基于松弛逼近方法的天津PM2.5延伸期數值預報研究

唐穎瀟,秦明月,蔡子穎*,楊 旭

基于松弛逼近方法的天津PM2.5延伸期數值預報研究

唐穎瀟1,秦明月2,蔡子穎1*,楊 旭1

(1.天津市環境氣象中心,天津 300074；2.國家海洋信息中心,天津 300171)

在現有天津延伸期空氣質量數值預報系統(CFS/WRF-Chem)的基礎上,引入Nudging技術約束模式積分過程,開展Grid Nudging和Spectral Nudging敏感性試驗.通過張弛波數、張弛時間、張弛變量等參數的最優化方案測試,提升Nudging技術在天津秋冬季PM2.5延伸期數值預報中的適用性,以期有效提升天津秋冬季10～45d空氣質量趨勢預測的準確性.研究結果表明:與未采用Nudging技術的延伸期空氣質量數值模式預報相比,使用Nudging技術后,無論是Grid Nudging還是Spectral Nudging,延伸期空氣質量預報效果均得以提升.逐日預報與實況PM2.5質量濃度的相關系數由未采用Nudging技術的0.1分別提高至Grid Nudging的0.35和Spectral Nudging的0.43,PM2.5等級預報準確率由33%分別提高至47%和44%.相比Grid Nudging和Spectral Nudging方案的選擇,張弛波數、截斷波長和張弛變量等參數最優配置對Nudging技術運用更為關鍵. Grid Nudging技術中張弛系數5×10-5,張弛時間尺度6h,張弛變量--uv為最優;Spectral Nudging技術中張弛波數1,截斷波長1800km,張弛變量--uv最優.即使采用Nudging技術,延伸期PM2.5質量濃度逐日預報仍有很大的不確定性,其更適合趨勢(增加或者下降)預測.從候與候之間PM2.5濃度變化趨勢結果分析,未采用Nudging技術時,預報準確率為50%,采用Grid Nudging提高至75%,采用Spectral Nudging可提高至88%,Spectral Nudging的預報結果略優,且可以有效支撐延伸期PM2.5候分辨率尺度空氣質量趨勢預測.

天津；松弛逼近方法；延伸期PM2.5數值預報；WRF-Chem

隨著《大氣污染防治行動計劃》和《打贏藍天保衛戰三年行動計劃》深入實施,我國環境空氣質量逐年改善.在大氣污染防控調度中,基于氣象條件的空氣質量預報和重污染預警在其中發揮積極作用.大氣污染事件的發生往往是不利氣象條件和污染物排放共同作用的結果[1-4].在一定時期內排放相對穩定的情況下,污染形成、累積更多受氣象條件影響,研究顯示氣象因子的日變化可以解釋50%的PM2.5變化[5].由于大氣污染變化與氣象條件密切相關,以及氣象條件的可預測性,為空氣質量預報提供了可能[6-7].根據預報方法和預報時效,氣象和氣候預測一般可分為短時預報(24h),短期預報(1～3d),中期預報(4～10d),延伸期預報(10～40d),月預測、季預測和年預測.與之對應,生態環境部門和氣象部門聯合全國重點城市從2013年開始開展了基于AQI的短期空氣質量預報,且隨著能力逐漸提升發展至短中期預報和延伸期月污染過程預測.因此,不斷提高未來7～10d區域污染過程預報準確率,以及研究提升未來月尺度區域空氣質量趨勢預測能力是現階段空氣質量預報預測技術發展的難點,也是實際大氣污染防治中迫切需求的技術.

近年隨著數值預報技術和超級計算機的發展,數值模式在空氣質量預報中發揮了越來越重要的作用.如CAMx、WRF-Chem及CMAQ作為三代大氣化學模式典型代表,在0～10d空氣質量預報中均表現出不錯的性能[8-10].隨著預報時效的延長,對于延伸期的空氣質量預報,其不確定性必然超過短中期預報,但也成為新技術和產品開發的熱點,包括中國氣象局[11-12]、四川[13]和上海[14]等單位和地區基于數值模式和客觀分型等相關統計方法, 實現全國和不同地區的環境氣象延伸期預報技術.天津環境氣象中心于2021年搭建了延伸期空氣質量數值預報系統(CFS/WRF-Chem),模式水平分辨率15km,可以提供10～45d天津及周邊地區PM2.5質量濃度變化趨勢.但是這些研究均表現出延伸期空氣質量預報較強的不確定性,以及現有技術和產品的不足.分析原因,其可能為在直接使用全球再分析數據驅動數值模式的過程中,隨著模式的連續積分,往往使得模擬結果逐漸偏離模式大尺度背景場[15-16].

為應對這種情況,松弛逼近方法(Nudging)得以發展,這項技術主要是通過在模式側邊界上增加松弛項,以約束模式積分過程,松弛項根據分析場和預報場的偏差以反比例的指數形式在時間上調整模式狀態,從而使得積分過程向著強迫場逼近[17-18]. Nudging方法最早由Hoke等[19]提出,并在氣象預報中廣泛運用,也常應用于延伸期氣象要素的預報[20-21].Nudging方法在空氣質量預報領域的應用,主要是采用Nudging源同化反演方法,從而對排放源進行優化,減少模式預報結果與實際觀測濃度的誤差[22-23].一種是基于模式的自適應Nudging源反演方法[24],一種則是基于源清單Nudging修正方法[25],以提高模式污染物濃度預報的準確率.而通過Nudging方法改進氣象場,也能夠進一步優化空氣質量的模擬效果.可以在模式中Nudging自動氣象站觀測資料,以此通過氣象場的改善使得PM2.5濃度的模擬效果的改善[26].這些研究主要是通過同化觀測資料的方式實現對模擬結果的改進.在延伸期空氣質量的預報中,則需要考慮從動力學的角度約束模式的積分過程,進而改進預報效果,以實現業務化運行.

本研究在現有天津延伸期空氣質量數值預報系統(CFS/WRF-Chem)的基礎上,引入Nudging技術約束模式積分過程,開展Grid Nudging和Spectral Nudging敏感性試驗,通過張弛波數、張弛時間、張弛變量和截斷波長等參數的最優化方案測試,提升Nudging技術在天津秋冬季PM2.5延伸期數值預報中的適用性,以期有效提升天津秋冬季10～45d空氣質量趨勢預測的準確性,更好地支撐天津地區延伸期空氣質量預報工作的開展,并為其他城市空氣質量預報工作提供參考.

1 材料與方法

1.1 監測數據

污染物濃度數據來源于天津市環境空氣質量監測網絡國控評價點,包括天津地區21個點位逐小時PM2.5、PM10、SO2、NO2、O3和CO質量濃度.

1.2 大氣化學模式和CFS氣象場

WRF-Chem模式是NCAR和NOAA聯合其他研究機構共同開發的大氣化學模式,在空氣質量模擬和預報中得到廣泛應用[27-29].本研究采用WRF-Chem3.8.1版本,氣相化學過程采用CBMZ機制,氣溶膠過程采用MOSAIC模型,積云對流方案采用GRELL-3D,微物理過程采用WSM5,長波輻射方案和短波輻射方案均采用RRTMG,考慮氣溶膠直接輻射反饋,邊界層方案使用YSU方案,模式所模擬的天津以外地區人為排放源清單使用清華大學MEIC2020排放源清單,分辨率0.25°×0.25°,在天津地區使用2020年源譜調查排放源清單數據,其分辨率為1km,模式水平分辨率15km,水平網格121×121,中心經緯度為39N°,117E°,垂直方向分為41層.

圖1 監測點位分布示意

天津延伸期空氣質量數值預報系統(CFS/ WRF-Chem)由CFS(The Climate Forecast System)氣象場驅動,CFSv2是美國環境預報中心(NECP)研發完全耦合氣候預報系統,包含大氣、陸面和海洋模式[30].提供29a(1982～2010年)的歷史回報數據,于2011年3月提供業務化預報.具有3種不同預報長度且時間分辨率為6h的預報產品:4個時段(00:00、06:00、12:00和18:00),預報長度為9個月的預報;1個時段(00:00)預報長度為1個季度的預報(約123d);3個時段(06:00、12:00和18:00)預報長度為45d的預報[31].本研究開展Grid Nudging和Spectral Nudging敏感性試驗,設計情景方案23組,選用2019年12月5日12:00起報案例作為研究對象,預報時效為45d, spinup時間為24h,每24h輸入一次CFSv2氣象場, Nudging時間為45d,模擬時間段為2019年12月5日～2020年1月18日.

1.3 Nudging技術

Nudging技術的基本思路是在數值模式積分指定時刻,在預報方程中增加一個附加項,即預報值與分析值之差的松弛項,使得方程的解逼近分析值,從而實現對預報結果的約束[32～33].本研究主要使用Grid Nudging和Spectral Nudging這兩種方法.

Grid Nudging方法的基本思路是在方程中加入額外的逼近項,即在每個格點上將模式結果逼近到時間插值后的分析場,從而實現對模式場的調整,其公式如下:

式中:為模式的積分變量;為時間;()為物理強迫項;G為控制松弛大小的時間尺度因子;W為附加的四維權重系數;0是通過臨近時刻插值后的時空分析場,以此實現逼近模式解[32].在WRF模式中,可以是風的經緯向分量(uv)、位溫()或者水汽混合比().Nudging不同變量時,通過公式(1)產生影響,并通過模式內部方程約束,實現其他要素的更新. Nudging強度或者Nudging系數,被Nudging時間尺度所控制.Nudging時間尺度越小,Nudging強度越強,變量越接近0.

Spectral Nudging利用波譜法,設置波數通過快速傅里葉分析將資料轉化進行波譜分析,在空間中過濾掉大于設置波數的高頻波,保留大尺度的低頻波,然后按照一定權重,把低頻波加到模式預報場,從而可以將模擬狀態不斷靠近大尺度驅動狀態,較好地減小大尺度誤差,避免了過多的高頻資料被大尺度分析場過渡修正[34-36].模式變量可自由發展中小尺度過程,同時又可以反應出較小尺度的特性.其公式如下:

式中:變量的值由相鄰時刻的分析值內插得到,可以是水平風(uv)、位溫()或者位勢高度(ph);為時間;為模式的物理強迫項,G為Nudging系數,它決定了模式中同化項相對于物理強迫中所有模式物理過程的大小;()為垂直方向上Nudging的權重系數;0為再分析變量;K代表對于不同尺度的逼近系數;k、k代表經向和緯向的波矢量分量;、分別表示經向和緯向上的波數;、為經向和緯向上的Nudging波數,其值根據格距,格點數以及波長進行計算而得,以此來調整模式的大尺度環流場,使其與真實強迫場保持一致.

為了對模式預報結果進行檢驗,本研究使用相關系數R和Zs評分統計分析模式預報結果與實況的關系,其中Zs評分原本主要用于評價強降水過程預測的準確性[37-38],而在本研究中則用于評價污染過程預測的準確性.本研究將連續兩天空氣質量水平為輕度及以上污染,或者單日空氣質量水平為中度及以上污染,定義為污染過程或稱污染事件.所預測的污染過程與實際發生的污染過程允許存在兩日及以內的偏差,實際發生的污染過程未出現在預測時段,則記為漏報1次;預測時段內實際未發生污染過程,則記為空報1次;預報正確,記為正確1次.Zs評分的計算公式如下:

Zs=(預測正確的過程數)/(預測正確過程數+

空報過程數+漏報過程數)(3)

2 結果與討論

2.1 基于CFS氣象場的延伸期PM2.5濃度數值預報

以天津延伸期空氣質量數值預報系統(CFS/WRF-Chem)2019年12月5日起報的45d預報產品為例開展模式預報產品評估研究.圖2(a)中給出了2019年12月5日～2020年1月18日期間天津地區PM2.5觀測日值濃度變化,可以看出模擬期間天津地區一共發生了5次污染事件,分別為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日污染最為嚴重,PM2.5平均質量濃度可達212.5 μg/m3,污染過程持續4d且污染程度均達到重度污染水平.圖2(a)中也給出基于CFSv2氣象場的PM2.5濃度數值預報情況.對比顯示,所預報的PM2.5質量濃度整體偏高,尤其在非污染時段.同時,模式預報出6次污染事件,多于實況的5次,而預報與觀測的相關系數為0.1.根據我國《環境空氣質量數值預報技術規范》(HJ 1130—2020)[39]的評估方法,對模式延伸期預報進行檢驗,結果顯示PM2.5等級預報準確率為33%.這說明CFS/WRF-Chem的延伸期空氣質量預報產品在逐日精確預報上存在不足.考慮延伸期和氣候預報預測檢驗評估的特殊性,本文使用降水預報中常用的Zs評分來評估預報時段內污染事件的影響,以達到對延伸期污染事件的預測.結果表明預報與實況的Zs評分為0.83,說明以氣象過程預測標準, CFS/WRF-Chem在指導延伸期污染過程預報中能發揮一定作用.圖2(b)給出逐候(每5d)PM2.5濃度實況和預報對比情況,結果表明,模式預報出了第2～3候、第3～4候、第6～7候、第7～8候和第8～9候期間的濃度變化趨勢,逐候均方根誤差的結果顯示,第2、5、6和8候的均方根誤差相對較小,此時也對應逐候預報趨勢正確的時段.根據Zs評分和逐候預報結果說明,基于CFSv2的延伸期模式能夠預報出45d內近50%PM2.5濃度變化趨勢.

圖2 2019年12月5日～2020年1月18日PM2.5日值實況與預報濃度對比

(a)為逐日濃度對比情況,其中陰影部分為污染事件;(b)為逐候對比情況

2.2 Nudging技術敏感性測試

Nudging技術主要分為Grid Nudging和Spectral Nudging,不同參數的設置對預報結果的影響存在一定差異,其主要調整的參數包括:張弛波數、張弛時間、張弛變量等.本節通過22組敏感性試驗對比分析確定不同參數設置下Nudging技術對CFS/WRF- Chem模式延伸期PM2.5質量濃度預報影響,從而確定最優方案,提升預報效果.圖3顯示不同參數設置下,基于Grid Nudging技術的模式預報PM2.5質量濃度與實況對比情況,11組敏感性試驗(表1)表明:在考慮Nudging所有變量的情況下,使用Nudging系數為5×10-5,預報效果最佳,相關系數為0.35,Zs評分為0.8;使用Nudging系數為1.7×10-5,預報效果最差,相關系數為0.29,Zs評分為0.57.Nudging系數表征Nudging時間尺度,其數值與Nudging時間相對應,系數越小,時間尺度越長;反之,則越短.從不同系數設置的模式預報結果分析,并不是Nudging時間尺度越短越好;在Nudging系數從3×10-4變為1×10-4的過程中,相關系數減小,在系數為5×10-5時,相關系數再次提升,之后相關系數隨著系數減小而減小.這說明6h(系數為5×10-5)為最佳Nudging時間尺度,長于或者短于這個時間都將導致天津延伸期模式系統預報效果轉差.在使用最佳Nudging系數的情況下,開展不同變量組合的Nudging試驗,對于PM2.5濃度預報,僅Nudging一個變量的情況下,Nudging水平風uv的效果最好,水汽混合比的效果最差.Nudging兩個變量時,Nudging位溫和水平風-uv的試驗效果最佳,位溫和水汽混合比-的試驗效果最差.Nudging多變量的預報效果要優于單變量,Nudging全部三個變量的預報結果最佳.

圖3 2019年12月5日～2020年1月18日基于Grid Nudging技術的逐日PM2.5濃度預報結果與實況對比

(a-e)為不同系數的試驗;(f-k)為不同變量組合的試驗

圖4為Grid Nudging試驗中逐候PM2.5實況和預報濃度對比情況.由圖顯示實況共出現3次污染,分別出現在第1、5、9候,Grid Nudging試驗中不同系數的試驗均預報出了第9候的污染,均未預報出第5候的污染.Nudging時間尺度為1h(系數為3×10-4)時,相關系數最高為0.54;時間尺度為12h(系數為2.5×10-5),相關系數最低,為0.29.所有系數的試驗均預報出了第1～2和7～8候的濃度下降,以及第3～4、6～7和8～9候的濃度上升.不同變量組合的試驗均預報出了第9候的污染.與逐日預報相似,只Nudging一個變量的情況下,Nudging水平風uv的預報效果最佳,相關系數為0.43;Nudging水汽混合比的預報效果最差,為0.27.Nudging兩個變量的組合中,位溫和水平風-uv的預報效果最佳,相關系數為0.47;位溫和水汽混合比-的預報效果最差,相關系數為0.34.所有關于變量的敏感性試驗均預報出了第1～2、7～8和8～9候的PM2.5質量濃度下降,以及第3～4和6～7候的濃度上升.除Nudging位溫和水平風的-uv試驗外,其他試驗均預報出了5～6候的濃度下降.對于候與候之間的PM2.5質量濃度變化趨勢,Grid Nudging的11組敏感性試驗至少預報準確率達63%,其中最優方案預報準確率達75%.相比未采用Nudging技術的CFS/WRF-Chem的50%預報準確率,使用Nudging技術的模式預報PM2.5質量濃度候趨勢準確率有明顯改進.

表1 基于Gird Nudging不同敏感性試驗的相關參數設置和統計指標

對Spectral Nudging技術來說,Nudging時間尺度的設置影響較小[40-41],因此,只考慮不同截斷波長和變量對預報結果的影響,并在相同的Nudging強度(Nudging系數)情況下,測試Spectral Nudging對截斷波長的敏感性.研究表明,截斷波長越短,Nudging過程包含所有比所選截斷波長長的波就越多,在模式中,截斷波長對應的設置是Nudging波數,截斷波長越長,Nudging波數越少.由于網格經緯度范圍限制,因此在本研究中,考慮最大經向和緯向波數均為4.圖5給出了不同參數設置下,基于Spectral Nudging技術CFS/WRF-Chem逐日PM2.5預報情況,表2給出了基于Spectral Nudging技術的11組不同敏感性試驗的相關參數設置和統計指標.

圖4 2019年12月5日～2020年1月18日基于Grid Nudging技術的PM2.5濃度逐候預報結果與實況對比

(a-e)為不同系數的試驗;(f-k)為不同變量組合的試驗

圖5 2019年12月5日～2020年1月18日基于Spectral Nudging技術的逐日PM2.5濃度的預報結果與實況對比

(a-e)為不同波數的試驗;(f-k)為不同變量組合的試驗

圖5顯示波數從0～4時模式預報結果的變化.在考慮Nudging所有變量的情況下,使用Spectral Nudging波數為1,即波長為1800km時,預報效果最佳,相關系數為0.43,Zs評分為0.67;使用截斷波長為900km(波數2),預報效果最差,相關系數為0.22,Zs評分為0.67.從不同截斷波長的預報結果分析,并不是截斷波長越短(模式保留的波越多),預報結果越好.在截斷波長由長變短的過程,預報與實況的相關系數經歷了2次升高,相比于不設置截斷波長,在1800km時,預報效果顯著提高;隨截斷波長變短,預報結果轉差,之后當截斷波長為600km時,預報結果轉好,隨后預報結果再次轉差.在使用最佳截斷波長(1800km)的條件下,開展不同變量組合的Nudging試驗.結果顯示,只Nudging一個變量的情況下,水平風uv的預報效果最好,位勢高度ph的效果最差;Nudging兩個變量時,位溫和水平風-uv的效果最佳,位溫和位勢高度-ph的效果最差;與Grid Nudging試驗一樣,Nudging多變量的效果要優于單變量,Nudging全部3個變量的預報結果最佳.

表2 基于Spectral Nudging技術不同敏感性試驗的相關參數設置和統計指標

圖6為Spectral Nudging試驗逐候PM2.5實況濃度和預報濃度對比情況,實況在第1、5、9候發生污染,而不同Nudging波數試驗均預報出了第1和9候的污染,未預報出第5候的污染.與逐日預報結果相似,截斷波長為1800km時,相關系數最高,為0.68;未考慮截斷波長時,相關系數最低,為0.42.所有試驗均預報出了第1～2和7～8候的濃度下降,以及第3～4、6～7和8～9候的濃度上升.除截斷波長為600km的試驗外,其他試驗均預報出了第2～3候的濃度下降.僅有截斷波長600 和300km的試驗預報出5～6候的濃度下降.Nudging不同變量組合的試驗均預報出了第9候的污染,只Nudging一個變量的情況下,均預報出了第1候的污染.與逐日預報相似,只Nudging一個變量的情況下,Nudging水平風uv的預報效果最佳,相關系數為0.62;Nudging位勢高度ph的預報效果最差,為0.41;Nudging兩個變量的試驗中, Nudging位溫和水平風-uv的效果最佳,相關系數為0.62;Nudging位溫和位勢高度-ph的效果最差,相關系數為0.42.所有關于變量的敏感性試驗均預報出了第1～2、7～8和8～9候的濃度下降,以及第3～4和6～7候的濃度上升.僅Nudging位溫和-ph的試驗預報出了2～3候的濃度下降. 所有Spectral Nudging試驗均預報出了63%的濃度變化趨勢,其中Nudging所有變量,截斷波長為300km的試驗預報出了88%的濃度變化趨勢.

圖6 2019年12月5日～2020年1月18日基于Spectral Nudging技術的PM2.5濃度逐候預報結果與實況對比

(a-e)為不同波數的實驗;(f-k)為不同變量組合的試驗

2.3 Nudging-CFS/WRF-Chem模式45d預報結果檢驗

本研究中,PM2.5濃度預報效果的改進是基于Nudging技術對氣象場的改進而來.與未采用Nudging技術時的風場預報結果相比,引入Nudging技術后,預報的日值風速與實況的相關系數由原先的-0.04,提升為0.02～0.32,而對氣溫等改進效果不明顯.其中Grid Nudging試驗中預報風速與實況的相關系數為0.02～0.18,略低于Spectral Nudging的0.09～0.32.對逐候風速的趨勢預測中,未采用Nudging技術時,趨勢預測的準確率為50%,與PM2.5濃度逐候趨勢預測準確率一致.Grid Nudging敏感性試驗中風速逐候預測準確率為50%～63%,而Spectral Nudging敏感性試驗中風速逐候預測準確率為50%～88%,對于逐候趨勢的預測Spectral Nudging仍舊要略優于Grid Nudging.此外,Nudging技術對PM2.5濃度預報的改進中,無論是Grid Nudging還是Spectral Nudging,僅Nudging水平風uv時的改進效果要優于其他變量,說明風場改進對PM2.5濃度改進最為明顯.通過與未采用Nudging技術的延伸期預報結果對比,風速日值預報和逐候預測的改進效果與PM2.5濃度的改進效果相一致,這說明采用Nudging技術主要實現對風場預報效果的改進,使得大范圍內風場預報效果得以改善,進而改進PM2.5濃度的預報效果.

在最優Nudging參數設置的基礎上,基于Nudging-CFS/WRF-Chem模式開展45d預報試驗,評估PM2.5濃度預報結果表明:與未使用Nudging技術的預報結果相比,無論是Grid Nudging還是Spectral Nudging,相關系數都得到了顯著提高.對比Grid Nudging和Spectral Nudging逐日預報結果,逐日預報中使用Spectral Nudging相關系數更高,而Grid Nudging的Zs評分更高.從統計數據分析,Grid Nudging的11組方案PM2.5等級預報準確率均值為38%～47%,Spectral Nudging的11組方案PM2.5等級預報準確率均值為 33%～44%,兩者的最優方案相比未采用Nudging的技術方案,PM2.5等級預報準確率提升幅度均達到10%以上,這顯示Nudging技術在延伸期PM2.5數值預報中的重要性.從逐候趨勢預測分析,對于PM2.5污染趨勢的把握,Spectral Nudging的預報結果要略優于Gird Nudging,未采用Nudging技術時,預報準確率為50%,采用Grid Nudging最高提高至75%,采用Spectral Nudging最高可提高至88%.

在整體趨勢可靠的基礎上,Nudging-CFS/ WRF-Chem模式也體現出延伸期預報中一些無法解決的問題,一些過程的漏報和空報無法避免,如2019年12月28～29日的污染事件,僅Spectral Nudging試驗中截斷波長為600km的敏感性試驗有所體現,其它敏感性則均存在漏報,其原因是多方面的,如與中短期預報的可靠性相比,延伸期的PM2.5數值預報僅僅是能提供參考,仍然需要一些氣候預測的統計手段去補充改進,如低頻濾波等等.

3 結論

3.1 天津延伸期空氣質量數值預報系統CFS/ WRF-Chem 在逐日精確預報上存在不足,PM2.5預報和實況相關系數為0.1,但基于延伸期和氣候預測的評估指標,其Zs評分和逐候趨勢預測準確率分別達到0.83和50%,可一定程度上支撐延伸期和月尺度PM2.5污染過程預測.

3.2 采用Grid Nudging和Spectral Nudging均可以有效的避免中尺度大氣化學模式氣象驅動場后期預報偏差的問題,其相較于未采用Nudging技術的CFS/ WRF-Chem模式,預報和實況相關系數由0.1提高至Grid Nudging的0.35和Spectral Nudging的0.43,PM2.5等級預報準確率由33%分別提高至47%和44%.

3.3 相比Grid Nudging和Spectral Nudging技術方案選擇,其參數最優配置對Nudging技術運用更為關鍵,包括張弛波數、張馳時間和張弛變量等,這與模式分辨率、氣象驅動場分辨率、預報目標要素均有關系,Nudging技術的運用需要本地化的敏感測試,對于天津延伸期空氣質量數值預報系統Nudging- CFS/WRF-Chem,運用Grid Nudging技術時張弛系數5×10-5,張弛時間尺度6h,張弛變量--uv為最優;運用Spectral Nudging技術,張弛波數1,截斷波長1800km,張弛變量--uv最優.

[1] 林廷坤,洪禮楠,黃爭超,等.北京市秋冬季大氣環流型下的氣象和污染特征[J]. 中國環境科學, 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] 呂夢瑤,張恒德,王繼康,等.2015年冬季京津冀兩次重污染天氣過程氣象成因[J]. 中國環境科學, 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,張大偉,等.2013年1月北京市一次空氣重污染成因分析[J]. 環境科學, 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] 蔡子穎,韓素芹,邱曉濱,等.基于WRF/Chem模式天津地區重污染天氣成因分析[J]. 高原氣象, 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] 關攀博,周 穎,程水源,等.典型重工業城市空氣重污染過程特征與來源解析[J]. 中國環境科學, 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] 周廣強,謝 英,吳劍斌,等.基于WRF-Chem模式的華東區域PM2.5預報及偏差原因[J]. 中國環境科學, 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,張存杰,梅 梅.大氣自凈能力指數的氣候特征與應用研究[J]. 中國環境科學, 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] 楊欣悅,譚欽文,陸成偉,等.基于CFSv2的延伸期空氣質量數值預報技術及效果評估[J]. 中國環境監測, 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] 常爐予,谷怡萱,周廣強,等.長三角環境氣象預報預警中心,.華東區域環境氣象延伸期預報技術研發[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,趙春雨,等.分析Nudging對遼寧地區降尺度的影響 [J]. 地球科學進展, 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,崔志強,王澄海.Nudging方法對中國西北強降水過程的模擬試驗研究 [J]. 氣候與環境研究, 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 凱,趙天良,等.基于CMAQ模式的自適應“nudging”源反演方法的中國主要污染區排放特征分析[J]. 環境科學學報, 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] 趙俊日,肖 昕,吳 濤,等.空氣質量數值預報優化方法研究[J]. 中國環境科學, 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.基于數值模擬與資料同化探究長三角地區冬季PM2.5污染過程的氣象影響 [J]. 環境科學學報, 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,陳 磊,朱 佳,等.COVID-19管控期間氣象條件變化對京津冀PM2.5濃度影響 [J]. 環境科學, 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 楊.CFSv2在中國區域的季節干旱可預報性研究[D]. 北京:北京師范大學, 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] 陳伯民,梁 萍,信 飛,等.延伸期過程預報預測技術及應用 [J]. 氣象科技進展, 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] 鄭廣芬,王素艷,楊建玲,等.基于前期海溫異常的寧夏5～9月候降水量客觀預測方法及檢驗評估 [J]. 干旱氣象, 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] 生態環境部.環境空氣質量數值預報技術規范:HJ1130—2020 [S]. 北京:中國環境出版社, 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

唐穎瀟(1990-),男,福建福安人,工程師,博士,主要研究方向為大氣環境與數值模式.發表論文20余篇.tangyingx@163.com.

唐穎瀟,秦明月,蔡子穎,等.基于松弛逼近方法的天津PM2.5延伸期數值預報研究 [J]. 中國環境科學, 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

國家自然科學基金資助重點項目(42130513);天津市氣象局項目(202206ybxm03)

* 責任作者, 高級工程師, 120078030@163.com