多变量协同同化的PM2.5数据再分析方法探索研究

PM2.5 data assimilation is facing two major challenges: ①PM2.5 consists of a large number of aerosol components, but the lack of aerosol observation data is a main obstacle for reducing their uncertainties. ②PM2.5 modeling is affected by many complicated factors such as the uncertainties in meteorological simulation, emission inventory, etc. Estimating the background error covariance of PM2.5 modeling appropriately in a flow-dependent way is still a challenging question..This project aims to develop an advanced PM2.5 data reanalysis method based on ensemble Kalman filter (EnKF) and Monte Carlo uncertainty analysis. We will perform the uncertainty analysis of PM2.5 simulation and identify the key uncertainty sources. Then PM2.5 ensemble simulation system with perturbing the key uncertainty sources will be established in order to appropriately represent the evolution of PM2.5 background error covariance. Furthermore, EnKF coupled with multivariate perturbations on the key sources of different aerosols will be employed to construct the cross-variable correlations between the uncertainties in PM2.5 and its aerosol components. The assimilation capability through assimilating PM2.5 observation data to collaboratively adjust the aerosol components will be explored. This research will reveal the uncertainty in PM2.5 simulation and provide a new advanced approach to combine the observed and modeled PM2.5 data.

PM2.5数据同化面临两大关键难题：①PM2.5模拟的误差来源由气象场模拟、排放源清单估计等众多复杂因子构成，动态而合理估计其背景场误差协方差仍非常困难；②缺乏气溶胶组分观测数据对PM2.5的气溶胶组分不确定性进行约束。因而，本项目将基于集合卡尔曼滤波同化算法（EnKF）和蒙特卡罗不确定性分析方法，重点突破PM2.5数据同化中的背景场误差协方差动态合理估计问题，探索PM2.5和气溶胶组分协同同化问题，发展一个能实现地面稀疏观测与数值模拟三维网格化PM2.5数据动态同化融合的先进PM2.5数据再分析方法。主要思路是通过不确定性分析揭示PM2.5模拟的关键误差来源，并研发适合PM2.5背景场误差协方差动态合理估计的集合模拟系统，进而结合EnKF算法构建不同气溶胶组分模拟不确定性与PM2.5模拟不确定性的跨变量相关关系，实现基于PM2.5观测数据同化的多气溶胶组分协同订正。

本项目结合大气污染国控监测站与区县监测站的地面观测数据，对PM2.5、PM10、SO2、NO2、CO和O3的地面观测代表性误差进行了客观估计。同时，基于高分辨率模拟数据，估计了不同模式分辨率下的观测代表性误差，探讨了观测代表性误差与模式分辨率的关系，提出了多污染物地面观测代表性误差的客观估计方法，为大气污染模式验证和资料同化奠定了方法理论基础。为了更准确地估计模式误差，在大气污染同化中引入了动态估计误差的模式背景场误差估计方法，建立了局地化的模式背景场误差估计方法，使误差订正系数可以根据不同地区的误差特征相应地变化，达到同时在时间上和空间上动态优化同化效果。这一方法突破PM2.5背景场误差协方差的动态合理估计问题，拓展现有大气化学资料同化方法的同化能力，显著提高了现有同化算法的同化再分析精度。在此基础上，本项目建立了基于最优插值和集合卡尔曼滤波并耦合观测和模式背景场误差最优估计的多变量协同同化方法，使得PM2.5同化数据精度比同化前提高40%以上，比传统同化方法精度高10%以上，开发了面向空气质量业务预报的PM2.5实时同化系统，大幅提高了重污染期间PM2.5预报精度，使得京津冀地区24小时PM2.5预报精度提高20%以上，使得72小时PM2.5预报精度提高10%以上。发展的多变量协同同化的PM2.5数据再分析方法，为建立高精度、高时空分辨率的大气污染再分析数据集提供了新的有效方法和手段。.项目发表论文11篇，其中SCI论文6篇。项目成果是2017年国家科技进步二等奖项目“嵌套网格空气质量预报模式（NAQPMS）自主研制与应用”的重要组成部分。项目发展的大气污染同化再分析系统在中国环境监测总站国家环境质量预报预警中心业务应用，是总站现有运行的唯一大气污染资料同化系统，成为支撑国家环境空气质量预报和服务大气重污染预警应急管控等业务的核心支撑工具。

内容获取失败，请点击重试