RMAPS_Chem V1.0系统SO2排放清单优化效果评估

RMAPS_Chem V1.0系统是基于WRF_Chem模式建立的服务于华北区域雾霾等污染预报业务的模式系统,该研究着重针对系统中污染排放清单不确定性带来的SO₂浓度预报偏差较大问题,采用EnKF源反演和误差统计订正相结合的方法对排放清单进行了改进,形成了一套优化后的华北区域SO₂排放清单。通过输入初始清单和优化清单对2017年10月进行模拟,并与华北地区616个地面环境监测站观测值进行对比,结果表明:EnKF源反演结合误差统计订正的排放清单优化方法适用于SO₂排放清单的改进,有效降低了清单系统性偏差,针对主要区域及重点城市的检验显示模拟结果接近观测值;排放清单优化后模拟误差显著降低,如河北南部、山东西部至北京一带模式预报均方根误差与归一化平均绝对误差明显下降,区域内站点模拟误差呈正态分布特征,误差分布范围、最大概率出现范围均明显变窄,且最大误差概率明显上升。     

混合误差协方差用于集合平方根滤波同化的试验

在集合卡尔曼滤波方法中, 根据预报集合统计提供的依流型而变的预报误差协方差对同化起到决定性的作用。但在集合样本容量不足及模式存在系统误差时, 由预报集合估计的预报误差协方差会出现明显偏差。既要减小这种估计偏差对同化产生的影响而又不增加计算量, 一种可供选择的方法是将定常或准定常的高斯型预报误差协方差和由预报集合估计的预报误差协方差加权平均用于集合卡尔曼滤波同化。利用浅水方程模式, 通过观测系统模拟试验检验在不同的模式误差、 集合成员数以及观测密度条件下, 将这种混合预报误差协方差矩阵用于在集合平方根滤波的效果。试验结果表明, 当预报集合成员数较多而模式又无误差时, 不必采用混合的预报误差协方差矩阵, 否则, 采用混合的预报误差协方差矩阵都有可能改进分析和预报。混合预报误差协方差的最优的权重系数与模式误差关系密切, 模式误差越大, 定常预报误差协方差的权重越大。最优的权重系数与集合成员数及观测密度也有一定关系。     

遗传算法在点源扩散浓度反演排放源强中的应用

污染源清单的建立是目前城市大气污染浓度预报中的一大障碍，使用遗传算法和多点源扩散模式，从控制点浓度成功地反演了点源排放清单。源强反演数值的统计结果表明，该方法简单易行，效果较好，为空气污染预报系统提供了一种反演排放清单的途径。     

四维变分同化和集合平方根滤波联合反演土壤湿度廓线的研究

提出将集合平方根滤波（EnSRF）估计的预报误差协方差用于四维变分（4DVAR）的同化方案（文中称混合四维变分同化方法,简称混合方法）来反演土壤湿度廓线,该方法由两个同化时段构成: 第一时段为EnSRF,第二时段为4DVAR,此种组合可以充分发挥每一同化方法的优势。通过同化表层土壤湿度观测反演土壤湿度廓线这一理想试验来验证方法的可行性,并与EnSRF和4DVAR的反演结果进行比较,结果表明, 混合方法反演的分析时刻土壤湿度廓线都优于EnSRF和4DVAR的结果。与此同时,为了克服小样本在估算背景场误差协方差矩阵时出现的虚假相关对反演的干扰, 提出在原有协方差矩阵中加入具有高斯指数函数成分来降低其影响;与修正前结果相比,反演的中下层（地下34～100 cm） 土壤湿度的均方根误差从0.036 cm3/cm3降到0.016 cm3/cm3, 降幅为55.6%, 更重要的是大大降低了部分深度处反演土壤湿度的误差, 如地下90 cm处误差从0.085 cm3/cm3降到0.024 cm3/cm3, 降幅达71.8%。     

不同大气污染物监测密度对CMAQ源同化修正效果影响的模拟

采用(美国环保部的MODEL-3系统的)CMAQ源同化模型及4种不同空间分辨率的SO2、NO2实测资料,反演得到中国不同尺度的同化修正排放源,利用新一代中尺度气象模式WRF与多尺度空气质量模式CMAQ,模拟分析了中国不同观测信息密度对SO2、NO2源同化反演及其浓度预报的影响,重点分析了华北地区SO2、NO2浓度加密观测对改善SO2、NO2排放源和空气质量预报的重要影响。结果表明,采用不同分辨率的实测资料时,SO2、NO2的趋势预报效果改善程度有一定差异;采用较高分辨率的实测资料进行SO2、NO2源同化修正时,可明显减小SO2、NO2浓度的预报误差。华北地区较高分辨率的观测信息对于改进源同化修正效果及SO2、NO2浓度的趋势预报十分重要,尤其是对SO2浓度的预报尤为重要;采用经高分辨率的实测资料同化修正的排放源时,WRF-CMAQ模式对北京城市尺度SO2、NO2浓度的变化趋势、浓度水平和空间分布特征具有较好的预报效果。高分辨率的观测资料和区域源同化反演方法对于区域污染物浓度预报及排放源清单具有显著的改进作用。     

基于云依赖背景场误差协方差的雷达资料同化及对降雨预报影响研究

传统变分同化方法中使用各向同性和均质的背景场误差协方差,忽略了背景场误差协方差的天气系统依赖性,而在变分框架下引入集合流依赖的背景场误差协方差还需要额外的集合预报.为在变分同化中引入更合理的背景场误差协方差,通过引入云指数构建"云依赖"背景场误差协方差,提出了一种云依赖背景场误差协方差的同化方案,并应用于雷达等多源观测...     

河北工业面源更新及其对奥运会期间京津冀区域空气质量模拟的影响

基于北京奥运会实时空气质量预报所用排放清单基础上,利用卫星影像资料提高京津冀大气污染排放清单空间分辨率,并考虑加强污染控制措施对排放源的影响,生成新的污染排放清单。更新排放清单的基础后,利用嵌套网格空气质量预报模式系统(NAQPMS)对奥运会期间北京及周边地区进行大气化学模拟,以评估奥运会期间北京及周边地区污染排放对空气质量状况的影响。模式结果表明,更新后的排放清单能够较好体现奥运会期间的污染排放状况。另外,情景控制试验结果表明,脱硫脱硝等一系列减排措施以及紧急污染控制措施,是奥运会期间北京城区空气质量良好的重要原因。     

污染源反演对重点城市群夏季O3模拟的改进效果评估

在嵌套网格空气质量预报模式系统(NAQPMS)的基础上,采用污染源反演方法优化以中国多尺度排放清单(MEIC)为主的先验排放清单中臭氧(O₃)前体物排放量估计。分析时段为2019年6～8月,重点评估了污染源反演对我国“2+26”城市、长三角、珠三角、成渝4个重点城市群O₃模拟的改进效果。评估结果表明,污染源反演获得的“2+26”城市、长三角、珠三角的氮氧化物(NO_x)排放速率整体低于先验清单的排放速率约0.6μg m_-2 s_-1,但反演的挥发性有机物(VOCs)排放速率在“2+26”城市整体上高于先验清单的排放速率约0.5μg m_-2 s_-1。利用反演的NO_x和VOCs排放量和NAQPMS模式对4个城市群O₃进行模拟,发现反演排放数据可以显著改进夏季O₃模拟性能,使得O₃日最大8小时平均值(MDA8-O₃)模拟的均方根误差(R...     

过去状态估计之集合Kalman滤波扩充状态变量法研究

集合Kalman滤波是由大气数据同化发展的新的同化算法,它利用蒙特卡罗方法计算背景场的误差协方差矩阵,克服了Kalman滤波需要线性化的模型算子和观测算子的难点。但是这种同化方法是一种顺序数据同化方法,无法对过去状态变量进行同化订正。而过去状态的估计对于建立大气或海洋历史资料库、获得准确的数值预报初始场有着重要的意义。本文在集合Kalman滤波同化方法的基础上,提出了可以对过去状态进行估计的集合Kalman滤波扩充状态变量法,然后分别采用空气质量方程和Lorenz系统对这种方法进行了检验。数值试验结果表明,这种方法可以对非线性系统中的过去状态变量进行有效的估计订正,说明该方法是可行的。     

京津冀及其周边地区“2+26”城市PM2.5的蒙特卡罗集合预报试验

本文在嵌套网格空气质量预报模式系统（NAQPMS）的基础上,结合蒙特卡罗模拟方法搭建了多扰动的空气质量集合预报系统。利用该系统对京津冀及其周边地区“2+26”城市的PM2.5浓度进行预报试验,试验时段为2017年9～12月,模式水平分辨率为15 km。研究发现,基于蒙特卡罗集合预报系统,采用“集合样本优选”均值集成法能显著提升PM2.5预报精度,大幅减小预报偏差。与所有集合样本的均值集成法相比,该方法将PM2.5预报均方根误差（RMSE）由58.0 μg m?3降低至34.7 μg m?3,将模拟—观测两倍因子百分比（FAC2）由67%提升至87%。此外,“集合样本优选”均值集成法对各污染等级的整体预报效果优于均值集成法。本文结果可为改进城市PM2.5预报效果和减小PM2.5预报偏差提供参考。     

基于优化样本组合的集合-变分混合同化方案研究

为有效引入“流依赖”的背景场误差协方差,同时降低集合预报带来的计算量,尝试通过优选与同化时刻天气形势更相似的历史预报样本,并结合预报过程中的时间滞后样本,将两种样本引入集合-变分混合同化系统中,构建基于优选历史预报样本和时间滞后样本的集合-变分混合同化方案。单点观测理想试验表明,优选历史预报样本结合时间滞后样本,既能够缓解样本不足所导致的采样误差,又能够为同化系统提供“流依赖”的背景场误差协方差。连续一周的循环同化及预报试验结果显示,相较于ERA5资料和探空资料,三维变分方案整体表现稍差,样本组合混合同化方案分析场和预报场的均方根误差最小,且比仅用时间滞后样本的混合同化方案有所改进;降水评分整体也表现最优,尤其对中雨和暴雨的模拟改进较明显,较好地模拟出了强降水中心的强度和位置,且改善了降水过报的问题。      

台风预报误差的流依赖特征及混合资料同化中最优耦合系数

基于集合卡尔曼变换与三维变分(ETKF-3DVAR)混合资料同化系统和欧洲中期天气预报中心(ECWMF)的全球集合预报,以"梅花"台风为例,分析了台风系统预报误差的流依赖特征,讨论了耦合系数在混合同化和预报中的敏感性及其对预报质量的影响。结果显示,台风系统的预报误差协方差具有显著的中小尺度结构特征,集合估计的预报误差协方差结构能够再现其流依赖属性。相对于3DVAR方案,混合资料同化方案的最优耦合系数对台风系统的分析和预报质量具有更好的改善;但不同的耦合系数对台风路径预报有明显的影响,不合适的耦合系数甚至可能导致更坏的结果,只有耦合了相对合适的预报误差协方差的流依赖信息,混合资料同化方案才可能对分析和预报质量有正效果。这表明在混合资料同化系统中,构造一种具有自适应能力的耦合权重函数,实现相对最优权重的自动选择,对充分发挥混合资料同化方案的潜在优势具有重要意义。     

Hybrid ETKF-3DVAR方法同化多普勒雷达速度观测资料Ⅰ:模拟资料试验

利用WRF(Weather research and forecasting)模式及模式模拟的资料,采用Hybrid ETKF-3DVAR(ensemble transform Kalman filter-three-dimensional variational data assimilation)方法同化模拟雷达观测资料。该混合同化方法将集合转换卡尔曼滤波(ensemble transform Kalman filter)得到的集合样本扰动通过转换矩阵直接作用到背景场上,利用顺序滤波的思想得到分析扰动场;然后通过增加额外控制变量的方式把"流依赖"的集合协方差信息引入到变分目标函数中去,在3DVAR框架基础下与观测数据进行融合,从而给出分析场的最优估计。试验结果表明,Hybrid ETKF-3DVAR同化方法相比传统3DVAR可以提供更为准确的分析场,Hybrid方法雷达资料初始化模拟的台风涡旋结构与位置比3DVAR更加接近"真实场",对台风路径预报也有明显改进。通过对比Hybrid S试验与Hybrid F试验发现,Hybrid的正效果主要来源于混合背景误差协方差中的"流依赖"信息,集合平均场代替确定性背景场带来的效果并不显著。     

集合卡尔曼平滑和集合卡尔曼滤波在污染源反演中的应用

此文目的是讨论污染源反演问题的统计方法.基于Bayes估计理论,该文将资料同化中的集合平滑、集合卡尔曼平滑和集合卡尔曼滤波应用在污染源反演问题中.在详细给出污染源反演的集合平滑、集合卡尔曼平滑和集合卡尔曼滤波的严格数学表达后,用一个简单的模型演示了集合卡尔曼平滑和集合卡尔曼滤波在污染源反演中的可行性,并且通过对比理想试验结果比较了集合卡尔曼平滑和集合卡尔曼滤波方法在反演污染源排放的效果,讨论了观测误差和污染源先验误差估计对反演结果的影响.试验结果表明在观测间隔小和观测误差小的情况下,集合卡尔曼滤波和集合卡尔曼平滑都可以有效地反演出随时间变化的污染源排放.当观测误差增大时,集合卡尔曼滤波和集合卡尔曼平滑的反演效果都有一定降低,但是反演误差的增加少于观测误差的增加,同时集合卡尔曼平滑(Ensemble Kalman smoother,简称EnKS)对观测误差比集合卡尔曼滤波(Ensemble Kalman filter,简称EnKF)更为敏感.当观测时间间隔较大时,EnKF不能对没有观测时的污染源排放进行估计,仅能对有观测时的污染源排放进行较好的反演.而EnKS可以利用观测对观测时刻前的污染源排放进行反演,因此其效果明显好于EnKF,并且在观测时间间隔较大的情况下依然可以较好地反演出污染源排放.试验结果还显示污染源排放的先验误差估计对反演的结果有较大影响.     

基于物理约束扰动的EnSRF雷达资料同化

在完善WRF集合均方根滤波同化系统的双向嵌套预报方案、雷达资料质量控制方案和多微物理过程积分方案的基础上,引入了一种扰动势函数、流函数的尺度较小、物理意义更明显的集合初始扰动新方案.通过台风“桑美”登陆过程中的多普勒雷达资料直接同化试验,对比新扰动方案与目前应用较多的背景误差协方差随机扰动和全场随机扰动方案,对集合滤波同化效果的影响.试验结果表明,3种初始扰动方案都有效改善了台风内部结构,但新方案由于尺度更小、结构更为合理,其同化效果也更为显著,提高了对台风路径、中心最低气压、最大风速及降水的预报质量.     

The Super-large Ensemble Experiments of CAS FGOALS-g3

A super-large ensemble simulation dataset with 110 members has been produced by the fully coupled model FGOALS-g3 developed by researchers at the Institute of Atmospheric Physics, Chinese Academy of Sciences. This is the first dataset of large ensemble simulations with a climate system model developed by a Chinese modeling center. The simulation has the largest realizations up to now worldwide in terms of single-model initial-condition large ensembles. Each member includes a historical experiment (1850–2014) and an experiment (2015–99) under the very high greenhouse gas emissions Shared Socioeconomic Pathway scenario (SSP5-8.5). The dataset includes monthly and daily temperature, precipitation, and other variables, requiring storage of 275 TB. Additionally, the surface air temperature (SAT) and land precipitation simulated by the FGOALS-g3 super-large ensemble have been validated and projected. The ensemble can capture the response of SAT and land precipitation to external forcings well, and the internal variabilities can be quantified. The availability of more than 100 realizations will help researchers to study rare events and improve the understanding of the impact of internal variability on forced climate changes.     

A Multivariate Empirical Orthogonal Function-Based Scheme for the Balanced Initial Ensemble Generation of an Ensemble Kalman Filter

The initial ensemble perturbations for an ensemble data assimilation system are expected to reasonably sample model uncertainty at the time of analysis to further reduce analysis uncertainty. Therefore, the careful choice of an initial ensemble perturbation method that dynamically cycles ensemble perturbations is required for the optimal performance of the system. Based on the multivariate empirical orthogonal function (MEOF) method, a new ensemble initialization scheme is developed to generate balanced initial perturbations for the ensemble Kalman filter (EnKF) data assimilation, with a reasonable consideration of the physical relationships between different model variables. The scheme is applied in assimilation experiments with a global spectral atmospheric model and with real observations. The proposed perturbation method is compared to the commonly used method of spatially-correlated random perturbations. The comparisons show that the model uncertainties prior to the first analysis time, which are forecasted from the balanced ensemble initial fields, maintain a much more reasonable spread and a more accurate forecast error covariance than those from the randomly perturbed initial fields. The analysis results are further improved by the balanced ensemble initialization scheme due to more accurate background information. Also, a 20-day continuous assimilation experiment shows that the ensemble spreads for each model variable are still retained in reasonable ranges without considering additional perturbations or inflations during the assimilation cycles, while the ensemble spreads from the randomly perturbed initialization scheme decrease and collapse rapidly.     

亚印太交汇区的海洋再分析系统

An ocean reanalysis system for the joining area of Asia and Indian-Pacific Ocean (AIPO) has been developed and is currently delivering reanalysis data sets for study on the air-sea interaction over AIPO and its climate variation over China in the inter-annual time scale.This system consists of a nested ocean model forced by atmospheric reanalysis,an ensemble-based multivariate ocean data assimilation system and various ocean observations.The following report describes the main components of the data assimilation system in detail.The system adopts an ensemble optimal interpolation scheme that uses a seasonal update from a free running model to estimate the background error covariance matrix.In view of the systematic biases in some observation systems,some treatments were performed on the observations before the assimilation.A coarse resolution reanalysis dataset from the system is preliminarily evaluated to demonstrate the performance of the system for the period 1992 to 2006 by comparing this dataset with other observations or reanalysis data.