染層高度沒(méi)有明顯降低,穩(wěn)定邊界層以上仍有PM2.5高濃度區(qū),其主要來(lái)源于高空遠(yuǎn)距離的輸送,并在1月6日上午隨著邊界層發(fā)展被帶至地面,將進(jìn)一步增加地面濃度.而模擬的夜間PM2.5垂直分布,傍晚到前半夜受邊界層高度演變的制約,主要集中在近地面穩(wěn)定邊界層以?xún)?nèi).

2.3 同化試驗(yàn)方案設(shè)計(jì)

基于前述分析,環(huán)境模式可以基本模擬出此次污染過(guò)程地面PM2.5變化趨勢(shì),但是對(duì)于S1階段PM2.5積累的速率和S2階段PM2.5的峰值存在明顯低估.在垂直分布上,從S1階段1月5日中午出現(xiàn)明顯輸送影響開(kāi)始,污染層厚度、PM2.5垂直分布均與實(shí)際有較大偏差.基于此,設(shè)計(jì)2組同化模擬試驗(yàn)(表1),以期通過(guò)改進(jìn)水平和垂直污染初始場(chǎng)來(lái)提升模式模擬能力.其中DA_SFC試驗(yàn)使用模擬范圍內(nèi)地面PM2.5觀測(cè)數(shù)據(jù)進(jìn)行同化,目的是為了有效減小華北地區(qū)PM2.5質(zhì)量濃度空間分布模擬誤差,特別是由于天津上游地區(qū)模擬濃度整體偏低導(dǎo)致區(qū)域輸送影響減弱的問(wèn)題;DA_BOTH試驗(yàn)在地面PM2.5觀測(cè)同化的基礎(chǔ)上,增加天津氣溶膠激光雷達(dá)PM2.5垂直觀測(cè)數(shù)據(jù)進(jìn)行同化,從而進(jìn)一步改進(jìn)模式對(duì)天津地區(qū)PM2.5垂直分布的模擬,考慮到激光雷達(dá)探測(cè)盲區(qū)和PM2.5垂直分布范圍,同化數(shù)據(jù)選取120～1000m的PM2.5垂直觀測(cè).同化時(shí)段為1月5日14:00～6日02:00,間隔6h進(jìn)行1次同化,即1月5日14:00、20:00和1月6日02:00共進(jìn)行3次同化.

表1 同化模擬試驗(yàn)方案

2.4 同化效果分析

圖10為DA_SFC試驗(yàn)1月5日14:00～6日08:00PM2.5質(zhì)量濃度空間分布和觀測(cè)對(duì)比.同化地面PM2.5觀測(cè)資料后, DA_SFC試驗(yàn)?zāi)M的重污染區(qū)域有所擴(kuò)大,且河北中南部、山東北部至河南地區(qū)PM2.5質(zhì)量濃度明顯增加達(dá)到250μg/m3以上,與觀測(cè)分布基本一致.天津上游地區(qū)各城市模擬效果均有不同程度的提高, 石家莊、衡水PM2.5質(zhì)量濃度模擬值與觀測(cè)之間差異相比CTRL試驗(yàn)有所減小,平均誤差分別下降35.3μg/m3和77.3μg/m3, 通過(guò)同化地面PM2.5觀測(cè),有效優(yōu)化華北地區(qū)PM2.5質(zhì)量濃度空間分布,對(duì)天津PM2.5質(zhì)量濃度變化起到了正向作用,平均誤差下降39.7μg/m3.

地面PM2.5觀測(cè)同化對(duì)PM2.5質(zhì)量濃度垂直分布也會(huì)產(chǎn)生一定影響(圖11a). DA_SFC試驗(yàn),S1階段1月5日下午天津地區(qū)低層PM2.5質(zhì)量濃度比CTRL試驗(yàn)有所增加,重污染層頂高度略抬升至350～400m,上層濃度分布與CTRL試驗(yàn)差異不大.S2階段夜間整層PM2.5質(zhì)量濃度明顯增加,尤其是后半夜,重污染層高度增加至700m左右, PM2.5質(zhì)量濃度超過(guò)200μg/m3的高度范圍達(dá)到400～500m.由此顯示,同化地面PM2.5觀測(cè)資料后,模式低層模擬效果有一定程度提升,200m高度PM2.5質(zhì)量濃度模擬均方根誤差由CTRL試驗(yàn)的58μg/m3減小為26μg/m3(圖13).但是隨著高度增加其影響效果逐漸減弱,僅通過(guò)地面觀測(cè)資料同化,無(wú)法有效調(diào)整PM2.5垂直分布的復(fù)雜變化,尤其是由于輸送過(guò)程導(dǎo)致的特殊PM2.5垂直分布,如白天高空PM2.5質(zhì)量濃度高于地面,夜間穩(wěn)定邊界層以上的污染高值.

在同化地面觀測(cè)資料基礎(chǔ)上,增加氣溶膠激光雷達(dá)PM2.5垂直觀測(cè)資料同化(圖11b).DA_BOTH試驗(yàn),S1階段1月5日14:00在400m處PM2.5質(zhì)量濃度增加至250μg/m3,出現(xiàn)高濃度層(圖12).下午時(shí)段重污染層頂高度位于400～500m,相比CTRL和DA_SFC試驗(yàn),與觀測(cè)更為接近.夜間DA_BOTH試驗(yàn)相比于CTRL和DA_SFC試驗(yàn),PM2.5垂直分布出現(xiàn)顯著變化,S2階段1月5日20:00模擬顯示300～ 700m之間整層PM2.5質(zhì)量濃度有所增加,最大濃度值約250μg/m3,出現(xiàn)在600m高度附近,在近地面至600m之間形成深厚的重污染層并在前半夜穩(wěn)定維持,層頂高度比DA_SFC試驗(yàn)向上抬升了200m左右.后半夜重污染層頂再次向上層發(fā)展至750m,且整層PM2.5質(zhì)量濃度比DA_SFC試驗(yàn)也有所增加, PM2.5質(zhì)量濃度超過(guò)200μg/m3的垂直范圍擴(kuò)大到600m.

由此顯示,通過(guò)增加同化氣溶膠激光雷達(dá)PM2.5垂直觀測(cè)資料,可以有效將輸送型污染過(guò)程的高低空PM2.5濃度反置和非常規(guī)的夜間污染垂直分布等觀測(cè)信息融入模式,對(duì)PM2.5垂直分布變化的模擬效果比DA_SFC試驗(yàn)進(jìn)一步提升, 450m附近表現(xiàn)最為明顯, PM2.5質(zhì)量濃度模擬均方根誤差比DA_SFC試驗(yàn)減小19.8μg/m3.在同化時(shí)刻及未來(lái)2～3小時(shí)模式與觀測(cè)垂直分布基本一致,在更長(zhǎng)時(shí)效上,不同階段表現(xiàn)略有差異,S2階段1月5日夜間污染層高度模擬和觀測(cè)基本一致,其差異由CTRL試驗(yàn)的200～ 300m和DA_SFC試驗(yàn)的100～200m降低至DA_ BOTH試驗(yàn)的50～100m,穩(wěn)定邊界層以上污染高值得到有效的模擬,重污染層內(nèi)PM2.5質(zhì)量濃度模擬誤差顯著降低; S1階段1月5日白天同化效果不如S2階段,短時(shí)間內(nèi)可實(shí)現(xiàn)PM2.5垂直觀測(cè)的準(zhǔn)確模擬,但隨著時(shí)間延長(zhǎng),垂直模擬的偏差已經(jīng)被再次明顯放大,但相比于DA_SFC試驗(yàn),其正作用依舊存在,污染層高度模擬誤差降低幅度至少不低于50m.

圖10 觀測(cè)與DA_SFC試驗(yàn)2023年1月5日14:00～6日08:00PM2.5質(zhì)量濃度分布

圖12 同化時(shí)刻觀測(cè)和同化模擬試驗(yàn)的天津地區(qū)PM2.5質(zhì)量濃度垂直廓線

Fig.12 Vertical profile of PM2.5 mass concentration for observation and simulation experiments at assimilation moment

綜合而言,結(jié)合地面和激光雷達(dá)氣溶膠同化后,DA_BOTH試驗(yàn)有效地改進(jìn)了此次重污染過(guò)程的模擬,地面較好地模擬了1月5日14:00～6日08:00天津PM2.5質(zhì)量濃度持續(xù)增長(zhǎng)的變化趨勢(shì)(圖14),且與觀測(cè)值之間差異很小,均方根誤差約13.8μg/m3,顯著低于CTRL試驗(yàn)的58.6μg/m3.垂直上有效地表征了輸送過(guò)程的高低空PM2.5垂直分布和夜間穩(wěn)定邊界層以上的污染氣團(tuán),200～ 700mPM2.5質(zhì)量濃度模擬均方根誤差比CTRL試驗(yàn)平均降低30.8μg/m3.

圖13 2023年1月5日14:00～6日08:00模擬試驗(yàn)PM2.5質(zhì)量濃度均方根誤差垂直分布

圖14 2023年1月5～6日天津地區(qū)平均PM2.5質(zhì)量濃度觀測(cè)值與改進(jìn)前后模式模擬值

3 結(jié)論

3.1 受本地不利氣象條件和輸送共同影響,2023年1月5～6日天津地區(qū)出現(xiàn)持續(xù)25h重污染天氣,過(guò)程期間S1發(fā)展階段出現(xiàn)高低空PM2.5反置,300～600m高度有明顯的污染輸送,地面PM2.5增長(zhǎng)速率達(dá)到13(μg/m3)/h,S2維持階段污染層高度達(dá)到800～900m,顯著高于夜間穩(wěn)定邊界層.天津環(huán)境模式對(duì)此次過(guò)程模擬明顯不足,垂直上無(wú)法反映輸送過(guò)程特征,地面低估發(fā)展階段PM2.5增長(zhǎng)速率和維持階段的峰值濃度.

3.2 通過(guò)三維變分技術(shù)實(shí)現(xiàn)地面PM2.5觀測(cè)同化,能夠有效改進(jìn)模擬區(qū)域PM2.5空間分布,此次過(guò)程中石家莊、衡水模擬平均誤差分別下降35.3μg/m3和77.3μg/m3,天津地面PM2.5質(zhì)量濃度模擬平均誤差下降39.7μg/m3.模式低層PM2.5模擬效果雖然也有提升,但隨著高度增加而減弱,難以反映出輸送型污染過(guò)程中PM2.5垂直分布的復(fù)雜變化.

3.3 通過(guò)增加氣溶膠激光雷達(dá)同化,有效提升此次過(guò)程中模式PM2.5垂直分布模擬,450m模擬均方根誤差比DA_SFC試驗(yàn)減小幅度最大約19.8μg/m3.在同化時(shí)刻及臨近2～3小時(shí)改進(jìn)效果明顯,后續(xù)時(shí)效中S2階段表現(xiàn)更優(yōu),1月5日夜間穩(wěn)定邊界層以上污染高值得到有效模擬,污染層高度模擬差異約50～100m,低于CTRL試驗(yàn)的200～300m和DA_SFC試驗(yàn)的100～200m; S1階段1月5日白天垂直模擬偏差隨時(shí)效延長(zhǎng)而明顯增加,但同化的正作用依舊存在,污染層高度模擬誤差比DA_SFC試驗(yàn)降低幅度不低于50m.

3.4 結(jié)合地面和激光雷達(dá)同化,有效地改進(jìn)了此次重污染過(guò)程模擬,地面較好地模擬了1月5日14:00～6日08:00天津PM2.5質(zhì)量濃度持續(xù)增長(zhǎng)的趨勢(shì),均方根誤差由同化前的58.6μg/m3下降為13.8μg/m3,垂直上有效反映出輸送過(guò)程中高低空PM2.5垂直分布和夜間穩(wěn)定邊界層以上的污染氣團(tuán),200～700m模擬均方根誤差比同化前平均降低30.8μg/m3.

[1] 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(guó)環(huán)境科學(xué), 2008,28(9):828-832.Han S Q, Feng Y C, Bian H, et al. Numerical simulation of diurnal variation of major pollutants with WRF-Chem model in Tianjin [J]. China Environmental Science, 2008,28(9):828-832.

[2] 李珊珊,程念亮,徐 峻,等.2014年京津冀地區(qū)PM2.5濃度時(shí)空分布及來(lái)源模擬[J]. 中國(guó)環(huán)境科學(xué), 2015,35(10):2908-2916.Li S S, Cheng N L, Xu J, et al. Spatial and temporal distributions and source simulation of PM2.5in Beijing-Tianjin-Hebei region in 2014 [J]. China Environmental Science, 2015,35(10):2908-2916.

[3] Zhang L, Gong S, Zhao T, et al. Development of WRF/CUACE v1.0model and its preliminary application in simulating air quality in China [J]. Geoscientific Model Development, 2021,14(2):703-718.

[4] 崔應(yīng)杰,王自發(fā),朱 江,等.空氣質(zhì)量數(shù)值模式預(yù)報(bào)中資料同化的初步研究[J]. 氣候與環(huán)境研究, 2006,11(5):616-626. Cui Y J, Wang Z F, Zhu J, et al. A preliminary study on data assimilation for numerical air quality model prediction [J]. Climatic and Environmental Research (in Chinese), 2006,11(5):616-626.

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

[6] 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.

[7] Pagowski M, Grell G A. Experiments with the assimilation of fine aerosols using an ensemble Kalman filter [J]. J. Geophys. Res., 2012,117: D21302.

[8] Peng Z, Liu Z Q, Chen D, et al.Improving PM2.5forecast over China by the joint adjustment of initial conditions and source emissions with an ensemble Kalman filter [J]. Atmospheric Chemistry and Physics, 2017, 17:4837-4855.

[9] Jiang Z Q, Liu Z Q, Wang T J, 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.

[10] Feng S Z, Jiang F, Jiang Z Q, et al. Impact of 3DVAR assimilation of surface PM2.5observations on PM2.5forecasts over China during wintertime [J]. Atmospheric Environment, 2018,187:34–49.

[11] 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(guó)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.

[12] 陳 杰,李正強(qiáng),常文淵,等.基于改進(jìn)GSI系統(tǒng)的氣溶膠變分同化對(duì)WRF-Chem PM2.5分析和預(yù)報(bào)的影響評(píng)估 [J]. 大氣與環(huán)境光學(xué)學(xué)報(bào), 2020,15(5):321-333. Chen J, Li Z Q, Chang W Y, et al. Impact evaluation of aerosol variational assimilation based on improved GSI system on WRF-Chem PM2.5analysis and forecast [J]. J. Atmospheric and Environmental Optics, 2020,15(5):321-333.

[13] 蔡子穎,唐 邈,肖致美,等.基于源反演和氣溶膠同化方法天津空氣質(zhì)量模式預(yù)報(bào)能力改進(jìn) [J]. 環(huán)境科學(xué), 2022,43(5):2415-2426.Cai Z Y, Tang M, Xiao Z M, et al. Improvement of environmental model prediction based on inversion and aerosol assimilation [J]. Environmental Science, 2022,43(5):2415-2426.

[14] Zang Z L, Li Z J, Pan X B, et al. Aerosol data assimilation and forecasting experiments using aircraft and surface observations during CalNex [J]. Tellus B: Chemical and Physical Meteorology, 2016,68(1): 29812.

[15] 張艷品,陳 靜,鈐偉妙,等.石家莊冬季典型污染過(guò)程氣溶膠激光雷達(dá)觀測(cè) [J]. 中國(guó)環(huán)境科學(xué), 2020,40(10):4205-4215. Zhang Y P, Chen J, Qian W M, et al. Aerosol lidar observation of typical pollution process in Shijiazhuang in Winter [J]. China Environmental Science, 2020,40(10):4205-4215.

[16] Yumimoto K, Uno I, Sugimoto N, et al. Adjoint inversion modeling of Asian dust emission using lidar observations [J]. Atmospheric Chemistry And Physics, 2008,8(11):2869–2884.

[17] Wang Y, Sartelet K N, Bocquet M, et al. Assimilation of ground versus lidar observations for PM10forecasting [J]. Atmospheric Chemistry and Physics, 2013,13:269–283.

[18] Wang Y, Sartelet K N, Bocquet M, et al. Assimilation of lidar signals: Application to aerosol forecasting in the western Mediterranean basin [J]. Atmospheric Chemistry and Physics, 2014b,14:12031–12053.

[19] 鄭海濤.地面及激光雷達(dá)觀測(cè)數(shù)據(jù)同化對(duì)PM2.5預(yù)報(bào)的改進(jìn) [D]. 合肥:中國(guó)科學(xué)技術(shù)大學(xué), 2018. Zheng H T. Improvement of PM2.5Forecast by data assimilation of ground and Lidar observation [D]. Hefei: University of Science and Technology of China, 2018.

[20] Xiang Y, Zhang T S, Ma C Q, et al. Lidar vertical observation network and data assimilation reveal key processes driving the 3-D dynamic evolution of PM2.5concentrations over the North China Plain [J]. Atmospheric Chemistry and Physics, 21,7023–7037,2021.

[21] Cheng X H, Liu Y L, Xu X D, et al. Lidar data assimilation method based on CRTM and WRF-Chem models and its application in PM2.5forecasts in Beijing [J]. Science of the Total Environment, 2019, 682:541-552.

[22] Liang Y F, Zang Z L, Liu D, et al. Development of a three- dimensional variational assimilation system for lidar profile data based on a size-resolved aerosol model in WRF–Chem model v3.9.1and its application in PM2.5forecasts across China [J]. Geoscientific Model Development, 13,6285–6301,2020.

[23] 蔡子穎,楊 旭,韓素芹,等.基于天氣背景天津大氣污染輸送特征分析 [J]. 環(huán)境科學(xué), 2020,41(11):4855-4863.Cai Z Y, Yang X, Han S Q, et al. Transport characteristics of air pollution in Tianjin based on weather background [J]. Environmental Science, 2020,41(11):4855-4863.

[24] 王曉琦,郎建壘,程水源,等.京津冀及周邊地區(qū)PM2.5傳輸規(guī)律研究[J]. 中國(guó)環(huán)境科學(xué), 2016,36(11):3211-3217. Wang X Q, Lang J L, Cheng S Y, et al. Study on transportation of PM2.5in Beijng-Tianjin-Hebei (BTH) and its surrounding area [J]. China Environmental Science, 2016,36(11):3211-3217.

[25] 楊 旭,蔡子穎,韓素芹,等.基于無(wú)人機(jī)探空和數(shù)值模擬天津一次重污染過(guò)程分析 [J]. 環(huán)境科學(xué), 2021,42(1):9-18.Yang X, Cai Z Y, Han S Q, et al. Heavy pollution episode in Tianjin based on UAV meteorological sounding and numerical model [J]. Environmental Science, 2021,42(1):9-18.

[26] Li M., Liu H, Geng G, et al. Anthropogenic emission inventories in China: a review [J]. National Science Review, 2017,4:834-866.

[27] Li Z, Zang Z, Li Q, 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 and Physics, 2013,13(8):4265–4278.

[28] 楊 旭,唐穎瀟,蔡子穎,等.基于氣溶膠三維變分同化天津PM2.5數(shù)值預(yù)報(bào)研究 [J]. 中國(guó)環(huán)境科學(xué), 2021,41(12):5476-5484.Yang X, Tang Y X, Cai Z Y, et al. Impact of aerosol data assimilation with 3-DVAR method on PM2.5forecast over Tianjin [J]. China Environmental Science, 2021,41(12):5476-5484.

[29] Lv L H, Liu W Q, Zhang T S, et al. Observations of particle extinction, PM2.5mass concentration profile and flux in north China based on mobile lidar technique [J]. Atmospheric Environment, 2017,164:360– 369.

[30] Tao Z M, Wang Z Z, Yang S J, et al. Profiling the PM2.5mass concentration vertical distribution in the boundary layer [J]. Atmospheric Measurement Techniques, 2016,9:1369–1376.

Improvement on numerical simulation by variational assimilation of surface PM2.5and aerosol lidar during a heavy pollution episode in winter in Tianjin.

YANG Xu1,2, FAN Wen-yan1,2,CAI Zi-ying1,2*, ZHU Yu-qiang1,2, TANG Ying-xiao1,2, DONG Qi-ru3

(1.Tianjin Environmental Meteorological Center, Tianjin 300074, China；2.CMA-NKU Cooperative Laboratory for Atmospheric Environment-Health Research, Tianjin 300074, China；3.Tianjin Institute of Meteorological Science, Tianjin 300074, China)., 2023,43(10)：5088～5097

For the transport-type heavy pollution episodes, the vertical simulation deviation of atmospheric chemical model was large, the ground observation assimilation could not significantly improve the vertical initial field of pollution, and the upper air transport was underestimated. A heavy pollution episode was taken as an example in Tianjin, which occurred from January 5 to 6, 2023, the aerosol variational assimilation technology was developed for the joint application of surface PM2.5and aerosol lidar vertical observations, to improve the vertical pollution simulation of atmospheric chemical model and serve forecast, early warning and mechanism analysis of heavy pollution episodes. The results showed that during the heavy pollution episode, growth rate and peak concentration of ground PM2.5was significantly underestimated, simulated pollution layer height was about 200～300m lower than observed value and characteristics such as higher PM2.5concentration in upper air than that on the ground in transportation phase of daytime and high pollution values above the stable boundary layer at night were not effectively reflected; Assimilation of surface PM2.5observations effectively optimized PM2.5spatial distribution, average simulation error decreased by 35.3μg/m3and 77.3μg/m3respectively in Shijiazhuang and Hengshui, the upstream cities and decreased by 39.7μg/m3in Tianjin. However, its improvement on vertical distribution simulation was limited, especially for the complex change of PM2.5vertical distribution in transport-type pollution episode, which was not accurately reflected. By adding assimilation of vertical PM2.5observations obtained from aerosol lidar, vertical PM2.5simulation was further improved, the maximum reduction of PM2.5mass concentration RMSE was 19.8μg/m3at about 500m. There was obvious positive effect at the assimilated time and within 2～3h, as for subsequent time, simulated pollution layer height was basically same with observation in S2 phase, the difference between them reduced to 50～100m, compared with 200～300m in CTRL experiment without assimilation and 100～200m in DA_SFC experiment with surface PM2.5assimilation. High value of pollution above stable boundary layer was effectively simulated and the simulation error of PM2.5mass concentration in the heavy polluted layer was significantly reduced; Assimilation effect in the daytime on January 5 was not good as that of S2 phase, accurate simulation of vertical PM2.5could be achieved in a short time, but the deviation of vertical simulation had been significantly enlarged again with simulation time increasing. In spite of this, positive effect still existed compared with DA_SFC and the simulation error of pollution layer height was reduced by at least 50m.

aerosol data assimilation；3-DVAR；lidar；numerical simulation

X513

A

1000-6923(2023)10-5088-10

2023-03-06

國(guó)家自然科學(xué)基金資助項(xiàng)目(42130513);天津市氣象局科研項(xiàng)目(202229ybxm13)

* 責(zé)任作者, 正高級(jí)工程師, 120078030@163.com

楊 旭(1994-),男,河南三門(mén)峽人,工程師,碩士,主要研究方向?yàn)榇髿馕锢砼c大氣環(huán)境.發(fā)表論文4篇.yangx_tjqx@163.com.

楊 旭,樊文雁,蔡子穎,等.地面PM2.5和氣溶膠激光雷達(dá)聯(lián)合變分同化對(duì)天津冬季一次重污染過(guò)程數(shù)值模擬改進(jìn)研究 [J]. 中國(guó)環(huán)境科學(xué), 2023,43(10):5088-5097.

Yang X, Fan W Y, Cai Z Y, et al. Improvement on numerical simulation by variational assimilation of surface PM2.5and aerosol lidar during a heavy pollution episode in winter in Tianjin [J]. China Environmental Science, 2023,43(10):5088-5097.