王溢婕，臧增亮，杨磊库，颜鹏，胡译文，曾勇，尤伟，潘晓滨

1.国防科技大学气象海洋学院,长沙410073;

2.河南理工大学测绘与国土信息工程学院,焦作454003;

3.中国气象局气象探测中心,北京100081;

4.南京信息工程大学大气物理学院,南京210044;

5.中国人民解放军95746部队,成都611530

1 引言

PM2.5、PM10等气溶胶颗粒物是中国空气污染的主要因素，也是近年来空气质量监测和预报的重点（张人禾等，2014；赵子菁等，2015；Gao 等，2015）。大气化学模式是空气质量预报的主要手段之一（薛文博等，2013），利用最优差值、集合卡尔曼滤波、变分同化等技术，将监测资料同化到模式背景场，改进模式的初始场，进而提高模式预报的准确率。随着资料同化技术的发展和监测资料的丰富，很多研究从不同角度验证了资料同化对气溶胶预报的改进效果（崔应杰等，2006，Jiang等，2013；Saide等，2014；Tang等，2017）。

监测资料的时空密度和数据质量是影响资料同化效果的关键。目前资料同化所用的地面数据主要来自于地面空气质量监测站，生态环境部自2013年开始发布地面PM10、PM2.5、SO2、NO2、CO和O3等6要素的监测数据，并不断更新增加监测站点，目前全国已经有超过1500 个站点，提供逐小时监测数据。Jiang 等（2013）利用三维变分方法同化全国的PM10观测资料，显著减小气溶胶初始场误差，相对于没有同化的控制试验，均方根误差降低约60%、相关系数提高120%；并对后续预报有显著改进，预报12 h 时的均方根误差仍比无同化试验降低17.4%、相关系数提高76.1%。靳璐滨等（2016）采用三维变分方法对2014年南京青年奥林匹克运动会期间的PM2.5和PM10进行预报，结果表明初始场效果均方根误差降低55%，相关系数提高53%，平均偏差降低了90%，且预报正效果持续时间达到20 h。Feng等（2018）同样采用三维变分方法同化地面PM2.5资料，对中国冬季PM2.5预报进行改进，发现同化对预报的改进至少持续24 h。

地面监测站点多、时次密、数据质量好，是目前资料同化和预报检验的主要资料源，但地面观测站点的分布极不均匀，受地形、交通、经济等因素影响，在中西部地区和人口稀少的偏远地区，甚至是东部的农村地区，地面监测站点都相对稀少。气溶胶监测的另一个重要手段是卫星遥感，通过卫星反演得到的气溶胶光学厚度（AOD）产品也是气溶胶监测和预报的重要资料源，不同于地面监测站点，卫星资料基本不受地理和经济因素影响，而且分辨率比较高，通常都在10 km 以下，可以弥补地面资料在空间覆盖范围以及分辨率上的不足。目前常用于气溶胶资料同化的卫星主要有美国极轨卫星Terra 和Aqua，日本静止卫星Himawari-8，韩国静止卫星GOCI（Geo-stationary Ocean Color Imager）等。Saide 等（2014）利用Terra 卫星的MODIS（Moderate Resolution Imaging Spectroradiometer）和极轨卫星COMS 上的GOCI（Geostationary Ocean Color Imager）的AOD 数据进行资料同化和预报检验，用于改进WRF-Chem 模式的初始场，发现同化MODIS 数据相对于没有同化的试验24 h 平均偏差降低约50%，而同化两种数据相对于只同化MODIS 数据平均偏差又降低30%。Yumimoto 等（2016）利用集合变换卡尔曼滤波的方法建立了Himawari-8 卫星AOD 产品的同化系统，并对2015年4月的一次沙尘过程进行了同化试验，表明同化卫星AOD 可以改善人为污染过程和沙尘暴过程的模拟效果。

风云三号D 星（FY-3D）于2017年11月由中国成功发射，星上装载了10 台（套）遥感仪器，可以探测全球的温、湿、降水、云辐射等气象参数，主要用于气象灾害的监测（Yang 等，2019）。风云卫星中搭载的中分辨率光谱成像仪MERSI（Medium-Resolution Spectral Imager）与NASA（National Aeronautics and Space Administration）的MODIS属于同类型传感器（张允祥等，2020），也能够反演气溶胶AOD，已经被用于气溶胶的定量化产品研发，精度接近MODIS（杨磊库等，2021）。但对于FY-3D 卫星AOD 资料的同化，目前尚未见到相关研究。

本文利用FY-3D MERSI 的AOD 资料开展资料同化和预报研究，采用Zang 等（2016）和Liang 等（2020）建立的气溶胶三维变分同化系统，以2020-02-09－2020-02-15中国北方地区的一次重污染为例，分别同化地面PM2.5观测和FY-3D MERSI 的AOD 观测，改进WRF-Chem 模式初始场，并检验卫星AOD 资料同化对模式初始场和预报的改进效果。

2 资料与方法

2.1 资料

气象场资料采用NCEP 全球预报系统1°×1°、间隔6 h 的FNL 再分析资料，为模式提供气象初始场和侧边界条件。PM2.5观测数据来源于环保部发布的空气质量监测资料：beijingair.sinaapp.com［2021-05-31］。卫星AOD 数据来源于杨磊库等（2021）针对FY-3D MERSI 初步开发的AOD 产品，该产品在雾霾区也能提供有效的反演结果，在重污染期间的有效覆盖面积要大于美国的MODIS 产品（Shi 等，2021）。收集到的卫星数据原数据分辨率为10 km×10 km，数据精度为±（0.05+0.15τ），进行同化试验之前按照模式设定网格大小对原数据进行稀疏化，以避免过多数据造成的同化效果减弱。为了避免错误或异常数据对资料同化的影响，对观测资料进行了极值控制，剔除PM2.5大于600 μg/m3和AOD大于2小于0的数据。

2.2 大气化学模式

WRF-Chem 大气化学模式是由美国国家大气海洋局（NOAA）预报系统实验室（FSL）开发的气象和化学在线完全耦合的新一代的区域空气质量模式，该模式包括多种物理化学方案，能详细地模拟和预报气象要素和污染物的时空分布（Grell 等，2005，Zhang 等，2009；Forkel 等，2015）。

本文选择的气溶胶方案为MOSAIC 4bins 方案（Zaveri 等，2008），该方案包括4 个粒径段和8 类物种，共32 个气溶胶变量。4 个粒径段分别为：0.039—0.1 μm、0.1—1.0 μm、1.0—2.5 μm 和2.5—10 μm。第1 个粒径段到第3 个粒径段的和对应PM2.5；第4 个粒径段对应PM2.5—10。8 类物种包括：EC、OC、NO3、SO4、CL、NA、NH4和OIN。将前3个粒径段合并，和第4个粒径段的8个物种变量一起构成16个控制变量（Liang等，2020），其余参数化方案见表1。本文的模式区域采用两重嵌套，其中第1重网格（D01）的中心位置为（109.4°E，36°N），纬向网格数为164，经向网格数为155，网格距为27 km，覆盖中国的大部分陆地地区；第2 重网格（D02）的中心位置为（114.570°E，37.983°N），纬向网格数为175，经向网格数为166，水平网格距为9 km，覆盖华北和东北大部分地区。模式在垂直方向为41层，垂直分辨率随高度的增加而逐渐降低。

表1 物理化学参数化方案设计Table 1 Selection of physical and chemical parameterization schemes

2.3 三维变分同化

三维变分同化以最优估计为基础，将观测数据加入到WRF-Chem 模式的背景场中，得到一个优化的初始场，减小初始场误差，使其在统计意义上“最优”。利用优化后的初始场进行预报，提高模型预测的准确率。

首先，建立泛函将三维变分同化转化为求函数极值问题：

式中，x是同化系统中的控制变量，称为分析场，y是观测变量。当x=xa时泛函取极小值，则xa为统计意义上“最优”的分析场（Liang 等，2020；Li 等，2013）。H被称为观测算子，用于将控制变量转化为与观测变量单位一致的变量，本研究中的观测算子参照Liang 等（2020），基于IMPROVE方程估计各种气溶胶化学成分对消光的贡献，设计同化方案中气溶胶质量浓度向光学参数转换的观测算子。B是背景误差协方差，R是观测资料的误差协方差矩阵，计算时假定B和R满足高斯分布。背景误差协方差B是变分同化中的关键问题，它决定着观测信息在背景场中的权重比重，本文采用了NMC（National Meteorological Center）方法进行统计，对同一时刻的两个不同预报时长的预报结果作差（48—24 h），利用差值场的协方差近似估计背景误差协方差（Parrish 和Derber，1992；Derber和Bouttier，1999；Liang等，2020）。

2.4 检验方法

为了对同化效果进行定量的判断，引入平均偏差（BIAS）、相关系数（CORR）、均方根误差（RMSE）进行量化评分：

式中，Cp代表试验模拟值，Co代表观测真值，n代表样本数。平均偏差代表模拟结果与观测值的偏差的平均值，相关系数可以反映模拟结果和观测结果的相关性，均方根误差量化了模式系统性误差。在进行量化评分时，首先将模拟值插值到观测点上，然后将其与观测值比较计算这3个评分指标。

2.5 试验设计

本文以华北地区为主要研究区域（D02区域）。研究时间为2020-02-10—2020-02-12，考虑卫星数据经过研究区域时间约在世界时05：00-07：00时前后，选择每天的06：00 为起报时间，逐日进行24 h 预报，并分别用PM2.5观测数据、FY-3D MERSI的AOD数据作为同化和验证资料。

为了分析资料同化对初始场和预报的改进效果，设计了4 组试验，控制试验不同化任何观测资料，PM 试验仅对PM2.5观测数据进行同化、FY试验仅对FY-3D MERSI 的AOD 数据进行同化，FY&PM 试验对PM2.5观测和卫星AOD数据同时进行同化（表2）。

表2 试验方案设计Table 2 Design of four experiments

3 结果分析

3.1 污染过程分析

2020-02-09—2020-02-15 在中国北部地区发生了大范围的空气污染，由于2020年1月底新冠疫情爆发，大部分工厂停工，交通出行也显著减少，在污染排放较少的情况下出现大范围的污染。2020-02-10—2020-02-12 是这次污染过程中污染最为严重的3 d。图1给出了这3 d每日06：00（世界时UTC，下同）的PM2.5浓度和风场分布。图1（a）可以看出，京津冀到辽宁一带为污染大值区，PM2.5浓度大部分都在120 μg/m3以上，有些达到了150 μg/m3；污染区的风速较小，有风场的辐合。由图1（b）可以看出，2月11日山东半岛和辽东半岛的风速加大，导致这些区域的PM2.5浓度降低，而北京、天津、河北地区的风场辐合增强，造成PM2.5浓度增加，达到了150 μg/m3。由图1（c）可以看出，2月12日辽东半岛南部为风场的辐散区，导致辽宁地区的PM2.5浓度继续降低，华北地区仍为风场辐合区，PM2.5浓度略有增加。2月13日之后华北地区污染物浓度开始下降，2月15日华北地区PM2.5浓度均小于35 μg/m3，污染过程结束（高庆先等，2020）。

图2 是2020-02-10—2020-02-12 每日06：00 FY-3D MERSI 反演的AOD 结果值分布情况，可以明显看出卫星AOD资料分布较地面观测更为密集，并且能够覆盖华北和东北的大部分地区，但在内蒙古、宁夏地区由于植被稀疏，没有AOD 反演数据；而在湖北、江苏等地区由于云的影响，也会出现资料缺测的问题。图2（a）中2月10日AOD大于0.5 的大值区在京津冀、陕西及沈阳到大连一线，与PM2.5观测资料的大值区一致。由图2（b）和图3（c）中可以看出，卫星AOD 大值区分布也与图1（b）、图1（c）中地基PM2.5的大值区基本一致，但范围更大，特别是在辽宁东北部的AOD 的大值区，这一方面是因为地面站点分布不均匀，PM2.5没有覆盖到这些区域，另一方面是由于这一区域的相对湿度比较大，气溶胶的吸湿增长导致AOD增大，而PM2.5本身的浓度不高。

图1 2020-02-10—2020-02-12 06：00（UTC）地面PM2.5质量浓度（μg/m3）和再分析风场（m/s）Fig.1 The wind field（m/s）and surface PM2.5（μg/m3）in ground stations at 06：00 on February 10，11 and 12

图2 2020-02-10—2020-02-12每日06：00前后1 h风云三号D星MERSI的AOD结果分布Fig.2 Distribution of AOD results of MERSI on FY-3D at 05：00 to 07：00 on February 10-12，2020

图3 控制试验模拟的2020-02-10—2020-02-12 06：00时初始场PM2.5质量浓度（μg/m3）Fig.3 Surface PM2.5（μg/m3）of control experiment in initial field from February 10 to 12，2020 at 06：00

3.2 初始场检验评价

图3 为2020-02-10—2020-02-12 控制试验每天06：00 初始场情况，由图3 可见，模拟的污染区分布与图1中PM2.5观测相似，图3（a）2月10日主要的污染区位于华北地区，北京、天津PM2.5浓度均在180 μg/m3以上。相比图1（a），北京、天津以及皖北到苏北的PM2.5浓度值比实况偏大，而东北的PM2.5浓度值偏小。由图3（b）可以看出，2月11日污染区明显北移，京津冀及东北地区污染程度增强，PM2.5数值在150 μg/m3以上，山东、江苏、安徽等地区污染减弱，与图1（b）分布相似，但观测结果中高污染区的强度和范围明显小于模拟结果。2月12日（图3（c））华北地区的重污染区范围扩大，东北地区重污染区略范围减小，与观测结果的趋势一致（图1（c）），但模拟的污染区强度和范围仍大于观测结果。

图4为2020-02-10—2020-02-12 3组同化试验的PM2.5增量场，即同化试验减去控制试验的差值场。图4（a）为2月10日PM 试验的增量场，可以看出，东北地区以正增量为主，天津以及山东半岛到江苏、安徽等地区为负的增量场，对比控制试验（图3（a））和地面PM2.5观测结果（图1（a））的差别，同化后的初始场由于融合了地面PM2.5观测信息，与观测场更一致。图4（b）为2月11日PM 试验的增量场，除了河北北部以及陕西西南部地区以外，整个增量场以负值为主，同化改进了控制试验（图3（b））中相比于地面观测（图1（b））的高估情况。图4（c）2月12日PM2.5试验的增量场，可以看出整个华北、东北地区为明显的负增量场，也改进了控制试验相比于地面观测的高估情况。总体来说，PM 试验可以显著的改进控制试验的高估。图4（d）、图4（e）和图4（f）分别为2020-02-10—2020-02-12 FY 试验初始场PM2.5的增量分布，可以看出，FY 试验也是以负增量场为主，从2020-02-10—2020-02-12 负增量的范围和强度逐渐扩大，与PM 试验增量场的趋势是一致的，这说明FY-3D 卫星AOD 资料虽然和地面PM2.5资料是相互独立的数据源，但两者的强度分布是基本一致的，对同化改进的趋势也趋同；但FY 试验和PM 试验的增量场也有所区别，主要体现在FY试验负增量场的强度和范围偏小，而正增量场的范围较大，强度也略大于PM 试验，这和图2 中卫星AOD的大值区范围偏大是一致的，而这些地方的地面观测站点较少（图1），说明通过同化AOD数据在空间上可以更全面地提高PM2.5模拟结果。图4（g）、图4（h）和图4（i）分别为2020-02-10—2020-02-12 FY&PM 试验PM2.5的增量场，可以看出，FY&PM 试验由于融合了PM2.5和卫星AOD数据，其增量场正负中心更多，FY&PM 试验增量场分布既综合体现了前两组同化试验各自的特征，又体现出AOD 数据对地面PM2.5观测的补充效果。由于AOD 数据的数据量更大，所包含的信息量更充足，其明显改善了PM 试验由于数据缺失导致的在西北地区的低估模拟，可以认为AOD 数据在空间上可以更全面的对模式的模拟效果进行改进。

图4 2020-02-10—2020-02-12同化试验与控制试验的模拟PM2.5质量浓度（μg/m3）结果差（增量场）Fig.4 Incremental field of surface PM2.5（μg/m3）in the experiments on February 10 to 12，2020

为了进一步定量评价同化对初始场的改进效果，利用式（2）—式（4）计算2020-02-10—2020-02-12 T 06：00 时各组试验的量化评分。图5为4 组试验2020-02-10—2020-02-12 模式初始场PM2.5与观测值的散点图，表3 为其对应的检验评分。由图5（a）可以看出，2月10日控制试验初始场的模拟结果（黑色）位于中心线左上方，表明控制试验中PM2.5浓度模拟结果普遍偏高，平均偏差为64.68 μg/m3，相关系数仅为0.39，均方根误差为85.34 μg/m3；同化PM 试验（蓝色）降低了PM2.5的模拟浓度，与观测结果更一致，平均偏差降低到36.24 μg/m3，相关系数提高到0.73，均方根误差降低到48.69 μg/m3；FY 试验（红色）相对于控制试验也有一定改进，平均偏差为62.12 μg/m3，相关系数为0.47，均方根误差为70.68 μg/m3，需要强调的是，由于检验资料用的是地面PM2.5观测，而FY 试验的同化资料来自于卫星AOD 数据，两者的观测变量、时空分布都有所不同，但FY 试验评分仍优于控制试验，这表明同化卫星AOD 资料对改进地面PM2.5分析场有一定的正效应；图5（a）中FY&PM 试验（棕色）的评分介于PM 试验与FY 试验之间，平均偏差为40.91 μg/m3，相关系数为0.66，均方根误差为55.17 μg/m3。图5（b）（c）分别是2020-02-11—2020-02-12 PM2.5模式初始场与观测散点图，与图5（a）类似，3组同化试验的检验结果均优于控制试验，特别是图5（b）中的FY 试验也明显优于控制试验，相关系数达到了0.72。

表3 初始场PM2.5的检验评分Table 3 Average quantitative assessment results of PM2.5 in the initial field

下面以卫星AOD数据作为标准计算量化评分，图6为观测和模拟的散点图，表4为其对应的检验评分。图6、图5类似，3组同化试验总体上均优于控制试验。相对而言，FY 试验（红色）及其评分最优，但FY&PM试验（棕色）的有些评分与FY试验相当，甚至优于FY试验，如图6（b）中FY&PM试验的平均偏差为0.02，图6（c）中FY&PM 试验的平均偏差为0.05，相关系数为0.83，均方根误差为0.18，均优于FY试验的评分，这说明同化地面PM2.5资料，可以有效弥补整层AOD的效果。

表4 初始场AOD的检验评分Table 4 Average quantitative assessment results of AOD in the initial field

图5 2020-02-10—2020-02-12初始场PM2.5浓度模拟值与观测值的散点图Fig.5 Scatter diagram of the simulated and observed PM2.5 concentration in the initial field on February 10 to 12，2020

图6 2020-02-10 06：00—2020-02-12 06：00 AOD模拟值与观测值分布散点图Fig.6 The scatter diagram of AOD simulated concentration and observed concentration from 06：00 on February 10 to 06：00 on February 12，2020

为了更客观评价同化对初始场的改进效果，对PM2.5观测和AOD 观测资料进行检验结果进行平均。表3 是2020-02-10—2020-02-12 两种资料检验的平均量化评分，可以看出，两种检验方法同化试验的评分均优于控制试验。用PM2.5检验时，控制试验的平均偏差为68.56 μg/m3，相关系数为0.51，均方根误差为80.36 μg/m3。通过同化PM 试验平均偏差减小到30.93 μg/m3，减少54.9%，相关系数提高到0.77，提高51.4%，均方根误差减小到85.36 μg/m3，减小50.6%；FY 试验的平均偏差为53.53 μg/m3，减少21.9%，相关系数为0.59，提高16%，均方根误差为70.72 μg/m3，减少17.2%。FY&PM 的平均偏差为35 μg/m3，减少49%，相关系数为0.68，提高34%，均方根误差为49.28 μg/m3，减少42.3%。用AOD资料检验的效果表明，FY&PM试验的平均总体最优，平均偏差为0.04，降低83%，相关系数为0.8，提升66%，均方根误差为0.15，降低65.2%。

表5 PM2.5和AOD初始场的平均量化评分Table 5 Average quantitative assessment results of PM2.5 and AOD in the initial field

表6 PM2.5和AOD的24 h预报平均量化评分Table 6 24 hours forecast average quantitative score of PM2.5 and AOD

3.3 预报效果检验评价

同化对初始场改进的主要目的是提高后续预报的准确率，下面对4组试验的预报结果进行分析和评价。图7 是2020-02-10 T 06：00—2020-02-12 T 06：00 每天24 h PM2.5预报的量化评分演变曲线，可以看出，3组同化试验的平均偏差、相关系数和均方根误差相对于控制试验都有所提高。图7（a），图7（b）和图7（c）分别是2月10、11 和12日平均偏差变化曲线，可以看出除了10日FY 试验（红色线）对控制试验的改善效果略差以外，其他时间3组同化试验对控制试验都有明显的改善，而且改善效果一直持续到24 h。图7（d），图7（e）和图7（f）为相关系数曲线，3 组同化试验对控制试验都有明显提高，特别在前12 h 的提高显著。图7（g），图7（h）和图7（i）为均方根误差变化曲线，其特征与平均偏差曲线相似。从图7中还可以看出，PM 试验（蓝色线）在前几小时的评分通常优于FY 试验（红色线）和FY&PM 试验（棕色线），但随着预报时效的延长，FY&PM 试验（棕色线）通常能够超过PM 试验的评分，FY 试验的评分也能和PM试验相当，这表明同化卫星AOD资料能够改进三维空间的气溶胶浓度，更有利于后期预报的持续性提高。

图7 2020-02-10 T 06：00—2020-02-13 T 06：00量化评分Fig.7 Quantitative score during 2020-02-10 T 06：00—2020-02-13 T 06：00

表4 是2020-02-10—2020-02-12 24 h 预报平均量化检验结果，可以看出，以PM2.5和AOD 两种资料检验的结果都表明同化对预报有明显的改进。以PM2.5作为检验标准时，相对于控制试验，同化PM 试验的平均偏差减少15.2%，相关系数提高7.3%，均方根误差减少13.4%；同化FY 试验也有明显的改进，平均偏差减少13.7%，相关系数提高6.5%，均方根误差减少了12.3%。同化FY&PM 试验的改善效果最显著，平均偏差减少19.7%，相关系数提高8.8%，均方根误差减少17.2%。用卫星AOD 资料作为检验标准与PM2.5检验标准的效果类似，3 组同化试验都比控制试验有提高，同化FY&PM 的提升效果最好，平均偏差减少40.1%，相关系数提高25.9%，均方根误差减少了34.7%；同化FY 试验也有显著改进，平均偏差、相关系数和均方根误差都改进20%以上。总之，两种资料的检验都表明同化地面PM2.5和卫星AOD 资料均可以改进24 h 预报评分，同时同化两种资料的预报评分效果最高，这说明两种资料可以相互弥补，达到最好的预报效果。

4 结论

资料同化是改进大气化学模式预报水平的有效手段，目前用于空气质量预报的卫星数据大多源于国外卫星，包括Terra、Aqua、Himawari-8等。本文首次采用了国内自主研发的FY-3D 星AOD 数据进行同化和空气质量预报，以2020-02-10—2020-02-12中国北部地区的一次重污染过程为例，检验了FY-3D 星数据对提高空气质量预报水平的作用，为空气质量资料同化预报自主控制提供了参考。

本文的试验结果表明，无论同化地面PM2.5质量浓度还是AOD都可以有效提高24 h的预报效果，当采用地面PM2.5作为检验标准时，同时同化两种资料相对于只同化地面PM2.5资料，对后期预报的改进有明显提升，这表明卫星AOD 资料能够弥补地面PM2.5资料的不足，对三维空间场的改进尤其有利于后期地面PM2.5预报的提高。以AOD 数据为检验标准时，同化两种资料试验相对于无同化试验提高效果更为显著，24 h 预报场的平均偏差和均方根误差分别降低40.1% 和34.7%，相关系数提高25.9%。与已有文献相比，本文中同化FY-3D 星AOD 资料的提高效果高于国外卫星资料同化对预报的改进，例如同样是对24 h 预报的改进，同化GOCI 的AOD 资料平均偏差降低36.3%左右（Pang等，2018），同化Terra 和Aqua 卫星的MODIS 的AOD 资料平均偏差降低14.2%左右（McHenry 等，2015）。当然，同化效果的改进受地理区域、污染情况、模式能力等差异的影响，不能完全相比，但可以肯定同化FY-3D 星AOD 资料的在空气质量预报中有非常好的应用前景。

本文对风云卫星AOD 同化试验仅是初步的，在以后的研究中还需要进一步从资料和同化两方面入手提高FY-3D 星的应用价值。如目前的FY-3D 星MERSI 的AOD 数据采用的是暗目标算法DT（Dark Target），主要覆盖有植被、城市和反射率较低的裸地上空（杨磊库等，2021），而在高纬度雪融地区、沙漠区以及海洋上空缺少反演结果，如果能改进反演算法增加AOD 在这些区域的反演值，将会进一步提高卫星AOD 同化和预报的效果；还可以利用卫星AOD 和地面PM2.5资料进行四维变分资料同化研究，将更多的观测信息引入模式中，生成在四维时空尺度上更加协调的分析场，同时还可以改进模式的排放源，下一步将在这些方面开展研究。