高原气象

高原气象 >

2024 , Vol. 43 >Issue 5: 1259 - 1270

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00016

葵花-8 卫星AOD资料在CMA-MESO/CUACE CW 3DVar同化系统中的个例应用研究

  • 田伟红 ,
  • 庄照荣 ,
  • 韩威 ,
  • 沈学顺
展开
  • 1. 中国气象局地球系统数值预报中心，北京 100081
    2. 中国气象科学研究院灾害天气国家重点实验室，北京 100081
    3. 中国气象局地球系统数值预报重点开放实验室，北京 100081

田伟红（1980 -）， 女， 新疆人， 高级工程师， 主要从事观测资料处理及同化研究. E-mail：

收稿日期: 2023-10-10

  修回日期: 2024-02-05

  网络出版日期: 2024-08-30

基金资助

国家自然科学基金重大项目(42090032); 风云卫星应用先行计划项目(FY-APP-ZX-2022.01); 风云三号03批卫星工程项目 〔FY-3（03）-AS-11.08〕

收起

A Study on Effects of Himawari-8 Based AOD Data on 3DVar of CMA-MESO/CUACE CW

  • Weihong TIAN ,
  • Zhaorong ZHUANG ,
  • Wei HAN ,
  • Xueshun SHEN
Expand
  • 1. CMA Earth System Modeling and Prediction Centre，Beijing 100081，China
    2. State Key Laboratory of Severe Weather，Chinese Academy of Meteorological Sciences，Beijing 100081，China
    3. Key Laboratory of Earth System Modeling and Prediction China Meteorological Administration，Beijing 100081，China

Received date: 2023-10-10

  Revised date: 2024-02-05

  Online published: 2024-08-30

Fold

摘要

CMA-MESO/CUACE CW化学天气耦合模式是自主研发的大气化学耦合模式， 目前CMA-MESO/CUACE CW 3DVar同化系统实现了地面气溶胶观测可吸入颗粒物PM2.5和PM10的同化， 为增强耦合同化系统非常规观测的同化能力， 文中在CMA-MESO大气化学天气耦合三维变分同化框架基础上， 利用查表法获得气溶胶消光系数， 然后建立气溶胶光学厚度（Aerosol Optical Depth， AOD）和气溶胶组分之间关系的观测算子、 切线性观测算子和伴随观测算子， 实现AOD观测资料的同化应用。针对2016年12月18 -20日华北、 黄淮地区一次污染天气过程进行同化预报试验， 试验结果表明同化葵花-8卫星（Himawari-8）气溶胶光学厚度观测后， PM2.5分析的重污染区范围有所扩大， 山西东南部分析与实况分布更为接近， 但是山东大部地区PM2.5分析偏强， 与观测相比PM2.5质量浓度存在高估。同时同化Himawari-8 AOD观测和地面气溶胶站点观测的PM2.5分析最优， 分析与观测距平相关系数最高， 平均偏差、 均方根误差及标准差最小。重污染区的PM2.5预报检验结果表明， 同化Himawari-8 AOD观测对大于350 μg·m-3量级PM2.5预报正贡献可以持续到48 h， 但整体来说， 同时同化Himawari-8 AOD观测和地面气溶胶站点观测对各个量级的PM2.5质量浓度预报质量最优。

关键词： 气溶胶光学厚度观测（AOD）; CMA-MESO三维变分; CUACE; 葵花-8（Himawari-8）

本文引用格式

田伟红 , 庄照荣 , 韩威 , 沈学顺 . 葵花-8 卫星AOD资料在CMA-MESO/CUACE CW 3DVar同化系统中的个例应用研究[J]. 高原气象, 2024 , 43(5) : 1259 -1270 . DOI: 10.7522/j.issn.1000-0534.2024.00016

Abstract

The CMA-MESO/CUACE CW is an atmospheric chemistry coupled model independently developed by China.At present， the CMA-MESO/CUACE CW 3DVar system realized the assimilation of ground-based aerosol observations of PM2.5 and PM10.In order to enhance the assimilation capability of the coupled assimilation system for non-conventional observations， based on the CMA-MESO three-dimensional variational assimilation framework of atmospheric chemical weather coupled system， the aerosol extinction coefficient is obtained by using the look-up table method.And then the observation operator， the tangent linear operator and the adjoint operator are established using the relationship between aerosol optical depth （AOD） and aerosol components.The assimilation tests were carried out for a haze process in North China on December 18 -20， 2016.The results show that after assimilating the AOD observations from the Himawari-8 satellite， the heavily polluted area of the PM2.5 is enlarged， and the analysis in southeastern Shanxi is closer to the actual situation， but the analysis of PM2.5 in the majority of the Shandong region is overestimated.The simultaneous assimilation of Himawari-8 AOD observations and ground-based aerosol concentration observations test is the best for the analysis of PM2.5， it has the highest correlation coefficients （ACCs） and the smallest mean bias， root-mean-square error and standard deviation.The PM2.5 forecast results in the heavily polluted area showed that the positive contribution of the assimilated Himawari-8 AOD observations to the PM2.5 forecasts for the >350 μg·m-3 magnitude could be sustained up to 48 h.However， the simultaneous assimilation of the Himawari-8 AOD observations and the ground-based aerosol site observations had the best test scores of PM2.5 forecasts for each magnitude.

Key words： Aerosol Optical Depth（AOD）; CMA-MESO three-dimensional variational analysis; CUACE; Himawari-8

1 引言

近年来， 大气环境污染问题成为影响人类健康和制约社会发展关键问题。在大气环境中， 气溶胶占据了相当大的比例， 它们对于空气质量、 气候变化以及人类健康等方面有着重要作用。气溶胶的准确模拟和预报对分析大气污染时空演变、 内在机理、 污染溯源， 以及对政府部门制定减排方案都十分重要。空气质量模拟是基于人类对大气物理和化学过程科学认识的基础上， 运用气象学原理及数学方法对空气质量进行模拟， 其中准确的初始场是模式预报成功的必要条件， 但由于大气化学初始场存在不确定性， 使得空气质量模式对气溶胶的预报存在较大偏差。近年来随着探测技术的发展， 卫星、 地面和飞机等观测平台提供了更多、 更精确的大气化学观测数据， 如何利用这些观测， 改进化学模式的初始场， 提高大气化学模式预报， 这就是大气化学资料同化要解决的问题。
气溶胶光学厚度（AOD）是指气溶胶组分由于消光作用产生的光学厚度， 描述气溶胶对光的衰减程度， 也叫大气浑浊度。AOD 的测量可以反映气溶胶对辐射平衡的影响， 与颗粒物浓度有较好的相关性。它可以用来推算大气气溶胶含量， 是大气污染物浓度的重要指示因子。因此气溶胶光学厚度资料同化在大气环境污染研究中具有重要价值。气溶胶光学厚度观测数据来源较多， 太阳光度计观测、 气溶胶激光雷达、 极轨和静止卫星都有AOD产品。不同来源气溶胶观测数据具有不同特征， 目前常规地基观测站点主要位于城区， 在山区、 荒漠以及海洋等地区站点较少， 卫星气溶胶资料可以有效弥补常规观测资料在空间分布上的不足（白晓平等， 2007）。近年来， 卫星探测的气溶胶产品在大气化学同化中得到广泛应用。国内外学者利用不同同化方法开展了不同卫星的气溶胶产品同化预报试验， 研究发现气溶胶观测同化可以改善大气化学模式初始场， 同时能够有效提高气溶胶预报能力。Collins et al（2001）、 Rasch et al（2001）和 Generoso et al（2007）利用OI方法同化卫星气溶胶产品， 同化后对局地环境预报均有正贡献。Benedetti et al（2009）通过同化中分辨光谱仪（MODIS）AOD产品， 减少大气化学再分析产品AOD的分析偏差和均方差， 提高AOD的预报能力。Schwartz et al（2012）研究发现同时同化卫星和地基气溶胶观测比单独同化地基气溶胶产品能够获得更好的预报场。冯沁等（2018）利用格点统计插值（GSI）分析系统和WRF-Chem模式， 研究了MODIS数据和FY-3A/MERSI AOD资料同化对一次灰霾天气过程预报的影响， 同化卫星AOD资料对污染物预报均有正贡献。夏晓丽（2021）利用WRF-Chem预报模式， 在GSI系统中使用三维变分方法， 分别同化新一代气象卫星风云3号（FY-3A）卫星， 葵花-8号（Himawari-8）卫星， 风云4号（FY-4A）的气溶胶观测， 结合实际大气污染个例试验， 验证了同化不同卫星AOD产品对气溶胶分析和预报的影响。Wang et al（2022） 和Zang et al（2022）基于MOSAIC气溶胶方案发展了AOD观测算子， 同化Himawari-8的AOD观测， 试验结果表明同化Himawari-8的AOD观测可以有效改进大气化学模式的分析和预报。由于卫星探测技术的快速发展， 我们已具有高时空分辨率的卫星气溶胶产品， 如何利用这些产品提升空气质量模拟水平具有十分重要的意义。
王宏等（2009）基于中国气象局新一代全球/区域同化预报系统的中尺度预报模式（CMA-MESO）和中国气象科学研究院大气成分中心开发的中国化学天气预报系统（CUACE）， 建立了中国化学天气耦合预报系统（CMA-MESO/CUACE CW）。近年来CMA-MESO/CUACE CW大气化学模式逐渐成为研究沙尘和雾霾等过程的重要工具。近年来， 随着中国化学天气耦合预报系统的中尺度预报模式和CUACE大气化学模块的不断完善， 大气污染物的预报能力虽然有所提高， 但是还受着大气化学初始场质量的影响， 预报质量改进有限。因而大气化学模式初始场质量的改进成为提高大气污染预报质量的关键之一。资料同化技术为我们提供了一种提高模式初始场质量的方法， 面向最新版的CMA-MESO/CUACE CW模式的三维变分同化系统， 目前仅实现了地面气溶胶观测PM2.5和PM10的同化能力（庄照荣等， 2023）。如何结合卫星气溶胶观测， 利用现有的同化系统为大气化学模式提供更加准确的初始场， 进而提高大气化学模式预报的准确性是当前急需解决的问题之一。本文基于CMA-MESO大气化学天气耦合三维变分同化框架， 实现了卫星AOD光学厚度观测的同化， 进行了Himawari-8卫星AOD观测的同化应用研究， 通过实际污染个例分析Himawari-8卫星AOD资料对气溶胶PM2.5的分析和预报的影响， 为其他卫星气溶胶资料的同化应用提供参考。

2 大气化学天气耦合的同化和模式简介

2.1　大气化学天气耦合模式

文中使用大气化学天气在线双向耦合模式CMA-MESO/CUACE CW （中国气象局中尺度天气数值预报系统-中国化学天气预报系统）， 其主体框架包含两个部分： 中尺度天气预报模式（CMA-MESO）和中国化学天气预报系统（Chinese Unified Atmospheric Chemistry Environment system， CUACE）。驱动化学模式的中尺度天气模式采用中国气象局开发研制的中国新一代全球/区域一体化系统（张华等， 2004； 庄世宇等， 2005； 陈德辉和沈学顺， 2006； 陈德辉等， 2008； 薛纪善等， 2008； 马旭林等， 2009； 黄丽萍等， 2017， 2022）。中尺度天气预报模式主要包含： 全球模式资料预处理、 模式标准初始化和中尺度数值模式。在中尺度天气预报模式中， 动力框架部分采用单层网格嵌套， 非静力、 全可压动力方程组， 试验中采用的物理过程参数化方案见表1。中国化学天气预报系统为中国气象科学研究院大气成分中心研发（王宏等， 2009； Wang et al， 2013； Wang et al， 2015a， 2015b）， 该系统包含了排放源清单处理模块、 气溶胶模块、 气态化学模块、 热力学平衡模块。气溶胶模块中包含了气溶胶的源、 平流和湍流输送， 碰撞、 核化、 凝结、 干湿沉降等各种过程。
表1 预报模式参数设置

Table 1 The model configuration

模式选项 参数配置
短波辐射方案 Dudhia短波辐射方案
长波辐射方案 RRTM长波辐射方案
云微物理方案 Thompson方案
陆面过程方案 NOAH方案
近地面层方案 莫宁-奥布霍夫方案
积云对流参数化方案 Kain-Fritsch （new Eta） 方案
边界层方案 MRF边界层方案

2.2　大气化学天气耦合的同化系统

大气化学耦合同化系统是在CMA-MESO三维变分同化框架的基础上增加了大气化学变量的分析， 天气同化系统的控制变量为风场（u、 v）、 温度（T）、 地面气压（ps）、 比湿（q）， 增加变量不相关的6类7种气溶胶组分质量浓度为控制变量。7种气溶胶组分分别为： 硫酸盐、 沙尘、 黑碳、 有机碳、 海盐、 硝酸盐、 铵盐。除了铵盐， 其他6种化学组分进行了分段处理， 共分4个粒径段， 有效粒径段直径分别为0.01~1.28 μm、 1.28~2.56 μm、 2.56~10.24 μm、 10.24~40.96 μm， 因而同化系统增加了25个气溶胶变量。在大气化学天气耦合同化系统中， 三维变分的目标泛函 Ј x a如下所示（薛纪善等， 2008）：
Ј ( x a ) = ( x a - x b ) T B - 1 ( x a - x b ) + [ y - H ( x a ) ] T R - 1 [ y - H ( x a ) ]
式中： x a为系统的状态变量（这里化学状态变量设定为气溶胶组分分档质量浓度）， x b为背景场状态变量， y 为观测变量， H为观测算子， B和 R分别是背景和观测误差的协方差矩阵。对观测算子在背景场附近线性化， 得到用分析增量 δ x a = x a - x b表示的目标函数：
Ј δ x a = 1 2 δ x a T B - 1 δ x a + 1 2 H δ x a + d T R - 1 H δ x a + d
这里 d = H x b - y称之为新息向量， 而 H是 H的切线性算子。在用最优化方法求解分析变量时， 需要用到目标函数的梯度作为搜索方向， 目标函数 J关于 δ x a的梯度为：
∇ δ x a Ј = B - 1 δ x a + H T R - 1 H δ x a + d
式中： H T = ∂ H ∂ δ x a为观测算子的切线性算子。

3 AOD资料及其观测算子的构建

3.1　观测资料情况

文中使用的气溶胶光学厚度AOD数据基于Himawari-8 L3级产品（数据来源https： //www.eorc.jaxa.jp/ptree）。Himawari-8卫星是日本2014年发射的新一代静止卫星， 具有空间分辨率高、 观测频率高、 数据质量稳定的优点。L3级产品是在L2级产品基础上进行严格云检测和质量控制得到， 观测时间分辨率为 1 h， 空间分辨率为5 km×5 km。图1为Himawari-8卫星AOD L3级产品在2016年12月18日03:00（世界时， 下同）的水平分布情况。从图1中可以看出， 在河北南部、 河南北部和山东地区存在AOD的高值区。图1中空白区域观测值为缺测， 包含云区和没有通过质量控制的区域。AOD高值区是重污染区， 与PM2.5、 PM10大于350 µg·m-3的强污染区一致（图2）。文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2019）1786的中国地图制作， 底图无修改。
图1 2020年12月18日03:00 Himawari-8星AOD观测水平分布

Fig.1 Horizontal distribution of Himawari-8 AOD at 03:00 on 18 December 2016

图2 2016年12月18日00:00中国环境监测总站PM2.5（a）和PM10（b）空气质量浓度的水平分布（单位： μg·m-3）

Fig.2 The distribution of PM2.5（a） and PM10（b） air quality concentrations from China National Environmental Monitoring Center at 00:00 on December 18 2016.Unit： μg·m-3

3.2　观测算子的构建

为了实现卫星AOD产品在大气化学天气耦合三维变分中的同化， 按照公式（1）~（3）， 需要建立AOD观测资料的观测算子、 切线性观测算子， 以及伴随观测算子。由于观测变量与同化系统的气溶胶状态变量不一致， 观测算子需要将气溶胶状态变量从模式空间映射到观测空间的AOD观测变量， 因而观测算子包含空间变量变换和水平变换， 即：
H x a = H v a r H h x a
式中： x a为气溶胶质量浓度变量 C m , n； H h为观测算子的水平变换， 采用双线性插值； H var为变量变换。
针对AOD观测算子的变量变换， 本文利用查表法得到气溶胶消光系数， 在模式空间建立气溶胶粒子的光学厚度（AOD）和气溶胶粒子质量浓度的关系， 即：
H v a r [ C ( m , n ) i , j , k ] = A O D ( m , n ) i , j = ∑ k 1 k 2 K e x t m , n ( λ , R H i , j , k ) C ( m , n ) i , j , k Δ Z i , j , k
式中： K e x t m , n ( λ ,   R H )为质量消光系数， 可根据（i， j， k）格点处大气背景场的湿度 R H i , j , k和波长 λ由查表法得到； C ( m ,   n ) i , j , k为在（ i ,   j ,   k）格点的气溶胶第m种成分第n档粒子的质量浓度； Δ Z i ,   j ,   k为（ i ,   j ,   k）格点处上下两个模式层的高度差。
气溶胶光学厚度（AOD）观测算子是基于预先给定的气溶胶光学参数（质量消光系数）利用式（5）计算得到。这些参数来源于GRAPES-CUACE模式物理过程模块， 参数的估计方法参考王宏（王宏等， 2004， 2009； Wang et al， 2015b）。
由于公式（5）可知， 气溶胶光学厚度与气溶胶组分的关系为线性关系， 因而观测算子变量变换的切线性算子为：
H v a r [ δ C ( m , n ) i , j , k ] = δ A O D ( m , n ) i , j = ∑ k 1 k 2 K e x t m , n ( λ , R H i , j , k ) δ C ( m , n ) i , j , k Δ Z i , j , k
从式（6）可以看出， 从气溶胶组分增量通过切线性观测算子可以获得AOD光学厚度增量。因而， AOD观测算子的切线性算子为：
H δ C m , n = H v a r H h δ C m , n
依据式（7）， AOD观测算子的伴随算子为：
H T δ A O D m , n = δ C m , n * = H h T H v a r T δ A O D m , n
从公式（8）可以看出， 通过伴随算子， 从观测空间的气溶胶光学厚度增量 δ A O D m , n可以获得模式空间的气溶胶质量浓度增量 δ C m , n *。
本文通过式（4）~（8）， 建立AOD光学厚度的观测算子、 观测切线性算子， 以及观测伴随算子， 通过了AOD观测算子的伴随检验， 伴随检验精度达15位， 实现了光学厚度观测资料在大气化学天气耦合三维变分分析系统中的同化。

3.3　 AOD观测误差

背景误差和观测误差的比例决定背景和观测信息在分析中的权重， 因而背景误差和观测误差非常重要。本文Himawari-8 AOD产品的观测误差给定参考Benedetti et al（2009）， 对于观测值 y o小于0.2， 误差值取 R=0.1； 观测值 y o介于0.2和1.4之间的误差值 R = 0.05 + 0.2 * y o； 对于观测值大于1.4误差值 R = 0.2 + 0.4 * y o。

4 分析预报试验

2016年12月16 -21日， 华北中南部、 黄淮、 陕西关中、 东北地区中南部等地的空气污染气象扩散条件较差， 上述大部分地区出现中至重度霾。 12月19 -20日为此次雾霾过程影响最严重时段， 河北中南部、 北京、 天津、 河南大部、 陕西关中等地PM2.5浓度超过250 µg·m-3， 达到严重污染级别（刘超和马学款， 2017）。针对这次雾霾天气过程， 利用区域大气化学耦合三维变分同化系统及Himawari-8 L3 级 AOD观测， 研究直接同化卫星AOD观测对雾霾天气预报的影响。

4.1　试验方案和检验方法

研究试验区域为（15°N -65°N， 70°E -145°E）， 模式水平分辨率为10 km， 模式水平格点数为751×501， 垂直方向为51层， 模式层顶达33 km。同化试验的初始时刻为2016年12月18日00:00。同化观测资料有GTS传输的常规观测资料（探空、 地面站、 船舶、 飞机报、 云导风）、 Himawari-8卫星AOD L3级小时产品以及中国环境监测总站PM2.5和PM10质量浓度观测资料。大气化学天气耦合CMA-MESO/CUACE CW模式采用的模式参数设置见表1。
为了考察同化气溶胶光学厚度AOD资料对本次重污染天气的影响， 本文设计了4组试验进行对比分析。4组同化试验设置如表2所示。将同化试验后的分析场作为模式运行的初始场进行污染物浓度72 h预报。同化分析所使用的观测种类及站点数见表3。
表2 同化试验方案

Table 2 Assimilation experiments scheme

使用资料种类 简称
试验1 探空/测风、 地面、 船舶、 云导风 CTL
试验2 试验1基础上增加Himawari-8的AOD AOD
试验3 试验1基础上增加地基气溶胶观测PM2.5和PM10 PM
试验4 试验1基础上增加地基气溶胶观测PM2.5 、 PM10及Himawari-8的AOD PMAOD
表3 同化分析所使用的观测种类及站点数

Table 3 Types of observations and number of stations used in the assimilation analysis

观测资料类型 同化的观测变量 同化使用的观测站点数/个
Temp/pilot U/（m·s-1）、 V/ m·s-1）、 T/℃、 RH/% 250
Synop U/（m·s-1）、 V/m·s-1、） Ps/hPa、 RH/% 3693
Ships U/（m·s-1）、 V/m·s-1）、 Ps/hPa、 RH/% 78
Satob U/（m·s-1）、 V/（m·s-1） 1786
AOD AOD 1943
PM PM2.5/（µg·m-3）、 PM10/（µg·m-3） 1334
本文同化使用的气溶胶质量浓度观测是中国环境监测总站空气质量监测数据中的PM2.5及PM10质量浓度， 观测来源于国家气象信息中心气象大数据云平台， 图2为2016年12月18日00:00重污染区内中国环境监测总站PM2.5［图2（a）］和PM10［图2（b）］空气质量浓度的水平分布。本文重点分析了不同试验对PM2.5分析和预报的影响。
为验证各组试验对重污染区PM2.5浓度分析预报的影响， 采用中国气象局大气成分观测站的PM2.5观测作为真值， 分析预报结果插值到观测站点来评估各组试验的分析预报效果。评分检验的重污染区范围为（32°N -42°N， 110°E -121°E）。采用距平相关系数（ACC）、 平均误差（Bias）、 标准差（STD）、 频率（FREQ）、 绝对误差（ABS）、 均方根误差（RMS）六个指标来评价各组试验对分析预报的影响， 检验指标的计算公式如下：
A C C = ∑ i = 1 i = N ( f c s t i - f c s t ¯ ) ( o b s i - o b s ¯ ) ∑ i = 1 i = N ( f c s t i - f c s t ¯ ) 2 ∑ i = 1 i = N ∑ i = 1 i = N ( o b s i - o b s ¯ ) 2
B a i s = ∑ i = 1 i = N f c s t i - o b s i N
S T D = ∑ i = 1 i = N ( f c s t i - o b s i ) 2 N - ∑ i = 11 i = N f c s t i - o b s i N 2
F R E Q = n N × 100 %
A B S = ∑ i = 1 i = N f c s t i - o b s i / N
R M S = ∑ i = 1 i = N ( f c s t i - o b s i ) 2 N
式中： N表示PM2.5观测站点总数； fcsti 表示模式预报PM2.5插值到第i个站点处的值； obsi 表示第i个站点的PM2.5观测值； n表示预报值大于观测值的站点数， 检验区域的PM2.5观测站水平分布如图5（d）所示。
图3 2016年12月18日00:00控制试验 PM2.5背景场（a）及同化试验PM2.5分析场（b~d）水平分布（单位： μg·m-3）（a）控制试验背景场， （b）AOD试验分析场， （c）PM试验分析场， （d）PMAOD试验分析场

Fig.3 The distribution of PM2.5 background for control experiment （a） and analysis of PM2.5 for assimilation experiments at 00:00 on 18 December 2016 （unit： μg·m-3）.（a）the background of control experiment， （b） the analysis of AOD experiment， （c） the analysis of PM experiment， （d） the analysis of PMAOD experiment

图4 2016年12月18日00:00同化试验PM2.5的分析增量（a~c）及PMAOD和PM试验分析增量差（d）的水平分布（单位： µg·m-3）（a）AOD试验分析增量场， （b）PM试验分析增量场， （c）PMAOD试验分析增量

Fig.4 The distribution of PM2.5 analysis increments（a~c） and the difference between analysis increments of PMAOD and PM experiment （d） at 00:00 on 18 December 2016 （unit： µg·m-3）.（a） the analysis increments for AOD experiment， （b） the analysis increments for PM experiment， （c） the analysis increments for PMAOD experiment

图5 2016年12月18日00:00检验区域内PM2.5的站点观测与插值到站点的模拟值的散点分布（a~c）及用于检验的地面观测站PM2.5分布（d） （单位： µg·m-3）（a）AOD试验散点图， （b）PM试验散点图， （c）PMAOD试验散点图， （d）大气成分地面观测站观测的PM2.5

Fig.5 Scatter of simulation-observation of PM2.5 concentrations at 00:00 18 December 2016， and the distribution of PM2.5 at observatories（d）.Uunit： µg·m-3.（a） scatter of simulation-observation for AOD， （b） scatter of simulation-observation for PM， （c） scatter of simulation-observation for PMAOD， （d） PM2.5 from atmospheric composition observatory

4.2　同化结果分析

首先分析诊断不同试验方案的分析结果，图2（a）为2016年12月18日00:00重污染区PM2.5质量浓度的水平分布情况， 从图2（a）中可以看出， 在河北、 天津、 河南北部多站PM2.5达到300 µg·m -3以上， 已出现重污染天气， 其中石家庄、 秦皇岛、 唐山、 邯郸、 衡水等地PM2.5达到500 µg·m-3以上。但是背景场中没有出现大于500 µg·m-3以上区域， PM2.5背景场浓度存在低估［图3（a）］。由图3（b）可以看出， 同化Himawari-8卫星AOD观测后， 250 µg·m-3以上重污染区的分布范围明显变广， PM2.5浓度显著增强， 河北南部、 东部以及天津PM2.5浓度达到500µ g·m-3以上， 预报略强； 山西东南部地区的分析与实况接近， 但是与实况［图2（a）］对比发现山东大部地区PM2.5分析偏强。在重污染过程中雾和霾往往交替出现， 在低能见度天气二者是很难完全区分， 有研究表明在雾天气条件下， 雾滴对消光的贡献与气溶胶粒子的贡献相当。通过和地面观测天气图（图略）对比分析发现， Himawari-8卫星气溶胶光学厚度观测分布区和地面天气现象图上雾区分布有重叠， 从图1可以看到在山东地区AOD分布存在成片的大值区， 与背景场相比， Himawari-8 AOD观测值偏高0.5左右， 云检测算法不彻底及对天空状况的误判会使这一地区卫星AOD观测被高估， 同时图4（a）也显示同化AOD观测后这一地区PM2.5分析增量为大于30 µg·m-3正增量， 使分析PM2.5浓度增强。对比图3（c）和图3（d）， 同化PM2.5和PM10观测基础上再增加Himawari-8卫星AOD的同化后， 对PM2.5污染物浓度大于500 µg·m-3区域影响不大， 但是PMAOD试验中山东和河南地区大于150 µg·m-3区域分析范围有所增大， 更接近观测。
图4为三组同化试验PM2.5的分析增量， 单独同化Himawari-8 AOD观测在污染区 PM2.5基本都是正的分析增量［图4（a）］， 使得污染区PM2.5浓度分析偏强［图3（b）］。同化地基气溶胶观测后， PM2.5正的分析增量主要分布在河北中南部、 河南大部及北京地区［（图4（b）］。同时同化卫星AOD观测和地基气溶胶观测后［图4（c）］， PM2.5的分析增量与单独同化地基气溶胶PM2.5观测分析增量的大值区分布较为一致， 但从这两组试验分析增量的差［图4（d）］来看， PMAOD试验增强了陕西东南部、 河北中部及山东中西部的PM2.5质量浓度。
图5是检验区域内的中国气象局大气成分观测站PM2.5观测与插值到观测站点的模拟值［背景场（蓝色）及分析场（红色）］的散点图。检验区域内的中国气象局大气成分观测站有69站， 检验区内大部分站点PM2.5污染物浓度达到了100 µg·m-3以上［图5（d）］。从图5（a）可以看出， 同化AOD产品后， 分析与观测之间的距平相关系数增加到0.65， 比背景与观测的距平相关系数增加了2%左右。在PM试验中［图5（b）］， 对比背景场， 分析PM2.5的偏差由-32.4 µg·m-3减少为-16.1 µg·m-3， 减少了50%左右， 相关系数从0.63增加到0.67， 提高了6%。而同时同化地基气溶胶观测和卫星AOD观测［图5（c）］， 可以大大减少PM2.5质量浓度分析的偏差， 分析的偏差降到-8.8 µg·m-3， 与背景场相比偏差减小了72%， PM2.5质量浓度分析与观测的距平相关系数也增加到0.68， 对比背景场， 分析的距平相关系数增加了8%左右。从以上检验可知， 同时同化地基气溶胶观测和卫星AOD观测可以获得比单独同化这两类观测更好的PM2.5质量浓度分析。

4.3　预报结果检验

对四组试验的前12 h预报进行统计检验， 从分析时刻和逐时预报的各个评价指标来看（图6）， 三组同化气溶胶观测试验（PM、 AOD、 PMAOD）与控制试验相比， 其ACC、 Bias及RMSE均有改善； AOD试验 （绿线）从第2个小时预报开始ACC最优， 平均偏差、 均方根误差及标准差最小。但从图6（b）可知， AOD试验预报大于观测发生频数要高于其他试验， 空报较高。单独同化地基气溶胶观测试验（粉色）预报偏差略低于AOD试验， 均方根误差与AOD同化试验相当。同时同化地基气溶胶观测和Himawari-8卫星AOD观测后（红线）， 初始时刻PM2.5分析场与观测间的ACC最优， 平均偏差、 均方根误差及标准差最小， 但随着预报时效增加偏差和均方差有所增加。
图6 2016年12月18日00:00起报PM2.5 12 h预报场与实况观测逐小时统计结果对比 （a）相关系数， （b）频次， （c）偏差， （d）绝对偏差， （e）均方差， （f）标准偏差

Fig.6 The statistical results of 12-hour forecast initiated at 00:00 on 18 December 2016.（a） correlation coefficient， （b） frequency， （c） deviation， （d） absolute deviation， （e） mean square deviation， （f） standard deviation

针对重污染区72 h预报不同量级的PM2.5浓度进行统计检验评分， 采用中国气象局大气成分观测站的PM2.5观测作为真值， 将预报结果插值到观测站点计算PM2.5预报评分。从TS评分可知［图7（b）， （c）］， 同化Himawari8气溶胶观测对大于350 µg·m-3量级的PM2.5 在48 h以内的预报均有正贡献， 尤其是24 h和48 h PM2.5预报TS评分最高。但是从PM2.5的24 h预报频率偏差评分可知［图7（a）］， 同化Himawari8气溶胶观测对大于250 µg·m-3量级的PM2.5浓度预报空报率较高， PM2.5浓度预报存在高估。而地基气溶胶观测与卫星AOD观测同时同化， 相对于PM和AOD单独同化试验， 其PM2.5浓度在大于250 µg·m-3以上量级的24 h预报频率偏差都更接近于1.0， 其中大于500 µg·m-3量级PM2.5浓度预报偏差远低于其他试验， 说明PMAOD试验的重污染区预报更准确， 其他三组试验有大范围空报。PMAOD试验在前72 h预报中， 除去24 h和48 h的350 µg·m-3量级和72 h的250 µg·m-3量级外， 其他量级PM2.5浓度预报的TS评分都基本高于其他试验， 总体来说， PMAOD试验的预报质量最好。
图7 重污染区M2.5预报检验结果 （a）24 h预报偏差评分， （b）24 h预报TS评分， （c）48 h预报TS评分， （d）72 h预报TS评分

Fig.7 Test results of PM2.5 forecast for heavily polluted areas.（a） 24 h forecast bias scores， （b） 24 h TS scores， （c） 48 h TS scores， （d） 72 h TS scores

5 结论

本文在区域大气化学天气耦合三维变分同化系统中增加卫星AOD观测资料的观测算子， 实现卫星AOD气溶胶光学厚度的同化， 并且通过对2016年12月18 -21日发生在华北、 黄淮地区的污染过程进行个例分析和预报试验， 研究Himawari-8 AOD观测在污染个例中的同化预报效果， 得到以下结论：
（1） 在CMA-MESO大气化学天气耦合三维变分框架基础上， 建立AOD光学厚度的观测算子、 观测切线性算子， 以及观测伴随算子， AOD观测算子的伴随检验满足精度要求， 首次实现了卫星光学厚度观测在CMA-MESO大气化学天气耦合同化系统中的同化应用。
（2） 通过对Himawari-8 AOD观测的同化分析， 试验结果表明同化卫星AOD观测加大了重污染区的分布范围， 以及PM2.5浓度显著增强， 山西东南部地区PM2.5的分析与实况更为接近， 但是山东大部分地区PM2.5分析偏强。同时同化Himawari-8 AOD产品和地面的气溶胶浓度观测的分析质量最优， PM2.5质量浓度分析偏差减少约72%， 距平相关系数增加了8%左右。由于卫星AOD产品的空间分布受天空中云覆盖情况的影响， 云区没有反演数据， 而反演的AOD观测如果云检测算法不彻底， 会造成部分地区的观测高估， 因而单独同化AOD观测造成局部分析增量过大， 而地面气溶胶观测分布较均匀， 观测质量更加可靠， 因此地面站点观测可以弥补AOD产品由于云影响而造成部分地区观测信息缺失和不足， 这也是同时同化两种数据分析场最优的原因之一。
（3） 对PM2.5质量浓度前12 h逐小时预报结果检验发现， 与控制试验相比， 气溶胶观测同化试验的ACC、 偏差及均方差均有改善。其中Himawari-8 AOD观测同化试验从第2个小时预报开始的ACC评分最优， 平均偏差、 均方根误差及标准差最小。同时同化地基气溶胶观测和卫星AOD观测（PMAOD）试验对PM2.5分析最优， 分析与观测间的ACC最高， 平均偏差、 均方根误差及标准差最小。
（3） 通过对重污染区PM2.5预报的TS评分可以看出， 同化Himawari-8卫星气溶胶光学厚度观测对大于350 µg·m-3量级的PM2.5预报正贡献可以持续到48 h， PM2.5 24 h和48 h预报的TS评分最高， 但有一定空报。综合分析各个量级PM2.5的TS评分， PMAOD试验的预报质量最好。
本文在大气化学天气耦合CMA-MESO/CUACE CW系统中进行了Himawari-8 AOD观测资料的同化应用研究， 同化系统中大气化学变量的背景误差协方差由经验给定， 这部分参数还需要通过预报样本进一步统计优化。同时也希望将来能够同化其他卫星平台的气溶胶观测AOD产品。另外卫星AOD产品作为遥感数据， 总是不可避免地存在系统性的偏差， 在以后的工作中还需要考虑产品偏差订正工作。

参考文献

null
Benedetti A， Morcrette J J， Boucher O， et al， 2009.Aerosol analysis and forecast in the European Centre for Medium-Range Weather Forecasts Integrated Forecast System： 2 data assimilation［J］.Journal of Geophysical Research： Atmospheres， 114（13）： D13205， DOI： 10.1029/2008JD011115 .
null
Collins W D， Rasch P J， Eaton B E， et al， 2001.Simulating aerosols using a chemical transport model with assimilation of satellite aerosol retrievals： methodology for INDOEX［J］.Journal of Geophysical Research： Atmospheres， 106（7）： 7313-7336.DOI： 10.1029/2000JD900507
null
Generoso S， Breon F M， Chevallier F， et al， 2007.Assimilation of POLDER aerosol optical thickness into the LMDz-INCA model： implications for the Arctic aerosol burden［J］.Journal of Geophysical Research： Atmospheres， 112： D02311， DOI： 10.1029/2005JD006954 .
null
Rasch P J， Collins W D， Eaton B E， 2001.Understanding the Indian Ocean Experiment （INDOEX） aerosol distributions with an aerosol assimilation［J］.Journal of Geophysical Research： Atmospheres， 106（7）： 7337-7355.DOI： 10.1029/2000JD900508 .
null
Schwartz C S， Liu Z Q， Lin H C， et al， 2012.Simultaneous three-dimensional variational assimilation of surface fine particulate matter and MODIS aerosol optical depth［J］.Journal of Geophysical Research： Atmospheres， 117（D13）： D13202， DOI： 10. 1029/2011JD017383
null
Wang D C， You W， Zang Z L， et al， 2022.A three-dimensional variational data assimilation system for aerosol optical properties based on WRF-Chem v4.0： design， development， and application of assimilating Himawari-8 aerosol observations［J］.Geoscientific Model Development， 15（4）： 1821-1840.DOI： 10.5194/gmd-15-1821-2022
null
Wang H， Shi G Y， Jing Z， et al， 2013.Case study of longwave contribution to dust radiative effects over East Asia［J］.Chinese Science Bulletin， 58（30）： 3673-3681.DOI： 10.1007/s11434-013-5752-z .
null
Wang H， Shi G Y， Zhang X Y， et al， 2015a.Mesoscale modelling study of the interactions between aerosols and PBL meteorology during a haze episode in China Jing-Jin-Ji and its near surrounding region.Part 2： Aerosols’ radiative feedback effects［J］.Atmospheric Chemistry and Physics， 15（6）： 3277-3287.DOI： 10. 5194/acp-15-3277-2015 .
null
Wang H， Xue M， Zhang X Y， et al， 2015b.Mesoscale modeling study of the interactions between aerosols and PBL meteorology during a haze episode in Jing-Jin-Ji （China） and its nearby surrounding region.Part 1： aerosol distributions and meteorological features［J］.Atmospheric Chemistry and Physics， 15（6）： 3257-3275.DOI： 10.5194/acp-15-3257-2015 .
null
Zang Z L， You W， Ye H， et al， 2022.3DVAR Aerosol Data Assimilation and evaluation using Surface PM2.5， Himawari-8 AOD and CALIPSO profile observations in the North China［J］.Remote Sensing， 14（16）： 4009-4023.DOI： 10.3390/rs14164009
null
白晓平， 李江， 方栋， 等， 2007.资料同化在空气质量预报中的应用［J］.地球科学进展， 22（1）： 66-73.DOI： 10.3321/j.issn： 1001-8166.2007.01.009.Bai X P ，
null
Li J， Fang D， et al， 2007.Applications of data assimilation in air quality prediction［J］.Advances in Earth Science， 22（1）： 66-73.DOI： 10.3321/j.issn： 1001-8166.2007.01.009 .
null
陈德辉， 沈学顺， 2006.新一代数值预报系统GRAPES研究进展［J］.应用气象学报， 17（6）： 773-777.DOI： 10.11898/1001-7313.20060614.Chen D H ，
null
Shen X S， 2006.Recent progress on GRAPES research and application［J］.Journal of Applied Meteorological Science， 17（6）： 773-777.DOI： 10.11898/1001-7313.20060614 .
null
陈德辉， 薛纪善， 杨学胜， 等， 2008.GRAPES新一代全球/区域多尺度统一数值预报模式总体设计研究［J］.科学通报， 53（20）： 2396-2407.DOI： 10.3321/j.issn： 0023-074X.2008.20.002.Chen D H ，
null
Xue J S， Yang X S， et al， 2008.New gene-ration of multiscale NWP system （GRAPES）： general scientific design［J］.Chinese Science Bulletin， 53（20）： 2396-2407.DOI： 10.3321/j.issn： 0023-074X.2008.20.002 .
null
冯沁， 鲍艳松， 闵锦忠， 等， 2018.卫星气溶胶光学厚度资料同化对灰霾预报改进个例研究［J］.气象学报， 76（1）： 104-116.DOI： 10.11676/qxxb2017.081.Feng Q ，
null
Bao Y S， Min J Z， et al， 2018.A study on effects of satellite based AOD data on numerical forecast of haze［J］.Acta Meteorologica Sinica， 76（1）： 104-116.DOI： 10.11676/qxxb2017.081 .
null
黄丽萍， 陈德辉， 邓莲堂， 等， 2017.GRAPES_Meso V4.0 主要技术改进和预报效果检验［J］.应用气象学报， 28（1）： 25-37.DOI： 10.11898/1001-7313.20170103.Huang L P ，
null
Chen D H， Deng L T， et al， 2017.Main technical improvements of GRAPES_Meso V4.0 and verification［J］.Journal of Applied Meteorological Science， 28（1）： 25-37.DOI： 10.11898/1001-7313.20170103 .
null
黄丽萍， 邓莲堂， 王瑞春， 等， 2022.CMA-MESO关键技术集成及应用［J］.应用气象学报， 33（6）： 641-654.DOI： 10.11898/1001-7313.20220601.Huang L P ，
null
Deng L T， Wang R C， et al， 2022.Key technologies of CMA-MESO and application to operational forecast［J］.Journal of Applied Meteorological Science， 33（6）： 641-654.DOI： 10.11898/1001-7313.20220601 .
null
刘超， 马学款， 2017.2016年12月大气环流和天气分析［J］.气象， 43（3）： 378-384.LiuC， MaX K， 2017.Analysis of the December 2016 atmospheric circulation and weather［J］.Meteorological Monthly， 43（3）： 378-384.
null
马旭林， 庄照荣， 薛纪善， 等， 2009.GRAPES非静力数值预报模式的三维变分资料同化系统的发展［J］.气象学报， 67（1）： 50-60.DOI： 10.3321/j.issn： 0577-6619.2009.01.006.Ma X L ，
null
Zhuang Z R， Xue J S， et al， 2009.Development of 3-D variational data assimilation system for the nonhydrostatic numerical weather prediction model-GRAPES［J］.Acta Meteorologica Sinica， 67（1）： 50-60.DOI： 10.3321/j.issn： 0577-6619.2009.01.006 .
null
王宏， 龚山陵， 张红亮， 等， 2009.新一代沙尘天气预报系统 GRAPES_CUACE/Dust： 模式建立、 检验和数值模拟［J］.科学通报， 54（24）： 3878-3891.DOI： 10.1007/s11434-009-0481-z.Wang H ，
null
Gong S L， Zhang H L， et al， 2009.A new generation sand and dust storm forecasting system GRAPES_CUACE/Dust： Model development， verification and numerical simulation［J］.Chinese Science Bulletin， 55（7）： 3878-3891.DOI： 10.1007/s11434-009-0481-z .
null
王宏， 石广玉， Aoki T， 等， 2004.2001年春季东亚-北太平洋地区沙尘气溶胶的辐射强迫［J］.科学通报， 49（19）： 1993-2000.DOI： 10.3321/j.issn： 0023-074X.2004.19.013.Wang H ，
null
Shi G Y， Aoki T， et al， 2004.Radiative forcing due to dust aerosol over East-North Pacific region during spring， 2001［J］.Chinese Science Bulletin， 49（19）： 1993-2000.DOI： 10.3321/j.issn： 0023-074X.2004.19.013 .
null
夏晓丽， 2021.新一代气象卫星气溶胶资料同化在大气污染模拟中的应用研究［D］.南京： 南京信息工程大学.Xia X L， 2021.Research on the application of new generation meteorological satellite aerosol data assimilation in atmospheric pollution modeling［D］.Nanjing： Nanjing University of Information Science and Technology.
null
薛纪善， 庄世宇， 朱国富， 等， 2008.GRAPES新一代全球/区域变分同化系统研究［J］.科学通报， 53（20）： 2408-2417.DOI： 10.3321/j.issn： 0023-074X.2008.20.003.Xue J S ，
null
Zhuang S Y， Zhu G F， et al， 2008.Scientific design and preliminary results of three-dimensional variational data assimilation system of GRAPES［J］.Chinese Science Bulletin， 53（22）： 3346-3457.DOI： 10.3321/j.issn： 0023-074X.2008.20.003 .
null
张华， 薛纪善， 庄世宇， 等， 2004.GRAPES三维变分同化系统的理想试验［J］.气象学报， 62（1）： 31-41.DOI： 10.3321/j.issn： 0577-6619.2004.01.004.Zhang H ，
null
Xue J S， Zhuang S Y， et al， 2004.Idea experiments of GRAPES three-dimensional variational data assimilation system［J］.Acta Meteorologica Sinica， 62（1）： 31-41.DOI： 10.3321/j.issn： 0577-6619.2004.01.004 .
null
庄世宇， 薛纪善， 朱国富， 等， 2005.GRAPES全球三维变分同化系统--基本设计方案与理想试验［J］.大气科学， 29（6）： 872-884.DOI： 10.3878/j.issn.1006-9895.2005.06.04.Zhuang S Y ，
null
Xue J S， Zhu G F， et al， 2005.GRAPES global 3D-Var system-Basic scheme design and single observation test［J］.Chinese Journal of Atmospheric Sciences， 29（6）： 872-884.DOI： 10.3878/j.issn.1006-9895.2005.06.04 .
null
庄照荣， 王皓， 田伟红， 等， 2023.基于区域CMA-MESO三维变分系统的化学同化框架设计及气溶胶观测的初步分析预报试验［J］.气象学报， 81（3）： 456-468.DOI： 10.11676/qxxb2023.20220069.Zhuang Z R ，
null
Wang H， Tian W H， et al， 2023.Construction of a chemistry-weather assimilation system coupled with CMA-MESO and preliminary experiments assimilating aerosol observations［J］.Acta Meteorologica Sinica， 81（3）： 456-468.DOI： 10.11676/qxxb2023.20220069 .
Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn