中国气象学会主办。
文章信息
- 冯沁, 鲍艳松, 闵锦忠, 陆其峰. 2018.
- FENG Qin, BAO Yansong, MIN Jinzhong, LU Qifeng. 2018.
- 卫星气溶胶光学厚度资料同化对灰霾预报改进个例研究
- A study on effects of satellite based AOD data assimilation on numerical forecast of haze
- 气象学报, 76(1): 104-116.
- Acta Meteorologica Sinica, 76(1): 104-116.
- http://dx.doi.org/10.11676/qxxb2017.082
-
文章历史
- 2017-03-06 收稿
- 2017-07-31 改回
2. 南京信息工程大学大气科学学院, 南京, 210044;
3. 中国气象局气溶胶与云降水开放重点实验室, 南京, 210044;
4. 国家卫星气象中心, 北京, 100081;
5. 广东省气象台, 广州, 510080
2. School of Atmospheric Science, Nanjing University of Information Science & Technology, Nanjing 210044, China;
3. Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration, Nanjing University of Information Science & Technology, Nanjing 210044, China;
4. National Satellite Meteorological Center, Beijing 100081, China;
5. Guangdong Meteorological Observatory, Guangzhou 510080, China
当前,中国大气污染问题严重。近50年来,随着化石能源消耗持续增长,大气污染物的排放相应增多,中国出现灰霾天气的日数总体呈增多趋势(王伟光等,2013;丁一汇等,2014)。灰霾天气是指气溶胶细粒子污染导致能见度恶化的一种天气现象(吴兑,2012)。大气悬浮颗粒物(如PM2.5和PM10等)的排放是灰霾天气形成的内因,也是主要原因之一。医学研究表明,PM2.5和PM10可引发呼吸系统、心脑血管系统疾病,损害人体健康(陶燕等,2014);持续性灰霾天气导致的大气能见度下降给人们的生产、生活特别是交通安全带来很大影响(廖晓农等,2014;樊高峰等,2016)。因此,利用大气化学模式准确跟进空气质量变化具有重要的社会意义和经济价值。
空气质量研究主要有外场观测、实验室分析和数值模式模拟等方法(谭成好等,2014)。目前使用大气化学模式进行空气质量数值模拟是对大气颗粒污染物进行研究和预报的主要手段。提高大气化学数值模式预报水平的途径主要有改进模式物理化学过程、改进排放源清单以及改进模式初始场等。在当前数值预报模式不断趋于完善、排放源清单趋于精细的情况下,如何通过资料同化为模式提供更准确的初始条件、改进对排放源以及边界条件的估计,是提高灰霾数值预报水平的关键。气溶胶机制在灰霾、能见度、大气污染物的数值预报中至关重要, 气溶胶粒子除了能直接形成严重的大气污染事件,还可以通过其直接、半直接以及间接辐射效应加重大气污染(张悦等,2016)。由于中国卫星技术的快速发展,高时空分辨率以及覆盖范围较广的卫星气溶胶光学厚度(AOD)资料使得准确的大气化学数值模拟和预报成为可能。
随着数值模式的发展、观测技术的提升以及观测数据的不断丰富,资料同化在提高数值预报水平上的作用日益得到了凸显。相比于气象资料同化,气溶胶资料同化的应用研究起步较晚。20世纪70年代,资料同化方法进入了空气质量预报研究领域,气溶胶资料同化研究逐步得以展开(白晓平等,2007)。21世纪初,Collins等(2001)率先利用最优插值方法将AVHRR探测的AOD资料应用于三维化学模式同化中。此后,许多研究(Yu,et al,2003;Generoso,et al,2007;Zhang,et al,2008)在大气化学模式中结合各种资料同化技术同化了以MODIS AOD格点产品为主的卫星气溶胶产品。近期,美国国家环境预报中心(NCEP)已将MODIS AOD产品同化整合到GSI (Gridpoint Statistical Interpolation)业务同化系统中。后续的众多研究(Niu,et al,2008;Liu,et al,2011;Schwartz,et al,2012;Saide,et al,2013)显示,使用三维变分方法同化MODIS AOD资料能很好地模拟出沙尘天气以及提高气溶胶分析和连续预报的能力,提高模式预报精度,在空气质量分析与预报中应用前景广阔。目前,中国对卫星AOD资料同化的研究与应用仍处于起步阶段,中外卫星AOD的研究集中在沙尘个例,在空气质量预报的其他分支领域例如灰霾天气等鲜有涉足。
针对卫星资料尤其是中国风云系列卫星资料在灰霾数值预报中的充分利用以及卫星资料同化在大气化学模式模拟水平提高上的应用问题,本研究将三维变分同化方法应用于灰霾数值预报,对卫星AOD资料同化对近地面灰霾关键因子PM2.5与PM10的影响进行探究。
文中利用三维变分同化方法,检验卫星AOD资料同化对于灰霾过程预报的可行性,研究MODIS和FY-3A/MERSI AOD资料同化对一次灰霾天气过程预报的影响,尤其是对于灰霾预报关键因子PM2.5及PM10预报的改进能力,为此类资料在空气质量预报及同化上的进一步应用提供技术参考。
2 模式和资料 2.1 预报与同化系统大气化学模式采用区域大气动力-化学耦合模式WRF-Chem v3.5.1。研究表明, WRF-Chem模式可以合理模拟和预报出中国区域天气状况、空气污染物的浓度、分布、传输和化学转化(靳璐滨等,2016),现已广泛应用于大气污染的模拟研究,其内部GOCART(Goddard Chemistry Aerosol Radiation Transport)模式包含14个气溶胶变量,分别为亲水性和疏水性的有机碳(OC1、OC2,有效粒径为0.087 μm)和黑碳(BC1、BC2,有效粒径为0.036 μm);硫酸盐(Sulfate,有效粒径为0.242 μm);4种粒径的海盐(Seasalt1—4,有效粒径为0.3、1.0、3.25、7.5 μm);5种粒径的沙尘粒子(Dust1—5,有效粒径为0.5、1.4、2.4、4.5、8.0 μm)(Liu,et al,2002)。WRF-Chem模式能结合GOCART模式计算作出14种气溶胶的三维质量浓度预报,并通过14种气溶胶变量的线性计算得到PM2.5、PM10的质量浓度预报结果。具体公式为
(1) |
(2) |
式中,p25和p10分别代表模式中对PM2.5和PM10浓度有贡献的未分类的细粒子和粗粒子气溶胶;ρ代表公式中将变量单位由μg/kg转换成与观测资料一致的μg/m3的干空气密度;其余变量与GOCART模式14个气溶胶变量对应。
模式同化模块采用格点统计插值(GSI)分析系统, 其分析方法本质上为三维变分同化方法。由于集合了全球和区域的变分同化技术,GSI成为了NCEP近年大力发展并投入业务使用的同化系统。研究结果及业务应用均证实GSI同化系统同化各种非常规观测资料的能力较强(Grell,et al,2005)。文中使用的是其研发试验中心(Developmental Testbed Center, DTC)于2015年7月31日正式发布的GSIv3.4_Chem。
本研究所用系统以通用辐射传输模式(Community Radiative Transfer Model,CRTM)为基础构建AOD观测算子,其控制变量为GOCART模式中的14个模式变量。辐射传输中的散射和吸收效应由气溶胶粒子的粒径分布和折射率决定。将气溶胶粒子的粒径分布和折射指数结合米散射理论(Kleespies, et al, 2004),可求得各个类型气溶胶粒子在对应波长和大气层结中的质量消光系数,光学厚度τ计算式为
(3) |
式中,i为气溶胶类型,j为大气层结,α为质量消光系数(m2/g),λ为对应波长(μm),reff为气溶胶粒子有效半径(μm),cij为气溶胶柱总量(g/m2),当模式垂直层数为k时,模式模拟出总的气溶胶光学厚度为
(4) |
式(4)说明AOD与不同大气层上的气溶胶总量和消光系数线性相关,AOD值取决于对应的波长、气溶胶类型和粒子的有效半径。
采用NMC(National Meteorological Center)方法构造针对中国区域气溶胶变量的背景误差协方差矩阵(Parrish,et al, 1992)。此方法是在假设不同时效的模式预报值之间的差值代表预报误差的前提下,用不同时刻预报同一时间的预报场之差作为预报误差的近似,通常统计约一个月的模式预报结果。使用2014年2月的逐日00和12时(世界时,下同)起报的12和24 h预报场统计化学场的气溶胶背景误差协方差。其中,统计的化学场变量具体为GOCART模式中的OC1、OC2、BC1、BC2、Sulfate、Seasalt1—4、Dust1—5等14个变量。
2.2 数据与资料使用的550 nm波长的卫星AOD数据分别来自于MODIS和FY-3A/MERSI (MEdium Resolution Spectral Imager)。MODIS AOD数据选取Terra和Aqua卫星的AOD 2级产品。两卫星过境中国的时间分别为每日02时30分和05时30分。同化时,设置6 h时间窗口以同时使用两颗卫星的AOD数据。MODIS Level 2(collection 051)气溶胶反演产品是最常用的遥感气溶胶光学厚度数据,分辨率为10 km×10 km,该产品数据已经在中外得到充分验证和广泛应用(刘振波等,2015)。MERSI AOD为FY-3A/MERSI的陆上气溶胶(ASL)产品。MERSI是中国自主研发的第2代极轨气象卫星FY-3A搭载的对地观测仪器,FY-3A卫星过境中国的时间为每日02时。MERSI ASL数据为晴空陆上气溶胶光学厚度产品,分辨率为1 km×1 km。
对卫星AOD数据进行质量控制处理,剔除了缺省值及像元值小于0的无意义数据,再根据卫星AOD质量控制标识,剔除质量标识为0(质量为差)的数据,并且为了减少可能的云污染,剔除大于2.5的AOD值,以保证仅同化反演质量较好的数据(Saide,et al,2014)。质量控制处理后同化时间窗口内的MODIS和MERSI AOD数据的分布如图 1所示。由于卫星资料的时空分辨率相当高,若将全部资料都同化进入系统中,将会过度增加模式的计算量,并且观测资料间的相关性会对同化效果产生负面影响(Niu,et al,2008)。为了保留有效信息同时又避免相关问题,需要将原始的卫星资料进行稀疏化处理,将卫星资料进行水平插值,从而减少进入同化系统的AOD资料数量。
模式气象初始场及侧边界资料来自NCEP 1°×1° FNL再分析资料,模式人为排放源使用全球(0.5°×0.5°)RETRO(REanalysis of the TROpospheric chemical composition)排放数据,生物排放源使用Gunther方案在线计算所得数据。大气化学成分初始场和侧边界资料使用全球大气化学模式MOZART-4/GEOS5的1.9°×2.5°水平分辨率的实时预报结果。地面PM2.5及PM10浓度数据来自中国环境保护部公布的颗粒物与反应性气体监测资料,包含中国大陆937个站点的PM2.5、PM10、SO2、NO2、CO、O3等变量的逐3 h观测数据。
3 试验设计2014年2月20—26日,华北和华东等地区出现了一次中至重度灰霾天气,京津冀及周边地区的空气污染尤为严重,此轮污染于21日达到峰值状态。本次典型的灰霾天气过程具有积累速度快、污染范围大、污染程度高的特点。
文中研究覆盖中国大陆区域,模式中心为(35°N,105°E),水平格距为28 km,格点数为250×180,垂直层数为40层,顶层气压为50 hPa。物理过程参数化方案选择Lin微物理方案,RRTM长波辐射方案,Goddard短波辐射方案,莫宁-奥布霍夫近地面层方案,Noah陆面过程方案,YSU边界层方案和Kain-Fritsch(new Eta)积云对流参数化方案;化学过程参数化方案选择RADM2气象化学机制,GOCART气溶胶参数化方案和Madronich F-TUV光解化学方案。
为探究卫星AOD资料同化对灰霾数值预报的影响,利用GSI三维变分同化系统,开展同化试验。设计3组方案(表 1):方案1为控制试验,不同化任何资料,从2014年2月20日03时起报,向后积分24 h;方案2和3为同化试验,分别同化MODIS和FY-3A/MERSI AOD资料。将2014年2月19日21时起WRF-Chem的6 h预报场作为背景场,同化20日00—06时内的卫星AOD资料。将同化得到的20日03时分析场作为初始场,更新模式的边界条件,向后积分24 h。
试验序号 | 试验名称 | 观测资料 | 同化窗口 | 积分时间 |
方案1 | Control | 无 | 无 | 2014年2月20日03时—21日03时 |
方案2 | MODIS DA | MODIS AOD资料 | 2014年2月20日00—06时 | 2014年2月20日03时—21日03时 |
方案3 | MERSI DA | MERSI AOD资料 | 2014年2月20日00—06时 | 2014年2月20日03时—21日03时 |
图 2为同化前后进入同化系统的卫星观测AOD值与对应的CRTM辐射传输模式模拟AOD值的散点分布。可见两个同化试验中,同化前AOD模拟值较卫星观测值明显偏小,同化之后模拟值与实际观测值更为接近。同时可以看出,两种卫星AOD资料数值分布存在一定差别:MODIS AOD分布主要集中于0—0.1 km-1,相比之下,MERSI AOD分布离散度较大,AOD平均值显著大于MODIS AOD。
为进一步检验同化观测资料对背景场的调整效果,以卫星观测AOD资料为基准,统计了MODIS和MERSI试验同化前后模拟AOD值与卫星观测AOD值的平均偏差、均方根误差和相关系数等检验指标(表 2),MODIS和MERSI同化试验中AOD的平均偏差分别减小了58.7%和26.9%;均方根误差分别减小了48.2%和26.3%;相关系数分别提高了0.44和0.705,各项指标改善效果显著。同化之后AOD的模拟值与卫星观测值之间的误差明显减小,说明同化MODIS和MERSI AOD资料使背景场得到了有效的调整。
试验名称 | 同化前/后 | 平均偏差 | 均方根误差 | 相关系数 |
MODIS DA | 同化前 | 0.208 | 0.303 | 0.449 |
同化后 | 0.086 | 0.157 | 0.889 | |
MERSI DA | 同化前 | 0.350 | 0.585 | 0.097 |
同化后 | 0.256 | 0.431 | 0.802 |
为检验卫星AOD同化对模式初始场AOD空间分布的改善效果,对模式AOD背景场和分析场进行比对分析,其中AOD模拟值通过模式输出的550 nm波长的消光系数计算得到。图 3为模式背景场AOD分布、MODIS和MERSI同化试验的分析场AOD分布。控制试验中,模式背景场对中国北方的灰霾天气模拟不足,同化卫星AOD资料后,分析场加入了此次灰霾天气的主要污染区——中国华北平原、中部地区、中东部沿海地区的气溶胶分布。两组同化试验均体现出中国大陆区域内位于(35°N,112°E)的AOD最大正增量中心,其结果与卫星观测资料的AOD高值区分布一致。其中,MODIS同化试验分析场的中心强度比MERSI同化试验结果偏高0.1—0.2,MERSI同化试验在中国北部和西部地区的初始场改善效果明显优于MODIS同化试验,主要原因是进入同化系统的卫星AOD资料的强度与分布对模式的同化效果有正向影响。MODIS同化试验中AOD分析场的中心强度与AOD观测场更为接近,而MERSI同化试验中分析场的AOD分布与观测场更为接近。综上所述,同化卫星AOD观测资料对模式背景场起到了较好的调整作用,且其中卫星AOD资料的强度和分布对模式背景场的调整有显著影响。
4.2 消光系数垂直分布改进分析图 4为控制试验和MODIS以及MERSI同化试验在35°N的550 nm波长初始时刻的消光系数垂直分布。可以看出消光系数垂直分布的大值区主要集中在模式第5层以下,即约950 hPa以下,对应海拔高度约为500 m。这与灰霾形成的主要因子PM2.5和PM10的主要分布高度对应。对比控制试验和同化试验,同化卫星AOD资料可以改善近地面高度的大气消光系数的强度以及分布,尤其在本次灰霾天气影响最为严重的35°N地区,AOD同化加强了950 hPa以下至近地面层的消光系数强度,对灰霾的预报强度以及低层PM2.5和PM10的预报有较好的指示作用。
4.3 PM2.5及PM10空间分布改进分析图 5为2014年2月21日03时地面测站PM10实况观测、控制试验以及MODIS和MERSI同化试验模式最底层PM10的24 h预报场。比较24 h预报场和PM10观测资料可以看出,控制试验和同化试验均模拟出中国从东北地区到中部地区的灰霾分布和污染物高值中心的大概位置。其中,控制试验模拟的灰霾范围偏小,对高值中心的模拟位置略偏西,强度偏弱50—100 μg/m3。而同化试验均模拟出了污染最为严重的京津冀地区(PM10浓度高于200 μg/m3),周围的重度污染区域范围也与实况吻合程度较高,对于灰霾高值中心的位置和强度的模拟有明显改善。其中,MODIS同化试验对中国华北和东部地区的预报强度与实况吻合程度最高,PM10浓度24 h预报场的污染中心浓度平均比控制试验的结果偏高50 μg/m3,而MERSI同化试验加强了中国东北地区、内蒙古高原和新疆中部地区的PM10浓度。同化和控制试验对PM2.5预报也有类似结果(图略)。以上结果表明,同化MODIS和MERSI AOD资料对污染的强度和传输扩散模拟效果有明显改善。
4.4 PM2.5及PM10预报误差统计分析为进一步检验预报效果,以中国环境保护部937个地面测站的PM2.5及PM10浓度观测资料为基准,统计2014年2月20日03时至21日03时逐6 h模式最底层控制试验和MODIS以及MERSI同化试验的PM2.5和PM10预报浓度及其平均偏差和均方根误差(图 6)。
从图 6a、b可以看出,控制试验对于两个变量的浓度预报明显偏低,同化后PM2.5和PM10的浓度有了明显的提高,并且各分位值、中值和平均值的预报也有明显的改善。图 6c—f显示,模式最底层PM2.5和PM10浓度预报中,同化试验预报的平均偏差和均方根误差等指标整体优于控制试验。虽然同化试验结果在6—12 h的正偏差比控制试验偏大,体现了模式的高估,但在整个24 h内,整体的平均偏差尤其是负偏差比控制试验显著减小。横向对比MODIS与MERSI同化试验结果可得,对于PM2.5预报,MODIS同化试验的整体平均偏差、均方根误差均小于其他试验,而对于PM10预报,MERSI同化试验的该两项统计结果较MODIS同化试验更优。
4.5 PM2.5及PM10预报统计评分 4.5.1 分类检验结果分析为客观检验各试验对污染事件的预报准确度,计算了中国环境保护部937个地面测站的PM2.5和PM10预报的统计评分。表 3中a代表预报成功(Fi≥q且Qi≥q);b代表事件被预报但未在观测出现(Fi≥q且Qi < q);c代表事件出现但未被成功预报(Fi < q且Qi≥q);d代表没有事件被成功预报(Fi < q且Qi < q),ETS(Equitable Threat Score)评分中的e=(a+b)/(a+b+c+d),且其中命中次数(即表 3中a)为随机事件。
使用污染物浓度阈值q来定义污染事件,计算了24 h预报时刻,阈值分别为100 μg/m3(轻度污染及以上)和200 μg/m3(重度污染及以上)污染程度的PM2.5和PM10预报检验数据(表 4)。统计结果显示,随着污染程度的加重,模式预报性能体现出下降的趋势:空报率和漏报率明显上升,TS(Threat Score)和ETS评分也逐渐远离1。同时从表中各试验中漏报率较空报率明显偏高,体现出模式对污染事件更多为漏报,与上文中的统计结果保持一致。同化试验中的漏报率相比控制试验有了显著减小,尤其是PM10污染的预报,漏报率降低了20%—30%,体现了同化对于污染物预报强度的改善。同时,比较其余两组试验,MODIS同化试验的空报率均为最高,与前文中较高的平均偏差相对应。同时,MODIS和MERSI AOD同化试验分别在PM2.5和PM10预报上得到了较高的TS评分和ETS评分。整体体现出同化卫星AOD资料降低了PM2.5和PM10浓度预报的漏报率,提高了预报的TS评分和ETS评分分值,对于污染事件的预报准确度存在明显提高。
定义 | 试验名 | Control | MODIS DA | MERSI DA | |||||||
阈值(μg/m3) | 100 | 200 | 100 | 200 | 100 | 200 | |||||
漏报率 | PM2.5 | 38.14% | 76.64% | 27.49% | 70.09% | 34.59% | 73.83% | ||||
PM10 | 46.61% | 86.58% | 26.44% | 54.98% | 20.17% | 58.87% | |||||
空报率 | PM2.5 | 23.35% | 42.86% | 26.85% | 54.29% | 24.36% | 47.92% | ||||
PM10 | 10.76% | 26.19% | 12.68% | 36.59% | 11.47% | 35.37% | |||||
TS | PM2.5 | 0.5205 | 0.1923 | 0.5727 | 0.2207 | 0.5403 | 0.2188 | ||||
PM10 | 0.5016 | 0.1281 | 0.6646 | 0.3357 | 0.7235 | 0.3574 | |||||
ETS | PM2.5 | 0.2685 | 0.1547 | 0.2912 | 0.1726 | 0.2790 | 0.1818 | ||||
PM10 | 0.1693 | 0.0838 | 0.2683 | 0.2233 | 0.3391 | 0.2377 |
图 7为PM2.5和PM10的ETS评分逐6 h结果。比较图 7各试验的PM2.5及PM10预报的ETS评分,发现整体MODIS和MERSI AOD同化试验评分都显著优于控制试验。同化试验对于PM2.5的ETS评分较控制试验平均提高了15.43%;同化对于PM10预报准确度的改善更为显著,PM10的平均ETS评分提高了74.69%,主要是由于控制试验对PM10强度预报严重偏低,同化卫星AOD资料增强了污染物浓度。此外,MODIS和MERSI同化试验对预报准确度的改善效果也存在一定差异,对于PM2.5污染事件的预报,MODIS同化试验的ETS评分比MERSI平均高约0.01分;而在PM10污染事件的预报中,MERSI同化试验的评分则要略优于MODIS试验。
结果表明:污染物预报性能随着污染事件浓度的升高而降低,卫星AOD资料同化能显著提高模式对PM2.5和PM10污染事件的预报强度和预报准确度,MODIS AOD同化和MERSI AOD同化分别在PM2.5和PM10的预报准确度上占优势。整体体现了卫星AOD资料同化对于灰霾数值预报的改进作用。
5 总结与展望文中探究了卫星AOD资料同化对于灰霾数值预报的改进问题。利用MODIS和FY-3A/MERSI AOD产品数据,使用WRF-Chem模式结合GSI同化系统,对2014年2月20日的一次灰霾天气过程进行了同化和预报试验,并基于卫星资料及地面观测数据对结果进行了对比分析。结果表明:
(1) WRF-Chem模式对大气污染过程有很强的模拟能力,能同步模拟天气过程和大气污染过程,并且能较好地模拟出AOD、PM2.5和PM10等的分布和变化。使用三维变分方法同化卫星AOD资料对AOD、PM2.5和PM10等灰霾天气中空气质量影响因子的预报有显著改善。
(2) 同化卫星AOD资料对于模式初始场改善效果明显。AOD同化使分析场具备了更加丰富的气溶胶观测信息,对模式初始场的描述更加准确。其中,MODIS同化试验中AOD分析场的中心强度与AOD观测场更为接近,而MERSI同化试验中分析场的AOD分布与观测更为一致。AOD资料同化对后续的AOD、PM2.5、PM10的预报有积极效果,合理改善了各变量的分布和强度,与观测实况更为接近。考虑到MODIS和MERSI AOD整体在数据值大小的差异,以及GOCART气溶胶模式中PM2.5和PM10计算公式的差别,并且AOD与PM10的相关性较PM2.5更高,可能引起了两种资料在模式底层PM2.5和PM10后续预报效果上的差异。
(3) 从统计分析上来看,同化试验的预报效果整体上优于控制试验,且不同卫星资料对于不同颗粒物预报的改善存在差别。同化后的PM2.5和PM10的浓度平均值、中值更接近于实况观测值,预报值也拥有更小的平均偏差和误差标准差。对于PM2.5预报,MODIS同化试验整体平均偏差、均方根误差均小于其他试验,而对于PM10预报,MERSI同化试验的该两项统计数据均较MODIS同化试验更低。MODIS同化试验和FY-3A/MERSI同化试验分别在PM2.5和PM10预报中体现出了优势。由于卫星AOD资料的空间分布和强度区别的影响,卫星AOD资料同化对于颗粒物浓度预报改善有明显的区域特征和个体特征。
(4) AOD资料同化能明显提升灰霾天气事件的预报准确度。模式对PM2.5和PM10污染的预报能力随污染程度的提升而降低,但AOD资料同化降低了PM2.5和PM10的漏报率,提高了预报的TS和ETS评分。MODIS和MERSI同化试验对PM2.5和PM10预报准确度的改善效果也存在一定差异,并且,MODIS和MERSI AOD同化试验分别在PM2.5和PM10预报的ETS评分上表现更佳。整体体现了AOD三维变分同化对于空气质量预报及改善拥有广阔发展前景。
为提高同化预报系统对于空气质量预报的准确性,以下几个方面的问题有待进一步探究:(1)拓展个例选取范围。选取不同时期、不同区域的灰霾天气样本进行同化预报试验,综合考察三维变分同化系统同化卫星AOD资料对提高灰霾数值预报精度的适应性。(2)完善资料质量控制及偏差订正方案。采取更加严格和科学的卫星AOD质量控制方案,研究适用于AOD资料的偏差订正方法等。(3)丰富卫星数据资源。同时同化MODIS AOD及FY-3A/MERSI AOD数据以综合两种卫星AOD资料优势,以及利用各国极轨卫星或准静止卫星上的多种传感器的AOD资料同化,同时同化多种卫星AOD数据等,对比研究同化效果及对灰霾数值预报的影响。
白晓平, 李红, 方栋, 等. 2007. 资料同化在空气质量预报中的应用. 地球科学进展, 22(1): 66–73. Bai X P, Li H, Fang D, et al. 2007. Applications of data assimilation in air quality prediction. Adv Earth Sci, 22(1): 66–73. (in Chinese) |
丁一汇, 柳艳菊. 2014. 近50年我国雾和霾的长期变化特征及其与大气湿度的关系. 中国科学:地球科学, 57(1): 36–46. Ding Y H, Liu Y J. 2014. Analysis of long-term variations of fog and haze in China in recent 50 years and their relations with atmospheric humidity. Sci China:Earth Sci, 57(1): 36–46. (in Chinese) |
樊高峰, 马浩, 张小伟, 等. 2016. 相对湿度和PM2.5浓度对大气能见度的影响研究:基于小时资料的多站对比分析. 气象学报, 74(6): 959–973. Fan G F, Ma H, Zhang X W, et al. 2016. Impacts of relative humidity and PM2.5 concentration on atmospheric visibility:A comparative study of hourly observations of multiple stations. Acta Meteor Sinica, 74(6): 959–973. (in Chinese) |
靳璐滨, 臧增亮, 潘晓滨, 等. 2016. PM2.5~10资料同化及在南京青奥会期间的应用试验. 中国环境科学, 36(2): 331–341. Jin L B, Zang Z L, Pan X B, et al. 2016. Data assimilation and application experiments of PM2.5 and PM2.5~10 during Nanjing Youth Olympic Games. China Environ Sci, 36(2): 331–341. (in Chinese) |
廖晓农, 张小玲, 王迎春, 等. 2014. 北京地区冬夏季持续性雾-霾发生的环境气象条件对比分析. 环境科学, 35(6): 2031–2044. Liao X N, Zhang X L, Wang Y C, et al. 2014. Comparative analysis on meteorological condition for persistent haze cases in summer and winter in Beijing. Environ Sci, 35(6): 2031–2044. (in Chinese) |
刘振波, 张明明, 葛云健, 等. 2015. 基于MODIS AOD数据的南京市大气能见度估算. 长江流域资源与环境, 24(9): 1451–1457. Liu Z B, Zhang M M, Ge Y J, et al. 2015. Estimating visibility of Nanjing using MODIS AOD data. Resour Environ Yangtze Basin, 24(9): 1451–1457. (in Chinese) |
谭成好, 陈昕, 赵天良, 等. 2014. 空气质量数值模型的构建及应用研究进展. 环境监控与预警, 6(6): 1–7. Tan C H, Chen X, Zhao T L, et al. 2014. Research progress on the development and application of air quality models. Environ Monit Forewarn, 6(6): 1–7. (in Chinese) |
陶燕, 刘亚梦, 米生权, 等. 2014. 大气细颗粒物的污染特征及对人体健康的影响. 环境科学学报, 34(3): 592–597. Tao Y, Liu Y M, Mi S Q, et al. 2014. Atmospheric pollution characteristics of fine particles and their effects on human health. Acta Scient Circumst, 34(3): 592–597. (in Chinese) |
王伟光, 郑国光. 2013. 气候变化绿皮书:应对气候变化报告(2013):聚焦低碳城镇化. 北京: 社会科学文献出版社. pp. Wang W G, Zheng G G. 2013. Green Book of Climate Change:Annual Report on Actions to Address Climate Change (2013):Focus on Low-Carbon Urbanization. Beijing: Social Science Academic Press (China). |
吴兑. 2012. 近十年中国灰霾天气研究综述. 环境科学学报, 32(2): 257–269. Wu D. 2012. Hazy weather research in China in the last decade:A review. Acta Scient Circumst, 32(2): 257–269. (in Chinese) |
张悦, 樊曙先, 李皓, 等. 2016. 气溶胶辐射效应在华东地区一次雾霾过程中的作用. 气象学报, 74(3): 465–478. Zhang Y, Fan S X, Li H, et al. 2016. Effects of aerosol radiative feedback during a severe smog process over Eastern China. Acta Meteor Sinica, 74(3): 465–478. DOI:10.11676/qxxb2016.028 (in Chinese) |
Collins W D, Rasch P J, Eaton B E, et al. 2001. Simulating aerosols using a chemical transport model with assimilation of satellite aerosol retrievals:Methodology for INDOEX. J Geophys Res, 106(D7): 7313–7336. DOI:10.1029/2000JD900507 |
Generoso S, Bréon F M, Chevallier F, et al. 2007. Assimilation of POLDER aerosol optical thickness into the LMDz-INCA model:Implications for the Arctic aerosol burden. J Geophys Res, 112(D2): D02311. |
Grell G A, Peckham S E, Schmitz R, et al. 2005. Fully coupled "online" chemistry within the WRF model. Atmos Environ, 39(37): 6957–6975. DOI:10.1016/j.atmosenv.2005.04.027 |
Kleespies T J, van Delst P, McMillin L M, et al. 2004. Atmospheric transmittance of an absorbing gas 6. OPTRAN status report and introduction to the NESDIS/NCEP community radiative transfer model. Appl Opt, 43(15): 3103–3109. |
Liu Z Q, Rabier F. 2002. The interaction between model resolution and observation resolution and density in data assimilation//EGS General Assembly Conference Abstracts. 27: 59 |
Liu Z Q, Liu Q H, Lin H C, et al. 2011. Three-dimensional variational assimilation of MODIS aerosol optical depth:Implementation and application to a dust storm over East Asia. J Geophys Res, 116(D23): D23206. |
Niu T, Gong S L, Zhu G F, et al. 2008. Data assimilation of dust aerosol observations for the CUACE/dust forecasting system. Atmos Chem Phys, 2008(13): 3473–3482. |
Parrish D F, Derber J C. 1992. The National Meteorological Center's spectral statistical-interpolation analysis system. Mon Wea Rev, 120(8): 1747–1763. DOI:10.1175/1520-0493(1992)120<1747:TNMCSS>2.0.CO;2 |
Saide P E, Carmichael G R, Liu Z, et al. 2013. Aerosol optical depth assimilation for a size-resolved sectional model:Impacts of observationally constrained, multi-wavelength and fine mode retrievals on regional scale analyses and forecasts. Atmos Chem Phys, 13(20): 10425–10444. DOI:10.5194/acp-13-10425-2013 |
Saide P E, Kim J, Song C H, et al. 2014. Assimilation of next generation geostationary aerosol optical depth retrievals to improve air quality simulations. Geophys Res Lett, 41(24): 9188–9196. DOI:10.1002/2014GL062089 |
Schwartz C S, Liu Z Q, Lin H C, et al. 2012. Simultaneous three-dimensional variational assimilation of surface fine particulate matter and MODIS aerosol optical depth. J Geophys Res, 117(D13): D13202. |
Yu H B, Dickinson R E, Chin M, et al. 2003. Annual cycle of global distributions of aerosol optical depth from integration of MODIS retrievals and GOCART model simulations. J Geophys Res, 108(D3): 4128. |
Zhang J L, Reid J S, Westphal D L, et al. 2008. A system for operational aerosol optical depth data assimilation over global oceans. J Geophys Res, 113(D10): D10208. DOI:10.1029/2007JD009065 |