环境科学研究  2017, Vol. 30 Issue (11): 1661-1669  DOI: 10.13198/j.issn.1001-6929.2017.03.12

引用本文  

王堃, 师华定, 高佳佳, 等. CCSM4/WRF-CMAQ动力降尺度预估RCP8.5情景下京津冀地区空气质量的潜在变化[J]. 环境科学研究, 2017, 30(11): 1661-1669.
WANG Kun, SHI Huading, GAO Jiajia, et al. Potential Variation of Beijing-Tianjin-Hebei Region's Air Quality in RCP8.5 Scenarios by Dynamic Downscaling Method with CCSM4/WRF-CMAQ Model[J]. Research of Environmental Sciences, 2017, 30(11): 1661-1669.

基金项目

国家自然科学基金项目(21607008);国家环境保护公益性行业科研专项(201509001);中国环境科学研究院院属项目(2016YSKY-003)

责任作者

师华定(1979-), 男, 山西临汾人, 研究员, 博士, 主要从事气候变化、生态遥感、土壤污染防治与风险评估等研究, shihd@craes.org.cn

作者简介

王堃(1991-), 男, 山西吕梁人, 研究实习员, 硕士, 主要从事大气污染控制研究, wkty@mail.bnu.edu.cn

文章历史

收稿日期:2017-04-06
修订日期:2017-08-15
CCSM4/WRF-CMAQ动力降尺度预估RCP8.5情景下京津冀地区空气质量的潜在变化
王堃1 , 师华定2 , 高佳佳1 , 王晨龙1 , 滑申冰3 , 高庆先2     
1. 北京市劳动保护科学研究所, 北京 100054;
2. 中国环境科学研究院, 北京 100012;
3. 中国电力科学研究院, 北京 100192
摘要:目前,针对气候变化对区域空气质量影响的研究相对较少,并且多采用统计降尺度方法对全球气候模式结果进行处理.采用WRF中尺度气象模式对CCSM4气候模式的CMIP5 RCP8.5情景预估结果进行动力降尺度处理,并为CMAQ空气质量模式提供气象场;在2012年清华大学MEIC大气污染物排放清单的基础上,选取2005年作为气候现状代表年、2049-2051年作为未来气候代表年,对京津冀地区典型月份(1月、4月、7月、10月)的气象及空气质量数值模拟结果进行对比,以此预估气候变化背景下京津冀地区空气质量潜在变化.结果表明,在排放情况不变及RCP8.5情景下,未来代表年与现状代表年相比,京津冀地区以典型月份为代表的年均气象因素整体呈现温度升高,风速、相对湿度及大气边界层高度均降低的趋势;年均大气污染物浓度整体呈现升高的趋势,其中,温度升高约0.8℃,风速降低约0.11 m/s,相对湿度降低约2%,大气边界层高度降低约8 m,ρ(PM2.5)升高约2.4 μg/m3ρ(SO2)升高约1.8 μg/m3ρ(NOx)升高约1.0 μg/m3;此外,主要的气象条件(温度、风速、相对湿度、大气边界层高度)中,风速及大气边界层高度的降低可能是造成这些大气污染物浓度变化的主要气象因素,并且风速及大气边界层高度的降低与ρ(PM2.5)降低的相关系数分别约为-0.44和-0.26.研究显示,气候变化会对京津冀地区造成污染物浓度升高的潜在风险,同时由于现阶段缺乏可用于空气质量模式的未来排放情景数据、在线耦合模式日臻完善,在我国气候-空气质量的研究领域亟待进行更深层次的研究.
关键词CCSM4    CMAQ    动力降尺度    气候变化    
Potential Variation of Beijing-Tianjin-Hebei Region's Air Quality in RCP8.5 Scenarios by Dynamic Downscaling Method with CCSM4/WRF-CMAQ Model
WANG Kun1 , SHI Huading2 , GAO Jiajia1 , WANG Chenlong1 , HUA Shenbing3 , GAO Qingxian2     
1. Beijing Municipal Institute of Labor Protection, Beijing 100054, China;
2. Chinese Research Academy of Environmental Sciences, Beijing 100012, China;
3. China Electric Power Research Institute, Beijing 100192, China
Abstract: Currently, there are few studies on the relationship between climate change and air quality, and most of those which do exist adopt the method of statistical downscaling. Here, we use a dynamic downscaling method to prepare WRF initial and boundary conditions with CCSM4 output under the CMIP5 RCP8.5 scenarios, and choose MEIC 2012 Data as CMAQ input inventory data in the Beijing-Tianjin-Hebei Region. In order to explore the impacts of meteorological conditions on air quality, monthly variation characteristics of PBL height (PBLH), relative humidity (RH), wind velocity, temperature and air pollutant concentrations were analyzed and compared between forecast years (2049, 2050, 2051) and baseline year (2005). The results indicated that in the case of constant emissions and RCP8.5 scenario, the meteorological conditions would become increasingly detrimental to atmospheric pollutant dispersion. In the forecast years:annual average temperature would increase about 0.8℃; annual average wind speed, RH and PBLH would decrease about 0.11 m/s, 2% and 8 m respectively; and annual average concentrations of PM2.5, SO2 and NOx would increase about 2.4, 1.8 and 1.0 μg/m3 respectively. The decline in surface wind speed and lower PBLH should be the main factors influencing the increasing trend of atmospheric pollutants; the correlation coefficients between PM2.5 concentration and wind speed and PBLH were -0.44 and -0.26 respectively. The results indicate that climate change will affect regional air quality, but the impact intensity is still uncertain due to the lack of future emission scenarios that are used in air quality models. Furthermore, the physical/chemical mechanisms among the mutual influence process between meteorological factors and pollutant dispersion also need to be further studied.
Keywords: CCSM4    CMAQ    dynamic downscaling    climate change    air quality    

气候变化是世界各国所面临的共同挑战,也是近年来学术界研究的热点[1].风速、相对湿度、大气边界层高度等是影响空气质量的关键气象因素,而气候变化可以通过改变这些气象因素来影响污染物在大气中的混合和扩散,对局地或区域的大气环境质量产生影响[2].近年来,国外学者多采用气象模式动力降尺度方法,并结合空气质量模式预估气候变化对空气质量的影响.如Glotfelty等[3]研究了全球尺度下气候变化对空气质量的影响,并发现气候变化情景下温度、湿度、风速及大气边界层高度等气象因素与污染物的形成与积累的相关性较高. Sá等[4]预估了葡萄牙地区气候变化对空气质量的影响,并研究了区域尺度气候变化对空气质量的影响.然而,国内现有的研究多采用统计降尺度方法对气象资料进行处理,并且有关气候变化对空气质量的影响的研究较少.

全球气候模式是目前预测未来气候变化、研究气候变化及其响应的主要工具.政府间气候变化专门委员会第五次评估报告(IPCC AR5)基于CMIP5(第五阶段全球耦合模式比较计划)对多个全球气候模式开展了从模式评判到未来气候预估的研究,并为开展高分辨率区域性气候变化研究提供了源数据[5-6].此外,CMIP5在CMIP3(第三阶段全球耦合模式比较计划)的基础上引入了新的温室气体排放情景—RCPs(representative concentration pathways,代表性浓度路径情景),RCPs情景包括4个情景,这些情景纳入了气候政策对温室气体及气溶胶排放的影响,并优化了生物物理及海陆气交换过程[5].其中,RCP8.5为CO2排放的高端路径,RCP6和RCP4.5都为中间稳定路径[7-8].梁玉莲等[6]对CMIP5模式模拟结果分析发现,2011—2100年RCP2.6、RCP4.5及RCP8.5情景下年均温度线性趋势分别为0.059、0.229及0.590 ℃/(10 a),并且RCP8.5是RCP2.6的10倍,是4个情景中响应最明显的.国内外研究也多选用RCP8.5情景进行气候变化及其响应研究[3-4, 9-11].

然而,全球气候模式具有大尺度、低分辨率的特点,如果直接用于区域尺度的气候变化响应研究,将会忽略地形起伏、微气候等因素产生的差异.因此,需要通过降尺度方法将其转化为小尺度、高分辨率的区域气候变化信息[12].同时CMIP5全球模式对于东亚气候的模拟仍存在不足和误差,需要通过降尺度方法得到更可靠的区域尺度气候变化信息[5-6, 13].降尺度方法主要分为统计降尺度和动力降尺度方法.统计降尺度主要是建立大尺度环流因子与区域气象要素之间的统计函数关系,具有计算量小、节省机时的优点,但是缺少物理机制,难以获得空间上较为连续的结果[12, 14];动力降尺度是将区域气候模式嵌套于全球气候模式中,从而获得高水平分辨率的气候变化信息,具有物理意义明确,不受观测资料限制的优点,但计算量大、耗费机时[12, 15]. CORDEX(coordinated regional climate downscaling experiment)计划旨在利用区域模式降尺度技术对全球范围内不同地区未来气候进行准确预估,并提供了WRF气象模式的动力降尺度技术方法[16-17].基于CMIP5模式结果及模式降尺度技术,国内外学者利用WRF、WRF-CAMx等数值模式对气候变化背景下气象因素及空气质量的响应变化进行了研究[3-4, 9-11].如Glotfelty等[3]基于GU-WRF/CHEM模式通过设定相同排放情况,对现状代表年(2001年)及未来代表年(2050年)的空气质量进行数值模拟,探讨气候变化对空气质量的影响. Sá等[4]基于CMIP5气候模式结果,采用WRF-CAMx模式对RCP8.5情景下气候现状代表年及气候未来代表年的空气质量进行数值模拟,并对结果进行对比分析,考察气候变化对空气质量的影响. BAO等[10]使用WRF气象模式对中国地区气候变化情景下的GFDL-ESM2G气象资料进行动力降尺度处理,并取得了较好的模拟结果.此外,GEOS-CHEM等模式也被应用于气候变化情景下臭氧等污染物的变化研究,如WU等[18]运用GEOS-CHEM研究了IPCC SRES A1B的情景下2000—2050年全球臭氧浓度的变化,朱佳等[19]运用GEOS-CHEM研究了IPCC SRES A1B情景下2000—2050年中国臭氧跨界输送变化等.

京津冀地区是我国“三区十群”重点控制区的重要组成[20],在我国社会经济中占有重要地位.近年来,针对该地区空气污染与气候变化之间的关系也逐渐得到了重视[21-23].张英娟等[24]基于1981—2013年京津冀地区霾日统计资料,对京津冀地区持续性霾天气的气候特征进行研究,并发现该地区持续性霾高发区的范围呈现年代际增大趋势,并且在2000年之后扩展趋势显著增强.环首都圈霾和雾的长期特征发现,1980年以后京津冀晋地区霾日明显增多,而且各城市除去采暖季有较多的霾日外,在盛夏季节霾日也明显增多[25-26].周兆媛等[21]通过研究北京、天津及石家庄2001—2010年API数据及相应时段的气象要素的关系发现,气压、气温及相对湿度等与空气质量关系密切,并探讨了未来气象要素的可能变化以及对京津冀地区空气质量的潜在影响.

该研究综合国内外研究现状,选取京津冀地区为研究区域,以RCP8.5情景作为研究情景,利用WRF气象模式对CMIP5试验中的CCSM4结果进行动力降尺度处理,为CMAQ空气质量模式提供气象驱动场,预估在当前排放条件下,京津冀地区空气质量的潜在变化,以期为制订应对气候变化方案等提供参考.

1 研究方法 1.1 研究数据的获取

CCSM(community climate system model,通用气候系统模式)是国际上新一代的耦合气候模式,CCSM4模式为其最新版本,包括大气、海洋、陆面、海冰和耦合器5个模块,并在中国地区具有较好的模拟能力[27-28]. NCAR(美国国际大气研究中心)提供了可直接用于WRF气象模式的CCSM4数据集,并通过劳伦斯利弗莫尔国家实验室(http://pcmdi9.llnl.gov)及美国国家大气研究中心(hhttp://rda.ucar.edu)的相关网站获取CCSM4模式结果[11, 29].

该研究通过对比气候现状代表年气象因素的模拟值与实测值,评估WRF气象模式动力降尺度方法的效果,并通过中国气象数据网(http://data.cma.cn)获取北京市、天津市及石家庄市2005年的中国地面气候资料国际交换站的气象资料,三站点经纬度分别为(39.48°N、116.28°E)(39.05°N、117.04°E)(38.02°N、114.25°E).

为了研究相同排放下气候变化对京津冀地区空气质量的潜在影响,该研究以清华大学2012年MEIC中国多尺度大气污染物排放清单作为基准排放清单,并通过多尺度排放清单MEIC模型网站(http://www.meicmodel.org)获取.

1.2 模拟情景的设置

根据CMIP5试验计划,CCSM4模式进行了20世纪气候模拟(1951—2005年)、RCP8.5情景的气候预估(2006—2100年)等试验[29-30].考虑到动力降尺度计算量大、耗费机时的特点,该研究选取CCSM4经ERA-interim数据偏差矫正的历史模拟数据集(1981—2005年)中距今较近的2005年作为气候现状的代表年,同时,现有研究[3-4, 9-11]多采用2050年作为未来气候代表年来研究气候变化对空气质量的影响,如Glotfelty等[3]基于GU-WRF/CHEM以2050年作为未来代表年探讨气候变化对空气质量的影响. Sá等[4]以2050年作为未来代表年探讨葡萄牙地区气候变化对空气质量的影响.因此,该研究选取RCP8.5情景数据集(2006—2100年)中的2049—2051年连续3 a作为未来气候的代表年,并选取1月、4月、7月、10月作为典型月份,分别代表冬、春、夏、秋4个季节.基于上述情景设置,对4个典型月份的气象及空气质量开展数值模拟研究[31].

1.3 模拟相关参数的设定

WRF及CMAQ模式采用两层嵌套模拟,空间分辨率分别为27 km×27 km、9 km×9 km,采用Lambert投影,坐标原点为36.4°N、101.9°E,其中外层网格覆盖了中国大部分区域,内层网格覆盖了京津冀地区.

CMAQ空气质量模式以2012年清华大学MEIC排放清单作为基准清单,选用CMAQ v5.0.2,采用CB05化学机制以及AERO6气溶胶机制. WRF气象模型为CMAQ模型提供气象场,并选用如下参数化方案:WSM3微物理方案、CAM长波辐射方案、RRTMG短波辐射方案、Noah Land Surface Model陆面方案、Monin-Obukhov近地面层方案、MYJ边界层方案和Grell 3D积云参数化方案.

1.4 模式结果的适用性验证

高湿、低压、弱风、逆温等不利气象条件易造成污染物积累[32],Glotfelty等[3]研究发现,在气候变化情景下,温度、相对湿度、风速及大气边界层高度与污染物的形成、积累的相关性较高.因此,该研究着重对观测站点月均温度、相对湿度、气压及风速的实测值与模拟值进行对比,评估WRF对CCSM4气候模式动力降尺度后的效果[9-10, 12].

此外,基于FNL(全球分析资料)采用CMAQ模拟了2015年1月北京地区的空气质量,计算了东城东四、朝阳奥体等5个监测站点的CMAQ模拟值与实测值的NMB(标准化平均偏差)、NME(标准化平均误差)及R(相关系数)以验证CMAQ空气质量的适用性.

2 结果与讨论 2.1 WRF对CCSM4动力降尺度的效果评价

通过对比北京市、天津市及石家庄市气候资料国际交换站2005年典型月份(1月、4月、7月、10月)的日均实测值与模式模拟值,并计算各点日均模拟值与实测值的NMB、NME,评估CCSM4-WRF动力降尺度的效果评价[10],如表 1所示.

表 1 CCSM4-WRF模式模拟北京及周边站点的效果对比 Table 1 Simulation results of CSSM4-WRF model in Beijing-Tianjin-Hebei region

表 1可见,3个站点气压、相对湿度的模拟值与实测值一致性较好,10月温度的模拟值较实测值低;风速的模拟值大于实测值.造成WRF模式近地面风速模拟值较实测值偏高的可能原因主要包括WRF模式模拟风速性能存在季节和地区差异,边界层方案影响地面风速的模拟[33],未考虑地形次网格参数化方案对风场的影响[34],并且当模式采用9 km的空间分辨率时,模式中体现的地形高度相对较为平缓,下垫面类型也较为单一,模式中城市区域对风速拖曳摩擦作用不足,因此模拟的风速可能相对更大[35].

2.2 CMAQ空气质量模式的适用性评价

通过采用CMAQ空气质量模式模拟2015年1月北京地区的空气质量,并计算东城东四、朝阳奥体等5个监测站点ρ(PM2.5)的CMAQ模拟值与实测值的NMB、NME及R来验证CMAQ空气质量模式在北京地区的适用性,其中NMB和NME是经过标准化表征模拟值与观测值的相对偏离程度,R表征模拟值与观测值的接近程度,如表 2图 1所示.结果表明,5个监测站点ρ(PM2.5)的CMAQ模拟值与实测值NMB、NME及R平均值分别为-8%、35%、0.76,ρ(PM2.5)的CMAQ模拟值总体上略低于实测值,但二者相关性较好,变化趋势一致性较好,具有一定的参考性[36-37].

表 2 CMAQ对ρ(PM2.5)的模拟效果评估 Table 2 Evaluation for simulation results of CMAQ for ρ(PM2.5)

图 1 2015年1月朝阳奥体站日均ρ(PM2.5)的监测值与CMAQ模拟值对比 Fig.1 Comparison between model results and observations for PM2.5 concentrations in Aoti station in January 2015
2.3 RCP8.5情景下京津冀地区气象因素的变化

气象因素是大气污染的形成外因[38].因此,通过WRF气象模式对未来代表年(2049—2051年)与现状代表年(2005年)的1月、4月、7月、10月这4个典型月份的气象因素进行数值模拟,并对比未来及现状情景下影响空气质量的关键气象因素[5](大气边界层高度、相对湿度、温度、地面风速)的月均及年均模拟值,预估RCP8.5情景下京津冀地区的气象因素变化,结果如图 2表 3所示.

注:未来代表年为2049—2051年;现状代表年为2005年; PBLH为大气边界层高度.下同. 图 2 未来代表年与现状代表年典型月份的气象条件变化 Fig.2 Variations of meteorological conditions of forecast years and baseline year

表 3 RCP8.5情景下京津冀地区未来代表年与现状代表年主要气象参数的月均值变化 Table 3 Variations of meteorological conditions between forecast years and baseline year under RCP8.5 scenarios in Beijing-Tianjin-Hebei region

图 2可见,在RCP8.5情景下,与现状代表年相比,京津冀地区未来代表PBLH年西南部降低,河北东部及北京大部升高;相对湿度北部降低,河北中南部有所增加;整体风速降低;整体温度升高.

RCP8.5情景下京津冀地区未来代表年与现状代表年各气象参数月均变化值如表 3所示,1月、7月、10月风速及相对湿度均有所降低,温度均升高;而4月呈相反的变化趋势;各气象因素年均值变化呈;温度升高、风速下降、大气边界层高度降低、相对湿度降低的趋势.

2.4 RCP8.5情景下京津冀地区空气质量的潜在变化

基于WRF气象模式动力降尺度方法为CMAQ空气质量模式提供2050年及2005年典型月份的气象场,选用2012年清华大学MEIC大气污染物排放清单作为输入清单,预估气候变化条件下京津冀地区空气质量的可能变化.

通过对2050年及2005年典型月份京津冀地区的气象及空气质量进行数值模拟,考察排放情况不变、气候条件变化的情况下,研究区域内所有网格的主要污染物的月均模拟值与年均模拟值的变化,结果如表 4所示.

表 4 RCP8.5情景下京津冀地区未来代表年与现状代表年主要污染物浓度月均值变化 Table 4 Variations of major pollutant concentrations between forecast years and baseline year under RCP8.5 scenarios in Beijing-Tianjin-Hebei region

表 4可以看出,在排放情况不变及RCP8.5情景下,相较于现状代表年,未来代表年全年主要污染物浓度均有所升高.典型月份中,4月各主要污染物浓度均有所减少,10月ρ(PM2.5)增幅最大,约7 μg/m3;1月ρ(SO2)、ρ(NOx)增幅最大,约5 μg/m3.结果表明,气候变化条件下,不同污染物在不同月份的变化有所不同.

以PM2.5为例,各典型月份ρ(PM2.5)变化的空间分布如图 3所示.由图 3可见,在排放情况不变及RCP8.5情景下,京津冀地区未来代表年较现状代表年2005年的逐月ρ(PM2.5)变化较为明显,以4月为代表的春季ρ(PM2.5)呈整体降低的变化趋势,而其他月份ρ(PM2.5)整体升高.其中,1月及7月河北省南部ρ(PM2.5)有所增高,而且在邢台、邯郸等地存在ρ(PM2.5)月均值升高10 μg/m3左右的潜在区域;10月河北南部ρ(PM2.5)有所下降,而天津及北京东部ρ(PM2.5)有所升高.

图 3 2050年与2005年典型月份ρ(PM2.5)的变化 Fig.3 Variations of PM2.5 concentrations between 2050 and 2005

对比北京市、天津市及石家庄地面气候资料国际交换站2050年与2005年典型月份ρ(PM2.5)的月均值及日均值的模拟结果.由图 4表 5可见,在排放情况不变及RCP8.5情景下,与2005年相比,2050年北京市及天津市7月和10月ρ(PM2.5)有所增加,增幅分别约为7.52、3.21 μg/m3和19.44、18.22 μg/m3,并且日均值变化范围增大,4月ρ(PM2.5)有所降低;石家庄市1月和7月ρ(PM2.5)有所增加,分别增加约22.58、10.51 μg/m3,并且日均值变化范围增大,4月和10月ρ(PM2.5)有所降低,并且日均值变化范围减小.因此,在RCP8.5情景下,不同城市的空气质量的季节变化特征不同.

图 4 京津冀地区各城市2005与2050年典型月份的ρ(PM2.5) Fig.4 PM2.5 concentrations in four midseason of 2050 and 2005 in Beijing-Tianjin-Hebei region

表 5 京津冀地区主要城市未来代表年与现状代表年ρ(PM2.5)的月均值变化 Table 5 Variations of ρ(PM2.5) between forecast years and baseline year in Beijing, Tianjin and Shijiazhuang
2.5 RCP8.5情景下各气象因素变化与空气质量变化的相关性分析

气象因素对于空气质量的变化具有显著的影响[15].如温度的增加会增强SO2的氧化,促进硫酸盐的生成;相对湿度的增加为颗粒物的吸湿增长创造了有利条件,促进硝酸盐等向颗粒态转化;风速对污染物有水平传输和稀释冲淡的作用,一般风速越大污染物的扩散能力越强,反之,风速越小污染物的扩散能力越弱[39];边界层高度影响污染物在垂直高度上的扩散,在静稳天气条件下大气边界层高度低且比较稳定,不利于污染物的垂直扩散,一般大气边界层高度降低污染加重,大气边界层高度升高污染减轻[40].

为初步分析引起气候变化背景下空气质量变化的主要气象因素,选取北京市为研究区域,对数值模拟结果中的2050年与2005年ρ(PM2.5)模拟值的变化与各主要气象参数模拟值的变化进行相关性分析(见表 6).

表 6 ρ(PM2.5)变化与主要气象条件变化值的相关性分析 Table 6 Correlation coefficients between PM2.5 concentration variation and meteorological variation

表 6的年均值可以看出,风速的变化对ρ(PM2.5)的影响最大且二者为负相关,其次为PBLH.不同月份与ρ(PM2.5)变化相关性较大的气象因素也不同,其中,1月和10月主要与风速、PBLH有关,4月主要与风速、相对湿度较为相关,7月与温度较为相关.因此,气候变化条件下所导致的气象因素的改变会对区域的空气质量造成影响,并且由于不同季节不同月份气象因素的变化情况不同,对空气质量的影响也有所不同.

3 结论

a) 在RCP8.5气候变化情景下,2050年与2005年相比京津冀地区整体呈现温度升高,风速、相对湿度及大气边界层高度均降低的变化.同时,气候变化所引起的气象因素变化对于空气质量也具有一定的影响,区域全年呈现ρ(PM2.5)、ρ(SO2)、ρ(NOx)升高的趋势,并且不同地区不同月份不同污染物产生的变化有所不同.

b) 在RCP8.5情景及目前的排放情况条件下,北京市大部分地区2050年与2005年相比,以7月及10月为代表的夏秋季ρ(PM2.5)可能出现升高的情况,以1月及4月为代表的冬春季可能会出现降低的情况.同时,京津冀地区可能出现的大气边界层高度降低及风速降低是影响污染物浓度变化的主要原因.

c) 由于现阶段缺少可用于CMAQ等空气质量模式的未来排放情景数据,在线耦合模式日臻完善.因此,今后还需进一步利用区域空气质量模式研究未来排放情景及气候变化情景下区域空气质量的响应,基于GEOS-CHEM、WRF-CHEM等在线耦合模式进一步开展我国气候-空气质量的相互作用研究.

参考文献
[1]
吴绍洪, 黄季焜, 刘燕华, 等. 气候变化对中国的影响利弊[J]. 中国人口·资源与环境, 2014, 24(1): 7-13.
WU Shaohong, HUANG Jikun, LIU Yanhua, et al. Pros and cons of climate changes in China[J]. China Population, Resource and Environment, 2014, 24(1): 7-13. (0)
[2]
孙家仁, 许振成, 刘煜, 等. 气候变化对环境空气质量影响的研究进展[J]. 气候与环境研究, 2014, 24(6): 805-814.
SUN Jiaren, XU Zhencheng, LIU Yu, et al. Advances in the effect of climate change of air quality[J]. Climate and Environmental Research, 2014, 24(1): 7-13. (0)
[3]
GLOTFELTY T, ZHANG Y, KARAMCHANDARI P, et al. Changes in future air quality, deposition, and aerosol-cloud interactions under future climate and emission scenarios[J]. Atmospheric Environment, 2016, 139: 176-191. DOI:10.1016/j.atmosenv.2016.05.008 (0)
[4]
SÁ E, MARTINS H, FERREIRA J, et al. Climate change and pollutant emissions impacts on air quality in 2050 over Portugal[J]. Atmospheric Environment, 2016, 131: 209-224. DOI:10.1016/j.atmosenv.2016.01.040 (0)
[5]
董思言, 高学杰. 长期气候变化:IPCC第五次评估报告解读[J]. 气候变化研究进展, 2014, 10(1): 56-59.
DONG Siyan, GAO Xuejie. Long-term climate change:interpretation of IPCC Fifth Assessment Report[J]. Progressus Inquisitiones DE Mutatione Climatis, 2014, 10(1): 56-59. (0)
[6]
梁玉莲, 延晓冬. RCPs情景下中国21世纪气候变化预估及不确定性分析[J]. 热带气象学报, 2016, 32(2): 183-192.
LIANG Yulian, YAN Xiaodong. Prediction of climate change over China and uncertainty analysis during the 21st century under RCPS[J]. Journal of Tropical Meteorology, 2016, 32(2): 183-192. (0)
[7]
MEINSHAUSEN M, SMITH S J, CALVIN K, et al. The RCP greenhouse gas concentrations and their extensions from 1765 to 2300[J]. Climatic Change, 2011, 109(1/2): 213-241. (0)
[8]
CHENMinpeng, LINErda. Global greenhouse gas emission mitigation under representative concentration pathways scenarios and challenges to China[J]. Advances in Climate Change Research, 2010, 6(6): 436-442. (0)
[9]
LIN C Y, CHUA Y J, SHENG Y F, et al. Altitudinal and latitudinal dependence of future warming in Taiwan simulated by WRF nested with ECHAM5/MPIOM[J]. International Journal of Climatology, 2015, 35(8): 1800-1809. DOI:10.1002/joc.2015.35.issue-8 (0)
[10]
BAO Jiawei, FENG Jinming, WANG Yongli. Dynamical downscaling simulation and future projection of precipitation over China[J]. Journal of Geophysical Research Atmospheres, 2015. DOI:10.1002/2015JD023275 (0)
[11]
BRUYERE C L, MONAGHAN A J, STEINHOFF D F, et al. Bias-corrected CMIP5 CESM Data in WRF/MPAS intermediate file format[J]. National Center for Atmospheric Research Ncar Koha Opencat, 2015. DOI:10.5065/D6445JJ7 (0)
[12]
成爱芳, 冯起, 张健恺, 等. 未来气候情景下气候变化响应过程研究综述[J]. 地理科学, 2015(1): 84-90.
CHENG Aifang, FENG Qi, ZHANG Jiankai, et al. A review of climate change scenario for impacts process study[J]. Scientia Geographica Sinica, 2015(1): 84-90. (0)
[13]
GAO X J, WANG M L, GIORGI F. Climate change over China in the 21st century as simulated by BCC_CSM1.1-RegCM4.0[J]. Atmospheric and Oceanic Science Letters, 2013, 6(5): 381-386. DOI:10.1080/16742834.2013.11447112 (0)
[14]
刘昌明, 刘文彬, 傅国斌, 等. 气候影响评价中统计降尺度若干问题的探讨[J]. 水科学进展, 2012, 23(3): 427-437.
LIU Changming, LIU Wenbin, BO Guobin, et al. A discussion of some aspects of statistical downscaling in climate impacts assessment[J]. Advances in Water Science, 2012, 23(3): 427-437. (0)
[15]
FOWLER H J, BLENKINSOP S, TEBALDI C. Linking climate change modelling to impacts studies:recent advances in downscaling techniques for hydrological modelling[J]. International Journal of Climatology, 2007, 27(12): 1547-1578. DOI:10.1002/(ISSN)1097-0088 (0)
[16]
胡伯彦. WRF模式CORDEX东亚区域气候的模拟与预估[D]. 南京: 南京大学, 2012. (0)
[17]
CORDEX-WRF Groups.Pre-processing of CMIP5 data available at ESGF[EB/OL].Sweden:International Project Office for CORDEX (IPOC), 2013[2016-10-13].http://www.meteo.unican.es/wiki/cordexwrf/SoftwareTools/CmorPreprocessor. (0)
[18]
WU S, MICKLEY L J, JACOB D J, et al. Effects of 2000-2050 changes in climate and emissions on global tropospheric ozone and the policy-relevant background surface ozone in the United States[J]. Journal of Geophysical Research Atmospheres, 2010, 113(D18): 1044-1044. (0)
[19]
朱佳, 廖宏, 茅宇. 气候和人为排放变化对2000-2050年中国臭氧跨界输送变化的影响[C]//大气成分委员会、中国气象科学研究院. 第31届中国气象学会年会S6大气成分与天气、气候变化. 北京: 大气成分委员会、中国气象科学研究院, 2014: 1. (0)
[20]
国务院. 重点区域大气污染防治"十二五"规划[R]. 北京: 国务院, 2012. (0)
[21]
周兆媛, 张时煌, 高庆先, 等. 京津冀地区气象要素对空气质量的影响及未来变化趋势分析[J]. 资源科学, 2014, 36(1): 191-199.
ZHOU Zhaoyuan, ZHANG Shihuang, GAO Qingxian, et al. The impact of meteorological factor on air quality in the Beijing-Tianjin-Hebei region and trend analysis[J]. Resources Science, 2014, 36(1): 191-199. (0)
[22]
张可慧. 全球气候变暖对京津冀地区极端天气气候事件的影响及防灾减灾对策[J]. 干旱区资源与环境, 2011, 25(10): 122-125.
ZHANG Kehui. The impacts of global climate change on extreme weather events in Beijing-Tianjin-Hebei area and the countermeasures for disaster prevention[J]. Journal of Arid Land Resources and Environment, 2011, 25(10): 122-125. (0)
[23]
郑祚芳, 苗世光, 范水勇, 等. 京津冀城市群未来发展情景气候效应模拟[J]. 南京大学学报(自然科学版), 2014(6): 772-780.
ZHENG Zuofang, MIAO Shiguang, FAN Shuiyong, et al. Climate effects simulation of future development prospects of Beijing-Tianjin-Hebei Megapolis area[J]. Journal of Nanjing University (Natural Sciences Edition), 2014(6): 772-780. (0)
[24]
张英娟, 张培群, 王冀, 等. 1981-2013年京津冀持续性霾天气的气候特征[J]. 气象, 2015, 41(3): 311-318.
ZHANG Yingjuan, ZHANG Peiqun, WANG Yi, et al. Climatic characteristics of persistent haze events over Jingjinji during 1981-2013[J]. Meteorological Monthly, 2015, 41(3): 311-318. DOI:10.7519/j.issn.1000-0526.2015.03.006 (0)
[25]
吴兑. 近十年中国灰霾天气研究综述[J]. 环境科学学报, 2012, 32(2): 257-269.
WU Dui. Hazy weather research in China in the last decade:a review[J]. Acta Scientiae Cirumstantiae, 2012, 32(2): 257-269. (0)
[26]
吴兑, 廖碧婷, 吴蒙, 等. 环首都圈霾和雾的长期变化特征与典型个例的近地层输送条件[J]. 环境科学学报, 2014, 34(1): 1-11.
WU Dui, LIAO Biting, WU Meng, et al. The long-term trend of haze and fog days and the surface layer transport conditions under haze weather in North China[J]. Acta Scientiae Circumstantiae, 2014, 34(1): 1-11. DOI:10.11654/jaes.2014.01.001 (0)
[27]
张冬峰, 高学杰, 马洁华. CCSM4.4模式对中国夏季气候的回报分析[J]. 气候与环境研究, 2015, 20(3): 307-318.
ZHANG Dongfeng, GAO Xuejie, MA Jiehua. 2015.Analysis of summer climate over China from hindcast experiments by CCSM4.0 and RegCM4.4 models[J]. Climatic and Environmental Research, 2015, 20(3): 307-318. DOI:10.3878/j.issn.1006-9585.2015.14158 (0)
[28]
田芝平, 姜大膀. 不同分辨率CCSM4对东亚和中国气候模拟能力分析[J]. 大气科学, 2013, 37(1): 171-186.
TIAN Zhiping, JIANG Dabang. Evaluation of the performance of low to high resolution CCSM4 over East Asia and China[J]. Chinese Journal of Atmospheric Sciences, 2013, 37(1): 171-186. DOI:10.3878/j.issn.1006-9895.2012.12050 (0)
[29]
TAYLOR K E, STOUFFER R J, MEEHL G A.A Summary of the CMIP5 experiment design[EB/OL].World Climate Research Programme (WCRP), 2009[2009-12-18].http://cmip-pcmdi.llnl.gov/cmip5/docs/Taylor_CMIP5_design.pdf. (0)
[30]
周天军, 邹立维, 吴波, 等. 中国地球气候系统模式研究进展:CMIP计划实施近20年回顾[J]. 气象学报, 2014, 5(5): 892-907.
ZHOU Tianjun, ZOU Liwei, WU BO, et al. Development of earth/climate system models in China:a review from the Coupled Model Intercomparison Project perspective[J]. Acta Meteorologica Sinica, 2014, 5(5): 892-907. DOI:10.11676/qxxb2014.083 (0)
[31]
薛文博, 付飞, 王金南, 等. 中国PM2.5跨区域传输特征数值模拟研究[J]. 中国环境科学, 2014, 34(6): 1361-1368.
XUE Wenbo, FU Fei, WANGg Jinnan, et al. Numerical study on the characteristics of regional transport of PM2.5 in China[J]. China Environmental Science, 2014, 34(6): 1361-1368. (0)
[32]
刘厚凤, 杨欣, 陈义珍, 等. 中国重霾过程污染气象研究进展[J]. 生态环境学报, 2015(11): 1917-1922.
LIU Houfeng, YANG Xin, CHEN Yizhen, et al. A review of meteorological effects on heavy haze pollution in China[J]. Ecology and Environment Sciences, 2015(11): 1917-1922. (0)
[33]
于丽娟, 尹承美, 林应超, 等. 中国区域近地面风速动力降尺度研究[J]. 干旱气象, 2017, 35(1): 23-28.
YU Lijuan, Yin Chengmei, LIN Yingchao, et al. Study of dynamical downscaling on near surface wind speed over China[J]. Journal of Arid Meteorology, 2017, 35(1): 23-28. (0)
[34]
马晨晨, 余晔, 何建军, 等. 次网格地形参数化对WRF模式在复杂地形区风场模拟的影响[J]. 干旱气象, 2016, 34(1): 96-105.
MA Chenchen, YU Ye, HE Jianjun, et al. Effect of subgrid-scale terrain parameterization on WRF's performance on wind field over complex terrain[J]. Journal of Arid Meteorology, 2016, 34(1): 96-105. (0)
[35]
CHENXinhao, WANGYongwei, RENXia., 等. Simulation and evaluation of haze day in Jiangsu Province based on WRF/CMAQ model in winter, 2014[J]. Journal of Nanjing University(Natural Sciences Edition), 2016, 52(6): 961-976. (0)
[36]
KANG D W, EDER B K, MATHUR R, et al.2007.An operational evaluation of ETA-CMAQ air quality forecast model[M]//BORREGO C, NORMAN A L.Air pollution modeling and its application XVⅡ.Berlin:Springer US.590-598. (0)
[37]
EDER B, YU S C. A performance evaluation of the 2004 release of Models-3 CMAQ[J]. Atmospheric Environment, 2006, 40(26): 4811-4824. DOI:10.1016/j.atmosenv.2005.08.045 (0)
[38]
王跃思, 张军科, 王莉莉, 等. 京津冀区域大气霾污染研究意义、现状及展望[J]. 地球科学进展, 2014, 29(3): 388-396.
WANG Yuesi, ZHANG Junke, WANG Lili, et al. Researching significance, status and expectation of haze in Beijing-Tianjin-Hebei region[J]. Advances in Earth Science, 2014, 29(3): 388-396. DOI:10.11867/j.issn.1001-8166.2014.03.0388 (0)
[39]
张人文, 范绍佳. 珠江三角洲风场对空气质量的影响[J]. 中山大学学报(自然科学版), 2011, 50(6): 130-134.
ZHANG Renwen, FAN Shaojia. Study of the influence of wind field on air quality over the Pearl River Delta[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni(Natural Sciences Edition), 2011, 50(6): 130-134. (0)
[40]
王耀庭, 李威, 张小玲, 等. 北京城区夏季静稳天气下大气边界层与大气污染的关系[J]. 环境科学研究, 2012, 25(10): 1092-1098.
WANG Yaoting, LI Wei, ZHANG Xiaoling, et al. Relationship between atmospheric boundary layer and air pollution in summer stable weather in the Beijing urban area[J]. Research of Environmental Sciences, 2012, 25(10): 1092-1098. (0)