植被下垫面Z0的估算及其改进影响评估

田春艳,崔寅平,申 冲,陈修治,沈 傲,樊 琦*

植被下垫面0的估算及其改进影响评估

田春艳1,2,崔寅平1,申 冲3,陈修治1,沈 傲1,樊 琦1*

(1.中山大学大气科学学院,广东省气候变化与自然灾害研究重点实验室,南方海洋科学与工程广东省实验室(珠海),广东 珠海 519082；2.中国民用航空中南地区空中交通管理局气象中心, 广东 广州 510000；3.广州市气候与农业气象中心,广东 广州 511430)

利用卫星遥感反演数据和多种观测资料,基于形态学-遥感反演的方法,估算我国主要植被下垫面的空气动力学粗糙度长度(0),将其应用于区域大气化学模式(WRF-Chem)中改进模式默认0值,并结合全国气象和污染物观测数据进行改进效果评估,探究0改进对模式气象场和化学场模拟结果的影响.结果表明:(1)0高值主要位于森林类下垫面,可超过1m;农田、草地类下垫面0值较小,低于0.5m,其余植被下垫面的0值基本介于两者之间.(2)0改进后,10m风速(WS10)和地表温度(TSK)的改进效果较好,而2m温度(2)和相对湿度(RH)的改进效果不明显;从空间分布和不同下垫面结果来看,0对TSK主要是增温作用,对WS10是减小作用;就改进比(各要素改进后的模拟值与改进前的模拟值之差比上改进前的模拟值,下同)而言,0改进对WS10的影响大于TSK.从对污染物浓度效果评估看,0对PM2.5和PM10模拟改进效果较好,对其它污染物(SO2、NO2、O3)的改进效果不明显.(3)对比气象要素和污染物浓度效果评估可知,0改进对气象要素的影响大于污染物浓度,其主要是通过影响气象场来间接影响污染物浓度.总的来看,0改进影响最大的是气象场的10m风速,考虑其原因在于改进后的0普遍高于改进前模式默认0值,而0是表征地表粗糙度的变量,由于地表粗糙度的增加,增强了对气流的阻碍作用,使得近地层风速减小.

空气动力学粗糙度长度；植被下垫面；数值模拟；WRF-Chem模式；PM2.5

陆面过程是指陆地表面与大气之间进行物质、能量等传输和交换的过程,是影响区域气候和环境变化的重要原因[1],主要通过湍流运动实现,而地表粗糙是近地面层湍流运动的根本原因.空气动力学粗糙度长度(0)是陆地表面风速降低到零时对应的高度,它表征地表的空气动力学特征,是边界层湍流参数化方案中的重要参数[2-3].准确得出0值及其变化规律是数值模式准确模拟地表通量的前提,同时亦直接影响数值模式的模拟性能[4-5].然而,在数值模式中,0往往被处理为一个常数,赋予相同的固定值,没有体现时空的差异性,这无疑会对模式的模拟结果造成一定程度的影响.

近年来,一些学者尝试将不同方法计算得到的0应用到模式中以更真实地反映0的影响,进而提升模式的模拟性能.王凯嘉[6]通过对夏季风过渡区的农田、混合型、草地3种下垫面0估算发现,陆面模式中对应的3种下垫面默认0值(0.065, 0.08, 0.1m)与估算0值(0.318, 0.218, 0.049m)相差甚远.同时,其对3种下垫面0的动态变化研究发现:草地下垫面0的动态变化范围为0.012～0.25m,混合型下垫面0变化为 0.12～0.35m,农田下垫面0在9月后相对于前期会迅速增加,这表明与模式将0作为几何常量不同,植被下垫面0的动态变化十分显著.胡文超等[7]对河西走廊地区0实测值与模拟值的差异性分析发现:模式默认值不能准确地反映下垫面0的非均一性,其差异对于草原下垫面最大可达375%,随着植被下垫面复杂程度增加,差异程度也增加.刘野等[8]利用我国典型半干旱区野外试验站的观测资料,结合多种方法估算试验站0,结果表明0在半干旱区具有明显的季节和年际变化特征,且植被低矮的下垫面0与陆面模式中默认值相差较大,其将修正后0代入模式,发现明显改善了模式对该地区地表感热通量的模拟.鲍艳等[9]通过对陆面模式BATS(Biosphere-Atmosphere Transfer Scheme)和LSM(Land Surface Model)设置敏感性试验检验陆面模式参数,结果表明模式默认值对地表辐射、热通量模拟存在偏差,地表温度模拟偏低,通过对0参数重新取值,并考虑不同文献所用方案改进模式后,模式对地表热过程模拟效果明显提高,模拟的地表热通量、地表温度与观测值的相关可达0.92以上.

吴晓波[10]基于WRF(The Weather Research and Forecasting Model)和CFD(Computational Fluid Dynamic)耦合的复杂地形风场数值研究表明,0对实际地形的CFD数值模拟结果影响比较大,使用精细化0模拟的风场误差较小.Jee等[11]利用高分辨率数值模式(WISE-WRF)对首尔地区城市下垫面0改善的灵敏度分析发现,城市下垫面0对摩擦速度和风速有一定的影响,与默认结果相比,改进后的模型能更准确地模拟温度和风速.孙行知等[12]利用WRF模式设计新的有效0参数方案对2003年东亚夏季风过程进行区域气候模拟,结果表明,新方案改进了对东亚夏季风降水分布、强度和雨带推进等的模拟结果.Varqueze等[13]利用几何参数估算日本范围内的0分布,应用到模式中替换默认的0,更新后的WRF提高了东京、名古屋和大阪地区温度和风速的模拟结果,对东京地区的研究发现,0的影响是比较主要的,尤其是对风场.Shen等[14]利用更新0后的WRF-Chem模式对珠江三角洲地区的热、动力环境和CO浓度的模拟研究发现,更新后的模式提高了对风速的模拟效果,同时对地表温度、热通量、摩擦速度和边界层高度等变量都有明显影响;另外,通过影响风速,更新后的模式使得CO夜间模拟浓度增加.

已有模式中0的改进工作多针对某一地区或某一类型的下垫面进行,在区域范围内多种不同下垫面方面的研究工作还需进一步加强完善.我国幅员辽阔,下垫面类型丰富,模式中默认的0与实际存在较大的偏差,无法体现0真实的时空分布特征.因此,本研究利用卫星遥感资料估算区域范围内不同植被下垫面类型的0值并将其应用于数值模式,评估0改进对模式模拟结果的影响.

1 研究资料与方法

1.1 研究资料

模式中使用的土地覆盖类型资料为2015年MODIS (Moderate Resolution Imaging Spectroradiometer)第6版数据产品(MCD12Q1),空间分辨率为500m,该土地覆盖分类采用国际地圈生物圈计划(IGBP)的土地分类方案,共分为17类(表1).本文中估算空气动力学粗糙度长度时,所研究的范围为中国大陆,包括海南岛和台湾岛(图1a),该区域内土地覆盖类型丰富,包含了IGBP所含的17种分类,但由于估算0涉及的叶面积指数数据针对的是植被下垫面,因此,本文后续改进的0主要为表1中所列1～10类自然植被下垫面和12、14类受人为活动影响的农田类下垫面.由各种类型下垫面占比(表1)可知,我国植被下垫面占比最高是草地,其次是农田,草地和农田共占我国近一半的陆面面积,占比最低为郁闭灌木和稀疏灌木,不到0.1%.从各植被下垫面在我国的地理位置来看,占比较高的草地主要位于我国内蒙古中、东部地区到青藏高原东、南部地区;农田主要位于我国山东、河南省及其周边部分地区和黑龙江、吉林和辽宁的西部地区;其它下垫面主要位于我国南方地区和黑龙江、吉林和辽宁的东部地区以及内蒙古黑龙江交界处最北端附近.

叶面积指数(LAI)数据采用MODIS的第6版数据产品(MCD15A2H),是美国国家航空航天局(NASA)2015年最新发布的LAI产品,为卫星Terra和Aqua上的MODIS仪器组合产品[15].该产品空间分辨率为500m,时间分辨率为8d.LAI定义为单位地表面积上的植被单侧叶片面积,即单侧叶片面积占土地面积的比[16-17].它与植被的密度、结构等生物学特性和环境条件有关,是反映植被较好的动态指标.

树木类植被,由于其一年四季只存在叶落叶生的过程,植被高度基本不变,而草地和农田类植被,植被高度随植被生长变化而变化[18].因此,本研究对研究区域内所包含的树木类植被高度选取卫星反演的森林树冠高度数据(图1b)进行计算.森林树冠高度数据[19]是从2005年的GLAS(Geoscience Laser Altimeter System)激光雷达信号获取,其空间分辨率为1km,本研究将其插值到模式对应的27km网格中使用.而农田草地下垫面则根据文献数据整理,取草地冬、夏季的植被冠层高度分别为0.06, 0.2m,农田下垫面夏季为1.05m,冬季由于没有统计高度结果,采取森林树冠高度数据中网格内的默认值.其余未作更改的植被下垫面网格,认为其下垫面为树木类植被,其植被高度不随四季变化.

全国气象观测数据来自国家气象科学数据共享服务平台上的674个观测站点的气象数据,选取了2m温度(2)、地表温度(TSK)和10m风速(WS10)以及相对湿度(RH)4个变量进行研究,该数据为2015年1月和7月的日均值数据.全国空气质量观测数据来自中国环境监测总站1479个观测站点的污染物浓度逐时数据.数据使用时间段为2015年1月和7月,使用的污染物包括SO2、NO2、O3、PM2.5、PM10.

1.常绿针叶林;2.常绿阔叶林;3.落叶针叶林;4.落叶阔叶林;5.混交林;6.郁闭灌木;7.稀疏灌木;8.多树草原;9.稀树草原;10.草地;11.永久湿地;12.农田;13.城市和建成区;14.农田和自然植被的镶嵌体;15.雪、冰;16.裸地或植被覆盖地;17.水体;审图号:GS(2021)5875号|GS(2021)8810号,下同

1.2 Z0估算方法

本研究使用的0估算方法参考Raupach[20-21]通过风洞试验研究提出的一种估算0的半经验模拟,并结合Jasinski等[22]的研究,0具体计算公式如下:

表1 Z0估算涉及的IGBP土地覆盖类型参数

注:R为粗糙元阻力系数;为粗糙元遮阴系数;h为风速;为摩擦速度;为植被冠层面积指数;是绿色叶面积指数估算系数;最大归一化植被指数与该植被覆盖率为100%时的最大归一化植被指数值的比值;L,min为不同植被类型的月最小茎部和死叶面积指数;1-为枯叶的脱落比率.

1.3 模式介绍及其设置

WRF-Chem(Weather Research and Forecasting- Chemistry)模式是美国国家大气研究中心、美国大气海洋局及美国西部太平洋国家实验室等单位共同开发的新一代大气化学传输模式[24].

本研究采用WRF-Chem 3.6.1版本,模拟研究区域为16.2758°～49.4169°N,78.9415°～141.0585°E,采用LAMERT投影方式,水平格距为27km,格点数为180×130,垂直方向设置35层,层顶的气压为50hPa.模式采用的物理化学参数化方案包括: Morrison (2moments)微物理方案,RRTM长波辐射方案,Goddard短波辐射方案,Monin-Obukhov (Janjic)近地层方案,Grell 3D ensemble积云对流方案, unified Noah land-surface model陆面过程, Mellor-Yamada-Janjic TKE边界层方案,UCM城市冠层方案; MOSAIC气溶胶机制,CBMZ大气化学机制, Fast-J光解机制.使用1°×1°的NCEP 全球再分析资料作为模式模拟的初始条件和边界条件.模拟时间段为世界时2014年12月20日00:00～2015年02月01日00:00,2015年06月20日00:00时～ 2015年08月01日00:00时.模式中采用的排放源为清华大学制作的2015年MEIC(中国大陆)和2010的MIX(其它区域)清单[25-26].土地覆盖类型为2015年MODIS第6版数据产品(MCD12Q1)插值到对应模式网格数据.本次模拟分为Base、Case试验,Base试验采用模式默认0值,Case试验采用本文估算的0值.

2 结果与分析

2.1 Z0估算及特征分析

图3 不同文献Z0调研值

由图2可知,估算0高值区主要位于我国的西南、东南沿海以及东北的东南地区,其中,西南地区的0值最高,在1月可达2m;其次是东南沿海地区,约1.5m;而0值最低的地方,主要位于华北平原和内蒙古西北部至青藏高原地区.本文估算0量级与文献[2,27]基本一致.进一步结合图1a,从下垫面类型来看,高值区对应的位置主要在森林树木类下垫面,而低值区主要位于农田草地类下垫面.对比文献调研得到的0值[4,6-8,16,18,28-70],对于同一类植被下垫面,受研究方法和地形区域等影响,不同文献调研结果具体值存在一定差异,但是就量级而言,同一类下垫面类型的量级基本保持一致,本文的研究结果与文献调研结果结论基本一致(图3).由图2可知,0呈现动态变化特征,1、7月的0结果存在明显差异.将7月0值减去1月0值得0空间差值.对比不同下垫面类型,其中0减小的地区主要在森林类茂盛的植被下垫面.研究表明[27,30-31],对于一些植被,由于其冠层在生长季叶片密度大,郁闭度高,相邻的叶片互相遮蔽使得表面动力学光滑,从而导致其零平面位移高度抬升,而植被0值降低.而对于农田类密度不大的植被下垫面,则主要由植被高度决定,随着生长季的变化,植被越高,气流流经下垫面时,受植被高度的影响就越大,垂直方向的风速分布随高度发生变化,0增加[71].

2.2 模式中Z0改进及模拟结果评估

用本文估算0值减去模式默认0值得到1、7月0差值空间分布(图4).除了华北平原和内蒙古等部分地区外,模式默认0值明显低于估算0值,最大差值主要出现在我国西南和东南沿海地区,可达1m以上,对比不同的季节,冬季的差值大于夏季.由于本文主要是针对植被下垫面进行0估算,所以对于第11类永久湿地、15类雪和冰、16类裸地或稀疏植被、17类水体下垫面采取模式默认值,未作更改,而对于第3类落叶林和第6类郁闭灌木,研究区域内不存在此类土地覆盖类型,因此也未对模式进行修改.由表2可知,对于模式默认0值,其所对应的第1～5类森林类下垫面在模式中采用了同样的值,均为0.5m,而从估算0来看,不同的森林下垫面由于植被本身特性不同,其所对应的0不同,森林类下垫面的0值都在1m以上,结合图3可见,本文对此类型下垫面0的改进效果最为显著.而对于其它下垫面类型来说,估算的0值也明显高于模式默认值,其中,差值最大的是第5类混交林,在冬季,相差可达1.17m,其次是第8类,最大可差0.97m.

通过用估算值和模式默认值对比分析可知,模式默认值不能很好地体现0时空变化特征,模式默认0值存在明显低估,不能很好地反映出不同下垫面类型的特征,这对于陆气相互作用的模拟存在一定的影响.

表2 IGBP土地覆盖类型对应的模式默认(Base)及估算(Case)Z0值

注:SFZ0为不同下垫面模式默认和本论文估算的0平均值,均作为初值代入模式计算.

2.3 模式模拟结果评估

评估模拟效果的统计参数[72-73]主要有:平均偏差(BIAS)、平均绝对误差(MAE)、均方根误差(RMSE)、相关系数()、符合指数(IOA).

2.3.1 气象场模拟结果评估 通过WRF-Chem模式模拟得到0改进前后气象要素的模拟值,利用1.1节中介绍的中国地面气象站的气象观测数据(2、TSK、WS10、RH)进行气象场结果评估.如图5所示,对于2和TSK,从1月和7月模拟与观测的对比来看,1月模式模拟的温度变化趋势和范围与观测基本接,变化范围在-5～5℃,TSK的模拟结果略低于观测;7月模拟和观测的TSK在20～35℃之间变化,2的变化范围在20～30℃之间,略低于TSK,TSK的模拟较观测低,2则相反.结合0改进前后的温度箱型图(图略)对比来看,1月2Base方案中位数、均值相对于Case而言更接近观测,但从上下四分位数来看,Case方案更接近观测;对于TSK而言,Case和Base方案的结果较为接近,但就中位数、均值、上下四分位数及最大最小值来看,Case方案的结果整体而言更好;7月T2和TSK的中位数和均值较为接近.整体来看,2Base的结果优于Case方案,而TSK则是Case方案的结果优于Base.对于WS10,1月和7月模式模拟结果都存在高估的现象,从Base、Case与观测的对比来看,Base和Case两者的变化趋势与观测基本一致,但是就变化范围来看,可以明显地发现,Case的模拟结果低于Base,更接近观测.对于RH,和WS10相反,1月和7月模式模拟结果相对于观测有所偏低,Base的模拟结果相对Case而言,更接近观测.总的来看,0改进效果最明显的是WS10,其次是TSK.考虑其原因在于0是表征风速降低到零时对应的高度,在本文中0改进后的值相对模式默认值有了较大的提高,其高度的增加使得同等高度对应的风速明显降低,从而使得改进后模式模拟风速明显较低,更接近观测值,这进一步反映了模式模拟0值被明显低估.而TSK作为地表变量,更容易受到地表参数0的影响,0值的变化,使得地表粗糙度发生变化,进一步导致地表湍流运动的变化,使得热量的输送交换产生较大的影响,从而影响TSK的模拟结果.

由以上分析可知,0改进对TSK和WS10两个变量的模拟效果有较大的提升,为了解两者在不同下垫面类型上的提升差异,特定义“改进比”来进一步分析.“改进比”定义:100´(Case-Base)/Obs和100´(Case-Base)/Base,以表示0改进相对于观测值和Base方案的改进比例,其中,由于1月TSK可能为负值,为了排除其负号对结果的影响,对其分母取绝对值,即100´(Case-Base)/|Obs| ;100´(Case-Base)/ |Base|.

由图6可知,1月0改进对TSK主要表现为增温作用,改进比较大的地区主要位于京津冀沿山西、陕西到四川云南一带,最大超过50%,对比TSK的Base空间分布图(图略),其温度零值带是影响其改进比超过50%的主要原因,其次较大的改进比主要在长江以南地区,约20%左右,其余地区的改进较小.7月由于温度相对1月升高较大,其改进比相对1月而言所有降低,改进较大的地区主要位于四川盆地西北方,约15%左右,其余地区改进效果较小,在±5%之间变化.结合图4对比分析可知0增加的区域与1月温度增加的区域基本一致,排除温度零值带影响后,两者的改进程度也基本一致,7月相关性则不如1月明显.就WS10来看,除了山东及其附近省市、内蒙古北部等部分地区风速有所增加外,0改进主要使风速减小,风速改进最大值可达50%以上,且1月影响大于7月,考虑主要原因在于1月大气层结稳定,天气变化等其他因素影响较小.结合图4,可发现0改进与WS10呈现较强的负相关,考虑其主要由于0值增加,地表粗糙度增大,阻碍了气流流动,使得WS10减小.

考虑到灌木等下垫面类型占比过低,进一步针对占比大于2%的下垫面类型了解0改进比的影响.由图7可知,对于1月和7月的TSK,0改进对其影响主要是呈现增温效果,其对不同下垫面类型的改进程度不一,在1月,相对于观测,4类落叶阔叶林和12类农田下垫面的改进比可达16%左右,其它下垫面类型的改进比则主要在4%左右;相对于Base方案,改进比较高的是5类混交林和12类农田下垫面,其值可达12%左右,其它下垫面类型的改进效果和观测较为接近,在4%左右.7月,不同的下垫面相对于Base方案的改进比都略高于观测,但数值较为接近,且相对于1月而言,改进比较低,在3%以下.对于WS10,1月和7月的改进结果较为一致,对于不同的下垫面类型,其主要起到降低风速的作用,相对于Base方案,观测的改进比大于Base,Base的改进比在20%左右,而相对于观测的改进比除了农田下垫面和7月的草地,其改进比基本在20%以上,其中,改进比最大的8类多树草原下垫面,在1月可达100%左右.综上分析可知,0对温度有增温作用,对风速有降速作用,考虑其原因在于粗糙度长度增加,导致同等高度风速降低,湍流运动减弱,对热量的传送交换减小.就改进比而言,0改进对风速的影响大于温度的影响,考虑其原因在于0和风速是直接的动力影响,而对TSK的影响则是通过热力的间接影响.0改进对1月的TSK影响大于7月,这可能与夏季的温度高于冬季有关,而冬夏季风速大小差异不大有关.对比可知,尽管是对Base方案做的改进,但是其模拟结果相对于观测而言,有较大的改善,其中风速相对于观测而言,改进较大.

图7 Case方案模式模拟的TSK和WS10相对于观测和Base方案的改进比

Fig.7 Improvement ratios of the simulated TSK and WS10 for the Case scheme compared with the observations and Base scheme

L2.常绿阔叶林; L4.落叶阔叶林;L5.混交林; L8.多树草原;L9.稀树草原;L10.草地;L12.农田

2.3.2 污染物模拟结果评估 通过WRF-Chem模式模拟得到0改进前后污染物浓度的模拟结果,结合1.1节中介绍的中国环境监测站的常规污染物(SO2、NO2、O3、PM2.5、PM10)数据进行污染物浓度模拟结果评估.如图8所示,对于PM10和PM2.5,1月和7月模式模拟的结果和观测值的变化趋势基本一致,但是模式模拟结果较观测偏低.结合箱型图(图略)来看,1月PM2.5和PM10的浓度变化幅度大于7月,而对比改进前后,虽然Case和Base的结果基本一致,但是仍可看出,就均值和中位数而言,Case方案相对于Base方案而言更接近观测.对于SO2和NO2,1月的模式模拟结果较观测偏低,7月结果基本一致,就其中位数和均值而言,Case方案更接近观测.对于O3,1月和7月模式的模拟结果和观测基本一致,1月份的中位数和均值Case方案相对Base更接近观测,而7月份均值Case优于Base,但是中位数Base更接近观测.整体来看,除了7月O3浓度高于1月外,其余污染物浓度皆是1月高于7月.就0改进前后的对比来看,Case和Base的结果基本一致,整体而言, Case方案的均值和中位数更接近观测.

实线:1月;虚线:7月

由图9可知,0改进对PM2.5和NO2空间分布在不同区域的影响有所不同,除了1月NO2浓度改进比和0改进量(图4)空间分布之间有较强的相关性,其余的相关性均不明显.从两者改进前浓度分布图(图略)来看,不同区域污染物浓度分布可能是影响其不同下垫面类型相关性不同的主要原因,尤其是对于森林类下垫面,由于其污染物浓度较低,容易受其它因素影响大,从而与0的相关性不如其它下垫面.

进一步利用“改进比”分析不同下垫面上0对PM2.5和NO2的改进程度,由图10可知,对于PM2.5,1月0改进主要是使得污染物浓度增加考虑其原因在于风速降低,不利于污染物的输送,Base的改进比大于观测,约1.5%,观测的改进比约为1%左右,改进比最低的8类下垫面,低于0.5%;7月,除2类常绿阔叶林和9类稀树草原污染物浓度改进比增加外,其余下垫面均降低,和1月一样,对相对于Base的改进比大于观测,同时,可发现7月的改进比相对于1月的改进比大,考虑主要原因在于1月污染物浓度较大,使得分母大,整体改进比减小.就NO2来看,Base改进比大于观测,1月稀树草原和7月8类多树树草原下垫面改进效果不明显,约0%.就增减情况来看,除1月8类多树草原下垫面和7月10类草地下垫面外,其余下垫面在1月和7月的改进比均是增加.7月NO2的改进比大于1月.总得来看,0改进对污染物的模拟结果有一点的改进,但是对于气象场而言,其改进效果不明显,考虑其原因在于,0的改进主要是作用于气象场,通过气象场来间接影响污染物浓度,而0改进的气象场的影响存在一定的差异,同时影响污染物浓度存在较多物理化学环境等因素,从而使得污染物浓度的改进效果不明显.

L2.常绿阔叶林; L4.落叶阔叶林;L5.混交林; L8.多树草原;L9.稀树草原;L10.草地;L12.农田

本研究采用观测资料进行模式模拟结果进行验证对比,但是观测资料在植被下垫面类型上的数据量相对较少,因此模式在这类型下垫面上结果的验证评估还可进一步加强.另外,本论文植被高度数据采用的是卫星反演数据及文献调研数据,缺乏区域上更精细化的不同下垫面高度数据,因此只针对冬季和夏季的典型月份1月和7月开展了0改进对模式模拟结果的影响研究,未能对多个月份开展更多时次的模拟工作.同时,只针对植被下垫面进行了0估算和分析研究,没有对城市等其它下垫面类型的0进行估算及模式模拟研究,这也是未来可进一步拓展的部分.

3 结论

3.10高值主要位于森林类下垫面,数值可超过1m.估算0值与模式默认值之间差异最大的是5类混交林,农田草地类的改进值较小,低于0.5m.

3.2 从对气象要素站点平均模拟结果评估看:2和TSK改进前后模拟与观测基本一致.TSK的改进效果优于2.WS10模式模拟结果改进前后都存在高估的现象,但0改进后更接近观测,0改进很大程度上提升风速的模拟效果.0对RH的改进效果则不明显.从空间分布和不同下垫面类型的平均看,0对TSK有增加作用,对WS10有减小作用.就改进比而言,0改进对WS10的影响大于TSK;对于WS10,其相对于观测的改进比大于Base,而对于TSK,7月各下垫面类型主要是相对于Base的改进比大于相对于观测,1月则针对不同下垫面类型结果不同.0改进对1月的TSK影响大于7月.

3.3 从对污染物浓度站点平均模拟结果评估看,1月除O3模拟结果和观测接近外,其余污染物模拟结果较观测偏低,7月除PM2.5和PM10模拟较观测偏低外,其余污染物浓度模拟和观测基本接近;就改进前后的对比来看,不同污染物Case和Base的结果基本一致,但Case的均值和中位数更接近观测;对于PM2.5和PM10,Case的结果要优于Base,而对于SO2、NO2和O3,其1月改进效果优于7月.0改进对污染物的影响小于污染物浓度.

[1] 曾 剑.中国北方地区陆面过程特征和参数化及其与气候关系[D]. 北京:中国气象科学研究院, 2011.

Zeng J. The characteristics and parameterization of land surface processes and its relationship with climate over northern China [D]. Beijing: Chinese Academy of Meteorological Sciences, 2011.

[2] 刘小平,董治宝.空气动力学粗糙度的物理与实践意义[J]. 中国沙漠, 2003,23(4):3-12.

Liu X P, Dong Z B. Review of aerodynamic roughness length [J]. Journal of Desert Research, 2003,23(4):3-12.

[3] 张雅静.阴山北麓地表空气动力学粗糙度性质的试验研究[D]. 呼和浩特:内蒙古农业大学, 2007.

Zhang Y J. Experiment Study on topsoil aerodynamics roughness characteristics in the north of mount Yin [D]. Huhhot: Inner Mongolia Agricultural University, 2007.

[4] 杨耀先,李茂善,胡泽勇,等.藏北高原高寒草甸地表粗糙度对地气通量的影响[J]. 高原气象, 2014,33(3):626-636.

Yang Y X, L i M S, Hu Z Y, et al. Influence of surface roughness on Surface-Air Fluxes in alpine meadow over the northern Qinghai-Xizang Plateau [J]. Plateau Meteorology, 2014,33(3):626- 636.

[5] 张 强,姚 彤,岳 平.一个平坦低矮植被陆面动力学粗糙度多因子参数化方案及其检验[J]. 中国科学:地球科学, 2015,45(11): 1713-1727.

Zhang Q, Yao T, Yue P.Development and test of a multifactorial parameterization scheme of land surface aerodynamic roughness length for flat land surfaces with short vegetation [J]. Science China: Earth Sciences, 2015,45(11):1713-1727.

[6] 王凯嘉.夏季风影响过渡区动力学粗糙度变化特征和影响机制研究[D]. 兰州:兰大学, 2018.

Wang K J. The change features and influence mechanism research on dynamic roughness of summer monsoon transition zone [D]. Lanzhou: Lanzhou University, 2018.

[7] 胡文超,张文煜,张 宇,等.河西走廊下垫面粗糙度实测值与模拟值的差异性分析[J]. 高原气象, 2010,29(1):51-55.

Hu W C, Zhang W Y, Zhang Y, et al. Variance analysis on the simulated and observed values of underlaying surface roughness in Gansu Corridor [J]. Plateau Meteorology, 2010,29(1):51-55.

[8] 刘 野,郭维栋,宋耀明.半干旱区关键地表参数的估算及其对地气通量模拟的改进[J]. 中国科学:地球科学, 2015,45(10):1524-1536.

Liu Y, Guo W D, Song Y M. Estimation of key surface parameters in semi-arid region and their impacts on improvement of surface fluxes Simulation [J]. Science China: Earth Sciences, 2015,45(10):1524- 1536.

[9] 鲍 艳,吕世华.戈壁陆面参数改进对地表热状况影响的数值模拟[J]. 地球科学进展, 2007,22(特刊):185-193.

Bao Y, Lü S H. Simulations of Impacts of Land Surface Parameters Improvements on Surface Thermal Condition over Gobi [J]. Advances in Earth Science, 2007,22(Suppl):185-193.

[10] 吴晓波.基于WRF和CFD耦合的复杂地形风场数值研究[D]. 武汉:华中科技大学, 2018.

Wu X B. Numerical Simulation of Wind Field on Complex Terrain Based on Coupling WRF And CFD [D]. Wuhan: Huazhong University of Science & Technology, 2018.

[11] Jee J B, Min J, Yi C, et al. Sensitivity analysis of the high-resolution WISE-WRF model with the use of surface roughness length in Seoul metropolitan areas [J]. Atmosphere, 2016, 26(1):111-126.

[12] 孙行知,钟中,孙源.基于有效空气动力学参数新方案对2003年东亚夏季降水模拟的改进[C]. 中国气象学会.创新驱动发展提高气象灾害防御能力——S18第四届研究生年会.中国气象学会:中国气象学会, 2013:408-412.

Sun X Z, Zhong Z, Sun Y. Parameters Improvement in new effective aerodynamic scheme and its impact on East Asian Summer precipitation simulation in 2003 [C]. Chinese Meteorological Society. Innovation-driven development Improving the Ability of Meteorological Disaster Defense- S18 The Fourth Annual Conference of Graduate Students. Chinese Meteorological Society: Chinese Meteorological Society, 2013:408-412.

[13] Varquez A C G, Nakayoshi M, Makabe T, et al. WRF application of high resolution urban surface parameters on some major cities of Japan [J]. Journal of Japan Society of Civil Engineers Ser B1 (Hydraulic Engineering), 2014,70(4):I_175-I_180.

[14] Shen C, Shen A, Tian C Y, et al. Evaluating the impacts of updated aerodynamic roughness length in the WRF/Chem model over Pearl River Delta [J]. Meteorology and Atmospheric Physics, 2020,132: 427–440.

[15] Myneni R B, Hoffman S, Knyazikhin Y, et al. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data [J]. Remote Sensing of Environment, 2002,83(1/2): 214-231.

[16] Van Der Graaf S C, Kranenburg R, Segers A J, et al. Satellite-derived leaf area index and roughness length information for surface- atmosphere exchange modelling: a case study for reactive nitrogen deposition in north-western Europe using LOTOS-EUROS v2.0 [J]. Geoscientific Model Development, 2020,13(5):2451–2474.

[17] 方红亮.我国叶面积指数卫星遥感产品生产及验证[J]. 遥感技术与应用, 2020,35(5):990-1003.

Fang H L. Development and validation of satellite Leaf Area Index (LAI) products in China [J]. Remote Sensing Technology and Application, 2020,35(5):990-1003.

[18] 刘勇洪,房小怡,栾庆祖.基于卫星数据与GIS技术的北京地区粗糙度长度估算研究[J]. 高原气象, 2016,35(6):1625-1638.

Liu Y H, Fang X Y, Luan Q Z. Estimation of roughness length of Beijing area based on satellite data and GIS technique [J]. Plateau Meteorology, 2016,35(6):1625-1638.

[19] Simard M, Pinto N, Fisher J B, et al. Mapping forest canopy height globally with spaceborne lidar [J]. Journal of Geophysical Research, 2011,116(G4).

[20] Raupach M R. Drag and drag partition on rough surfaces [J]. Boundary-Layer Meteorol, 1992,60:375–395.

[21] Raupach M R. Simplified expressions for vegetation roughness length and zero-plane displacement as functions of canopy height and area index [J]. Boundary-Layer Meteorol, 1994,71:211–216.

[22] Jasinski M F, Borak J, Crago R. Bulk surface momentum parameters for satellite-derived vegetation fields [J]. Agricultural and Forest Meteorology, 2005,133(1-4):55-68.

[23] Zeng X, Shaikh M, Dai Y, et al. Coupling of the common land model to the NCAR community climate model [J]. Journal of Climate, 2002,15:1832-1854.

[24] Grell G A, Peckham S E, Schmitz R. Fully coupled "online" chemistry within the WRF model [J]. Atmospheric Environment, 2005,39(37): 6957–6975.

[25] Seinfeld J H, Carmichael G R, Arimoto R, et al. Ace-Asia: regional climatic and atmospheric chemical effects of Asian dust and pollution [J]. Bulletin of the American Meteorological Society, 2004,85(3):367- 380.

[26] Li M, Zhang Q, Kurokawa J I, et al. MIX: a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP [J]. Atmospheric Chemistry and Physics, 2015,17(2):935–963.

[27] 于名召.空气动力学粗糙度的遥感方法及其在蒸散发计算中的应用研究[D]. 北京:中国科学院大学(中国科学院遥感与数字地球研究所), 2018.

Yu M Z. Research on remote sensing methods for the aerodynamic roughness length and its application in evapotranspiration calculation [D]. Beijing: University of Chinese Academy of Sciences(Institute of Remote Sensing and Digital Earth, Chinese ,Academy of Sciences), 2018.

[28] 王国印.半干旱区陆气相互作用的观测与研究[D]. 兰州:兰州大学, 2013.

Wang G Y. Observation of land-atmosphere interaction over semi-arid regions [D]. Lanzhou: Lanzhou University, 2013.

[29] 姚 彤.我国北方地区地表粗糙度和反照率参数化特征研究[D]. 兰州:兰州大学, 2014.

Yao T. A study on parametric feature of the surface roughness and albedo in north China [D]. Lanzhou: Lanzhou University, 2014.

[30] 赵晓松,关德新,吴家兵,等.长白山阔叶红松林的零平面位移和粗糙度[J]. 生态学杂志, 2004,23(5):84-88.

Zhao X S, Guan D X, Wu J B, et al. Zero-plane displacement and roughness length of the mixed forest of broad-leaved and Korean-pine in Changbai Mountain [J]. Chinese Journal of Ecology, 2004,23(5): 84-88.

[31] 钟 中,韩士杰.长白山阔叶红松林冠层空气动力学参数的计算[J]. 南京大学学报(自然科学版), 2002,38(4):565-571.

Zhong Z, Han S J. The calculation of aerodynamic parameters of Korea Pine canopy in Changbai Mountains [J]. Journal of Nanjing University(Natural Sciences), 2002,38(4):565-571.

[32] 邢丽玮.基于MODIS和GLAS数据反演多时序中国陆表植被空气动力学粗糙度[D]. 北京:首都师范大学, 2012.

Xing L W. Retrieving the multi-temporal aerodynamic roughness length of surface vegetation in China based on MODIS and GLAS data [D]. Beijing: Capital Normal University, 2012.

[33] 曾 剑,张 强.2008年夏季中国干旱-半干旱区陆面主要物理参数的平均特征[J]. 高原气象, 2012,31(6):1539-1550.

Zeng J, Zhang Q. Mean characteristics of land surface key parameters in semi-arid and regions of China in summers of 2008. Plateau meteorology, 2012,31(6):1539-1550.

[34] 鞠英芹.不同下垫面类型动力学粗糙度与热力学粗糙度的研究[D]. 南京:南京信息工程大学, 2012.

Ju Y Q. Study of aerodynamic roughness length and thermal roughness length on different underlying surfaces [D]. Nanjing: Nanjing University of Information Science & Technology, 2012.

[35] 周艳莲,孙晓敏,朱治林,等.几种典型地表粗糙度计算方法的比较研究[J]. 地理研究, 2007,26(5):887-896.

Zhou Y L, Sun X M, Zhu Z L, et al. Comparative research on four typical surface roughness length calculation methods [J]. Geographical Research, 2007,26(5):887-896.

[36] De Bruin H A R, Moore C J. Zero-plane displacement and roughness length for tall vegetation, derived from a simple mass conservation hypothesis [J]. Boundary-Layer Meteorol, 1985,31:39–49.

[37] 刘 伟,魏 信,石 文,等.复杂地形条件下零平面位移和空气动力学粗糙度的计算——以珠海南亚热带常绿阔叶林地区为例[J]. 热带气象学报, 2016,32(4):524-532.

Liu W, Wei X, Shi W, et al. The calculation of zero-plane displacement and aerodynamic roughness of heterogenous terrain-- With the Evergreen broad-leaf forest in Zhuhai as an example [J]. Journal of tropical meteorology, 2016,32(4):524-532.

[38] Jasinski M F, Crago R D. Estimation of vegetation aerodynamic roughness of natural regions using frontal area density determined from satellite imagery [J]. Agricultural and Forest Meteorology, 1999, 94(1):65-77.

[39] Gallagher M W, Nemitz E, Dorsey J R, et al. Measurements and parameterizations of small aerosol deposition velocities to grassland, arable crops, and forest: Influence of surface roughness length on deposition [J]. Journal of Geophysical Research, 2002,107(D12):4154.

[40] Gao Z Q, Wang J M, Ma Y M, et al. Study of roughness lengths and drag coefficients over Nansha sea region, Gobi, desert, Oasis and Tibetan plateau, Physics and Chemistry of the Earth, Part B: Hydrology [J]. Oceans and Atmosphere, 2000,25(2):141-145.

[41] Lu L, Liu S, Xu Z. et al. The characteristics and parameterization of aerodynamic roughness length over heterogeneous surfaces [J]. Advances in Atmospheric Sciences, 2009,26:180-190.

[42] Mailler S, Menut L, Khvorostyanov D, et al. CHIMERE-2017: From urban to hemispheric chemistry-transport modeling [J]. Geoscientific Model Development, 2017,10:2397-2423.

[43] Silva J, Ribeiro C, Guedes R, et al. Roughness length classification of Corine land cover classes [J]. Proceedings of European Wind Energy Conference, 2007.

[44] Simpson D, Benedictow A, Berge H, et al. The EMEP MSC-W chemical transport model – technical description [J]. Atmospheric Chemistry and Physics, 2012,12(16):7825–7865.

[45] Wiernga J. Representative roughness parameters for homogeneous terrain [J]. Boundary-Layer Meteorology, 1993,63:323-363.

[46] 冯健武,刘辉志,王 雷,等.半干旱区不同下垫面地表粗糙度和湍流通量整体输送系数变化特征[J]. 中国科学:地球科学, 2012,42(1): 24-33.

Feng J W, Liu H Z, Wang L, et al. Seasonal and inter-annual variation of surface roughness length and bulk transfer coefficients in a semiarid area. Sci China Earth Sci, 2012,42(1):24-33.

[47] 高志球,王介民,马耀明,等.不同下垫面的粗糙度和中性曳力系数研究[J]. 高原气象, 2000,19(1):17-24.

Gao Z Q, Wang J M, Ma Y M, et al. Study on roughness lengths and drag coefficients over the different underlying surfaces [J]. Plateau meteorology, 2000,19(1):17-24.

[48] 李宏宇,张 强,史晋森,等.黄土高原自然植被下垫面陆面过程参数研究[J]. 气象学报, 2012,70(5):1137-1148.

Li H Y, Zhang Q, Shi J S, et al. A study of the parameterization of land-surface processes over the natural vegetation surface of Loess Plateau [J]. Acta Meteorologica Sinica, 2012,70(5):1137-1148.

[49] 李锁锁,吕世华,柳媛普,等.黄河上游玛曲地区空气动力学参数的确定及其在陆面过程模式中的应用[J]. 高原气象, 2010,29(6):1408- 1413.

Li S S, Lü S H, Liu Y P, et al. Determination of aerodynamical parameter in Maqu Area in the upper reach of Yellow River and Its application in land surface process model [J]. Plateau meteorology, 2010,29(6):1408-1413.

[50] 刘啸然,李茂善,胡文斌.藏北高原那曲地区不同下垫面地表粗糙度的变化特征研究[J]. 高原气象, 2019,38(2):428-438.

Liu X R, Li M S, Hu W B. Variations of surface roughness on different underlying surface at Nagqu Area over the Qinghai-Tibetan Plateau [J]. Plateau Meteorology, 2019,38(2):428-438.

[51] 马耀明,塚本修,王介民,等.青藏高原草甸下垫面上的动力学和热力学参数分析[J]. 自然科学进展, 2001,11(8):42-46.

Ma Y M, Zhong B X, Wang J M, et al. Analysis of dynamic and thermodynamic parameters on the underlying surface of a meadow on the Tibetan Plateau [J]. Progress in Natural Science, 2001,11(8):42-46.

[52] 孙 俊,胡泽勇,陈学龙,等.黑河中上游不同下垫面动量总体输送系数和地表粗糙度对比分析[J]. 高原气象, 2012,31(4):920-926.

Sun J, Hu Z Y, Chen X L, et al. Comparative analysis on momentum bulk transfer coefficients and roughness length under the different underlying surfaces in uppers and middle reaches of Heihe river basin [J]. Plateau Meteorology, 2012,31(4):920-926.

[53] 张 强,曾 剑,姚 桐.植被下垫面近地层大气动力状态与动力学粗糙度长度的相互作用及其参数化关系[J]. 科学通报, 2012,57(8): 647-655.

Zhang Q, Zeng J, Yao T. Interaction of aerodynamic roughness length and windflow conditions and its parameterization over vegetation surface [J]. Chin Sci Bull, 2012,57(8):647-655.

[54] 张文煜,张 宇,陆晓静,等.黄土高原半干旱区非均一下垫面粗糙度分析[J]. 高原气象, 2009,28(4):763-768.

Zhang W Y, Zhang Y, Lu X J, et al. Analysis on heterogeneous underlying surface roughness length in semi-arid mountains area of Loess Plateau, China [J]. Plateau Meteorology, 2009,28(4):763-768.

[55] Tsai J L, Tsuang B J. Aerodynamic roughness over an urban area and over two farmlands in a populated area as determined by wind profiles and surface energy flux measurements [J]. Agricultural and Forest Meteorology, 2005,132(1/2):154-170.

[56] Tsai J L, Tsuang B J, Lu P S, et al. Measurements of aerodynamic roughness, Bowen ratio, and atmospheric surface layer height by eddy covariance and tethersonde systems simultaneously over a heterogeneous rice paddy [J]. Journal of Hydrometeorology, 2010, 11(2):452-466.

[57] 贾 立,王介民.绿洲-沙漠复合地表条件下的局地和有效粗糙度[J]. 气象学报, 1999,57(3):91-102.

Jia Li, Wang J M. The local and effective aerodynamic roughness length of a complex landscape of oasis and desert [J]. Acta meteorological sincia, 1999,57(3):91-102.

[58] Lankreijer H J M, Hendriks M J, Klaassen W. A comparison of models simulating rainfall interception of forests [J]. Agricultural and Forest Meteorology, 1993,64(3/4):187-199.

[59] Lo A K F. Determination of zero-plane displacement and roughness length of a forest canopy using profiles of limited height [J]. Boundary-Layer Meteorology, 1995,75:381-402.

[60] Mikami M, Toya T, Yasuda N. An analytical method for the determination of the roughness parameters over complex regions [J]. Boundary-Layer Meteorology, 1996,79:23-33.

[61] Parlange M B, Brutsaert W. Regional roughness of the Landes forest and surface shear stress under neutral conditions [J]. Boundary-Layer Meteorol, 1989,48:69–81.

[62] Toda M, Sugita M. Single level turbulence measurements to determine roughness parameters of complex terrain [J]. Journal of Geophysical Research, 2003,108(D12):4363.

[63] Weligepolage K, Gieske A S M, Van Der Tol C, et al. Effect of sub-layer corrections on the roughness parameterization of a Douglas fir forest [J]. Agricultural and Forest Meteorology, 2012,162-163: 115-126.

[64] Yang R, Friedl M A. Determination of roughness lengths for heat and momentum over boreal forests [J]. Boundary-Layer Meteorology, 2003,107:581-603.

[65] 刘和平,刘树华,朱廷曜,等.森林冠层空气动力学参数的确定[J]. 北京大学学报(自然科学版), 1997,33(4):116-122.

Liu H P, Liu S H, Zhu T Y, et al. Determination of aerodynamic parameters of Changbai mountain forest [J]. Acta Scicntiarum Naturalium, 1997,33(4):116-122.

[66] 张学仕,蒋 琰,薛建辉,等.江苏句容下蜀次生栎林的空气动力学参数研究[J]. 南京林业大学学报(自然科学版), 2010,34(6):61-65.

Zhang X S, Jiang Y, Xue J H, et al. Aerodynamic parameters of secondary oak forest in Xiashu Jurong county of Jiangsu province [J]. Journal of Nanjing Forestry University (Natural Science Edition), 2020,34(6):61-65.

[67] 张一平,宋清海,于贵瑞,等.西双版纳热带季节雨林风时空变化特征初步分析[J]. 应用生态学报, 2006,17(1):11-16.

Zhang Y P, Song Q H, Yu G R, et al. Temporal-spatial characteristics of wind in tropical seasonal rainf orest in Xishuangbanna of Yunnan province [J]. Chinese Journal of Applied Ecology, 2006,17(1):11-16.

[68] 周艳莲,孙晓敏,朱治林,等.几种不同下垫面地表粗糙度动态变化及其对通量机理模型模拟的影响[J]. 中国科学.D辑:地球科学, 2006, 36(S1):244-254.

Zhou Y L, Sun X M, Zhu Z L, et al.Dynamic variation of surface roughness on several different underlying surfaces and its influence on flux mechanism model simulation [J]. Science in China Series D:Earth Sciences,2006,36(S1):244-254.

[69] Driese K L, Reiners W A. Aerodynamic roughness parameters for semi-arid natural shrub communities of Wyoming [J]. USA, Agricultural and Forest Meteorology, 1997,88(1-4):1-14.

[70] 杨兴华,艾力·买买提明,张瑞军,等.塔克拉玛干沙漠荒漠过渡带空气动力学粗糙度分析[J]. 干旱区研究, 2012,29(3):524-528.

Yang X H, Ali M, Zhang R J, et al. Analysis on aerodynamic roughness length in a desert transitional zone of the Taklimakan desert [J]. Arid Zone Research, 2012,29(3):524-528.

[71] 石雪峰,夏建新,吉祖稳.空气动力学粗糙度与植被特征关系的研究进展[J]. 中央民族大学学报(自然科学版), 2006,15(3):218-225.

Shi X F, Xia J X, Ji Z W. A review:the study in relationship between aerodynamic roughness length and the characteristics of vegetation [J]. 2006,15(3):218-225.

[72] 蓝 静.珠三角区域气溶胶污染及低能见度过程的数值模拟[D]. 广州:中山大学, 2013.

Lan J. Numerical simulation of aerosol contamination and low visibility processes in the Pearl River Delta region [D]. Guangzhou: Sun Yat-sen University, 2013.

[73] 刘新峰,袁 惠,杨 军,等.统计分析方法在大气环境监测数据符合性分析中的应用探讨[J]. 四川环境, 2012,31(2):36-39.

Liu X F, Yuan H, Yang J, et al. Application of statistical analysis for data compliance analysis of atmosphere environmental monitoring [J]. Sichuan Environment, 2012,31(2):36-39.

Estimation of vegetation underlying surface0and assessment on the impacts of its improvement.

TIAN Chun-yan1,2, CUI Yin-ping1, SHEN Chong3, CHEN Xiu-zhi1, SHEN Ao1, FAN Qi1*

(1.Guangdong Province Key Laboratory for Climate Change and Natural Disaster Studies, Southern Laboratory of Ocean Science and Engineering (Zhuhai), School of Atmospheric Sciences, Sun Yat-sen University, Zhuhai 519082, China；2.Meteorological Center of Middle South Regional Air Traffic Management Bureau of CAAC, Guangzhou 510000, China；3.Guangzhou Climate and Agrometeorology Center, Guangzhou 511430, China)., 2022,42(9)：3969～3982

The morphology-remote sensing inversion with satellite remote sensing and multi-observation data were utilized to estimate the aerodynamic roughness length (0) of main vegetation underlying surfaces in China. This new0dataset was then used to replace the default values in the WRF-Chem model. Combined with the national meteorological and pollutant observation data, the impacts of0improvement on the meteorological field and chemical field simulations were evaluated. The results show that the high value of0is mainly located over the forest underlying surface (higher than 1m); the0values over the farmland and grassland underlying surfaces are generally lower (lower than 0.5m). The0values over other underlying surfaces fell in between 0.5m and 1m; and the modification of0has a better improvement in the simulations of 10m wind speed (WS10) and surface temperature (TSK) even though its effects on 2m temperature (2) and relative humidity (RH) are not obvious. We also observed that an increase in0mainly has a warming effect on TSK and a weakening effect on WS10 for different types of underlying surfaces. In terms of the improvement ratio (the difference between the simulated value after the improvement of each element and the simulated value before the improvement divided by the simulated value before the improvement, the same below), the improved0demonstrates a greater impact on WS10 than on TSK. For the pollutant concentrations, the modification of0has larger effects on the simulations for PM2.5and PM10than for other pollutants (SO2, NO2, O3). Furthermore, the impact of the improved0was larger on meteorological elements than on pollutant concentrations. In general, the improvement of0has the largest impact on the 10m wind speed; because the improved0is generally higher than the model-default0value. As0is a variable for characterizing the surface roughness, the obstruction to the air flow increases with an increase in surface roughness and thus results in a reduction in the near surface wind speed.

aerodynamic roughness length；vegetation underlying surface；numerical simulation；WRF-Chem model；PM2.5

X171

A

1000-6923(2022)09-3969-14

2022-02-21

国家重点研发计划(2019YFC0214605);国家自然科学基金资助项目(42075181);广东省科技计划项目(科技创新平台类)(2019B121201002);广东省气候变化与自然灾害研究重点实验室(2020B1212060025)

*责任作者, 教授, eesfq@mail.sysu.edu.cn

田春艳(1994-),女,重庆人,中山大学硕士研究生,主要大气环境数值模拟研究.发表论文1篇.