Himawari-8气溶胶变分同化对PM2.5污染模拟的改进
1 引言
PM2.5 污染危害人体健康[1]、降低大气能见度[2]以及对气候变化[3,4]有着重要影响。PM2.5 污染的准确模拟不仅可以为公众提供及时的预报预警, 而且能在大气污染防控中起到重要作用。
大气化学模式基于天气动力学与大气化学基础, 能够重现大气污染物在三维空间中的反应与传输过程, 是 PM2.5 数值模拟的重要手段[5]。然而, 由于 PM2.5 污染模拟的复杂性以及模式背景场 (初始场)、污染排放源等的不确定性[6-9], PM2.5 污染模拟存在着偏差, 特别是重污染期间模拟偏差更大。资料同化是结合观测资料对模式背景场 "真实" 状态的一种估计方法, 是改善大气污染物预报精度的重要途径[10-12]。以往PM2.5 污染模拟的同化资料多为地面观测资料或极轨卫星气溶胶光学厚度 (AOD) 资料。例如: Feng等[13]、Werner 等[14]通过地面观测资料与中分辨率成像光谱仪 (MODIS) AOD资料的同化实验证明了观测资料同化可减少背景场气溶胶的不确定性, 进而可改善 PM2.5 浓度的预报精度。
新一代地球静止轨道卫星Himawari-8发射于2014年12月7日, 搭载了先进光学传感器AHI (Advanced Himawari Imager), 观测区域覆盖了我国大部分地区, 与极轨卫星相比拥有更高的观测频次, 为大气污染物模拟同化提供了更加丰富的观测资料[15]。Zhang等[16]、韦海宁等[17]、赵垒等[18]使用AERONET站点观测数据对中国区域Himawari-8 AOD产品进行验证, 结果表明Himawari-8 AOD产品在中国区域有较好的精度。Hong等[19]使用初始场优化同化方法评价了Himawari-8 AOD产品估算的近地面 PM2.5 资料同化对 PM2.5 污染预报的影响, 结果表明由AOD估算得到的 PM2.5 资料同化能够改进 PM2.5 污染模拟的精度。地球静止轨道卫星AOD资料同化研究目前处于发展阶段[20,21], AOD资料的同化方法需要进一步探讨。
本文使用Himawari-8 AOD产品与气象再分析数据, 基于地理加权回归模型 (GWR) 估算了近地表 PM2.5 浓度, 利用WRF-Chem大气化学模式与GSI三维变分同化系统对 PM2.5 污染模拟进行同化实验, 进一步探讨了高时间分辨率、高空间覆盖率的地球静止轨道卫星AOD资料在 PM2.5 污染模拟同化中的应用。本文研究成果能为卫星AOD资料同化相关应用提供技术支撑。
2 数据与方法
2.1 研究区域与数据
2019年12月7―10日, 华北中南部、黄淮、江淮北部、汾渭平原、江汉和四川盆地出现大范围 PM2.5 污染, 其中河南、山东西部和河南南部均达到重污染程度。本研究基于WRF-Chem大气化学模式模拟了7―10日我国中东部地区 PM2.5 污染, 模拟区域范围为 100° E~130° E, 20° N~40° N。
地面观测 PM2.5 数据来自中国环境监测总站的全国城市空气质量实时发布系统。监测站连续自动监测系统有严格的质控技术规范与日常运行维护要求, 数据质量可靠。Himawari-8 AOD产品来自Level 3产品, 覆盖时间12月7―10日, 空间分辨率为0.05°, 由Level 2产品经过严格的质量控制后合成。在使用观测数据前, 对数据进行了极值检查与异常值检查, 剔除了无效值与异常值。
2.2 PM2.5 资料同化
基于地理回归加权模型 (GWR), 使用气象再分析场数据 [包括大气边界层高度 (PBLH)、大气相对湿度 (RH)、风场 (WINDS)] 与Himawari-8 AOD产品构建了近地面 PM2.5 浓度估算模型[22], 从而进行近地表 PM2.5 浓度的估算。
PM2.5污染模拟通过WRF-Chem模式实现。WRF-Chem模式考虑了大气污染物与气象双向反馈作用, 具有 "在线耦合" 的特点[23]。其中, 气溶胶模块选用GOCART[24], 气溶胶组成包括未分类的细粒子气溶胶 P2.5、硫酸盐 (Sulfate, 有效粒径为0.242 μm)、黑碳气溶胶 (BC1、BC2, 有效粒径为0.036 μm)、亲水性和疏水性有机质气溶胶 (OC1、OC2, 有效粒径为0.087 μm) 以及五档不同粒径的沙尘气溶胶 (D1: 0.2~2.0 μm; D2: 2.0~3.6 μm; D3: 3.6~6.0 μm; D4: 6.0~12.0 μm; D5: 12.0~20.0 μm) 与四档不同粒径的海盐气溶胶 (SS1: 0.2~1.0 μm; SS2: 1.0~3.0 μm; SS3: 3.0~10.0 μm; SS4: 10.0~20.0 μm)。PM2.5 的浓度
式中
PM2.5 观测资料 (包括由AOD估算的PM2.5资料) 的同化使用GSI三维变分同化系统。三维变分同化方法可归结为求解函数极小值问题[25], 代价函数 J 的一般形式为
式中X表示分析场, Xb表示背景场, B-1表示背景场误差协方差矩阵的逆, Y表示观测数据, H表示观测算子, R-1表示观测场误差协方差矩阵的逆。
在GSI同化系统中, 地面观测 PM2.5 资料同化的观测算子见
式中
在GSI三维变分同化系统中, PM2.5 观测浓度上限一般设为100 μg/m3, 考虑到此次污染过程 PM2.5 观测浓度远大于此, 所以调整 PM2.5 观测浓度上限至400 μg/m3。
背景场误差通过使用国家气象中心 (NMC) 方法统计获得。首先模拟2019年12月7―10日每日03:00和06:00 (UTC时间) 的48 h预报和24 h预报, 然后使用GEN_BE程序[27]计算得到。NMC方法[28]的计算公式为
式中 Xb 为背景场, Xt 为真实场,
2.3 实验设计
为探究地球静止轨道卫星Himawari-8 AOD产品估算的近地面 PM2.5 资料同化对 PM2.5 污染模拟的影响, 设计了四组 PM2.5 污染模拟实验 (参见
表 1. 同化实验方案
Table 1. Assimilation experiments scheme
|
在PM2.5污染模拟实验中, 相关参数设置为: 投影为Lambert, 区域中心坐标为 (110° E, 32° S), 网格尺度为27 km × 27 km, 水平网格个数为108 (东西方向) × 98 (南北方向), 垂直网格个数为40, 侧边界条件设置为理想大气成分。Spin-up时间设置为前5天。化学参数: 化学机制为RACM (Regional atmospheric chemistry mechanism) 方案, 光解作用方案为TUV。物理参数: 微物理方案为WMS5, 边界层方案为YSU, 积云对流参数化方案为Grell3D, 长波辐射方案为RTTM, 短波辐射方案为Goddard, 陆面过程方案为Noah。污染物排放清单数据为中国多尺度排放清单模型MEIC排放清单数据 (http://www.meicmodel.org/)。气象资料为美国国家大气中心 (NCAR) 提供的时间分辨率为6 h、空间分辨率为0.25° × 0.25°的全球天气再分析资料。
在资料同化实验中, 采用的是循环同化方法。同化时间窗口为3 h。2019年12月7日03:00同化后, 向后预报3 h作为7日06:00的同化背景场; 7日6时同化后, 向后预报20 h做为8日03:00的同化背景场, 一直循环同化预报至2019年12月10日结束。
2.4 同化效果评价方法
为定量评价资料同化对 PM2.5 污染模拟的影响, 选取了绝对平均误差 (MAE,
式中
3 结果与讨论
3.1 近地面 PM2.5 估算结果
图 1. Himawari-8 AOD产品估算的近地表PM2.5浓度空间分布。(a) 12月7日; (b) 12月8日; (c) 12月9日; (d) 12月10日
Fig. 1. The spatial distribution of PM2.5 concentration near the surface estimated by Himawari-8 AOD. (a) December 7;
图 2. Himawari-8 AOD产品估算的近地表PM2.5浓度与地面观测PM2.5浓度的比较。(a) 12月7日; (b) 12月8日; (c) 12月9日; (d) 12月10日
Fig. 2. Comparison of the near-surface PM2.5 concentration estimated by Himawari-8 AOD product and the surface-observed PM2.5 concentration. (a) December 7; (b) December 8; (c) December 9; (d) December 10
3.2 背景场PM2.5的改进效果
为探究不同实验组资料同化对PM2.5背景场的改进作用, 分别将实验组背景场PM2.5浓度与地面观测PM2.5浓度进行了对比。从
图 3. 背景场PM2.5浓度与地面观测PM2.5浓度散点图。(a) CONTROL实验; (b) AODDA实验; (c) SITEDA实验; (d) BOTHDA实验
Fig. 3. Scatter plot of PM2.5 concentration in background field and PM2.5 concentration observed on the ground. (a) CONTROL experiment; (b) AODDA experiment; (c) SITEDA experiment; (d) BOTHDA experiment
表 2. 2019年12月7―10日背景场PM2.5同化评价指标统计与评价指标统计差值
Table 2. The difference between the PM2.5 assimilation inspection index and the verification index in the background field on December 7―10,2019
|
3.3 预报场PM2.5改进的空间差异
在各组PM2.5污染模拟实验中, 每日07:00至次日02:00, 即下一次同化时刻前为PM2.5预报时段。为评价同化实验中预报场PM2.5的改进效果, 将实验中PM2.5模拟浓度与地面观测PM2.5浓度进行逐站点比较。
图 4. MAE、RMSE、r 指标空间分布。(a)―(c) CONTROL实验; (d)―(f) AODDA实验; (g)―(i) SITEDA实验; (j)―(l) BOTHDA实验
Fig. 4. The spatial distribution of MAE, RMSE and r indicators. (a)―(c) CONTROL experiment; (d)―(f) AODDA experiment; (g)―(i) SITEDA experiment; (j)―(l) BOTHDA experiment
以CONTROL实验中模拟偏差较大的西南地区、中南地区北部以及华东地区北部为例, 分析资料同化对PM2.5预报的改进作用。从
综合比较
将同化对PM2.5污染模拟的改进效果与其他学者[31]的研究结果进行了比较。在RMSE、r 指标上, 改进效果相近。但在西南地区, 其他学者同化结果表明RMSE改进的数值在10~30 μg/m3范围, 而在本研究中BOTHDA实验的提升区间在4~17 μg/m3。综上所述, 观测资料同化对PM2.5预报场的改进作用积极, 三组同
化实验改进的空间分布上较为接近。
3.4 预报场PM2.5改进的持续性
图 5. 同化实验预报改善效果的时序比较。(a) MAE; (b) RMSE; (c) r
Fig. 5. Time series comparison of assimilation experiment forecast improvement effect. (a) MAE; (b) RMSE; (c) r
从PM2.5预报的不同时段来看, 预报效果改进幅度随模拟时长的增加而增加, 12月9―10日同化改进效果要好于7―8日的改进。随着PM2.5模拟时长的增加, 预报模式积累的误差也随之增加, 表现为参照实验中的偏差指标曲线呈上升趋势, 相关性指标数值降低, 但同化改进效果却随着误差积累增加而增加。可以认为, 观测资料同化在PM2.5模拟偏差较大的时段对PM2.5预报的改进效果更好。
3.5 同化对垂直方向PM2.5的影响
PM2.5浓度不仅受到水平方向传输影响, 而且受到垂直方向上的影响。Jiang等[32]指出, 垂直方向的传输是影响同化效果的重要因素。为探究近地面观测资料同化对垂直方向PM2.5浓度的影响, 对不同实验组垂直方向的PM2.5浓度进行了统计分析。
图 6. 同化前后PM2.5垂直方向整层均值的时序比较。(a) 参照实验; (b)参照实验与AODDA的差值; (c) 参照实验与SITEDA差值; (d) 参照实验与BOTHDA差值
Fig. 6. Temporal series comparison of the vertical whole layer mean of PM2.5 before and after assimilation. (a) Reference experiment; (b) difference between reference experiment and AODA; (c) difference between reference experiment and SITEDA; (d) difference between reference experiment and BOTHDA
4 结论
使用三维变分同化系统 (GSI) 同化了由Himawari-8 AOD产品估算的近地面PM2.5资料, 设计控制实验与同化实验并结合地面观测PM2.5数据对同化效果进行了评价。主要结论: 1) 估算的PM2.5资料同化对PM2.5污染模拟的改进作用明显, 对背景场PM2.5的绝对平均误差 (MAE)、均方根误差 (RMSE) 分别改进了10.22 μg/m3、13.32 μg/m3, r较CONTROL实验提升了0.24; 对预报场PM2.5的MAE、RMSE改进区间在1~6 μg/m3;对预报场持续改进方面, MAE与RMSE改进的极大值分别为2.9 μg/m3和4.1 μg/m3, 改进均值分别为1 μg/m3和1.5 μg/m3。2) 资料同化对PM2.5模拟改进效果存在时空差异, 在西南地区、中南地区北部以及华东地区北部等CONTROL实验中模拟效果表现较差的地区改进效果更加显著; 9―10日模拟偏差较大的时段是改善效果最明显的时段。较其他研究中使用AOD观测算子直接同化AOD资料的方法, 同化AOD估算的PM2.5资料避免了AOD资料与硫酸盐、黑碳气溶胶、有机质气溶胶等PM2.5组成物质之间复杂的观测算子推演过程, 使得AOD资料的同化变得简单可行。
研究还发现, 影响同化AOD估算的PM2.5资料对PM2.5污染模拟改进效果的因素包括近地面的PM2.5的估算精度与PM2.5的垂直廓线信息。一方面可以使用深度学习、物理模型加深度学习的方式提高AOD对近地面PM2.5浓度的估算精度; 另一方面可以同化PM2.5的垂直维信息, 以改进PM2.5的模拟效果。
[1] 薛涛, 刘俊, 张强, 等. 2013~2017年中国PM2.5污染的快速改善及其健康效益[J]. 中国科学:地球科学, 2020, 04(50): 441-452.
Xue T, Liu J, Zhang Q, et al. Rapid improvement of PM2.5 pollution and associated health benefits in China during 2013―2017[J]. Science China Earth Sciences, 2020, 04(50): 441-452.
[2] 王继康, 张恒德, 桂海林, 等. 能见度与PM2.5浓度关系及其分布特征[J]. 环境科学, 2019, 40(7): 2985-2993.
Wang J K, Zhang H D, Gui H L, et al. Relationship between atmospheric visibility and PM2.5 concentrations and distributions[J]. Environmental Science, 2019, 40(7): 2985-2993.
[3] Rosenfeld D, Zhu Y N, Wang M H, et al. Aerosol-driven droplet concentrations dominate coverage and water of oceanic low-level clouds[J]. Science, 2019, 363(6427): eaav0566.
[4] 李占清. 气溶胶对中国天气、气候和环境影响综述[J]. 大气科学学报, 2020, 43(1): 76-92.
Li Z Q. Impact of aerosols on the weather, climate and environment of China: An overview[J]. Transactions of Atmospheric Sciences, 2020, 43(1): 76-92.
[5] 薛文博, 王金南, 杨金田, 等. 国内外空气质量模型研究进展[J]. 环境与可持续发展, 2013, 38(3): 14-20.
Xue W B, Wang J N, Yang J T, et al. Domestic and foreign research progress of air quality model[J]. Environment and Sustainable Development, 2013, 38(3): 14-20.
[6] Srivastava R, Bran S H. Impact of dynamical and microphysical schemes on black carbon prediction in a regional climate model over India[J]. Environmental Science and Pollution Research, 2018, 25(15): 14844-14855.
[7] Gilliam R C, Hogrefe C, Godowitch J M, et al. Impact of inherent meteorology uncertainty on air quality model predictions[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(23): 12259-12280.
[8] Derwent R G. Monte Carlo analyses of the uncertainties in the predictions from global tropospheric ozone models: Tropospheric burdens and seasonal cycles[J]. Atmospheric Environment, 2020, 231: 117545.
[9] 胡译文, 臧增亮, 马晓燕, 等. 气象资料同化对PM2.5预报影响的模拟分析[J]. 中国环境科学, 2019, 39(2): 523-532.
Hu Y W, Zang Z L, Ma X Y, et al. Research on the effects of assimilation meteorological observation data on aerosol concentration[J]. China Environmental Science, 2019, 39(2): 523-532.
[10] 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 and Physics, 2015, 15(10): 5325-5358.
[11] 朱江, 唐晓, 王自发, 等. 大气污染资料同化与应用综述[J]. 大气科学, 2018, 42(3): 607-620.
Zhu J, Tang X, Wang Z F, et al. A review of air quality data assimilation methods and their application[J]. Chinese Journal of Atmospheric Sciences, 2018, 42(3): 607-620.
[12] 李新, 刘丰, 方苗. 模型与观测的和弦: 地球系统科学中的数据同化[J]. 中国科学: 地球科学, 2020, 50(9): 1185-1194.
Li X, Liu F, Fang M. Hamonizing models and observations: Data assimilation in Earth system science[J]. Science China Earth Sciences, 2020, 50(9): 1185-1194.
[13] Feng S Z, Jiang F, Jiang Z. Impact of 3DVAR assimilation of surface PM2.5 observations on PM2.5 forecasts over China during wintertime[J]. Atmospheric Environment, 2018, 187: 34-49.
[14] Werner M, Kryza M, Pagowski M. Assimilation of PM2.5 ground base observations to two chemical schemes in WRF-Chem—The results for the winter and summer period[J]. Atmospheric Environment, 2019, 200: 178-189.
[15] Bessho K, Date K J, Hayashi M, et al. An introduction to Himawari-8/9—Japan's new-generation geostationary meteorological satellites[J]. Journal of the Meteorological Society of Japan Ser II, 2016, 94(2): 151-183.
[16] Zhang T X, Zang L, Mao F Y, et al. Evaluation of Himawari-8/AHI, MERRA-2, and CAMS aerosol products over China[J]. Remote Sensing, 2020, 12(10): 1684.
[17] 韦海宁, 王维真, 徐菲楠, 等. Himawari-8气溶胶产品的验证及应用[J]. 遥感技术与应用, 2019, 34(5): 1005-1015.
Wei H N, Wang W Z, Xu F N, et al. Evaluation and application of the Himawari-8 aerosol products[J]. Remote Sensing Technology and Application, 2019, 34(5): 1005-1015.
[18] 赵垒, 辛金元, 杨磊库, 等. Himawari-8气溶胶光学厚度产品的验证分析[J]. 大气科学, 2020, 44(3): 455-471.
Zhao L, Xin J Y, Yang L K, et al. Validation analysis of Himawari-8 aerosol optical depth products[J]. Chinese Journal of Atmospheric Sciences, 2020, 44(3): 455-471.
[19] Hong J, Mao F, Min Q. Improved PM2.5 predictions of WRF-Chem via the integration of Himawari-8 satellite data and ground observations[J]. Environmental Pollution, 2020, 263: 114451.
[20] Yumimoto K, Nagao T M, Kikuchi M, et al. Aerosol data assimilation using data from Himawari-8, a next-generation geostationary meteorological satellite[J]. Geophysical Research Letters, 2016, 43(11): 5886-5894.
[21] Xia X L, Min J, Shen F, et al. Aerosol data assimilation using data from Fengyun-4A, a next-generation geostationary meteorological satellite[J]. Atmospheric Environment, 2020, 237: 117695.
[22] Yao F, Wu J S, Li W F, et al. Estimating daily PM2.5 concentrations in Beijing using 750-m VIIRS IP AOD retrievals and a nested spatiotemporal statistical model[J]. Remote Sensing, 2019, 11(7): 841-860.
[23] Grell G A, Peckham S E, Schmitz R, et al. Fully coupled "online" chemistry within the WRF model[J]. Atmospheric Environment, 2005, 39(37): 6957-6975.
[24] Pagowski M, Grell G A, McKeen S A, et al. Three-dimensional variational data assimilation of ozone and fine particulate matter observations: Some results using the Weather Research and Forecasting-Chemistry model and Grid-point Statistical Interpolation[J]. Quarterly Journal of the Royal Meteorological Society, 2010, 136(653): 2013-2024.
[25] 马建文, 秦思娴. 数据同化算法研究现状综述[J]. 地球科学进展, 2012, 27(7): 747-757.
Ma J W, Qin S X. Recent advances and development of data assimilation algorithms[J]. Advances in Earth Science, 2012, 27(7): 747-757.
[26] Pagowski M, Liu Z, Grell G A, et al. Implementation of aerosol assimilation in gridpoint statistical interpolation (v. 3.2) and WRF-chem (v. 3.4.1)[J]. Geoscientific Model Development, 2014, 7(4): 1621-1627.
[27] Descombes G, Auligné T, Vandenberghe F, et al. Generalized background error covariance matrix model (GEN_BE v2.0)[J]. Geoscientific Model Development, 2015, 8(3): 669-696.
[28] Zang Z L, Hao Z L, Li Y, et al. Background error covariance with balance constraints for aerosol species and applications in variational data assimilation[J]. Geoscientific Model Development, 2016, 9(8): 2623-2638.
[29] 徐冉, 桂海林, 江琪, 等. 2019年12月大气环流和天气分析[J]. 气象, 2020, 46(3): 441-448.
Xu R, Gui H L, Jiang Q, et al. Analysis of the December 2019 atmospheric circulation and weather[J]. Meteorological Monthly, 2020, 46(3): 441-448.
[30] 刘林钰, 张永军, 李彦胜, 等. 基于深度学习的华东地区PM2.5浓度遥感反演[J]. 环境科学, 2020, 41(4): 1513-1519.
Liu L Y, Zhang Y J, Li Y S, et al. PM2.5 inversion using remote sensing data in Eastern China based on deep learning[J]. Environmental Science, 2020, 41(4): 1513-1519.
[31] 汪代春, 尤伟, 臧增亮, 等. 气溶胶和气态污染物三维变分协同同化[J]. 中国科学: 地球科学, 2020, 50(9): 1302-1315.
Wang D, You W, Zang Z, et al. A three-dimensional variational data assimilation system for a size-resolved aerosol model: Implementation and application for particulate matter and gaseous pollutant forecasts across China[J]. Scientia Sinica (Terrae), 2020, 50(9): 1302-1315.
[32] Jiang Z, Liu Z, Wang T, et al. Probing into the impact of 3DVAR assimilation of surface PM10 observations over China using process analysis[J]. Journal of Geophysical Research Atmospheres, 2013, 118(12): 6738-6749.
Article Outline
孙二昌, 麻金继, 吴文涵, 杨光, 郭金雨. Himawari-8气溶胶变分同化对PM2.5污染模拟的改进[J]. 大气与环境光学学报, 2023, 18(1): 59. Erchang SUN, Jinji MA, Wenhan WU, Guang YANG, Jinyu GUO. Improvement of PM2.5 predictions via variational assimilation of Himawari-8 satellite AOD product[J]. Journal of Atmospheric and Environmental Optics, 2023, 18(1): 59.