珠江三角洲SO2初始場同化試驗研究

陳懿昂,鄧雪嬌,朱 彬,鄧 濤,高郁東(1.南京信息工程大學氣象災害教育部重點實驗室,氣候與環境變化國際合作聯合實驗室,氣象災害預報預警與評估協同創新中心,中國氣象局氣溶膠與云降水重點開放實驗室,江蘇 南京 10044；.中國氣象局廣州熱帶海洋氣象研究所,廣東省區域數值天氣預報重點實驗室,廣東 廣州510080)

珠江三角洲SO2初始場同化試驗研究

陳懿昂1,2,鄧雪嬌2*,朱 彬1*,鄧 濤2,高郁東2(1.南京信息工程大學氣象災害教育部重點實驗室,氣候與環境變化國際合作聯合實驗室,氣象災害預報預警與評估協同創新中心,中國氣象局氣溶膠與云降水重點開放實驗室,江蘇 南京 210044；2.中國氣象局廣州熱帶海洋氣象研究所,廣東省區域數值天氣預報重點實驗室,廣東 廣州510080)

基于WRF-CMAQ空氣質量模式系統,采用最優插值法(OI)和集合平方根濾波法(EnSRF)對2013年12月廣東珠江三角洲地區污染物SO2進行初始場同化試驗.背景場誤差水平分布高值區主要位于江門一帶,垂直分布在邊界層內較大,400m以下基本不變,400m以上隨高度增加而遞減.對比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整了污染物濃度場的分布型態,與觀測場更為吻合,兩種方法都能為模式提供與實際更加接近的初始場.敏感性試驗表明最優插值法的最優水平尺度為 20km;同化站點和檢驗站點的均方根誤差平均下降率分別達到73%和39%.

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

近年來,基于CMAQ模式的區域尺度空氣質量預報業務已在珠江三角洲廣泛地開展,能對空氣質量做出較好預報[1-3],但由于模式存在多種不確定性,預報的準確度和時效性受到不同程度影響.改善模擬效果的途徑之一就是應用資料同化方法.

資料同化是在20世紀60年代隨著氣象數值模式發展而發展起來,它是通過最優估計算法將觀測與數值模式信息相結合以獲得一個更為真實的系統狀態,在氣象、海洋領域不斷發展和完善并已廣泛應用.而大氣化學領域的資料同化研究在20世紀90年代才開始,從簡單插值方法逐漸發展到考慮誤差協方差演變的高級方法,學者們采用了不同方法對模式初始場進行優化,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]分別采用最優插值法(OI)對韓國和歐洲的 PM10進行同化優化試驗,Li等[6]和Jiang等[7]對WRF-Chem模式中不同氣溶膠方案進行了三維變分同化試驗,Pagowski等[8]對比了三維變分(3D-Var)和集合卡爾曼濾波(EnKF)對WRF-Chem模擬O3和PM2.5的優化效果.Wu等[9]對比4種不同方法(OI、EnKF、RRSQRT、4D-Var)對O3初始場及預報的優化效果,結果表明OI同化優化初始場的效果最好,而EnKF對模擬預報的優化最優.資料同化的應用也從初始條件延伸到了排放源、物理方案參數化等多種不確定性的修正約束.Elbern等[10]擴展EURAD模式的四維變分(4D-Var)同化系統以同時調整初始場及物種的排放通量,效果優于單純調整初始場, Vira等[11-12]對 SILAM 化學傳輸模式進行了考慮初始場和首要污染物排放源的同化試驗.目前大氣化學資料同化研究是國際上的一個研究熱點[13-14],中國很多學者也逐漸加入這個研究行列中[15-18],對不同地區的污染物進行了同化分析試驗.唐曉等[19-20]利用 EnKF對 O3、NOx和VOCs的進行初始場及排放源的敏感性實驗,探究其對北京及周邊地區 O3預報的改進效果,靳璐濱等[21]利用 3D-Var對青奧會期間南京地區PM2.5和PM10進行同時同化試驗.張金譜等[22]探討集合最優插值方法(EnOI)對珠江三角洲地區PM10、NO2和SO2初始場的修正能力.

OI法簡單、計算量小,但其假設背景場誤差協方差是定常.對于集合平方根濾波法 EnSRF而言,背景場協方差是隨時間而變,通過集合預報來統計得出,但其計算量大.本文嘗試采用 OI法和EnSRF法開展珠江三角洲SO2初始場同化試驗研究,結合地面觀測站 SO2數據改進CMAQ的初始場,并對同化站點數與站點影響范圍的最優水平尺度進行敏感性分析,以期為珠江三角洲空氣質量模式提供更精確的初始場建立同化技術方法.

1 所用模式及資料

本研究所采用的是 WRF-CMAQ[23-24]空氣質量模型系統,模式采用三重嵌套網格,以廣州為模擬區域中心,第一區域為東亞地區,網格數為182×138,第二區域包括整個華南地區,網格數為98×74,第三區域為珠江三角洲地區,網格數為152×110,水平分辨率分別是27、9和3km,同化區域是第三區域.排放源用的是MEIC2010年的排放清單.

圖1 珠江三角洲區域觀測站點分布Fig.1 Distribution of the Pearl River Delta regional observation stations

觀測資料來源于廣東省環境監測中心,包括珠江三角洲地區共58個觀測站點2013年12月污染物SO2每日逐時濃度值數據.其中包括16個為粵港澳珠江三角洲區域空氣監測網絡站點,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),站點位置如圖1所示.對于同化站點的選擇,要綜合考慮站點覆蓋范圍,數據代表性和數據質量等因素,這里以粵港澳珠江三角洲區域空氣監測網絡站點為主,再增加部分站點作為同化站點.參考張金譜的研究[22],試驗中設置較多檢驗站點以避免代表性不足對同化整體效果的錯誤分析.

2 方法介紹

本文選用OI法和EnSRF法,兩者最主要的區別在于背景場誤差的計算.OI法是由Eliassen[25]提出的,在統計意義上通過使分析方差最小來得到最優分析值,其計算復雜度和計算量較小,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的集合卡爾曼濾波,通過有限樣本來計算背景場誤差協方差,計算量較大,背景場誤差隨時間而變.

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預報場;yo為觀測場;H為觀測算子,將狀態量從模式空間轉換到觀測空間;Bb表示背景場誤差協方差矩陣;R表示觀測場誤差協方差矩陣,這里不考慮站點間的相關性,所以R為對角矩陣,以觀測值的 10%作為觀測誤差[17];K 為結合了背景誤差協方差和觀測誤差協方差得到的權重算子;N為樣本個數,本文中樣本數為30個;上標“T”和“-1”分別表示矩陣的轉置和求逆,上標“-”和“’”分別表示樣本平均和樣本偏差.

背景誤差協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,對于最優插值法,這里采用 National Meteorological Center(NMC)[27]的方法來計算背景場誤差協方差,即利用同一時刻的兩個不同預報時效的預報結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預報場,將這兩個預報場作差以得到背景誤差場.將其分解為誤差標準差矩陣和相關系數矩陣兩部分,對于相關系數矩陣,又可分水平和垂直相關,這里進行地面同化,所以僅考慮水平相關系數 Cx,采用一維的高斯分布函數來表示,假設水平各向同性,其中 xΔ 表示兩點間的水平距離,L表示相關系數的消減尺度.而對于集合平方根濾波法,則是利用集合樣本來計算,樣本的生成方法參考Evensen[28]提出的三維隨機場生成方法,生成均值為0,方差為1的隨機擾動場,將初始值加上一定大小的擾動形成N個初始樣本,進行一定時間的集合預報,得到背景場.

3 結果與討論

3.1 模式性能評估

先對WRF-CMAQ在所選時間段的模擬情況進行效果評估,對2013年12月1～25日SO2的日均濃度在全部站點的模擬效果統計分析,從平均標準誤差(NMB)上看,其極值體現了模式在不同站點模擬偏離程度的極端情況,可知同時存在偏高和偏低的情況,均值為 61%,說明模式對SO2的模擬整體偏高.相關系數(R)均值達到0.75,但仍有站點僅為 0.34,說明模式對不同區域的模擬具有不穩定性.按照不同區域對站點進行評估,也可以發現模式對于廣佛地區的模擬較好,對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計分析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市交界處有一個高值區,深圳市也有一個高值區,而通過 NMC方法統計得到 SO2的背景場誤差標準差的區域分布(圖 2b)與濃度場分布類似,但是高值區的對應不是很好,誤差標準差的高值區主要位于區域南部江門一帶.OI法的背景場誤差為靜態,不隨時間變化,而EnSRF法的背景場誤差是動態的,隨模式積分而更新,理論上要優于 OI法的背景場誤差.圖3是通過集合計算出來的12月9～11日的誤差標準差,可見其分布型態是隨時間變化的.背景場整體濃度大小10日＞11日＞9日,整體的誤差標準差大小也是10日＞11日＞9日,即誤差變化趨勢與濃度變化一致.而兩種方法計算所得的誤差高值區都主要位于區域南部江門一帶,說明模式對此處的模擬不確定性較大.

圖3 12月9～11日的誤差標準差分布Fig.3 Distribution of the standard error from Dec 9 to Dec 11

圖 4是背景場誤差標準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內混合比較均勻,分布范圍大概能達到4km左右的高度,這與其物理化學性質的穩定性有關,是影響它傳播尺度的因素之一.而背景場誤差標準差也有相似的變化趨勢,誤差標準差越大,說明模式對SO2模擬的不確定性越大,可以看出誤差標準差在邊界層內,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,邊界層內湍流運動強且復雜,而且 SO2的化學性質活潑,易與其它物質發生化學反應生成二次污染物,這些物理化學變化都影響著 SO2濃度的變化,所以其在邊界層內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站點的MAGE(上)與RMSE(下)對比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12月9～11日 0:00模式初始場進行同化試驗,共同化了 31個觀測站點(圖1中●+○)數據.從統計上看,2種方法同化后站點誤差均有所下降,平均絕對偏差(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,但在不同區域站點的同化效果各有優劣.圖5是2種方法同化前后站點的MAGE和RMSE對比,其中2種方法對江門地區的同化效果都比較差,這與江門地區所選同化站點區域代表性有關.OI法對佛山地區站點的同化效果要優于 EnSRF法,OI法同化后在廣州地區部分站點出現 RMSE反而增大的現象,EnSRF則不會出現這種情況,其余大部分地區EnSRF法優化效果比 OI法略好.從濃度區域分布圖可見,模式對SO2濃度模擬整體偏高,背景場從中部往西南部存在高值區,而且從多個不同時次的背景場中發現污染物分布型態基本一致,高值區基本也都位于這一區域,這可能與排放源、氣象場的風向風速模擬以及模式自身誤差相關.通過 2種不同方法進行同化后,濃度場的分布均發生了變化,原高值區域的濃度有了不同程度的下降,同化后高值區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,使得同化對背景場的調整力度不一樣,如 10日的肇慶區域(圖6),從背景場誤差上(圖2b與圖3b)EnSRF法的比OI法的大,導致分析增量比較大,使得EnSRF法同化后此區域濃度變得比較低,從統計上看在這個區域EnSRF法的整體效果要優于OI法.上述結果表明,OI和EnSRF2種方法都能提供一個與實際更接近的初始場.

表2 不同方法同化結果統計(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 敏感性試驗分析

上述試驗中EnSRF法與OI法優化效果相近,且OI法計算量較小,所以在此采用OI法進行同化敏感性試驗分析.同化試驗中需要考慮同化站點的選擇及水平相關尺度L的設置,因為站點分布疏密及區域代表性好壞和水平尺度大小是否合適都對同化效果的優劣有所影響,所以下面分別對這兩個方面進行了敏感性試驗.

在選擇同化站點時進行了 3次試驗(這里水平相關尺度L均取20km),以粵港澳珠江三角洲洲區域監測網絡的16個站點為主,考慮站點的覆蓋范圍,分別同化了16個(圖1中●)、31個(圖1中●+○)和全部58個(圖1中●+○+△)站點的觀測.以3次試驗中相同的同化站點(即圖1中●)和檢驗站點(即圖1中△)進行統計對比(全部站點參與同化時沒有檢驗站點,圖7b中圖例58的數據可用來對比站點同化與未同化的差別),由圖7a可見,3次試驗中同化站點的均方根誤差(RMSE)均比未同化時有較大減小.從統計上看,隨著站點數的增加,同化站點的RMSE越大,但這不表明同化站點數越多所得到的分析場反而不好.例如同化站點相鄰比較近的時候,同化更多站點時所得分析場,是受更多觀測值影響的加權平均,所以統計所得的RMSE會比同化少數站點時大.增加觀測資料,如31個站點的試驗,增加了站點覆蓋面,有利于站點附近的改進,而對于58個站點的試驗,站點分布較密區域雖然受到共同影響,RMSE有所增加,但同時也可以減小觀測資料代表性不好的影響.同化站點選擇的最優化,除了考慮覆蓋面和區域代表性,還需通過預報場進一步檢驗,這也是下一步要開展的研究.不同同化站點間會相互影響,特別當站點數多且站點間距離較近時影響更深,所以需通過設置合適水平相關尺度,使得站點間的影響合理化,從而使同化效果最優化.

水平相關尺度L的大小決定著同化站點的影響范圍,如果設置過小,觀測分布稀疏地區的很多區域不能得到有效更新,不能充分利用觀測數據,如果設置過大,則觀測站影響區域偏大,可能生成與事實不符的分析場,反而使得同化效果下降.本文選取了不同水平相關尺度對2013年12月每日0:00(世界時)的SO2預報場進行同化試驗,同化站點與上面同化站點數為31的站點一致,再對同化站點和檢驗站點進行統計對比,以選出此試驗時段的最優水平尺度,因為不同站點模式值與觀測值的偏差有正有負,所以這里采用平均絕對偏差(MAGE)和均方根誤差(RMSE)進行統計.

圖7 同化不同數目觀測值的RMSE對比Fig.7 Comparisons of RMSE with assimilating different number of observations

表3 不同水平相關尺度同化結果統計(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.對于同化站點,隨著相關尺度的增加,MAGE和 RMSE均變大,這可能是因為隨相關尺度的增大,觀測站點能影響的范圍變大,加深了不同站點間的相互影響,使得同化站點受到更多站點的影響,當站點間差異較大時,就使得同化效果下降.對于檢驗站點,背景場的RMSE約為29.5μg/m3,相關尺度為10km、20km和30km時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,偏差也隨著相關尺度的變大而增加.若水平尺度取 10km,則同化站點調整的區域范圍較小,如江門市觀測站點分布稀疏的這種情況,大部分區域不能得到有效的更新,所以綜合上面結果取這次試驗的最優水平尺度為20km.

表4 同化站點及檢驗站點同化前后RMSE對比Table 4 Comparisons of RMSE before and after assimilation at assimilation sites and validation sites

圖8 同化站點同化前后RMSE對比Fig.8 Comparisons of RMSE before and after assimilation at assimilation sites

以水平尺度為20km且同化了31個站點的同化結果來進行分析.圖8展示了SO2在各個同化站點同化前后的RMSE對比情況,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,端芬站所在江門區域誤差較大,且觀測誤差較小,所以同化過程對觀測值比較信任,而下降比例最低的佛山三水監測站剛好相反,位于源排放較強的區域,試驗時段的觀測值較大,按觀測值的10%為觀測誤差的設置,觀測誤差較大,而背景誤差較小,導致同化效果較差,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在各個檢驗站點同化前后的RMSE對比情況,可見檢驗站點的優化效果小于同化站點,其中大部分站點具有不同程度的下降,但有個別站點出現了同化后 RMSE反而上升的現象,以江門地區站點尤為明顯,對比江門地區同化的東湖站與其周圍檢驗站點觀測均值可以發現,周圍檢驗站點濃度偏高,而東湖站的濃度值較低,且它的同化效果較好,所以將背景場這個區域濃度值調整得偏低,導致了其他站點的模式值與觀測值的誤差變大,這也說明在這段時間的東湖站區域代表性較差.圖 10是同化前后同化站點SO2模式值與觀測值的散點圖,站點在同化后相關性有較大提高.圖 10b右下角的離散點位于佛山三水地區,正如前面分析,佛山區域背景場誤差估算較小,而觀測值較大使得觀測誤差較大,所以分析對模式結果較信任,使得同化觀測雖有所優化,但效果較弱.

圖9 檢驗站點同化前后RMSE對比Fig.9 Comparisons of RMSE before and after assimilation at validation sites

本研究還存在一些不足之處,需要對觀測誤差進行更精確的估算,這里只是對EnSRF方法的初步嘗試,擾動生成樣本方式及很多相關參數如集合樣本數,局地化尺度及資料同化的質量控制等還需進行進一步敏感性試驗來最優化.需要進行更長時間的同化試驗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圖Fig.10 Scatter diagram of model value and observation value before and after assimilation

4 結論

4.1 基于珠江三角洲地區SO21個月的預報結果和集合預報結果統計分析表明背景場誤差高值區主要位于江門一帶,集合預報所得背景場誤差的變化趨勢與濃度場變化趨勢一致.模式對邊界層內特別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自身物理化學性質有關.

4.2 集合平方根濾波對SO2初始場的優化效果與最優插值法的結果相近,同化觀測資料對模式濃度值有不同程度的調整,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 通過敏感性試驗確定了此次試驗的最優水平尺度為20km.SO2初始場經OI法同化所得分析值更接近觀測值,站點的均方根誤差(RMSE)和平均絕對偏差(MAGE)均有所下降,其中同化站點和檢驗站點的RMSE平均分別下降73%和39%.從同化不同數目觀測資料試驗的統計上看,受到更多站點的共同影響,同化站點的RMSE隨著同化站點數的增多而增大,但相比于未同化時的RMSE均有所優化.

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

[2] 鄧 濤,吳 兌,鄧雪嬌,等.珠江三角洲空氣質量暨光化學煙霧數值預報系統 [J]. 環境科學與技術, 2013,36(4):62-68.

[3] 鄧 濤,鄧雪嬌,吳 兌,等.珠江三角洲灰霾數值預報模式與業務運行評估 [J]. 氣象科技進展: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] 崔應杰,王自發,朱 江,等.空氣質量數值模式預報中資料同化的初步研究 [J]. 氣候與環境研究, 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值預報中的應用研究 [J]. 環境科學, 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,等.基于集合卡爾曼濾波的區域臭氧資料同化試驗 [J]. 環境科學學報, 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期間的應用試驗 [J]. 中國環境科學, 2016,36(2):331-341.

[22] 張金譜,胡嘉鏜,王雪梅.集合最優插值同化方法在珠江三角洲空氣質量模擬中的初步應用 [J]. 環境科學學報, 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,南京信息工程大學碩士研究生,主要從事大氣化學大氣環境方向研究.

2016-09-18

國家自然科學基金資助項目(41475105);國家科技支撐計劃課題(2014BAC16B06);科技部公益性(氣象)行業項目(GYHY201306042);中國氣象局氣候變化專項項目(CCSF201531);廣東省科技計劃項目(2015A020215020);廣東省氣象局科技創新團隊計劃項目(201506)

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