珠江三角洲SO2初始場同化試驗(yàn)研究

陳懿昂,鄧雪嬌,朱 彬,鄧 濤,高郁東(1.南京信息工程大學(xué)氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室,氣候與環(huán)境變化國際合作聯(lián)合實(shí)驗(yàn)室,氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心,中國氣象局氣溶膠與云降水重點(diǎn)開放實(shí)驗(yàn)室,江蘇 南京 10044；.中國氣象局廣州熱帶海洋氣象研究所,廣東省區(qū)域數(shù)值天氣預(yù)報(bào)重點(diǎn)實(shí)驗(yàn)室,廣東 廣州510080)

珠江三角洲SO2初始場同化試驗(yàn)研究

陳懿昂1,2,鄧雪嬌2*,朱 彬1*,鄧 濤2,高郁東2(1.南京信息工程大學(xué)氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室,氣候與環(huán)境變化國際合作聯(lián)合實(shí)驗(yàn)室,氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心,中國氣象局氣溶膠與云降水重點(diǎn)開放實(shí)驗(yàn)室,江蘇 南京 210044；2.中國氣象局廣州熱帶海洋氣象研究所,廣東省區(qū)域數(shù)值天氣預(yù)報(bào)重點(diǎn)實(shí)驗(yàn)室,廣東 廣州510080)

基于WRF-CMAQ空氣質(zhì)量模式系統(tǒng),采用最優(yōu)插值法(OI)和集合平方根濾波法(EnSRF)對(duì)2013年12月廣東珠江三角洲地區(qū)污染物SO2進(jìn)行初始場同化試驗(yàn).背景場誤差水平分布高值區(qū)主要位于江門一帶,垂直分布在邊界層內(nèi)較大,400m以下基本不變,400m以上隨高度增加而遞減.對(duì)比OI與EnSRF兩種方法同化前后SO2濃度場變化,表明同化觀測資料調(diào)整了污染物濃度場的分布型態(tài),與觀測場更為吻合,兩種方法都能為模式提供與實(shí)際更加接近的初始場.敏感性試驗(yàn)表明最優(yōu)插值法的最優(yōu)水平尺度為 20km;同化站點(diǎn)和檢驗(yàn)站點(diǎn)的均方根誤差平均下降率分別達(dá)到73%和39%.

資料同化；SO2；最優(yōu)插值法(OI)；集合平方根濾波法(EnSRF)；珠江三角洲

近年來,基于CMAQ模式的區(qū)域尺度空氣質(zhì)量預(yù)報(bào)業(yè)務(wù)已在珠江三角洲廣泛地開展,能對(duì)空氣質(zhì)量做出較好預(yù)報(bào)[1-3],但由于模式存在多種不確定性,預(yù)報(bào)的準(zhǔn)確度和時(shí)效性受到不同程度影響.改善模擬效果的途徑之一就是應(yīng)用資料同化方法.

資料同化是在20世紀(jì)60年代隨著氣象數(shù)值模式發(fā)展而發(fā)展起來,它是通過最優(yōu)估計(jì)算法將觀測與數(shù)值模式信息相結(jié)合以獲得一個(gè)更為真實(shí)的系統(tǒng)狀態(tài),在氣象、海洋領(lǐng)域不斷發(fā)展和完善并已廣泛應(yīng)用.而大氣化學(xué)領(lǐng)域的資料同化研究在20世紀(jì)90年代才開始,從簡單插值方法逐漸發(fā)展到考慮誤差協(xié)方差演變的高級(jí)方法,學(xué)者們采用了不同方法對(duì)模式初始場進(jìn)行優(yōu)化,研究的污染物主要以 O3和氣溶膠顆粒物為主.Lee[4]和 Tombetted等[5]分別采用最優(yōu)插值法(OI)對(duì)韓國和歐洲的 PM10進(jìn)行同化優(yōu)化試驗(yàn),Li等[6]和Jiang等[7]對(duì)WRF-Chem模式中不同氣溶膠方案進(jìn)行了三維變分同化試驗(yàn),Pagowski等[8]對(duì)比了三維變分(3D-Var)和集合卡爾曼濾波(EnKF)對(duì)WRF-Chem模擬O3和PM2.5的優(yōu)化效果.Wu等[9]對(duì)比4種不同方法(OI、EnKF、RRSQRT、4D-Var)對(duì)O3初始場及預(yù)報(bào)的優(yōu)化效果,結(jié)果表明OI同化優(yōu)化初始場的效果最好,而EnKF對(duì)模擬預(yù)報(bào)的優(yōu)化最優(yōu).資料同化的應(yīng)用也從初始條件延伸到了排放源、物理方案參數(shù)化等多種不確定性的修正約束.Elbern等[10]擴(kuò)展EURAD模式的四維變分(4D-Var)同化系統(tǒng)以同時(shí)調(diào)整初始場及物種的排放通量,效果優(yōu)于單純調(diào)整初始場, Vira等[11-12]對(duì) SILAM 化學(xué)傳輸模式進(jìn)行了考慮初始場和首要污染物排放源的同化試驗(yàn).目前大氣化學(xué)資料同化研究是國際上的一個(gè)研究熱點(diǎn)[13-14],中國很多學(xué)者也逐漸加入這個(gè)研究行列中[15-18],對(duì)不同地區(qū)的污染物進(jìn)行了同化分析試驗(yàn).唐曉等[19-20]利用 EnKF對(duì) O3、NOx和VOCs的進(jìn)行初始場及排放源的敏感性實(shí)驗(yàn),探究其對(duì)北京及周邊地區(qū) O3預(yù)報(bào)的改進(jìn)效果,靳璐濱等[21]利用 3D-Var對(duì)青奧會(huì)期間南京地區(qū)PM2.5和PM10進(jìn)行同時(shí)同化試驗(yàn).張金譜等[22]探討集合最優(yōu)插值方法(EnOI)對(duì)珠江三角洲地區(qū)PM10、NO2和SO2初始場的修正能力.

OI法簡單、計(jì)算量小,但其假設(shè)背景場誤差協(xié)方差是定常.對(duì)于集合平方根濾波法 EnSRF而言,背景場協(xié)方差是隨時(shí)間而變,通過集合預(yù)報(bào)來統(tǒng)計(jì)得出,但其計(jì)算量大.本文嘗試采用 OI法和EnSRF法開展珠江三角洲SO2初始場同化試驗(yàn)研究,結(jié)合地面觀測站 SO2數(shù)據(jù)改進(jìn)CMAQ的初始場,并對(duì)同化站點(diǎn)數(shù)與站點(diǎn)影響范圍的最優(yōu)水平尺度進(jìn)行敏感性分析,以期為珠江三角洲空氣質(zhì)量模式提供更精確的初始場建立同化技術(shù)方法.

1 所用模式及資料

本研究所采用的是 WRF-CMAQ[23-24]空氣質(zhì)量模型系統(tǒng),模式采用三重嵌套網(wǎng)格,以廣州為模擬區(qū)域中心,第一區(qū)域?yàn)闁|亞地區(qū),網(wǎng)格數(shù)為182×138,第二區(qū)域包括整個(gè)華南地區(qū),網(wǎng)格數(shù)為98×74,第三區(qū)域?yàn)橹榻侵薜貐^(qū),網(wǎng)格數(shù)為152×110,水平分辨率分別是27、9和3km,同化區(qū)域是第三區(qū)域.排放源用的是MEIC2010年的排放清單.

圖1 珠江三角洲區(qū)域觀測站點(diǎn)分布Fig.1 Distribution of the Pearl River Delta regional observation stations

觀測資料來源于廣東省環(huán)境監(jiān)測中心,包括珠江三角洲地區(qū)共58個(gè)觀測站點(diǎn)2013年12月污染物SO2每日逐時(shí)濃度值數(shù)據(jù).其中包括16個(gè)為粵港澳珠江三角洲區(qū)域空氣監(jiān)測網(wǎng)絡(luò)站點(diǎn),分別為廣州的天湖(TH)、磨碟沙(MDS)、竹洞(ZD)、麓湖(LH)、深圳荔園(LY)、珠海唐家(TJ)、佛山的惠景城(HJC)、金桔咀(JJJ)、江門的端芬(DF)、東湖(DH)、肇慶城中子站(CZZ)、惠州的下埔(XP)、金果灣(JGW)、西角(XJ)、東莞南城元嶺(NCYL)、中山紫馬嶺(ZML),站點(diǎn)位置如圖1所示.對(duì)于同化站點(diǎn)的選擇,要綜合考慮站點(diǎn)覆蓋范圍,數(shù)據(jù)代表性和數(shù)據(jù)質(zhì)量等因素,這里以粵港澳珠江三角洲區(qū)域空氣監(jiān)測網(wǎng)絡(luò)站點(diǎn)為主,再增加部分站點(diǎn)作為同化站點(diǎn).參考張金譜的研究[22],試驗(yàn)中設(shè)置較多檢驗(yàn)站點(diǎn)以避免代表性不足對(duì)同化整體效果的錯(cuò)誤分析.

2 方法介紹

本文選用OI法和EnSRF法,兩者最主要的區(qū)別在于背景場誤差的計(jì)算.OI法是由Eliassen[25]提出的,在統(tǒng)計(jì)意義上通過使分析方差最小來得到最優(yōu)分析值,其計(jì)算復(fù)雜度和計(jì)算量較小,背景場誤差定常.EnSRF法是由Whitaker和 Hamill[26]提出的不加入觀測擾動(dòng)的集合卡爾曼濾波,通過有限樣本來計(jì)算背景場誤差協(xié)方差,計(jì)算量較大,背景場誤差隨時(shí)間而變.

兩種方法的基本公式如下:

EnSRF式中:

xa為同化后分析場;xb為背景場;xf12和 xf24分別表示12h和24h預(yù)報(bào)場;yo為觀測場;H為觀測算子,將狀態(tài)量從模式空間轉(zhuǎn)換到觀測空間;Bb表示背景場誤差協(xié)方差矩陣;R表示觀測場誤差協(xié)方差矩陣,這里不考慮站點(diǎn)間的相關(guān)性,所以R為對(duì)角矩陣,以觀測值的 10%作為觀測誤差[17];K 為結(jié)合了背景誤差協(xié)方差和觀測誤差協(xié)方差得到的權(quán)重算子;N為樣本個(gè)數(shù),本文中樣本數(shù)為30個(gè);上標(biāo)“T”和“-1”分別表示矩陣的轉(zhuǎn)置和求逆,上標(biāo)“-”和“’”分別表示樣本平均和樣本偏差.

背景誤差協(xié)方差是資料同化的核心部分,它決定著觀測信息在同化分析中的傳播,對(duì)于最優(yōu)插值法,這里采用 National Meteorological Center(NMC)[27]的方法來計(jì)算背景場誤差協(xié)方差,即利用同一時(shí)刻的兩個(gè)不同預(yù)報(bào)時(shí)效的預(yù)報(bào)結(jié)果之差來表示背景場誤差,模式資料包括了2013年12月01～30日12h和24h的0:00預(yù)報(bào)場,將這兩個(gè)預(yù)報(bào)場作差以得到背景誤差場.將其分解為誤差標(biāo)準(zhǔn)差矩陣和相關(guān)系數(shù)矩陣兩部分,對(duì)于相關(guān)系數(shù)矩陣,又可分水平和垂直相關(guān),這里進(jìn)行地面同化,所以僅考慮水平相關(guān)系數(shù) Cx,采用一維的高斯分布函數(shù)來表示,假設(shè)水平各向同性,其中 xΔ 表示兩點(diǎn)間的水平距離,L表示相關(guān)系數(shù)的消減尺度.而對(duì)于集合平方根濾波法,則是利用集合樣本來計(jì)算,樣本的生成方法參考Evensen[28]提出的三維隨機(jī)場生成方法,生成均值為0,方差為1的隨機(jī)擾動(dòng)場,將初始值加上一定大小的擾動(dòng)形成N個(gè)初始樣本,進(jìn)行一定時(shí)間的集合預(yù)報(bào),得到背景場.

3 結(jié)果與討論

3.1 模式性能評(píng)估

先對(duì)WRF-CMAQ在所選時(shí)間段的模擬情況進(jìn)行效果評(píng)估,對(duì)2013年12月1～25日SO2的日均濃度在全部站點(diǎn)的模擬效果統(tǒng)計(jì)分析,從平均標(biāo)準(zhǔn)誤差(NMB)上看,其極值體現(xiàn)了模式在不同站點(diǎn)模擬偏離程度的極端情況,可知同時(shí)存在偏高和偏低的情況,均值為 61%,說明模式對(duì)SO2的模擬整體偏高.相關(guān)系數(shù)(R)均值達(dá)到0.75,但仍有站點(diǎn)僅為 0.34,說明模式對(duì)不同區(qū)域的模擬具有不穩(wěn)定性.按照不同區(qū)域?qū)φ军c(diǎn)進(jìn)行評(píng)估,也可以發(fā)現(xiàn)模式對(duì)于廣佛地區(qū)的模擬較好,對(duì)于珠海深圳等地的模擬效果較差.

表1 SO2日均濃度模擬效果統(tǒng)計(jì)分析Table 1 Statistical analyses of modelling performance on daily mean SO2

3.2 背景場分析

圖2 SO2濃度在模式第一層分布Fig.2 Distribution of the SO2concentration at the first model level

圖2a是SO2的第一層月平均濃度分布,可見在佛山、江門和中山3市交界處有一個(gè)高值區(qū),深圳市也有一個(gè)高值區(qū),而通過 NMC方法統(tǒng)計(jì)得到 SO2的背景場誤差標(biāo)準(zhǔn)差的區(qū)域分布(圖 2b)與濃度場分布類似,但是高值區(qū)的對(duì)應(yīng)不是很好,誤差標(biāo)準(zhǔn)差的高值區(qū)主要位于區(qū)域南部江門一帶.OI法的背景場誤差為靜態(tài),不隨時(shí)間變化,而EnSRF法的背景場誤差是動(dòng)態(tài)的,隨模式積分而更新,理論上要優(yōu)于 OI法的背景場誤差.圖3是通過集合計(jì)算出來的12月9～11日的誤差標(biāo)準(zhǔn)差,可見其分布型態(tài)是隨時(shí)間變化的.背景場整體濃度大小10日＞11日＞9日,整體的誤差標(biāo)準(zhǔn)差大小也是10日＞11日＞9日,即誤差變化趨勢與濃度變化一致.而兩種方法計(jì)算所得的誤差高值區(qū)都主要位于區(qū)域南部江門一帶,說明模式對(duì)此處的模擬不確定性較大.

圖3 12月9～11日的誤差標(biāo)準(zhǔn)差分布Fig.3 Distribution of the standard error from Dec 9 to Dec 11

圖 4是背景場誤差標(biāo)準(zhǔn)差和平均濃度的垂直廓線,從中可見SO2的平均濃度在400m以下基本維持不變,從 400m往上,濃度值隨高度的升高迅速遞減,到4km左右的高度濃度值幾乎為0,說明SO2在垂直方向400m內(nèi)混合比較均勻,分布范圍大概能達(dá)到4km左右的高度,這與其物理化學(xué)性質(zhì)的穩(wěn)定性有關(guān),是影響它傳播尺度的因素之一.而背景場誤差標(biāo)準(zhǔn)差也有相似的變化趨勢,誤差標(biāo)準(zhǔn)差越大,說明模式對(duì)SO2模擬的不確定性越大,可以看出誤差標(biāo)準(zhǔn)差在邊界層內(nèi),特別在400m以下比較大,這是由于SO2主要來自近地面的各種源排放,邊界層內(nèi)湍流運(yùn)動(dòng)強(qiáng)且復(fù)雜,而且 SO2的化學(xué)性質(zhì)活潑,易與其它物質(zhì)發(fā)生化學(xué)反應(yīng)生成二次污染物,這些物理化學(xué)變化都影響著 SO2濃度的變化,所以其在邊界層內(nèi)的模擬不確定性較大.

圖4 SO2垂直廓線圖Fig.4 Vertical profile of SO2

3.3 OI與EnSRF同化效果分析

圖5 不同方法同化前后檢驗(yàn)站點(diǎn)的MAGE(上)與RMSE(下)對(duì)比Fig.5 Comparisons of MAGE(top) and RMSE(bottom) before and after assimilation using different methods

采用OI法和EnSRF法分別對(duì)12月9～11日 0:00模式初始場進(jìn)行同化試驗(yàn),共同化了 31個(gè)觀測站點(diǎn)(圖1中●+○)數(shù)據(jù).從統(tǒng)計(jì)上看,2種方法同化后站點(diǎn)誤差均有所下降,平均絕對(duì)偏差(MAGE)和均方根誤差(RMSE)平均分別從33和39μg/m3下降到17和21μg/m3左右(表2),EnSRF法的整體效果要略好于OI法,但在不同區(qū)域站點(diǎn)的同化效果各有優(yōu)劣.圖5是2種方法同化前后站點(diǎn)的MAGE和RMSE對(duì)比,其中2種方法對(duì)江門地區(qū)的同化效果都比較差,這與江門地區(qū)所選同化站點(diǎn)區(qū)域代表性有關(guān).OI法對(duì)佛山地區(qū)站點(diǎn)的同化效果要優(yōu)于 EnSRF法,OI法同化后在廣州地區(qū)部分站點(diǎn)出現(xiàn) RMSE反而增大的現(xiàn)象,EnSRF則不會(huì)出現(xiàn)這種情況,其余大部分地區(qū)EnSRF法優(yōu)化效果比 OI法略好.從濃度區(qū)域分布圖可見,模式對(duì)SO2濃度模擬整體偏高,背景場從中部往西南部存在高值區(qū),而且從多個(gè)不同時(shí)次的背景場中發(fā)現(xiàn)污染物分布型態(tài)基本一致,高值區(qū)基本也都位于這一區(qū)域,這可能與排放源、氣象場的風(fēng)向風(fēng)速模擬以及模式自身誤差相關(guān).通過 2種不同方法進(jìn)行同化后,濃度場的分布均發(fā)生了變化,原高值區(qū)域的濃度有了不同程度的下降,同化后高值區(qū)主要位于廣州北部及江門與佛山交界處,與觀測場濃度更加貼近.但由于2種方法背景場誤差的大小存在差異,使得同化對(duì)背景場的調(diào)整力度不一樣,如 10日的肇慶區(qū)域(圖6),從背景場誤差上(圖2b與圖3b)EnSRF法的比OI法的大,導(dǎo)致分析增量比較大,使得EnSRF法同化后此區(qū)域濃度變得比較低,從統(tǒng)計(jì)上看在這個(gè)區(qū)域EnSRF法的整體效果要優(yōu)于OI法.上述結(jié)果表明,OI和EnSRF2種方法都能提供一個(gè)與實(shí)際更接近的初始場.

表2 不同方法同化結(jié)果統(tǒng)計(jì)(μg/m3)Table 2 Statistics of the different assimilation methods (μg/m3)

圖6 SO2濃度場(a背景場 b OI分析場 c EnSRF分析場μg/m3)Fig.6 SO2concentration fields (a background field b OI analysis field c EnSRF analysis field μg/m3)

3.4 敏感性試驗(yàn)分析

上述試驗(yàn)中EnSRF法與OI法優(yōu)化效果相近,且OI法計(jì)算量較小,所以在此采用OI法進(jìn)行同化敏感性試驗(yàn)分析.同化試驗(yàn)中需要考慮同化站點(diǎn)的選擇及水平相關(guān)尺度L的設(shè)置,因?yàn)檎军c(diǎn)分布疏密及區(qū)域代表性好壞和水平尺度大小是否合適都對(duì)同化效果的優(yōu)劣有所影響,所以下面分別對(duì)這兩個(gè)方面進(jìn)行了敏感性試驗(yàn).

在選擇同化站點(diǎn)時(shí)進(jìn)行了 3次試驗(yàn)(這里水平相關(guān)尺度L均取20km),以粵港澳珠江三角洲洲區(qū)域監(jiān)測網(wǎng)絡(luò)的16個(gè)站點(diǎn)為主,考慮站點(diǎn)的覆蓋范圍,分別同化了16個(gè)(圖1中●)、31個(gè)(圖1中●+○)和全部58個(gè)(圖1中●+○+△)站點(diǎn)的觀測.以3次試驗(yàn)中相同的同化站點(diǎn)(即圖1中●)和檢驗(yàn)站點(diǎn)(即圖1中△)進(jìn)行統(tǒng)計(jì)對(duì)比(全部站點(diǎn)參與同化時(shí)沒有檢驗(yàn)站點(diǎn),圖7b中圖例58的數(shù)據(jù)可用來對(duì)比站點(diǎn)同化與未同化的差別),由圖7a可見,3次試驗(yàn)中同化站點(diǎn)的均方根誤差(RMSE)均比未同化時(shí)有較大減小.從統(tǒng)計(jì)上看,隨著站點(diǎn)數(shù)的增加,同化站點(diǎn)的RMSE越大,但這不表明同化站點(diǎn)數(shù)越多所得到的分析場反而不好.例如同化站點(diǎn)相鄰比較近的時(shí)候,同化更多站點(diǎn)時(shí)所得分析場,是受更多觀測值影響的加權(quán)平均,所以統(tǒng)計(jì)所得的RMSE會(huì)比同化少數(shù)站點(diǎn)時(shí)大.增加觀測資料,如31個(gè)站點(diǎn)的試驗(yàn),增加了站點(diǎn)覆蓋面,有利于站點(diǎn)附近的改進(jìn),而對(duì)于58個(gè)站點(diǎn)的試驗(yàn),站點(diǎn)分布較密區(qū)域雖然受到共同影響,RMSE有所增加,但同時(shí)也可以減小觀測資料代表性不好的影響.同化站點(diǎn)選擇的最優(yōu)化,除了考慮覆蓋面和區(qū)域代表性,還需通過預(yù)報(bào)場進(jìn)一步檢驗(yàn),這也是下一步要開展的研究.不同同化站點(diǎn)間會(huì)相互影響,特別當(dāng)站點(diǎn)數(shù)多且站點(diǎn)間距離較近時(shí)影響更深,所以需通過設(shè)置合適水平相關(guān)尺度,使得站點(diǎn)間的影響合理化,從而使同化效果最優(yōu)化.

水平相關(guān)尺度L的大小決定著同化站點(diǎn)的影響范圍,如果設(shè)置過小,觀測分布稀疏地區(qū)的很多區(qū)域不能得到有效更新,不能充分利用觀測數(shù)據(jù),如果設(shè)置過大,則觀測站影響區(qū)域偏大,可能生成與事實(shí)不符的分析場,反而使得同化效果下降.本文選取了不同水平相關(guān)尺度對(duì)2013年12月每日0:00(世界時(shí))的SO2預(yù)報(bào)場進(jìn)行同化試驗(yàn),同化站點(diǎn)與上面同化站點(diǎn)數(shù)為31的站點(diǎn)一致,再對(duì)同化站點(diǎn)和檢驗(yàn)站點(diǎn)進(jìn)行統(tǒng)計(jì)對(duì)比,以選出此試驗(yàn)時(shí)段的最優(yōu)水平尺度,因?yàn)椴煌军c(diǎn)模式值與觀測值的偏差有正有負(fù),所以這里采用平均絕對(duì)偏差(MAGE)和均方根誤差(RMSE)進(jìn)行統(tǒng)計(jì).

圖7 同化不同數(shù)目觀測值的RMSE對(duì)比Fig.7 Comparisons of RMSE with assimilating different number of observations

表3 不同水平相關(guān)尺度同化結(jié)果統(tǒng)計(jì)(μg/m3)Table 3 Statistics of the assimilation result with different horizontal correlation scale (μg/m3)

從表 3中可見,采用不同尺度得到的分析場的MAGE和RMSE均小于背景場.對(duì)于同化站點(diǎn),隨著相關(guān)尺度的增加,MAGE和 RMSE均變大,這可能是因?yàn)殡S相關(guān)尺度的增大,觀測站點(diǎn)能影響的范圍變大,加深了不同站點(diǎn)間的相互影響,使得同化站點(diǎn)受到更多站點(diǎn)的影響,當(dāng)站點(diǎn)間差異較大時(shí),就使得同化效果下降.對(duì)于檢驗(yàn)站點(diǎn),背景場的RMSE約為29.5μg/m3,相關(guān)尺度為10km、20km和30km時(shí)的同化效果差別不大,RMSE減少到17.7μg/m3左右,其中20km的RMSE較小,為17.6μg/m3,偏差也隨著相關(guān)尺度的變大而增加.若水平尺度取 10km,則同化站點(diǎn)調(diào)整的區(qū)域范圍較小,如江門市觀測站點(diǎn)分布稀疏的這種情況,大部分區(qū)域不能得到有效的更新,所以綜合上面結(jié)果取這次試驗(yàn)的最優(yōu)水平尺度為20km.

表4 同化站點(diǎn)及檢驗(yàn)站點(diǎn)同化前后RMSE對(duì)比Table 4 Comparisons of RMSE before and after assimilation at assimilation sites and validation sites

圖8 同化站點(diǎn)同化前后RMSE對(duì)比Fig.8 Comparisons of RMSE before and after assimilation at assimilation sites

以水平尺度為20km且同化了31個(gè)站點(diǎn)的同化結(jié)果來進(jìn)行分析.圖8展示了SO2在各個(gè)同化站點(diǎn)同化前后的RMSE對(duì)比情況,可見RMSE均有大幅度的下降,最低也有31%的降幅,其中端芬站的RMSE下降比例最高,從背景場誤差分布上可以看出,端芬站所在江門區(qū)域誤差較大,且觀測誤差較小,所以同化過程對(duì)觀測值比較信任,而下降比例最低的佛山三水監(jiān)測站剛好相反,位于源排放較強(qiáng)的區(qū)域,試驗(yàn)時(shí)段的觀測值較大,按觀測值的10%為觀測誤差的設(shè)置,觀測誤差較大,而背景誤差較小,導(dǎo)致同化效果較差,這也表明正確估算背景誤差和觀測誤差的重要性.

圖 9是 SO2在各個(gè)檢驗(yàn)站點(diǎn)同化前后的RMSE對(duì)比情況,可見檢驗(yàn)站點(diǎn)的優(yōu)化效果小于同化站點(diǎn),其中大部分站點(diǎn)具有不同程度的下降,但有個(gè)別站點(diǎn)出現(xiàn)了同化后 RMSE反而上升的現(xiàn)象,以江門地區(qū)站點(diǎn)尤為明顯,對(duì)比江門地區(qū)同化的東湖站與其周圍檢驗(yàn)站點(diǎn)觀測均值可以發(fā)現(xiàn),周圍檢驗(yàn)站點(diǎn)濃度偏高,而東湖站的濃度值較低,且它的同化效果較好,所以將背景場這個(gè)區(qū)域濃度值調(diào)整得偏低,導(dǎo)致了其他站點(diǎn)的模式值與觀測值的誤差變大,這也說明在這段時(shí)間的東湖站區(qū)域代表性較差.圖 10是同化前后同化站點(diǎn)SO2模式值與觀測值的散點(diǎn)圖,站點(diǎn)在同化后相關(guān)性有較大提高.圖 10b右下角的離散點(diǎn)位于佛山三水地區(qū),正如前面分析,佛山區(qū)域背景場誤差估算較小,而觀測值較大使得觀測誤差較大,所以分析對(duì)模式結(jié)果較信任,使得同化觀測雖有所優(yōu)化,但效果較弱.

圖9 檢驗(yàn)站點(diǎn)同化前后RMSE對(duì)比Fig.9 Comparisons of RMSE before and after assimilation at validation sites

本研究還存在一些不足之處,需要對(duì)觀測誤差進(jìn)行更精確的估算,這里只是對(duì)EnSRF方法的初步嘗試,擾動(dòng)生成樣本方式及很多相關(guān)參數(shù)如集合樣本數(shù),局地化尺度及資料同化的質(zhì)量控制等還需進(jìn)行進(jìn)一步敏感性試驗(yàn)來最優(yōu)化.需要進(jìn)行更長時(shí)間的同化試驗(yàn)來比較兩種同化方法的效果.

圖10 同化前后模式值與觀測值散點(diǎn)圖Fig.10 Scatter diagram of model value and observation value before and after assimilation

4 結(jié)論

4.1 基于珠江三角洲地區(qū)SO21個(gè)月的預(yù)報(bào)結(jié)果和集合預(yù)報(bào)結(jié)果統(tǒng)計(jì)分析表明背景場誤差高值區(qū)主要位于江門一帶,集合預(yù)報(bào)所得背景場誤差的變化趨勢與濃度場變化趨勢一致.模式對(duì)邊界層內(nèi)特別400m以下SO2的模擬不確定性較大,主要跟源排放、氣象條件及SO2自身物理化學(xué)性質(zhì)有關(guān).

4.2 集合平方根濾波對(duì)SO2初始場的優(yōu)化效果與最優(yōu)插值法的結(jié)果相近,同化觀測資料對(duì)模式濃度值有不同程度的調(diào)整,改變 SO2濃度場的分布,使其與觀測場更為吻合,表明2種方法都具有改善模式初始場的作用.

4.3 通過敏感性試驗(yàn)確定了此次試驗(yàn)的最優(yōu)水平尺度為20km.SO2初始場經(jīng)OI法同化所得分析值更接近觀測值,站點(diǎn)的均方根誤差(RMSE)和平均絕對(duì)偏差(MAGE)均有所下降,其中同化站點(diǎn)和檢驗(yàn)站點(diǎn)的RMSE平均分別下降73%和39%.從同化不同數(shù)目觀測資料試驗(yàn)的統(tǒng)計(jì)上看,受到更多站點(diǎn)的共同影響,同化站點(diǎn)的RMSE隨著同化站點(diǎn)數(shù)的增多而增大,但相比于未同化時(shí)的RMSE均有所優(yōu)化.

[1] 鄧雪嬌,鄧 濤,吳 兌,等.珠江三角洲空氣質(zhì)量與能見度數(shù)值預(yù)報(bào)模式系統(tǒng) [J]. 廣東氣象, 2010,32(4):18-22.

[2] 鄧 濤,吳 兌,鄧雪嬌,等.珠江三角洲空氣質(zhì)量暨光化學(xué)煙霧數(shù)值預(yù)報(bào)系統(tǒng) [J]. 環(huán)境科學(xué)與技術(shù), 2013,36(4):62-68.

[3] 鄧 濤,鄧雪嬌,吳 兌,等.珠江三角洲灰霾數(shù)值預(yù)報(bào)模式與業(yè)務(wù)運(yùn)行評(píng)估 [J]. 氣象科技進(jìn)展:英文版, 2012,2(6):38-44.

[4] 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.

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

[6] 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, 2012,12(5):4265-4278.

[7] 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.

[8] Pagowski M, Grell G A. Experiments with the assimilation of fine aerosols using an ensemble Kalman filter [J]. Journal of Geophysical Research: Atmospheres (1984–2012), 2012, 117(D21).

[9] Wu L, Mallet V, Bocquet M, et al. A comparison study of data assimilation algorithms for ozone forecasts [J]. Journal of Geophysical Research: Atmospheres (1984–2012), 2008,113 (D20).

[10] Elbern H, Strunk A, Schmidt H, et al. Emission rate and chemical state estimation by 4-dimensional variational inversion [J]. Atmospheric Chemistry & Physics Discussions, 2007,7(14): 3749-3769.

[11] Vira J, Sofiev M. On variational data assimilation for estimating the model initial conditions and emission fluxes for short-term forecasting of SOx concentrations [J]. Atmospheric Environment,2012,46(1):318-328.

[12] Vira J, Sofiev M. Assimilation of surface NO2and O3observations into the SILAM chemistry transport model [J]. Geoscientific Model Development, 2015,8(2):191-203.

[13] Bocquet M, Elbern H, Eskes H, et al. Data assimilation in atmospheric chemistry models: current status and future prospects for coupled chemistry meteorology models [J]. Atmospheric Chemistry & Physics Discussions, 2014,15(23):32233-32323.

[14] Zhang Y, Bocquet M, Mallet V, et al. Real-time air quality forecasting, Part II: State of the science, current research needs, and future prospects [J]. Atmospheric Environment, 2012,60(6): 656–676.

[15] Niu T, Gong S L, Zhu G F, et al. Data assimilation of dust aerosol observations for the CUACE/dust forecasting system [J]. Atmospheric Chemistry and Physics, 2008,8(13):3473-3482.

[16] Dai T, Schutgens N A J, Goto D, et al. Improvement of aerosol optical properties modeling over Eastern Asia with MODIS AOD assimilation in a global non-hydrostatic icosahedral aerosol transport model [J]. Environmental Pollution, 2014,195:319-329.

[17] 崔應(yīng)杰,王自發(fā),朱 江,等.空氣質(zhì)量數(shù)值模式預(yù)報(bào)中資料同化的初步研究 [J]. 氣候與環(huán)境研究, 2006,11(5):616-626.

[18] 白曉平,李 紅,方 棟,等.資料同化方法在空氣污染數(shù)值預(yù)報(bào)中的應(yīng)用研究 [J]. 環(huán)境科學(xué), 2008,29(2):283-289.

[19] Tang X, Zhu J, Wang Z F, et al. Improvement of ozone forecast over Beijing based on ensemble Kalman filter with simultaneous adjustment of initial conditions and emissions [J]. Atmospheric Chemistry & Physics, 2011,11(3):7811-7849.

[20] 唐 曉,朱 江,王自發(fā),等.基于集合卡爾曼濾波的區(qū)域臭氧資料同化試驗(yàn) [J]. 環(huán)境科學(xué)學(xué)報(bào), 2013,33(3):796-805.

[21] 靳璐濱,臧增亮,潘曉濱,等.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) [J]. 中國環(huán)境科學(xué), 2016,36(2):331-341.

[22] 張金譜,胡嘉鏜,王雪梅.集合最優(yōu)插值同化方法在珠江三角洲空氣質(zhì)量模擬中的初步應(yīng)用 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2014,34(3):558- 566.

[23] Skamarock W C, Klemp J B, Dudhia J, et al. A description of the Advanced Research WRF version 3 [Z]. NCAR Technical Note:NCAR/TN-475+STR, 2008.

[24] Byun D W, Ching J K S, Byun D W, et al. Science Algorithms of the EPA Models - 3Community Multiscale Air Quality (CMAQ) Modeling System [J]. Environmental Protection Agency Office of Research & Development, 1999.

[25] Eliassen A. Provisional Report on Calculation of Spatial Covariance and Autocorrelation of Pressure Field [J]. Space Science Reviews - SPACE SCI REV, 1954:5.

[26] Whitaker J S, Hamill T M. Ensemble Data Assimilation without Perturbed Observations [J]. Monthly Weather Review, 2002, 130(7):1913-1924.

[27] 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.

[28] Evensen G. The Ensemble Kalman Filter: theoretical formulation and practical implementation [J]. Ocean Dynamics, 2003,53(4): 343-367.

Data assimilation experiment on SO2initial conditions in the Pearl River Delta.

CHEN Yi-ang1,2, DENG Xue-jiao2*, ZHU Bin1*, DENG Tao2, GAO Yu-dong2(1.Key Laboratory of Meteorological Disaster, Ministry of Education, Joint International Research Laboratory of Climate and Environment Change, Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration, Nanjing University of Information Science & Technology, Nanjing 210044, China；2.Guangdong Provincial Key Laboratory of Regional Numerical Weather Prediction, Institute of Tropical and Marine Meteorology, China Meteorological Administration, Guangzhou 510080, China). China Environmental Science, 2017,37(5)：1610～1619

Based on the WRF-CMAQ air quality model, the pollutant SO2in the Pearl River Delta Region in December 2013 was assimilated to optimize the initial conditions using the optimal interpolation approach (OI) and the ensemble square root filter (EnSRF). The high values of the background error were mainly located in Jiangmen region in horizontal direction and were larger within the boundary layer in vertical direction. The background error was nearly constant below 400m and decreased with height above 400m. By comparing the SO2concentration fields using assimilation with those not using assimilation, the results showed that assimilation could adjust the distribution pattern of the pollutant and make it more consistent with the observation field. Both assimilated methods could offer an initial field closer to the true situation. The sensitivity test showed that the optimal horizontal scale of the optimal interpolation method was 20km. The root mean square error decreasing percentage between the assimilation sites and the verification sites reached 73% and 39%, respectively. With the number of the assimilation site increasing, the optimization of the assimilation site had a declining trend.

data assimilation；SO2；optimal interpolation (OI)；ensemble square root filter (EnSRF)；Pearl River Delta Region

X511

A

1000-6923(2017)05-1610-10

陳懿昂(1991-),男,廣東汕頭人,南京信息工程大學(xué)碩士研究生,主要從事大氣化學(xué)大氣環(huán)境方向研究.

2016-09-18

國家自然科學(xué)基金資助項(xiàng)目(41475105);國家科技支撐計(jì)劃課題(2014BAC16B06);科技部公益性(氣象)行業(yè)項(xiàng)目(GYHY201306042);中國氣象局氣候變化專項(xiàng)項(xiàng)目(CCSF201531);廣東省科技計(jì)劃項(xiàng)目(2015A020215020);廣東省氣象局科技創(chuàng)新團(tuán)隊(duì)計(jì)劃項(xiàng)目(201506)

* 責(zé)任作者, 鄧雪嬌, 研究員, dxj@grmc.gov.cn; 朱 彬, 教授, binzhu@nuist.edu.cn