环境科学研究  2017, Vol. 30 Issue (11): 1680-1688  DOI: 10.13198/j.issn.1001-6929.2017.03.19

引用本文  

胡俊, 赵天良, 张泽锋, 等. 霾污染环境大气能见度参数化方案的改进[J]. 环境科学研究, 2017, 30(11): 1680-1688.
HU Jun, ZHAO Tianliang, ZHANG Zefeng, et al. Upgradeding Atmospheric Visibility Parameterization Scheme for Haze Pollution Environment[J]. Research of Environmental Sciences, 2017, 30(11): 1680-1688.

基金项目

国家自然科学基金联合重大研究计划项目(91544109);国家科技支撑计划项目(2014BAC22B04);国家环境保护公益性行业科研专项(201509001)

责任作者

赵天良(1962-), 男, 陕西扶风人, 教授, 博士, 博导, 主要从事大气物理与大气环境研究, tlzhao@nuist.edu.cn

作者简介

胡俊(1994-), 男, 江西丰城人, hujun9416@foxmail.com

文章历史

收稿日期:2016-11-06
修订日期:2017-08-22
霾污染环境大气能见度参数化方案的改进
胡俊1,2 , 赵天良1,2 , 张泽锋1,2 , 邱玉珺1,2 , 谭成好1,2 , 吴峡生1,2     
1. 南京信息工程大学气象灾害预报预警与评估协同创新中心, 江苏 南京 210044;
2. 南京信息工程大学, 中国气象局气溶胶与云降水重点开放实验室, 江苏 南京 210044
摘要:霾污染是高浓度大气气溶胶造成低能见度的大气现象,为了完善目前空气质量模式的大气能见度参数化方案,以准确地预报霾污染过程的能见度变化,基于已有的大气总消光系数与大气能见度的关系,依据Mie理论和大气分子的消光特性,计算颗粒物和NO2的消光系数,提出一种改进的大气能见度参数化方案.为了验证这一改进的参数化方案的大气能见度预报性能,①利用空气质量模式WRF-Chem3.7模拟2013年12月南京地区两次霾污染个例,并且与实际观测数据对比,证实其能够准确地模拟大气颗粒物和NO2的浓度变化;②利用模拟的大气颗粒物和NO2的浓度数据,分别采用改进的能见度参数化方案及已有的IMPROVE方案和CHEN的能见度参数化等3个方案,计算两次霾污染个例的大气能见度变化;③与观测能见度比较,评估3个能见度参数化方案的模拟准确性。评估表明,改进的参数化方案模拟的两个霾污染个例能见度的平均标准化偏差和平均偏差分别为17.19%、3.18%和517、173 m,并且和观测能见度的相关系数分别提高到0.76、0.87,其能见度模拟的准确性优于其它两种已有的参数化方案,并在不同相对湿度(RH)和能见度范围内改进的参数化方案模拟的标准化平均误差均小于其它两种参数化方案,其中,在RH < 80%和能见度≥ 1 km范围内标准化平均误差均低于50%.研究显示,改进的大气能见度参数化方案能够有效地提高空气质量模式的霾污染环境大气能见度的预报准确性.
关键词霾污染    大气能见度    参数化方案    消光系数    WRF-Chem    
Upgradeding Atmospheric Visibility Parameterization Scheme for Haze Pollution Environment
HU Jun1,2 , ZHAO Tianliang1,2 , ZHANG Zefeng1,2 , QIU Yujun1,2 , TAN Chenghao1,2 , WU Xiasheng1,2     
1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China;
2. Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration, Nanjing University of Information Science & Technology, Nanjing 210044, China
Abstract: Haze pollution is an environmental event caused by high levels of aerosols in ambient atmosphere resulting in low visibility. In order to improve the atmospheric visibility parameterization in air quality model for better prediction of visibility in haze events, an upgraded parameterization of atmospheric visibility is proposed with introducing the extinction coefficients of both atmospheric particulates and atmospheric NO2 molecules, based on a relation between atmospheric visibility and extinction coefficients in Nanjing and the Mie theory. To evaluate the capacity of visibility modeling with the upgraded parameterization, (1) This study simulated two haze episodes of December 2013 in Nanjing with the air quality model WRF-Chem3.7, and the simulation of atmospheric particulate matter (PM) and NO2 concentrations agreed well with the observations; (2) With the simulated PM and NO2 concentrations, atmospheric visibility during the two haze episodes in Nanjing was calculated respectively with the upgraded parameterization, the existed IMPROVE and Chen parameterizations; (3) The simulation validation of the updated visibility scheme showed that the normalized mean bias and mean bias between visibility simulation and observation were distinctively improved, with the values of 17.19%, 3.18%, and 517, 173 m respectively during the two episodes, with high correlation coefficients of 0.76 and 0.87. By comparing the normalized mean error (NME) of visibility with the change ranges of relative humidity (RH) and visibility, NME of the upgraded parameterization was less than the other two parameterizations in all the ranges of RH and visibility. Especially at the level of RH < 80% and visibility ≥ 1 km, the NME values kept below 50%. The updated visibility parameterization could significantly enhance numerical prediction level of atmospheric visibility.
Keywords: haze pollution    atmospheric visibility    parameterization    extinction coefficient    WRF-Chem    

我国中东部频发的霾污染是高浓度大气气溶胶造成的低能见度大气环境现象[1].低大气能见度是人们对大气污染严重程度的直观感受.大气能见度表征了大气透明度,可以反映近地面大气的洁净程度[2],与社会生活和交通运输安全密切相关.由于现有大气污染物观测时间序列较短,大气能见度的观测分析依然是目前认识大气环境长期气候变化特征的主要途径[3-7]. Lee等[8-11]通过对英国气象数据的分析,研究大气能见度变化趋势,并以此衡量空气质量的变化.在美国国会制定了空气清洁法案后,大量研究[12-16]利用大气能见度资料分析大气环境的变化趋势.美国环境保护署将大气能见度的变化趋势作为评估大气环境质量及环境保护和治理政策实施效果的重要参考依据[17].马雁军等[18-19]将辽宁部分城市的大气能见度与影响因子进行分析,发现大气能见度与RH(相对温度)和颗粒物浓度呈负相关.吴兑等[20-24]对珠江三角洲的霾与大气能见度的研究结果表明,霾天气下大气细颗粒物是能见度下降的主要原因.宋宇等[25]对大气颗粒物浓度及其散射和吸收消光观测研究发现,北京地区细颗粒物的散射消光占总体消光的80%,并且不同成分的细颗粒物对大气消光的影响不同.

大气能见度的预报方法主要有统计预报和数值预报.统计预报一般是通过分析雾、霾等天气现象出现时的大气能见度变化规律,确定温度、湿度、风速、压强等气象要素和大气能见度的统计关系,建立大气能见度的预报方程[26-29].数值预报主要是利用数值模式模拟大气中的污染物、湿度、液态水含量等要素,依据大气光学理论,计算其对大气消光的贡献,诊断预报大气能见度[30-31].

目前,国内外主要的大气能见度计算方法是基于1924年Koschmieder[32]提出的大气能见度与消光系数的关系公式,即目标物视程理论.对于以水平天空为背景的黑色目标物,假设大气均一,即大气水平消光系数为常数,则大气能见度与消光系数之积为常数(K),其是理想条件下的理论推导值.由于大气污染物,尤其是大气悬浮粒子的成分复杂,相态各异,并且随不同地区、不同季节变化,在大气中分布不均,真实条件下K的取值往往与理想条件存在差异.近年的大气能见度研究表明,K的取值受大气环境影响. Ozkaynak等[33-34]利用美国机场能见度观测和消光系数资料,修正了Koschmieder的公式,给出K的取值范围为1.8±0.4.高澜等[35]基于2010和2011年在南京北郊的观测数据,对大气能见度与消光系数拟合得到K为1.97;Husar等[36]在其研究中根据观测数据对K值作了修正,其取值为1.9;YU等[37]K值为1.97,计算南京的能见度变化.以上K值均在Ozkaynak和Griffing等确定的取值范围内.

大气消光系数主要是通过IMPROVE项目(美国大型能见度观测计划)提出的IMPROVE经验公式计算[31, 38-39].陶俊等[40]在对广州冬季的大气观测数据分析和计算各化学成分对消光系数的贡献的基础上,简化了IMPROVE经验公式. CHEN等[41]通过对天津武清地区大气能见度对气溶胶体积分数和吸湿增长因子的敏感性分析,提出了一种霾天气下低能见度消光计算的参数化方案. Kunkel等[42]在1984年通过雾观测试验,提出了大气能见度与液态水含量的关系式. Gultepe等[43]给出了基于雾水含量和雾滴浓度的大气能见度公式. ZHOU等[44-45]在研究辐射雾的基础上给出了液态水含量(LWC)的诊断方法,进而提出雾的大气能见度集合预报方法.

对于目前广泛用于空气质量模式预报的WRF-Chem等模式,现有的计算大气能见度的参数化方案可用性并不高,导致模式对大气能见度的计算精度较差.因此,基于我国东部空气质量和大气能见度观测研究,该文试图建立一个改进的大气能见度参数化方案,并利用WRF-Chem3.7模拟输出的大气污染物浓度,将光学参量和水分等特征要素作为该方案的输入变量,实现该方案与WRF-Chem模式的耦合及大气能见度的模式预报.这一工作无论在大气环境模式发展还是空气质量预报业务中都具有应用价值.

1 能见度参数化方案建立 1.1 IMPROVE项目参数化方案

基于美国IMPROVE项目2012年改进的消光系数经验公式[31, 38-39],建立大气能见度的参数化方案:

$ {{V}_{\rm{R}}}=K/{{\mathit{b}}_{\rm{ext} }} $ (1)
$ \begin{gathered} {\mathit{b}_{\rm{ext} }} = {b_{{\rm{sg}}}} + 2.2 \times {f_{\rm{S}}}\left( {{\rm{RH}}} \right) \times S(\rm{sulfate}) + \hfill \\ 4.8f \times {f_{\rm{L}}}\left( {{\rm{RH}}} \right) \times L(\rm{sulfate}) + 2.4 \times \hfill \\ {f_{\rm{S}}}\left( {{\rm{RH}}} \right) \times S(\rm{nitrate}) + 5.1 \times {f_{\rm{L}}}\left( {{\rm{RH}}} \right) \hfill \\ \times L(\rm{nitrate}) + 2.8 \times S\left( {{\rm{OM}}} \right) + 6.1 \times \hfill \\ L\left( {{\rm{OM}}} \right) + 10 \times \left[{{\rm{EC}}} \right] + \left[{{\rm{FS}}} \right] + 0.6 \times \hfill \\ \left[{{\rm{CM}}} \right] + 0.33 \times \left[{{\rm{N}}{{\rm{O}}_{\rm{2}}}} \right] \hfill \\ \end{gathered} $ (2)

式中:K为常数,该方案时取值为3.912;VR为大气能见度, km;bext为消光系数,Mm-1bsg为瑞利散射消光系数,Mm-1fS(RH)、fL(RH)分别为粗粒子和细粒子的吸湿增长系数,其为RH的函数,可参考Pitchford等[39]根据观测分析得到的数据;L(X)和S(X)分别为气溶胶粗粒子和细粒子质量浓度,μg/m3,其中X分别表示硫酸盐(sulfate)、硝酸盐(nitrate)、有机物(OM);[EC]、[FS]和[CM]分别为元素碳浓度、细土壤尘气溶胶浓度和粗粒子浓度,μg/m3;[NO2]为NO2的体积分数,10-9.为方便比较分析,将该方案记为参数化方案A.

1.2 CHEN的能见度参数化方案

CHEN等[41]基于能见度对气溶胶浓度和吸湿增长因子的敏感性分析,表明当RH<90%时,气溶胶的消光系数与φ (气溶胶)呈线性相关,φ (气溶胶)是造成低能见度的关键因子;当RH≥90%时,气溶胶的消光能力随湿度呈指数增长,大气能见度的恶化主要由湿度的增长决定. CHEN[41]利用HaChi外场观测数据进行研究分析,用气溶胶和RH作为输入参数计算消光系数,建立了一种大气能见度参数化方案,其计算消光系数公式如下:

$ {{\mathit{b}}_{\rm{ext}}}=k\times {{V}^{\alpha }}\times {{\left( 1-\rm{RH} \right)}^{-b\times \rm{RH}}} $ (3)

式中:V为颗粒物体积分数,10-12;RH为相对湿度,%;k为单位体积气溶胶消光系数的平均值,为90.8;ab为系数,分别为0.944和0.457.根据CHEN[41]的方案,将式(3)代入式(1)计算大气能见度VR时,式(1)中K取值为3.将此方案记为方案B.

1.3 改进的能见度参数化方案

基于目前国内外研究对K值的订正[34-36],并结合南京地区的能见度观测,改进的参数化方案对式(1)中K取值为1.97,并且大气消光系数同时考虑了颗粒物消光系数和气体分子消光系数,气体分子消光系数为气体分子散射系数和气体分子吸收系数之和.该文提出了改进的能见度参数化方案,公式如下:

$ {{V}_{\rm{R}}}=\frac{1.97}{{{b}_{\rm{p}}}+{{b}_{\rm{ag}}}+{{b}_{\rm{sg}}}}\times {{10}^{6}} $ (4)

式中:bp为颗粒物消光系数,Mm-1bsg为气体分子散射系数,主要是大气分子的瑞利散射,通常看成常数[47],取值为13 Mm-1bag为气体分子吸收系数,主要由NO2污染贡献,其吸收系数约为NO2质量浓度的0.33倍[48],Mm-1.颗粒物消光系数是颗粒物对550 nm波长的消光系数[49-50],通过Mie理论计算获得,公式如下:

$ {b_{\rm{P}}} = {\sum\limits_{i = 1}^4 {{N_i}{Q_{{\rm{ext}},i}}\pi \left( {\frac{{{{\rm{D}}_{{\rm{p,}}i}}}}{{\rm{2}}}} \right)} ^2} $ (5)
$ {D_{{\rm{p}},i}} = {\left[ {\frac{{6\left( {{\rm{vo}}{{\rm{l}}_{{\rm{dry}},i}}{\rm{ + vo}}{{\rm{l}}_{{\rm{water}},i}}} \right)}}{{\pi {{\rm{N}}_i}}}} \right]^{1/3}} $ (6)

式中:i为粒径段,取值为1、2、3、4,对应的粒径分别为0.039~0.156、0.156~0.625、0.625~2.5、2.5~10 μm[51]Qext为消光效率因子[52]Dp为颗粒物的平均直径,m;N为颗粒物的数浓度,m-3;voldry为干颗粒物的体积分数,%;volwater为液态水体积分数,%.为了便于与已有能见度参数化方案比较,将改进的能见度参数化方案记为方案C.

2 WRF-Chem模拟 2.1 模式设置

WRF-Chem是WRF(气象模式)和Chem(化学模式)在线耦合的新一代中尺度空气质量模式,此次研究利用其3.7版本.模拟研究的网格设置如下:垂直方向分为28层,模式顶为100 hPa;水平方向设定3层嵌套网格,分辨率由外向内分别为45、15、5 km,依次覆盖中国绝大部分地区、华东及华中部分地区、江苏省及安徽浙江部分地区;区域中心设在南京(32°N、118°E). 表 1给出了模式模拟设置中的物理化学过程参数化方案.排放源清单使用经过人口分配后的2006年INTEX-B[53]数据,化学初始场使用MOZART,分别模拟2013年11月25日—12月10日和2013年12月20—29日两个霾污染事件,除去模式预热时间,12月1—10日(下称个例1)和12月22—29日(下称个例2)的模拟结果用于诊断计算大气能见度.其中,用于模式模拟评估的污染物观测数据来源于中国环境监测总站建立的大气颗粒物全国观测网,能见度观测数据来自于中国气象局综合观测培训实习基地(南京),观测仪器为CJY-1型能见度仪.

表 1 WRF-Chem模式参数方案设置 Table 1 WRF-Chem modeling configuration
2.2 模拟结果验证

作为研究对象的两个个例均发生在霾污染时段,其中个例1时段内出现多次雾、霾相互转化的过程,在7日08:00时,南京市气象局曾发布大雾红色预警,大气能见度不足50 m,说明大气能见度变化不仅受到高浓度的颗粒物消光的影响,也受到液态水的影响;个例2为一个重霾事件,大气能见度变化主要受颗粒物浓度变化的影响.两个个例在一定程度上能够代表霾污染时间段下大气能见度受污染物和液态水影响的变化.观测数据(见图 1)表明:在个例1中,ρ(PM2.5)在12月1—3日期间均高于100 μg/m3,在3日晚迅速升至450 μg/m3,而后在4日晚间降至300 μg/m3,在5—9日凌晨期间在300 μg/m3上下波动,并伴有多次大雾的形成与消散过程,在9日晚迅速降至50 μg/m3;在个例2中,ρ(PM2.5)在12月22—26日期间逐渐上升,并在26日午间达到最大值(约450 μg/m3),随后在26日晚迅速降低,在27—29日期间,缓慢上升,在29日中午达到100 μg/m3.

图 1 两个霾污染时段PM2.5、PM10、NO2小时浓度模拟值和观测值的对比 Fig.1 Comparisons of PM2.5, PM10 and NO2 simulation and observation in haze episodes

为了验证模式对大气污染物的模拟结果,将模拟的ρ(PM2.5)、ρ(PM10)、ρ(NO2)分别与观测值对比(见图 1).用于对比的观测数据采用南京市9个国控站点平均值.对于个例1,在12月4日模拟的ρ(PM2.5)、ρ(PM10)峰值均滞后于观测的峰值,并且模拟的高浓度持续时间较短,但整体变化趋势与观测结果基本一致,二者相关系数分别为0.64和0.61,标准化平均偏差分别为18.87%和32.96%;NO2模拟效果相对较差.对于个例2,在22—25日模式准确模拟出ρ(PM2.5)、ρ(PM10)的累积过程,在26日午间模拟浓度达到高值,但到达高值的时间比观测时间稍早,在26日晚ρ(PM2.5)、ρ(PM10)迅速降低,PM2.5和PM10整体模拟较好,相关系数均高达0.84,并且偏差小;NO2的模拟值与观测值的相关性也较好,相关系数达0.75.通过对比发现,整个模拟结果与观测结果的偏差在可接受合理范围内,并且模拟值与观测值相关系数较高,基本再现了两个个例中大气状况的变化,可用于大气能见度的诊断计算.

3 模拟的能见度评估 3.1 3种能见度方案模拟统计分析

利用WRF-Chem模拟的ρ(SO42-)、ρ(NO3-)、ρ(OC)、ρ(BC)、ρ(PM10)、ρ(PM2.5)、ρ(NO2)等值及RH计算硫酸盐、硝酸盐、有机物、NO2的消光系数,并分别代入式(2)、(3)求得大气的总消光系数,再代入式(1)计算获得参数化方案A、B的大气能见度.参数化方案C利用WRF-Chem模式模拟颗粒物浓度,依据Mie理论计算颗粒物对550 nm的消光系数,并考虑大气分子的消光,代入式(4)计算大气能见度.

为了评估能见度参数化方案A、B和C的大气能见度模拟性能,计算了这两个污染个例模拟和观测的大气能见度的统计量(见表 2).平均偏差、标准化平均偏差和标准化平均误差越小,相关系数越大,表示模拟越好.

表 2 3种能见度参数化方案模拟的统计值 Table 2 Statistic values of visibility simulations between three parameterizations

为便于与观测的大气能见度比较,设置模拟的大气能见度上限为30 km.由模拟结果可以看出,3种能见度参数化方案均能反映观测大气能见度的变化趋势(见图 2).对于个例1,方案A模拟的大气能见度整体偏高,在高能见度(≥10 km)时间段偏差明显,平均偏差达2 810 m;方案B模拟的大气能见度略低于观测值,并且在高能见度时间段模拟效果较差,平均偏差达-1 216 m;与方案A、B相比,方案C模拟的大气能见度与观测值最为接近,平均偏差和标准化平均偏差均为最小,分别为517 m、17.19%,对于整个时间段模拟效果最好.对于个例2,方案A模拟的大气能见度偏高,在26日中午至29日,模拟值远大于观测值,在25日至26日,平均偏差相对较小;方案B模拟的大气能见度整体低于观测值,在低能见度时间段模拟较好,但对于高能见度,模拟偏差明显;与方案A、B相比,方案C在整个时段内的大气能见度模拟偏差显著减小,模拟最为准确,相关系数高达0.87,平均偏差仅为173 m,标准化平均偏差和标准化平均误差分别为3.18%、27.16%(见表 2).

图 2 不同霾污染时段内3种参数化方案模拟能见度与观测值的对比 Fig.2 Visibility simulated by three parameterizations versus observation in two haze episodes
3.2 不同能见度和RH范围模拟评估

为进一步评估参数化方案对能见度的模拟性能,该文将观测的大气能见度值划分为:能见度≥10 km、5 km≤能见度<10 km、1 km≤能见度<5 km以及能见度<1 km 4个等级,统计各能见度等级内3个方案模拟的大气能见度的平均偏差〔见图 3(a)〕和标准化平均误差〔见图 4(a)〕.方案A对高能见度(≥10 km)模拟偏高,平均偏差达8 km;对低能见度模拟相对较好,偏差随能见度降低而减小.方案B模拟能见度整体偏低,尤其是高能见度范围内平均偏差达-6 km,随能见度降低模拟偏差逐渐缩小;在能见度<1 km范围内,模拟效果优于其他两种方案,模拟值相对观测值偏大0.6 km.方案C在能见度≥5 km时模拟偏低,平均偏差最大为2.6 km;而在能见度<5 km时模拟偏高,最大偏差接近2 km. 3种参数化方案在能见度>5 km的标准化平均误差均小于50%,在能见度<1 km的标准化平均误差均大于400%,是其他能见度等级平均误差的3~4倍,表明对低能见度(<1 km)模拟较差;方案C在各能见度等级标准化平均误差均优于其他两种方案.

图 3 参数化方案A、B、C模拟结果在不同能见度等级和湿度范围的平均偏差 Fig.3 Visibility mean bias between observation and simulation of visibility schemes A, B and C under different ranges ofatmospheric visibility andrelative humidity

图 4 参数化方案A、B、C模拟结果在不同能见度等级和湿度范围的标准化平均误差 Fig.4 Visibility NME between observation and simulation of visibility schemes A, B and C under different ranges of visibility and relative humidity

此外,该文将观测的RH划分为7个等级,即RH<40%、40%≤RH<50%、50%≤RH<60%、60%≤RH<70%、70%≤RH<80%、80%≤RH<90%、RH≥90%,统计各RH等级内3个方案模拟的大气能见度的平均偏差〔见图 3(b)〕和标准化平均误差〔见图 4(b)〕.方案A在低湿(RH<50%)情况下对能见度的模拟较差,模拟值比观测值偏大5 km,平均偏差随RH增大而减小;当RH≥50%时,能见度平均偏差维持在3 km左右.方案B在低湿下模拟能见度远低于观测值,最大达到-3.4 km;当RH≥80%时,模拟能见度稍高于观测值,偏差较小;在高湿情况下,能见度模拟偏高.方案C在低湿情况下能见度模拟值稍低,平均偏差小于1 km,远小于方案A、B. 3种参数化方案对于高湿情况下,能见度模拟标准化平均误差均较大,达350%,远大于其他6个等级;在所有等级中方案C的标准化平均误差均小于其他两个方案,即使在高湿情况下,方案C能见度模拟偏差增大,但仅有1.5 km.

由以上分析可知,整体而言,方案C在各能见度范围和不同RH条件下对大气能见度的模拟较好,平均偏差和标准化平均误差最小,优于其他两种方案.参数化方案A、B由于其通过经验公式计算能见度,其适用范围存在一定的局限性.方案C基于光学原理Mie理论计算颗粒物消光系数,考虑大气分子的消光特性,诊断得到能见度,其结果整体上更准确、合理.在高湿情况下,方案C能见度模拟偏大,分析原因可能是在高湿情况下,气溶胶粒子的吸湿增长因子较大,粒子尺度可以增长2~3倍,气溶胶的消光能力也会呈指数型上升[54-55];同时气溶胶的化学成分对颗粒物消光也存在一定的影响,导致对高湿条件下的能见度模拟偏大.

在两个霾污染个例中,3种能见度参数化方案模拟的消光系数随时间变化趋势基本一致,但在不同时间段消光系数的差异不同,尤其在高污染期间(25—26日),方案B模拟的消光系数明显大于其他两个方案,主要是由于3种参数化方案的计算方法差异导致.另外,基于不同的观测区域和统计方法,3个能见度方案对K取值各异,导致大气能见度计算的数值差异. 3个方案模拟能见度的差异是由模拟的消光系数值和常数K取值的共同影响造成的.

该研究的大气能见度参数化方案主要针对长三角地区一个典型工业区—南京北郊地区在霾污染条件下的大气能见度模拟.后续研究将利用硫酸盐、硝酸盐等观测资料再次比较3种方案,进一步分析三者之间差异.在RH较高的大气条件下,还需更详尽地考虑吸湿增长因子的变化,以及大气中不同化学组分颗粒物的消光特性,以建立适用于雾-霾环境中大气能见度的参数化方案.

4 结论

a) 基于我国东部空气质量和大气能见度的观测,利用Mie理论对大气颗粒物消光的计算,依据大气分子的消光特性,考虑大气分子对可见光的吸收和散射作用,建立南京地区大气能见度与大气总消光系数的公式,提出一种改进的大气能见度参数化方案.并利用WRF-Chem模拟输出的大气颗粒物数浓度,光学参量和水分等特征要素作为该方案的输入变量,完成该方案与WRF-Chem模式的耦合,从而实现WRF-Chem等数值模式对大气能见度更精确的模式预报.

b) 对比评估改进的大气能见度参数化方案和IMPROVE方案以及CHEN方案对2013年12月两次重霾污染个例的大气能见度的模拟结果,表明改进的参数化方案模拟效果具有明显的提高,标准化平均偏差和平均偏差均有显著减小,分别减小至17.19%、3.18%和517、173 m,相关系数分别为0.76、0.87,更准确地模拟出了大气能见度的变化.

c) 3种能见度参数化方案在不同能见度等级和RH范围内的模拟能见度与观测结果的偏差分析表明,改进的参数化方案在能见度≥1 km和RH<90%的范围内,对大气能见度模拟较好,平均偏差和标准化平均误差较小,分别为4.3、4.1 km和31.6%、32.7%,优于已有的两种参数化方案对能见度的模拟.

d) 由于观测区域的环境气候特征和下垫面状态的差异,对K的经验修正值具有差异.研究中利用国内外对K值的经验修正以及近年南京地区的观测资料和研究,对K值重新进行了经验修正.为了弥补这一K值的区域局限性,需要更大范围和更长时间的大气能见度模拟评估.未来工作中将采用PM2.5、RH和NO2等参量完善消光系数和能见度的方案,以完善对复杂大气环境变化中能见度的模式预报.

参考文献
[1]
CHE Huizheng, ZHANG Xiaoye, LI Yang, et al. Horizontal visibility trends in China 1981-2005[J]. Geophysical Research Letters, 2007, 34(24): 497-507. (0)
[2]
秦世广, 石广玉, 陈林, 等. 利用地面水平能见度估算并分析中国地区气溶胶光学厚度长期变化特征[J]. 大气科学, 2010, 34(2): 449-456.
QIN Shiguang, SHI Guangyu, CHEN Lin, et al. Long-term variation of aerosol optical depth in China based on meteorological horizontal visibility observations[J]. Chinese Journal of Atmospheric Sciences, 2010, 34(2): 449-456. (0)
[3]
CHEN Yuan, XIE Shaodong. Spatiotemporal pattern and regional characteristics of visibility in China during 1976-2010[J]. Chinese Science Bulletin, 2014, 59(24): 3054-3065. DOI:10.1007/s11434-014-0291-9 (0)
[4]
GAO Lina, JIA Gensuo, ZHANG Renjian, et al. Visual range trends in the Yangtze River Delta Region of China, 1981-2005[J]. Journal of the Air & Waste Management Association, 2011, 61(8): 843-849. (0)
[5]
DENG Junjun, DU Ke, WANG Kai, et al. Long-term atmospheric visibility trend in Southeast China, 1973-2010[J]. Atmospheric Environment, 2012, 59(59): 11-21. (0)
[6]
WANG Kaicun, DICKINSON R E, LIANG Shunlin. Clear sky visibility has decreased over land globally from 1973 to 2007[J]. Science, 2009, 323(5920): 1468-1470. DOI:10.1126/science.1167549 (0)
[7]
ROSENNFELD D, DAI Jin, YU Xing, et al. Inverse relations between amounts of air pollution and orographic precipitation[J]. Science, 2007, 315(5817): 1396-1398. DOI:10.1126/science.1137949 (0)
[8]
LEE D O. The choice of visibility statistics in the analysis of long term visibility trends in summer in Southern England[J]. Weather, 1988, 43(9): 332-338. DOI:10.1002/wea.1988.43.issue-9 (0)
[9]
LEE D. Regional variations in long-term visibility trends in the UK, 1962-1990[J]. Geography, 1994, 79(2): 108-121. (0)
[10]
GOMEZ B, SMITH C G. Visibility at Oxford 1926-1985[J]. Weather, 1987, 42(4): 98-106. DOI:10.1002/wea.1987.42.issue-4 (0)
[11]
DOYLE M, DORLING S. Visibility trends in the UK 1950-1997[J]. Atmospheric Environment, 2002, 36(19): 3161-3172. DOI:10.1016/S1352-2310(02)00248-0 (0)
[12]
CRAIG C D, FAULKENBERRY G D. The application of ridit analysis to detect trends in visibility[J]. Atmospheric Environment, 1979, 13(12): 1617-1622. DOI:10.1016/0004-6981(79)90319-6 (0)
[13]
NAEGELE P S, SELLERS W D. A study of visibility in eighteen cities in the Western and Southwestern United States[J]. Monthly Weather Review, 1981, 109(11): 2394. (0)
[14]
TRIJONIS J, YUAN K. Visibility in the northeast:long-term visibility trends and visibility/pollutant relationships[M]. Washington, DC: United States Environmental Protection Agency, 1978. (0)
[15]
SLOANE C S. Visibility trends-Ⅰ.methods of analysis[J].Atmospheric Environment[J]. Atmospheric Environment, 1982, 16(01): 41-51. DOI:10.1016/0004-6981(82)90312-2 (0)
[16]
SLOANE C S. Visibility trends-Ⅱ.Mideastern United States 1948-1978[J]. Atmospheric Environment, 1982, 16(10): 2309-2321. DOI:10.1016/0004-6981(82)90117-2 (0)
[17]
SCHICHTEL B A, HUSAR R B, FALKE S R, et al. Haze trends over the United States, 1980-1995[J]. Atmospheric Environment, 2001, 35(30): 5205-5210. DOI:10.1016/S1352-2310(01)00317-X (0)
[18]
马雁军, 左洪超, 张云海, 等. 辽宁中部城市群大气能见度变化趋势及影响因子分析[J]. 高原气象, 2005, 24(4): 623-628.
MA Yanjun, ZUO Hongchao, ZHANG Yunhai, et al. Analyses on variation trends of atmospheric visibility and its effect factor in muilt-cities in Central Liaoning[J]. Plateau Meteorology, 2005, 24(4): 623-628. (0)
[19]
马雁军, 王扬锋, 刘宁微. 辽宁中部城市群主要大气污染物时空分布特征的数值模拟[J]. 气象与环境学报, 2006, 22(2): 6-10.
MA Yanjun, WANG Yangfeng, LIU Ningwei. Numerical simulation on temporal and spatial distributions of air pollutants over the middle multi-cities of Liaoning[J]. Journal of Meterology and Environment, 2006, 22(2): 6-10. (0)
[20]
吴兑, 邓雪娇, 毕雪岩, 等. 细粒子污染形成灰霾天气导致广州地区能见度下降[J]. 热带气象学报, 2007, 23(1): 1-6.
WU Dui, DENG Xuejiao, BI Xueyan, et al. Study on the visibility reduction caused by atmospheric haze in Guangzhou area[J]. Journal of Tropical Meterology, 2007, 23(1): 1-6. (0)
[21]
吴兑, 毕雪岩, 邓雪娇, 等. 珠江三角洲大气灰霾导致能见度下降问题研究[J]. 气象学报, 2006, 64(4): 510-517.
WU Dui, BI Xueyan, DENG Xuejiao, et al. Effect of atmospheric haze on the deterioration of visibility over the Pear River Delta[J]. Acta Meteorologica Sinica, 2006, 64(4): 510-517. DOI:10.11676/qxxb2006.050 (0)
[22]
陈义珍, 赵丹, 柴发合, 等. 广州市与北京市大气能见度与颗粒物质量浓度的关系[J]. 中国环境科学, 2010, 30(7): 967-971.
CHEN Yizhen, ZHAO Dan, CHAI Fahe, et al. Correlation between the atmospheric visibility and aerosol fine particle concentrations in Guangzhou and Beijing[J]. China Environmental Science, 2010, 30(7): 967-971. (0)
[23]
薛莲, 孙杰, 林云, 等. 深圳冬季霾日的大气污染特征[J]. 环境科学研究, 2011, 24(5): 505-511.
XUE Lian, SUN Jie, LIN Yun, et al. Characteristics of air pollution on hazy days in Shenzhen in winter[J]. Research of Environmental Sciences, 2011, 24(5): 505-511. (0)
[24]
张剑鸣, 陶俊, 张仁健, 等. 2008年1月广州大气污染特征及能见度观测研究[J]. 环境科学研究, 2008, 21(6): 161-165.
ZHANG Jianming, TAO Jun, ZHANG Renjian, et al. Observations of air pollutants and visibility during January 2008 in Guangzhou[J]. Research of Environmental Sciences, 2008, 21(6): 161-165. (0)
[25]
宋宇, 唐孝炎, 方晨, 等. 北京市能见度下降与颗粒物污染的关系[J]. 环境科学学报, 2003, 23(4): 468-471.
SONG Yu, TANG Xiaoyan, FANG Chen, et al. Relationship between the visibility degradation and particle pollution in Beijing[J]. Acta Scientiae Circustantiae, 2003, 23(4): 468-471. (0)
[26]
PAI Tzuyi, HO Chinglin, CHEN Shyhwei, et al. Using seven types of GM (1, 1) model to forecast hourly particulate matter concentration in Banciao City of Taiwan[J]. Water, Air, and Soil Pollution, 2011, 217(1): 25-33. (0)
[27]
李沛, 王式功, 尚可政, 等. 基于神经网络逐级分类建模的北京地区能见度预报[J]. 兰州大学学报(自然科学版), 2012, 48(3): 52-57.
LI Pei, WANG Shigong, SHANG Kezheng, et al. Visibility forecast in Beijing through artificial neural network based on hierarchical classification method[J]. Journal of Lanzhou University(Natural Sciences), 2012, 48(3): 52-57. (0)
[28]
程一帆, 张兰慧, 尚可政, 等. 兰州市冬季霾的统计预报研究[J]. 中国沙漠, 2011, 30(3): 750-756.
CHENG Yifan, ZHANG Lanhui, SHANG Kezheng, et al. Research on statistical forecast of haze in winter in Lanzhou City[J]. Journal of Desert Research, 2011, 30(3): 750-756. (0)
[29]
毛宇清, 孙燕, 姜爱军, 等. 南京地区霾预报方法试验研究[J]. 气候与环境研究, 2011, 16(3): 273-279.
MAO Yuqing, SUN Yan, JIANG Aijun, et al. An experimental study of haze prediction method in Nanjing[J]. Climatic and Environmental Research, 2011, 16(3): 273-279. (0)
[30]
STOELINGA M T, WARNER T T. Nonhydrostatic, Mesobeta-scale model simulations of cloud ceiling and visibility for an east coast winter precipitation event[J]. Journal of Applied Meteorology, 1999, 38(4): 385-404. (0)
[31]
SISLER J F, MALM W C. Interpretation of trends of PM2.5 and reconstructed visibility from the IMPROVE network[J]. Journal of the Air & Waste Management Association, 2000, 50(5): 775-789. (0)
[32]
KOSCHMEIDER H. Therie der horizontalen sichtweite[J]. Beitr.phys.freien Atm, 1924, 12: 33-53. (0)
[33]
OZKAYNAK H, SCHATZ A D, THURSTON G D, et al. Relationships between aerosol extinction coefficients derived from airport visual range observations and alternative measures of airborne particle mass[J]. Journal of the Air Pollution Control Association, 1985, 35(11): 1176-1185. DOI:10.1080/00022470.1985.10466020 (0)
[34]
GRIFFING G W. Relationships between the prevailing visibility, nephelometer scattering coefficient, and sunphotometer turbidity coefficient[J]. Atmospheric Environment, 1980, 14(5): 577-584. DOI:10.1016/0004-6981(80)90089-X (0)
[35]
高澜, 邱玉珺, 朱彬. 南京北郊气溶胶散射特性观测研究[J]. 中国环境监测, 2013, 29(2): 22-28.
GAO Lan, QIU Yujun, ZHU Bin. An observation study of aerosol scattering properties in northern suburbs of Nanjing[J]. Environmental Monitoring in China, 2013, 29(2): 22-28. (0)
[36]
HUSAR R B, HUSAR JD, MARTIN L. Distribution of continental surface aerosol extinction based on visual range data[J]. Atmospheric Environment, 2000, 34: 5067-5078. DOI:10.1016/S1352-2310(00)00324-1 (0)
[37]
YU Xingna, MA Jia, AN Junlin, et al. Impacts of meteorological condition and aerosol chemical compositions on visibility impairment in Nanjing, China[J]. Journal of Cleaner Production, 2016, 131: 112-120. DOI:10.1016/j.jclepro.2016.05.067 (0)
[38]
CHOW J C, BACHMANN J D, WIERMAN S S G, et al. Visibility:science and regulation[J]. Journal of the Air & Waste Management Association, 2002, 52(9): 973-999. (0)
[39]
PITCHFORD M, MAIM W, SCHICHTEL B, et al. Revised algorithm for estimating light extinction from IMPROVE particle speciation data[J]. Journal of the Air & Waste Management Association, 2007, 57(11): 1326-1336. (0)
[40]
陶俊, 张仁健, 许振成, 等. 广州冬季大气消光系数的贡献因子研究[J]. 气候与环境研究, 2009, 14(5): 484-490.
TAO Jun, ZHANG Renjian, XU Zhencheng, et al. Contribution factors of ambient light extinction coefficient in the winter of Guangzhou[J]. Climatic and Environmental Reasearch, 2009, 14(5): 484-490. (0)
[41]
CHEN Jing, ZHAO Chunsheng, MA Nan, et al. A parameterization of low visibilities for hazy days in the North China Plain[J]. Atmospheric Chemistry & Physics, 2012, 12(11): 4935-4950. (0)
[42]
KUNKEL B A. Parameterization of droplet terminal velocity and extinction coefficient in fog models[J]. Journal of Climate and Applied Meteorology, 1984, 23(1): 34-41. (0)
[43]
GULTEPE I, ISAAC G A. Aircraft observations of cloud droplet number concentration:implications for climate studies[J]. Quarterly Journal of the Royal Meteorological Society, 2004, 130(602): 2377-2390. DOI:10.1256/qj.03.120 (0)
[44]
ZHOU Binbin, FERRIER B S. Asymptotic analysis of equilibrium in radiation fog[J]. Journal of Applied Meteorology & Climatology, 2008, 47(6): 1704-1722. (0)
[45]
ZHOU Binbin, DU Jun, GULTEPE I, et al. Forecast of low visibility and fog from NCEP:current status and efforts[J]. Pure & Applied Geophysics, 2012, 169(5/6): 895-909. (0)
[46]
ZHOU Binnin, DU Jun. Fog Prediction from a multimodel mesoscale ensemble prediction system[J]. Weather & Forecasting, 2010, 25(1): 303-322. (0)
[47]
李令军, 王英, 李金香, 等. 北京市冬春季大气颗粒物的粒径分布及消光作用[J]. 环境科学研究, 2008, 21(2): 90-94.
LI Lingjun, WANG Ying, LI Jinxiang, et al. The characteristic of atmospheric particle size distribution and their light extinction effect in Beijing during winter and spring time[J]. Research of Environmental Sciences, 2008, 21(2): 90-94. (0)
[48]
HODKINSON J R. Calculation of colour and visibility in urban atmospheres polluted by gaseous NO2[J]. Air & Water Pollution, 1966, 10(2): 137-144. (0)
[49]
卢永正. 气溶胶科学引论[M]. 北京: 原子能出版社, 2000. (0)
[50]
BARNARD J C, FAST J D, PAREDES-MIRANDA G, et al. Technical note:evaluation of the WRF-Chem 'aerosol chemical to aerosol optical properties' module using data from the MILAGRO campaign[J]. Atmospheric Chemistry & Physics, 2010, 10(15): 7325-7340. (0)
[51]
CHAPMAN E G, GUSTAFSON W I, EASTER R C, et al. Coupling aerosol-cloud-radiative processes in the WRF-Chem model:investigating the radiative impact of elevated point sources[J]. Atmospheric Chemistry & Physics, 2009, 9(4): 945-964. (0)
[52]
ACKERMAN T P, TOON O B. Absorption of visible radiation in atmosphere containing mixtures of absorbing and nonabsorbing particles[J]. Applied Optics, 1981, 20(20): 3661-3668. DOI:10.1364/AO.20.003661 (0)
[53]
ZHANG Qiang, STREETS D G, CARMICHAEL G R, et al. Asian emissions in 2006 for the NASA INTEX-B mission[J]. Atmospheric Chemistry & Physics, 2009, 9(14): 5131-5153. (0)
[54]
CHENG Yafang, WIEDENSOHLER A, EICHLER H, et al. Aerosol optical properties and related chemical apportionment at Xinken in Pearl River Delta of China[J]. Atmospheric Environment, 2008, 42(25): 6351-6372. DOI:10.1016/j.atmosenv.2008.02.034 (0)
[55]
LIU Pengfei, ZHAO Chunsheng, BEL T G, et al. Hygroscopic properties of aerosol particles at high relative humidity and their diurnal variations in the North China Plain[J]. Atmospheric Chemistry & Physics, 2011, 11(7): 3479-3494. (0)