晋城市冬、春季PM2.5和PM10污染水平时空分布及其与气象因子的关系

为深入了解晋城市颗粒物浓度时空分布特征,对晋城市2017年12月至2018年5月国控点、小型站和微型站PM2.5及PM10小时浓度数据进行收集整理,并进行空间插值分析和时间变化趋势分析及与气象监测数据的相关分析。结果表明:颗粒物浓度在冬、春季节具有明显差异,冬季PM10与PM2.5高值区主要位于东北部及东南小部分区域,春季PM10高值区位于城区南部区域,PM2.5高值区主要集中于城区。晋城市城区和郊区PM10与PM2.5月均浓度整体呈单峰型变化,PM10在4月份最高(157.54±5.67μg·m^-3),PM2.5在1月份最高(94.08±2.25μg·m^-3)。冬季PM2.5/PM10平均为0.57,春季平均为0.45。颗粒物小时浓度的变化呈现单峰单谷的型式,冬季PM10与PM2.5小时平均浓度最高值均出现在10时,春季均出现在09时。监测期间晋城市PM10与PM2.5的小时浓度值与相对湿度有较高的正相关性(p<0.01),与风速、风向有较高的负相关性(p<0.01),与温度和气压的相关性较低。冬季,东北至正南风向时,PM10与PM2.5的浓度普遍高于西北风向时的浓度,对晋城冬、春季国控点颗粒物浓度贡献率最高的风向风速为东南偏南风向,风速在1 m/s以内。     

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。     

2013年济南市大气能见度与相对湿度和PM10、PM2.5的关系

对济南市2013年1—12月的能见度、相对湿度、PM10及PM2.5逐时监测数据分析,结果表明：能见度、相对湿度、PM10和PM2.5浓度有明显的月变化和日变化规律。在各项污染物中,能见度与颗粒物的相关性最高,与PM10的相关系数为-0.6718,与PM2.5的相关系数为-0.7422;在气象因子中,与相对湿度的相关性最高,相关系数为-0.6501。不同季节条件下,能见度与PM2.5的相关性明显优于PM10的,冬季能见度与颗粒物的相关性明显优于其他季节的。     

西安空气质量预报系统及检验

介绍了西安地区空气质量预报业务系统WRF-CMAQ及其预报产品,该系统主要包括:气象模式WRF(Weather ResearchForecasting Model)、稀疏矩阵排放源模式SMOKE(Sparse Matrix Operator Kernel Emissions)以及公用多尺度空气质量模式CAMQ(Community Multi-scale Air Quality Model)。初步检验表明:系统的预报结果处于合理范围,24h内对PM2.5和PM10的逐小时模拟质量浓度与实况的相关系数达到0.6以上,能够满足业务需求。     

基于BP人工神经网络的鹰潭市PM2.5和PM10浓度预测模型

利用2015—2019年鹰潭市5个大气成分监测站数据和气象站地面观测数据,运用主成分分析法,提取气象要素、气体污染物对PM2.5和PM10浓度影响的主要成分,调整BP人工神经网络的隐藏层个数和隐藏层节点数,构建基于BP人工神经网络的鹰潭市PM2.5和PM10浓度预测模型。结果表明：1） 气象要素中,共提取3个影响PM2.5、PM10浓度的主成分,分别为相对湿度、降水,气温、气压和风速,其中湿度、气温、风速与PM2.5、PM10浓度显著相关。2） 气体污染物中,共提取2个主成分,分别为SO2、NO2和O3,其中NO2、SO2与PM2.5、PM10浓度显著相关。3） 所建立的PM2.5、PM10浓度逐小时预测模型在20 h内预测性能良好,预测准确率分别为88%、86%,逐日预测模型在5 d内的预测性能良好,预测准确率分别为94%、92%,准确率较高,具有良好的预报性能。     

空气质量数值模式预报中资料同化的初步研究

利用嵌套网格空气质量预报模式,在对上海市环境监测中心提供的观测数据进行必要的质量控制后,采用最优插值方法对可吸入颗粒物(PM10)、二氧化氮(NO2)和二氧化硫(SO2)进行资料同化。选取2004年8月1～20日做作逐日同化试验的结果表明,无论是PM10、NO2还是SO2,其同化偏差平均值均在20μg.m-3以下,比同化前减少了至少50%;3种污染物的同化偏差小于其未同化偏差的天数均在16天以上。在大气清洁和污染两种情况下,对PM10分别作10天的同化试验表明,同化后的均方根误差均小于同化之前。此同化方法能利用观测数据较好地修正空气质量模式预报场,从而为模式提供与实际更加接近的初始场。     

黄石市大气PM10和PM2.5质量浓度特征研究

利用2015年黄石市5个监测站点可吸入颗粒物(PM10)和细颗粒物(PM2.5)的在线监测数据和风向、风速、气温、气压等常规地面气象要素观测资料,分析了黄石市大气PM10和PM2.5的质量浓度水平分布特征及其与气象参数的关系。结果表明:2015年黄石市5个监测站点大气PM10和PM2.5年均浓度范围分别为95.8—108.6μg·m^-3和64.3—68.9μg·m^-3,均超过国家二级标准;季均质量浓度呈现显著的冬季高夏季低的变化规律,冬季PM10和PM2.5的质量浓度分别为(143.9±62.2)μg·m^-3和(95.5±44.5)μg·m^-3,夏季PM10和PM2.5的质量浓度分别为(75.2±24.0)μg·m^-3和(50.7±17.3)μg·m^-3。5个监测站中,下陆区、西塞山区和铁山区的PM10和PM2.5颗粒物污染较为严重;各站点大气PM10和PM2.5质量浓度显著相关。大气颗粒物浓度与气象因素的分析显示,黄石市大气颗粒物浓度与气温呈显著的负相关关系,与气压呈正相关关系,与风速和相对湿度的相关性不显著,受风向影响变化较大。     

气象预报模式参数化方案对重污染过程PM2.5浓度预报效果的影响

针对北京市2016年12月16～21日的重污染过程,基于嵌套网格空气质量模式预报系统（NAQPMS）,面向气象驱动模式WRF中7类物理过程的参数化方案,通过单扰动和组合扰动方式构建了51组不同的WRF模式运行配置,对比分析不同方案配置下NAQPMS对这次重污染过程细颗粒物（PM2.5）浓度预报的性能。结果表明:在重污染时段,组合扰动优化方案在城中心站点和城郊站点的PM2.5浓度预报精度都显著高于基准参数化方案配置下的预报结果,特别是能显著改进基准方案下模式对重污染过程结束时间的预报误差问题,显著减小12月21日存在的预报偏差。从统计指标来看,城中心站点在组合扰动优化方案下预报相关性最高,相关系数在0.7以上;从预报均方根误差来看,组合扰动优化方案误差最小。城郊站点同样是在组合扰动优化方案下预报相关性最高,与观测之间的偏差更小。从污染物与气象要素的空间分布来看,组合扰动优化方案比基准方案能更好再现污染时段的气象要素变化,预报的风速更小、相对湿度更高,从而有利于12月21日北京高浓度PM2.5的维持和累积。本文结果表明气象预报模式参数化方案不确定性是重污染预报的关键不确定性来源,选择合适的参数化方案可以减小重污染期间气象要素的模拟偏差,并可进一步提高重污染时段的PM2.5浓度预报精度。     

两种大气化学模式系统对浙江省PM_(2.5)浓度预报结果的对比分析

利用大气化学模式系统CUACE/Haze-fog与WRF-Chem,分别选取3次不同程度的污染天气过程进行数值模拟,并利用浙江省142个环保监测站点观测数据,对模拟的PM2.5浓度的时空演变特征进行检验,评估两个模式对PM2.5浓度的预报效果。结果表明,CUACE/Haze-fog与WRF-Chem模式均能够较好的反映出PM2.5日均浓度空间分布特征及其逐日变化特征。WRF-Chem预报与观测的PM2.5日均浓度的空间相关系数明显高于CUACE/Haze-fog,且总体来看相对偏差与均方根误差明显低于CUACE/Haze-fog。CUACE/Haze-fog与WRF-Chem模式能够基本反映出PM2.5浓度连续3 d(72 h)的变化趋势,且24 h与48 h预报效果优于72 h预报。本次模拟中气象场模拟的偏差可能是导致PM2.5浓度模拟偏差的主要因素。此外,CUACE/Haze-fog模式对化学场初始值的低估可能是其对PM2.5浓度系统性低估的重要原因之一。     

北京两次沙尘污染过程中PM2.5浓度变化特征

利用北京市空气质量监测数据和气象资料,对2013年2月28日和3月9日两次沙尘污染过程PM2.5(空气动力学当量直径小于等于2.5μm的颗粒物,即细颗粒物)、PM10(空气动力学当量直径小于等于10μm的颗粒物,即可吸入颗粒物)浓度及PM2.5浓度/PM10浓度比值的变化特征进行了分析,研究结果表明:(1)沙尘开始影响北京时,PM2.5与PM10浓度表现出反位相变化,PM10浓度在两次沙尘过程中2 h内分别上升50.8%与202.4%,最高达800μg m-3以上;PM2.5浓度分别下降58.3%与50.9%,直至下降至35μg m-3以下,PM2.5有明显改善现象。(2)虽然PM2.5浓度在沙尘到达前有缓升的迹象,但沙尘抵达后,PM2.5浓度持续快速下降,PM2.5浓度/PM10浓度比值由沙尘影响前的0.75以上降至0.25以下。沙尘影响前,PM2.5日均值均超过150μg m-3,北京地区处于重度污染水平。这说明沙尘来临前以人为污染为主,主要由细粒子"贡献",沙尘来临后的空气污染,主要由巨、大粒子的沙尘"贡献"。     

PM10 data assimilation over south Korea to Asian dust forecasting model with the optimal interpolation method

A data assimilation (DA) system using ground PM₁₀ observation for Asian Dust Aerosol Model version 2 (ADAM2), which is the operational dust forecasting model of Korea Meteorological Administration (KMA), has been developed with the optimal interpolation (OI) method. The observations are provided by the PM₁₀ network operated by KMA. Three DA experiments are performed to simulate a dust event observed in Korea from 1 March to 31 May 2009 with different assimilation cycles of 24 (DA24), 12 (DA12), and 06 hours (DA06). 48-hour forecasts from the adjusted Initial Condition (IC) of dust concentration are compared with control simulation (CTL) and observation from independent stations. It is found that CTL simulates spatial patterns of dust emitted and transported associated with a developing low pressure system over the dust source regions quite well, compared with satellite measurement. However, it appears that there is considerable uncertainty in estimating the concentration of dust. With IC adjustment, the model simulates improved dust concentration, showing considerably reduced RMSE, particularly for the prediction within 12 hours of forecast. At the same time, it is shown that the time interval of DA affects the predictability of ADAM2, so that DA06 appears to have better predictability within a 12-hour simulation, reducing RMSE by 50% compared with CTL. This suggests that assimilating PM₁₀ to the dust prediction model using OI has the potential to predict air quality in Korea when the cycle of assimilation is sufficiently short.     

对流天气系统自动站雨量资料同化对降雨预报的影响

利用GRAPES(Global and Regional Assimilation and Prediction Enhanced System,全球/区域同化预报系统)三维变分同化系统,针对对流天气系统特点,用改进的郭晓岚对流参数化方案作为观测算子,同化广东省自动站记录的对流天气系统的雨量资料,并且与同化探空资料进行了比较.在雨带有明显改进的区域,分别同化这两种资料都可以调整大气低层水汽辐合增加(或辐散),对流层中下层增暖增湿(或变冷变干),从而增加(或减少)降水,表明降水的同化方案对初始场的调整在一定     

卫星气溶胶光学厚度资料同化对灰霾预报改进个例研究

面对日益严峻的大气污染形势,针对卫星气溶胶光学厚度（AOD）资料在灰霾数值预报领域的合理有效利用问题,使用WRF-Chem（WRF coupled with Chemistry）大气化学模式以及GSI（Gridpoint Statistical Interpolation）三维变分同化系统,利用MODIS和FY-3A/MERSI AOD资料,对一次灰霾天气过程进行了同化预报试验。试验结果显示,同化卫星AOD资料有效改善了模式初始场,MODIS和MERSI同化试验分别在AOD分析场的中心强度和空间分布各具优势,且对PM_2.5和PM₁₀的后续预报改进明显;从统计分析上看,同化试验的预报效果整体上好于控制试验,同化试验中PM_2.5和PM₁₀预报值的平均值、中值、平均偏差、均方根误差等指标均明显优于控制试验,且MODIS和MERSI同化试验分别在PM_2.5和PM₁₀预报统计结果中体现出了优势;卫星AOD资料同化能明显降低污染事件的空报率和漏报率,提高预报的TS评分和ETS评分。不同卫星AOD资料的差异对分析场中AOD的分布和强度产生了相应影响,进而影响了模式的灰霾预报效果;本次试验中,MODIS和MERSI AOD同化试验分别在PM_2.5和PM₁₀预报的评分上表现更佳。结果表明,卫星AOD资料同化对数值预报产生了积极的效果。      

GRAPES全球集合预报初始条件及模式物理过程不确定性方法研究

为描述GRAPES全球模式初始条件的不确定性,基于适合集合预报应用的GRAPES全球奇异向量技术,依据大气初始误差符合正态分布的特征,采用高斯取样奇异向量来构造全球集合预报初始扰动,在此基础上建立了GRAPES全球集合预报系统(GRAPES-GEPS)。利用GRAPES全球同化分析场,对采用初始扰动的GRAPES-GEPS连续试验预报结果进行检验和分析。结果表明:GRAPES-GEPS中高度场、风场及温度场预报的集合离散度能有效快速增加,集合平均均方根误差与集合离散度的关系合理;相对控制预报的均方根误差,集合平均的预报优势在预报中期非常显著。为进一步体现GRAPES-GEPS中模式物理过程的不确定性,发展了模式物理过程倾向随机扰动技术(SPPT)。试验结果表明:SPPT方案的应用有效提高了GRAPES-GEPS在南、北半球和热带地区等压面要素预报的集合离散度,同时一定程度减小了集合平均误差,进而改进了集合平均误差与集合离散度的关系,其中SPPT方案在热带地区的改进最为显著。本文发展的基于奇异向量的初始扰动方法和模式扰动SPPT方案在中国气象局2018年12月业务化运行的GRAPES-GEPS中得到了应用。     

WRF模式物理参数化方案对一次局地大暴雨预报的影响研究

基于WRF(Weather Research and Forecasting)模式及其3Dvar(3-Dimentional Variational)资料同化系统,采用36、12、4 km嵌套网格进行快速更新循环同化和不同的微物理及积云对流参数化方案对比试验,对2011年5月8日鲁中一次局地大暴雨过程进行了研究。结果表明,快速更新循环同化地面观测资料是影响模式降水落区预报准确性的关键因素,不同的微物理和积云对流参数化方案主要影响降水强度预报。采用不同的微物理参数化方案和积云对流参数化方案进行降水预报对比试验表明,LIN方案和WSM6(WRF Single-Moment 6-class)微物理参数化方案对降水预报均较好,LIN方案降水预报较WSM6方案略强。4 km网格预报使用K-F (Kain-Fritsch)积云对流参数化方案或不使用积云对流参数化方案,预报的降水均较好。4 km网格使用旧的K-F积云对流参数化方案,预报的近地层大气风场偏弱,导致大气动力抬升作用偏弱,从而造成模式降水预报偏弱。     

一种控制变量循环扰动和多参数化方案的混合同化方法

敏感性试验表明集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)方法在混合(Hybrid)同化过程中易受观测资料数量变化的影响而产生较大程度的协方差震荡,从而可能导致系统不稳定。为设计一种简便、稳定的Hybrid同化系统,构建了一种基于物理控制变量扰动及多物理参数化方案的Hybrid同化及预报系统。本系统随着循环的进行,不断对Hybrid同化分析场进行控制变量扰动得到集合成员初始场,并且对各集合成员采用不同物理参数化方案以更合理地表征背景场的误差特征。连续10 d的循环同化及预报试验表明,本文同化方案效果明显优于三维变分方案,动力场的整体同化和预报效果与ETKF方案基本相当。本方案相比于ETKF方法不受观测波动影响,在没有经任何参数调试情况下,取得了良好同化和预报效果,为Hybrid同化的便捷运行提供了一种稳定可靠的手段。     

ON USE OF LHN METHOD TO ASSIMILATE THE INTENSIFIED SURFACE PRECIPITATIONS FOR GRAPES_MESO MODEL INITIALIZATION

The quantitative precipitation forecast (QPF) in very-short range (0-12 hours) has been investigated in this paper by using a convective-scale (3km) GRAPES_Meso model. At first, a latent heat nudging (LHN) scheme to assimilate the hourly intensified surface precipitation data was set up to enhance the initialization of GRAPES_Meso integration. And then based on the LHN scheme, a convective-scale prediction system was built up in considering the initial “triggering” uncertainties by means of multi-scale initial analysis (MSIA), such as the three-dimensional variational data assimilation (3DVAR), the traditional LHN method (VAR0LHN3), the cycling LHN method (CYCLING), the spatial filtering (SS) and the temporal filtering (DFI) LHN methods. Furthermore, the probability matching (PM) method was used to generate the QPF in very-short range by combining the precipitation forecasts of the five runs. The experiments for one month were carried out to validate the MSIA and PM method for QPF in very-short range. The numerical simulation results showed that: (1) in comparison with the control run, the CYCLING run could generate the smaller-scale initial moist increments and was better for reducing the spin-up time and triggering the convection in a very-short time; (2) the DFI runs could generate the initial analysis fields with relatively larger-scale initial increments and trigger the weaker convections at the beginning time (0-3h) of integration, but enhance them at latter time (6-12h); (3) by combining the five runs with different convection triggering features, the PM method could significantly improve the QPF in very-short range in comparison to any single run. Therefore, the QPF with a small size of combining members proposed here is quite prospective in operation for its lower computation cost and better performance.     

空气质量多模式系统在广州应用及对PM10预报效果评估

介绍了广州空气质量多模式系统并评估其对2010年9月广州市的气象要素和PM10日均浓度的24 h的预报效果.评估结果表明：模式系统较好地预测了气象要素的变化,但高估了风速;各空气质量模式能合理预测广州PM10浓度的时空变化,预报效果均处于可接受范围内(平均分数偏差MFB小于±60%且平均分数误差MFE小于75%),部分模式可达到优秀水平(MFB小于±30%且MFE小于50%),但同时各模式在郊区均预测偏高而在市区偏低;总体上,模式在广州郊区的PM10预报效果优于市区.模式间对比表明,在本次业务预报实践中,不存在最优的单模式,同一模式对不同的统计指标、不同的站点,其预报效果可能存在差异,基于算术平均集成各模式结果未能获得最优的预报效果.优化排放源空间分布并引进更好的集成预报方法(如权重平均、神经网络、多元回归等)是未来改进广州空气质量多模式系统预报效果的可能途径.     

北京地区一次空气重污染过程的目标观测分析

针对北京市2016年12月16~21日的空气重污染过程进行了回报试验,探讨了该次事件预报的目标观测敏感区。使用新一代高分辨率中尺度气象模式（Weather Research Forecasting,WRF）和嵌套网格空气质量模式（Nested Air Quality Prediction Model System,NAQPMS）,针对初始气象场的不确定性,通过4套初始场资料识别了影响北京地区细颗粒物（PM2.5）预报水平的目标观测敏感变量及其敏感区。结果表明:当综合考虑初始气象场的风场、温度、比湿不确定性的影响时,发现改善黑龙江区域上述气象要素的初始场精度,对北京地区PM2.5预报不确定的减小最显著;当分别考察风场、温度、比湿的不确定性的影响时,发现初始风场精度的改善,尤其是黑龙江区域风场精度的改善,能够更大程度地减小北京地区PM2.5的预报误差,对北京东南地区的PM2.5预报误差的减小甚至可达到40%以上。因此,优先对黑龙江区域的气象场,尤其是该区域的风场进行目标观测,并将其同化到预报模式的初始场中,将会有效提高初始气象场的质量,进而大大减小北京地区PM2.5浓度的预报误差,提高北京地区空气质量的预报技巧。初始风场代表了北京地区该次空气重污染事件预报的目标观测变量,而黑龙江地区则是该目标观测的敏感区域。