Print

出版日期: 2016-3-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20165106
2016 | Volumn 20 | Number 2





                              上一篇|





下一篇
中国东部气溶胶光学厚度季节变化的数值模拟
expand article info 李嘉伟 , 韩志伟
中国科学院大气物理研究所 东亚区域气候-环境重点实验室, 北京 100029
收稿日期: 2015-05-11; 修改日期: 2015-09-29; 优先数字出版日期: 2015-10-06
基金项目: 国家重点基础研究计划(编号：2010CB950804, 2014CB953703)；国家自然科学基金(编号：41405140)
第一作者简介: 李嘉伟(1983— ), 男, 副研究员, 主要从事大气气溶胶理化性质及其环境气候效应的数值模式研究。E-mail:lijw@tea.ac.cn
通信作者简介: 韩志伟(1967— ), 男, 研究员, 主要从事大气化学和气溶胶成分的产生和演变机理及其辐射和气候效应, 已发表论文100余篇。E-mail:hzw@mail.iap.ac.cn
中图分类号: TP79
文献标识码: A
文章编号: 1007-4619(2016)02-0205-11

摘要

气候模式对气溶胶光学厚度AOD的合理模拟，是模拟研究气溶胶气候效应的前提。利用在线耦合的区域气候—大气化学—气溶胶耦合模式系统RIEMS-Chem，模拟研究了2010年中国东部地区AOD的季节变化情况。模拟结果与卫星搭载的中分辨率成像光谱仪(MODIS)的反演资料和地基气溶胶观测网(AERONET)的站点观测资料分别进行了一年四季的详细对比，检验结果显示尽管模拟值有所低估，模式仍然能够合理地反映AOD的季节变化情况和空间分布特征，与AERONET站点观测值相比，整体相关系数为0.6。MODIS反演和相应模拟结果均显示，中国东部地区AOD整体水平夏季最大，春季次之，秋、冬季最小，华北平原、四川盆地和华中地区是AOD的主要大值区。只考虑日间AOD时，其季节分布特征略有不同，在华北平原地区，日间AOD夏季最大(1.1—1.5)，在长江中下游流域地区，日间AOD则在春季最大(1.1—1.7)；在中国东部，日间AOD的大值在夏、冬两季分别主要分布在长江以北、以南地区，而在春、秋两季则主要位于长江中下游流域。

关键词

在线耦合区域模式, 气溶胶光学厚度AOD, 季节变化, 中国东部, MODIS, AERONET

Numerical simulation of the seasonal variation of aerosol optical depth over eastern China
expand article info LI Jiawei , HAN Zhiwei
Key Laboratory of Regional Climate-Environment for Temperate East Asia (RCE-TEA), Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029,China
Supported by National Basic Research Program (973 Program)(No.2010CB950804, 2014CB953703); National Natural Science Foundation of China (No.41405140)

Abstract

Aerosol Optical Depth (AOD) is a key factor that reflects the impact of atmospheric aerosol on the climate. The accurate simulation of AOD is the basis for a climatic model in modeling the aerosol climate effects. In this study, an online-coupled three-dimensional regional climate–atmospheric chemistry–aerosol model was used to investigate the AOD over eastern China in 2010 to understand the spatial and seasonal behavior of AOD and the role aerosol plays over this region.

The Regional Integrated Environmental Modeling System online-coupled with atmospheric chemistry and aerosol processes(RIEMS-Chem) was used in this study.This model contains sophisticated atmospheric dynamic, atmospheric chemical, and aerosol chemical processes. The online-coupled system facilitates the model to simulate the impact of aerosol on climatic factors and the feedback of climate on aerosol distribution. Simulated AOD was verified by satellite retrieval of the Moderate-Resolution Imaging Spectroradiometer (MODIS) and insitu measurements from the Aerosol Robotic Network (AERONET) in four seasons.

The comparison of the AOD simulation result with the corresponding MODIS retrieval indicated the capability of the model to reproduce the seasonal variation and spatial distribution of AOD over eastern China, although the model somewhat underestimated the magnitude in summer.The comparison of AOD measurements from the six AERONET sites also showed that the model was able to simulate the spatial and seasonal variation of AOD, but underestimated the magnitude over north China, with an overall correlation coefficient of 0.6 compared with all AERONET measurements. The MODIS retrieval and corresponding simulation result showed that, over eastern China, the AOD was generally higher in summer, followed by spring, and lower in autumn and winter. However, the daytime seasonal mean AOD showed different seasonal distribution patterns:For areas around the North China Plain, the daytime seasonal mean AOD reached its highest level in summer with values ranging from 1.1 to 1.5, but lowest in other seasons. By contrast, over areas of the middle and lower reaches of the Yangtze River, the daytime seasonal mean AOD was reached its highest level in spring with values ranging from 1.1 to 1.7, followed by autumn and winter, but lowest in summer. For the region of eastern China, the daytime seasonal mean AOD reach edits highest level over areas north of the Yangtze River in summer, over areas south of the Yangtze River in winter, and over areas along the middle and lower reaches of the Yangtze River in spring and autumn.

Model verification indicated that RIEMS-Chem was able to reflect the characteristics of AOD distribution and its seasonal variation, but under predicted the observation by approximately 20% in terms of the annual mean. According to the model result, the daytime AOD distribution exhibited distinct subregional and seasonal characteristics over eastern China, implying that, over this region, aerosol optical and climatic effects could be subregional and seasonal dependent.

Key words

regional online-coupled model, Aerosol Optical Depth(AOD), seasonal variation, eastern China, MODIS, AERONET

1 引 言

随着社会经济的发展，能源消耗日益增长，大气气溶胶逐渐成为中国主要的大气污染成分，并在未来中国的大气环境中继续扮演主要角色(Streets和Waldhoff，2000; Ohara等，2007)。近年来，大气气溶胶受到社会各界的广泛关注，因此，有必要对气溶胶的理化性质及其影响进行深入研究。

大气气溶胶会影响空气质量、影响人体健康。气溶胶可以通过散射和吸收作用改变到达地表的太阳辐射，以及通过成为云凝结核改变云的物理特性和寿命，从而对气候造成一定影响。在联合国政府间气候变化专门委员会(IPCC)第4次报告中，全球大气顶由于气溶胶引起的直接辐射强迫为(–0.5 ± 0.4)W/m2，部分抵消了温室气体造成的正辐射强迫(+2.6 ± 0.3)W/m2(Forster等，2007)。气溶胶的气候效应是目前气候变化研究的核心问题之一，但由于气溶胶本身复杂的理化特性，其影响机制目前仍存在很大的不确定，对于气溶胶气候和辐射效应的科学认知水平仍然较低。

在中国东部地区，大气气溶胶主要来源于生产、生活等人为活动。人为源气溶胶主要成分包括硫酸盐、硝酸盐、铵盐、黑碳、有机碳和其他一次排放颗粒物(如工地、道路扬尘等)(Ohara等，2007)。此外，由于东亚地区是世界上主要沙漠地区之一(Zhang等，2003; Shao和Dong，2006)，在特定季节，沙尘气溶胶可能成为影响中国东部广大地区的主要气溶胶成分。鉴于中国东部地区同时存在大量人为源和自然源气溶胶，该区域为研究气溶胶的环境和气候效应提供了一个合适的环境。

数值模式模拟结合观测数据分析是研究气溶胶理化特性的主要方式之一。近年来，有大量的数值模式研究工作涉及东亚地区气溶胶的源排放、输送、沉降、物理化学转变等过程以及气溶胶对环境气候的影响等(Tang等，2004; Han等，2008; Li等，2011; Fu和Liao，2012; Wu等，2008)。这些研究或者是关注气溶胶化学成分的时空分布和演变情况，或者是关注某种气溶胶成分(如硫酸盐、黑碳)对东亚地区辐射强迫的气候要素的影响，但绝大部分研究所用的数值模式没有包含气溶胶和气候要素之间的相互反馈机制，限制了模式对大气化学—气溶胶—辐射—气候之间相互作用的模拟能力，使得研究结果存在不确定性。

本研究利用在线耦合的区域气候—大气化学—气溶胶耦合模式系统RIEMS-Chem，研究中国东部地区AOD的季节变化特征。AOD的大小决定于气溶胶的化学成分和时空分布，同时它反映了气溶胶整体对辐射强迫的削减能力，是联系大气化学问题和气溶胶辐射效应问题的关键参量。了解AOD在中国东部地区的季节分布特征，将有助于中国东部地区气溶胶辐射和气候效应的进一步研究。

2 研究方法和数据

2.1 模式介绍

主模式是区域集成环境模拟系统(Regional Integrated Environmental Model System)，是由中国科学院大气物理研究所东亚区域气候—环境重点实验室的“基于中尺度气象模式MM5的动力框架”发展而来。它包含了详细的子过程和参数化方案以描述主要的大气物理过程、天气动力学过程和辐射传输过程：采用改进了的CCM3模块(NCAR Community Climate Model，Version CCM3; Keihl等，1996)模拟太阳短波和地面长波辐射传输过程；采用生物—大气传输方案BATS(Biosphere-Atmosphere Transfer Scheme; Dickinson等，1993)模型模拟陆面过程；采用中尺度预报方案MRF(Medium-Range Forecast scheme; Hong和Pan，1996)模拟表示行星边界层过程；采用积云参数化方案(Grell，1993)表征对流过程。RIEMS模式曾成功应用于土地利用变化对东亚季风的影响(Fu，2003)，人为源和自然源气溶胶对东亚地区直接辐射强迫的影响(Han等，2012，2013)，以及东亚地区气溶胶浓度和直接辐射强迫的年际变化(Li等，2013)等方面的研究，对东亚地区的主要气候要素有好的模拟能力(Xiong等，2006)。RIEMS模式参与了东亚区域气候模式比较计划(Fu等，2005)，在9个参与计划的模式中有较好表现。

以RIEMS模式为基础，将大气化学模块和气溶胶模块耦合于主模式中，使之成为区域气候—大气化学—气溶胶在线耦合模式系统RIEMS-Chem(Han，2010; Han等，2012，2013)。RIEMS-Chem共模拟27种痕量气体成分和8种气溶胶类型(包括硫酸盐、硝酸盐、铵盐、黑碳、一次有机碳、二次有机碳、沙尘和海盐)。气相化学采用碳键机制CB-IV(Carbon Bond mechanism version IV; Gery等，1989)，液相化学采用区域酸沉降模型RADM机制(Regional Acid Deposition Model; Chang等，1987)。硫酸盐气溶胶成分的形成来自于SO2被OH自由基的氧化(气相)以及被H2O2和O3的氧化(液相)。热力学平衡模型ISORROPIA被用于模拟无机盐气溶胶(硫酸盐、硝酸盐、铵盐)之间的热力学平衡(Nenes等，1998)。二次有机气溶胶(SOA)是由挥发性有机物(VOCs)根据体积产率法生成(Lack等，2004)。黑碳和一次有机碳气溶胶的处理方法是直接排放进入大气。硫酸盐、硝酸盐、铵盐、黑碳和有机碳这5类气溶胶均按对数正态分布处理，中值半径分别为0.07 µm、0.07 µm、0.07 µm、0.01 µm和0.02 µm，几何标准差分别为2.0、2.0、2.0、2.0和2.2。沙尘气溶胶和海盐气溶胶的产生根据Han等人(2004)提出的方法由模式在线模拟。在本研究中，沙尘和海盐两类气溶胶均分为5个粒径段(0.1—1.0 µm、1.0—2.0 µm、2.0—4.0 µm、4.0—8.0 µm和8.0—20.0 µm)。

气体的干沉降速度根据Walmsley和Wesely(1996)提出的参数化方案计算，云内混合和湿清除过程由冲刷子模型处理。气溶胶的干沉降速度由总体阻力的倒数加上重力沉降计算得到，计算中考虑气溶胶的化学成分和粒径，云下的气溶胶冲刷根据冲刷率(降水率和颗粒之间碰撞系数的函数)计算(Han等，2004)。

各气溶胶类型的光学参数(质量消光系数、单体散射返照率和非对称因子)来自Optical Properties of Aerosols and Clouds(OPAC)数据库(Hess等，1998)，其中沙尘气溶胶的复折射指数由根据中国沙漠气溶胶样本测得的数据代替(Wang等，2004)。RIEMS-Chem中气溶胶光学参数的详细介绍可参看相关文献(Han等，2012; Li等，2013)。

在气溶胶排放源地区，不同气溶胶类型之间按外部混合处理更合理(Giorgi等，2002)，因此在本研究里，气溶胶之间以外部混合的形式存在。研究显示，气溶胶的吸湿增长性对其质量消光能力影响很大，随着湿度增加，气溶胶的消光能力越强(Liu等，2012; 陶金花等，2015)。相对湿度对气溶胶消光能力的影响由气溶胶干粒子的消光系数乘以气溶胶的吸湿增长率体现。气溶胶的吸湿增长率决定于其化学成分，是相对湿度的函数。无机盐气溶胶和海盐气溶胶的吸湿增长因子来自于Pitchford等人(2007)提出的数据库，它们与中国地区的观测结果几乎一致(Liu等，2012)。Pan等人(2009)根据对中国沙尘过程的观测分析提出了沙尘期间气溶胶吸湿增长因子的参数化公式，该公式用于RIEMS-Chem中的沙尘气溶胶。在东亚地区(Kim等，2006; Liu等，2012)和其他地区(Malm和Day 2001; Randles等，2004)的观测研究显示，含碳气溶胶的消光能力随湿度变化很小，因此，在本研究里，黑碳气溶胶的消光能力不随相对湿度改变。有机碳气溶胶的吸湿增长因子是根据Xu等人(2002)在中国地区的观测研究结果得到。

气溶胶直接辐射强迫由改进的CCM3模型计算(Keihl等，1996)，其中，太阳短波辐射光谱分为18个谱段，覆盖了0.2—5.0 µm，采用Delta-Eddington近似法求解太阳辐射通量。对于长波辐射，沙尘气溶胶的长波辐射传输按指数衰减(Carlson和Benjamin，1980)，而其他类型气溶胶的长波辐射与短波辐射相比可以忽略。

大气化学和气溶胶模块在每个模式时间步长内(2.5 min)都被主模式调用一次以计算气溶胶的辐射效应，所得的结果再反馈于气候模型，由此可以得到大气化学/气溶胶和气候要素之间的相互作用。

2.2 模式设置

RIEMS-Chem采用兰伯特正形投影坐标，水平分辨率为60 km，中心地理坐标为(30°N，110°E)，东西方向共89个网格点，南北方向共75个网格点，垂直方向不等距划分为16层，从近地面延伸至100 hPa高度。模式区域包含了东亚大部分地区。模式运行时间为2009年12月1日0时至2010年12月31日18时，其中2009年12月1日0时至2009年12月31日23时为模式预积分时间，以便模拟的气象要素和大气化学成分等变量达到动态平衡，而2010年的模拟结果将用于对比和分析研究。美国国家环境预报中心(NCEP)提供的1°×1°空间分辨率、6 h时间分辨率的再分析资料用于气象驱动场的初始条件和侧边界条件。

人为排放源和生物质燃烧排放源清单来自 IPCC第五次评估报告(Lamarque等，2010)，包括SO2、NOx、 CO、 非甲烷挥发性有机物(NMVOC)、黑碳(BC)、一次有机碳(POC)等成分，空间分辨率为0.5° × 0.5°，根据双线性插值方法插值到模式网格点上。气体和气溶胶成分的侧边界条件来自于全球大气化学输送模式MOZART-4(Emmons等，2010)。

2.3 观测数据

RTerra卫星的中分辨率成像光谱仪MODIS反演的逐日AOD资料(550 nm)用于模式验证。MODIS 每日约10:30(当地时)过境并提供相应反演资料。2010年共有365组可用数据用于本研究。地基遥感测量的AOD来自于气溶胶监测网AEONET的6个站点(5个位于中国东部，1个位于日本)，分别是北京、香河、兴隆、太湖、香港理工大学和白滨站(shirahama)。北京站(39.98 °N，116.38 °E)是个城市站，位于北京市区北部；香河站(39.74 °N，116.96 °E)是个市郊站，位于北京城区东南约45 km处；兴隆站(40.40 °N，117.58 °E)是郊区站，位于距离北京市区东北120 km的郊区；太湖站(31.42 °N，120.22 °E)站位于华东地区的太湖边上，该站虽然位于郊区，但经常受周边工业排放的影响；香港理工大学站(22.30 °N，114.18 °E)是个城市站，位于香港科技大学内部，但其周边没有工业区，交通也不繁忙；白滨站(33.69 °N，135.36 °E)是位于日本南部海岸的郊区站。上述6个AERONET站点的逐时AOD测量数据被用于模拟结果的对比检验。

3 模拟结果检验与分析

3.1 与MODIS的AOD反演资料对

图 1给出了MODIS反演的2010年春(3月—5月)、夏(6月—8月)、秋(9月—11月)、冬(1月、2月和12月)4个季节的平均AOD空间分布情况及对应的模式模拟结果。模式模拟结果根据反演结果进行了对应采样。MODIS反演结果显示，在春季，中国东部的AOD大值区主要出现在华北、四川盆地、华中和华南等地(图 1(a))。模式很好地反映了华北、四川盆地和华中地区等AOD大值中心的位置(图 1(b))，但没有反映华南地区AOD的情况。春季华南地区的AOD大值区主要是因为东南亚北部生物质燃烧排放很强，大量气溶胶输送至华南地区，使该地区形成AOD大值中心(Fu等，2012)，而目前的排放源清单难以体现这种季节性的剧烈排放现象。夏季，MODIS反演结果表明，中国东部AOD大值区集中在长江中下游以北的华北地区，季节平均值最大超过1.2，而四川盆地上AOD大值区平均值则为0.8—1.0(图 1(c))。模式合理地反映了这两个AOD大值区出现的位置和分布情况，但低估了华北地区AOD的大小(图 1(d))。排放源强度(影响气溶胶浓度)的不确定是夏季模拟偏差的主要原因之一。模式所用排放源清单是年平均值，难以反映不同季节排放强度的变化情况。此外，模拟水汽含量(影响气溶胶吸湿增长)的不确定也可以造成模拟偏差。MODIS的反演结果显示秋季中国东部地区AOD的量值水平远低于春夏两季，在AOD大值中心的华北平原地区和四川，季节平均AOD最大约为0.8—0.9(图 1(e))，模式比较准确地模拟了秋季中国东部AOD的大小和空间分布情况(图 1(f))。冬季，卫星反演的AOD最大值出现在四川盆地，季节平均值可达1.2，其次是华中地区，AOD平均值约0.7—1.0(图 1(g))。RIEMS-Chem模式也反映了冬季AOD的时空分布情况(图 1(h))，但此时模式在长江以南部分地区高估了AOD的量值，这也与排放源的不确定有关。根据MODIS的反演结果，中国东部地区AOD整体水平在夏季最大，春季次之，秋冬季最小，长江中下游以北的华北地区、四川盆地、和华中等地区是AOD的主要大值区。总体而言，模式合理地反映了中国东部AOD的空间分布和季节变化情况，但在部分地区，模拟值与卫星反演值相比有所低估。


图 1 MODIS反演和RIEMS-Chem模拟2010年季节平均AOD(模拟结果根据反演结果对应采样)
Figure 1 Seasonal averaged AOD from MODIS retrievals and RIEMS-Chem simulation(Model results were sampled according to retrievals)

图 2是年平均AOD的模拟结果与观测资料对比。图 2(a)可见，MODIS反演的年平均AOD大值中心出现在华北地区、四川盆地和华中地区，这些地区AOD年平均值约为0.7—1.0。相应的模拟结果(图 2(b))显示，RIEMS-Chem模式合理地模拟了中国东部AOD的分布情况，但在AOD大值地区(华北、四川盆地和华中)，模拟的年平均AOD约为0.7—0.9，比卫星反演值偏低约0.1—0.2。正如图 1显示，夏季AOD模拟值的偏低对AOD年平均的低估贡献较大。


图 2 MODIS反演和RIEMS-Chem模拟2010年平均AOD (模拟结果根据反演结果对应采样)
Figure 2 Annual averaged AOD for 2010 from MODIS retrievals and RIEMS-Chem simulation (Model results were sampled according to retrievals)

3.2 与AERONET的AOD观测资料对比

模式模拟的小时AOD值与所选6个AERONET站点的观测数据进行了统计对比(表 1)，对比项目包括平均值、相关系数、平均偏差MBE、均方根误差RMSE和误差百分比。春季，中国东部地区AERONET站点测得的平均AOD普遍较高，除兴隆站外，其余4个大陆站点测得的平均AOD均超过0.5，太湖和香港理工大学站甚至超过0.6。2010年3月，中国地区层发生一次特大沙尘暴，沙尘气溶胶影响了华北、华东等地，甚至到达香港(Li等，2011)，因此，中国东部的春季AOD处于较高水平。与中国相比，日本地区的AOD较低，Shirahama站春季平均值为0.25。模式反映了中国东部春季较高的AOD和日本较低的AOD，但模拟值在中国东部地区整体有所偏低，在华北和华东地区偏低10%左右，在华南地区偏低超过30%。整体上，在春季，所选6个站点AOD平均值为0.48，对应模拟值为0.44，偏低约8%，相关系数为0.59。

表 1 RIEMS-Chem模拟与AERONET测量逐时AOD统计对比
Table 1 Statistics of comparison for hourly AOD from RIEMS-Chem and AEORNET

下载CSV 
  站点 样本数 观测 模拟 相关系数 MBE RMSE 比例/%
春季(2010年3月–5月) 北京站 539 0.58 0.5 0.59 –0.08 0.47 –13.79
香河站 452 0.53 0.48 0.64 –0.05 0.38 –9.43
太湖站 301 0.61 0.56 0.49 –0.05 0.35 –8.20
兴隆站 496 0.33 0.39 0.51 0.06 0.3 18.18
香港理工大学站 138 0.65 0.44 0.25 –0.21 0.44 –32.31
白滨站 328 0.25 0.25 0.38 0 0.14 0.00
春季合计 2254 0.48 0.44 0.59 –0.04 0.36 –8.33
夏季(2010年6月–8月) 北京站 444 0.93 0.64 0.43 –0.29 0.76 –31.18
香河站 299 1.04 0.59 0.51 –0.45 0.86 –43.27
太湖站 190 0.66 0.52 0.46 –0.14 0.5 –21.21
兴隆站 221 0.63 0.5 0.29 –0.13 0.66 –20.63
香港理工大学站 284 0.22 0.22 0.67 0 0.18 0.00
白滨站 184 0.24 0.18 0.74 –0.06 0.17 –25.00
夏季合计 1622 0.68 0.47 0.53 –0.21 0.63 –30.88
秋季(2010年9月–11月) 北京站 520 0.45 0.3 0.79 –0.15 0.44 –33.33
香河站 390 0.45 0.29 0.67 –0.16 0.4 –35.56
太湖站 94 0.47 0.5 0.5 0.03 0.33 6.38
兴隆站 470 0.16 0.22 0.7 0.06 0.19 37.50
香港理工大学站 357 0.4 0.37 0.36 –0.03 0.28 –7.50
白滨站 – – – – – – –
秋季合计 1831 0.36 0.3 0.64 –0.06 0.34 –16.67
冬季(2010年1月，2月和12月) 北京站 504 0.35 0.22 0.73 –0.13 0.24 –37.14
香河站 384 0.38 0.18 0.58 –0.2 0.34 –52.63
太湖站 8 0.55 0.6 0.89 0.05 0.13 9.09
兴隆站 516 0.19 0.16 0.63 –0.03 0.16 –15.79
香港理工大学站 196 0.34 0.28 0.44 –0.06 0.21 –17.65
白滨站 256 0.17 0.14 0.22 –0.03 0.14 –17.65
冬季合计 1864 0.29 0.19 0.6 –0.1 0.24 –34.48
2010全年 北京站 2007 0.57 0.41 0.62 –0.16 0.50 –28.07
香河站 1525 0.57 0.38 0.61 –0.19 0.51 –33.33
太湖站 593 0.61 0.54 0.48 –0.07 0.40 –11.48
兴隆站 1703 0.28 0.29 0.53 0.01 0.32 3.57
香港理工大学站 975 0.37 0.32 0.47 –0.05 0.28 –13.51
白滨站 769 0.22 0.2 0.55 –0.02 0.15 –9.09
全年合计 7571 0.44 0.35 0.6 –0.09 0.41 –20.45

夏季，华北地区和华东地区的AOD观测值达到一年中的最大值，北京和香河的AOD季节平均值在1.0左右，兴隆和太湖则超过0.6，此时，华南的香港理工大学站和日本的Shirahama站平均AOD则处于较低水平(约为0.2)。RIEMS-Chem模式反映了夏季华北、华东地区较高的AOD和其他地区较低的AOD，但模拟值偏低，除香港外，与观测值相比低估约20%—44%。如前所述，排放源和模拟水汽的不确定性，是造成夏季模式低估的主要原因。夏季，6站平均AOD高达0.68，模拟值则是0.47，比观测偏低约31%，相关系数为0.53。

秋、冬两季，AOD下降至较低水平，华北、华东和华南地区AOD站点平均值大都在0.34—0.55范围内，郊区站(兴隆和Shirahama)AOD则低于0.2。模式较合理地反映了秋、冬季节AERONET站点AOD的变化情况，但模式低估了北京周边地区的AOD水平，在秋、冬两季，北京和香河两站的模拟平均值均比观测值偏低超过30%。冬季北方因为燃煤取暖的原因，人为排放强度要高于年平均水平(Streets等，2003)，然而本研究所用IPCC AR5的排放资料为年平均情况，这会使得模式低估冬季华北地区气溶胶的含量，从而导致模拟AOD偏低。整体来看，秋季AERONET站点平均AOD为0.36，冬季则为0.29，相应模拟值分别为0.3和0.19，相关系数则分别为0.64和0.6。

从全年平均情况来看，观测和模拟均显示，华北、华东地区(北京、香河和太湖)AOD平均值明显高于华南地区(香港理工大学)，城市及其周边地区(北京、香河、太湖和香港理工大学)的AOD值则高于远郊(兴隆和Shirahama)，这与图 2显示的AOD分布情况一致。6个站点AOD年平均值为0.44，而模拟值则偏低约20%(0.35)，两者相关系数为0.6。与AERONET观测结果的对比显示，RIEMS-Chem模式能够较好地反映中国东部地区AOD的空间分布(北方>南方)和季节变化情况(夏季>春季>秋、冬季)，但在量值上有所低估。

3.3 日间AOD的季节分布

由于卫星反演资料的时间分辨率较低，并且在有云或明亮下垫面时存在反演失效的情况，故图 3给出RIEMS-Chem模拟的日间AOD季节平均值，希望可以补充MODIS反演资料在上述方面的不足。这里所谓的日间AOD，是指当研究区域存在太阳辐射时，模式所得晴空条件下的AOD模拟结果，时间范围约为09:00—18:00(北京时，冬季实际时间跨度会缩短1—2 h，夏季则增加1—2 h)。实际上当存在太阳辐射时，气溶胶的短波辐射效应才明显，因此日间AOD能反映气溶胶有效削弱太阳短波辐射的情况。需要说明的是，由于夜间没有太阳辐射，此时RIEMS-Chem不计算AOD，表示夜间气溶胶的短波辐射效应可以忽略(但仍然会计算沙尘和黑碳等能够吸收长波辐射的气溶胶成分的AOD)。


图 3 RIEMS-Chem模拟季节平均日间AOD (09:00—18:00)
Figure 3 Simulated seasonal averaged daytime AOD (09:00—18:00)

图 3显示，春季日间AOD(图 3(a))大值区出现在长江中下游地区(1.1—1.7)，最大值位于四川盆地和长江中游，日间AOD平均值可达1.5—1.7；但在华北平原，与卫星资料相比，日间AOD春季平均值未表现为大值区。夏季日间AOD分布(图 3(b))与卫星反演一致，在华北平原的最大值约1.1—1.5。秋季(图 3(c))，日间AOD的分布与卫星资料所示有所不同，大值主要出现在四川盆地及长江中游以南地区，其中四川盆地平均值可达1.5—1.7，而华北平原则未表现为AOD大值区。冬季日间AOD整体水平与秋季相当(图 3(d))，武汉周边存在AOD的最大值(1.5—1.7)，长江中下游流域其余地区日间AOD平均值则为1.1—1.5。

与卫星反演结果(图 1)相比，RIEMS-Chem模拟的日间平均AOD显示了不完全一样的季节分布趋势(图 3)：在华北平原地区，日间AOD夏季最大，春、秋季次之，冬季最小；在包括四川盆地在内的长江中下游地区，日间AOD则是春季最大，秋、冬季其次，而夏季反而最小。在中国东部，日间AOD的高值在夏季主要出现在长江以北地区，在冬季主要出现长江以南地区，而在春、秋两季则主要位于长江中下游流域。

4 结论

利用在线耦合的区域气候—大气化学—气溶胶耦合模式RIEMS-Chem，结合MODIS反演资料和AERONET观测资料，模拟研究了2010年中国东部地区气溶胶光学厚度的季节变化情况。模拟结果与MODIS反演资料的对比检验，表明模式能够很好地模拟卫星反演AOD的季节变化情况和空间分布特征，体现了华北、四川盆地、长江中下游地区等主要AOD大值区，以及AOD平均值夏季大、春季次之、秋冬两季较小的季节变化趋势。与AEONET站点观测的对比显示，模式能够合理再现AOD的季节变化和空间分布趋势，即夏季AOD值最高，其次是春季，冬季AOD最低；北方站点的AOD值高于南方；城市和城郊站高于郊区。但与AERONET数据相比，模拟的站点AOD偏低。总体上，与观测相比，在4个季节，对应模拟值的相关系数为0.53—0.6，偏差为–8%—–31%，全年平均而言，模拟值相关系数为0.6，与观测相比偏低约20%。对比检验结果表明，尽管存在误差，RIEMS-Chem模式仍然能合理地模拟中国东部地区AOD的空间分布特征和季节变化趋势。

对模拟的季节平均日间AOD(时间范围约为09:00—18:00)分布进行分析，发现在华北平原地区，日间AOD在夏季达到最大值(约1.1—1.5)，在其余季节相对较低；而在长江中下游地区，日间AOD平均值则在春季最高(1.1—1.7)，夏季反而最小。对于中国东部而言，日间AOD季节平均值的分布存在地域性，夏、冬两季大值分别主要出现在长江以北、以南地区，而春、秋两季大值则主要位于长江中下游流域。这一结果可能意味着，在中国东部地区气溶胶的辐射和气候效应有着较强的地区和季节特征。

志    谢  衷心感谢MODIS科学小组以及AERONET站点负责人及其团队成员在提供和维护观测数据方面所做的工作。

参考文献

  • Carlson T N and Benjamin S G. 1980. Radiative heating rates for Saharan dust. Journal of the Atmospheric Sciences, 37(1):193-213[DOI:10.1175/1520-0469(1980)037<0193:RHRFSD>2.0.CO;2]
  • Chang J S, Brost R A, Isaksen I S A, Madronich S, Middleton P, Stockwell W R and Walcek C J. 1987. A three-dimensional Eulerian acid deposition model:physical concepts and formulation. Journal of Geophysical Research:Atmosphere, 92(D12):14681-14700[DOI:10.1029/JD092iD12p14681]
  • Dickinson R E, Henderson-Sellers A and Kennedy P J. 1993. Biosphere-Atmosphere Transfer Scheme(BATS) Version 1e as coupled to NCAR Community Climate Model. NCAR/TN-387+STR. BOULDER, COLORADO:NCAR:72[DOI:10.5065/D67W6959]
  • Emmons L K, Walters S, Hess P G, Lamarque J F, Pfister G G, Fillmore D, Granier C, Guenther A, Kinnison D, Laepple T, Orlando J, Tie X, Tyndall G, Wiedinmyer C, Baughcum S L and Kloster S. 2010. Description and evaluation of the model for ozone and related chemical tracers, version 4(MOZART-4). Geoscientific Model Development, 3(1):43-67[DOI:10.5194/gmd-3-43-2010]
  • Forster P, Ramaswamy V, Artaxo P, Berntsen T, Betts R, Fahey D W, Haywood J, Lean J, Lowe D C, Myhre G, Nganga J, Prinn R, Raga G, Schulz M and Van Dorland R. 2007. Changes in atmospheric constituents and in radiative forcing//Solomon S, Qin D, Manning M, Chen Z, Marquis M, Averyt K B, Tignor M and Miller H L, eds. Climate Change 2007:The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change.Cambridge, United Kingdom and New York, NY, USA:Cambridge University Press:129-234
  • Fu C B. 2003. Potential impacts of human-induced land cover change on East Asia monsoon. Global and Planetary Change, 37(3/4):219-229[DOI:10.1016/S0921-8181(02)00207-2]
  • Fu C B, Wang S Y, Xiong Z, Gutowski W J, Lee D K, Mcgregor J L, Sato Y, Kato H, Kim J W and Suh M S. 2005. Regional climate model intercomparison project for Asia. Bulletin of the American Meteorological Society, 86(2):257-266[DOI:10.1175/BAMS-86-2-257]
  • Fu J S, Hsu N C, Gao Y, Huang K, Li C, Lin N H and Tsay S C. 2012. Evaluating the influences of biomass burning during 2006 BASE-ASIA:a regional chemical transport modeling. Atmospheric Chemistry and Physics, 12(9):3837-3855[DOI:10.5194/acp-12-3837-2012]
  • Fu Y and Liao H. 2012. Simulation of the interannual variations of biogenic emissions of volatile organic compounds in China:impacts on tropospheric ozone and secondary organic aerosol. Atmospheric Environment, 59:170-185[DOI:10.1016/j.atmosenv.2012. 05.053]
  • Gery M W, Whitten G Z, Killus J P and Dodge M C. 1989. A photochemical kinetics mechanism for urban and regional scale computer modeling. Journal of Geophysical Research:Atmosphere, 94(D10):12925-12956[DOI:10.1029/JD094iD10p12925]
  • Giorgi F, Bi X Q and Qian Y. 2002. Direct radiative forcing and regional climatic effects of anthropogenic aerosols over East Asia:a regional coupled climate-chemistry/aerosol model study. Journal of Geophysical Research:Atmosphere, 107(D20):AAC 7-1-AAC 7-18[DOI:10.1029/2001JD001066]
  • Grell G A. 1993. Prognostic evaluation of assumptions used by cumulus parameterizations. Monthly Weather Review, 121(3):764-787[DOI:10.1175/1520-0493(1993)121<0764:PEOAUB> 2.0.CO;2]
  • Han Z W. 2010. Direct radiative effect of aerosols over East Asia with a regional coupled climate/chemistry model. Meteorologische Zeitschrift, 19(3):287-298[DOI:10.1127/0941-2948/2010/0461]
  • Han Z W, Li J W, Guo W D, Xiong Z and Zhang W. 2013. A study of dust radiative feedback on dust cycle and meteorology over East Asia by a coupled regional climate-chemistry-aerosol model. Atmospheric Environment, 68:54-63[DOI:10.1016/j.atmosenv. 2012.11.032]
  • Han Z W, Li J W, Xia X A and Zhang R J. 2012. Investigation of direct radiative effects of aerosols in dust storm season over East Asia with an online coupled regional climate-chemistry-aerosol model. Atmospheric Environment, 54:688-699[DOI:10.1016/j.atmosenv.2012.01.041]
  • Han Z W, Ueda H, Matsuda K, Zhang R J, Arao K, Kanai Y and Hasome H. 2004. Model study on particle size segregation and deposition during Asian dust events in March 2002. Journal of Geophysical Research:Atmosphere, 109(D19):D19205[DOI:10.1029/2004JD004920]
  • Han Z W, Zhang R J, Wang Q G, Wang W, Cao J J and Xu J. 2008. Regional modeling of organic aerosols over China in summertime. Journal of Geophysical Research:Atmosphere, 113(D11):D11202[DOI:10.1029/2007JD009436]
  • Hess M, Koepke P and Schult I. 1998. Optical properties of aerosols and clouds:the software package OPAC. Bulletin of the American Meteorological Society, 79(5):831-844[DOI:10. 1175/1520-0477(1998)079<0831:OPOAAC>2.0.CO;2]
  • Hong S Y and Pan H L. 1996. Nonlocal boundary layer vertical diffusion in a medium-range forecast model. Monthly Weather Review, 124(10):2322-2339[DOI:10.1175/1520-0493(1996)124<2322:NBLVDI>2.0.CO;2]
  • Keihl J T, Hack J J, Bonan G B, Boville B A, Briegleb B P, Williamson D L and Rasch P J. 1996. Description of the NCAR Community Climate Model(CCM3). NCAR/TN-420+STR. Boulder, Colorado:NCAR:152[DOI:10.5065/D6FF3Q99]
  • Kim J, Yoon S C, Jefferson A and Kim S W. 2006. Aerosol hygroscopic properties during Asian dust, pollution, and biomass burning episodes at Gosan, Korea in April 2001. Atmospheric Environment, 40(8):1550-1560[DOI:10.1016/j.atmosenv.2005.10.044]
  • Lack D A, Tie X X, Bofinger N D, Wiegand A N and Madronich S. 2004. Seasonal variability of secondary organic aerosol:a global modeling study. Journal of Geophysical Research:Atmosphere, 109(D3):D03203[DOI:10.1029/2003JD003418]
  • Lamarque J F, Bond T C, Eyring V, Granier C, Heil A, Klimont Z, Lee D, Liousse C, Mieville A, Owen B, Schultz M G, Shindell D, Smith S J, Stehfest E, Van Aardenne J, Cooper O R, Kainuma M, Mahowald N, McConnell J R, Naik V, Riahi K and van Vuuren D P. 2010. Historical(1850-2000) gridded anthropogenic and biomass burning emissions of reactive gases and aerosols:methodology and application. Atmospheric Chemistry and Physics, 10(15):7017-7039[DOI:10.5194/acp-10-7017-2010]
  • Li J W, Han Z W and Zhang R J. 2011. Model study of atmospheric particulates during dust storm period in March 2010 over East Asia. Atmospheric Environment, 45(24):3954-3964[DOI:10.1016/j.atmosenv. 2011.04.068]
  • Li J W, Han Z W and Xie Z X. 2013. Model analysis of long-term trends of aerosol concentrations and direct radiative forcings over East Asia. Tellus B, 65:20410[DOI:10.3402/tellusb.v65i0. 20410]
  • Liu X G, Zhang Y H, Cheng Y F, Hu M and Han T T. 2012. Aerosol hygroscopicity and its impact on atmospheric visibility and radiative forcing in Guangzhou during the 2006 PRIDE-PRD campaign. Atmospheric Environment, 60:59-67[DOI:10.1016/j.atmosenv. 2012.06.016]
  • Malm W C and Day D E. 2001. Estimates of aerosol species scattering characteristics as a function of relative humidity. Atmospheric Environment, 35(16):2845-2860[DOI:10.1016/S1352-2310(01) 00077-2]
  • Nenes A, Pandis S N and Pilinis C. 1998. ISORROPIA:a new thermodynamic equilibrium model for multiphase multicomponent inorganic aerosols. Aquatic Geochemistry, 4(1):123-152[DOI:10.1023/A:1009604003981]
  • Ohara T, Akimoto H, Kurokawa J, Horii N, Yamaji K, Yan X and Hayasaka T. 2007. An Asian emission inventory of anthropogenic emission sources for the period 1980-2020. Atmospheric Chemistry and Physics, 7(16):4419-4444[DOI:10.5194/acp-7-4419-2007]
  • Pan X L, Yan P, Tang J, Ma J Z, Wang Z F, Gbaguidi A and Sun Y L. 2009. Observational study of influence of aerosol hygroscopic growth on scattering coefficient over rural area near Beijing mega-city. Atmospheric Chemistry and Physics, 9(19):7519-7530[DOI:10.5194/acp-9-7519-2009]
  • Pitchford M, Malm W, Schichtel B, Kumar N, Lowenthal D and Hand J. 2007. Revised algorithm for estimating light extinction from IMPROVE particle speciation data. Journal of the Air and Waste Management Association, 57(11):1326-1336[DOI:10.3155/1047-3289.57.11. 1326]
  • Randles C A, Russell L M and Ramaswamy V. 2004. Hygroscopic and optical properties of organic sea salt aerosol and consequences for climate forcing. Geophysical Research Letters, 31(16):L16108[DOI:10.1029/2004GL020628]
  • Shao Y and Dong C H. 2006. A review on East Asian dust storm climate, modelling and monitoring. Global and Planetary Change, 52(1/4):1-22[DOI:10.1016/j.gloplacha.2006.02.01]
  • Streets D G and Waldhoff S T. 2000. Present and future emissions of air pollutants in China:SO2, NOx, and CO. Atmospheric Environment, 34(3):363-374[DOI:10.1016/S1352-2310(99)00167-3]
  • Tang Y H, Carmichael G R, Seinfel J H, Dabdub D, Weber R J, Huebert B, Clarke A D, Guazzotti S A, Sodeman D A, Prather K A, Uno I, Woo J H, Yienger J J, Streets D G, Quinn P K, Johnson J E, Song C H, Grassian V H, Sandu A, Talbot R W and Dibb J E. 2004. Three-dimensional simulations of inorganic aerosol distributions in East Asia during spring 2001. Journal of Geophysical Research:Atmosphere, 109(D19):D19S23[DOI:10.1029/2003JD004201]
  • Tao J H, Wang Z F, Xu Q, Li L J, Fan M, Tao M H, Su L and Chen L F. 2015. Particulate matter mass extinction hygroscopic growth model in Beijing. Journal of Remote Sensing, 19(1):12-24(陶金花, 王子峰, 徐谦, 李令军, 范萌, 陶明辉, 苏林, 陈良富. 2015. 北京地区颗粒物质量消光吸湿增长模型研究. 遥感学报, 19(1):12 -) 24[DOI:10.11834/jrs.20153311]
  • Walmsley J L and Wesely M L. 1996. Modification of coded parametrizations of surface resistances to gaseous dry deposition. Atmospheric Environment, 30(7):1181-1188[DOI:10.1016/1352-2310(95)00403-3]
  • Wang H, Shi G Y, Teruo A, Wang B and Zhao T L. 2004. Radiative forcing due to dust aerosol over east Asia-north Pacific region during spring 2001. Chinese Science Bulletin, 49(20):2212-2219[DOI:10.1007/BF03185790]
  • Wu J, Fu C, Xu Y, Tang J P, Wang W and Wang Z. 2008. Simulation of direct effects of black carbon aerosol on temperature and hydrological cycle in Asia by a Regional Climate Model. Meteorology and Atmospheric Physics, 100(1/4):179-193[DOI:10.1007/s00703-008-0302-y]
  • Xiong Z, Fu C B and Zhang Q. 2006. On the ability of the regional climate model RIEMS to simulate the present climate over Asia. Advances in Atmospheric Sciences, 23(5):784-791[DOI:10.1007/s00376-006-0784-9]
  • Xu J, Bergin M H, Yu X, Liu G, Zhao J, Carrico C M and Baumann K. 2002. Measurement of aerosol chemical, physical and radiative properties in the Yangtze delta region of China. Atmospheric Environment, 36(2):161-173[DOI:10.1016/S1352-2310(01) 00455-1]
  • Zhang X Y, Gong S L, Zhao T L, Arimoto R, Wang Y Q and Zhou Z J. 2003. Sources of Asian dust and role of climate change versus desertification in Asian dust emission. Geophysical Research Letters, 30(24):2272[DOI:10.1029/2003GL018206]