珠江三角洲SO2初始场同化试验研究

陈懿昂,邓雪娇,朱 彬,邓 涛,高郁东(1.南京信息工程大学气象灾害教育部重点实验室,气候与环境变化国际合作联合实验室,气象灾害预报预警与评估协同创新中心,中国气象局气溶胶与云降水重点开放实验室,江苏 南京 10044；.中国气象局广州热带海洋气象研究所,广东省区域数值天气预报重点实验室,广东 广州510080)

珠江三角洲SO2初始场同化试验研究

陈懿昂1,2,邓雪娇2*,朱 彬1*,邓 涛2,高郁东2(1.南京信息工程大学气象灾害教育部重点实验室,气候与环境变化国际合作联合实验室,气象灾害预报预警与评估协同创新中心,中国气象局气溶胶与云降水重点开放实验室,江苏 南京 210044；2.中国气象局广州热带海洋气象研究所,广东省区域数值天气预报重点实验室,广东 广州510080)

基于WRF-CMAQ空气质量模式系统,采用最优插值法(OI)和集合平方根滤波法(EnSRF)对2013年12月广东珠江三角洲地区污染物SO2进行初始场同化试验.背景场误差水平分布高值区主要位于江门一带,垂直分布在边界层内较大,400m以下基本不变,400m以上随高度增加而递减.对比OI与EnSRF两种方法同化前后SO2浓度场变化,表明同化观测资料调整了污染物浓度场的分布型态,与观测场更为吻合,两种方法都能为模式提供与实际更加接近的初始场.敏感性试验表明最优插值法的最优水平尺度为 20km;同化站点和检验站点的均方根误差平均下降率分别达到73%和39%.

资料同化；SO2；最优插值法(OI)；集合平方根滤波法(EnSRF)；珠江三角洲

近年来,基于CMAQ模式的区域尺度空气质量预报业务已在珠江三角洲广泛地开展,能对空气质量做出较好预报[1-3],但由于模式存在多种不确定性,预报的准确度和时效性受到不同程度影响.改善模拟效果的途径之一就是应用资料同化方法.

资料同化是在20世纪60年代随着气象数值模式发展而发展起来,它是通过最优估计算法将观测与数值模式信息相结合以获得一个更为真实的系统状态,在气象、海洋领域不断发展和完善并已广泛应用.而大气化学领域的资料同化研究在20世纪90年代才开始,从简单插值方法逐渐发展到考虑误差协方差演变的高级方法,学者们采用了不同方法对模式初始场进行优化,研究的污染物主要以 O3和气溶胶颗粒物为主.Lee[4]和 Tombetted等[5]分别采用最优插值法(OI)对韩国和欧洲的 PM10进行同化优化试验,Li等[6]和Jiang等[7]对WRF-Chem模式中不同气溶胶方案进行了三维变分同化试验,Pagowski等[8]对比了三维变分(3D-Var)和集合卡尔曼滤波(EnKF)对WRF-Chem模拟O3和PM2.5的优化效果.Wu等[9]对比4种不同方法(OI、EnKF、RRSQRT、4D-Var)对O3初始场及预报的优化效果,结果表明OI同化优化初始场的效果最好,而EnKF对模拟预报的优化最优.资料同化的应用也从初始条件延伸到了排放源、物理方案参数化等多种不确定性的修正约束.Elbern等[10]扩展EURAD模式的四维变分(4D-Var)同化系统以同时调整初始场及物种的排放通量,效果优于单纯调整初始场, Vira等[11-12]对 SILAM 化学传输模式进行了考虑初始场和首要污染物排放源的同化试验.目前大气化学资料同化研究是国际上的一个研究热点[13-14],中国很多学者也逐渐加入这个研究行列中[15-18],对不同地区的污染物进行了同化分析试验.唐晓等[19-20]利用 EnKF对 O3、NOx和VOCs的进行初始场及排放源的敏感性实验,探究其对北京及周边地区 O3预报的改进效果,靳璐滨等[21]利用 3D-Var对青奥会期间南京地区PM2.5和PM10进行同时同化试验.张金谱等[22]探讨集合最优插值方法(EnOI)对珠江三角洲地区PM10、NO2和SO2初始场的修正能力.

OI法简单、计算量小,但其假设背景场误差协方差是定常.对于集合平方根滤波法 EnSRF而言,背景场协方差是随时间而变,通过集合预报来统计得出,但其计算量大.本文尝试采用 OI法和EnSRF法开展珠江三角洲SO2初始场同化试验研究,结合地面观测站 SO2数据改进CMAQ的初始场,并对同化站点数与站点影响范围的最优水平尺度进行敏感性分析,以期为珠江三角洲空气质量模式提供更精确的初始场建立同化技术方法.

1 所用模式及资料

本研究所采用的是 WRF-CMAQ[23-24]空气质量模型系统,模式采用三重嵌套网格,以广州为模拟区域中心,第一区域为东亚地区,网格数为182×138,第二区域包括整个华南地区,网格数为98×74,第三区域为珠江三角洲地区,网格数为152×110,水平分辨率分别是27、9和3km,同化区域是第三区域.排放源用的是MEIC2010年的排放清单.

图1 珠江三角洲区域观测站点分布Fig.1 Distribution of the Pearl River Delta regional observation stations

观测资料来源于广东省环境监测中心,包括珠江三角洲地区共58个观测站点2013年12月污染物SO2每日逐时浓度值数据.其中包括16个为粤港澳珠江三角洲区域空气监测网络站点,分别为广州的天湖(TH)、磨碟沙(MDS)、竹洞(ZD)、麓湖(LH)、深圳荔园(LY)、珠海唐家(TJ)、佛山的惠景城(HJC)、金桔咀(JJJ)、江门的端芬(DF)、东湖(DH)、肇庆城中子站(CZZ)、惠州的下埔(XP)、金果湾(JGW)、西角(XJ)、东莞南城元岭(NCYL)、中山紫马岭(ZML),站点位置如图1所示.对于同化站点的选择,要综合考虑站点覆盖范围,数据代表性和数据质量等因素,这里以粤港澳珠江三角洲区域空气监测网络站点为主,再增加部分站点作为同化站点.参考张金谱的研究[22],试验中设置较多检验站点以避免代表性不足对同化整体效果的错误分析.

2 方法介绍

本文选用OI法和EnSRF法,两者最主要的区别在于背景场误差的计算.OI法是由Eliassen[25]提出的,在统计意义上通过使分析方差最小来得到最优分析值,其计算复杂度和计算量较小,背景场误差定常.EnSRF法是由Whitaker和 Hamill[26]提出的不加入观测扰动的集合卡尔曼滤波,通过有限样本来计算背景场误差协方差,计算量较大,背景场误差随时间而变.

两种方法的基本公式如下:

EnSRF式中:

xa为同化后分析场;xb为背景场;xf12和 xf24分别表示12h和24h预报场;yo为观测场;H为观测算子,将状态量从模式空间转换到观测空间;Bb表示背景场误差协方差矩阵;R表示观测场误差协方差矩阵,这里不考虑站点间的相关性,所以R为对角矩阵,以观测值的 10%作为观测误差[17];K 为结合了背景误差协方差和观测误差协方差得到的权重算子;N为样本个数,本文中样本数为30个;上标“T”和“-1”分别表示矩阵的转置和求逆,上标“-”和“’”分别表示样本平均和样本偏差.

背景误差协方差是资料同化的核心部分,它决定着观测信息在同化分析中的传播,对于最优插值法,这里采用 National Meteorological Center(NMC)[27]的方法来计算背景场误差协方差,即利用同一时刻的两个不同预报时效的预报结果之差来表示背景场误差,模式资料包括了2013年12月01～30日12h和24h的0:00预报场,将这两个预报场作差以得到背景误差场.将其分解为误差标准差矩阵和相关系数矩阵两部分,对于相关系数矩阵,又可分水平和垂直相关,这里进行地面同化,所以仅考虑水平相关系数 Cx,采用一维的高斯分布函数来表示,假设水平各向同性,其中 xΔ 表示两点间的水平距离,L表示相关系数的消减尺度.而对于集合平方根滤波法,则是利用集合样本来计算,样本的生成方法参考Evensen[28]提出的三维随机场生成方法,生成均值为0,方差为1的随机扰动场,将初始值加上一定大小的扰动形成N个初始样本,进行一定时间的集合预报,得到背景场.

3 结果与讨论

3.1 模式性能评估

先对WRF-CMAQ在所选时间段的模拟情况进行效果评估,对2013年12月1～25日SO2的日均浓度在全部站点的模拟效果统计分析,从平均标准误差(NMB)上看,其极值体现了模式在不同站点模拟偏离程度的极端情况,可知同时存在偏高和偏低的情况,均值为 61%,说明模式对SO2的模拟整体偏高.相关系数(R)均值达到0.75,但仍有站点仅为 0.34,说明模式对不同区域的模拟具有不稳定性.按照不同区域对站点进行评估,也可以发现模式对于广佛地区的模拟较好,对于珠海深圳等地的模拟效果较差.

表1 SO2日均浓度模拟效果统计分析Table 1 Statistical analyses of modelling performance on daily mean SO2

3.2 背景场分析

图2 SO2浓度在模式第一层分布Fig.2 Distribution of the SO2concentration at the first model level

图2a是SO2的第一层月平均浓度分布,可见在佛山、江门和中山3市交界处有一个高值区,深圳市也有一个高值区,而通过 NMC方法统计得到 SO2的背景场误差标准差的区域分布(图 2b)与浓度场分布类似,但是高值区的对应不是很好,误差标准差的高值区主要位于区域南部江门一带.OI法的背景场误差为静态,不随时间变化,而EnSRF法的背景场误差是动态的,随模式积分而更新,理论上要优于 OI法的背景场误差.图3是通过集合计算出来的12月9～11日的误差标准差,可见其分布型态是随时间变化的.背景场整体浓度大小10日＞11日＞9日,整体的误差标准差大小也是10日＞11日＞9日,即误差变化趋势与浓度变化一致.而两种方法计算所得的误差高值区都主要位于区域南部江门一带,说明模式对此处的模拟不确定性较大.

图3 12月9～11日的误差标准差分布Fig.3 Distribution of the standard error from Dec 9 to Dec 11

图 4是背景场误差标准差和平均浓度的垂直廓线,从中可见SO2的平均浓度在400m以下基本维持不变,从 400m往上,浓度值随高度的升高迅速递减,到4km左右的高度浓度值几乎为0,说明SO2在垂直方向400m内混合比较均匀,分布范围大概能达到4km左右的高度,这与其物理化学性质的稳定性有关,是影响它传播尺度的因素之一.而背景场误差标准差也有相似的变化趋势,误差标准差越大,说明模式对SO2模拟的不确定性越大,可以看出误差标准差在边界层内,特别在400m以下比较大,这是由于SO2主要来自近地面的各种源排放,边界层内湍流运动强且复杂,而且 SO2的化学性质活泼,易与其它物质发生化学反应生成二次污染物,这些物理化学变化都影响着 SO2浓度的变化,所以其在边界层内的模拟不确定性较大.

图4 SO2垂直廓线图Fig.4 Vertical profile of SO2

3.3 OI与EnSRF同化效果分析

图5 不同方法同化前后检验站点的MAGE(上)与RMSE(下)对比Fig.5 Comparisons of MAGE(top) and RMSE(bottom) before and after assimilation using different methods

采用OI法和EnSRF法分别对12月9～11日 0:00模式初始场进行同化试验,共同化了 31个观测站点(图1中●+○)数据.从统计上看,2种方法同化后站点误差均有所下降,平均绝对偏差(MAGE)和均方根误差(RMSE)平均分别从33和39µg/m3下降到17和21µg/m3左右(表2),EnSRF法的整体效果要略好于OI法,但在不同区域站点的同化效果各有优劣.图5是2种方法同化前后站点的MAGE和RMSE对比,其中2种方法对江门地区的同化效果都比较差,这与江门地区所选同化站点区域代表性有关.OI法对佛山地区站点的同化效果要优于 EnSRF法,OI法同化后在广州地区部分站点出现 RMSE反而增大的现象,EnSRF则不会出现这种情况,其余大部分地区EnSRF法优化效果比 OI法略好.从浓度区域分布图可见,模式对SO2浓度模拟整体偏高,背景场从中部往西南部存在高值区,而且从多个不同时次的背景场中发现污染物分布型态基本一致,高值区基本也都位于这一区域,这可能与排放源、气象场的风向风速模拟以及模式自身误差相关.通过 2种不同方法进行同化后,浓度场的分布均发生了变化,原高值区域的浓度有了不同程度的下降,同化后高值区主要位于广州北部及江门与佛山交界处,与观测场浓度更加贴近.但由于2种方法背景场误差的大小存在差异,使得同化对背景场的调整力度不一样,如 10日的肇庆区域(图6),从背景场误差上(图2b与图3b)EnSRF法的比OI法的大,导致分析增量比较大,使得EnSRF法同化后此区域浓度变得比较低,从统计上看在这个区域EnSRF法的整体效果要优于OI法.上述结果表明,OI和EnSRF2种方法都能提供一个与实际更接近的初始场.

表2 不同方法同化结果统计(µg/m3)Table 2 Statistics of the different assimilation methods (µg/m3)

图6 SO2浓度场(a背景场 b OI分析场 c EnSRF分析场µg/m3)Fig.6 SO2concentration fields (a background field b OI analysis field c EnSRF analysis field µg/m3)

3.4 敏感性试验分析

上述试验中EnSRF法与OI法优化效果相近,且OI法计算量较小,所以在此采用OI法进行同化敏感性试验分析.同化试验中需要考虑同化站点的选择及水平相关尺度L的设置,因为站点分布疏密及区域代表性好坏和水平尺度大小是否合适都对同化效果的优劣有所影响,所以下面分别对这两个方面进行了敏感性试验.

在选择同化站点时进行了 3次试验(这里水平相关尺度L均取20km),以粤港澳珠江三角洲洲区域监测网络的16个站点为主,考虑站点的覆盖范围,分别同化了16个(图1中●)、31个(图1中●+○)和全部58个(图1中●+○+△)站点的观测.以3次试验中相同的同化站点(即图1中●)和检验站点(即图1中△)进行统计对比(全部站点参与同化时没有检验站点,图7b中图例58的数据可用来对比站点同化与未同化的差别),由图7a可见,3次试验中同化站点的均方根误差(RMSE)均比未同化时有较大减小.从统计上看,随着站点数的增加,同化站点的RMSE越大,但这不表明同化站点数越多所得到的分析场反而不好.例如同化站点相邻比较近的时候,同化更多站点时所得分析场,是受更多观测值影响的加权平均,所以统计所得的RMSE会比同化少数站点时大.增加观测资料,如31个站点的试验,增加了站点覆盖面,有利于站点附近的改进,而对于58个站点的试验,站点分布较密区域虽然受到共同影响,RMSE有所增加,但同时也可以减小观测资料代表性不好的影响.同化站点选择的最优化,除了考虑覆盖面和区域代表性,还需通过预报场进一步检验,这也是下一步要开展的研究.不同同化站点间会相互影响,特别当站点数多且站点间距离较近时影响更深,所以需通过设置合适水平相关尺度,使得站点间的影响合理化,从而使同化效果最优化.

水平相关尺度L的大小决定着同化站点的影响范围,如果设置过小,观测分布稀疏地区的很多区域不能得到有效更新,不能充分利用观测数据,如果设置过大,则观测站影响区域偏大,可能生成与事实不符的分析场,反而使得同化效果下降.本文选取了不同水平相关尺度对2013年12月每日0:00(世界时)的SO2预报场进行同化试验,同化站点与上面同化站点数为31的站点一致,再对同化站点和检验站点进行统计对比,以选出此试验时段的最优水平尺度,因为不同站点模式值与观测值的偏差有正有负,所以这里采用平均绝对偏差(MAGE)和均方根误差(RMSE)进行统计.

图7 同化不同数目观测值的RMSE对比Fig.7 Comparisons of RMSE with assimilating different number of observations

表3 不同水平相关尺度同化结果统计(µg/m3)Table 3 Statistics of the assimilation result with different horizontal correlation scale (µg/m3)

从表 3中可见,采用不同尺度得到的分析场的MAGE和RMSE均小于背景场.对于同化站点,随着相关尺度的增加,MAGE和 RMSE均变大,这可能是因为随相关尺度的增大,观测站点能影响的范围变大,加深了不同站点间的相互影响,使得同化站点受到更多站点的影响,当站点间差异较大时,就使得同化效果下降.对于检验站点,背景场的RMSE约为29.5µg/m3,相关尺度为10km、20km和30km时的同化效果差别不大,RMSE减少到17.7µg/m3左右,其中20km的RMSE较小,为17.6µg/m3,偏差也随着相关尺度的变大而增加.若水平尺度取 10km,则同化站点调整的区域范围较小,如江门市观测站点分布稀疏的这种情况,大部分区域不能得到有效的更新,所以综合上面结果取这次试验的最优水平尺度为20km.

表4 同化站点及检验站点同化前后RMSE对比Table 4 Comparisons of RMSE before and after assimilation at assimilation sites and validation sites

图8 同化站点同化前后RMSE对比Fig.8 Comparisons of RMSE before and after assimilation at assimilation sites

以水平尺度为20km且同化了31个站点的同化结果来进行分析.图8展示了SO2在各个同化站点同化前后的RMSE对比情况,可见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,从背景场误差分布上可以看出,端芬站所在江门区域误差较大,且观测误差较小,所以同化过程对观测值比较信任,而下降比例最低的佛山三水监测站刚好相反,位于源排放较强的区域,试验时段的观测值较大,按观测值的10%为观测误差的设置,观测误差较大,而背景误差较小,导致同化效果较差,这也表明正确估算背景误差和观测误差的重要性.

图 9是 SO2在各个检验站点同化前后的RMSE对比情况,可见检验站点的优化效果小于同化站点,其中大部分站点具有不同程度的下降,但有个别站点出现了同化后 RMSE反而上升的现象,以江门地区站点尤为明显,对比江门地区同化的东湖站与其周围检验站点观测均值可以发现,周围检验站点浓度偏高,而东湖站的浓度值较低,且它的同化效果较好,所以将背景场这个区域浓度值调整得偏低,导致了其他站点的模式值与观测值的误差变大,这也说明在这段时间的东湖站区域代表性较差.图 10是同化前后同化站点SO2模式值与观测值的散点图,站点在同化后相关性有较大提高.图 10b右下角的离散点位于佛山三水地区,正如前面分析,佛山区域背景场误差估算较小,而观测值较大使得观测误差较大,所以分析对模式结果较信任,使得同化观测虽有所优化,但效果较弱.

图9 检验站点同化前后RMSE对比Fig.9 Comparisons of RMSE before and after assimilation at validation sites

本研究还存在一些不足之处,需要对观测误差进行更精确的估算,这里只是对EnSRF方法的初步尝试,扰动生成样本方式及很多相关参数如集合样本数,局地化尺度及资料同化的质量控制等还需进行进一步敏感性试验来最优化.需要进行更长时间的同化试验来比较两种同化方法的效果.

图10 同化前后模式值与观测值散点图Fig.10 Scatter diagram of model value and observation value before and after assimilation

4 结论

4.1 基于珠江三角洲地区SO21个月的预报结果和集合预报结果统计分析表明背景场误差高值区主要位于江门一带,集合预报所得背景场误差的变化趋势与浓度场变化趋势一致.模式对边界层内特别400m以下SO2的模拟不确定性较大,主要跟源排放、气象条件及SO2自身物理化学性质有关.

4.2 集合平方根滤波对SO2初始场的优化效果与最优插值法的结果相近,同化观测资料对模式浓度值有不同程度的调整,改变 SO2浓度场的分布,使其与观测场更为吻合,表明2种方法都具有改善模式初始场的作用.

4.3 通过敏感性试验确定了此次试验的最优水平尺度为20km.SO2初始场经OI法同化所得分析值更接近观测值,站点的均方根误差(RMSE)和平均绝对偏差(MAGE)均有所下降,其中同化站点和检验站点的RMSE平均分别下降73%和39%.从同化不同数目观测资料试验的统计上看,受到更多站点的共同影响,同化站点的RMSE随着同化站点数的增多而增大,但相比于未同化时的RMSE均有所优化.

[1] 邓雪娇,邓 涛,吴 兑,等.珠江三角洲空气质量与能见度数值预报模式系统 [J]. 广东气象, 2010,32(4):18-22.

[2] 邓 涛,吴 兑,邓雪娇,等.珠江三角洲空气质量暨光化学烟雾数值预报系统 [J]. 环境科学与技术, 2013,36(4):62-68.

[3] 邓 涛,邓雪娇,吴 兑,等.珠江三角洲灰霾数值预报模式与业务运行评估 [J]. 气象科技进展: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] 崔应杰,王自发,朱 江,等.空气质量数值模式预报中资料同化的初步研究 [J]. 气候与环境研究, 2006,11(5):616-626.

[18] 白晓平,李 红,方 栋,等.资料同化方法在空气污染数值预报中的应用研究 [J]. 环境科学, 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 晓,朱 江,王自发,等.基于集合卡尔曼滤波的区域臭氧资料同化试验 [J]. 环境科学学报, 2013,33(3):796-805.

[21] 靳璐滨,臧增亮,潘晓滨,等.PM2.5和 PM2.5~10资料同化及在南京青奥会期间的应用试验 [J]. 中国环境科学, 2016,36(2):331-341.

[22] 张金谱,胡嘉镗,王雪梅.集合最优插值同化方法在珠江三角洲空气质量模拟中的初步应用 [J]. 环境科学学报, 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

陈懿昂(1991-),男,广东汕头人,南京信息工程大学硕士研究生,主要从事大气化学大气环境方向研究.

2016-09-18

国家自然科学基金资助项目(41475105);国家科技支撑计划课题(2014BAC16B06);科技部公益性(气象)行业项目(GYHY201306042);中国气象局气候变化专项项目(CCSF201531);广东省科技计划项目(2015A020215020);广东省气象局科技创新团队计划项目(201506)

* 责任作者, 邓雪娇, 研究员, dxj@grmc.gov.cn; 朱 彬, 教授, binzhu@nuist.edu.cn