基于EnKF方法的污染源实时反演对PM2.5数值预报的影响

In recent years, severe fog-haze episodes happened more widely and more frequently, so the construction of regional air quality numerical prediction system has been implemented vigorously throughout the country. However, large uncertainties related to the chemical initial conditions (ICs), emission rate and nonlinear processes, has greatly restricted the performance of numerical forecast models. The data assimilation (DA) of surface PM10 observations significantly reduced the uncertainty of initial aerosol fields and effectively improved the subsequent aerosol forecasts for at least 12 h, but the benefit from PM10 DA diminished rapidly because of the effect of atmospheric transport, thereby suggesting the importance of correcting emissions, which are the forcing function for PM concentrations. Unfortunately, most previous studies focus on improvement in the aerosol ICs with lack of aerosol emission estimation. Currently, a high density of atmospheric composition observation networks bas been basically completed in China. Thus, ground-based observations data will be used to optimize PM2.5 and its precursor emissions by using the ensemble Kalman filter (EnKF) method, which will meet the needs of PM2.5 numerical forecasts with fast real-time updates. The focus of this study is to identify the impact of these constrained emissions on the PM2.5 forecast for different seasons and air pollution episodes. This project is of great importance to improve the performance of PM2.5 forecast, and then provide a reliable early warning and protection for air quality in the next few days.

近年来，大范围雾霾天气高频次发生，于是全国各省市大力开展了空气质量数值预报系统的建设。然而，化学初始场、排放清单和空气质量模式的不确定性很大地制约了数值模式的预报性能。申请人前期基于PM10资料开展了气溶胶初始场的同化试验，改进PM2.5和PM10预报可达12小时以上，但同化效果随预报时效快速消失，分析发现预报误差主要来源于排放清单的不确定性。过去的研究大多关注气溶胶初始场的同化，在气溶胶污染源反演方面的研究仍然较少。目前国内已基本建成高密度的大气成分观测网络，因此利用地面观测资料，采用集合卡尔曼滤波（EnKF）方法来优化PM2.5及其前体物的排放，降低其不确定性，可实现排放清单的实时快速更新，满足PM2.5数值预报的业务需求。为此，本研究重点在于明确不同季节和大气污染过程中清单优化对PM2.5预报的改进效果，以助于改进PM2.5的预报性能，为空气质量预警和保障提供可靠的决策支撑。

目前国内正在大力开展空气质量数值预报业务，但空气质量模式本身（如物理化学过程）及其驱动数据（如气象场、初值场、边界条件、排放清单）存在较大的不确定性，这导致数值预报的准确度仍然不够理想。数据同化技术，能够将观测信息融合到模式状态中，目前已广泛应用于气象、气候和海洋等领域。随着观测技术的提高、大气化学成分资料的迅速增加，资料同化技术在空气质量数值预报研究中的地位越来越重要，但国内这方面的研究才刚起步。本项目构建了区域空气质量资料同化系统，纳入了三维变分同化算法和集合同化算法，还引入偏差校正技术，以保证不同观测资料模式偏差的一致性。该同化系统能够联合同化多源观测资料（地面和卫星观测），优化大气化学成分的初值场和人为源排放清单，大幅降低其不确定性，进一步提高空气质量数值预报模式的性能。研究发现，人为源排放清单的反演，在一定程度上成功地捕获了排放的时空变化特征，反映了近年来中国实施的产业结构调整与升级政策，即排放从重点城市或发达区域向城市周边区域以及发展中区域迁移的特点。初值优化的时间效益，主要集中在24 - 36小时以内，主要受观测密度、天气条件、排放强度和污染浓度水平等因素的影响；叠加排放反演后，其同化效益可以持续更长时间，这表明同化系统将观测和模式结合起来减小空气质量预报的不确定性成为可能。值得一提的是，同化系统还存在一些瓶颈问题亟需解决，如后验结果包含模式过程、自然源排放和气象等误差，观测站点稀疏和观测类别单一（优化参数类别多）导致模式同化分析质量较低，计算量大且耗时长而暂时难以满足日常业务预报的时效性，这些问题有待进一步研究突破。