基于松弛逼近方法的天津PM2.5延伸期数值预报研究

唐颖潇,秦明月,蔡子颖*,杨 旭

基于松弛逼近方法的天津PM2.5延伸期数值预报研究

唐颖潇1,秦明月2,蔡子颖1*,杨 旭1

(1.天津市环境气象中心,天津 300074；2.国家海洋信息中心,天津 300171)

在现有天津延伸期空气质量数值预报系统(CFS/WRF-Chem)的基础上,引入Nudging技术约束模式积分过程,开展Grid Nudging和Spectral Nudging敏感性试验.通过张弛波数、张弛时间、张弛变量等参数的最优化方案测试,提升Nudging技术在天津秋冬季PM2.5延伸期数值预报中的适用性,以期有效提升天津秋冬季10～45d空气质量趋势预测的准确性.研究结果表明:与未采用Nudging技术的延伸期空气质量数值模式预报相比,使用Nudging技术后,无论是Grid Nudging还是Spectral Nudging,延伸期空气质量预报效果均得以提升.逐日预报与实况PM2.5质量浓度的相关系数由未采用Nudging技术的0.1分别提高至Grid Nudging的0.35和Spectral Nudging的0.43,PM2.5等级预报准确率由33%分别提高至47%和44%.相比Grid Nudging和Spectral Nudging方案的选择,张弛波数、截断波长和张弛变量等参数最优配置对Nudging技术运用更为关键. Grid Nudging技术中张弛系数5×10-5,张弛时间尺度6h,张弛变量--uv为最优;Spectral Nudging技术中张弛波数1,截断波长1800km,张弛变量--uv最优.即使采用Nudging技术,延伸期PM2.5质量浓度逐日预报仍有很大的不确定性,其更适合趋势(增加或者下降)预测.从候与候之间PM2.5浓度变化趋势结果分析,未采用Nudging技术时,预报准确率为50%,采用Grid Nudging提高至75%,采用Spectral Nudging可提高至88%,Spectral Nudging的预报结果略优,且可以有效支撑延伸期PM2.5候分辨率尺度空气质量趋势预测.

天津；松弛逼近方法；延伸期PM2.5数值预报；WRF-Chem

随着《大气污染防治行动计划》和《打赢蓝天保卫战三年行动计划》深入实施,我国环境空气质量逐年改善.在大气污染防控调度中,基于气象条件的空气质量预报和重污染预警在其中发挥积极作用.大气污染事件的发生往往是不利气象条件和污染物排放共同作用的结果[1-4].在一定时期内排放相对稳定的情况下,污染形成、累积更多受气象条件影响,研究显示气象因子的日变化可以解释50%的PM2.5变化[5].由于大气污染变化与气象条件密切相关,以及气象条件的可预测性,为空气质量预报提供了可能[6-7].根据预报方法和预报时效,气象和气候预测一般可分为短时预报(24h),短期预报(1～3d),中期预报(4～10d),延伸期预报(10～40d),月预测、季预测和年预测.与之对应,生态环境部门和气象部门联合全国重点城市从2013年开始开展了基于AQI的短期空气质量预报,且随着能力逐渐提升发展至短中期预报和延伸期月污染过程预测.因此,不断提高未来7～10d区域污染过程预报准确率,以及研究提升未来月尺度区域空气质量趋势预测能力是现阶段空气质量预报预测技术发展的难点,也是实际大气污染防治中迫切需求的技术.

近年随着数值预报技术和超级计算机的发展,数值模式在空气质量预报中发挥了越来越重要的作用.如CAMx、WRF-Chem及CMAQ作为三代大气化学模式典型代表,在0～10d空气质量预报中均表现出不错的性能[8-10].随着预报时效的延长,对于延伸期的空气质量预报,其不确定性必然超过短中期预报,但也成为新技术和产品开发的热点,包括中国气象局[11-12]、四川[13]和上海[14]等单位和地区基于数值模式和客观分型等相关统计方法, 实现全国和不同地区的环境气象延伸期预报技术.天津环境气象中心于2021年搭建了延伸期空气质量数值预报系统(CFS/WRF-Chem),模式水平分辨率15km,可以提供10～45d天津及周边地区PM2.5质量浓度变化趋势.但是这些研究均表现出延伸期空气质量预报较强的不确定性,以及现有技术和产品的不足.分析原因,其可能为在直接使用全球再分析数据驱动数值模式的过程中,随着模式的连续积分,往往使得模拟结果逐渐偏离模式大尺度背景场[15-16].

为应对这种情况,松弛逼近方法(Nudging)得以发展,这项技术主要是通过在模式侧边界上增加松弛项,以约束模式积分过程,松弛项根据分析场和预报场的偏差以反比例的指数形式在时间上调整模式状态,从而使得积分过程向着强迫场逼近[17-18]. Nudging方法最早由Hoke等[19]提出,并在气象预报中广泛运用,也常应用于延伸期气象要素的预报[20-21].Nudging方法在空气质量预报领域的应用,主要是采用Nudging源同化反演方法,从而对排放源进行优化,减少模式预报结果与实际观测浓度的误差[22-23].一种是基于模式的自适应Nudging源反演方法[24],一种则是基于源清单Nudging修正方法[25],以提高模式污染物浓度预报的准确率.而通过Nudging方法改进气象场,也能够进一步优化空气质量的模拟效果.可以在模式中Nudging自动气象站观测资料,以此通过气象场的改善使得PM2.5浓度的模拟效果的改善[26].这些研究主要是通过同化观测资料的方式实现对模拟结果的改进.在延伸期空气质量的预报中,则需要考虑从动力学的角度约束模式的积分过程,进而改进预报效果,以实现业务化运行.

本研究在现有天津延伸期空气质量数值预报系统(CFS/WRF-Chem)的基础上,引入Nudging技术约束模式积分过程,开展Grid Nudging和Spectral Nudging敏感性试验,通过张弛波数、张弛时间、张弛变量和截断波长等参数的最优化方案测试,提升Nudging技术在天津秋冬季PM2.5延伸期数值预报中的适用性,以期有效提升天津秋冬季10～45d空气质量趋势预测的准确性,更好地支撑天津地区延伸期空气质量预报工作的开展,并为其他城市空气质量预报工作提供参考.

1 材料与方法

1.1 监测数据

污染物浓度数据来源于天津市环境空气质量监测网络国控评价点,包括天津地区21个点位逐小时PM2.5、PM10、SO2、NO2、O3和CO质量浓度.

1.2 大气化学模式和CFS气象场

WRF-Chem模式是NCAR和NOAA联合其他研究机构共同开发的大气化学模式,在空气质量模拟和预报中得到广泛应用[27-29].本研究采用WRF-Chem3.8.1版本,气相化学过程采用CBMZ机制,气溶胶过程采用MOSAIC模型,积云对流方案采用GRELL-3D,微物理过程采用WSM5,长波辐射方案和短波辐射方案均采用RRTMG,考虑气溶胶直接辐射反馈,边界层方案使用YSU方案,模式所模拟的天津以外地区人为排放源清单使用清华大学MEIC2020排放源清单,分辨率0.25°×0.25°,在天津地区使用2020年源谱调查排放源清单数据,其分辨率为1km,模式水平分辨率15km,水平网格121×121,中心经纬度为39N°,117E°,垂直方向分为41层.

图1 监测点位分布示意

天津延伸期空气质量数值预报系统(CFS/ WRF-Chem)由CFS(The Climate Forecast System)气象场驱动,CFSv2是美国环境预报中心(NECP)研发完全耦合气候预报系统,包含大气、陆面和海洋模式[30].提供29a(1982～2010年)的历史回报数据,于2011年3月提供业务化预报.具有3种不同预报长度且时间分辨率为6h的预报产品:4个时段(00:00、06:00、12:00和18:00),预报长度为9个月的预报;1个时段(00:00)预报长度为1个季度的预报(约123d);3个时段(06:00、12:00和18:00)预报长度为45d的预报[31].本研究开展Grid Nudging和Spectral Nudging敏感性试验,设计情景方案23组,选用2019年12月5日12:00起报案例作为研究对象,预报时效为45d, spinup时间为24h,每24h输入一次CFSv2气象场, Nudging时间为45d,模拟时间段为2019年12月5日～2020年1月18日.

1.3 Nudging技术

Nudging技术的基本思路是在数值模式积分指定时刻,在预报方程中增加一个附加项,即预报值与分析值之差的松弛项,使得方程的解逼近分析值,从而实现对预报结果的约束[32～33].本研究主要使用Grid Nudging和Spectral Nudging这两种方法.

Grid Nudging方法的基本思路是在方程中加入额外的逼近项,即在每个格点上将模式结果逼近到时间插值后的分析场,从而实现对模式场的调整,其公式如下:

式中:为模式的积分变量;为时间;()为物理强迫项;G为控制松弛大小的时间尺度因子;W为附加的四维权重系数;0是通过临近时刻插值后的时空分析场,以此实现逼近模式解[32].在WRF模式中,可以是风的经纬向分量(uv)、位温()或者水汽混合比().Nudging不同变量时,通过公式(1)产生影响,并通过模式内部方程约束,实现其他要素的更新. Nudging强度或者Nudging系数,被Nudging时间尺度所控制.Nudging时间尺度越小,Nudging强度越强,变量越接近0.

Spectral Nudging利用波谱法,设置波数通过快速傅里叶分析将资料转化进行波谱分析,在空间中过滤掉大于设置波数的高频波,保留大尺度的低频波,然后按照一定权重,把低频波加到模式预报场,从而可以将模拟状态不断靠近大尺度驱动状态,较好地减小大尺度误差,避免了过多的高频资料被大尺度分析场过渡修正[34-36].模式变量可自由发展中小尺度过程,同时又可以反应出较小尺度的特性.其公式如下:

式中:变量的值由相邻时刻的分析值内插得到,可以是水平风(uv)、位温()或者位势高度(ph);为时间;为模式的物理强迫项,G为Nudging系数,它决定了模式中同化项相对于物理强迫中所有模式物理过程的大小;()为垂直方向上Nudging的权重系数;0为再分析变量;K代表对于不同尺度的逼近系数;k、k代表经向和纬向的波矢量分量;、分别表示经向和纬向上的波数;、为经向和纬向上的Nudging波数,其值根据格距,格点数以及波长进行计算而得,以此来调整模式的大尺度环流场,使其与真实强迫场保持一致.

为了对模式预报结果进行检验,本研究使用相关系数R和Zs评分统计分析模式预报结果与实况的关系,其中Zs评分原本主要用于评价强降水过程预测的准确性[37-38],而在本研究中则用于评价污染过程预测的准确性.本研究将连续两天空气质量水平为轻度及以上污染,或者单日空气质量水平为中度及以上污染,定义为污染过程或称污染事件.所预测的污染过程与实际发生的污染过程允许存在两日及以内的偏差,实际发生的污染过程未出现在预测时段,则记为漏报1次;预测时段内实际未发生污染过程,则记为空报1次;预报正确,记为正确1次.Zs评分的计算公式如下:

Zs=(预测正确的过程数)/(预测正确过程数+

空报过程数+漏报过程数)(3)

2 结果与讨论

2.1 基于CFS气象场的延伸期PM2.5浓度数值预报

以天津延伸期空气质量数值预报系统(CFS/WRF-Chem)2019年12月5日起报的45d预报产品为例开展模式预报产品评估研究.图2(a)中给出了2019年12月5日～2020年1月18日期间天津地区PM2.5观测日值浓度变化,可以看出模拟期间天津地区一共发生了5次污染事件,分别为2019年12月7～10日、12月22～23日、12月28～29日、2020年1月2～4日和1月15～18日,其中1月15～18日污染最为严重,PM2.5平均质量浓度可达212.5 µg/m3,污染过程持续4d且污染程度均达到重度污染水平.图2(a)中也给出基于CFSv2气象场的PM2.5浓度数值预报情况.对比显示,所预报的PM2.5质量浓度整体偏高,尤其在非污染时段.同时,模式预报出6次污染事件,多于实况的5次,而预报与观测的相关系数为0.1.根据我国《环境空气质量数值预报技术规范》(HJ 1130—2020)[39]的评估方法,对模式延伸期预报进行检验,结果显示PM2.5等级预报准确率为33%.这说明CFS/WRF-Chem的延伸期空气质量预报产品在逐日精确预报上存在不足.考虑延伸期和气候预报预测检验评估的特殊性,本文使用降水预报中常用的Zs评分来评估预报时段内污染事件的影响,以达到对延伸期污染事件的预测.结果表明预报与实况的Zs评分为0.83,说明以气象过程预测标准, CFS/WRF-Chem在指导延伸期污染过程预报中能发挥一定作用.图2(b)给出逐候(每5d)PM2.5浓度实况和预报对比情况,结果表明,模式预报出了第2～3候、第3～4候、第6～7候、第7～8候和第8～9候期间的浓度变化趋势,逐候均方根误差的结果显示,第2、5、6和8候的均方根误差相对较小,此时也对应逐候预报趋势正确的时段.根据Zs评分和逐候预报结果说明,基于CFSv2的延伸期模式能够预报出45d内近50%PM2.5浓度变化趋势.

图2 2019年12月5日～2020年1月18日PM2.5日值实况与预报浓度对比

(a)为逐日浓度对比情况,其中阴影部分为污染事件;(b)为逐候对比情况

2.2 Nudging技术敏感性测试

Nudging技术主要分为Grid Nudging和Spectral Nudging,不同参数的设置对预报结果的影响存在一定差异,其主要调整的参数包括:张弛波数、张弛时间、张弛变量等.本节通过22组敏感性试验对比分析确定不同参数设置下Nudging技术对CFS/WRF- Chem模式延伸期PM2.5质量浓度预报影响,从而确定最优方案,提升预报效果.图3显示不同参数设置下,基于Grid Nudging技术的模式预报PM2.5质量浓度与实况对比情况,11组敏感性试验(表1)表明:在考虑Nudging所有变量的情况下,使用Nudging系数为5×10-5,预报效果最佳,相关系数为0.35,Zs评分为0.8;使用Nudging系数为1.7×10-5,预报效果最差,相关系数为0.29,Zs评分为0.57.Nudging系数表征Nudging时间尺度,其数值与Nudging时间相对应,系数越小,时间尺度越长;反之,则越短.从不同系数设置的模式预报结果分析,并不是Nudging时间尺度越短越好;在Nudging系数从3×10-4变为1×10-4的过程中,相关系数减小,在系数为5×10-5时,相关系数再次提升,之后相关系数随着系数减小而减小.这说明6h(系数为5×10-5)为最佳Nudging时间尺度,长于或者短于这个时间都将导致天津延伸期模式系统预报效果转差.在使用最佳Nudging系数的情况下,开展不同变量组合的Nudging试验,对于PM2.5浓度预报,仅Nudging一个变量的情况下,Nudging水平风uv的效果最好,水汽混合比的效果最差.Nudging两个变量时,Nudging位温和水平风-uv的试验效果最佳,位温和水汽混合比-的试验效果最差.Nudging多变量的预报效果要优于单变量,Nudging全部三个变量的预报结果最佳.

图3 2019年12月5日～2020年1月18日基于Grid Nudging技术的逐日PM2.5浓度预报结果与实况对比

(a-e)为不同系数的试验;(f-k)为不同变量组合的试验

图4为Grid Nudging试验中逐候PM2.5实况和预报浓度对比情况.由图显示实况共出现3次污染,分别出现在第1、5、9候,Grid Nudging试验中不同系数的试验均预报出了第9候的污染,均未预报出第5候的污染.Nudging时间尺度为1h(系数为3×10-4)时,相关系数最高为0.54;时间尺度为12h(系数为2.5×10-5),相关系数最低,为0.29.所有系数的试验均预报出了第1～2和7～8候的浓度下降,以及第3～4、6～7和8～9候的浓度上升.不同变量组合的试验均预报出了第9候的污染.与逐日预报相似,只Nudging一个变量的情况下,Nudging水平风uv的预报效果最佳,相关系数为0.43;Nudging水汽混合比的预报效果最差,为0.27.Nudging两个变量的组合中,位温和水平风-uv的预报效果最佳,相关系数为0.47;位温和水汽混合比-的预报效果最差,相关系数为0.34.所有关于变量的敏感性试验均预报出了第1～2、7～8和8～9候的PM2.5质量浓度下降,以及第3～4和6～7候的浓度上升.除Nudging位温和水平风的-uv试验外,其他试验均预报出了5～6候的浓度下降.对于候与候之间的PM2.5质量浓度变化趋势,Grid Nudging的11组敏感性试验至少预报准确率达63%,其中最优方案预报准确率达75%.相比未采用Nudging技术的CFS/WRF-Chem的50%预报准确率,使用Nudging技术的模式预报PM2.5质量浓度候趋势准确率有明显改进.

表1 基于Gird Nudging不同敏感性试验的相关参数设置和统计指标

对Spectral Nudging技术来说,Nudging时间尺度的设置影响较小[40-41],因此,只考虑不同截断波长和变量对预报结果的影响,并在相同的Nudging强度(Nudging系数)情况下,测试Spectral Nudging对截断波长的敏感性.研究表明,截断波长越短,Nudging过程包含所有比所选截断波长长的波就越多,在模式中,截断波长对应的设置是Nudging波数,截断波长越长,Nudging波数越少.由于网格经纬度范围限制,因此在本研究中,考虑最大经向和纬向波数均为4.图5给出了不同参数设置下,基于Spectral Nudging技术CFS/WRF-Chem逐日PM2.5预报情况,表2给出了基于Spectral Nudging技术的11组不同敏感性试验的相关参数设置和统计指标.

图4 2019年12月5日～2020年1月18日基于Grid Nudging技术的PM2.5浓度逐候预报结果与实况对比

(a-e)为不同系数的试验;(f-k)为不同变量组合的试验

图5 2019年12月5日～2020年1月18日基于Spectral Nudging技术的逐日PM2.5浓度的预报结果与实况对比

(a-e)为不同波数的试验;(f-k)为不同变量组合的试验

图5显示波数从0～4时模式预报结果的变化.在考虑Nudging所有变量的情况下,使用Spectral Nudging波数为1,即波长为1800km时,预报效果最佳,相关系数为0.43,Zs评分为0.67;使用截断波长为900km(波数2),预报效果最差,相关系数为0.22,Zs评分为0.67.从不同截断波长的预报结果分析,并不是截断波长越短(模式保留的波越多),预报结果越好.在截断波长由长变短的过程,预报与实况的相关系数经历了2次升高,相比于不设置截断波长,在1800km时,预报效果显著提高;随截断波长变短,预报结果转差,之后当截断波长为600km时,预报结果转好,随后预报结果再次转差.在使用最佳截断波长(1800km)的条件下,开展不同变量组合的Nudging试验.结果显示,只Nudging一个变量的情况下,水平风uv的预报效果最好,位势高度ph的效果最差;Nudging两个变量时,位温和水平风-uv的效果最佳,位温和位势高度-ph的效果最差;与Grid Nudging试验一样,Nudging多变量的效果要优于单变量,Nudging全部3个变量的预报结果最佳.

表2 基于Spectral Nudging技术不同敏感性试验的相关参数设置和统计指标

图6为Spectral Nudging试验逐候PM2.5实况浓度和预报浓度对比情况,实况在第1、5、9候发生污染,而不同Nudging波数试验均预报出了第1和9候的污染,未预报出第5候的污染.与逐日预报结果相似,截断波长为1800km时,相关系数最高,为0.68;未考虑截断波长时,相关系数最低,为0.42.所有试验均预报出了第1～2和7～8候的浓度下降,以及第3～4、6～7和8～9候的浓度上升.除截断波长为600km的试验外,其他试验均预报出了第2～3候的浓度下降.仅有截断波长600 和300km的试验预报出5～6候的浓度下降.Nudging不同变量组合的试验均预报出了第9候的污染,只Nudging一个变量的情况下,均预报出了第1候的污染.与逐日预报相似,只Nudging一个变量的情况下,Nudging水平风uv的预报效果最佳,相关系数为0.62;Nudging位势高度ph的预报效果最差,为0.41;Nudging两个变量的试验中, Nudging位温和水平风-uv的效果最佳,相关系数为0.62;Nudging位温和位势高度-ph的效果最差,相关系数为0.42.所有关于变量的敏感性试验均预报出了第1～2、7～8和8～9候的浓度下降,以及第3～4和6～7候的浓度上升.仅Nudging位温和-ph的试验预报出了2～3候的浓度下降. 所有Spectral Nudging试验均预报出了63%的浓度变化趋势,其中Nudging所有变量,截断波长为300km的试验预报出了88%的浓度变化趋势.

图6 2019年12月5日～2020年1月18日基于Spectral Nudging技术的PM2.5浓度逐候预报结果与实况对比

(a-e)为不同波数的实验;(f-k)为不同变量组合的试验

2.3 Nudging-CFS/WRF-Chem模式45d预报结果检验

本研究中,PM2.5浓度预报效果的改进是基于Nudging技术对气象场的改进而来.与未采用Nudging技术时的风场预报结果相比,引入Nudging技术后,预报的日值风速与实况的相关系数由原先的-0.04,提升为0.02～0.32,而对气温等改进效果不明显.其中Grid Nudging试验中预报风速与实况的相关系数为0.02～0.18,略低于Spectral Nudging的0.09～0.32.对逐候风速的趋势预测中,未采用Nudging技术时,趋势预测的准确率为50%,与PM2.5浓度逐候趋势预测准确率一致.Grid Nudging敏感性试验中风速逐候预测准确率为50%～63%,而Spectral Nudging敏感性试验中风速逐候预测准确率为50%～88%,对于逐候趋势的预测Spectral Nudging仍旧要略优于Grid Nudging.此外,Nudging技术对PM2.5浓度预报的改进中,无论是Grid Nudging还是Spectral Nudging,仅Nudging水平风uv时的改进效果要优于其他变量,说明风场改进对PM2.5浓度改进最为明显.通过与未采用Nudging技术的延伸期预报结果对比,风速日值预报和逐候预测的改进效果与PM2.5浓度的改进效果相一致,这说明采用Nudging技术主要实现对风场预报效果的改进,使得大范围内风场预报效果得以改善,进而改进PM2.5浓度的预报效果.

在最优Nudging参数设置的基础上,基于Nudging-CFS/WRF-Chem模式开展45d预报试验,评估PM2.5浓度预报结果表明:与未使用Nudging技术的预报结果相比,无论是Grid Nudging还是Spectral Nudging,相关系数都得到了显著提高.对比Grid Nudging和Spectral Nudging逐日预报结果,逐日预报中使用Spectral Nudging相关系数更高,而Grid Nudging的Zs评分更高.从统计数据分析,Grid Nudging的11组方案PM2.5等级预报准确率均值为38%～47%,Spectral Nudging的11组方案PM2.5等级预报准确率均值为 33%～44%,两者的最优方案相比未采用Nudging的技术方案,PM2.5等级预报准确率提升幅度均达到10%以上,这显示Nudging技术在延伸期PM2.5数值预报中的重要性.从逐候趋势预测分析,对于PM2.5污染趋势的把握,Spectral Nudging的预报结果要略优于Gird Nudging,未采用Nudging技术时,预报准确率为50%,采用Grid Nudging最高提高至75%,采用Spectral Nudging最高可提高至88%.

在整体趋势可靠的基础上,Nudging-CFS/ WRF-Chem模式也体现出延伸期预报中一些无法解决的问题,一些过程的漏报和空报无法避免,如2019年12月28～29日的污染事件,仅Spectral Nudging试验中截断波长为600km的敏感性试验有所体现,其它敏感性则均存在漏报,其原因是多方面的,如与中短期预报的可靠性相比,延伸期的PM2.5数值预报仅仅是能提供参考,仍然需要一些气候预测的统计手段去补充改进,如低频滤波等等.

3 结论

3.1 天津延伸期空气质量数值预报系统CFS/ WRF-Chem 在逐日精确预报上存在不足,PM2.5预报和实况相关系数为0.1,但基于延伸期和气候预测的评估指标,其Zs评分和逐候趋势预测准确率分别达到0.83和50%,可一定程度上支撑延伸期和月尺度PM2.5污染过程预测.

3.2 采用Grid Nudging和Spectral Nudging均可以有效的避免中尺度大气化学模式气象驱动场后期预报偏差的问题,其相较于未采用Nudging技术的CFS/ WRF-Chem模式,预报和实况相关系数由0.1提高至Grid Nudging的0.35和Spectral Nudging的0.43,PM2.5等级预报准确率由33%分别提高至47%和44%.

3.3 相比Grid Nudging和Spectral Nudging技术方案选择,其参数最优配置对Nudging技术运用更为关键,包括张弛波数、张驰时间和张弛变量等,这与模式分辨率、气象驱动场分辨率、预报目标要素均有关系,Nudging技术的运用需要本地化的敏感测试,对于天津延伸期空气质量数值预报系统Nudging- CFS/WRF-Chem,运用Grid Nudging技术时张弛系数5×10-5,张弛时间尺度6h,张弛变量--uv为最优;运用Spectral Nudging技术,张弛波数1,截断波长1800km,张弛变量--uv最优.

[1] 林廷坤,洪礼楠,黄争超,等.北京市秋冬季大气环流型下的气象和污染特征[J]. 中国环境科学, 2019,39(5):1813-1822.Lin T K, Hong L N, Huang Z C, et al. Meteorological and pollution characteristics under atmospheric circulation types in autumn and winter in Beijing [J]. China Environmental Science, 2019,39(5):1813-1822.

[2] 吕梦瑶,张恒德,王继康,等.2015年冬季京津冀两次重污染天气过程气象成因[J]. 中国环境科学, 2019,39(7): 2748-2757. Lü M Y, Zhang H D, Wang J K, et al. Analysis of meteorological causes of two heavily polluted weather processes in Beijing-Tianjin- Hebei Region in winter of 2015 [J]. China Environmental Science, 2019,39(7):2748-2757.

[3] 程念亮,李云婷,张大伟,等.2013年1月北京市一次空气重污染成因分析[J]. 环境科学, 2015,36(4):10. Cheng N L, Li Y T, Zhang D W, et al. Formation mechanism of a serious pollution event in January 2013 in Beijing [J]. Environmental Science, 2015,36(4):1154-1163.

[4] 蔡子颖,韩素芹,邱晓滨,等.基于WRF/Chem模式天津地区重污染天气成因分析[J]. 高原气象, 2019,38(5):12. Cai Z Y, Han S Q, Qiu X B, et al. 2019. Research on causes of severely polluted weather in Tianjin based on WRF/Chem [J]. Plateau Meteorology, 38(5):1108-1119.

[5] Tai A, Mickley L J, Jacob D J. Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: implications for the sensitivity of PM2.5to climate change [J]. Atmospheric environment, 2010,(32):3976-3984.

[6] He J, Gong S, Yu Y, et al. Air pollution characteristics and their relation to meteorological conditions during 2014～2015 in major Chinese cities [J]. Environmental Pollution, 2017,223:484-496.

[7] Zhang H, Wang Y, Hu J, et al. Relationships between meteorological parameters and criteria air pollutants in three megacities in China [J]. Environmental Research, 2015,140:242-254.

[8] Hossein S, Sajjad K, Vahid H, et al. A novel regression imputation framework for Tehran air pollution monitoring network using outputs from WRF and CAMx models [J]. Atmospheric Environment, 2018,187:24-33.

[9] 关攀博,周 颖,程水源,等.典型重工业城市空气重污染过程特征与来源解析[J]. 中国环境科学, 2020,40(1):31-40. Guan P B, Zhou Y, Cheng S Y, et al. Characteristics of heavy pollution process and source appointment in typical heavy industry cities [J]. China Environmental Science, 2020,40(1):31-40.

[10] 周广强,谢 英,吴剑斌,等.基于WRF-Chem模式的华东区域PM2.5预报及偏差原因[J]. 中国环境科学, 2016,36(8):2251-2259. Zhou G Q, Xie Y, Wu J B, et al. WRF-Chem based PM2.5forecast and bias analysis over the East China Region [J]. China Environmental Science, 2016,36(8):2251-2259.

[11] 朱 蓉,张存杰,梅 梅.大气自净能力指数的气候特征与应用研究[J]. 中国环境科学, 2018,38(10):3601-3610. Zhu R, Zhang C J, Mei M. The climate characteristics of atmospheric self-cleaning ability index and its application in China [J]. China Environmental Science, 2018,38(10):3601-3610.

[12] Wei Y, Chen X, Chen H, et al. IAP-AACM v1.0: a global to regional evaluation of the atmospheric chemistry model in CAS-ESM [J]. Atmospheric Chemistry and Physics, 2019,19(12):8269-8296.

[13] 杨欣悦,谭钦文,陆成伟,等.基于CFSv2的延伸期空气质量数值预报技术及效果评估[J]. 中国环境监测, 2021,37(5):175-184. Yang X Y, Tan Q W, Lu C W, et al. Numerical prediction technology and effect evaluation of extended period air quality based on CFSv2 [J]. Environmental Monitoring in China, 2021,37(5):175-184.

[14] 常炉予,谷怡萱,周广强,等.长三角环境气象预报预警中心,.华东区域环境气象延伸期预报技术研发[Z]. 2020-09-24. Chang L Y, Gu Y X, Zhou G Q, et al. Yangtze River Delta Center for Environmental Meteorology Prediction and Warning, Forecast technology of environmental meteorological extended period in east China [Z]. 2020-09-24.

[15] Storch H V, Langenberg H, Feser F. A spectral nudging technique for dynamical downscaling purposes [J]. Mon.wea.rev, 2000,128(10): 3664-3673.

[16] Miguez M G, Stenchikow G L, Robock A. Spectral nudging to eliminate the effects of domain position and geometry in regional climate model simulations [J]. Journal of Geophysical Research: Atmospheres, 2004,109(D13):1025-1045.

[17] Salameh T, Drobinski P, Dubos T. The effect of indiscriminate nudging time on large and small scales in regional climate modelling: Application to the Mediterranean basin [J]. Quarterly Journal of the Royal Meteorological Society, 2010,136(646):170-182.

[18] Omrani H, Drobinski P, Dubos T. Investigation of indiscriminate nudging and predictability in a nested quasi-geostrophic model [J]. Quarterly Journal of the Royal Meteorological Society, 2012,138(662):158-169.

[19] Hoke J E, Anthes R. The initialization of numerical models by a dynamic-initialization technique [J]. 1976,104(12):1551-1556.

[20] 易 雪,李得勤,赵春雨,等.分析Nudging对辽宁地区降尺度的影响 [J]. 地球科学进展, 2018,33(5):517-531. Yi X, Li D Q, Zhao C Y, et al. Assessment of dynamical climate downscaling methods using analysis nudging for Liaoning Area [J]. Advances in Earth Science, 2018,33(5):517-531.

[21] 李明妍,崔志强,王澄海.Nudging方法对中国西北强降水过程的模拟试验研究 [J]. 气候与环境研究, 2017,22(5):563-573. Li M Y, Cui Z Q, Wang C H. A numerical simulation study on Heavy rain processes in Northwest China using the Nudging method [J]. Climatic and Environmental Research, 2017,22(5):563-573.

[22] Xu X, Xie L, Cheng X, et al. Application of an adaptive Nudging scheme in air quality forecasting in China [J]. Journal of Applied Meteorology and Climatology, 2008,47(8):2105-2114.

[23] Cheng X H, Xu X D, Ding G A. An emission source inversion model based on satellite data and its application in air quality forecasts [J]. Science China, 2010,53(5):752-762.

[24] 李嘉鼎,孟 凯,赵天良,等.基于CMAQ模式的自适应“nudging”源反演方法的中国主要污染区排放特征分析[J]. 环境科学学报, 2020, 40(3):754-762. Li J D, Meng K, Zhao T L, et al. Air pollutant emission characteristics over major pollution areas in China based on adaptive "nudging" method with CMAQ model [J]. Acta Scientiae Circumstantiae, 2020, 40(3):754-762.

[25] 赵俊日,肖 昕,吴 涛,等.空气质量数值预报优化方法研究[J]. 中国环境科学, 2018,38(6):2047-2054. Zhao J R, Xiao X, Wu T, et al. A revised approach to air quality forecast based on Models-3/CMAQ [J]. China Environmental Science, 2018,38(6):2047-2054.

[26] 熊一帆,丁秋冀,舒卓智,等.基于数值模拟与资料同化探究长三角地区冬季PM2.5污染过程的气象影响 [J]. 环境科学学报, 2022,42(4):293-303. Xiong Y F, Ding Q J, Shu Z Z, et al. The influence of meteorological parameters on particulate matter in the Yangtze River Delta Region based on numerical simulation and data assimilation [J]. Acta Scientiae Circumstantiae, 2022,42(4):293-303.

[27] 邱雨露,陈 磊,朱 佳,等.COVID-19管控期间气象条件变化对京津冀PM2.5浓度影响 [J]. 环境科学, 2022,43(6):2831-2839.Qiu Y L, Chen L, Zhu J, et al. Impacts of changes in meteorological conditions during COVID-19 lockdown on PM2.5concentrations over the Jing-Jin-Ji Region [J]. Environmental Science, 2022,43(6):2831-2839.

[28] Liang F, Meng G, Xiao Q, et al. Evaluation of a data fusion approach to estimate daily PM2.5levels in North China [J]. Environmental Research, 2017,158:54-60.

[29] Du Q, Zhao C, Zhang M, et al. Modeling diurnal variation of surface PM2.5concentrations over East China with WRF-Chem: impacts from boundary-layer mixing and anthropogenic emission [J]. Atmospheric Chemistry and Physics, 2020,(5):2839-2863.

[30] Saha S, Moorthi S, Wu X, et al. The NCEP climate forecast system version 2 [J]. Journal of climate, 2014,27(6):2185-2208.

[31] 郎 杨.CFSv2在中国区域的季节干旱可预报性研究[D]. 北京:北京师范大学, 2015:1-40. Lang Y. CFSv2-based seasonal drought predictability in China [D]. Beijing: Beijing Normal University, 2015:1-40.

[32] Stauffer D R, Seaman N L. Use of four-dimensional data assimilation in a limited-area mesoscale model. Part I: Experiments with synoptic- scale data [J]. Monthly Weather Review, 1990,118(6):1250-1277.

[33] Glisan J M, Gutowski Jr W J, Cassano J J, et al. Effects of spectral nudging in WRF on Arctic temperature and precipitation simulations [J]. Journal of Climate, 2013,26(12):3985-3999.

[34] Waldron K M, Paegle J, Horel J D. Sensitivity of a spectrally filtered and nudged limited-area model to outer model options [J]. Monthly weather review, 1996,124(3):529-547.

[35] von Storch H, Langenberg H, Feser F. A spectral nudging technique for dynamical downscaling purposes [J]. Monthly weather review, 2000,128(10):3664-3673.

[36] Choi S J, Lee D K. Impact of spectral nudging on the downscaling of tropical cyclones in regional climate simulations [J]. Advances in Atmospheric Sciences, 2016,33(6):730-742.

[37] 陈伯民,梁 萍,信 飞,等.延伸期过程预报预测技术及应用 [J]. 气象科技进展, 2017,7(6):82-91. Chen B M, Liang P, Xin F, et al. The extended-range process prediction technique and application [J]. Advances in Meteorological Science and Technology, 2017,7(6):82-91.

[38] 郑广芬,王素艳,杨建玲,等.基于前期海温异常的宁夏5～9月候降水量客观预测方法及检验评估 [J]. 干旱气象, 2016,34(1):43-50.Zheng G F, Wang S Y, Yang J L, et al. Study on the objective prediction method and its vefificion and assessment for pentad precipitation from May to September in Ningxia based on the preceding SST anomaly [J]. Journal of Arid Meteorology, 2016,34(1):43-50.

[39] 生态环境部.环境空气质量数值预报技术规范:HJ1130—2020 [S]. 北京:中国环境出版社, 2020.

[40] Bullock Jr O R, Alapaty K, Herwehe J A, et al. An observation-based investigation of nudging in WRF for downscaling surface climate information to 12-km grid spacing [J]. Journal of Applied Meteorology and Climatology, 2014,53(1):20-33.

[41] Mai X, Ma Y, Yang Y, et al. Impact of Grid Nudging parameters on dynamical downscaling during summer over mainland China [J]. Atmosphere, 2017,8(10):184.

Numerical prediction technology of extended period PM2.5in autumn and winter in Tianjin based on Nudging method.

TANG Ying-xiao1, QIN Ming-yue2, CAI Zi-ying1*, YANG Xu1

(1.Tianjin Environmental Meteorological Center, Tianjin 300074, China；2.National Marine Data and Information Service, Tianjin 300074, China)., 2023,43(9)：4503～4511

Based on the Tianjin extended period Air Quality Numerical forecasting system (CFS/WRF-Chem), this study introduced Nudging technology to restrict the model integration process, and conducted sensitivity experiments by Grid Nudging and Spectral Nudging. Through the optimization scheme experiments of parameters such as Nudging wave number, Nudging time and Nudging variables, the improvement applicability of Nudging technology in the extended period PM2.5numerical prediction to effectively enhance the accuracy of air quality trend prediction for 10～45 days in autumn and winter in Tianjin. The results showed that: Compared to the extend period numerical model prediction without Nudging technology, no matter the Grid Nudging or Spectral Nudging, prediction improved after using Nudging technology. The correlation coefficient between daily prediction and observed PM2.5concentration increased from 0.1without Nudging technology to 0.35 by Grid Nudging and 0.43 by Spectral Nudging, and the prediction accuracy of PM2.5grade increased from 33% to 47% and 44%, respectively. Compared to the selection of Grid Nudging and Spectral Nudging scheme, the optimal configuration of parameters such as Nudging wave number, Nudging time and Nudging variables, was more critical to the application of Nudging technology. In Grid Nudging, the best prediction was the experiment by Nudging coefficient was 5×10-5, Nudging time was 6h, and Nudging variable was--uv. In Spectral Nudging, the best prediction is the experiment by Nudging wave number was 1, truncated wavelength was 1800km, and Nudging variable was--uv. Even using Nudging technology, there are still great uncertainties in the extended period daily PM2.5concentration prediction, which is more suitable for trend prediction (increase or decrease). According to the analysis of the PM2.5concentration trend between pentads, the prediction accuracy was 50% without Nudging technology, and increased to 75% by Grid Nudging, and 88% by Spectral Nudging. Spectral Nudging provided a slightly better prediction, which could effectively support the extended period PM2.5trend prediction by pentad resolution.

Tianjin；Nudging；numerical prediction technology of extended period PM2.5；WRF-Chem

X513

A

1000-6923(2023)09-4503-09

唐颖潇(1990-),男,福建福安人,工程师,博士,主要研究方向为大气环境与数值模式.发表论文20余篇.tangyingx@163.com.

唐颖潇,秦明月,蔡子颖,等.基于松弛逼近方法的天津PM2.5延伸期数值预报研究 [J]. 中国环境科学, 2023,43(9):4503-4511.

Tang Y X, Qin M Y, Cai Z Y, et al. Numerical prediction technology of extended period PM2.5in autumn and winter in Tianjin based on Nudging method [J]. China Environmental Science, 2023,43(9):4503-4511.

2023-02-10

国家自然科学基金资助重点项目(42130513);天津市气象局项目(202206ybxm03)

* 责任作者, 高级工程师, 120078030@163.com