img

官方微信

遥感技术与应用, 2020, 35(4): 808-819 doi: 10.11873/j.issn.1004-0323.2020.4.0808

甘肃遥感学会专栏

遥感资料在WRF-Chem沙尘模拟中的应用

韩天,1,2, 潘小多1,3, 王旭峰,1, 黄广辉1, 韦海宁1,2

1.中国科学院西北生态环境资源研究院 遥感与信息资源实验室,甘肃 兰州 730000

2.中国科学院大学,北京 100049

3.国家青藏高原科学数据中心,中国科学院青藏高原研究所,北京 100101

Application of Remote Sensing Data in WRF-Chem Model Simulating Sandstorm

Han Tian,1,2, Pan Xiaoduo1,3, Wang Xufeng,1, Huang Guanghui1, Wei Haining1,2

1.Laboratory of Remote Sensing and Geospatial Science, Northwest Institute of Eco-Environment and Resources,Chinese Academy of Sciences,Lanzhou 730000,China

2.University of Chinese Academy of Sciences,Beijing 100049,China

3.National Tibetan Plateau Data Center, Institute of Tibetan Plateau Research,Chinese Academy of Sciences,Beijing 100101,China

通讯作者: 王旭峰(1984-),男,甘肃会宁人,副研究员,主要从事生态遥感研究。E⁃mail:wangxufeng@lzb.ac.cn

收稿日期: 2019-09-18   修回日期: 2020-06-22   网络出版日期: 2020-09-14

基金资助: 国家自然科学基金项目.  41471292.  41771466
青海省重大科技专项.  2017⁃SF⁃A6

Received: 2019-09-18   Revised: 2020-06-22   Online: 2020-09-14

作者简介 About authors

韩天(1996-),女,山西长治人,硕士研究生,主要从事沙尘暴数值模拟以及沙尘暴预测研究E⁃mail:hantian@lzb.ac.cn , E-mail:hantian@lzb.ac.cn

摘要

沙尘暴的起沙过程是沙尘循环中的重要部分,起沙过程模拟的准确性对于输送和沉降过程的准确模拟十分重要。WRF-Chem (Weather Research and Forecasting with Chemistry)是目前应用最广泛的沙尘暴模拟模式之一,但目前WRF-Chem对于起沙量的模拟具有很大的不确定性,受下垫面和土壤湿度的影响较大。WRF-Chem模式中的下垫面数据比较老旧,且驱动WRF-Chem模式的资料中土壤湿度是偏高的。土地覆被和土壤水分等遥感产品的日趋成熟,为WRF-Chem模拟沙尘暴提供了新的选择和契机,因此,将AMSR2 (the Advanced Microwave Scanning Radiometer 2) 土壤湿度和MODIS (Moderate Resolution Imaging Spectroradiometer) 土地利用遥感产品及实地调查资料替换WRF-Chem下垫面,利用WRF-Chem模拟了2018年3月26日至28日发生在我国华北地区的一场沙尘过程,用于探究下垫面参数对WRF-Chem模式模拟沙尘暴的精度产生的影响。共开展了4组实验,包括1组控制实验和3组对照实验,3组对照实验分别是在控制试验基础上仅替换土壤水分初始场、仅替换土地覆被和土壤质地以及同时替换土地覆被、土壤质地及土壤水分初始场。在加入遥感数据之后,3组对照实验的模拟精度比控制实验均有所提高,其中同时替换土壤水分初始场、土地覆被和土壤质地对模式模拟结果改善最大。改善后PM10模拟的相关系数提高了0.30,平均偏差减少了31.18 μg/m3,均方根误差减少了21.70 μg/m3;AOD (Aerosol Optical Depth) 的相关系数提高了0.14,平均偏差减少了0.29,均方根误差减少了0.18,仅替换土壤水分初始场效果次之,仅替换土地覆被和土壤质地对于模拟结果改善不大。以上结果表明:加入遥感资料可以有效提高WRF-Chem对沙尘过程的模拟精度。

关键词: 遥感产品 ; 土壤湿度 ; 土地覆被 ; 沙尘暴 ; WRF-Chem

Abstract

Sand emission process of sandstorm is a fundamental part of sand-dust cycle. Sand emission process simulating accuracy plays a crucial role in correctly simulating sand transporting and settling process. As one of the most widely used sandstorm models, WRF-Chem (Weather Research and Forecasting with Chemistry) is used to simulate the sandstorm happened during March 26 and March 28, 2018 in northern China in this study. It is reported that uncertainties in underlying surface and soil moisture initial status in WRF-Chem can lead to great bias in its simulating results. Remote sensing products like land cover and soil moisture products have been widely accepted for their higher accuracy, which provides an opportunity for WRF-Chem simulating sandstorms better. Therefore, to examine the effects of initial field uncertainties on sandstorm simulating, we simulated a sandstorm using WRF-Chem by replacing the underlying surface and soil moisture initial field with new version soil database, MODIS (Moderate Resolution Imaging Spectroradiometer) land cover products and AMSR2 (the Advanced Microwave Scanning Radiometer 2) soil moisture products. Four experiments were carried out, including a control experiment and three contrast experiments. The three contrast experiments are organized by only replacing the soil moisture initial field, only replacing land cover and soil texture, and replacing both. After replacing traditional initial field with remote sensing data, the simulation accuracy all has improved. Among the three contrast experiments, replacing all three parameters (land cover, soil texture and soil moisture) has the greatest improvement: the correlation coefficient of PM10 increases by 0.30, the average deviation reduces by 31.18 μg/m3, the root mean square error reduces by 21.7 μg/m3, the correlation coefficient of AOD (Aerosol Optical Depth) improves by 0.14, the average deviation reduces by 0.29, the root mean square error reduces by 0.18. The contrast experiment which only replacing soil moisture performs the second, followed by only replacing land cover and soil texture which does not improve the simulation results much. In conclusion, the simulation accuracy of sandstorm is improved by introducing the remote sensing products.

Keywords: Remote sensing products ; Soil moisture ; Land cover ; Sandstorm ; WRF-Chem

PDF (9052KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

韩天, 潘小多, 王旭峰, 黄广辉, 韦海宁. 遥感资料在WRF-Chem沙尘模拟中的应用. 遥感技术与应用[J], 2020, 35(4): 808-819 doi:10.11873/j.issn.1004-0323.2020.4.0808

Han Tian, Pan Xiaoduo, Wang Xufeng, Huang Guanghui, Wei Haining. Application of Remote Sensing Data in WRF-Chem Model Simulating Sandstorm. Remote Sensing Technology and Application[J], 2020, 35(4): 808-819 doi:10.11873/j.issn.1004-0323.2020.4.0808

1 引 言

沙尘暴作为一种极端环境事件,是地球的主要自然灾害之一。沙尘气溶胶占全球气溶胶总量的40%~50%,是全球和区域气溶胶最大的来源[1]。每年有多达30亿吨的沙尘从地球表面释放到大气中。这些沙尘排放的空间模态和时间态势与沙漠的分布及其属性有很强的相关性,同时沙尘排放又可以直接或间接地影响沙漠及其周围的景观[2]。沙尘暴所夹带的沙尘气溶胶会大量增加可吸入颗粒物及可入肺颗粒物的浓度,对人畜的呼吸道和健康产生影响,并且沙尘暴天气强大的风力导致地表植被大量破坏,造成沙源地水土流失,沙尘暴还会导致沿途的能见度降低,影响交通和人们的生产生活,给其途经的地区带来巨大的经济损失[3-4],因此,沙尘暴对于人类及自然环境的影响不可忽视。

目前,数值模拟是研究沙尘暴的主要方式之一[5],数值模拟不仅可以融合外场观测实验得到的数据,而且可以得到整个研究区的连续模拟值,为沙尘暴起沙机制的研究提供了良好的手段。目前国内外的沙尘模式有CUACE/Dust (Chinese Unified Atmospheric Chemistry Environment for Dust )[6]、GRAPES-SDM (Global/Regional Assimilation and Prediction Enhanced System-Sand and Dust Model)[7]、CEMSYS[8]等,这些沙尘模式一般需要额外的气象数据提供给起沙模块,并且其输送和沉降过程也需要额外的模式来支撑。WRF-Chem (Weather Research and Forecasting with Chemistry) 耦合的起沙模块目前已被广泛应用于沙尘模拟[9-11],其可以实现与气象模块、化学模块等的实时数据交换,从而模拟出更加真实的大气状态,比其他简单的沙尘模式更具有优越性。

沙尘暴的起沙过程是沙尘循环中的重要部分,起沙过程模拟的准确性对于输送和沉降过程的准确模拟十分重要。但是目前数值模式中起沙过程的参数化还有很大的不确定性,不同的起沙参数化方案模拟的起沙量相差达到了几个数量级[12]。研究发现土壤水分和下垫面参数对沙尘的起沙有很大影响[13-14],并且沙尘排放量与土壤水分之间呈现非线性关系[15]。WRF-Chem 对沙尘暴的模拟精度依赖于初始场设置,精确的初始值和边界值可以有效地改善模式的模拟精度[16-17],有研究表明驱动WRF-Chem模式的NCEP/NCAR (National Centers for Environmental Prediction/ National Center for Atmospheric Research) FNL (Final Operational Global Analysis) 资料的土壤湿度是偏高的[18-19],并且WRF-Chem默认的下垫面数据比较老旧,用其作背景资料往往很难获得理想的模拟结果,而遥感产品可以弥补这方面的不足。

本文利用最新发布的遥感产品和下垫面数据对WRF-Chem模式的土壤质地、土地覆被及土壤水分初始场进行了替换,来探究下垫面初始场对于WRF-Chem模式模拟沙尘暴精度产生的影响,然后利用地面站点PM2.5 (Particulate Matter 2.5)、PM10 (Particulate Matter 10)的观测数据以及卫星遥感反演AOD (Aerosol Optical Depth) 数据检验WRF-Chem模式在下垫面数据改变后的模拟精度是否有所改善。

2 研究区与数据

2.1 沙尘事件描述及研究区

本文选择了2018 年3月26日至28日发生的一场沙尘事件,这次沙尘过程席卷了我国华北大部分地区,多个城市如天津PM10浓度达到了1 700 μg/m3以上,张家口甚至达到了3 300 μg/m3,对人们的生产生活造成的影响较大。本次沙尘过程的起沙源地为蒙古国西南部和内蒙古地区,发生的动力系统是高空气旋形成的冷锋,它使得地表的温度骤降,风速增大,从而将地面的沙尘卷起。起沙时间大约在25日20时,然后气旋开始逐渐向东移动,在西风带气流的影响下,沙尘也随之从我国中西部传输至东部。内蒙古中东部、山西北部、京津冀及东北地区先后出现扬沙或浮尘。其中,内蒙古锡林郭勒盟局地出现沙尘暴,直至移出我国。受本次沙尘事件影响的是我国华北地区,因此本文的研究区为35°~48° N,90°~118° E(图1),包括了起沙源地和受本次沙尘过程影响的大部分地区。

图1

图1   研究区及地面站点的位置和海拔

Fig.1   The domain/the location and the topography of the ground stations used in this study


2.2 WRF-Chem模式简介

WRF-Chem由美国NOAA (National Oceanic and Atmospheric Administration)、DOE/PNNL (Department of Energy /Pacific Northwest National Laboratory)、NCAR (National Center for Atmospheric Research) 等机构联合开发,是目前最先进的大气化学模式之一,已经被用于许多沙尘暴模拟研究。其气象模块WRF和化学模块Chem在线完全耦合,可以实现实时的数据交换。中尺度数值预报模式WRF是一个完全可压非静力模式,主要提供大气流场和陆面过程,Chem模块主要提供化学场[20]。WRF-Chem耦合的沙尘模块可以与WRF-Chem各个模块相互作用,共同模拟沙尘事件的起沙、输送和干湿沉降等过程。

2.3 土壤水分遥感产品

AMSR2[21-22](the Advanced Microwave Scanning Radiometer 2, https:∥search.earthdata.nasa.gov/search)产品空间分辨率为25 km,包括土壤表面水分含量等,本次所用的是2018年3月25日产品。此次所用的产品是经过ArcGIS地统计插值处理得到的土壤湿度(采用的插值方法为协同克里金,包括土壤温度和土壤湿度两个变量,插值误差为0.009 4 m3/m3,可认为由协同克里金插值方法插值结果良好),用来替换WRF-Chem模式土壤湿度初始场,图2(a)和图2(b)显示了替换前后土壤湿度的对比情况。

图2

图2   模式下垫面数据和遥感产品对比

Fig.2   The comparision of underlying surface data and remote sensing data


2.4 土地覆被遥感产品与土壤质地产品

本文用来替换WRF-Chem模式的下垫面数据有MCD12Q1[23] (https:∥search.earthdata.nasa.gov/ search),HWSD[24] (Soil Map Based Harmonized World Soil Database, http:∥westdc.Westgis.ac.cn /data /)。MCD12Q1为MODIS 2013年产品,是全球土地利用分类产品,空间分辨率为500 m,本次使用的是按IGBP标准分类的产品,共分为17类,用来替换WRF-Chem模式的土壤覆被数据(替换前后对比图见图2(c)和图2(d))。HWSD数据库于2009年3月由联合国粮农组织、中国科学院南京土壤研究所等共同发布,空间分辨率为1 km,HWSD数据库将土壤质地分为了13类,用来替换土壤质地数据(替换前后对比图见图2(e)和图2(f))。

2.5 验证资料

沙尘模拟能力验证数据包括H08(Himawari-8)卫星数据、地面站点PM10和PM2.5逐时观测数据。H08(http:∥himawari8.nict.go.jp/)是日本新一代气象卫星,空间分辨率可达到5 km,观测频率可达到每10 min一次。本文选取H08卫星数据的每小时观测产品进行AOD验证,由于H08卫星的观测数据是由可见光波段获取的,所以得到的数据只有每日0时至9时数据,本文选择了2018年3月26日至29日每日0时至9时的数据,共36景影像。

地面站点数据来自环境保护部信息中心(http:∥datacenter.mep.gov.cn),包括地面PM10和PM2.5的逐时观测值,本文选取了研究区内9个站点的数据来进行验证,具体站点信息见图1表1

表1   空气质量监测站点信息表

Table 1  The basic circumstances of air quality monitoring stations

空气质量监测站点经度/oE纬度/oN海拔/m
酒泉98.5139.752 817
武威102.6237.931 688
银川106.2338.441 135
锡林郭勒盟116.1043.931 049
太原112.5637.90909
张家口114.8840.79966
承德117.9640.92505
天津117.7939.253
北京116.4339.8843

新窗口打开| 下载CSV


3 实验方案设计

本文选用的模式为WRF-Chem 3.6.1版本,WRF-Chem模式的气象边界场和初始场采用NCEP/NCAR FNL (https:∥rda.ucar.edu/datasets/)资料,空间分辨率为0.25o×0.25o。WRF-Chem模式的化学边界场和初始场由CAM-Chem (Community Atmosphere Model with Chemistry, https:∥www. acom.ucar.edu/cam-chem/DATA/)区域模式提供。人为源采用的是EDGAR-HATP (http:∥edgar. jrc.ec.europa.eu)数据,燃烧源和背景场污染物浓度数据均由PREP-CHEM-SRC-1.5工具计算所得,生物排放源由MEGAN(Model of Emissions of Gases and Aerosols from Nature)模式模拟的结果提供。本次模式采用的空间分辨率为9 km×9 km,起始模拟时间为2018年3月25日0时,由于不同的参数化方案对模拟结果影响很大[25-26],因此采用的参数化组合方案是经过36种(3种近地面层方案、4种化学/气溶胶方案和3种起沙方案排列组合)不同参数化方案组合测试以后得到的最佳方案,具体参数化方案设置见表2表3

表2   WRF-Chem模式气象模块参数化方案设置

Table 2  Parameterization scheme settings of WRF-Chem model meteorological module

参数化方案选项Namelist 变量模块
Land surface3sf_surface_physicsRUC
PBL model2bl_pbl_physicsMellor-Yamada-Janjic TKE
Surface similarity2sf_sfclay_physicsMonin-Obukhov
Microphysics2mp_physicsLin
Shortwave radiation2ra_sw_physics(old)Goddard
Longwave radiation1ra_lw_physicsRRTM
Cloud physics5cu_physicsKain-Freitas

新窗口打开| 下载CSV


表3   WRF-Chem模式化学模块参数化方案设置

Table 3  Parameterization scheme settings of WRF-Chem model chemical module

Namelist 变量选项模块
bio_emiss_opt3Megan
chem_opt112MOZCART
dust_opt4UOC
dust_scheme3shao 11
biomass_burn_opt1

新窗口打开| 下载CSV


本文共做了4组实验,包括一组控制实验和3组对照实验,控制实验采用以上参数化方案配置,3组对照实验分别为在控制实验基础上仅替换WRF-Chem的土壤水分初始场、仅替换土地覆被和土壤质地及土壤水分初始场、土地覆被和土壤质地均替换,以此来探究遥感数据修正WRF-Chem初始场对沙尘暴模拟精度的影响(图3)。

图3

图3   实验方案设计

Fig.3   Design of experimental scheme


4 结 果

4.1 PM10和PM2.5模拟结果及验证

从PM10浓度数值看,在酒泉和武威两个站点,4组实验可以很好地捕捉到PM10浓度的峰值,并且土壤湿度、土地覆被和土壤质地均替换后,模拟值与观测值的峰值更接近,从峰值到达时间来看,4组实验的模拟结果和观测是相一致的(图4)。在锡林郭勒盟和张家口两个站点,4组实验的模拟峰值都低于地面站点的实测峰值,但是仅对照实验一和对照实验三模拟出了峰值。在太原和天津站点,对照实验一和对照实验三都能很好地模拟出PM10浓度的峰值,且两组实验的模拟值与观测值相一致。在承德站点,控制实验和对照实验二都没能模拟出28日11时PM10的峰值,但是对照实验一和对照实验三都可以正确地模拟出峰值的浓度,且对照实验三的模拟更接近观测值。从峰值到达时间来看,地面观测点到达锡林郭勒的时间大约在27日22时,到达太原、张家口、承德、天津、北京的时间在28日,但是WRF-Chem模式模拟的PM10峰值比地面站点峰值提前4~8 h,这说明WRF-Chem模拟的沙尘暴传输速度比实际站点观测的传输速度快一些,这可能与模式气象模拟情况有关。以上结果表明,总体来看对照实验三模拟结果最好。

图4

图4   站点PM10观测与WRF-Chem模拟结果对比图

Fig.4   The comparison of PM10 observations and WRF-Chem simulation results


表4统计数据可以看出,4组实验PM10的模拟值均存在低估现象,但是3组对照实验对PM10的模拟结果均有改善,其中对照实验三对于模式模拟结果改善最大,PM10模拟的相关系数提高了0.30,平均偏差减少了31.18 μg/m3,均方根误差减少了21.70 μg/m3。综上,加入遥感产品后对于沙尘暴的模拟精度显著提高。

表4   PM10模拟值与观测值比较

Table 4  The comparison of simulated PM10 and observed PM10

PM10RBIAS(μg/m3)RMSE(μg/m3)
控制实验0.27-82.51396.59
对照实验一0.41-29.80407.97
对照实验二0.29-79.24403.57
对照实验三0.57-51.33374.89

新窗口打开| 下载CSV


图5可以看出,控制实验和对照实验二的模拟值均没能模拟出9个站点PM2.5浓度的高峰值,且浓度处于很低的水平,对照实验一及对照实验三的模拟结果有了很大的变化,这两个实验都可以较好地模拟出沙尘传输过程中的峰值,且对照实验三的模拟结果与观测值更加接近,但是在承德、天津和北京站点模拟的峰值较实测值偏大。

图5

图5   站点PM2.5观测与WRF-Chem模拟结果对比图

Fig.5   The comparison of PM2.5 observation and WRF-Chem simulation results


表5统计数据可以看出,4组实验PM2.5的模拟值均存在低估现象,但是3组对照实验对PM2.5的模拟结果均有改善,其中对照实验三对于模式模拟结果改善最大,PM2.5模拟的相关系数提高了0.07,平均偏差减少了13.74 μg/m3,均方根误差减少了1.35 μg/m3。综上,加入遥感产品后提高了沙尘暴的模拟精度。

表5   PM2.5模拟值与观测值比较

Table 5  The comparison of simulated PM2.5 and observed PM2.5

PM2.5RBIAS(μg/m3)RMSE(μg/m3)
控制实验0.28-46.1066.18
对照实验一0.3-21.2786.70
对照实验二0.29-45.4865.98
对照实验三0.35-32.3664.83

新窗口打开| 下载CSV


4.2 AOD模拟结果及与遥感AOD产品比较

图6为WRF-Chem模式模拟的上述9个站点从2018年3月25日18时至28日21时AOD的变化曲线图,由于H08卫星的观测数据是由可见光波段获取的,所以得到的数据只有每日0时至9时数据。从图中可以看出,4组实验的模拟值在9个站点都是偏低的,特别是控制实验和对照实验二的模拟值,这和WRF-Chem模式在大部分模拟时间段对PM2.5浓度的低估有关。加入土壤水分以及同时替换土壤水分初始场、土地覆被和土壤质地后,WRF-Chem的模拟值与卫星数据变化趋势更加接近,且在4组实验中,对照试验三最能体现出AOD的峰值。

图6

图6   H08 卫星AOD点反演值与WRF-Chem模拟结果的对比

Fig.6   The comparison of AOD point retrieval value and WRF-Chem simulation results


从AOD的空间分布来看,在气旋的影响下,26日光学厚度AOD的分布被气旋分成了两条路径,一条从蒙古国西南部,经我国内蒙古中部到达河北北部,另一条沿着内蒙古西部绕过内蒙古中部并且穿过山西省,再传至京津冀地区(见图7)。随着气旋的东移,AOD的空间分布也集中在43o~46o N附近,并且形成一条东西向的长带,随着气旋的进一步发展,在28日12时,WRF-Chem模式模拟的AOD空间分布也越来越接近H08卫星观测的AOD。从AOD数值来看,4组实验对于沙尘气溶胶的消光情况模拟都是偏低的,尤其是京津冀PM2.5排放量较大的地区和细粒子主导的地区,这是因为AOD的空间分布和强度相较于PM10,与PM2.5的分布和强度有更好的相关性[27]。本研究中AOD模拟结果的偏低一方面源于WRF-Chem对PM2.5的模拟值偏低,另一方面源于PM10模拟值的偏低。由于替换土地覆被和土壤质地后,下垫面的改变较小,所以替换土地覆被和土壤质地后的AOD模拟结果整体改善较小,且分布和不替换任何遥感产品的空间分布相似。替换土壤水分遥感产品后,AOD值有很大程度的提升,且空间分布与H08卫星的AOD产品更加一致,AOD值的大小也更为接近。土壤水分初始场、土地覆被和土壤质地都替换以后,模拟情况与H08卫星的AOD值最为接近,可以很好地模拟出AOD随时间的变化和峰值,效果最好。

图7

图7   4组实验模拟AOD与H08 AOD产品的空间分布图

Fig.7   The spatial distribution of four experiments simulated AOD and H08 AOD products


表6统计数据可以看出,WRF-Chem模式总体上对于AOD的模拟存在偏低现象,4组实验AOD的模拟均存在低估现象,在替换土壤湿度、土地覆被和土壤质地数据之后,3种实验方案对模式模拟结果均有所改善,其中共同替换土壤水分初始场、土地覆被和土壤质地数据对于模式模拟结果改善最大,AOD的相关系数提高了0.14,平均偏差减少了0.29,均方根误差减少了0.18。综上,加入遥感产品后对于沙尘暴的模拟精度是有所提高的。

表6   AOD模拟值与H08卫星AOD反演值比较

Table 6  The comparison of simulated AOD and retrieval AOD by H08 satellite

AODRBIASRMSE
控制实验0.53-0.440.60
对照实验一0.63-0.370.54
对照实验二0.56-0.470.62
对照实验三0.67-0.150.42

新窗口打开| 下载CSV


5 讨论与结论

在应用WRF-Chem模式模拟沙尘过程的众多研究中,WRF-Chem模式的模拟精度差异很大。Peter等[28]用WRF-Chem模式模拟了美国亚利桑那州2006~2015年的9场沙尘暴,其中,PM10模拟值和观测值的相关系数最高能达到0.56,最低只有0.02,且这9场沙尘暴有的高估了PM10浓度,有的低估了PM10浓度,其把模式的高估和低估现象归因于模式风速模拟的偏差和下垫面参数的不准确;Rizza等[29]用WRF-Chem模式模拟了地中海中部的一场沙尘暴,AOD模拟值和观测值的相关系数可以达到0.71,但是却高估了PM10和PM2.5的峰值。本研究中WRF-Chem模式的模拟精度在替换初始场后与大多数已发表的WRF-Chem的模拟精度处在同一个水平[30-33]。总体而言,WRF-Chem对沙尘暴的模拟还有很大的提升空间,特别是对于强沙尘暴的模拟,WRF-Chem容易低估或者高估峰值时期的起沙量。

图8可知,在天津站点,沙尘暴没有到达之前直径小于2.5 μm的非沙尘气溶胶的模拟值较站点实测值低,这说明了模式对于直径小于2.5 μm非沙尘气溶胶(如人为以及植被等产生的气溶胶)的模拟是偏低的,这可能是由WRF-Chem模式的化学机制和人为源选择所导致,且PM10的浓度总体上是偏低的,所以AOD的低估一部分原因归结于对于PM10粗粒子的低估,一部分是对于PM2.5细粒子的低估,未来考虑加入更准确的人为排放源,从而进一步改进PM2.5和AOD的模拟。另外,WRF-Chem模式模拟沙尘暴在中国地区的适用性还有待进一步探究和改进,特别是WRF-Chem模式中对于沙尘气溶胶粒径的分配和粒子的光学特性参数的设置,这些参数对起沙过程和气溶胶的消光作用有很大的影响。本文主要讨论遥感产品应用于WRF-Chem模式对于模拟结果的改善,没有将模式的气象模拟情况考虑进来。实际上,地面风速是起沙过程的又一重要影响因素,特别是地面摩擦速度[34],这一因素直接影响着沙尘源地的PM2.5和PM10浓度,从而影响整个受沙尘影响区域的粒子浓度;大气中的相对湿度对于AOD值有很大的影响,可以通过影响大气中的物理化学过程(如气溶胶的形成和分解等)来影响大气中的气溶胶数量及粒径大小而间接影响AOD值的大小[35]。因此,接下来将从加入遥感产品前后气象参数(如2 m相对湿度、2 m温度、10 m风速等)模拟情况的角度进一步改进WRF-Chem的模拟精度。

图8

图8   站点观测PM2.5与对照试验三(WRF-Chem模拟直径小于2.5 μm的沙尘气溶胶、非沙尘气溶胶浓度对比图)

Fig.8   The comparison of PM2.5 station observations and the concentration of dust aerosols less than 2.5 μm in diame-ter, the concentration of non-dust aerosols less than 2.5 μm in diameter simulated by WRF-Chem(contrast test 3)


另外,用点观测来验证数值模拟的结果也存在一定的不确定性,两者之间存在尺度不匹配问题。地面的点观测只能观测到一个较小区域的PM10、PM2.5和AOD的浓度,而本研究中气象模式输出的是9 km×9 km网格的PM10、PM2.5和AOD浓度,这也是导致WRF-Chem模拟结果与观测值不一致的原因之一。这个问题是所有的大气模式验证所面临的共同问题,现阶段基本都是直接采用地面的点观测来验证气象模式模拟的结果[36-37]。在将来随着观测手段的不断提升,可以通过小区域内密集的观测网络获得网格尺度的观测值,可以对大气模式进行更好的验证。

WRF-Chem模式对于本次沙尘暴的模拟总体上存在偏低现象,在加入土壤水分、土壤覆被和土壤质地数据之后,3组对照实验对模式模拟结果的偏低现象均有所改善,其中共同替换土壤水分初始场、土壤覆被和土壤质地参数对模式模拟结果改善最大,PM10模拟的相关系数提高了0.30,平均偏差减少了31.18 μg/m3,均方根误差减少了21.70 μg/m3;PM2.5模拟的相关系数提高了0.07,平均偏差减少了13.74 μg/m3,均方根误差减少了1.35 μg/m3;AOD的相关系数提高了0.14,平均偏差减少了0.29,均方根误差减少了0.18,仅替换土壤水分初始场效果次之,仅替换土壤覆被和土壤质地对于模拟结果改善不大,表明沙尘暴的模拟对于土壤水分比较敏感。综上,加入遥感产品能够显著改善沙尘暴的模拟精度。

参考文献

ESCAP, FAO, UNEP. Global Alarm: Dust and Sand Storms from the World’s Drylands[M]. Beijing: United Nations Convention to Combat Desertification (UNCCD), 2001.

[本文引用: 1]

Bullard J E, Livingstone I. Geomorphology of Desert Environments [M]. Netherlands Dordrecht: Springer, 2009.

[本文引用: 1]

Zhang Guolan.

Effects of Meteorological Disasters on Agriculture and Husbandry in Xilin Gol League and Meteorological Service Measures

[J]. Modern Agricultural Science and Technology, 2019(10): 152-153.

[本文引用: 1]

张国兰.

锡林郭勒盟气象灾害对农牧业的影响及气象服务措施

[J].现代农业科技,2019(10): 152-153.

[本文引用: 1]

Ma Guoxia, Shi Minjun, Zhao Xuetao.

Monetary Accounting of Economic Loss of Sandy Desertification in North China

[J]. Journal of Desert Research, 2008, 28(4): 267-233.

[本文引用: 1]

马国霞石敏俊赵学涛

中国北方地区沙漠化造成经济损失的货币评价

[J].中国沙漠,2008, 28(4): 267-233.

[本文引用: 1]

Shao Y P.

A Model for Mineral Dust Emission

[J]. Journal of Geophysical Research, 2001, 106(D17): 20239-20254. doi: 10.1029/2001jd900171.

[本文引用: 1]

Zhou C H, Gong S L, Zhang X Y, et al.

Development and Evaluation of an Operational SDS Forecasting System for East Asia: CUACE/Dust

[J]. Atmospheric Chemistry and Physics, 2008, 8(4): 787-798. doi:10.5194/acp-8-787-2008.

[本文引用: 1]

Li Yaohui, Zhao Jianhua, Xue Jishan, et al.

Study on Sand-dust Numerical Forecasting Model Coupled with GRAPES and its Application in Northwest China

[J]. Advance in Earth Sciences, 2005209):999-1011.

[本文引用: 1]

李耀辉赵建华薛纪善

基于GRAPES的西北地区沙尘暴数值预报模式及其应用研究

[J].地 球 科 学 进 展,2005209):999-1011.

[本文引用: 1]

Shao Y P, Yang Y, Wang J J, et al.

Northeast Asian Dust Storms: Real-time Numerical Prediction and Validation

[J]. Journal of Geophysical Research, 2003, 108(D22): 4691.doi: 1029/2003JD003667.

[本文引用: 1]

Rizza U, Miglietta M M, Mangia C, et al.

Sensitivity of WRF-Chem Model to Land Surface Schemes: Assessment in a Severe Dust Outbreak Episode in the Central Mediterranean (Apulia Region)

[J]. Atmospheric Research, 2018, 201: 168-180. doi:10.1016/j. atmosres. 2017.10.022.

[本文引用: 1]

Yuan T G, Chen S Y, Huang J P, et al.

Sensitivity of Simulating a Dust Storm over Central Asia to Different Dust Schemes Using the WRF-Chem Model

[J]. Atmospheric Environment, 2019, 207:16-29. doi:10.1016/j.atmosenv. 2019.03.014.

Song H Q, Wang K, Zhang Y, et al.

Simulation and Evaluation of Dust Emissions with WRF-Chem (v3.7.1) and Its Relationship to the Changing Climate over East Asia from 1980 to 2015

[J]. Atmospheric Environment, 2017, 167: 511-522. doi:10.1016/ j.atmosenv.2017.08.051.

[本文引用: 1]

Zhang Hongsheng, Li Xiaolan.

Review of the Field Measurements and Parameterization for Dust Emission During Sand-Dust Events

[J]. Journal of Meteorological Research, 2014, 28(5): 903-922.

[本文引用: 1]

张宏升, 李晓岚.

沙尘天气过程起沙特征的观测试验和参数化研究进展

[J]. 气象学报, 2014, 28(5):903-922.

[本文引用: 1]

Shao Y. Physics and Modelling of Wind Erosion[M]. Netherlands Dordrecht: Springer, 2000, 23. doi:10.1007/978-1-4020-8895-7.

[本文引用: 1]

Wu Wei, Yan P, Wang Y, et al.

Wind Tunnel Experiments on Dust Emissions from Different Landform Types

[J]. Journal of Arid Land, 2018, 10(4): 1-13. doi:10.1007/s40333-018-0100-4.

[本文引用: 1]

Li X L, Zhang H S.

Soil Moisture Effects on Sand Saltation and Dust Emission Observed over the Horqin Sandy Land Area in China

[J]. Journal of Meteorology Research, 2014, 28(3): 444-452.

[本文引用: 1]

Hong J, Mao F Y, Min Q L, et al.

Improved PM 2.5 Predictions of WRF-Chem via the Integration of Himawari-8 Satellite Data and Ground Observations

[J]. Environmental Pollution,2020,

263(Pt A)

doi:10.1016/j.envpol. 2020.114451.

[本文引用: 1]

Wang D, You W, Zang Z, et al.

A Three-dimensional Variational Data Assimilation System for a Size-resolved Aerosol Model: Implementation and Application for Particulate Matter and Gaseous Pollutant Forecasts Across China

[EB/OL]. Science China Earth Sciences,2020:63. .

URL     [本文引用: 1]

Fei C, Kenneth M.

Using the GEWEX/ISLSCP Forcing Data to Simulate Global Soil Moisture Fields and Hydrological Cycle for 1987-1988

[J]. Journal of the Meteorological Society of Japan, 1999, 77(1B):167-182. doi:10.2151/jmsj1965.77.1b_167.

[本文引用: 1]

Roads J Q, Chen S C, Kanamitsu M, et al.

NCEP’s Water and Energy Budget Analysis Residuals

[J]. Journal of Geophysical Research, 1999, 104(D16): 19307-19327.

[本文引用: 1]

Grell G A, Peckham S E, Schmitz R, et al.

Fully Coupled “Online” Chemistry within the WRF Model

[J]. Atmospheric Environment, 2005, 37(39): 6957-6975. doi:10.1016/j.atmosenv.2005. 04.027.

[本文引用: 1]

Owe M, De Jeu R.

AMSR2/GCOM-W1 Downscaled Surface Soil Moisture (LPRM) L2B V

001, Goddard Earth Sciences Data and Information Services Center (GES DISC): Greenbelt, MD, USA, 2014.

[本文引用: 1]

Owe M, De Jeu R, Holmes T.

Multisensor Historical Climatology of Satellite-derived Global Land Surface Moisture

[J]. Journal of Geophysical Research, 2008, 113(F1): F01002. doi:10.1029/2007 JF000769.

[本文引用: 1]

Loveland T R, Reed B C, Brown J F, et al.

Development of A Global Land Cover Characteristics Database and IGBP Discover from 1 km AVHRR Data

[J]. International Journal of Remote Sensing, 2000, 21(6-7): 1303-1330.

doi

.10.1080/014311600210191.

[本文引用: 1]

Fischer G, Nachtergaele F, Prieler S, et al.

Global Agro-ecological Zones Assessment for Agriculture (GAEZ 2008

)[C]∥International Institute for Applied Systems Analysis, Laxenburg, Austria, Rome, Italy, 2008.

[本文引用: 1]

Zeng Y, Wang M, Zhao C, et al.

WRF-Chem V3.9 Simulations of the East Asian Dust Storm in May 2017: Modeling Sensitivities to Dust Emission and Dry Deposition Schemes

[J]. Geoscientific Model Development, 2020, 13: 2125-2147. doi:10.5194/ gmd-13-2125-2020, 2020.

[本文引用: 1]

Tan Z Y.

Numerical Simulation of Boundary Layer Height and Its Effect on Dust Weather in Arid and Semi-arid Regions of Northwest China

[D]. Lanzhou:Lanzhou University, 2019.

[本文引用: 1]

谭子渊.

中国西北干旱半干旱区边界层高度特征及其对沙尘天气影响的数值模拟研究

[D].兰州兰州大学, 2019.

[本文引用: 1]

Jiao Limin, Zhang Boen, Xu Gang, et al.

Spatio-temporal Variability of Correlation between Aerosol Optical Depth and PM2.5 Concentration

[J]. Journal of Arid Land Resources and Environment, 2016, 30(12): 34-39.

[本文引用: 1]

焦利民, 张博恩, 许刚.

气溶胶光学厚度与PM2.5浓度相关关系的时空变异

[J].干旱区资源与环境, 2016, 30(12): 34-39.

[本文引用: 1]

Hyde P, Mahalov A, Li J L.

Simulating the Meteorology and PM10 Concentrations in Arizona Dust Storms Using the Weather Research and Forecasting Model with Chemistry (WRF-Chem)

[J]. Journal of the Air & Waste Management Association, 2018, 68(3):177-195. doi:10.1080/ 10962247. 2017.1357662.

[本文引用: 1]

Rizza U, Barnaba F, Miglietta M M, et al.

WRF-Chem Model Simulations of a Dust Outbreak over the Central Mediterranean and Comparison with Multi-sensor Desert Dust Observations

[J]. Atmospheric Chemistry and Physics, 2017, 17(1): 93-115. doi:10.5194/acp-17-93-2017.

[本文引用: 1]

Zhang Y X, Liu Y B, Paul A, et al.

Dust modeling over Saudi Arabia Using WRF-Chem: March 2009 Severe Dust Case

[J]. Atmospheric Environment, 2015, 119: 118-130. doi:10.1016/ j.atmosenv. 2015.08.032.

[本文引用: 1]

Su L, Fung J C H.

Sensitivities of WRF-Chem to Dust Emission Schemes and Land Surface Properties in Simulating Dust Cycles during Springtime over East Asia

[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(21): 11, 215-11, 230. doi:10.1002 /2015JD023446.

Flaounas E, Kotroni V, Lagouvardos, K, et al.

Sensitivity of the WRF-Chem (V3.6.1) Model to Different Dust Emission Parametrisation: Assessment in the Broader Mediterranean Region

[J]. Geoscientific Model Development, 2017, 10: 2925-2945. doi:10.5194/gmd-2016-313.

Kumar R, Barth M C, Pfister G G, et al.

WRF-Chem Simulations of A Typical Pre-monsoon Dust Storm in Northern India: Influences on Aerosol Optical Properties and Radiation Budget

[J].Atmospheric Chemistry and Physics,2014,14(5):2431-2446. doi:10.5194/acp-14-2431-2014.

[本文引用: 1]

Shao Y, Wyrwoll K H, Chappell A, et al.

Dust Cycle: An Emerging Core Theme in Earth System Science

[J]. Aeolian Research, 2011, 2(4): 181-204. doi:10.1016/j.aeolia. 2011.02.001.

[本文引用: 1]

Chen Ling, Xia Dong, Chen Huizhong.

Effect of Aerosol Hygroscopic Properties on Atmospheric Optical Thickness

[C] ∥Atmospheric Composition, Weather and Climate Change at the 31st Annual Meeting of Chinese Meteorological Society S6.

2014.陈玲, 夏冬, 陈慧忠. 气溶胶吸湿特性对大气光学厚度的影响

[C]∥第31届中国气象学会年会S6大气成分与天气、气候变化. 2014.

[本文引用: 1]

Li J W, Han Z W, Zhang R J.

Model Study of Atmospheric Particulates during Dust Storm Period in March 2010 over East Asia

[J].Atmospheric Environment,2011,45(24): 3954-3964. doi:10.1016/j.atmosenv. 2011.04.068.

[本文引用: 1]

Wu Chenglai, Lin Zhaohui.

Impact of Two Different Dust Emission Schemes on the Simulation of a Severe Dust Storm in East Asia Using WRF/Chem Model

[J]. Climatic and Environmental Research, 2014, 19(4):419-436.

[本文引用: 1]

吴成来, 林朝晖.

WRF/Chem模式中两种起沙参数化方案对东亚地区一次强沙尘暴过程模拟的影响

[J]. 气候与环境研究, 2014, 19(4):419-436.

[本文引用: 1]

/