论文部分内容阅读
近年来，我国的大气污染形势不容乐观，以细颗粒物(PM2.5)为首要污染物的区域性灰霾现象频繁发生，污染物年均浓度远超国家标准35微克每立方米，尤其以京津冀为代表的北方地区更容易在冬季出现空气污染，不仅损害公众身体健康，并且影响社会稳定发展，但是治理大气污染又是一项复杂且长期的工作。因而在当下做好空气质量的预报预警工作，不仅能够为环保部门制定及时有效的重污染天气应急减排措施提供支撑，缓解空气污染造成的影响，对重大活动期间空气质量保障以及公众的出行和健康提示都具有重要的作用。 然而，当前的空气质量预报技术存在一定不确定性，除了来自模式本身的物理化学过程，气象场和污染源排放清单作为空气质量模式系统的输入数据，其不确定性是导致空气质量预报不确定性的重要来源，因此提高气象场和排放源清单的数据精度可为提高空气质量预报技巧提供有效途径。本研究借鉴天气预报的目标观测思想，采用中国科学院大气物理研究所自主研制的嵌套网格空气质量模型(Nested Air Quality Prediction Model System，NAQPMS)对北京市2016年12月16-21日的空气重污染过程进行了回报试验，分别探讨了该次事件预报的气象场和排放源的目标观测敏感区，并通过提高敏感区的数据精度来达到减小其对空气质量预报不确定性影响的目的。 针对气象场的不确定性，研究气象模式的初始场误差导致的空气质量预报误差，通过四套初始场资料识别了影响北京地区PM2.5预报技巧的目标观测敏感变量及其敏感区。结果表明:当综合考虑初始气象场的风、温度、比湿不确定性的影响时，发现改善黑龙江区域上述气象要素的初始场精度，对北京地区PM2.5预报不确定性的减小最显著;当分别考察风、温度、比湿的不确定性的影响时，发现初始风场精度的改善，尤其是黑龙江区域风场精度的改善，能够更大程度地减小北京地区PM2.5的预报误差，在北京东南地区PM2.5预报误差的减小甚至可达到40％以上。因此，优先对黑龙江区域的气象场，尤其是该区域的风场进行目标观测，并将其同化到预报模式的初始场中，将会有效提高初始气象场的质量，进而大大减小北京地区PM2.5浓度的预报误差，提高北京地区空气质量的预报技巧。初始风场代表了北京地区该次空气重污染事件预报的目标观测变量，而黑龙江地区则是该目标观测的敏感区域。 针对排放源清单的不确定性，通过对京津冀各城市的排放源叠加扰动，识别出北京空气质量预报对京津冀哪个城市的排放源变化更加敏感。结果表明:北京周边区域污染物浓度变化对北京PM2.5浓度影响很大，当对北京和京津冀整体区域的排放源各叠加-30％扰动时，在整个污染过程期间，污染物的传输对北京PM2.5浓度的单日最大贡献可达48％;并且，除了受到北京本地源排放影响之外，河北保定市的排放源变化对北京PM2.5浓度影响最大。因此，应该优先通过观测校正排放源清单中北京和保定的排放源不确定性，从而更有利于提高北京PM2.5浓度预报水平。