2019, Vol. 40
2. 京津冀环境气象预报预警中心, 北京 100089
2. Environmental Meteorology Forecast Center of Beijing-Tianjin-Hebei, Beijing 100089, China
大气能见度是表征大气透明度的一个重要指标.在空气比较清洁的地区, 地面水平能见度主要与雾有关, 还与其他天气因素例如降水和降雪等有关, 但在重污染地区, 由于气溶胶细粒子浓度水平较高, 造成霾天气频发, 其对能见度降低有明显作用.霾污染目前在我国比较严重, 特别是东部污染较重的城市群地区重度霾事件频发[1~4], 导致能见度大范围降低, 对交通、生活及人们的生命财产造成损失.因此, 大气能见度的相关研究受到大气、环境领域乃至社会的广泛关注, 能见度的预报也成为霾天气预报以及相关环境气象预报服务的重要基础之一.
大气能见度的预报方法主要有统计预报和数值预报两类.统计预报一般是通过分析霾天气出现时温度、湿度、风速、压强等气象要素以及气象诊断量和大气能见度的相关关系, 建立大气能见度的统计预报方程[5~9].数值预报主要是利用包括物理过程也包括化学过程(二次转化)的大气化学模式开展气溶胶颗粒物的预报, 从而预报霾及其对能见度的影响[10~14], 适合我国霾天气较频繁的地区.
目前, 对于霾天水平能见度的参数化方案主要是如何考虑气溶胶的吸湿增长效应, 通用的方法分为两类, 一类是通过考虑气溶胶各化学组分吸湿增长计算消光系数的方案, 代表性工作如美国的IMPROVE方程, 考虑的是PM2.5各化学组分质量浓度与气溶胶消光系数之间的定量关系[15~17]; 另外一类是建立气溶胶消光系数与粒径分布之间的定量关系, Chen等[18]的方案就属于此类工作, 该工作通过观测得到的粒度谱、不同模态气溶胶的吸湿增长因子、环境消光系数等, 结合Mie散射理论, 在分析影响气溶胶消光能力主要因素的基础上, 建立了消光系数与气溶胶体积浓度与相对湿度的定量关系模型.国内采用IMPROVE方程进行能见度诊断计算的化学模式有通用多尺度空气质量模式CMAQ[11]、中国气象科学研究院研发的大气化学模式GRAPEA_CUACE[12]、区域大气环境模式系统RegAEMS[13], 模拟评估的结果普遍表明对于较低能见度(能见度低于5 km), 模式系统预报值往往偏高.胡俊等[19]依据Mie理论和大气分子的消光特性, 提出了一种改进的能见度参数化方案, 并采用WRF-Chem模式的模拟结果, 对比评估了该方案与IMPROVE方案、Chen等[18]方案在南京地区的预报效果.结果表明IMPROVE方案模拟能见度整体偏高, Chen等方案模拟的大气能见度略低, 在低能见度时间段模拟较好, 在能见度＜1 km范围内, 模拟效果优于其他两种方案.本地化改进的方案模拟的能见度相比效果最佳, 但是在能见度＜5 km时模拟依然偏高.已有的研究工作表明, 虽然不同的研究采用的大气化学模式和能见度参数化方案不同, 但是面临的普遍问题是对于低能见度模拟偏高.这一方面是因为大部分化学模式目前对雾-霾期间的气溶胶浓度模拟偏低, 同时对雾-霾期间的高相对湿度模拟偏干共同造成的[12, 13].另一方面, 高湿条件下气溶胶吸湿增长因子的不确定性增大也是原因之一[20~22].此外, 气溶胶物理化学特性的时空不均匀性, 也使得基于观测得到的参数化方案适用性受限, 胡俊等的研究结果也从一定程度上印证了这一点[19].
笔者建立北京区域环境气象数值预报系统时采用的是Chen等[18]在天津武清建立的参数化方案, 对北京地区能见度的预报检验结果表明, 该方案对秋冬季低能见度过程预报较好, 部分能见度低于2 km的过程模式预报偏高[23].随着近期能见度参数化新研究成果的不断报道, 本研究希望可以对比更多的方案, 确定如何在相同的模拟能力条件下, 优选最适合京津冀地区能见度预报的参数化方案, 以期为霾天气的预报预警提供更准确的能见度预报产品.
1 材料与方法 1.1 能见度参数化方案介绍参考已有研究成果和笔者在北京及周边地区预报检验的情况, 本研究未采用IMPROVE方案开展能见度的对比.一是考虑到已有研究工作包括在京津冀、南京地区和珠三角地区的应用都表明该方案对低能见度预报明显偏高.另外, 该方案用到了颗粒物中多种气溶胶化学组分浓度, 但目前大气化学模式普遍对气溶胶化学组分模拟不够准确(笔者也曾检验过典型污染过程PM2.5各化学组分的模拟效果).相比而言, 表征气溶胶总量的PM2.5浓度的模拟要优于各气溶胶化学组分分量的模拟效果.因此, 在本研究中重点考虑了基于PM总量建立的参数化方案开展对比分析.考虑到参数化方案的适用性, 本研究选择了在京津冀地区开展实验建立的参数化方案进行对比, 同时也将基于Mie散射的计算方案考虑在内, 共3个方案.
1.1.1 改进的CHEN能见度参数化方案Chen等[18]利用Hachi外场观测实验数据, 考虑气溶胶体积浓度和相对湿度建立了气溶胶消光系数的参数化方案, 计算公式如下：
|
(1) |
|
(2) |
式中, Kex为气溶胶消光系数, Mm-1, V为PM1.0以下的干气溶胶体积浓度, μm3·cm-3, RH为相对湿度, %, Vis为能见度, km, k为平均体积消光系数, Mm-1·(μm3·cm-3)-1, 其与a、b均为拟合参数, 分别为9.08、0.944和0.475[18]. Chen等[18]的研究指出, 在RH低于90%时气溶胶的消光系数主要受气溶胶体积浓度的影响, 当RH>90%时, 相对湿度就起主导作用了.因此, 该方案在RH>90%时计算结果偏差有所增大.由于实际观测PM1.0较少, 很难对模式预报的PM1.0进行检验, 同时业务预报长期检验结果表明, 模式对PM2.5浓度的预报能力整体表现较好[23], 因此, 在采用该方案进行能见度预报时, 针对实际应用需求对其进行了改进.利用本研究在北京市昌平区气象局获得的PM1.0和PM2.5小时浓度同期观测结果进行了拟合, 将PM1.0在PM2.5中所占比例确定为0.88 (图 1), 进而利用模式预报的PM2.5浓度进行能见度的计算.此外, 该方案在拟合时并未对相对湿度设定上限, 在应用过程中存在对夏季高湿度地区(RH接近或等于100%)能见度预报过低的现象, 通过典型过程分析, 将RH限定在98%以下.为了方便分析对比, 文中将此改进后的方案记为方案1(S1).
|
图 1 PM1.0与PM2.5浓度的线性拟合关系 Fig. 1 Linear fitting between PM1.0 and PM2.5 |
陈一娜等[20]在北京地区开展了气溶胶光学特征参数及大气能见度的连续观测, 并利用观测结果对已发表的气溶胶光散射吸湿增长因子拟合方案进行了对比, 系统分析了大气消光特征和影响大气消光能力的关键因子, 研究结果表明气溶胶散射作用占环境总消光作用的94%以上, 在夏秋季, 相对湿度可以使气溶胶的散射能力提升70%~80%.利用观测数据建立了包含PM2.5质量浓度和相对湿度两个因子的气溶胶消光参数化模型[式(3)], 给出了不同季节以及全年的回归方程系数[17].
|
(3) |
式中, M为PM2.5的质量浓度, μg·m-3, 由于本文对能见度方案的对比分析集中在冬季, 因此系数a、b和c采用了其冬季的回归结果, 分别为3.339、1.027和0.324, 在此方案中RH最高限值为99%.本方案记为方案2(S2).
1.1.3 Mie散射计算方案本研究拟采用北京区域环境气象数值预报系统(BREMPS)预报的PM2.5浓度和相对湿度作为方案S1和S2的输入进行分析.该系统是以WRF-Chem模式为主积分模式, 其本身考虑了气溶胶辐射参数的计算, 采用的是Mie散射理论, 利用模式模拟的4个谱段的气溶胶数浓度、气溶胶化学组分和气溶胶含水量计算得到550nm处的气溶胶消光系数, 计算结果由模式直接输出, 理论上代表的是比较精确的结果, 也作为方案之一进行对比, 记为方案3(S3).
1.2 模式系统介绍2016年笔者对已经建立的北京区域环境气象数值预报系统进行了全面介绍和检验[23]. BREMPS以WRF-Chemv3.3.1为主积分模式[24], 由北京地区快速更新循环同化预报系统(BJ-RUC)提供气象背景场, 区域设置为单层, 覆盖华北大部.基于检验结果的分析, 近两年对模式系统进行了优化改进, 并成为北京市气象局快速更新多尺度分析和预报系统的化学子系统RMAPS-CHEMv1.0.
该系统采用双重嵌套模拟设置(图 2), 外层水平分辨率9 km, 覆盖范围包括内蒙东部、陕西、山西、山东、河南北部、河北、、天津、辽宁及北京等地; 内层水平分辨率3 km, 覆盖京津冀区域.模式采用Lambert地图投影方式, 中心点经纬度为39.5°N, 114.8°E; 外层经、纬向格点数分别为223和202, 内层依次为232和253;模式层顶为50 hPa, 垂直方向分为38层, 1 500 m以下取17层.系统选用的主要物理、化学过程方案设置参见文献[23].在新系统中将华北地区城市下垫面数据集进行更新, 利用基于2009年Landsat-TM高分辨率卫星资料形成了新的京津冀地区城市地表分类, 取代了原来模式采用的1992~1993年的USGS 24类地表分类数据, 并考虑了城市地表过程的影响, 因此在原来的物理方案中增加了UCM的城市冠层方案.气象背景场由快速更新多尺度分析和预报系统-短期预报子系统(RMAPS-STv1.0)提供, 该系统在原来BJ-RUC的基础上进行了改进, 应用了国际上先进的热启动循环技术, 实现了天气雷达三维数字化拼图资料同化, 在国内率先实现从地基GPS总水汽反演同化到地基GPS信号总延迟资料直接同化的过渡, 去除了因基于地面观测计算GPS总水汽所产生的误差, 有效改善了模式对水汽和相对湿度的预报能力.
|
图 2 模式预报及检验区域 Fig. 2 Forecast regions and areas defined for the performance test |
排放源清单数据采用清华大学创建的MEIC清单(http://www.meicmodel.org/), 该清单包含5个排放部门(电力、工业、民用、交通、农业), 代表年份为2012年, 水平分辨率为0.1°×0.1°, 时间分辨率为月.
1.3 观测数据及检验方法本研究重点关注覆盖京津冀地区的D02区域. PM2.5浓度观测数据取自全国城市空气质量实时监测数据平台(http://106.37.208.233:20035/)近1500个站点的小时数据, 通过筛选, D02区域为237个, 筛选依据为“逐日有效小时均值数据超过75%可参与日均值计算; 逐月有效日均值数据超过75%可参与月均值计算”.考虑该模式系统重点预报服务于京津冀地区, 以及该区域内污染源强分布存在极大空间不均匀性, 在检验过程中还划分了河北南部(HB_S)、河北北部(HB_N)、北京城市(BJ)、天津城市(TJ)以及石家庄城市(SJZ)这5个重点区域(图 2).用于能见度预报效果检验的数据为全国地面站监测资料, D02区域覆盖有效数据站点总计448个.
PM2.5和能见度的预报结果检验采用实时监测站点的观测数据, 检验步骤如下：首先, 根据各监测站点的经纬度信息, 通过双线性插值方法将模式网格预报结果插值至观测站点, 生成模式预报和观测位置相匹配的数据集; 然后, 依照上述重点区域的划分(图 2), 选取各区域覆盖的观测站点进行统计分析, 评估模式对于不同区域范围预报的准确性.参与评估的统计量选用相关系数、平均误差、均方根误差和归一化平均绝对误差.
平均误差(ME)定义为：
|
均方根误差(RMSE)定义为：
|
归一化平均绝对误差(NME)定义为:
|
式中, Oi和Pi分别为PM2.5或者能见度某时刻在检验站点上的观测值与预报值. ME可以表征模式预报的总体偏差情况, 正值代表预报偏高, 负值则代表预报偏低. RMSE和NME都表征了预报值相对观测值的偏离程度, 其值越小, 表明模式预报精度越高.
2 结果与讨论2017年2月京津冀地区发生两次区域性霾天气过程, 分别是2月1~4日和2月11~15日.两次过程中, PM2.5最高日均浓度在北京地区达到了313 μg·m-3和228μg·m-3, 在石家庄地区分别达到了350μg·m-3和435μg·m-3.北京、天津和石家庄地区大部分时间小时能见度低于3 km, 其中第一次过程在北京和石家庄均出现了1 km以下的严重低能见度时段, 第二次过程仅石家庄地区出现了小时能见度低于1 km的情况.本文利用RMAPS-CHEM v1.0系统2017年2月的预报结果进行分析与评估.模式预报的PM2.5浓度和RH统一用于S1和S2的能见度计算, 并与模式采用Mie散射方案预报的结果进行对比.为了保证污染过程的连续性, 评估和检验时段从1月29日开始, 并对两次霾过程进行了小时能见度的对比分析.
2.1 模式验证在进行能见度参数化方案评估之前, 首先对模式预报的PM2.5浓度和相对湿度进行检验. 图 3为2017年1月29日~2月28日D02区域及重点地区和城市PM2.5浓度观测与24 h预报结果的逐日变化.从中可以看出, RMAPS-CHEM v1.0系统能较准确地预报出京津冀地区PM2.5的变化趋势和范围. PM2.5日均浓度的预报值与观测值之间的相关系数在D02区域和河北北部最高, 分别为0.9和0.93, 其次是河北南部的0.87, 石家庄市的0.82和北京市的0.81, 天津市相对最低为0.66.模式对D02区域、河北南部及北部预报结果与实况都比较接近, 预报的平均误差分别为-7.54、-0.46和-11.0μg·m-3.对重点城市的预报, 北京市在2月9日前预报偏差较明显, 之后预报与实况非常接近.石家庄市预报总体偏低, 对天津市预报在第一个过程偏高, 而第二个过程偏低明显.三市的平均误差分别为12.04、2.02和-13.31μg·m-3.总体而言, 模式对第二个过程PM2.5浓度峰值预报偏低, 而对第一个霾过程的结束时间预报偏早.
|
图 3 2017年2月PM2.5质量浓度观测资料与预报结果的逐日变化 Fig. 3 Comparison between the observed and forecast daily mean PM2.5 concentrations in different areas during February 2017 |
相对湿度的检验, 选择了北京、天津和石家庄作为京津冀的代表城市进行分析. 图 4给出了3个城市相对湿度预报结果与观测实况的逐时变化, 模式对能见度计算的关键气象要素相对湿度的预报表现很好, 北京、天津和石家庄预报与实况相对湿度的相关系数分别为0.85、0.86和0.78.相对湿度的日变化和霾过程中相对湿度的逐日演变趋势, 在模式预报中均有很好地体现.整体上, 模式对相对湿度的预报稍有偏高, 北京、天津和石家庄预报的平均误差都为正值, 分别为1.45%、3.91%和0.06%, 均方根误差分别为11.23%、12.24%和12.63%.北京相比在3个城市中预报效果最好, 相关系数较高, 误差最低, 特别是两次霾过程预报与实况非常接近.对天津预报整体偏高, 特别是在第一个霾过程中最明显.对石家庄在低相对湿度时段预报有所偏低, 整体上是偏高的趋势, 对两次霾期间相对湿度的预报与实况比较吻合, 第一次过程预报略有偏低.
|
图 4 2017年2月典型城市相对湿度观测资料与预报结果的逐时变化 Fig. 4 Comparison between the observed and forecast hourly relative humidity values in the typical cities during February 2017 |
图 5给出了三套方案计算的能见度与观测实况的逐日变化.三套方案计算的能见度均能较好地预报出2017年2月京津冀地区能见度的时间演变趋势, 从不同区域和城市预报能见度与观测值之间的相关统计来看, 相关系数均可达到0.87以上, 特别是D02区域、河北北部和北京市达到了0.92以上(表 1).对比来看, S3的相关系数在三套方案中相对最高, 其次是S2和S1.总体上S1计算的能见度是最低的, 而S3计算的能见度是最高的.从平均误差来看, 三套方案除了在北京和天津预报偏低以外, 在整个D02区域、河北南部、河北北部和石家庄市都是偏高的, 在这些预报偏高的地区, S1的均方根误差和归一化平均绝对误差最低, S3的最高, S2居中.但对于北京和天津, 则表现不尽相同, 在北京地区S2方案计算的能见度的预报平均误差、均方根误差和归一化平均绝对误差都是最低的, 这可能是因为该方案本身就是在北京城区通过观测实验数据拟合建立的, 其更适用于北京地区的能见度计算, 而在天津地区三套方案的预报结果在统计参数上均没有表现出明显优势, 这可能与模式在此期间对天津市的气溶胶含量和相对湿度预报的偏差较大有关. S2在北京的最优表现也说明, 经验的参数化方案是具有一定的地区适用性的.从整个区域的统计角度来看, S1方案具有一定的优势.原因在于, 从整个京津冀区域而言, 模式预报的PM2.5浓度整体偏低, 造成不同的能见度参数化方案计算结果偏高, 而在相同的PM2.5浓度和相对湿度水平下S1方案计算的能见度最低, 这在一定程度上弥补了PM2.5浓度预报偏低的不足.对京津冀地区而言, 不同的模式预报或者模拟的PM2.5浓度总体偏低, 特别是严重霾或者重污染期间偏低更加明显[12, 25, 26], 因此, 相比而言S1更适合应用于京津冀地区目前的能见度预报.
|
图 5 2017年2月能见度观测与方案S1~S3预报结果的逐日变化 Fig. 5 Comparison between the observed and forecast daily visibility calculated with S1-S3 |
|
表 1 不同能见度参数化方案预报结果与观测值统计对比 Table 1 Test statistics for the forecast and observed daily mean visibilities calculated with the different schemes |
为了进一步对比三套方案的性能, 本文将两次典型霾过程的小时能见度预报情况进行了分析(图 6).对比来看, 模式对第一个霾过程的预报要优于第二个次过程, 在第一个过程中三套方案的计算结果差别很小, 能见度在10 km以上的时候, S1方案计算的能见度最低, S3最高.在北京和石家庄预报与实况比较接近, 但在天津市预报明显偏低, 这是该过程中PM2.5浓度和相对湿度在天津市均预报偏高造成的.第二个过程观测的能见度具有明显的日变化特征, 且2月13日夜间在北京市出现了能见度的突然好转, 天气形势相比第一个过程更加不稳定, 总体上三套方案都较好地预报出了这次霾过程中能见度的时间演变趋势, 但是由于PM2.5在这次过程中总体预报偏低, 因此能见度的预报整体是偏高的, 在这种情况下, 计算能见度最低的S1方案与实况更加接近, S2与S1差别不明显, S3在某些时段明显则高于前两套方案, 这种差异在天津表现最明显.
|
图 6 两次霾过程中能见度观测与方案S1~S3预报结果的逐时变化 Fig. 6 Hourly variations in the observed and forecast visibility calculated using S1-S3 during two haze events |
为了进一步量化分析三套参数化方案对能见度的预报性能, 本文将上述两个严重霾过程期间3个城市的逐小时能见度观测和预报结果进行分级统计.按照观测能见度分为4级, 分别为：能见度≥10 km, 5 km≤能见度＜10 km, 1 km≤能见度＜5 km, 能见度＜1 km.每级样本量分别为184、127、376和33个, 两个过程中能见度有近一半的时间是在1~5 km的范围内, 1 km以下的低能见度出现较少. 图 7给出了三套方案预报能见度的分级统计结果.平均误差的结果显示, 三套方案预报的能见度在10 km以上都是预报偏低的, 由于S1计算能见度相对是最低的, 所以平均误差最大. 10 km以下, 则三套方案整体预报都是偏高的, 其中S1的偏差最小, 在1.5~2.2 km之间, 而S3的偏差最大, 在2.1~3.9 km之间, S2稍高于S1, 在1.6~2.6 km之间.均一化平均标准偏差的结果显示随着能见度的降低, 预报结果的标准偏差越大, 3个方案相比在不同的能见度等级中均是S1偏差最低, 其次是S2和S3.在能见度出现时间最长的1~5 km范围内, S1~S3的归一化平均绝对误差分别为1.1、1.2和1.5, S1的预报偏差约为观测值的1倍左右, 而S3则是1.5倍左右.能见度低于1 km时三套方案预报的归一化平均绝对误差在2.0~2.7之间, 是观测的2~3倍, 相对而言预报效果是最差的, 这与模式在霾最严重时段对PM2.5浓度预报偏低直接相关.从均方根误差来看, 随着能见度降低误差整体都在降低.与平均误差类似, 在10 km以上, S3误差最低, S1误差最大, 但能见度低于10 km的各个级别上S1方案的误差都是最低的.在能见度1~5 km范围内, 三套方案的均方根误差分别是4.9、5.2和5.8 km.逐小时的能见度预报统计结果总体上来看, S1误差和偏差最低, 性能最优, 其次是S2和S3, 特别是霾预报服务最关心的低能见度(5 km以下)的预报, S1方案表现相对更佳.
|
图 7 三套参数化方案在不同能见度等级预报结果的平均误差、归一化平均绝对误差和均方根误差 Fig. 7 Test statistics for the forecast and observed hourly visibilities at different visibility levels: ME, NME, and RMSE |
(1) 模式系统对京津冀地区和重点城市的PM2.5浓度预报总体较好, 预报值与观测值的相关系数在大部分地区高于0.8.两个重度霾天气过程中, 总体上模式对第二个过程PM2.5浓度峰值预报偏低, 对第一个霾过程的结束时间预报偏早.模式对小时相对湿度的预报与观测相关可以达到0.78以上, 平均误差在0.06%~3.91%以内, 整体上预报稍有偏高.
(2) 三套方案计算的能见度都能较好地预报出2017年2月京津冀地区能见度的时间演变趋势, 从不同区域和城市预报能见度与观测值之间的相关统计来看, 都可以达到0.87以上.总体上S1计算的能见度和误差均最低, S3的最高, S2居中.其中S2方案在北京地区表现最佳.从整个区域的统计角度来看, S1方案具有一定的优势.
(3) 两次典型霾过程中小时能见度预报结果分析显示, 三套方案计算的能见度大部分时间都非常接近, 能见度大于10 km时三套方案计算结果都偏低, 其中S3的平均误差和均方根误差都是最低的.能见度低于10 km时, 特别是对出现较多的1~5 km低能见度的预报, S1方案的误差最低, 更适合京津冀区域霾天能见度的预报应用.
| [1] |
吴兑. 灰霾天气的形成与演化[J]. 环境科学与技术, 2011, 34(3): 157-161. Wu D. Formation and evolution of haze weather[J]. Environmental Science, 2011, 34(3): 157-161. DOI:10.3969/j.issn.1003-6504.2011.03.036 |
| [2] | Zhao P S, Zhang X L, Xu X F, et al. Long-term visibility trends and characteristics in the region of Beijing, Tianjin, and Hebei, China[J]. Atmospheric Research, 2011, 101(3): 711-718. DOI:10.1016/j.atmosres.2011.04.019 |
| [3] |
符传博, 唐家翔, 丹利, 等. 1960~2013年我国霾污染的时空变化[J]. 环境科学, 2016, 37(9): 3237-3248. Fu C B, Tang J X, Dan L, et al. Temporal and spatial variation of haze pollution over China from 1960 to 2013[J]. Environmental Science, 2016, 37(9): 3237-3248. |
| [4] | Quan J, Zhang Q, He H, et al. Analysis of the formation of fog and haze in North China Plain (NCP)[J]. Atmospheric Chemistry and Physics, 2011, 11(15): 8205-8214. DOI:10.5194/acp-11-8205-2011 |
| [5] |
吴波, 胡邦辉, 王学忠, 等. 基于近似支持向量机的能见度释用预报研究[J]. 热带气象学报, 2017, 33(1): 104-110. Wu B, Hu B H, Wang X Z, et al. Visibility forecast based on proximal support vector machine[J]. Journal of Tropical Meteorology, 2017, 33(1): 104-110. |
| [6] |
张恒德, 咸云浩, 谢永华, 等. 基于时间序列分析和卡尔曼滤波的霾预报技术[J]. 计算机应用, 2017, 37(11): 3311-3316. Zhang H D, Xian Y H, Xie Y H, et al. Haze forecast based on time series analysis and Kalman filtering[J]. Journal of Computer Applications, 2017, 37(11): 3311-3316. DOI:10.3969/j.issn.1001-3695.2017.11.025 |
| [7] |
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 P, Wang S G, Shang K Z, 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. DOI:10.3969/j.issn.0455-2059.2012.03.009 |
| [8] |
张自银, 赵秀娟, 熊亚军, 等. 基于动态统计预报方法的京津冀雾霾中期预报试验[J]. 应用气象学报, 2018, 29(1): 57-69. Zhang Z Y, Zhao X J, Xiong Y J, et al. The fog/haze medium-range forecast experiments based on dynamic statistic method[J]. Journal of Applied Meteorological Science, 2018, 29(1): 57-69. |
| [9] |
白永清, 祁海霞, 刘琳, 等. 武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报[J]. 气象学报, 2016, 74(2): 189-199. Bai Y Q, Qi H X, Liu L, et al. Study on the nonlinear relationship among the visibility, PM2.5 concentration and relative humidity in Wuhan and the visibility prediction[J]. Acta Meteorologica Sinica, 2016, 74(2): 189-199. |
| [10] | 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. DOI:10.1175/1520-0450(1999)038<0385:NMSMSO>2.0.CO;2 |
| [11] |
邓涛, 邓雪娇, 吴兑, 等. 珠三角灰霾数值预报模式与业务运行评估[J]. 气象科技进展, 2012, 2(6): 38-44. Deng T, Deng X J, Wu D, et al. Study on Numerical forecast model of haze over Pearl River Delta region and routine business assessment[J]. Advances in Meteorological Science and Technology, 2012, 2(6): 38-44. |
| [12] |
侯梦玲, 王宏, 赵天良, 等. 京津冀一次重度雾霾天气能见度及边界层关键气象要素的模拟研究[J]. 大气科学, 2017, 41(6): 1177-1190. Hou M L, Wang H, Zhao T L, et al. A modeling study of the visibility and PBL key meteorological elements during a heavy fog-haze episode in Beijing-Tianjin-Hebei of China[J]. Chinese Journal of Atmospheric Sciences, 2017, 41(6): 1177-1190. |
| [13] | Wang T J, Jiang F, Deng J J, et al. Urban air quality and regional haze weather forecast for Yangtze River Delta region[J]. Atmospheric Environment, 2012, 58: 70-83. DOI:10.1016/j.atmosenv.2012.01.014 |
| [14] |
周斌斌, 蒋乐, 杜钧. 航空气象要素以及基于数值模式的低能见度和雾的预报[J]. 气象科技进展, 2016, 6(2): 29-41. Zhou B B, Jiang L, Du J. Aviation weather and model-based operational forecasts of low visibility and fog[J]. Advances in Meteorological Science and Technology, 2016, 6(2): 29-41. |
| [15] | Malm W C, Day D E, Carrico C, et al. Intercomparison and closure calculations using measurements of aerosol species and optical properties during the Yosemite aerosol characterization study[J]. Journal of Geophysical Research, 2005, 110(D14): D14302. DOI:10.1029/2004JD005494 |
| [16] | Malm W C, Hand J L. An examination of the physical and optical properties of aerosols collected in the IMPROVE program[J]. Atmospheric Environment, 2007, 41(16): 3407-3427. DOI:10.1016/j.atmosenv.2006.12.012 |
| [17] | Pitchford M, Malm 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. |
| [18] | Chen J, Zhao C S, Ma N, et al. A parameterization of low visibilities for hazy days in the North China Plain[J]. Atmospheric Chemistry and Physics, 2012, 12(11): 4935-4950. DOI:10.5194/acp-12-4935-2012 |
| [19] |
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 J, Zhao T L, Zhang Z F, et al. Upgradeding atmospheric visibility parameterization scheme for haze pollution environment[J]. Research of Environmental Sciences, 2017, 30(11): 1680-1688. |
| [20] |
陈一娜, 赵普生, 何迪, 等. 北京地区大气消光特征及参数化研究[J]. 环境科学, 2015, 36(10): 3582-3589. Chen Y N, Zhao P S, He D, et al. Characteristics and parameterization for atmospheric extinction coefficient in Beijing[J]. Environmental Science, 2015, 36(10): 3582-3589. |
| [21] | Deng H, Tan H B, Li F, et al. Impact of relative humidity on visibility degradation during a haze event:a case study[J]. Science of the Total Environment, 2016, 569-570: 1149-1158. DOI:10.1016/j.scitotenv.2016.06.190 |
| [22] | Wang Y, Wu Z J, Ma N, et al. Statistical analysis and parameterization of the hygroscopic growth of the sub-micrometer urban background aerosol in Beijing[J]. Atmospheric Environment, 2018, 175: 184-191. DOI:10.1016/j.atmosenv.2017.12.003 |
| [23] |
赵秀娟, 徐敬, 张自银, 等. 北京区域环境气象数值预报系统及PM2.5预报检验[J]. 应用气象学报, 2016, 27(2): 160-172. Zhao X J, Xu J, Zhang Z Y, et al. Beijing regional environmental meteorology prediction system and its performance test of PM2.5 concentration[J]. Journal of Applied Meteorological Science, 2016, 27(2): 160-172. |
| [24] | Grell G A, Peckham S E, Schmitz R, et al. Fully coupled "online" chemistry within the WRF model[J]. Atmospheric Environment, 2005, 39(37): 6957-6975. DOI:10.1016/j.atmosenv.2005.04.027 |
| [25] |
程兴宏, 刁志刚, 胡江凯, 等. 基于CMAQ模式和自适应偏最小二乘回归法的中国地区PM2.5浓度动力-统计预报方法研究[J]. 环境科学学报, 2016, 36(8): 2771-2782. Cheng X H, Diao Z G, Hu J K, et al. Dynamical-statistical forecasting of PM2.5 concentration based on CMAQ model and adapting partial least square regression method in China[J]. Acta Scientiae Circumstantiae, 2016, 36(8): 2771-2782. |
| [26] |
王哲, 王自发, 李杰, 等. 气象-化学双向耦合模式(WRF-NAQPMS)研制及其在京津冀秋季重霾模拟中的应用[J]. 气候与环境研究, 2014, 19(2): 153-163. Wang Z, Wang Z F, Li J, et al. Development of a meteorology-chemistry two-way coupled numerical model (WRF-NAQPMS) and its application in a severe autumn haze simulation over the Beijing-Tianjin-Hebei area, China[J]. Climatic and Environmental Research, 2014, 19(2): 153-163. |