胡译文,臧增亮,马晓燕,梁延飞,赵定池,尤 伟



气象资料同化对PM2.5预报影响的模拟分析

胡译文1,臧增亮2*,马晓燕1,梁延飞2,4,赵定池3,尤 伟2

(1.南京信息工程大学,气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心/中国气象局气溶胶与云降水重点开放实验室,江苏 南京 210044；2.国防科技大学气象海洋学院,江苏 南京 211101；3.中国人民解放军75839部队,广东 广州 510510；4.中国人民解放军32145部队,河南 新乡 453000)

基于GSI(网格点统计插值)同化系统和WRF-Chem模式,利用高分辨率的气象自动站观测资料和天气雷达资料进行同化和模拟预报,针对2017年11月4~5日发生在我国京津冀地区的一次污染过程,对比研究了气象资料同化对PM2.5模拟效果的影响.结果表明,WRF-Chem模式能较为准确地预报出北京-石家庄-邯郸的污染带分布和演变,低层风场辐合是污染带形成的主要气象因素;无同化的控制试验由于地层风场辐合较强,高估了污染带上的PM2.5浓度,同化试验减小了低层的风场辐合,同时增高了地面温度并抬升了边界层高度,从而降低了污染带上PM2.5的浓度;预报检验分析表明,同化试验的预报效果整体好于控制试验,0~36h的平均BIAS(标准偏差)和RMSE(均方根误差)分别降低了7.55和5.42μg/m3,MFB(平均相对偏差)和MFE(平均相对误差)分别降低了28.8%和9.4%,同化试验在预报的第10~30h时段上的改善效果最为显著.

资料同化；GSI；PM2.5；WRF-Chem

大气化学模式(或空气质量模式)是污染物预报预警的重要工具,对于任何大气化学模式而言,准确的气象场条件都是污染物预报的前提.气象条件不仅直接决定污染物的扩散和传输,而且影响污染物化学反应的强度和速率[1-3].很多数值模拟研究都表明,气象条件对区域污染的发展和消散过程起着重要作用[4-8].

气象资料同化是改进模式初始场的有效手段,目前已广泛应用于气象要素的预报.薛谌彬等[9]和Wan等[10]分析了气象观测资料同化对气象预报的影响,结果表明资料同化能有效增加初始场中的中小尺度温度场、水物质含量和风场等信息,对初始场场进行调整,对提高强降水的预报水平有重要作用. Igri等[11]通过使用三维变分同化改善中尺度模式的初始条件,使降水预报提高了15%~25.2%.

气象资料同化在改进气象要素预报的同时,必然也会对污染物的预报有一定影响,特别是局地风场资料的同化,可以直接改变污染物的传输扩散及其浓度分布,而温度场资料同化可以通过影响边界层高度改变污染物的浓度分布.但目前大气化学模式的业务预报和科学研究,通常是直接利用气象再分析场启动预报,很少考虑到气象资料同化的效应.虽然再分析资料中也同化了一些常规观测和卫星资料,但一方面目前广泛采用的NECP和ECMWF等再分析资料是基于全球模式实施的,其对区域的中小尺度大气环流难以精细化描述;另一方面,国外的再分析资料没有同化国内的雷达、卫星和地面自动站等资料,同化更多的精细化气象资料能在一定程度上改进区域气象的准确性.本文基于GSI系统同化国内的自动站和雷达资料,对2017年11月4日京津冀地区发生的一次污染物传输、扩散过程进行预报,分析气象资料同化对PM2.5浓度分布和演变的影响,并对模拟结果进行评估.

1 资料与方法

1.1 大气化学模式

大气化学模式采用区域大气动力-化学耦合模式WRF-Chem(V3.7).该模式是由美国国家大气研究中心(NCAR)、美国国家大气海洋局(NOAA)等单位共同发展的“在线”区域化学/传输模式,包含了详细的大气物理和化学过程处理方案,其化学部分和物理部分在线耦合,使用相同的模式网格、大气动力和物理过程方案,气象场和化学场信息能在每个积分时部上相互反馈[12].在线模式减少了离线模式对随时间变化显著的气象要素插值带来的信息丢失,能更详细地模拟和预报气象要素和污染物的时空分布,现已广泛应用于大气污染的模拟研究[13-15].

模拟区域设置为三重嵌套网格(图1),其网格距分别为45,15和5km,垂直方向分为30层,分辨率在低层较高,随高度增加而逐渐降低.最内层嵌套以(115.64°E,38.854°N)为中心,网格点为130×136,该模拟区域包括了京津冀及其周边地区.WRF-Chem模式模拟选择的物理化学参数化方案如表1所示.模式模拟所使用的气象资料为0.25°×0.25°、6h一次的NCEP全球预报系统的再分析资料,由此提供气象背景场和边界条件.化学初始场来自前期的模拟结果.排放源资料采用清华大学的MEIC排放源清单(http://www.meicmodel.org/index.html).

表1 物理化学参数化方案选择

1.2 气象资料同化系统

气象资料同化采用GSI同化系统,该系统是将全球和区域的变分同化技术集一体的资料分析系统,在气象资料同化方面被广泛应用[16-17].该系统集成了EnKF、3DVar、hybrid等多种同化方法,并通过引入递归滤波方法,建立了格点上的背景误差协方差,具有适应实际情况、各项异性且非均一的特征,对中尺度数据同化和预报尤其重要.与传统的WRFDA同化模块相比,GSI系统不仅可以调整初始场的内部信息,也可以同时更新初始场的底边界与侧边界条件0.

GSI同化系统设计了不同观测类型的数据接口,目前可同化的常规观测资料达20多种,对于非常规观测资料,如卫星辐射率、掩星折射率和雷达径向风、反射率等均进行同化.值得注意的是,对雷达径向风资料的同化,采用三维变分技术,与其它风观测资料一起进行变分同化分析;对雷达反射率资料则采用内置于GSI内部的复合云分析技术,通过非绝热初值化方案进行热力调整改进湿度参量.

1.3 资料介绍

自动站资料为国家级地面观测站逐小时观测数据,主要包括北京、天津、河北和河南等省市的386个地面自动观测站记录,其要素包括气压、海平面气压、10min平均风向、10min平均风速、温度、相对湿度、水汽压等.为更好地同化地面自动站观测资料,对气压、风向、风速、气温和相对湿度等要素采用气候极值检查、内部一致性检查、时间一致性检查和空间一致性检查,剔除异常的站点观测资料.

气象雷达资料来自我国东部38部CINRAD/SA多普勒天气雷达观测,本文主要使用雷达反射率因子和径向风数据.多普勒雷达探测资料的时间分辨率为5~6min,空间分辨率为250~1000m,能有效探测中小尺度系统的结构.本文对天气雷达资料的质量控制主要采取剔除孤立点、去除地物杂波、速度退模糊及平滑滤波等方法,并分别将雷达径向风和反射率转换为GSI所需的BUFR格式后进行资料同化.

同化效果的检验资料为地面的PM2.5检测数据,来源于中国环境监测总站(http://www.cnemc.cn/),全国共1500多个监测站点.观测资料每小时更新1次,包含PM2.5、PM10、SO2、NO2、CO、O3等污染物浓度信息.

图1 模拟区域及观测站点分布

大实心圆点为雷达站;小实心点为气象观测自动站;空心圆为环境空气质量监测站

1.4 试验设计和检验分析方法

为分析气象资料同化对污染物的影响效果,针对2017年11月4~5日的一次污染过程,设计无同化的控制试验和同化试验进行对比(表2).控制试验不同化任何气象观测资料,从2017年11月4日00:00起报,向后积分预报36h;同化试验中同化自动站和雷达资料,将同化得到的4日00:00分析场作为初始场,向后积分36h.

表2 数值试验方案

为了量化对PM2.5模拟结果的准确性,使用平均偏差(BIAS)、均方根误差(RMSE)、平均相对偏差(MFB)和平均相对误差(MFE),具体计算公式如下:

2 结果与分析

2.1 污染过程分析

图2 2017年11月4日~5日地面PM2.5质量浓度(μg/m3)和地面风场(m/s)

2017年11月4~5日京津冀地区经历了一次PM2.5污染加重的过程.图2是2017年11月4~5日地面实况PM2.5质量浓度和自动站风场分布.由图可见,在4日00:00[图2(a)],天津和唐山附近分别存在着PM2.5的高值中心,浓度值在100μg/m3以上.到了4日12:00[图2(b)],随着地面的降温,边界层高度降低,大气层结转变为稳定层结,不利于污染扩散,此时北京-石家庄-邯郸一线形成一个PM2.5的高值带.另外,在忻州和太原还各存在一个相对孤立的大值区,污染中心的PM2.5浓度达160μg/m3以上.同时,在污染带的南侧,有较强的偏南风,将山东、河南等地的污染污染物向北输送,而在污染带的北侧,为弱的偏西气流,即污染带为一气流辐合区,导致污染加重.到了5日12:00[图2(d)],污染带的浓度大多在150μg/m3以上,并且与太原和忻州的污染区连为一体.

2.2 控制试验的污染过程模拟分析

图3为2017年11月4日~5日控制试验模拟的PM2.5浓度值及地面风场.对比实况观测(图2),控制试验能较好地模拟出PM2.5和地面风速的分布:4日00:00模拟的PM2.5浓度与实测的小时浓度值基本相同,在天津-石家庄-邯郸一线存在一个污染带,PM2.5浓度值大多在75μg/m3以上,唐山、太原还各存在一个相对孤立的高值中心,在污染带的南侧有较强的偏南风,北侧为弱的偏西气流,与观测结果基本一致,但风速略大;4日12:00,北京-石家庄-邯郸一线形成污染带污染加重,且污染范围逐步扩大,对比图2(b),模式高估了唐山、天津以及污染中心的PM2.5浓度,对张家口、承德等地则有一定的低估,5日12:00,北京-石家庄-邯郸一线的污染带与太原、忻州的污染高值中心连为一体,但与观测结果相比,高估了北京和唐山这2个污染大值区的PM2.5浓度,但对石家庄、邯郸和太原附近的PM2.5浓度有所低估.

图3 控制试验模拟2017年11月4~5日地面PM2.5质量浓度((μg/m3)和地面风场(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

由图4(a)可见,通过资料同化调整了地面风场,在山东北部为辐合差值场,而北京附近是辐散差值场,由于同化的资料为气象场数据,因此在初始时刻PM2.5浓度没有变化.从图4(b)、(c)和(d)可以看出,随着预报积分的延长,同化试验和控制试验的PM2.5也存在显著差异:4日12:00和5日00:00的模拟结果显示,与控制试验相比,同化试验在北京-石家庄-邯郸污染带上的PM2.5浓度有所降低,而在忻州、承德这2个区域的PM2.5浓度有所升高,与观测的PM2.5分布更为一致;5日12:00,石家庄和邯郸的PM2.5浓度升高,而北京的PM2.5浓度降低,更趋于实际观测结果.

图4 同化试验与控制试验2017年11月4~5日地面PM2.5质量浓度(μg/m3)和地面风场(m/s)模拟结果的差

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

由图5可见,控制试验在山东大部分地区为辐散场(正值区),在北京-石家庄-邯郸一线的污染带上为辐合场(负值区);同化试验的分布与控制试验大致相同,但污染带上的辐合场范围和强度减小;同化试验与控制试验的差值场在污染带上表现为辐散场,在山东东部附近显示为辐合场.这表明通过资料同化对风场的调整,有利于降低污染带上的PM2.5浓度,并提高山东东部PM2.5的浓度.

图5 初始时刻地面风的散度场

(a)控制试验(b)同化试验(c)增量场

图6 图5中直线上的散度场的垂直剖面

(a)控制试验(b)同化试验(c)增量场

图6与图5类似,为图5(a)中黑色直线污染带上的散度场的垂直剖面图.由图可见,在控制试验中污染带上的散度场基本呈现低层辐合(正值)、高层辐散(负值)的配置,这样的高低空配置有利于污染物的堆积,使污染加重;而同化试验中低层的辐合和高层的辐散都有所减弱;两者的差值场表现为低层为辐散、高层辐合,即同化结果有利于地面污染带上气溶胶的扩散,降低地面PM2.5浓度,使同化结果更接近于观测.

由图7可见,地面温度的模拟表现为白天高、夜间低的日变化特征,同化试验相对于控制试验的地面温度明显偏高,这主要是来自于同化自动站温度数据的贡献,并且一直持续到36h以后;同化试验地面温度的偏高,造成边界层高度抬升,从而降低了污染带上PM2.5的浓度.值得注意的是,同化试验和控制试验的差异在预报的第10h以后最为显著,这可能是由于控制试验中夜间温度迅速降低,在近地面形成静稳边界层,而同化试验中地表温度偏高,形成的静稳边界层高度偏高,或形成的时间滞后.

2.4 同化预报效果对比分析

图8 2017年11月4日~5日控制和同化试验36h预报结果统计

图8为模式最内层(d03)区域175个监测站PM2.5平均的BIAS、RMSE、MFB和MFE统计结果与模拟时间序列曲线.总体来看,同化试验明显好于控制试验:平均BIAS由22.38μg/m3减小至14.83μg/m3,降低了34%[图8(a)],由于BIAS均为正值,说明模拟的浓度偏大,同化试验有效降低了平均的浓度;平均RMSE由37.87μg/m3减小至32.45μg/m3,降低了14%[图8(b)];MFB和MFE则分别由0.085、0.105降低到0.061、0.095,平均降低了28.8%和9.4%[图8(c)和(d)].值得注意的是,这几个检验指标的同化和控制试验在第10h左右的差异明显偏大,这主要是由于夜间边界层高度降低,PM2.5浓度升高所致;当边界层高度降低后,PM2.5的浓度对边界层高度的敏感性增大,因此控制试验和同化试验的差异也增大,同化试验的预报效果在整个夜间至第二天上午(10~30h)的改进效果均比较明显;其后,随着边界层高度的抬高,以及两个试验温度差异的减小,对PM2.5预报的效果趋于一致.

表3为北京、天津、石家庄和邯郸站点36h预报的检验结果,可以看出控制试验PM2.5的浓度均显著偏高,同化试验有效降低了对4个站点的平均浓度,4个站点的BIAS分别下降12.47,10.22,21.15和8.18μg/m3;RMSE分别下降7.64,5.56,11.74和4.59μg/m3.同化试验对石家庄站点的预报结果改善最为显著,由图7可知,同化试验和控制试验边界层高度在石家庄的差异最为显著,这说明边界层高度是影响模拟效果的关键因子.

表3 主要站点同化和控制试验PM2.5的模拟结果对比

3 结论

3.1 WRF-Chem模式对本次污染传输过程有较好的模拟能力,能比较准确地预报出北京-石家庄-邯郸污染带的分布特征和演变规律,污染带的低层为辐合场,高层为辐散场,有利于PM2.5的堆积;

3.2 控制试验的模拟高估了污染带上的PM2.5浓度;同化试验与控制试验的风场差异在污染带上表现为辐散场,且同化试验中地面温度偏高,导致污染带附近边界层高度升高,有利于污染带上PM2.5浓度的降低,与观测结果更为一致;

3.3 气象初始场同化对PM2.5的后续预报有持续的改进,相对于控制试验,同化试验0~36h预报的BIAS和RMSE平均降低了7.55和5.42μg/m3,MFB和MFE则分别降低了28.8%和9.4%,同化试验对石家庄站点的预报结果改善最为显著,其BIAS和RMSE分别降低21.15和11.74μg/m3,温度及边界层高度的差异是对PM2.5持续改进的主要因素.

[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] 孙家仁,许振成,刘 煜,等.气候变化对环境空气质量影响的研究进展[J]. 气候与环境研究, 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] 庞 杨,韩志伟,朱 彬,等.利用WRF-Chem模拟研究京津冀地区夏季大气污染物的分布和演变[J]. 大气科学学报, 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] 刘 琳,王玲玲,白永清,等.应用WRF/Chem模拟河南冬季大气颗粒物的区域输送特征[J]. 环境科学学报, 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] 蒋伊蓉,朱 蓉,朱克云,等.京津冀地区重污染天气过程的污染气象条件数值模拟研究[J]. 环境科学学报, 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] 张 艳,余 琦,伏晴艳,等.长江三角洲区域输送对上海市空气质量影响的特征分析[J]. 中国环境科学, 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 锋,朱 彬,安俊岭,等.2013年12月初长江三角洲及周边地区重霾污染的数值模拟[J]. 中国环境科学, 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] 麦健华,邓 涛,黄烨琪,等.中山市一次灰霾天气过程污染物来源数值模拟分析[J]. 中国环境科学, 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] 薛谌彬,陈 娴,吴 俞,等.雷达资料同化在局地强对流预报中的应用[J]. 大气科学, 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] 靳璐滨,臧增亮,潘晓滨,等. PM2.5和PM2.5~10资料同化及在南京青奥会期间的应用试验[J]. 中国环境科学, 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] 邹晓蕾,秦正坤,翁富忠.晨昏轨道微波温度计资料同化对降水定量预报的影响及其对三轨卫星系统的意义[J]. 大气科学, 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,闵锦忠,许冬梅,等.Hybrid ETKF-3DVAR方法同化多普勒雷达速度观测资料Ⅰ:模拟资料试验[J]. 大气科学学报, 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.

致谢：感谢感谢中国气象数据网提供气象观测资料和全国城市空气质量实时发布平台提供的PM2.5资料.

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

胡译文(1995-),女,辽宁铁岭人,南京信息工程大学大气物理学院硕士研究生,主要从事气溶胶环境影响研究.发表论文1篇.

2018-07-02

国家重点研发计划资助项目(2017FYC0209803);国家自然科学基金资助项目(41775123, 41675004,41475005)

* 责任作者, 副教授, zzlqxxy@163.com