尹 馨, 谭成好, 贾世国, 唐明金

两次典型沙尘的WRF-Chem数值模拟:不同起沙方案模拟效果的评估

尹 馨1, 3, 谭成好1, 3, 贾世国2*, 唐明金1

(1. 中国科学院 广州地球化学研究所, 有机地球化学国家重点实验室/广东省环境资源利用与保护重点实验室/粤港澳大湾区环境污染过程与控制联合实验室, 广东 广州 510640; 2. 中山大学 大气科学学院, 广东 广州 510275; 3. 中国科学院大学, 北京 100049)

为探寻更适用于中国沙尘过程数值模拟的起沙方案, 利用WRF-Chem模式分别耦合GOCART、AFWA和Shao04 3种不同起沙参数化方案对2017年5月3–5日和2018年3月26–29日发生在我国西北地区的2次典型沙尘过程进行数值模拟, 并综合多种地面和卫星观测资料对模拟结果进行评估。结果表明: 通过3种起沙方案计算得到的起沙量差距较大, 其中GOCART方案在0～6 μm粒径的起沙量最大、Shao04方案最小。从近地面PM10浓度来看, 3种方案均能反映出2次事件中典型城市PM10浓度的变化特征, Shao04方案模拟的PM10浓度和观测相关性最高; 从气溶胶光学厚度(AOD)来看, 通过与AERONET、MODIS和CALIPSO的观测资料综合比较, 发现模拟结果对AOD存在系统性低估, GOCART方案与观测结果最近似, 其次为Shao04方案, 最后为AFWA方案。综合考虑认为, GOCART起沙方案相对更适用于我国西北地区的沙尘模拟。

沙尘; WRF-Chem; 起沙参数化方案

0 引 言

沙尘颗粒物作为全球主要的大气气溶胶成分之一, 年排放量可达约5000 Tg(Tegen and Fung, 1994)。沙尘天气不仅对人类健康、空气质量和气候变化产生直接作用, 还会通过散射、吸收太阳短波辐射与地面长波辐射和作为云凝结核参与成云致雨等方式直接或间接地影响地气系统的辐射收支平衡(刘晓东等, 2004; Shao et al., 2011; Sun et al., 2012; Choobari et al., 2014; Huang et al., 2014; 王训明等., 2015)。此外, 当携带有大量生物可利用关键微量元素的沙尘气溶胶被远距离输送到海洋中时(Rea et al., 1998, Shao et al., 2011), 沙尘颗粒物还会影响生物地球化学循环过程(Jickells et al., 2005; Mahowald et al., 2006; 高会旺等, 2009; Maher et al., 2010)。

鉴于沙尘循环在气候系统中发挥的重要作用, 国内外学者曾采用地基观测、卫星遥感、统计分析、数值模拟等手段对沙尘进行了系列研究(Huebert et al., 2003; Mikami et al., 2006; Huang et al., 2008; Che et al., 2015; Xia et al., 2016)。近年来, 数值模式愈发成为研究和预报沙尘天气的有力工具, 被广泛应用于研究沙尘的排放、传输、沉降及其对环境和气候的影响。当前数值模式可以较好地还原气象条件和沙尘基本特征, 然而不同起沙参数化方案模拟的起沙量具有显著差异, 主要原因在于不同方案对起沙过程模拟的差异大。不同的起沙参数化方案考虑的输入参数、气象和土壤参数基准不一致、计算简化方式不同, 因而不同起沙方案模拟的起沙量和沙尘浓度的时空分布等存在较大的不确定性(Huneeus et al., 2010; Sugimoto et al., 2013; 吴成来和林朝晖, 2014; Kim and Choi, 2015; Su and Fung, 2015; Flaounas et al., 2017, 康丽泰和陈思宇, 2017, 刘筱冉等, 2018, Yuan et al., 2019)。此外, 不同起沙方案在不同地区的适应性存在一定的差异。西北干旱和半干旱地区是我国沙尘天气的高发区, 也是东亚沙尘的主要来源, 沙尘颗粒物经远距离传输可对位于华北、东北和长江中下游的城市空气质量产生影响, 然而当前对中国西北干旱、半干旱区域的沙尘数值模拟研究中针对不同起沙方案的评估对比有限, 因此探究起沙方案对于中国西北沙尘事件模拟的影响具有重要意义。

本研究选取2017年5月3–5日和2018年3月26–29日期间发生在我国西北地区的2次典型沙尘天气过程, 使用WRF-Chem模式分别耦合在该模式中最常用的3种起沙参数化方案GOCART、AFWA和Shao04进行数值模拟, 并综合多种地面和卫星观测资料进行对比评估。目标是探讨不同起沙方案模拟的异同, 为优化模式性能、深入理解和探究沙尘循环的大气物理化学过程提供科学依据。

1 数据与方法

1.1 WRF-Chem简介

WRF(weather research and forecasting model)模式系统是由美国气象界联合开发的新一代中尺度预报模式和同化系统, 常被用于全球的区域尺度、中小尺度数值模拟、物理参数化方案研究、实时业务天气预报、数据同化研究、区域气候模拟以及耦合空气质量模式。WRF-Chem模式是将WRF与化学模块(Chemistry, 简称Chem)实现完全在线耦合的区域大气动力–化学模式(Grell et al., 2005), 其在线同步计算物理和化学过程, 考虑了生物体排放、人类活动排放和气相化学与气溶胶化学、输送(包括平流、扩散和对流过程)、干湿沉降等过程,能真实、同步地反映大气物理化学过程。因此, WRF-Chem模式不仅能模拟污染过程中的风速、气温和气压等气象要素的特征, 还能模拟大气污染物的排放、传输和分布等, 是用于沙尘模拟研究的有力工具。

1.2 起沙参数化方案

1.2.1 GOCART方案

GOCART(goddard chemistry aerosol radiation and transport)方案(Ginoux et al., 2001)是基于10 m风速和土壤湿度的经验公式, 该方案分5个粒径段计算垂直起沙通量, 分别为0～1、1～1.8、1.8～3、3～6和6～10 μm, 沙尘粒子的垂直起沙通量计算公式如下:

式中:为垂直起沙通量;为常量0.8 μg·s−2·m5;为风蚀指数, 代表潜在沙尘源分布受地表特征如冰雪覆盖率和植被率等的影响;s为各粒径段沙尘的质量比例, 除0～1 μm粒径为0.1, 其他各粒径均为0.25;10为离地10 m的水平风速;t为临界摩擦速度, 受沙尘粒径大小和土壤湿度影响。

1.2.2 AFWA方案

AFWA(air force weather agency)方案(Jones et al., 2010, 2012)是GOCART方案的改进方案,简称为AFWA方案, 继承并发展了Marticorena and Bergametti (MB)公式中(Marticorena and Bergametti, 1995)关于跳沙轰击的起沙机制计算方法:

式中:(D)为跃移水平沙通量;为可变动的经验比例常量, 本研究中值为1;ρ为空气密度;为重力加速度;*为摩擦速度;*t为临界摩擦速度;是所有粒径的总轰炸量;bulk是垂直沙尘通量;为风蚀指数;为考虑了黏粒比例的沙尘轰击率。首先根据式(2)和式(3)计算总起沙通量, 再基于脆性材料断裂理论将沙尘分类到5个粒径段(0～1、1～1.8、1.8～3、3～6和6～10 μm, 质量比分别为0.1074、0.1012、0.2078、0.4817和0.1019)(Kok, 2011), 从而可计算出各粒径的垂直起沙通量。和GOCART方案相比, AFWA方案使用摩擦速度*和临界摩擦速度*t取代了10 m风速, 当土壤湿度高于干燥临界点时增大, 反之不作调整。也就是说, AFWA方案是在GOCART方案的基础上对黏粒比例、风蚀指数和临界摩擦速度等主要参数进行了改进。

1.2.3 Shao04方案

Shao04方案(Shao, 2004)属于UoC(the university of cologne)方案中的1种, 该方案兼顾了跳沙轰击和轰击粒子分裂两种起沙机制, 方案计算结果与观测的一致性较好。Shao04方案计算过程如下:

式中:(d,d)为由粒径为d的沙粒跳跃碰撞产生的粒径为d的垂直起沙通量;c为比例系数;η,为由土壤排放到大气中的沙粒的质量分数; σ是轰炸系数;为与沙尘粒径分布有关的权重因子, 表示集合沙粒被释放的难易程度;Q为跃移水平沙尘通量;是所有粒径的总垂直起沙通量;是第种粒径分布的占比;σ和均用于第种粒径的对数分布;ρ是土壤容重;p()和p()分别为粒径的最小和全分布, 二者被用于计算土壤的塑性压力p()。

因此, Shao04方案计算各粒径沙尘通量的准确性主要依赖于原始土壤数据和。和AFWA方案相似, Shao04方案同样使用了沙暴参数化来计算垂直起沙通量, 但计算过程和粒径分布(0～2、2～3.6、3.6～6、6～12和12～20 μm 5个粒径)和AFWA有所差异。在Shao04方案中, 首先使用式(11)将最大粒径可达2000 μm的粒径分为由小到大的100种粒径分布, 然后根据式(6)～(9)计算各粒径的垂直起沙通量。随后, 规定分类直径为2、3.6、6、12和20 μm, 由此获得0～2、2～3.6、3.6～6、6～12和12～20 μm的垂直起沙通量。与AFWA和GOCART方案不同, Shao04方案只使用风蚀指数来规定潜在的沙尘源。

1.3 数值模拟实验设计

2017年5月3–7日, 我国内蒙古部分地区发生沙尘暴, 局地出现强沙尘暴, 西北地区、华北地区和华东多地受到沙尘天气影响。2018年3月26–29日, 我国西北地区、华北地区、华中北部和东北多部先后出现扬沙或浮尘, 其中内蒙古锡林郭勒盟局地出现沙尘暴。这2次沙尘事件的特征是持续时间短、强度大、影响范围广, 属于近年来较为严重的沙尘污染事件。

本研究运用WRF-Chem V3.8.1模拟上述两次沙尘案例, 模式设置采用单层模拟, 范围覆盖整个中国地区, 水平分辨率为27 km, 区域格点数为250×170,垂直分辨率为38层, 时间积分步长为150 s。模拟时间分别为2017年5月1–9日和2018年3月22–31日。模式在化学模块方案的选择上采用耦合了RACM (regional atmospheric chemistry mechanism)化学反应机制的GOCART气溶胶方案(Hewson et al., 2012), 同时不考虑光化学过程、生物气溶胶、海盐气溶胶、湿清除和气溶胶对辐射的反馈等机制, 主要选用的其他物理化学方案见表1。

1.4 数据资料

研究选取的气象驱动资料为欧洲气象中心提供的每6 h一次、水平分辨率为1°×1°的ERA-Interim再分析数据。人为源采用清华大学的多尺度排放清单数据库MEIC(multi-resolution emission inventory for China)清单(http://www.meicmodel.org)。为了对模拟结果进行验证, 本研究采用了酒泉、包头、北京和青岛4个城市监测点的PM10浓度监测数据验证PM10地面浓度模拟、采用AERONET经过云处理和人工检查的2.0级数据验证站点气溶胶光学厚度(aerosol optical depth, AOD)模拟, 采用搭载在Aqua卫星上MODIS提供的结合了暗像元和深蓝算法反演的L3级550 nm每日平均数据产品验证AOD的水平分布特征模拟, 采用CALIPSO的Level-2气溶胶廓线产品验证气溶胶的垂直分布特征模拟。

表1 模式主要选用的参数化方案

2 结果与分析

2.1 起沙量对比

前48 h为模式spin-up, 本研究通过历史天气记录验证, 仅分析记录有沙尘天气的连续数日起沙量, 时间段分别为2017年5月3–5日和2018年3月27–29日。

由于3种方案均包含对0～6 μm粒径的模拟, 讨论该粒径范围的垂直起沙量可从同一粒径水平分析不同方案的起沙特征, 表2可见两次案例在0～6 μm和全粒径的模拟起沙量, 起沙量的计算包括了模拟区域内全部格点。对于2017年5月的沙尘案例, 3种方案模拟的起沙量均为从3日到5日逐日减小, 但方案间每日的结果差异明显, GOCART方案起沙量逐日降低的趋势较平缓、AFWA方案和Shao04方案的起沙量从4日到5日骤降。分析起沙量结果, GOCART方案的0～6 μm粒径总起沙量最大(91.64 Tg),其次为AFWA方案(86.64 Tg), Shao04方案在该粒径的总起沙量显著低于前两者(43.53 Tg)。其次, 将GOCART方案和AFWA方案的0～10 μm全粒径起沙量与Shao04方案0～12 μm起沙量进行对比, 结果仍为GOCART方案最大(121.95 Tg)、AFWA方案次之(86.64 Tg)、Shao04方案最小(82.19 Tg)。GOCART方案中0～6 μm粒径的起沙量为全粒径的75%、AFWA方案为90%, Shao04方案0～6 μm粒径的起沙量为0～12μm粒径的53%、仅为0～20 μm全粒径的33%, 这说明GOCART方案和AFWA方案模拟结果中0～6 μm粒径的更小颗粒沙尘所占比例更大。

表2 2次案例的模拟起沙量(Tg)

2018年3月沙尘事件, 模拟起沙量的逐日变化趋势相同, 均为逐日增大, 但各方案模拟的总起沙量相差较大。GOCART方案在0～6 μm的起沙量模拟值最高(90.18 Tg), AFWA方案约为GOCART方案的30%～50%, Shao04方案最小, 其中在27日的模拟结果甚至仅为GOCART方案的1%。GOCART方案在0～6 μm的总起沙量是0～10 μm全粒径总起沙量的75%; AFWA方案在0～6 μm的总起沙量为38.89 Tg, 为0～10 μm粒径的90%; Shao04方案在0～6 μm的总起沙量为10.29 Tg, 是0～12 μm粒径的54%、0～20 μm粒径的35%。对于2018年3月案例的模拟, 不论是同一粒径范围还是单个方案考虑的全粒径范围, Shao04方案的起沙量均为最小。

综合2017和2018年两次沙尘事件的模拟结果, GOCART、AFWA和Shao04方案间的差异显著, 因此, 有必要进行进一步分析, 通过对比观测和模拟结果来探讨不同方案对我国沙尘模拟的适用性。

2.2 地面观测与模拟对比

2.2.1 城市PM10浓度

为了更全面地评估不同起沙方案的模拟效果, 本研究选取了邻近塔克拉玛干沙漠的酒泉、邻近戈壁沙漠的包头、位于下风向的北京和沿海传输路径的青岛4个城市的PM10观测值来与同时段的模拟结果进行对比, 每日观测结果和模拟结果均进行了6 h, 以便更明显地观察变化趋势。图1、2分别为典型城市站点2017年5月3–9日和3月25–31日期间模拟与观测PM10的对比。

2017年5月3–9日期间, 酒泉3日中午地面PM10浓度陡升至1150 μg·m−3, Shao04方案反映了这一高值特征但估值明显偏低; GOCART方案虽然可以反映高值但是出现时间向前偏移; AFWA高值不明显。此后, 观测浓度在5日达到第2个峰值(400 μg·m−3), 模拟结果中该峰值均早于观测结果6 h,GOCART和AFWA方案的浓度值与观测相近, Shao04方案显著偏低。对于酒泉地面PM10浓度的模拟, Shao04方案相较于观测结果的相关系数最高(0.89); 3个方案对于除峰值以外的其他时段模拟表现比较相近且基本符合观测。

在包头, 前12 h的模拟结果数值均显著偏高。观测峰值共出现两次, 分别为1350 μg·m−3(4日06时)和1200 μg·m−3(5日06时), 两次峰值的间隔时间比较短, 3个方案均模拟还原出了两个峰值, 但模拟峰值分别提前了6 h和12 h。6–9日期间, 包头的观测浓度在每天正午达到小峰值, 但模拟结果没有还原出这一特征, 模拟结果在非峰值时段偏低。整体来看, 不同起沙方案的PM10模拟结果在酒泉和包头等近沙尘源地的差异性并不显著, 各方案均能较好地模拟出观测到的沙尘浓度变化特征, 这说明了模拟是可信的。

图1 典型城市站点2017年5月3–9日模拟与观测PM10对比(Obs代表观测值, 下同)

图2 典型城市站点2018年3月25–31日模拟与观测PM10对比

北京的观测浓度在4–5日间出现较大起伏, PM10浓度变化超过1000 μg·m−3, 其余时段浓度在300 μg·m−3以下, 和包头相似。北京的观测浓度在较短时间间隔中也出现了2次峰值(4日12时和5日06时, 均为1000 μg·m−3左右)。GOCART和AFWA方案在北京的差异性小, 二者的统计分析数据非常接近(与观测数据的相关系数分别为0.48、0.46), Shao04方案对两次峰值的模拟浓度均高于GOCART和AFWA方案, 对第1个峰值的模拟出现一定程度的估值偏高但更接近观测值, 模拟结果的第2次峰值, 3种方案均估值偏低, 其中Shao04方案与观测值差值最小, 但Shao04方案在模拟后期出现1次虚高值。

青岛的观测浓度了出现两次时间间隔较长的峰值, 分别在6日0时和7日12时, PM10浓度同约为400 μg·m−3。GOCART和AFWA方案在青岛的差异性不显著, 3个起沙方案均捕捉到了首次峰值, 其中GOCART方案和AFWA方案的模拟浓度值近似但提前12 h出现, Shao04方案仅提前6 h但浓度上约为观测值的2倍, 模拟结果均没有表现出第2次峰值。

2018年3月25–31日期间, 酒泉的观测浓度有3次显著高值出现, 分别为900(26日0时)、1000(29日18时)和2300 μg·m−3(31日0时), 其余时间段浓度值在400 μg·m−3以下。模拟结果均没有捕捉到首次峰值, 28日12时前模拟浓度值小于200 μg·m−3。后两次峰值方案间的差异性较大: GOCART方案分别提前18 h、6 h出现峰值, 且2次峰值浓度都在800 μg·m−3以下; AFWA方案均提前6 h, 2次浓度均低于500 μg·m−3; Shao04方案分别提前6 h、12 h, 浓度分别为500 μg·m−3、2000 μ·m−3, 该方案对峰值的模拟更接近观测值。

包头的PM10观测浓度在28日12时前持续增大, 从起始的约150 μg·m−3至该时刻出现首次峰值约900 μg·m−3, 第2次峰值于29日18时出现(520 μg·m−3),最后1次峰值于31日0时出现(375 μg·m−3)。GOCART方案捕捉到了首次和末次峰值, 但模拟出的首次峰值提前了36 h而末次峰值的模拟值(700 μg·m−3)比观测值高约1.5倍; AFWA方案的模拟浓度值始终不超过300 μg·m−3, 对峰值的捕捉效果不佳; Shao04方案模拟出了3次完整峰值, 但峰值时间均提前(分别提前12、18和18 h), 且模拟值明显偏低。综合分析酒泉和包头两地的PM10浓度, GOCART方案下的模拟结果整体偏高, 而AFWA方案和Shao04方案偏低, 这和起沙量模拟结果中GOCART方案显著高于AFWA和Shao04方案的现象一致。

北京的观测浓度呈现单峰趋势, 峰值于28日12时出现(1600 μg·m−3), 其余时段浓度值较平稳(不超过400 μg·m−3)。3个方案的模拟结果在28日18时均出现了升高趋势, 但浓度和观测值相差甚远, 其中Shao04方案在29日18时出现了和观测结果不符的峰值(900 μg·m−3)。总体来看, 模拟低估了北京的地面PM10浓度。

青岛的PM10观测浓度始终小于200 μg·m−3, 说明该次事件中青岛受沙尘影响不显著, 虽然浓度变化范围较大但是特征值不明显。起沙方案间的差异性在青岛无法得以体现, 模拟结果的浓度变化范围大于观测值, 但整体相差不大。

总的来说, 3种方案均能反映出2次事件中典型城市PM10浓度的变化特征, 但各方案对两次沙尘的模拟表现出了不同特征。对于2017年沙尘, 方案间的PM10模拟结果在近沙尘源地的两个西北城市差异性并不显著, 在下风向城市Shao04方案存在估值偏高; 对于2018年沙尘, GOCART方案对2个西北城市的PM10浓度的估值偏高, 3个方案对下风向城市的模拟差异不显著。另外, Shao04方案的2次模拟结果在北京均出现1个沙尘后期虚高峰值。

2.2.2 AERONET站点观测

AOD反映了整个大气层或某特定大气层中颗粒物对太阳辐射的削弱程度。2017年5月沙尘期间, Beijing-CAMS站点(116.3°E, 39.9°N, 106.0 m)含5个AOD有效数据日, 4日和8日数据缺失(图3a)。3日的AOD最大(1.6), 而模拟AOD值均在0.2以下, 模拟值在4日出现峰值(Shao04方案0.9、GOCART方案0.6、AFWA方案0.5), 后降至较低的平稳值(不超过0.2), 7～9日的增大趋势和观测相符; XiangHe站点(117.0°E, 39.8°N, 36.0 m), 含5个有效数据日, 5日和8日数据缺失(图3b)。观测AOD值在4日最大, 为2.2、7日最小, 为0.1, 基本呈单峰趋势。模拟准确还原了观测的单峰趋势, 但相较于观测结果数值显著偏低, 最大值仅为1.0。综合2个AERONET站点结果, 模拟基本反映了AOD的变化趋势。

2018年3月沙尘期间, Beijing-CAMS站点含6个有效数据日, 28日缺乏数据, 观测AOD值范围在0.2～1.4之间, 模拟结果在30日前存在普遍偏低(模拟AOD值不超过0.3), 同时模拟没有反映出此次沙尘期间站点AOD趋势的变化, 27日观测AOD值一度高达1.4但模拟未能还原这一高值; 31日, 观测AOD值由0.6增大至0.9, 模拟均反映了这一增大趋势(从0.2增大至超过0.8)。总体来说, 对于2018年沙尘, 各方案间AOD模拟差异不明显, 对该次沙尘的AOD反映效果较差(图4)。

图3 2017年5月3–9日AERONET观测AOD(550 nm波段)与模拟对比

2.3 卫星观测与模拟对比

2.3.1 MODIS卫星观测

MODIS卫星观测数据可反映沙尘的水平空间分布特征, 图5为2017年5月4日MODIS观测和WRF-Chem模拟的550 nm 波段AOD水平分布对比。内蒙古、华北和东北地区在4日受沙尘影响严重, AOD值超过1.0(图5a)。对比观测和模拟的AOD水平分布结果, 发现3种起沙方案基本均反映了AOD水平分布特征, 但方案间有所不同。3种方案均在华北地区出现高值区, 但GOCART模拟的高值中心往西南偏移, AFWA方案高值区域面积较小, Shao04方案模拟的高值区最接近观测, 但高值范围较观测偏小, 未模拟出甘肃、内蒙古北部的次高值区, 模拟AOD水平分布所反映的特征和各方案的起沙量模拟数值有较好的对应关系, 方案间起沙量的模拟差异是造成AOD的水平分布差异的原因之一。总体上看, 模拟结果较观测值偏低, 特别是在内蒙古, 模拟值约为0.4, 而观测值在1.0以上。

图4 2018年3月25–31日AERONET观测AOD(550 nm波段)与模拟对比

图6为2018年3月29日MODIS观测和WRF-Chem模拟的550 nm 波段AOD水平分布对比。29日, 我国有2个明显的AOD高值区, 分别位于新疆的塔克拉玛干沙漠和山东半岛, 可知沙尘在起沙源地的影响仍然在持续。而前期起沙已扩散至海上, 对朝鲜半岛和日本产生了影响, 这一特征在模拟结果中均有体现。对比观测和模拟结果, GOCART方案和AFWA方案均体现了塔克拉玛干沙漠的高值特征, 其中AFWA方案模拟AOD值较低, 而Shao04方案没有模拟出这一区域的高值。3个方案在戈壁沙漠均有较高值出现, 但缺少观测结果无从对比。观测结果中存在跨河南–山东半岛–朝鲜半岛的带状AOD高值区域(超过1.0), 模拟结果中反映了这一特征, 但模拟值仅约0.4, 和2017年结果相同, 模拟AOD值较观测值偏低。

图5 2017年5月4日MODIS观测AOD(550 nm波段)与模拟对比(红色直线为该事件中对比的CALIPSO卫星轨迹)

图6 2018年3月29日MODIS观测AOD(550 nm波段)与模拟对比(红色直线为该事件中对比的CALIPSO卫星轨迹)

2.3.2 CALIPSO卫星观测

CALIPSO卫星数据可提供气溶胶的垂直结构信息, 图7a反映了2017年5月3日06:00–06:09期间CALIPSO卫星观测到的532 nm消光系数。受模式输出步长限制, 选取与该时段最接近的06:00时刻模式输出结果, 不难发现模拟基本还原了气溶胶的垂直结构特征: CALIPSO观测和WRF-Chem模拟的最大扩散高度均在8.0 km左右; 观测结果在38°～46°N垂直截面的消光系数出现高值区, 扩散高度最大达到约4.5 km。模拟结果捕捉到了这一高值区, 最大扩散高度略低于观测值(4.0 km), 其中Shao04方案的模拟结果和观测到的垂直结构相似度最高; 模拟方案在32～36°N有明显的垂直混合特征, 其中GOCART的消光系数达到0.3以上, 同区域缺少观测值。

图8为2018年3月28日观测(19:33–19:45)与模拟(20:00)的气溶胶垂直结构对比。CALIPSO观测中出现40～43°N的高值区, 模拟反映了这一垂直扩散特征, 但缺少地形和观测值, 限制了可对比范围。GOCART方案下的模拟结果和观测最为近似, 二者的相关系数最大值均大于0.4、扩散高度均超过3.0 km;AFWA方案模拟的消光系数最小、扩散高度在2.5 km以下; Shao04方案的扩散趋势和AFWA方案相似, 但消光系数还原度高于AFWA方案。整体来说, GOCART方案表现最好。

3 结 论

(1) 对于2次沙尘案例, 3种起沙方案下的起沙量结果差异较大, 其中GOCART方案在0～6 μm粒径的起沙量最大、Shao04方案最小。相较于GOCART方案和AFWA方案, Shao04方案对2018年沙尘的起沙量模拟明显偏小。

(2) 3种方案均能反映出2次事件中典型城市PM10的变化特征。对于近沙尘源地的PM10模拟, 各方案对2017年沙尘事件的模拟差异不显著, 而GOCART方案对2018年案例的模拟值明显偏高。整体来看, Shao04方案模拟的PM10浓度和观测相关性最高。

(3) 通过与AERONET、MODIS和CALIPSO 3种观测资料的对比分析, 发现模拟结果对AOD存在系统性估值偏低, 同时, 模拟AOD水平分布所反映的特征与各方案的起沙量模拟数值有较好的对应关系, 模拟结果中方案间起沙量的差异是造成AOD的水平分布差异的原因之一。Shao04方案对于塔克拉玛干沙漠的起沙量模拟的数值偏低且在塔克拉玛干沙漠区域的沙尘水平分布特征模拟效果不显著。GOCART方案对2次案例特征的整体模拟效果最好, 其次为Shao04方案, 最后为AFWA方案。

图7 2017年5月3日CALIPSO观测与模拟的气溶胶垂直结构(横坐标表示观测点的经纬度)

图8 2018年3月28日CALIPSO观测与模拟的气溶胶垂直结构

(4) 综合2次事件模拟结果与观测数据的对比分析, 发现GOCART方案和Shao04方案均优于AFWA方案且具备各自的优势, 但Shao04方案在我国最主要的沙尘源地——塔克拉玛干沙漠的起沙模拟不确定性较大, 因此认为GOCART起沙方案相对更适用于我国西北地区的沙尘模拟。

致谢:特别感谢南京大学黄昕副教授和另外一名匿名审稿专家对本文提出的建设性的修改意见及建议。

高会旺, 祁建华, 石金辉, 石广玉, 冯士筰. 2009. 亚洲沙尘的远距离输送及对海洋生态系统的影响. 地球科学进展, 24(1): 1–10.

康丽泰, 陈思宇. 2017. 中国北方一次沙尘天气过程的数值模拟. 中国沙漠, 37(2): 321–331.

刘晓东, 田良, 张小曳. 2004. 塔克拉玛干沙尘活动对下游大气PM10浓度的影响. 中国环境科学, 24(5): 17–21.

刘筱冉, 王金艳, 邱继勇, 李全喜, 魏林波. 2018. 起沙方案对西北地区沙尘过程模拟的影响. 环境保护科学, 44(4): 69–76.

王训明, 周娜, 郎丽丽, 花婷, 焦琳琳, 马文勇. 2015. 风沙活动对陆地生态系统影响研究进展. 地球科学进展, 30(6): 627–635.

吴成来, 林朝晖. 2014. WRF/Chem模式中两种起沙参数化方案对东亚地区一次强沙尘暴过程模拟的影响. 气候与环境研究, 19(4): 419–436.

Che H, Zhang X Y, Xia X, Goloub P, Holben B, Zhao H, Wang Y, Zhang X C, Wang H, Blarel L, Damiri B, Zhang R, Deng X, Ma Y, Wang T, Geng F, Qi B, Zhu J, Yu J, Shi G. 2015. Ground-based aerosol climatology of China: Aerosol optical depths from the China aerosol remote sensing network (CARSNET) 2002–2013., 15(13): 7619–7652.

Chen S H, Sun W Y. 2002. A one-dimensional time dependent cloud model., 80(1): 99–118.

Chen Y, Yang K, Zhou D, Qin J, Guo X. 2010. Improving the Noah land surface model in arid regions with an appropriate parameterization of the thermal roughness length., 11: 995–1006.

Choobari O A, Zawar-Reza P, Sturman A. 2014. The global distribution of mineral dust and its impacts on the climatesystem: A review., 138: 152–165.

Flaounas E, Kotroni V, Lagouvardos K, Klose M, Flamant C, Giannaros T M. 2017. Sensitivity of the WRF-Chem (V3.6.1) model to different dust emission parametrisation: Assessment in the broader Mediterranean region., 10(8): 2925–2945.

Ginoux P, Chin M, Tegen I, Prospero J, Holben B, Dubovik O, Lin S J. 2001. Sources and distributions of dust aerosols simulated with the GOCART model., 106: 20255–20274.

Grell G A, Peckham S E, Schmitz R, McKeen S A, Frost G, Skamarock W C, Eder B. 2005. Fully coupled “online” chemistry within the WRF model., 39(37): 6957–6975.

Grell G A, Dévényi D. 2002. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques., 29(6): 587–590.

Hewson M, McGowan H, Phinn S. 2012. Comparing remotely sensed and modelled aerosol properties for a region of low aerosol optical depth. 2012 IEEE International Geoscience and Remote Sensing Symposium. Munich, IGARSS: 2512–2515.

Hong S Y, Noh Y, Dudhia J. 2006. A new vertical diffusion package with an explicit treatment of entrainment processes., 134(9): 2318–2341.

Huang J, Minnis P, Chen B, Huang Z, Liu Z, Zhao Q, Yi H, Ayers J. 2008. Long-range transport and vertical structure of Asian dust from CALIPSO and surface measurements during PACDEX., 113, D23212.

Huang J, Wang T, Wang W, Li Z, Yan H. 2014. Climate effects of dust aerosols over East Asian arid and semiarid regions., 119(19): 11398–11416.

Huebert B J, Bates T, Russell P B, Shi G Y, Kim Y L, Kawamura K, Carmichael G, Nakajima T. 2003. An overview of ACE-Asia: Strategies for quantifying the relationships between Asian aerosols and their climatic impacts., 108, D23.

Huneeus N, Michael S, Balkanski Y, J G, S K, Prospero J, S B, Boucher O, Chin M, Dentener F, Diehl T, Easter R, D F, Ghan S, Ginoux P, A G, Horowitz L, Koch D, Krol M, Zender C. 20110. Global dust model intercomparison in AEROCOM., 11: 7781–7816.

Jickells T D, An Z S, Andersen K K, Baker A R, Bergametti G, Brooks N, Cao J J, Boyd P W, Duce R A, Hunter K A, Kawahata H, Kubilay N, Laroche J, Liss P S, Mahowald N, Prospero J M, Ridgwell A J, Tegen I, Torres R. 2005. Global iron connections between desert dust, ocean biogeochemistry, and climate., 308(5718): 67– 71.

Jones S L, Adams-Selin R, Hunt E D, Creighton G A, Cetola J D. 2012. Update on modifications to WRF-CHEM GOCART for fine-scale dust forecasting at AFWA // American Geophysical Union Fall Meeting Abstracts. Washington D C: AGU Publication, A33D-0188.

Jones S L, Creighton G A, Kuchera E L, George K D, Elliott A J. 2010. Adapting WRF-CHEM GOCART for fine-scale dust forecasting // American Geophysical Union Fall Meeting Abstracts. Washington D C: AGU Publication, U14A-06.

Kim H L, Choi M H. 2015. Impact of soil moisture on dust outbreaks in East Asia: Using satellite and assimilation data., 42(8): 2789–2796.

Kim Y, Fu J S, Miller T L. 2010. Improving ozone modeling in complex terrain at a fine grid resolution: Part I — examination of analysis nudging and all PBL schemes associated with LSMs in meteorological model., 44(4): 523–532.

Kok J F. 2011. A scaling theory for the size distribution of emitted dust aerosols suggests climate models underestimate the size of the global dust cycle., 108(3): 1016–1021.

Lin Y L, Farley R D, Orville H D. 1983. Bulk parameterization of the snow field in a cloud model., 22(6): 1065–1092.

Maher B A, Prospero J M, Mackie D, Gaiero D, Hesse P P, Balkanski Y. 2010. Global connections between aeolian dust, climate and ocean biogeochemistry at the present day and at the last glacial maximum., 99(1–2): 61–97.

Mahowald N M, Muhs D R, Levis S, Rasch P J, Yoshioka M, Zender C S, Luo C. 2006. Change in atmospheric mineral aerosols in response to climate: Last glacial period, preindustrial, modern, and doubled carbon dioxide climates., 111, D10202.

Marticorena B, Bergametti G. 1995. Modeling the atmospheric dust cycle: 1. Design of a soil-derived dust emission scheme., 100(D8): 16415–16430.

Mielikainen J, Huang B, Huang A, Goldberg M D. 2012. GPU acceleration of the updated goddard shortwave radiation scheme in the weather research and forecasting (WRF) model., 5(2): 555–562.

Mikami M, Shi G Y, Uno I, Yabuki S, Iwasaka Y, Yasui M, Aoki T, Tanaka T Y, Kurosaki Y, Masuda K, Uchiyama A, Matsuki A, Sakai T, Takemi T, Nakawo M, Seino N, Ishizuka M, Satake S, Fujita K, Hara Y, Suzuki J. 2006. Aeolian dust experiment on climate impact: An overviewof Japan-China joint project ADEC., 52(1–4): 142–172.

Rea D K, Snoeckx H, Joseph L H. 1998. Late Cenozoic eolian deposition in the North Pacific: Asian drying, Tibetan uplift, and cooling of the Northern Hemisphere., 13(3): 215–224.

Shao Y. 2004. Simplification of dust emission scheme and comparison with data., 109, D10202.

Shao Y P, Wyrwoll K H, Chappell A, Huang J P, Lin Z H, McTainsh G H, Mikami M, Tanaka T Y, Wang X L, Yoon S C. 2011. Dust cycle: An emerging core theme in Earth system science., 2(4): 181–204.

Su L, Fung J C H. 2015. Sensitivities of WRF-Chem to dust emission schemes and land surface properties in simulating dust cycles during springtime over East Asia., 120(21): 11215–11230.

Sugimoto N, Hara Y, Shimizu A, Nishizawa T, Matsui I, Nishikawa M. 2013. Analysis of dust events in 2008 and 2009 using the lidar network, surface observations and the CFORS model., 49: 27–39.

Sun Y, Clemens S C, Morrill C, Lin X P, Wang X L, An Z S. 2012. Influence of Atlantic meridional overturning circulation on the East Asian winter monsoon., 5(1): 46–49.

Tegen I, Fung I. 1994. Modeling of mineral dust in the atmosphere: Sources, transport, and optical thickness., 99(D11): 22897–22914.

Xia X, Che H, Zhu J, Chen H, Cong Z, Deng X, Fan X, Fu Y, Goloub P, Jiang H, Liu Q, Mai B, Wang P, Wu Y, Zhang J, Zhang R, Zhang X. 2016. Ground-based remote sensing of aerosol climatology in China: Aerosol opticalproperties, direct radiative effect and its parameterization., 124: 243–251.

Yuan T G, Chen S Y, Huang J P, Zhang X R, Luo Y, Ma X J, Zhang G L. 2019. Sensitivity of simulating a dust storm over Central Asia to different dust schemes using the WRF-Chem model., 207: 16–29.

Simulating two typical dust storms with the WRF-Chem model:Sensitivity of different dust emission schemes

YIN Xin1, 3, TAN Chenghao1, 3, JIA Shiguo2*, TANG Mingjin1

(1. State Key Laboratory of Organic Geochemistry / Guangdong Key Laboratory of Environmental Protection and Resources Utilization / Guangdong-Hong Kong-Macao Joint Laboratory for Environment Pollution and Control,Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, Guangdong, China; 2. School of Atmospheric Sciences, Sun Yat-Sen University, Guangzhou 510275, Guangdong, China; 3. University of Chinese Academy of Sciences, Beijing 100049, China)

Dust emission events can cause large fluctuations in particulate matter concentrations and need to be considered to predict atmospheric events accurately. This study evaluated the impact of dust emission schemes on the performance of the WRF-Chem model by comparing the data collected from two severe dust events recorded during 3–5 May 2017 and 26–29 March 2018 over northwest China against three different simulation schemes; specifically, the WRF-Chem model coupled with the GOCART, AFWA and, Shao04 schemes. Results show that there is a significant difference between the simulated results of different dust emission schemes for both events: The GOCART scheme always presented the highest dust emission in the 0–6 μm size range while the Shao04 scheme had the lowest. While the trend of surface PM10concentration in typical cities was accurately predicted by all the dust emission schemes, the Shao04 scheme provided the best performance. Generally, the 3 dust emission schemes underestimated the aerosol optical depth (AOD) when compared with AERONET, MODIS and CALIPSO data. The GOCART scheme performed best, followed by Shao04 and AFWA schemes in AOD simulations. Overall, the GOCART scheme is the best choice for dust simulation in northwest China.

dust storm; WRF-Chem; dust emission parameterization scheme

X823; X831

A

0379-1726(2022)05-0528-12

10.19700/j.0379-1726.2022.05.003

2020-11-03;

2020-12-11

国家重点研发计划(2018YFC0213901)和国家自然科学基金(42022050)联合资助。

尹馨(1996–), 女, 硕士研究生, 环境工程专业。E-mail: yinxin18@mails.ucas.ac.cn

贾世国(1985–), 男, 副教授, 主要从事大气化学研究。E-mail: jiashg3@mail.sysu.edu.cn