杨 旭,樊文雁,蔡子颖*,朱玉强,唐颖潇,董琪如

地面PM2.5和气溶胶激光雷达联合变分同化对天津冬季一次重污染过程数值模拟改进研究

杨 旭1,2,樊文雁1,2,蔡子颖1,2*,朱玉强1,2,唐颖潇1,2,董琪如3

(1.天津市环境气象中心,天津 300074；2.中国气象局-南开大学大气环境与健康研究联合实验室,天津 300074；3.天津市气象科学研究所,天津 300074)

针对输送型重污染过程,大气化学模式垂直模拟偏差较大,地面观测同化对污染垂直初始场改进不明显,高空输送模拟偏低的问题,以2023年1月5～6日天津地区一次重污染过程为例,通过PM2.5地面观测和气溶胶激光雷达垂直观测联合应用,发展相应的气溶胶变分同化技术,改进大气化学模式污染垂直模拟效果,服务重污染天气预报预警和成因解析.研究表明:此次重污染过程由于大气化学模式垂直模拟能力不足,导致S1发展阶段地面PM2.5增长速率和S2维持阶段的峰值浓度明显低估,垂直分布上污染层高度模拟偏低200～300m,白天输送阶段高空PM2.5浓度高于地面、夜间稳定边界层以上污染高值特征均未能有效反映;通过同化地面PM2.5观测有效实现PM2.5空间分布模拟优化,过程期间上游城市石家庄和衡水的模拟误差分别下降35.3μg/m3和77.3μg/m3,天津地面PM2.5质量浓度模拟误差下降39.7μg/m3,但地面同化对垂直分布模拟改进有限,尤其是对于输送型污染过程中PM2.5垂直分布的复杂变化,基本无法准确反映;通过增加气溶胶激光雷达PM2.5垂直观测同化,模式PM2.5垂直模拟效果进一步提升,450m左右均方根误差减小幅度最大,约19.8μg/m3.在同化时刻及临近2～3h正效果明显,后续时效中S2阶段表现更优,夜间稳定边界层以上污染高值得到有效模拟,污染层高度模拟差异减小至50～100m,低于未同化CTRL试验(200～300m)和地面同化DA_SFC试验(100～200m);S1阶段随着时效延长垂直模拟偏差明显增加,但同化的正作用依旧存在,污染层高度模拟误差比DA_SFC试验降低幅度不低于50m.

气溶胶同化；三维变分；激光雷达；数值模拟

大气化学模式是开展大气污染机理研究和预报分析的重要工具[1-3].通过气溶胶同化融入观测信息提供时空准确性更高的污染物初始场,能够有效提升大气化学模式的模拟效果,气溶胶同化常用的方法包括最优插值法[4-5]、集合卡尔曼滤波方法[6-8]、三维变分同化[9-12]等.近年来依托生态环境部空气质量观测网业务运行和数据共享,使得地面PM2.5观测数据实时业务获取成为可能,基于地面PM2.5观测研发的气溶胶同化模块,已经成为高水平空气质量预报业务模式的标准环节,如CMA-CUACE和CMA-BJ,都配备相应的气溶胶同化模块,实现了地面观测的同化.天津环境模式2020年启动相应技术研发,2022年正式实现业务模式地面PM2.5观测资料同化,通过该技术,模式预报相对误差由30.62%下降至21.91%[13].

相比地面观测气溶胶同化技术的成熟和广泛应用,应用同化技术改进大气化学模式垂直初始场一直处于研究阶段,垂直观测资料缺乏和质量控制难成为制约其发展的重要问题.Zang等[14]利用飞机观测进行了气溶胶同化预报试验,从同化效果分析可以有效改进15h预报,证明了气溶胶垂直观测同化对模式的提升作用,但飞机观测难度相对较大,耗费代价高,不易获取连续观测,广泛应用存在一定难度.气溶胶激光雷达通过分析回波信号获取不同高度气溶胶后向散射系数和消光系数,可以对气溶胶垂直分布和时空演变特征进行高时空分辨率的实时观测[15],在垂直观测同化中具有良好的应用价值.在日本[16]、欧洲[17-18]等地区的研究表明通过气溶胶激光雷达同化能够有效改善模式分析场的气溶胶垂直分布,对沙尘过程预报以及PM2.5、PM10浓度预报均有明显提高.目前国内关于气溶胶激光雷达同化研究也逐步开展,如郑海涛[19]在地面观测同化基础上,利用激光雷达气溶胶消光系数廓线,订正模式初值场不同垂直层的PM2.5浓度,进一步提升了NAQPMS模式PM2.5预报;Xiang等[20]采用格点统计插值(GSI)同化系统,基于PM2.5质量浓度与气溶胶消光系数的经验关系实现地面和激光雷达PM2.5观测同化,结合WRF-Chem模式定量分析华北地区PM2.5浓度的三维分布和演变特征; Cheng等[21]和Liang等[22]利用CTRM辐射传输模型、IMPROVE方程,基于三维变分方法对气溶胶激光雷达消光系数进行同化,模式对地面到高空的PM2.5浓度预报均有所改进.

天津位于京津冀城市群,秋冬季重污染天气时有发生,且在其形成演变中容易受到区域污染物输送影响[23-24].研究表明部分重污染过程发展阶段和维持阶段区域输送贡献可达到70%以上,且输送高度往往不在地面,边界层顶向下200～300m易出现持续的输送高值区[25],在此类天气中,大气化学化学模式由于无法准确把握高空输送,PM2.5的垂直模拟显著偏低,污染层的高度也出现大幅度偏差,导致重污染天气数值模拟与实况变化趋势不符,预报员无法通过数值模式有效预判污染变化.本文针对输送型重污染过程模拟能力不足,以天津地区2023年1月5～6日过程为例,发展相应的气溶胶变分同化技术,通过地面观测和气溶胶激光雷达垂直观测的联合同化,改进大气化学模式污染垂直模拟效果,服务重污染天气预报预警和成因解析.

1 资料与方法

1.1 天津环境模式设置

天津环境模式以WRF-Chem为核心构建,该模式是美国国家大气研究中心(NCAR)、美国国家海洋和大气管理局(NOAA)等研究机构及一些大学共同参与研发的新一代中尺度模式系统,考虑了大气污染的化学过程、平流输送、湍流扩散、干湿沉降过程,在全球空气质量预报和模拟中有广泛的运用.本文采用WRF-Chem 3.8版本,在天津地区以外人为排放源清单使用清华大学MEIC2020[26],分辨率0.25°×0.25°,天津地区使用源谱调查排放源清单数据,其分辨率为1km,通过源同化技术对排放源进行优化,以降低排放清单相比实际排放源变化的滞后.化学过程采用CBMZ方案,气溶胶过程采用MOSAIC 4bins方案,长波辐射方案和短波辐射方案均采用RRTMG,边界层方案使用YSU方案.采用单层网格设置,水平分辨率为15km,水平网格数为121个×121个,中心经纬度为116.2E°、38.6N°,垂直方向分为41层.

1.2 气溶胶三维变分同化方法

三维变分方法是资料同化的常用方法之一,其基本原理是将一个物理学问题或者其他学科问题转化为求解泛函极值的问题.其目标泛函如下所示:

式中:为分析场;x为背景场;是与背景场x对应的误差协方差,称为背景误差协方差;为观测场;是与观测场对应的误差协方差,称为观测误差协方差;是将状态变量从分析场映射到观测场的观测算子.

本文使用的气溶胶方案是MOSAIC 4bins方案,方案中包含EC、OC、NO3-、SO42-、Cl-、NH4+、Na+和其他无机成分等8种气溶胶,并将气溶胶分为4个粒径段(0.039～0.1, 0.1～1.0, 1.0～2.5, 2.5～10μm).计算中将Cl-、NH4+、Na+和其他无机成分归为一类,记为OTR,即将气溶胶分为5类(EC、OC、NO3-、SO42-、OTR).同化运算将5种气溶胶组分所有粒径段(PM2.5为0.039～0.25μm)总质量浓度作为控制变量.因此,目标泛函式中背景场x为WRF/Chem模式输出的5种气溶胶组分浓度的预报场或者背景场,观测场为实际观测的气溶胶(PM2.5质量浓度),观测算子将模式输出的格点类型的不同粒径段的气溶胶组分质量浓度进行求和并插值到观测站点和对应高度.通过求解()的最小值所对应的最优解,该最优解即为经过同化后的最优分析场,并将作为改进后的化学初始场,用于数值模式的下一次运算.具体技术方法参考相关研究[27-28].

1.3 PM2.5地面和垂直观测

气溶胶同化地面PM2.5质量浓度观测资料来自气象部门和生态环境部门共享逐小时空气质量监测数据,包括800多个站点,其中天津地区21个.垂直同化资料来源于天津气象部门布设在天津城区边界层观测站(117.13°E, 39.05°N)的气溶胶激光雷达,由北京怡孚和融科技有限公司生产,波长532nm,垂直观测范围30km,分辨率15m.观测点附近东侧为高架桥,其他方向为办公楼和居民楼(高度约20m),激光雷达理论观测盲区为75m,从实际观测数据分析,120m高度PM2.5观测与激光雷达有较好一致性,其高度已超出雷达探测盲区,因此在研究中使用该高度以上数据.通过激光雷达气溶胶消光系数采用经验公式法[29-30]计算得到垂直PM2.5质量浓度,对比天津气象铁塔120m PM2.5观测(震荡天平法TEOM 1405观测)对其进一步质量控制,图1给出气溶胶激光雷达观测PM2.5质量浓度与气象塔120m观测PM2.5质量浓度对比,两者之间的相关系数达到0.87.­

图1 气溶胶激光雷达与气象铁塔120m高度PM2.5质量浓度观测对比

2 结果与讨论

2.1 重污染过程变化趋势及PM2.5垂直分布

2023年1月5～6日天津地区出现一次重污染过程,重度-严重污染持续25h,PM2.5峰值浓度达到320μg/m3(图2).此次重污染过程主要影响我国黄淮和华北地区,受持续静稳天气和弱冷空气影响,在1月5日之前黄淮地区已经出现9d大范围的高浓度污染累积(图3), 郑州1月1～4日空气质量连续达到重度污染.弱冷空气影响结束后,地面转为低压系统控制,高空处于反气旋后部,整层西南风影响下的输送带成型(图4),积聚在黄淮地区的污染气团向北扩散影响京津冀地区.天津从1月5日上午开始PM2.5出现快速累积,整个过程可以分为三个阶段:S1污染发展阶段,1月5日白天上游地区污染物随西南风持续输送导致天津空气质量迅速转差,PM2.5质量浓度持续上升,08:00～14:00由117μg/m3迅速上升至193μg/m3,上升速率平均为13μg/m3/h,为近年少见; S2污染维持阶段,1月5日夜间至1月6日上午逆温层和高湿环境形成利于近地面污染物聚集和气溶胶吸湿增长,期间空气质量维持重度-严重污染,PM2.5峰值浓度达到320μg/m3;S3污染消散阶段,1月6日下午,随着冷空气活动,PM2.5质量浓度迅速下降,污染过程趋于结束.

图2 2023年1月5～6日天津地区PM2.5质量浓度和气象条件变化

图5 2023年1月5～6日天津气象铁塔15层温度梯度观测

虚线为夜间稳定边界层高度

气溶胶激光雷达雷达观测显示(图6),此次过程的S1和S2阶段均表现出较强的输送特征.过程开始前,1月4日夜间PM2.5质量浓度较低,低层200m以下约50～100μg/m3;S1阶段,1月5日白天整层PM2.5质量浓度明显增加,且高空表现更为明显,在300～ 600m出现PM2.5高浓度层,PM2.5质量浓度由75μg/ m3增加至250～300μg/m3左右并维持.从气象形势场和三维污染场分析,该阶段上游污染物随边界层顶部大风速区形成高空输送带影响天津地区;S2阶段,1月5日夜间从地面到高空形成深厚的重污染层并持续维持,前半夜层顶高度在600m左右,后半夜发展至800～900m,这与以往重污染天气300～ 500m的重污染层和夜间边界层高度演变有显著差异,重污染层内PM2.5质量浓度普遍超过200μg/m3. 1月6日上午伴随冷空气活动,高空转为西北风,PM2.5质量浓度由高空向近地面迅速下降,重污染层高度也开始逐渐降低,10:00层顶约200m左右.

2.2 重污染过程数值模拟

在未采用同化技术基础上,通过天津环境模式对此次过程进行模拟,模拟起始时间为4日20:00(本文所用时间均为北京时间),结束时间为6日20:00,模拟时间48h.为了便于后续与同化模拟试验对比分析,将本组模拟记为控制试验CTRL.对比CTRL试验天津PM2.5质量浓度模拟和观测结果(图7), 1月4日20:00～5日14:00模拟值与观测值的整体变化趋势一致,均呈持续增长变化趋势,1月5日下午开始,观测值较模拟值明显偏高,模拟值维持180μg/m3左右,未能反映出天津PM2.5质量浓度持续增加的变化情况.

前述研究已经表明,区域输送对此次过程影响明显,尤其是河北中南部等上游地区PM2.5质量浓度变化对天津空气质量模拟效果有很大影响.图8给出了1月5日14:00～1月6日08:00PM2.5质量浓度空间分布,CTRL试验PM2.5质量浓度空间分布整体上与观测相似,均在京津冀中南部、河南和山东等地出现大范围的重污染区域,区域内PM2.5质量浓度模拟值明显低于观测,大部分地区浓度模拟值在150～250μg/m3,仅在山东北部出现浓度值超过250μg/m3的区域,位于天津上游地区的衡水和石家庄PM2.5质量浓度模拟值分别偏低了114μg/m3和61μg/m3.上游污染物浓度模拟整体偏低导致区域输送影响减弱可能是造成过程后期天津PM2.5质量浓度显著偏低的原因之一.

从垂直模拟效果分析(图9), S1阶段1月5日白天模式模拟350m高度以下出现重污染层,上层浓度始终维持在较低水平, 400～600m PM2.5质量浓度在80～120μg/m3左右;S2阶段前半夜PM2.5垂直分布较白天无明显变化,重污染层顶高度仅达到300m左右,后半夜整层PM2.5质量浓度略增加,重污染层顶向上略抬升至500m左右.对比观测,此次过程垂直模拟偏差主要有三个方面:(1)污染层高度和整层PM2.5质量浓度模拟显著偏低.观测显示S1～S2阶段重污染层能够发展至600～800m, PM2.5质量浓度最大值超过300μg/m3,而模拟的重污染层高度仅在300～500m,最大浓度约200μg/m3;(2)模拟的PM2.5垂直分布整体呈现随高度增加而浓度值递减的特征,未能较好地反映由于输送过程导致的部分时段高空PM2.5浓度高于地面的情况,如S1阶段1月5日白天PM2.5浓度最大值出现在600m高度附近;(3)模式对夜间稳定边界层以上污染物输送和残留的模拟有明显偏差.利用255米气象塔15层温度梯度观测资料反算出S2阶段天津夜间稳定边界层高度约为200m左右(图5),从观测资料分析,夜间污染层高度没有明显降低,稳定边界层以上仍有PM2.5高浓度区,其主要来源于高空远距离的输送,并在1月6日上午随着边界层发展被带至地面,将进一步增加地面浓度.而模拟的夜间PM2.5垂直分布,傍晚到前半夜受边界层高度演变的制约,主要集中在近地面稳定边界层以内.

2.3 同化试验方案设计

基于前述分析,环境模式可以基本模拟出此次污染过程地面PM2.5变化趋势,但是对于S1阶段PM2.5积累的速率和S2阶段PM2.5的峰值存在明显低估.在垂直分布上,从S1阶段1月5日中午出现明显输送影响开始,污染层厚度、PM2.5垂直分布均与实际有较大偏差.基于此,设计2组同化模拟试验(表1),以期通过改进水平和垂直污染初始场来提升模式模拟能力.其中DA_SFC试验使用模拟范围内地面PM2.5观测数据进行同化,目的是为了有效减小华北地区PM2.5质量浓度空间分布模拟误差,特别是由于天津上游地区模拟浓度整体偏低导致区域输送影响减弱的问题;DA_BOTH试验在地面PM2.5观测同化的基础上,增加天津气溶胶激光雷达PM2.5垂直观测数据进行同化,从而进一步改进模式对天津地区PM2.5垂直分布的模拟,考虑到激光雷达探测盲区和PM2.5垂直分布范围,同化数据选取120～1000m的PM2.5垂直观测.同化时段为1月5日14:00～6日02:00,间隔6h进行1次同化,即1月5日14:00、20:00和1月6日02:00共进行3次同化.

表1 同化模拟试验方案

2.4 同化效果分析

图10为DA_SFC试验1月5日14:00～6日08:00PM2.5质量浓度空间分布和观测对比.同化地面PM2.5观测资料后, DA_SFC试验模拟的重污染区域有所扩大,且河北中南部、山东北部至河南地区PM2.5质量浓度明显增加达到250μg/m3以上,与观测分布基本一致.天津上游地区各城市模拟效果均有不同程度的提高, 石家庄、衡水PM2.5质量浓度模拟值与观测之间差异相比CTRL试验有所减小,平均误差分别下降35.3μg/m3和77.3μg/m3, 通过同化地面PM2.5观测,有效优化华北地区PM2.5质量浓度空间分布,对天津PM2.5质量浓度变化起到了正向作用,平均误差下降39.7μg/m3.

地面PM2.5观测同化对PM2.5质量浓度垂直分布也会产生一定影响(图11a). DA_SFC试验,S1阶段1月5日下午天津地区低层PM2.5质量浓度比CTRL试验有所增加,重污染层顶高度略抬升至350～400m,上层浓度分布与CTRL试验差异不大.S2阶段夜间整层PM2.5质量浓度明显增加,尤其是后半夜,重污染层高度增加至700m左右, PM2.5质量浓度超过200μg/m3的高度范围达到400～500m.由此显示,同化地面PM2.5观测资料后,模式低层模拟效果有一定程度提升,200m高度PM2.5质量浓度模拟均方根误差由CTRL试验的58μg/m3减小为26μg/m3(图13).但是随着高度增加其影响效果逐渐减弱,仅通过地面观测资料同化,无法有效调整PM2.5垂直分布的复杂变化,尤其是由于输送过程导致的特殊PM2.5垂直分布,如白天高空PM2.5质量浓度高于地面,夜间稳定边界层以上的污染高值.

在同化地面观测资料基础上,增加气溶胶激光雷达PM2.5垂直观测资料同化(图11b).DA_BOTH试验,S1阶段1月5日14:00在400m处PM2.5质量浓度增加至250μg/m3,出现高浓度层(图12).下午时段重污染层顶高度位于400～500m,相比CTRL和DA_SFC试验,与观测更为接近.夜间DA_BOTH试验相比于CTRL和DA_SFC试验,PM2.5垂直分布出现显著变化,S2阶段1月5日20:00模拟显示300～ 700m之间整层PM2.5质量浓度有所增加,最大浓度值约250μg/m3,出现在600m高度附近,在近地面至600m之间形成深厚的重污染层并在前半夜稳定维持,层顶高度比DA_SFC试验向上抬升了200m左右.后半夜重污染层顶再次向上层发展至750m,且整层PM2.5质量浓度比DA_SFC试验也有所增加, PM2.5质量浓度超过200μg/m3的垂直范围扩大到600m.

由此显示,通过增加同化气溶胶激光雷达PM2.5垂直观测资料,可以有效将输送型污染过程的高低空PM2.5浓度反置和非常规的夜间污染垂直分布等观测信息融入模式,对PM2.5垂直分布变化的模拟效果比DA_SFC试验进一步提升, 450m附近表现最为明显, PM2.5质量浓度模拟均方根误差比DA_SFC试验减小19.8μg/m3.在同化时刻及未来2～3小时模式与观测垂直分布基本一致,在更长时效上,不同阶段表现略有差异,S2阶段1月5日夜间污染层高度模拟和观测基本一致,其差异由CTRL试验的200～ 300m和DA_SFC试验的100～200m降低至DA_ BOTH试验的50～100m,稳定边界层以上污染高值得到有效的模拟,重污染层内PM2.5质量浓度模拟误差显著降低; S1阶段1月5日白天同化效果不如S2阶段,短时间内可实现PM2.5垂直观测的准确模拟,但随着时间延长,垂直模拟的偏差已经被再次明显放大,但相比于DA_SFC试验,其正作用依旧存在,污染层高度模拟误差降低幅度至少不低于50m.

图10 观测与DA_SFC试验2023年1月5日14:00～6日08:00PM2.5质量浓度分布

图12 同化时刻观测和同化模拟试验的天津地区PM2.5质量浓度垂直廓线

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

综合而言,结合地面和激光雷达气溶胶同化后,DA_BOTH试验有效地改进了此次重污染过程的模拟,地面较好地模拟了1月5日14:00～6日08:00天津PM2.5质量浓度持续增长的变化趋势(图14),且与观测值之间差异很小,均方根误差约13.8μg/m3,显著低于CTRL试验的58.6μg/m3.垂直上有效地表征了输送过程的高低空PM2.5垂直分布和夜间稳定边界层以上的污染气团,200～ 700mPM2.5质量浓度模拟均方根误差比CTRL试验平均降低30.8μg/m3.

图13 2023年1月5日14:00～6日08:00模拟试验PM2.5质量浓度均方根误差垂直分布

图14 2023年1月5～6日天津地区平均PM2.5质量浓度观测值与改进前后模式模拟值

3 结论

3.1 受本地不利气象条件和输送共同影响,2023年1月5～6日天津地区出现持续25h重污染天气,过程期间S1发展阶段出现高低空PM2.5反置,300～600m高度有明显的污染输送,地面PM2.5增长速率达到13(μg/m3)/h,S2维持阶段污染层高度达到800～900m,显著高于夜间稳定边界层.天津环境模式对此次过程模拟明显不足,垂直上无法反映输送过程特征,地面低估发展阶段PM2.5增长速率和维持阶段的峰值浓度.

3.2 通过三维变分技术实现地面PM2.5观测同化,能够有效改进模拟区域PM2.5空间分布,此次过程中石家庄、衡水模拟平均误差分别下降35.3μg/m3和77.3μg/m3,天津地面PM2.5质量浓度模拟平均误差下降39.7μg/m3.模式低层PM2.5模拟效果虽然也有提升,但随着高度增加而减弱,难以反映出输送型污染过程中PM2.5垂直分布的复杂变化.

3.3 通过增加气溶胶激光雷达同化,有效提升此次过程中模式PM2.5垂直分布模拟,450m模拟均方根误差比DA_SFC试验减小幅度最大约19.8μg/m3.在同化时刻及临近2～3小时改进效果明显,后续时效中S2阶段表现更优,1月5日夜间稳定边界层以上污染高值得到有效模拟,污染层高度模拟差异约50～100m,低于CTRL试验的200～300m和DA_SFC试验的100～200m; S1阶段1月5日白天垂直模拟偏差随时效延长而明显增加,但同化的正作用依旧存在,污染层高度模拟误差比DA_SFC试验降低幅度不低于50m.

3.4 结合地面和激光雷达同化,有效地改进了此次重污染过程模拟,地面较好地模拟了1月5日14:00～6日08:00天津PM2.5质量浓度持续增长的趋势,均方根误差由同化前的58.6μg/m3下降为13.8μg/m3,垂直上有效反映出输送过程中高低空PM2.5垂直分布和夜间稳定边界层以上的污染气团,200～700m模拟均方根误差比同化前平均降低30.8μg/m3.

[1] 韩素芹,冯银厂,边 海,等.天津大气污染物日变化特征的WRF- Chem数值模拟[J]. 中国环境科学, 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年京津冀地区PM2.5浓度时空分布及来源模拟[J]. 中国环境科学, 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] 崔应杰,王自发,朱 江,等.空气质量数值模式预报中资料同化的初步研究[J]. 气候与环境研究, 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.

[12] 陈 杰,李正强,常文渊,等.基于改进GSI系统的气溶胶变分同化对WRF-Chem PM2.5分析和预报的影响评估 [J]. 大气与环境光学学报, 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] 蔡子颖,唐 邈,肖致美,等.基于源反演和气溶胶同化方法天津空气质量模式预报能力改进 [J]. 环境科学, 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] 张艳品,陈 静,钤伟妙,等.石家庄冬季典型污染过程气溶胶激光雷达观测 [J]. 中国环境科学, 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] 郑海涛.地面及激光雷达观测数据同化对PM2.5预报的改进 [D]. 合肥:中国科学技术大学, 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] 蔡子颖,杨 旭,韩素芹,等.基于天气背景天津大气污染输送特征分析 [J]. 环境科学, 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] 王晓琦,郎建垒,程水源,等.京津冀及周边地区PM2.5传输规律研究[J]. 中国环境科学, 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] 杨 旭,蔡子颖,韩素芹,等.基于无人机探空和数值模拟天津一次重污染过程分析 [J]. 环境科学, 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] 杨 旭,唐颖潇,蔡子颖,等.基于气溶胶三维变分同化天津PM2.5数值预报研究 [J]. 中国环境科学, 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

国家自然科学基金资助项目(42130513);天津市气象局科研项目(202229ybxm13)

* 责任作者, 正高级工程师, 120078030@163.com

杨 旭(1994-),男,河南三门峡人,工程师,硕士,主要研究方向为大气物理与大气环境.发表论文4篇.yangx_tjqx@163.com.

杨 旭,樊文雁,蔡子颖,等.地面PM2.5和气溶胶激光雷达联合变分同化对天津冬季一次重污染过程数值模拟改进研究 [J]. 中国环境科学, 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.