靳璐濱,臧增亮*,潘曉濱,王體健,郝子龍,蔣自強(qiáng)(.解放軍理工大學(xué)氣象海洋學(xué)院,江蘇 南京0；.南京大學(xué)大氣科學(xué)學(xué)院,江蘇 南京 0；.解放軍966部隊(duì),北京 008；.南京大學(xué)國(guó)際地球系統(tǒng)科學(xué)研究所,江蘇 南京 009)

?

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)

靳璐濱1,臧增亮1*,潘曉濱1,王體健2,郝子龍3,蔣自強(qiáng)4(1.解放軍理工大學(xué)氣象海洋學(xué)院,江蘇 南京211101；2.南京大學(xué)大氣科學(xué)學(xué)院,江蘇 南京 211101；3.解放軍96631部隊(duì),北京 102208；4.南京大學(xué)國(guó)際地球系統(tǒng)科學(xué)研究所,江蘇 南京 210093)

摘要：建立了面向PM2.5和PM10觀測(cè)資料的三維變分同化系統(tǒng),并在南京地區(qū)青奧會(huì)期間進(jìn)行了同化和預(yù)報(bào)試驗(yàn).同化系統(tǒng)的控制變量為PM2.5和PM2.5～10(PM10中扣除PM2.5后剩余部分),利用南京地區(qū)2014年8月的WRF-Chem模擬結(jié)果,估計(jì)了PM2.5和PM2.5～10的背景誤差協(xié)方差,發(fā)現(xiàn)在水平和垂直方向上PM2.5的相關(guān)系數(shù)隨距離的衰減均小于PM2.5～10,這可能與PM2.5粒徑小、生命史長(zhǎng),在大氣中傳播地更遠(yuǎn)有關(guān).利用南京及周邊區(qū)域的134個(gè)監(jiān)測(cè)站PM2.5和PM10逐時(shí)觀測(cè)資料,對(duì)青奧會(huì)期間(2014年8月16～28日)進(jìn)行滾動(dòng)同化和預(yù)報(bào)試驗(yàn),并利用模式最內(nèi)層觀測(cè)資料進(jìn)行檢驗(yàn)分析,結(jié)果表明同化對(duì)初始場(chǎng)有顯著改進(jìn),PM2.5和PM10的相關(guān)系數(shù)均提高53％以上,均方根誤差降低55％以上,平均偏差則降低了90％左右;同化試驗(yàn)對(duì)其后的預(yù)報(bào)場(chǎng)也有明顯改進(jìn),正效應(yīng)可以持續(xù)到20h以后,模式對(duì)PM10的預(yù)報(bào)效果好于PM2.5.

關(guān)鍵詞：WRF/Chem模式；氣溶膠；背景誤差協(xié)方差；資料同化

*責(zé)任作者, 副教授, zzlqxxy@163.com

隨著大氣污染特別是氣溶膠污染對(duì)人類生存環(huán)境危害的日益加劇[1-2],空氣質(zhì)量的監(jiān)測(cè)、預(yù)報(bào)和控制已成為大氣和環(huán)境領(lǐng)域的前沿問題.空氣質(zhì)量模式是研究氣溶膠問題的有利工具, WRF-Chem、CMAQ、CAMx等空氣質(zhì)量模式已廣泛應(yīng)用于氣溶膠的模擬和預(yù)報(bào).而數(shù)值模式的預(yù)報(bào)效果,特別是短時(shí)、臨近預(yù)報(bào)效果,對(duì)初始場(chǎng)的依賴性很大.資料同化(Data Assimilation, DA)可以有效改進(jìn)初始場(chǎng),它是將觀測(cè)信息和模式的背景場(chǎng)融合成更準(zhǔn)確、更接近大氣真實(shí)狀態(tài)的最優(yōu)估計(jì)[3].相對(duì)于氣象模式的資料同化而言,空氣質(zhì)量模式的資料同化,特別是對(duì)于氣溶膠資料的同化發(fā)展較晚,目前開展此研究的有美國(guó)、德國(guó)、荷蘭、法國(guó)、中國(guó)、韓國(guó)和歐洲中期天氣預(yù)報(bào)中心等國(guó)家和組織[4].這一方面是由于氣溶膠的觀測(cè)資料少;另一方面是由于氣溶膠觀測(cè)和模擬變量的組成特別復(fù)雜,既可按化學(xué)成分劃分[5],也可按粒徑段劃分,或者同時(shí)考慮化學(xué)成分和粒徑段,如WRF-Chem模式中MOSAIC (Model for Simulating Aerosol Interactions and Chemistry)對(duì)10μm以下劃分為4個(gè)或8個(gè)粒徑段,每個(gè)粒徑段又包括8種化學(xué)成分[6];而GOCART (Georgia Tech/Goddard Global Ozone Chemistry Aerosol Radiation and Transport)氣溶膠方案[7]為組分氣溶膠方案,沙塵分為5個(gè)粒徑段,海鹽分為4個(gè)粒徑段,其他氣溶膠不分粒徑大小.故面向不同的觀測(cè)系統(tǒng)和不同的空氣質(zhì)量模式變量,必須建立不同的氣溶膠資料同化系統(tǒng).

目前大部分空氣質(zhì)量模式的同化系統(tǒng)對(duì)氣溶膠顆粒物的同化僅考慮PM2.5或PM10中的一種觀測(cè)量,很少有研究將這兩種氣溶膠顆粒物同時(shí)同化,如Pagowski等[8]利用WRF-Chem模式和網(wǎng)格點(diǎn)統(tǒng)計(jì)插值系統(tǒng)(Gridpoint Statistical Interpolation, GSI)對(duì)美國(guó)環(huán)保署AIRNow監(jiān)測(cè)網(wǎng)(該網(wǎng)站發(fā)布美國(guó)實(shí)時(shí)空氣質(zhì)量數(shù)據(jù))的PM2.5觀測(cè)資料作了三維變分(three-dimensional variational, 3DVAR)同化的研究同化系統(tǒng)中的控制變量和觀測(cè)變量均為PM2.5,同化后模式對(duì)PM2.5濃度的短期預(yù)報(bào)有了很大的提高. Tombette等[9]采用最優(yōu)插值方法(Optimal Interpolation, OI)對(duì)歐洲地區(qū)的PM10總量進(jìn)行了資料同化研究. Lee[10]等、Lin[11]等分別利用OI法、集合卡爾曼濾波(Ensemble Kalman Filter, EnKF)方法對(duì)PM10總量進(jìn)行了同化研究.這類方法的優(yōu)點(diǎn)是在同化系統(tǒng)中只涉及單一氣溶膠控制變量,并且控制變量同時(shí)也是觀測(cè)變量,從而大大降低了同化的復(fù)雜度.

近年來(lái),隨著空氣質(zhì)量模式的發(fā)展,有些學(xué)者開發(fā)了面向氣溶膠模式變量的同化系統(tǒng),如Li 等[12]基于WRF-Chem的MOSAIC氣溶膠方案建立了面向PM2.5的同化系統(tǒng),同化系統(tǒng)中包括黑碳、有機(jī)碳、硫酸鹽、硝酸鹽等5個(gè)控制變量,系統(tǒng)對(duì)24h內(nèi)的PM2.5預(yù)報(bào)有明顯改進(jìn).Denby 等[13]采用 LOTOS-EUROS (Long Term Ozone Simulation-European Operational Smog model)模式,分別用統(tǒng)計(jì)內(nèi)插(Statistical Interpolation, SI)和集合卡爾曼濾波(EnKF)兩種不同的方法對(duì)PM10的5個(gè)變量(EC,OC,SO4,NO3,NH4)進(jìn)行了資料同化.Schwartz等[14]采用3個(gè)不同同化系統(tǒng),對(duì)美國(guó)本土和周邊地區(qū)的AOD、PM2.5和氣象場(chǎng)資料,包括5個(gè)氣象變量和15個(gè)氣溶膠變量進(jìn)行同化.Jiang等[15]對(duì)中國(guó)地區(qū)PM10的14個(gè)變量進(jìn)行了同化試驗(yàn).這些研究中雖然增加了控制變量的數(shù)目,使得同化分析場(chǎng)更加精細(xì),但觀測(cè)變量大多仍是單一的PM2.5或PM10,如果要同時(shí)對(duì)PM2.5和PM10兩種觀測(cè)變量進(jìn)行同化,則控制變量的數(shù)量要增加一倍,同化的計(jì)算量則要增加4倍甚至更多,故目前對(duì)多種氣溶膠觀測(cè)變量同時(shí)進(jìn)行同化的文獻(xiàn)尚不多見.中國(guó)環(huán)保部門自2013年起開始發(fā)布PM2.5和PM10的逐時(shí)觀測(cè)數(shù)據(jù),其已在空氣質(zhì)量監(jiān)測(cè)、環(huán)境評(píng)價(jià)、模式檢驗(yàn)分析等方面發(fā)揮了重要作用,但在同化應(yīng)用方面的研究則比較少.

第二屆夏季青年奧林匹克運(yùn)動(dòng)會(huì)于2014年8月16日在南京舉辦,為保證青奧會(huì)期間的空氣質(zhì)量,南京及周邊地區(qū)的城市實(shí)施了一系列的減排措施,并進(jìn)行了實(shí)時(shí)監(jiān)控和預(yù)報(bào).本文利用南京地區(qū)青奧會(huì)期間的氣象和氣溶膠觀測(cè)資料,基于WRF/Chem 模式和3DVAR同化理論,建立了同時(shí)同化PM2.5和PM2.5～10兩種資料的模式系統(tǒng)(同化系統(tǒng)中各控制變量要獨(dú)立),并對(duì)預(yù)報(bào)效果進(jìn)行檢驗(yàn)分析和改進(jìn).

1 模式和資料

WRF-Chem模式是在WRF模式的基礎(chǔ)上加載化學(xué)模塊,實(shí)現(xiàn)了氣象模式與空氣質(zhì)量模式的完全耦合,可同步計(jì)算氣象要素與大氣化學(xué)成分,即所謂的“在線(online)”耦合[16-20].本文采用WRF-Chem Vertion 3.5版本,模式物理過程包括WSM5微物理方案,RRTM長(zhǎng)波輻射方案, Goddard 短波輻射方案, Monin-Obukhov近地面層方案,Noah陸面過程方案,YSU邊界層方案和Grell-Devenyi 積云對(duì)流參數(shù)化方案;化學(xué)過程包括 RADM2化學(xué)機(jī)制, MADE/SORGAM氣溶膠方案, Madronich F-TUV光解化學(xué)方案,以及RADM2/MADE/SORGAM人為源和Gunther生物源.其中, MADE/SORGAM方案是由MADE (Modal Aerosol Dynamics Model for Europe)氣溶膠模塊[19]和 SORGAM (Secondary Organic Aerosol Model)氣溶膠化學(xué)過程[20]組合而成,共35個(gè)氣溶膠變量,其中粒徑段小于2.5μm的顆粒物有32個(gè)變量,介于2.5～10μm之間的有3個(gè)變量(記為PM2.5～10).

圖1　模式4層嵌套區(qū)域設(shè)置Fig.1 Four-nested model domains

模式設(shè)計(jì)為4層嵌套,其網(wǎng)格距分別為81, 27,9,3km(圖1),垂直方向分為23層.最內(nèi)層嵌套(D04)以南京市主城區(qū)(118°E, 32°N)為中心,網(wǎng)格點(diǎn)為54×60,覆蓋全南京市以及馬鞍山、蕪湖、揚(yáng)州、鎮(zhèn)江等周邊城市的部分地區(qū)(圖2),第 3 層嵌套(D03)則覆蓋了長(zhǎng)江三角洲地區(qū).模式的氣象場(chǎng)資料為 NCEP (National Centers for Environmental Prediction)全球預(yù)報(bào)系統(tǒng)的1°×1°的再分析資料,時(shí)間間隔為 6h.同化所用的氣溶膠資料來(lái)自于全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái),該資料包括全國(guó)1500多個(gè)站點(diǎn)的PM2.5、PM10、SO2、NO2、CO、O3等變量逐時(shí)觀測(cè)信息.排放源資料針對(duì)南京青奧會(huì)期間的管控措施進(jìn)行了減排比例估算,如管控情景相比于無(wú)管控措施情景的SO2,NOx,PM2.5和VOCs分別減排24％,31％,23％和8％.本文主要分析PM2.5和PM10資料同化的效果,同化分別對(duì)D03和D04區(qū)域?qū)嵤?但后面的討論分析主要針對(duì)D04區(qū)域進(jìn)行.

圖2　D04區(qū)域監(jiān)測(cè)站分布Fig.2 Map of measurement sites in nested domain 4

2 三維變分同化理論

三維變分同化的目標(biāo)泛函[21]可由下式表示:

其中:x是同化分析場(chǎng); xb是背景場(chǎng); B是背景誤差協(xié)方差; H是觀測(cè)算子; y是觀測(cè)向量; R是觀測(cè)誤差協(xié)方差.本系統(tǒng)中的控制變量為PM2.5和PM2.5～10,其中PM2.5包含模式中前32個(gè)氣溶膠變量,PM2.5～10包含后3個(gè)氣溶膠變量.觀測(cè)變量也處理為這兩類氣溶膠濃度,PM2.5的觀測(cè)數(shù)據(jù)可直接利用,而PM10的觀測(cè)則要減去PM2.5得到觀測(cè)的PM2.5～10.實(shí)際求解過程中,通常將式(1)轉(zhuǎn)化為增量形式:

式中:δx=x-xb, δy=x-Hxb.同化后得到PM2.5和PM2.5～10的增量場(chǎng),再按原有的各成分在變量中的比例分配到模式變量中,從而改進(jìn)模式的初始場(chǎng).

參考Li[12]的處理方式,將背景誤差協(xié)方差B分解為相關(guān)系數(shù)矩陣和誤差標(biāo)準(zhǔn)差矩陣,即:

式中:D是背景誤差的標(biāo)準(zhǔn)差矩陣;C是背景誤差的相關(guān)系數(shù)矩陣.背景誤差標(biāo)準(zhǔn)差D的影響主要體現(xiàn)在兩個(gè)方面:一是決定背景信息和觀測(cè)信息的相對(duì)權(quán)重,標(biāo)準(zhǔn)差越大,則同化分析結(jié)果就越接近于觀測(cè).二是決定著同化中各分析增量的相對(duì)大小,同時(shí)反映了模式預(yù)報(bào)的不確定性.相關(guān)系數(shù)C決定著觀測(cè)信息向周圍網(wǎng)格點(diǎn)的傳播方式.C的結(jié)構(gòu)如下:

對(duì)角線上的子矩陣表示各變量的背景誤差在不同格點(diǎn)之間的相關(guān)系數(shù),即各變量的自相關(guān).非對(duì)角線上的子矩陣表示變量間的交叉相關(guān),這里暫不考慮,即認(rèn)為兩個(gè)變量是相互獨(dú)立的.對(duì)于式(4)中的每個(gè)子矩陣,還能進(jìn)一步分解為垂直和水平相關(guān),如對(duì)于CP M2.5采用Kronecker Product方法[22]可將其分別在x、y、z 3個(gè)方向近似分解為3個(gè)子矩陣[23]:

它是表示x、y、z方向上的格點(diǎn)間的相關(guān)系數(shù)矩陣的張量積特殊形式,從而大大降低誤差協(xié)方差的計(jì)算量和存儲(chǔ)量.

3 模式背景場(chǎng)及其誤差協(xié)方差統(tǒng)計(jì)分析

采用NMC (National Meteorological Center)方法[24],根據(jù)Fisher[25]和Bannister[26]的理論統(tǒng)計(jì)背景誤差協(xié)方差,即針對(duì)同一時(shí)次預(yù)報(bào)的不同預(yù)報(bào)時(shí)長(zhǎng)的資料作差來(lái)近似背景誤差,該方法通常需要一個(gè)月的模式預(yù)報(bào)結(jié)果進(jìn)行統(tǒng)計(jì),文中利用2014年8月的24h和48h時(shí)長(zhǎng)的00:00(世界時(shí)UTC,下同)預(yù)報(bào)場(chǎng)進(jìn)行背景誤差協(xié)方差統(tǒng)計(jì).

3.1 背景場(chǎng)及其誤差標(biāo)準(zhǔn)差分析

背景場(chǎng)的誤差標(biāo)準(zhǔn)差反映了模式的不確定性,對(duì)于每個(gè)控制變量,其誤差標(biāo)準(zhǔn)差是一個(gè)與三維網(wǎng)格點(diǎn)數(shù)同維度的對(duì)角矩陣(即式(3)中的矩陣D).圖3(c)為PM2.5誤差標(biāo)準(zhǔn)差在模式第一層的水平分布,其大值區(qū)位于西南部的馬鞍山-蕪湖一帶,以及東北部的鎮(zhèn)江-揚(yáng)州附近,這與PM2.5的月平均濃度[圖3(a)]大值中心也是一致的,即濃度值越大的區(qū)域,其預(yù)報(bào)的誤差標(biāo)準(zhǔn)差也越大.但在圖3(c)中,南京及其東南區(qū)域(句容、溧陽(yáng))也存在誤差標(biāo)準(zhǔn)差的相對(duì)大值區(qū),而PM2.5平均濃度并不大,這可能是因?yàn)?這一區(qū)域PM2.5濃度的變化幅度比較大,導(dǎo)致其預(yù)報(bào)誤差大.圖3(b)和3(d)分別是PM2.5～10的平均濃度和誤差標(biāo)準(zhǔn)差,可以看出,PM2.5～10的平均濃度和誤差標(biāo)準(zhǔn)差比PM2.5均要低一個(gè)量級(jí)左右,這與南京及周邊區(qū)域?qū)ㄔO(shè)工地、工廠等采取防塵、控塵、停產(chǎn)、限產(chǎn)等措施,特別是對(duì)易形成PM10的工程作業(yè)進(jìn)行了限制、覆蓋、圍擋等處理有很大關(guān)系.

由圖4可以看出,PM2.5誤差標(biāo)準(zhǔn)差在地面最大,0.2km以上逐漸降低,這是因?yàn)镻M2.5主要來(lái)自于地面層,在近地面層(常值通量層)由于湍流較強(qiáng),PM2.5的濃度均比較大,其誤差標(biāo)準(zhǔn)差也較大.對(duì)于PM2.5～10而言,其誤差標(biāo)準(zhǔn)差的最大值在0.2km高度附近,向上迅速遞減,到2km高度接近于0. PM2.5～10由于沉降較快,擴(kuò)散的高度遠(yuǎn)低于PM2.5,其濃度在邊界層以上衰減較快(圖略),因此PM2.5～10的誤差標(biāo)準(zhǔn)差在邊界層以上衰減的也較快.值得注意的是,PM2.5～10在0.2km處的誤差標(biāo)準(zhǔn)差比地面大1個(gè)量級(jí)以上,但PM2.5～10在近地面層也應(yīng)該是相對(duì)均勻的,兩者的平均濃度差應(yīng)該比較小.這種誤差標(biāo)準(zhǔn)差的差異主要來(lái)自于模式預(yù)報(bào)的不確定性,在后面的預(yù)報(bào)試驗(yàn)中,可以看到模式對(duì)地面的PM2.5～10預(yù)報(bào)準(zhǔn)確率較高,故地面的誤差標(biāo)準(zhǔn)差較小;而PM2.5～10在地面以上的垂直分布受大氣穩(wěn)定度、風(fēng)速等氣象要素影響,濃度變化較大[27],導(dǎo)致預(yù)報(bào)的不確定性增大,故誤差標(biāo)準(zhǔn)差增大.

圖3　模式初始場(chǎng)最底層PM2.5和PM2.5～10的2014年8月的平均濃度(a)(b),誤差標(biāo)準(zhǔn)差(c)(d)Fig.3 The monthly average concentration (a)(b) and the standard deviation of the background errors (c)(d) of PM2.5and PM2.5～10at the lowest model level in initial fileds

3.2 背景誤差協(xié)方差相關(guān)系數(shù)分析

背景誤差協(xié)方差中的相關(guān)系數(shù)矩陣即模式誤差在任意兩個(gè)空間網(wǎng)格點(diǎn)上的相關(guān)矩陣,其可以分解水平和垂直3個(gè)方向(式(5)).假定傳播是各向同性的,故水平方向上沿x和y的相關(guān)系數(shù)是相同的,在計(jì)算過程中,本文取x和y方向上網(wǎng)格點(diǎn)相關(guān)系數(shù)的平均值.圖5為D04區(qū)域模式底層水平相關(guān)系數(shù)隨距離的變化曲線.可以看出,PM2.5～10隨水平距離衰減的很快,在18km處左右就衰減到0.6以下了,而PM2.5的衰減較慢,到49km處左右衰減到0.6以下.這是由于PM2.5～10沉降快,在大氣中停留的時(shí)間短,傳播的距離也短,故水平兩網(wǎng)格點(diǎn)間的相關(guān)性也小;相反,PM2.5沉降慢,傳播的距離長(zhǎng),故兩網(wǎng)格點(diǎn)間的相關(guān)性大.

圖4　誤差標(biāo)準(zhǔn)差廓線Fig.4 Vertical profiles of the standard deviation of the background errors for PM2.5and PM2.5～10

圖5　PM2.5和PM2.5～10在水平方向上相關(guān)系數(shù)Fig.5 Horizontal auto-correlations of PM2.5and PM2.5～10

圖6是PM2.5和PM2.5～10的地面等不同層次高度和各高度層垂直相關(guān)系數(shù)廓線,可以看出,各層次高度與自身高度的相關(guān)系數(shù)為1(表示自相關(guān)),每層次隨垂直距離的增大,相關(guān)系數(shù)逐漸降低(與5km高度以上的相關(guān)系數(shù)除外).圖6(a)和圖6(b)對(duì)比還可以看出,PM2.5隨垂直距離的相關(guān)系數(shù)衰減相對(duì)較慢,以地面層為例,PM2.5的1km高度處相關(guān)系數(shù)為0.3,而PM2.5～10不到0.2; 2km高度層與1km高度處的垂直相關(guān)系數(shù),PM2.5為0.45, PM2.5～10為0.34.這與水平方向上的相關(guān)系數(shù)衰減是類似的,PM2.5～10沉降快,傳播的高度低,故與地面層的相關(guān)系數(shù)低.

圖6　PM2.5和PM2.5～10的地面等層次和各高度的垂直相關(guān)系數(shù)Fig.6 Vertical correlation coefficients of four different levels and each level for PM2.5and PM2.5～10

4 同化和預(yù)報(bào)試驗(yàn)

為檢驗(yàn)同化PM2.5和PM10對(duì)預(yù)報(bào)改進(jìn)的效果,本文設(shè)計(jì)了兩個(gè)試驗(yàn)進(jìn)行對(duì)比,一個(gè)是控制試驗(yàn)(Control),一個(gè)是同化試驗(yàn)(DA).其中,控制試驗(yàn)以前一天的預(yù)報(bào)場(chǎng)為初始場(chǎng)(即背景場(chǎng))作24h預(yù)報(bào);同化試驗(yàn)則是以同化了PM2.5和PM10觀測(cè)資料的初始場(chǎng)(即分析場(chǎng))作24h預(yù)報(bào).試驗(yàn)的區(qū)域設(shè)置和物理化學(xué)方案如前所述.模式的起報(bào)時(shí)間為2014 年8月16～28日每日的00:00.分別對(duì)D03區(qū)域和D04區(qū)域?qū)嵤┩?其中D03區(qū)域內(nèi)有134個(gè)監(jiān)測(cè)站,D04區(qū)域內(nèi)有23個(gè)監(jiān)測(cè)站,但后面的檢驗(yàn)分析主要針對(duì)D04區(qū)域的所有站點(diǎn)進(jìn)行.

4.1 同化預(yù)報(bào)試驗(yàn)個(gè)例分析

圖7　2014年8月21日00:00Control (a)(b) 和DA (c)(d) 模擬的初始場(chǎng)最底層PM2.5和PM10的結(jié)果Fig.7 The concentrations of PM2.5and PM10at the lowest model level in initial fields from the control (a)(b) and assimilation (c)(d) experiments at 0000UTC on August 21th, 2014

選取8月21日一次個(gè)例過程初始場(chǎng)的同化效果進(jìn)行分析.將同化分析的增量場(chǎng)疊加到背景場(chǎng)上得到分析場(chǎng),就實(shí)現(xiàn)了對(duì)模式初始場(chǎng)的調(diào)整. 圖7是8月21日00:00的PM2.5和PM10同化前后模式第一層濃度分布,對(duì)比圖7(a)和7(c)可以看出,同化后PM2.5的濃度普遍減小,即同化增量場(chǎng)以負(fù)值為主,如同化前南京市PM2.5值在60～90μg/m3,同化后變?yōu)樵?0～70μg/m3,馬鞍山和揚(yáng)州兩個(gè)地區(qū)的PM2.5高值中心也有顯著降低;但滁州、句容和溧陽(yáng)地區(qū)的PM2.5數(shù)值基本沒變,這是由于這兩個(gè)區(qū)域沒有空氣質(zhì)量監(jiān)測(cè)站,故沒有觀測(cè)資料進(jìn)行同化系統(tǒng).對(duì)比圖7(b)和圖7(d)可以看出,PM10的變化規(guī)律和PM2.5類似,大部分的濃度也是明顯減小.實(shí)際上,從圖3中可以看出,PM10中的PM2.5比PM2.5～10大了一個(gè)量級(jí),故PM10的變化也主要由PM2.5決定.

圖8　2014年8月21日23個(gè)站Control和DA模擬的　PM2.5和PM10預(yù)報(bào)平均濃度與觀測(cè)實(shí)況時(shí)間序列Fig.8 The averaged concentrations of PM2.5and PM10in forecasts duration from the control and assimilation experiments against observations using 23　monitoring sites data on August 21th, 2014

圖8是D04區(qū)域8月21日的23個(gè)站PM2.5和PM10平均濃度的觀測(cè)與模擬時(shí)間序列曲線,其中Control、DA是將控制試驗(yàn)、同化試驗(yàn)?zāi)M結(jié)果格點(diǎn)值插值到站點(diǎn)上再取平均.從圖8(a)可以看出,控制試驗(yàn)?zāi)M的PM2.5的初始值接近于160μg/m3,遠(yuǎn)高于觀測(cè)的53μg/m3,而同化試驗(yàn)的結(jié)果為54μg/m3,與觀測(cè)值十分接近,這與圖7中同化分析場(chǎng)一致.在隨后的24h預(yù)報(bào)中,同化試驗(yàn)的PM2.5模擬比控制試驗(yàn)也有持續(xù)的改進(jìn),但隨著預(yù)報(bào)時(shí)間的延長(zhǎng),改進(jìn)的程度有所降低,兩者的演變也越來(lái)越接近.圖8(b)中,同化對(duì)PM10的改進(jìn)效果與圖8(a)中的PM2.5類似,在20h以前同化試驗(yàn)比控制試驗(yàn)結(jié)果更接近觀測(cè).對(duì)比PM2.5和PM10中同化試驗(yàn)的時(shí)間序列曲線還可以發(fā)現(xiàn),兩者除了在開始的5h左右有所差別外,后面的曲線基本相同,這說(shuō)明PM2.5～10的同化效果只維持了前面5h,這是由于其沉降快、停留時(shí)間短,故初始場(chǎng)改變能夠延續(xù)的時(shí)效也短.另外,同化前后模式對(duì)PM10的預(yù)報(bào)效果均高于PM2.5.

4.2 青奧會(huì)期間同化預(yù)報(bào)試驗(yàn)統(tǒng)計(jì)檢驗(yàn)

圖9　南京青奧會(huì)期間每日00:00Control和DA模擬的PM2.5和PM10初始場(chǎng)值與觀測(cè)值的散點(diǎn)Fig.9 Scatter plots of simulated versus observed PM2.5and PM10mass concentrations over initializations from the control and assimilation experiments at 0000UTC during NYOG

在數(shù)值模式預(yù)報(bào)中,初始場(chǎng)的準(zhǔn)確性,直接影響模式預(yù)報(bào)的效果.通過分析場(chǎng)插值到站點(diǎn)與實(shí)際觀測(cè)值比較,來(lái)檢驗(yàn)同化后預(yù)報(bào)的質(zhì)量.對(duì)青奧會(huì)期間(2014年8月16～28日)的同化和控制試驗(yàn)初始場(chǎng)進(jìn)行統(tǒng)計(jì)檢驗(yàn).圖9給出同化前后所有試驗(yàn)結(jié)果初始場(chǎng)模擬值與觀測(cè)值的散點(diǎn)圖,并計(jì)算分析了平均偏差(BIAS)、均方根誤差(RMSE)和相關(guān)系數(shù)(CORR)等檢驗(yàn)指標(biāo).可以看出,同化試驗(yàn)的模擬值比控制試驗(yàn)更接近于觀測(cè)值.同化后和同化前相比,PM2.5相關(guān)系數(shù)由0.40提高到0.61,增加了53％; RMSE(μg/m3)由74減小到24,降低了68％; BIAS(μg/m3)由54減小到5,降低了91％[圖9(a)].這里BIAS的降低主要是由于負(fù)的增量場(chǎng)導(dǎo)致同化后整體的PM2.5濃度減小[圖7(c)],這與圖7(a)中負(fù)的增量場(chǎng)是相對(duì)應(yīng)的.PM10同化前后的對(duì)比[圖9(b)]與PM2.5類似,同化試驗(yàn)的BIAS、RMSE和CORR等檢驗(yàn)指標(biāo)明顯優(yōu)于控制試驗(yàn).另外,對(duì)比圖9(a)和9(b)可以看出,同化后,PM10的BIAS和CORR指標(biāo)均優(yōu)于PM2.5,雖然模式中PM2.5在PM10中占很大比例,但這種改進(jìn)應(yīng)主要來(lái)自于PM2.5～10的貢獻(xiàn).

圖10　南京青奧會(huì)期間PM2.5和PM10同化前后初始場(chǎng)平均RMSE時(shí)間序列Fig.10 Root-mean-square errors of PM2.5and PM10forecasts as a function of forecast range over initializations from the control and assimilation experiments during NYOG

圖10是逐日預(yù)報(bào)的PM2.5和PM10平均RMSE時(shí)間序列曲線.可以看出,相對(duì)于控制試驗(yàn),同化試驗(yàn)的PM2.5和PM10均有一定改進(jìn),進(jìn)一步地分析還發(fā)現(xiàn),這種改進(jìn)主要來(lái)自于平均偏差的降低(圖略),即對(duì)模式系統(tǒng)性偏差的改進(jìn);改進(jìn)時(shí)效可以持續(xù)到20h以后,但主要是在前8h比較明顯,第9h以后兩者的差別基本在5μg/m3以內(nèi).實(shí)際上,空氣質(zhì)量模式除了受初始場(chǎng)影響,還受排放源的影響,而且隨著預(yù)報(bào)積分時(shí)間的影響,排放源對(duì)預(yù)報(bào)結(jié)果的影響也越來(lái)越大,初始場(chǎng)的影響則越來(lái)越小.另外,對(duì)比PM2.5和PM10還可以發(fā)現(xiàn),無(wú)論同化前后,均是PM10的誤差標(biāo)準(zhǔn)差相對(duì)較小,大部分?jǐn)?shù)值在70μg/m3以下, 而PM2.5誤差標(biāo)準(zhǔn)差大多在70μg/m3以上,這說(shuō)明模式對(duì)PM10總體的預(yù)報(bào)較好,但由于PM2.5在總量中的比重偏大(圖8),導(dǎo)致PM2.5的預(yù)報(bào)誤差偏大.

5 討論

本文研究了針對(duì)PM2.5和PM10資料的氣溶膠同化問題,但受模式系統(tǒng)、資料和同化方法等方面的局限,同化效果仍有一些不足.一方面由于模式對(duì)于中國(guó)區(qū)域氣溶膠的模擬預(yù)報(bào)本身存在較大的誤差,導(dǎo)致背景誤差協(xié)方差的估計(jì)存在一定的不確定性,從而也影響了同化的效果;另一方面,國(guó)內(nèi)氣溶膠監(jiān)測(cè)站點(diǎn)的總數(shù)雖然已經(jīng)達(dá)到了1500多個(gè),但分布極不均勻,主要集中在大城市的中心市區(qū),而在中小城市及郊縣的監(jiān)測(cè)站點(diǎn)很少,這導(dǎo)致同化分析場(chǎng)難以準(zhǔn)確描述氣溶膠分布情況,雖然對(duì)初始場(chǎng)的檢驗(yàn)效果很好,但對(duì)預(yù)報(bào)的持續(xù)影響會(huì)很快降低.另外,四維變分同化、hybird混合同化也是將來(lái)要改進(jìn)的方向.

6 結(jié)論

6.1 PM2.5和PM2.5～10背景誤差協(xié)方差統(tǒng)計(jì)結(jié)果表明,PM2.5誤差標(biāo)準(zhǔn)差隨高度的增加而遞減,0.2km以下減小比較慢,0.2km以上減小比較快.而PM2.5～10的誤差標(biāo)準(zhǔn)差在0.2km附近最大,向上到2km減小到接近于0.在水平和垂直方向上,PM2.5均比PM2.5～10相關(guān)系數(shù)衰減慢,說(shuō)明PM2.5比PM2.5～10傳播地更遠(yuǎn).

6.2 利用南京及周邊區(qū)域監(jiān)測(cè)站的PM2.5和PM10數(shù)據(jù),對(duì)2014年8月21日的實(shí)際過程進(jìn)行同化和預(yù)報(bào)試驗(yàn),并基于模式D04區(qū)域23個(gè)監(jiān)測(cè)站點(diǎn)的數(shù)據(jù)進(jìn)行檢驗(yàn)分析.相對(duì)于同化前的模式背景場(chǎng),同化后的分析場(chǎng)更接近于實(shí)況,同化能夠有效降低PM2.5和PM10背景場(chǎng)虛高的問題;同化對(duì)PM2.5的改善效應(yīng)可持續(xù)24h,對(duì)PM10預(yù)報(bào)的改進(jìn)主要來(lái)自于PM2.5貢獻(xiàn),PM2.5～10的貢獻(xiàn)只在開始的5h左右.

6.3 對(duì)青奧會(huì)期間2014年8月16～28日的氣溶膠顆粒物進(jìn)行了滾動(dòng)同化預(yù)報(bào),并對(duì)其中D04區(qū)域PM2.5和PM10進(jìn)行檢驗(yàn)分析,結(jié)果表明同化后的分析場(chǎng)有顯著改善,相關(guān)系數(shù)、均方根誤差、平均偏差等方面均有明顯改善,特別是平均偏差可以降低1個(gè)量級(jí)左右.24h預(yù)報(bào)的均方根誤差時(shí)間序列分析也表明,同化對(duì)PM2.5和PM10的改善可以持續(xù)20h以上,且模式對(duì)PM10的總體預(yù)報(bào)效果要好于PM2.5.

參考文獻(xiàn)：

[1] 楊柳林,曾武濤,張永波,等.珠江三角洲大氣排放源清單與時(shí)空分配模型建立 [J]. 中國(guó)環(huán)境科學(xué), 2015,35(12):3521-3534.

[2] 趙子菁,魏永杰,張祥志,等.南京市霾天氣與主要?dú)庀髼l件的相關(guān)分析 [J]. 中國(guó)環(huán)境科學(xué), 2015,35(12):3570-3580.

[3] 王 斌,趙 穎.一種新的資料同化方法 [J]. 氣象學(xué)報(bào), 2005, 63(5):694-701.

[4] 王自發(fā),龐成明,朱 江,等.大氣環(huán)境數(shù)值模擬研究新進(jìn)展 [J].大氣科學(xué), 2008,32(4):987-995.

[5] Seinfeld J H, Pandis S N. Atmospheric chemistry and physics : from air pollution to climate change [M]// Atmospheric chemistry and physics: from air pollution to climate change. John Wiley and Sons, 2006:212-214(3).

[6] Zaveri R A, Easter R C, Fast J D, et al. Model for Simulating Aerosol Interactions and Chemistry (MOSAIC) [J]. Journal of Geophysical Research, 2008,113(D13):1395-1400.

[7] Chin M, Rood R B, Lin S, et al. Atmospheric sulfur cycle simulated in the global model GOCART: Model description and global properties [J]. Journal of Geophysical Research Atmospheres, 2000,105(D20):24671–24687.

[8] Pagowski M, Grell G A, Mckeen S A, et al. Three‐dimensional variational data assimilation of ozone and fine particulate matter observations: some results using the Weather Research and Forecasting—Chemistry model and Grid‐point Statistical Interpolation [J]. Quarterly Journal of the Royal Meteorological Society, 2010,136(653):2013-2024.

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

[10] Lee E H, Ha J C, Lee S S, et al. PM10data assimilation over south Korea to Asian dust forecasting model with the optimal interpolation method [J]. Asia-Pacific Journal of Atmospheric Sciences, 2013,49(1):73-85.

[11] 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.

[12] Li Z, Zang Z, Li Q B, 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 & Physics & Discussions, 2013,12(8):4265-4278.

[13] Denby B, Schaap M, Segers A, et al. Comparison of two data assimilation methods for assessing PM10exceedances on the European scale [J]. Atmospheric Environment, 2008,42(30): 7122–7134.

[14] Schwartz C S, Liu Z, Lin H, et al. Assimilating aerosol observations with a “hybrid” variational-ensemble data assimilation system [J]. Journal of Geophysical Research Atmospheres, 2014,119:4043-4069.

[15] Jiang Z, Liu Z, Wang T, 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.

[16] 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.

[17] 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.

[18] 周廣強(qiáng),耿福海,許建明,等.上海地區(qū)臭氧數(shù)值預(yù)報(bào) [J]. 中國(guó)環(huán)境科學(xué), 2015,36(6):1601-1609.

[19] Ackermann I J, Hass H, Memmesheimer M, et al. Modal aerosol dynamics model for Europe. development and first applications [J]. Atmospheric Environment, 1998,32(17):2981-2999.

[20] Schell B, Ackermann I J, Hass H, et al. Modeling the formation of secondary organic aerosol within a comprehensive air quality model system [J]. Journal of Geophysical Research Atmospheres, 2001,106(D22):28275–28293.

[21] Li Z, Chao Y, Mcwilliams J C, et al. A three-dimensional variational data assimilation scheme for the Regional Ocean Modeling System: Implementation and basic experiments [J].Journal of Geophysical Research Oceans, 2008,113(C5):763-763.

[22] Graham A. Kronecker products and matrix calculus with applications [M]. Ellis Horwood Ltd., Chichester; Halsted Press [John Wiley & Sons, Inc.], New York, 1981.

[23] Gaspari G, Cohn S E. Construction of Correlation Functions in Two and Three Dimensions [J]. Quarterly Journal of the Royal Meteorological Society, 1999,125(554):723–757.

[24] Parrish D F, Derber J C. The National Meteorological Center's spectral statistical-interpolation analysis system [J]. Monthly Weather Review, 1992,120(8):1747-1763.

[25] Fisher M. Background error covariance modeling [C]//Seminar on Recent Development in Data Assimilation for Atmosphere and Ocean. 2003:45-63.

[26] Bannister, R. N. A review of forecast error covariance statistics in atmospheric variational data assimilation. I: Characteristics and measurements of forecast error covariances [J]. Quarterly Journal of the Royal Meteorological Society, 2008,134(637):1951–1970.

[27] 丁國(guó)安,陳尊裕,高志球,等.北京城區(qū)低層大氣PM10和PM2.5垂直結(jié)構(gòu)及其動(dòng)力特征 [J]. 中國(guó)科學(xué), 2005,35:31-44.

致謝：感謝NCEP/NCAR提供的氣象再分析資料,感謝PM25. in(www.pm25.in)提供的空氣質(zhì)量數(shù)據(jù).

Data assimilation and application experiments of PM2.5and PM2.5～10during Nanjing Youth Olympic Games.

JIN Lu-bin1, ZANG Zeng-liang1*, PAN Xiao-bin1, WANG Ti-jian2, HAO Zi-long3, JIANG Zi-qiang4(1.Institute of Meteorology and Oceanography, PLA University of Science and Technology, Nanjing 211101, China；2.School of Atmospheric Science, Nanjing University, Nanjing 210093, China；3.No.96631 unit of PLA, Beijing 102208, China；4.International Institute for Earth System Science, Nanjing University, Nanjing 210093, China). China Environmental Science, 2016,36(2)：331～341

Abstract：A 3D-VAR assimilation system was established to assimilate the observations of PM2.5and PM10, and assimilation and forecast experiments were performed during Nanjing Youth Olympic Games (NYOG). The control variables of this assimilation system were PM2.5and PM2.5～10(that was the rest of PM10after taking out PM2.5). The background error covariances of PM2.5and PM2.5～10were estimated by using the simulated products of WRF-Chem of August 2014 in Nanjing. The results showed that the decreases of correlation coefficients of PM2.5with the distance in the horizontal and vertical directions were less than those of PM2.5～10, with the possible reason being that the particle size of PM2.5was smaller, the life cycle of it was longer and it spread further in the atmosphere. In addition, the WRF-Chem model was run with assimilation during NYOG (from August 16thto August 28th, 2014), by using the hourly data of PM2.5and PM10observed from 134 measurement sites around Nanjing. Evaluated with the observations in the innermost of the model area, the experiment results suggested that the aerosol forecasts of the initial fields can be significantly improved by the assimilation. The correlation coefficients of PM2.5and PM10increased by over 53％, the root-mean-square errors of the two reduced by over 55％, and the biases reduced by about 90％. The following aerosol forecasts in positive effect can be obviously improved by the assimilation and the benefit from the assimilation of aerosol can last more than 20hours. The forecast of PM10was better than that of PM2.5by the model.

Key words：WRF/Chem model；aerosol；background error covariance；data assimilation

作者簡(jiǎn)介：靳璐濱(1989-),男,河北邯鄲人,解放軍理工大學(xué)碩士研究生,研究方向?yàn)闅馊苣z資料同化.

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(42175128);江蘇省科技支撐計(jì)劃-社會(huì)發(fā)展重大研究(BE2012771)

收稿日期：2015-07-28

中圖分類號(hào)：X513

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-6923(2016)02-0331-11