基于WRF-Chem模式的華東區域PM2.5預報及偏差原因

周廣強,謝 英,吳劍斌,余鐘奇,常爐予,高 偉

?

基于WRF-Chem模式的華東區域PM2.5預報及偏差原因

周廣強1,2*,謝 英1,2,吳劍斌1,2,余鐘奇1,2,常爐予1,2,高 偉1,2

(1.長三角環境氣象預報預警中心,上海 200030；2.上海市氣象與健康重點實驗室,上海 200030)

介紹了基于WRF-Chem在線區域化學/傳輸模式和INTEX-B與MEIC人為源排放清單建立的華東區域大氣環境數值預報業務系統,并利用PM2.5監測數據評估了該系統在2013年11月1日~2014年1月31日和2014年11月1日~2015年1月31日2個細顆粒物高濃度階段的業務預報效果.結果表明,華東區域大氣環境數值預報業務系統具有較好的預報效果:2個階段和3個時效(24,48,72h)的效果基本相當,不同階段和預報時效的相關系數基本在0.7以上;各城市的相關系數基本在0.5以上,約1/2城市的平均預報偏差在25%以內,污染預報的CSI/TS評分達到0.55.預報效果呈現出一定的區域性特征,華東中北部相關系數較高,北部的偏差中值和均方根誤差較大;不同城市之間的表現呈現出明顯的差異.分類檢驗和重點城市檢驗的結果都顯示,預報效果隨污染程度加重而降低.數值預報多數較觀測偏低,約3/4呈現負偏差,平均偏低20%~30%.氣象-污染的雙向反饋作用的不足可能是引起重污染預報效果下降的主要原因,人為源清單的不確定性也影響了其準確性的提升,因此還需要進一步提升該系統對高PM2.5污染的預報能力.

PM2.5；數值預報；WRF-Chem；空氣質量；華東區域

近年來,我國以細顆粒物(PM2.5)為代表的區域性大氣污染問題日益顯現[1],并進一步引起霾天氣顯著增加[2]、居民期望壽命減小[3]、疾病/死亡增加[4-5]等環境和健康問題.為此各級政府和主管部門采取了一系列措施來加強大氣污染物,特別是細顆粒物的控制和預報預警工作[6-8].使用數值模式準確模擬污染物的時空分布及變化是有效應對大氣污染的重要手段之一.經過多年的發展,國內外建立起多個全球的區域大氣化學模式,在大氣污染研究和空氣質量預報預警等方面得到了廣泛的應用[9-14].

WRF-Chem是由NOAA、NCAR等單位完成發展的“在線(online)”區域化學/傳輸模式,包含了詳細的大氣物理和化學過程處理方案,其化學部分和物理部分在線耦合,使用相同的模式網格、平流、對流和擴散方案以及大氣物理過程方案.在線耦合技術的使用避免了對風速、邊界層參數、水成物、降水等氣象場進行時間插值,減少了離線技術中時間尺度小于氣象模式輸出間隔的大氣過程的信息丟失,而這些信息對高分辨率空氣質量模擬非常重要[10]. Grell等[10]模式對比研究結果表明,WRF-Chem對O3和PM2.5都具有優秀的模擬能力;該模式在我國區域空氣質量模擬,特別是O3和PM2.5上效果顯著[15-19].氣象和大氣污染之間的相互作用研究是WRF-Chem模式的另一個重要領域.如Zhang等[20]采用該模式研究了我國東部重霾條件下氣溶膠-輻射-云相互作用對氣象和空氣質量的影響,表明該相互作用的引入有利于提升模式對華北、長三角等地區氣象要素和PM2.5時間變化的模擬水平.

人為源排放清單是空氣質量數值研究和預報的重要組成部分.目前已形成了多套不同分辨率的排放清單,如全球大氣研究排放數據庫(EDGAR)、半球大氣污染輸送(HTAP)清單[21]、東亞主要大氣污染物排放清單(INTEX-B)[22]、清華大學中國多尺度排放清單(MEIC)等.這些清單的建立有效促進了空氣質量數值研究和預報工作的開展,但目前也存在清單分辨率還不夠高、更新不夠及時等不足,與高分辨率數值研究的需要還有一定的差距.

華東區域是我國PM2.5污染最嚴重的區域之一[23],研究該區域的PM2.5預報技術對提升污染應對能力具有顯著的現實意義.本文基于WRF-Chem模式和INTEX-B與MEIC人為排放源清單建立了華東區域大氣環境數值預報系統,開展PM2.5數值預報,并利用觀測資料對預報效果進行了評估,探討了該系統PM2.5預報偏差的主要來源.

1 數值預報系統與評估方法

1.1 華東區域大氣環境數值預報系統簡介

華東區域大氣環境數值預報系統以WRF- Chem模式[10]和INTEX-B[22]與清華大學中國多尺度(MEIC, http://www.meicmodel.org/)人為排放清單為基礎構建.針對華東區域氣溶膠濃度較高的特點,在光解中增加了氣溶膠的作用[15].該系統初建時使用的人為源排放清單為INTEX-B 2008年度清單,并利用TM土地利用資料進行了部分區域細化和優化[17].由于其分辨率和時效都比較低,且缺少年內變化,本系統引進了2010年度0.25o分辨率MEIC清單.MEIC清單對不同化學機制具有更好的適應性,并分工業、交通、民用、電力和農業5個行業逐月制作,可以較好反映出人為排放的年內變化.根據各行業在上海的排放量監測結果確定了日變化權重曲線(圖1a),其中農業源曲線與民用相同.交通源表現出8:00和18:00前后兩個明顯的早晚高峰;工業在9:00~18:00排放較高;民用源在8:00~19:00較高,夜間保持平穩;電力的日變化幅度較其他行業小,白天和傍晚較高.綜合不同行業后,華東區域平均的二次氣溶膠前體物主要成分日變化權重曲線(圖1b)顯示SO2、NO和VOCs(揮發性有機物)有明顯的日變化,白天明顯高于夜間;NH3的日變化不大,白天略高.各行業和污染物的日變化權重曲線都反映出明顯的人為活動特征.經本系統適應性試驗和效果評估后,于2014年8月取代了INTEX-B清單.圖2顯示了2014年12月和細顆粒物濃度密切相關的NH3、NO、SO2和PM2.5(一次細顆粒物)日平均排放強度和區域分布.

華東區域大氣環境數值預報系統區域以(31.5°N,118°E)為中心,水平分辨率6km,水平網格數316(東西)′397(南北)、垂直28層,覆蓋區域見圖2;氣相化學為RADM2機制,氣溶膠化學為ISORROPIA動力平衡無機氣溶膠機制和SORGAM有機氣溶膠機制.主要物理過程為WSM6微物理方案、RRTM長波和Dudhia短波輻射方案、Monlin_Obukhov近地面層方案、Unified Noah路面過程方案和YSU邊界層物理方案.使用NCEP GFS資料作為模式的氣象初始條件和邊界條件,時間間隔為6h;前一次24h預報作化學初始條件,MOZART[24]全球模擬月平均值為化學邊界條件.生物排放源有MEGAN2模式在線計算.氣象時間步長為30s,化學時間步長為60s;預報時長78h.

1.2 數據與評估方法

11月至次年1月一般是華東區域PM2.5濃度最高的時段,該時段的預報效果可以反映模式對污染,特別是重污染的預報能力.本文選擇2013年11月1日~2014年1月31日(以下簡稱第1階段或DUR1)和2014年11月1日~2015年1月31日(第2階段或DUR2)兩個時段進行評估.評估量為PM2.5日平均值(日值),其定義和算法除下文說明外均采用國標[6]及其技術規定[25].觀測數據來自全國城市空氣質量實時發布平臺(http://113.108.142.147:20035/emcpublish/).預報數據約有5%左右缺失;由于不同城市PM2.5觀測站網建設進度的差異,觀測數據缺失量較大,其中第2階段的有效數據較多.本文評估時僅對觀測和預報數值均有效的數據進行統計.

本文按城市進行評估,計算城市值時先按站點計算城市小時均值,然后再計算城市日值.小時值和日值計算時要求數據有效率達到75%,否則為缺失.一個階段內有效日值數據比例低于50%的城市不進行評估.數據有效指觀測和預報數據同時有效.本文僅評估華東區域(上海、江蘇、浙江、安徽、山東、江西和福建六省一市)城市的預報效果.

預報值按不同預報時效分為24h(FCT1)、48h(FCT2)和72h(FCT3),分別代表從預報起始時間起的第1至第3個自然日(國標規定的日值取值時段),OBS代表觀測值.本文中PM2.5濃度及濃度中值、偏差、誤差和均方根誤差的單位均為μg/m3,比值及相關系數無單位.

2 結果與討論

2.1 預報效果總體評估

首先對2個階段的預報效果進行了總體評估.結果(表1)表明,預報值較觀測值整體偏低、2個階段和不同時效的預報效果總體相當.預報和觀測濃度中值比與均值比基本在0.7~0.8之間,預報比觀測偏低20%~30%.不同時效的預報效果總體比較接近,不同統計要素上各有優劣,但差異不大,如相關系數隨預報時效增加略有下降,而偏差分位值和平均偏差則略有提高.2階段和綜合(2個時段)預報與觀測的相關系數基本在0.7以上,其中第2階段相對略低,但最大差別也只有0.07.2個階段相比,由于第1階段的PM2.5濃度較高,其預報平均偏差、平均誤差和均方根誤差都比第2階段大,但相對偏差(預報觀測中值比、平均偏差/觀測均值比和平均誤差/觀測均值比則優于第2階段;預報偏差的1/4、1/2和3/4分位值總體相近.預報效果要優于Grell等[10]的模擬結果,其中有模式分辨率提高的因素;與鄧濤等[13]在廣州所做的單站2個月的3km分辨率模擬的相關系數相當,其24h和72h時效的相關系數分別為0.78和0.6(>100μg/m3高濃度也有所低估).

基于不同時效預報效果相當的結果和48h預報在環境氣象和空氣質量業務中得到更多應用的現狀,下文的評估僅針對48h時效進行.

2個階段的預報偏差分布形態相似(圖3),其48h概率密度峰值處PM2.5預報偏差均為負,在-10μg/m3附近,第2階段更小;大部分預報偏差為負,2個階段的比例分別為73.8%和78.1%.其中偏低50μg/m3以上的比例分別為22.3%和15.5%.整體而言,第1階段有更多的較大偏差出現,第2階段偏差的概率分布更集中.

表1 華東區域城市兩個研究時段的預報效果總體評估結果 Table 1 Summary of statistical performance of PM2.5 forecast during the two study periods over East China.

超出某一臨界時的觀測和預報散點分布分類統計也有助于定量了解模式的預報性能.圖4為2個階段綜合的48h預報與觀測散點圖及115μg/m3臨界值的離散情況.本文計算了輕度及以上、中度及以上和重度及以上污染(臨界值分別為75,115,150μg/m3)3種污染程度的預報效果.統計結果(表2)顯示,預報準確率隨臨界值的增大而上升,這個結果得益于占比最大的c的增加,而并非對高污染有更高的預報準確性.其它幾個統計結果都顯示隨污染程度的提高,預報性能呈下降趨勢:檢出率和CSI指數依次減小,空報率和漏報率依次增加,基礎評分也逐漸遠離1,因此模式對PM2.5污染的預報能力隨污染程度的加重而降低.同時,從表2中也可以看出,漏報率明顯高于空報率,其比例基本在3倍上下,說明模式對污染的預報更多是漏報,與上文的總體偏低的結果一致.從污染日的CSI指數看,本系統對PM2.5的預報效果與其在上海的1hO3相當而略低于8hO3的效果[17].

表2 不同限值下的分類檢驗結果 Table 2 PM2.5 category performance evaluated with various exceedance limit

注:a~d定義見圖4.

2.2 預報效果空間分布特征

按照前面的定義,華東區域2個階段分別有47和77個城市達到分析要求.觀測結果顯示第1階段濃度比第2階段高;2個階段華東區域各城市PM2.5平均濃度分布呈現中北部城市高南部低、內陸高沿海低的整體特征.第1階段有7個城市平均濃度超過150μg/m3,115~150μg/m3之間17個城市,占比分別為14.9%和36.2%,超過75μg/m3的城市達到39個,占比83.0%;第2階段只有6個(7.8%)城市超過115μg/m3,42個(54.5%)城市超過75μg/m3,沒有城市達到150μg/m3.

相關系數的空間分布上2個階段較為相似(圖5),均呈現中北部較高而南部較低的特征,第2階段沿海城市比內陸城市略高.預報偏差中值呈現出北部較大、南部較小的特點,同時2個階段在沿海城市的效果都好于內陸城市.均方根誤差的分布也呈現出北部較大、南部較小的形態.預報偏差中值和均方根誤差的分布形態與濃度高低具有一定的相關性.這3個指標反映出的預報性能具有明顯的區域性特征,相關系數表明華東中北部效果較好,而其他2個指標則是南部效果較好.

從相關系數上看,第1階段略高,華東所有城市均在0.5以上,第2階段則有11.7%低于0.5(表3);各城市的預報偏差多數為負偏差,2個階段都有超過90%城市的偏差中值為負,并有超過40%的偏差中值低于-20μg/m3.兩個階段多數城市的均方根誤差小于60μg/m3,其中第2階段有3/4小于40μg/m3.盡管有不少城市的反映出不小的預報誤差,但考慮到這2個階段PM2.5濃度都很高的實際,這個結果是可以接受的,事實上2個階段都有約50%城市的平均預報偏差在25%以內.

表3 2個時段不同預報效果的城市數/百分比統計 Table 3 Performance statistics in terms of absolute number and percentages of cities during the 2study periods

2.3 省會城市預報效果分析

從圖6可以看出,模式比較好預報了這些城市的PM2.5濃度日值分布,均值和主要分位值都接近于觀測.同時也反映出預報對高濃度的預報基本偏低,除南昌第2階段外其他城市和階段的預報95%分位值均低于觀測,75%分位傾向于偏低或相當.而且,對不同城市的預報效果存在明顯的差異.以中值為例,第1階段合肥的預報偏差比較大,杭州、南京和南昌也有一定偏差,濟南則非常接近;第2階段的中值偏差基本小于第1階段,但改進程度在不同城市的表現也有所差異.這些差異表明,數值預報在不同省份的預報效果存在明顯的不同.

2.4 預報偏差來源分析

預報效果評估結果顯示,數值模式對華東區域PM2.5濃度的偏差主要體現在以下2個方面:一是數值預報傾向于偏低,特別是對PM2.5高濃度的預報,基本不能預報出極大值,即數值預報對于特別嚴重的污染的預報能力比較弱;二是偏差存在較明顯的地區性差異,整體上華東北部偏低更明顯.

結合過去研究結果和本文預報系統的特點, PM2.5預報偏差可能有兩個主要來源.一個是預報系統缺少氣象-污染的雙向反饋作用的計算.盡管WRF-Chem是一個在線模式,初步具備計算氣象-大氣污染雙向反饋的能力,但其反饋作用的計算還存在較大的不確定性,特別是通過氣溶膠-云過程的間接作用.本文建立的模式系統中考慮了氣溶膠的光解作用,但其只體現了氣相和氣溶膠化學過程的相互作用,還缺少氣象-污染直接的雙向反饋.雙向反饋作用的缺失造成污染,特別是重污染時近地面風速、溫度和邊界層厚度預報偏高,垂直擴散能力偏高,從而使得污染物濃度的預報值偏低[20,26],且在不同地區有不同表現[26].此外,偏大的風速還造成污染物消散速度偏快,在一定程度上加重了偏低的程度.以上海為例(表4),2m溫度和10m風速都有良好的預報效果,但也都表現出偏大的趨勢,分別偏高1.1℃和0.6m/s,均有72%為正偏差,溫度和風速變化與王哲等[26]的研究結論一致,其傾向于造成顆粒物預報偏低.因此氣象-污染雙向反饋作用的準確計算有助于提升PM2.5的數值預報性能.

另一個重要因素是人為源清單的不確定性.華東是一個城市化進程很快的區域,人為源的排放類型和排放量處于高速變化之中,但清單編制在時效上存在滯后,對預報帶來一定的不確定性.同時,發展水平和大氣污染排放調控的力度與進度也存在地區性差異,因此由于清單時效滯后帶來的偏差在不同地區可能有不同表現,造成了預報效果的區域性差異.此外,排放源清單在空間分辨率上仍明顯落后于數值預報的需求.以本文為例,MEIC清單的分辨率大約是模式分辨率的4倍,即16個模式網格使用相同的污染物排放強度,使得模式不能夠很好描述污染物濃度分布的空間差異.因此,人為排放源清單的準確性、時效性和分辨率的不足仍然是限制大氣污染數值預報準確性提升的重要因素.

表4 上海近地面小時風速和溫度預報效果 Table 3 Forecast statistics of hourly near surface wind speed and temperature in Shanghai

3 結論

3.1 華東區域大氣環境數值預報業務系統具有較好的預報效果,兩個階段和3個時效的效果基本相當,不同階段和預報時效的相關系數基本在0.7以上;各城市的相關系數基本在0.5以上.

3.2 預報效果呈現出一定的區域性特征,相關系數在華東中北部較高,偏差中值和均方根誤差都是北部較大,后者與華東北部PM2.5濃度較高有關;兩個階段均有約50%城市的平均預報偏差在25%以內.

3.3 污染預報的CSI/TS評分達到0.55,但隨著污染程度的加重,各項分類檢驗效果呈現出下降的趨勢,空報率和漏報率增大,檢出率、CSI/TS評分、基礎評分降低.

3.4 數值預報有一定的偏低預報趨勢,約3/4呈現負偏差,平均偏低20%~30%.

3.5 以省會城市為代表的重點城市的預報效果評估表明不同城市之間的表現呈現出明顯的差異;數值模式能夠很好預報較低的細顆粒物濃度,但對高濃度(如PM2.5濃度超過150μg/m3的重污染)的預報效果較低,這與總體效果一致,同時也說明數值預報需要提升對細顆粒物重污染的預報能力.

3.6 氣象-污染的雙向反饋作用和人為排放源清單的不確定性是預報偏差的兩個可能主要來源,因此要提高數值預報的準確性,在改進人為排放源清單的同時還需要在模式中準確計算雙向反饋作用.

[1] 賀克斌,楊復沫,段鳳魁,等.大氣顆粒物與區域復合污染 [M]. 北京:科學出版社, 2011.

[2] 張小曳,孫俊英,王亞強,等.我國霧-霾成因及其治理的思考 [J]. 科學通報, 2013,13(13):1178-1187.

[3] 陳仁杰,陳秉衡,闞海東.大氣細顆粒物控制對我國城市居民期望壽命的影響 [J]. 中國環境科學, 2014,34(10):2701-2705.

[4] Geng F, Hua J, Mu Z, et al. Differentiating the associations of black carbon and fine particle with daily mortality in a Chinese city. Environ. Res. [J]. 2013,120:27-32.

[5] Hua J, Yin Y, Peng L, et al. Acute effects of black carbon and PM2.5on children asthma admissions: A time-series study in a Chinese city [J]. Sci. of the Total Environ, 2014,481(2):433-438.

[6] GB3095-2012 環境空氣質量標準 [S].

[7] 國務院.大氣污染防治行動計劃(國發[2013]37號) [Z]. 2013.

[8] 中國氣象局.《環境氣象業務發展指導意見》(氣發[2013]36號) [Z]. 2013.

[9] Byun D, Ching J, Novak J, et al. Development and implementation of the EPA’s Models-3initial operating version: Community Multi-scale Air Quanlty (CMAQ) Model, air pollution modeling and its application, vol XII, Ed. S [Z]. Gryning and N. Chaumerliac, 1997.

[10] Grell G, Peckham S, Schmitz R, et al. Fully coupled ‘‘online’’ chemistry within the WRF model [J]. Atmos. Environ., 2005,39: 6957–6975.

[11] Wang Z, Xie F, Wang X, et al. Development and application of Nested Air Quality Prediction Modeling System [J]. Chin. J. Atmos. Sci., 2006,30(5):680–689.

[12] Zhou C, Gong S, Zhang X, et al. Towards the improvements of simulating the chemical and optical properties of Chinese aerosols using an online coupled model - CUACE/Aero [J]. TELLUS B, 2012, 64, 18965.

[13] 鄧 濤,吳 兌,鄧雪嬌,等.珠三角空氣質量暨光化學煙霧數值預報系統 [J]. 環境科學與技術, 2012,36(4):62-68.

[14] 王 宏,龔山陵,張紅亮,等.新一代沙塵天氣預報系統GRAPES_CUACE/Dust:模式建立、檢驗和數值模擬 [J]. 科學通報, 2009,54(24):3878-3891.

[15] Tie X, Geng F, Peng L, et al. Measurement and Modeling of O3Variability in Shanghai, China: Application of the WRF-Chem Model [J]. Atmos. Environ., 2009,43:4289-4302.

[16] Zhou G, Yang F, Geng F, et al. Measuring and modeling aerosol: relationship with haze events in Shanghai, China [J]. Aerosol Air Qual. Res., 14:783–792,2014.

[17] 周廣強,耿福海,許建明,等.上海地區臭氧數值預報 [J]. 中國環境科學, 2015,35(6):1601-1609.

[18] 常爐予,許建明,周廣強,等.上海典型持續性PM2.5重度污染的數值模擬 [J]. 環境科學, 2016,37(3):825-833.

[19] 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期間的應用試驗 [J]. 中國環境科學, 2016,36(2):331- 341.

[20] Zhang B, Wang Y, Hao J. Simulating aerosol-radiation-cloud feedbacks on meteorology and air quality over eastern China under severe haze conditions in winter [J]. Atmos. Chem. & Phy., 2015,15(5):2387-2404.

[21] Janssensmaenhout G, Crippa M, Guizzardi D, et al. HTAP_v2.2: a mosaic of regional and global emission grid maps for 2008 and 2010 to study hemispheric transport of air pollution [J]. Atmos. Chem. & Phy., 2015,15(8):12867-12909.

[22] Streets D, T Bond, G Carmichael, et al. An inventory of gaseous and primary aerosol emissions in Asia in the year 2000 [J]. J. Geophys. Res., 2003,108:8809-8832.

[23] Donkelaar A,Martin R,Brauer M, et al. Global Estimates of Ambient Fine Particulate Matter Concentrations from Satellite-Based Aerosol Optical Depth: Development and Application [J]. Environ. Health Persp., 2010,118(6):847-855.

[24] Emmons L, S Walters, P Hess, et al. Description and evaluation of the Model for Ozone and Related chemical Tracers, version 4 (MOZART-4) [J]. Geosci. Model Dev., 2010,3:43-67.

[25] HJ633-2012 環境空氣質量指數技術規定 [S]. 2012.

[26] 王 哲,王自發,李 杰,等.氣象-化學雙向耦合模式(WRF- NAQPMS)研制及其在京津冀秋季重霾模擬中的應用 [J]. 氣候與環境研究, 2014,19(2):153?163.

致謝：感謝美國大氣研究中心(NCAR)鐵學煕(Xuexi Tie)博士、美國國家海洋與大氣局(NOAA) Georg A. Grell博士等專家在數值預報系統研發和改進過程中的幫助,清華大學提供了MEIC人為源排放清單,上海市環境科學研究院提供了上海分行業排放日變化權重.

* 責任作者, 副研究員, zhougq21@163.com

WRF-Chem based PM2.5forecast and bias analysis over the East China Region

ZHOU Guang-qiang1,2*, XIE Ying1,2, WU Jian-bin1,2, YU Zhong-qi1,2, CHANG Lu-yu1,2, GAO Wei1,2

(1.Yangtze River Delta Center for Environmental Meteorology Prediction and Warning, Shanghai 200030, China；2.Shanghai Key Laboratory of Meteorology and Health, Shanghai Meteorological Service, Shanghai 200135, China). China Environmental Science, 2016,36(8)：2251~2259

An operational forecasting system for atmospheric environment over East China was introduced in this paper. The system was established based on the WRF-Chem Model, an online coupled regional chemical transport model. Anthropogenic emission inventory was composed of MEIC and INTEX-B data. The forecasting performance for fine particles (PM2.5) was evaluated during two high-concentration time periods (November 1st, 2013~January 31st, 2014 and November 1st, 2014~January 31st, 2015). Evaluation results could be summarized with the following features. 1) The numerical forecasting system had generally good performance of regional PM2.5forecasts. The performance was comparable during the two periods and three forecast lengths of 24-hour, 48-hour, and 72-hour. The integrated correlation coefficients (s) were greater than 0.7, and CSI/TS score for PM2.5pollution days was 0.55. For the cities evaluated,s were mostly over 0.5, and about half of locations had mean biases below 25%. 2) Regional differences could be found in the performance of different cities. Better performance ofs was found over northern and central part of the domain, whereas relatively larger errors occurred over the northern areas. 3) When evaluated for pollution category and major cities, the model showed degraded performance during heavy PM2.5pollution episodes. 4) PM2.5concentrations tended to be under-estimated in general. About 3/4 of the daily biases were negative and most mean biases were between -20% and -30%. 5) Lack of feedback from pollution to meteorology as well as errors in the emission inventory were likely the main reasons leading to lower forecast capability during heavy PM2.5pollution episodes. Therefore, further improvements were required to forecast accurately under these severe conditions.

PM2.5；numerical forecast；WRF-Chem；air quality；East China Region

X513

A

1000-6923(2016)08-2251-09

周廣強(1976-),男,四川安岳人,副研究員,博士,主要從事數值模式、大氣物理與大氣環境及相關領域研究和開發工作.發表論文20余篇.

2015-12-08

國家重點研發計劃課題(2016YFC0201903)；國家科技支撐計劃課題(2014BAC16B05,2014BAC22B03);華東區域氣象科技協同創新基金合作項目(QYHZ201401);上海市氣象局研究型業務專項(YJ201407).