2023, Vol. 44
2. 桐乡市气象局, 嘉兴 314000
2. Tongxiang Meteorological Bureau, Jiaxing 314000, China
随着中国大范围的城市化和经济的快速增长, 工业和人口密度较大的东部地区面临严重的空气污染问题[1~3].近地层的臭氧(O3)和细颗粒物(PM2.5)是目前中国东部地区的主要大气污染物, 对大气环境、生态系统和人体健康都造成严重影响[4, 5].自2013年9月实行《大气污染防治行动》以来, 中国的PM2.5污染得到了明显改善, 但近地层O3污染却呈逐渐严重趋势[6, 7].在低纬度地区的部分城市, O3已经成为对人类活动影响最大的污染物之一[8~10].
近地层O3是前体物氮氧化物(NOx)和挥发性有机物(VOCs)经一系列大气光化学反应生成的产物.气象条件, 如温度(T)、相对湿度(RH)、行星边界层高度(PBLH)和风速(WS)等气象条件对O3的生成有重要影响[6, 11~13].王玫等[14]基于2014~2017年京津冀13座城市的O3浓度数据, 发现夏季和秋季温度是影响O3浓度变化的主要因素.针对夏季的高O3浓度污染事件, Ma等[15]运用三维区域大气模式WRF (weather research and forecasting model)和CMAQ (community multi-scale air quality model)分析了气象要素与O3浓度间的关系, 发现高温对高O3浓度污染事件具有推动作用.刘妍妍等[16]基于观测数据对2015~2020年期间湖南省14个地级市O3污染浓度的时空演化特征进行了分析, 发现气象对O3浓度的上升起促进作用, 其平均影响的程度达到了1 μg·(m3·a)-1.
气候变化将导致未来平均温度升高, 但是温度的变化在区域上呈现很大的差异性[17~19].未来气候变化对不同地区O3的影响是气象条件变化与排放特征共同作用的结果[20~22].有研究发现, 气候变化导致近地层温度变化, 而温度变化间接通过影响边界层高度等改变低层O3浓度[23, 24].政府间气候变化专门委员会(IPCC)基于更完善且分辨率较高的CMIP5(coupled model inter comparison project phase 5)结果提出4个温室气体浓度情景, 按低至高浓度排列分别为RCP2.6(低)、RCP4.5(中低)、RCP6.0(中高)和RCP8.5(高).其中RCP表示浓度路径(representative concentration pathway), 数字后缀表示2100年相比于1750年的辐射强迫[25].通过模拟CMIP5不同路径情景下的O3浓度变化, Sun等[26]的研究发现, 在RCP8.5路径下未来美国东部的O3浓度将降低, 西部的O3浓度增加. Hou等[27]基于RCP8.5路径模拟后发现2100年高温热浪导致的高O3污染事件比2001年增加了约25%. Yahya等[28]经过对比后发现, RCP8.5路径下美国大部分地区O3浓度上升, 而RCP4.5路径下O3浓度降低.Zhang等[29]进一步研究发现RCP8.5路径下因热浪, 静稳大气以及两者的综合情景导致2046~2066年美国出现高O3污染的天数较2001~2010年平均多约16、0.5和5 d.
全球气候模式(GCM)已经被广泛应用于气候变化的研究和预测中.但是全球气候模型空间分辨率粗糙, 无法很好地预测区域天气特征, 不适合用于高分辨率的区域气候、空气质量和健康影响研究[30].因此降尺度模拟被应用到区域气候变化及空气质量影响的研究中[31, 32].王莹等[19]利用CMIP5模式的结果作为侧边界数据驱动WRF模式得到降尺度结果, 然后与历史时期(1996~2005年)的气温观测数据相比, 发现在空间分布上有较高的吻合度, 证实了降尺度方案可以为未来区域气温变化的预估提供较为可靠的数据.本研究使用CMIP5提供的CESM(community earth system model)模式的预测结果为WRF模式提供初始边界条件, 降尺度模拟了2006~2015和不同RCP情景下2046~2055年的气象条件, 再用得到的气候数据驱动区域空气质量模型CMAQ, 分析了不同情景下O3浓度变化情况.本研究结果将帮助人们更好地理解并预测未来气候变化对中国O3污染的影响, 以期为在气候变化情景下持续改善O3污染提供参考.
1 材料与方法 1.1 数据介绍本研究使用CMIP5中的CESM版本1生成的全局偏差校正数据, 数据来源于网站(https://rda.ucar.edu/datasets/).该数据中所有变量都有26层, 时间分辨率为6 h, 且提供历史(1951~2005年)和未来(2006~2100年)的4种典型浓度路径情景(RCP2.6、RCP4.5、RCP6.0和RCP8.5).该数据已经根据Bruyère等[33]的方法使用欧洲中期天气预报中心(European Centre for Medium-range Weather Frecasts, ECMWF)1981~2005年中期再分析资料(ERA-Interim)进行偏差校正.由于CESM模型错误导致数据损坏, RCP2.6中没有偏差修正数据.因此, 本研究选择3个排放情景(RCP4.5、RCP6.0和RCP8.5)进行未来(2046~2055年)的气候降尺度模拟, 利用2006~2015年进行过去的模拟作为Basecase进行未来气候变化的参照.具体情景设置及时间范围设定见表 1.
|
表 1 情景设置以及时间范围设定 Table 1 Scenario settings and time range settings |
1.2 模型设置
使用CESM粗分辨(0.937 5°×1.25°)的模拟结果驱动WRF v3.8进行降尺度模拟, 从而得到的全国2006~2015年和2046~2055年的气象数据.WRF模拟区域覆盖整个东亚, 空间分辨率为36 km×36 km, 时间分辨率为1 h.模拟区域见图 1. WRF模型在垂直方向上设置了44层, 其中1 km以下设置18层以便更好地描述大气边界层结构, 具体WRF模型气象参数的配置信息如表 2所示[34].空气质量的模拟采用CMAQ空气质量模型.CMAQ模拟区域与WRF模拟区域一致.气相化学反应机制为SAPRC07, 气溶胶机制为AERO6.为了研究气候变化对大气污染物的影响, 模拟中固定排放不变, 选择2015年的排放作为排放输入数据, 进行2006~2015年和2046~2055年的模拟.人为排放清单来自清华大学开发的中国多尺度排放清单模型MEICv1.3网格化的2015年数据(http://www.meicmodel.org), 水平分辨率为0.25°×0. 25°[35].生物源排放数据使用MEGANv2.1模拟结果[36], 其中叶面积指数数据来自MODIS卫星资料, 植被功能类型数据来自通用陆面模型CLM 3.0.生物质燃烧排放清单来自NCAR的FINN数据[37].
|
图 1 模拟区域和分区设置 Fig. 1 Simulation area and partition settings |
|
|
表 2 WRF模型参数化方案选择1) Table 2 Parameterization scheme of WRF |
中国地域辽阔, 不同地区气候类型也有所不同. 为了更好地探讨中国范围内不同地区的气候变化, 本研究把中国分为7个不同区域(图 1), 分别为华东(E)、华北(N)、华中(C)、华南(S)、西南(SW)、西北(NW)和东北(NE).
1.3 模型模拟验证方法对模型模拟结果的评估是验证模型模拟数据可用性的重要步骤.WRF模拟结果使用欧洲中心再分析数据(ERA5)进行数据验证, 该数据是从网站(https://cds.climate.copernicus.eu/cdsapp#!/dataset/)上获取.逐小时O3观测数据从国家环境监测中心空气质量发布网站(http://113.108.142.147:20035/emcpublish/)上获得.本研究使用美国环保署推荐的统计参数和标准[34], 计算了观测值和模拟值的标准平均偏差(NMB)和标准平均误差(NME)以及相关系数(R), 来定量评估模拟结果与观测值的吻合程度, 相应公式如下所示.
|
(1) |
|
(2) |
|
(3) |
式中, Pj表示时间序列中的模拟值, Oj表示对应的观测值.
2 结果与讨论 2.1 模型验证本研究选取了对O3的生成有重要影响的气象因子：PBLH、10 m高度风速(WS10)、RH和2 m高度温度(T2)进行分析.图 2显示了本研究的Basecase情景的T2模拟结果和ERA5再分析数据的空间分布, 可以看到二者空间分布相似, 可以认为降尺度模拟结果能够较好地模拟这些气象要素的空间特征[38].表 3给出了具体的统计参数, 可以看出, T2和RH的结果与ERA5数据结果较为一致, PBLH(ERA5:631.94 m, WRF: 737.51 m)和WS10(ERA5:3.59 m·s-1, WRF: 4.32 m·s-1)有所高估, 但这4个气象因子整体来看都符合正常范围内, 可以认为本研究针对以上气象因子的模拟结果具有较高的可用性.对于O3的模拟, 美国环保署推荐的模式性能标准值为NMB小于±0.3, NME小于0.5, R大于0.4[34].图 3(a)和图 3(b)显示了本次CMAQ模拟结果较好地再现了2013~2015年O3每日最大8 h滑动平均(MDA8)的时空分布, 而且统计参数也满足模式性能标准值, 为接下来的探究提供了可靠性.
|
(a1)~(d1)分别为T2、PBLH、WS10和RH的模拟值, (a2)~(d2)分别为T2、PBLH、WS10和RH的ERA5再分析数据 图 2 Basecase的气象模拟值与ERA5再分析数据对比 Fig. 2 Basecase meteorological simulation values compared with ERA5 reanalysis data |
|
|
表 3 相关统计参数1) Table 3 Relevant statistical parameters |
|
图 3 Basecase的MDA8模拟值和监测数据对比 Fig. 3 Comparison of MDA8 simulated values and monitoring data of Basecase |
降尺度模拟提供了更高分辨率的气候模拟结果[39, 40].图 4显示的是中国2046~2055年相对2006~2015年夏季PBLH、WS10、RH和温度均值(Tmean)的时空变化.Basecase情景的各区域气象具体数值见表 4.在RCP8.5与RCP4.5情景下京冀地区出现了全国最明显的显著增加趋势; 而RCP6.0情景下东北地区以及RCP8.5和RCP4.5情景下四川盆地和西藏地区均出现显著降低趋势, 这可能是Basecase情景下对西藏和东北地区PBLH的高估所导致的.在3种情景下变化趋势较为一致的是华南地区与华中南部地区, 均出现显著增加趋势, 但鉴于Basecase情景下整体对PBLH的高估, 因此实际增长幅度可能比预测略低.3种RCP情景下夏季WS10的最大值、最小值和均值几乎一致.相比于冬季, 夏季各地区WS10的差异较小, 只在西北地区吐鲁番盆地-阿拉善高原一带出现WS10较大的区域.RCP4.5情景下各地区的变化幅度都较小, RCP6.0、RCP8.5情景下在南方的两广丘陵与东南丘陵地区WS10均有升高趋势, 此外RCP8.5情景下华北大部分地区WS10也有显著升高.在未来中国夏季, RH表现出大范围的降低趋势, 整个中国平均降低幅度为：RCP8.5(1.0%)>RCP6.0(0.5%)>RCP4.5(0.3%), 空间上呈现华中、华北和华南沿海等地区降低, 西北、西南和东北略有增加.所有情景都对未来夏季T2做出了全国大范围上升的预测, 其中RCP8.5的上升幅度最大, 整体上升了1.7℃, 综合来看长江以北地区的升温幅度要高于南方地区, 中低纬度内陆地区的升温幅度要高于沿海地区[41, 42].略有不同的是RCP6.0情景, 预测的各地区夏季的升温情况差异较小.
|
(a1)~(a3)表示PBLH; (b1)~(b3)表示WS10; (c1)~(c3)表示RH, (d1)~(d3)表示Tmean. (a1)、(b1)、(c1)和(d1)表示RCP4.5-Basecase, (a2)、(b2)、(c2)和(d2)表示RCP6.0-Basecase, (a3)、(b3)、(c3)和(d3)表示RCP8.5-Basecase 图 4 PBLH、WS10、RH和Tmean的时空变化分布 Fig. 4 Spatiotemporal variation in PBLH, WS10, RH, and Tmean |
|
|
表 4 Basecase情景下不同区域气象分布 Table 4 Meteorological distribution in different regions under Basecase |
为了更好地探究不同区域的气象条件变化, 图 5给出了中国夏季的区域气候变化及显著性分布情况.夏季PBLH降低的区域主要为NE, 3种情景均呈现不同程度的下降(-10.54、-15.12、-0.33 m), 其中, RCP6.0整体来看, 不同地区增加幅度大于降低幅度, E的增加幅度最大, 并在RCP4.5情景下通过显著性检验(置信度为0.95).RCP6.0情景下S的WS10有显著增加, 且增加幅度最大, 各地区的WS10的变化幅度与差异同样不明显.大部分地区RH呈降低趋势, 但是降低幅度较小, 值得注意的是RCP8.5情景下C呈显著降低趋势(置信度为0.95).除RCP4.5情景下的S外, 各情景下全国各地区夏季T2均出现显著性升高, 除了RCP4.5情景下的S, 其他地区置信度都为0.99, 且夏季T2的升高幅度与冬季相比更大, 相同情景下N、NE、NW这些北方地区增幅更大.
|
1.RCP4.5, 2.RCP6.0, 3.RCP8.5 图 5 夏季区域气候变化和显著性分布 Fig. 5 Regional climate change in summer and its significance distribution |
根据中国气象学的定义, 将日最高温度达到或超过35℃定义为高温天, 并统计了不同情景下不同区域的10 a总高温天的变化.如图 6所示, 中国各个分区的高温天数都有所增加, 但气候变化对不同RCP情景和不同分区的影响有所不同[43, 44]：除了S、SW, 其他分区的变化呈现RCP8.5>RCP4.5>RCP6.0的规律, 这与温度的平均变化也呈现RCP8.5(1.7℃)>RCP4.5(1.1℃)>RCP6.0(0.8℃)有关.未来中国C和E地区夏季的高温天数平均每年增加5~13 d, N、S和NW的平均每年增加3~8 d.
|
图 6 不同情景下不同区域的高温天变化 Fig. 6 Daily distribution of high temperature under different scenarios in different regions |
图 7(a1)显示了MDA8高值主要分布在中国北方[45, 46].MDA8的变化分布表明了在RCP4.5情景下, 中国华北地区部分城市呈现增长趋势, 京津冀增长幅度最大(5.8 μg·m-3), 其他地区主要呈现降低趋势, 整个中国区域平均变化值为-0.7 μg·m-3; RCP6.0情景下中国东北、华中和西南部分地区略有增加, 其他地区呈现降低趋势; 在RCP8.5情景下, 东北和华南部分地区呈现增加趋势, 整个中国区域平均变化值为-1.0 μg·m-3, 是降低幅度最大的情景.虽然所有情景下中国所有地区温度升高, 但MDA8均值并不是都呈现上升趋势.相反, 从中国区域变化均值来看, 虽然部分地区呈现增加趋势, 最高能增加3.1~5.8 μg·m-3, 但是未来夏季O3浓度总体呈现下降趋势, 下降幅度为-0.6~-1.0 μg·m-3.
|
(a1)~(a4)表示MDA8均值, (b1)~(b4)表示MDA8极值; (a1)和(b1)表示Basecase, (a2)和(b2)表示RCP4.5-Basecase, (a3)和(b3)表示RCP6.0-Basecase, (a4)和(b4)表示RCP8.5-Basecase 图 7 MDA8日均值和极值的空间分布及变化 Fig. 7 Spatiotemporal variation and changes in MDA8 daily mean and extreme values |
MDA8极值是使用MDA8浓度的95%分位计算得到的.与之不同的是, MDA8极值整体呈现增加趋势, 整个中国变化均值为0.2~0.7 μg·m-3, 不同情景下变化幅度为：RCP8.5(0.7 μg·m-3)>RCP6.0(0.3 μg·m-3)>RCP4.5(0.2 μg·m-3).变化的空间分布与MDA8均值相似, 但是呈现增加趋势地区的增加幅度要大于MDA8均值, 因此导致整个区域变化均值为正.值得注意的是在RCP8.5和RCP4.5情景下, 京津冀和华南沿海地区有较大的增加幅度, 最大能达到14.5~22.83 μg·m-3.由于固定了排放, 因此只探讨了气象条件通过影响污染物传输和化学转化途径引起的O3浓度变化.需要注意的是, 气候变化也会引起排放的变化.有研究发现温度的升高会造成更多的天然源排放, 从而对O3有促进作用[47, 48].因此气候变化对O3的实际影响可能超过本研究中的结果.
根据中国于2016年1月1日起实施的空气质量标准[49], MDA8的二级浓度限值为160 μg·m-3.因此在本研究中将MDA8值大于160 μg·m-3的天定义为超标日.并统计不同区域的10 a总超标日变化, 结果见图 8.从中可知, 中国各个分区的超标天几乎都有所增加或无明显变化, 但不同RCP情景和不同分布的变化有所不同：除了SW和NE地区, 其他分区的变化幅度都呈现RCP4.5和RCP8.5相当, 但明显大于RCP6.0的规律; 在RCP4.5和RCP8.5情景下的未来夏季, E、N和C这些地区MDA8超标日增加幅度较大, 平均每年增加0.6~0.8 d, 结合图 5, 可以发现未来中国夏季O3超标日与中国夏季的高温天变化有较为相似的分布, 因此高温天可能是导致MDA8超标的因素之一.此外, 未来要重点关注E、N和C地区高温天气下可能出现的MDA8超标情况.
|
图 8 不同情景下不同区域MDA8超标日变化 Fig. 8 Daily variation in MDA8 exceeding the standard in different regions under different scenarios |
统计中国范围内所有格点MDA8连续超标天数发生频率(图 9), 以便于同时探究不同情景的分布.如图 9所示, 以10 a为尺度, 未来可发生连续20 d以上的MDA8超标事件, 其中主要可能发生在RCP4.5和RCP8.5情景.3个RCP情景的MDA8连续超标天数发生频率几乎一直保持大于Basecase情景, 而且随着MDA8连续超标天数的增加, 这种趋势更加明显.当发生MDA8连续超标天数在8 d以内时, 3个RCP情景呈现如下规律：RCP4.5和RCP8.5情景发生频率更大, RCP6.0次之; 当发生MDA8连续超标天数在9~12 d以内时, RCP4.5情景发生的频率最大, RCP6.0情景最小; 当发生MDA8连续超标天数在大于13 d时虽然有一些波动, 但整体是RCP8.5情景发生的频率最大.因此, 可以认为在2046~2055年由于高温天数的变化导致中国夏季发生更加极端的MDA8连续超标事件, 其中RCP8.5情景最严重, RCP4.5情景次之.
|
图 9 不同情景MDA8连续超标天数发生频率占比 Fig. 9 Frequency proportion of consecutive days exceeding the MDA8 standard in different scenarios |
(1) 气候变化使中国夏季温度均值和高温天数增加.C和E地区夏季高温天数每年平均增加5~13 d, N、S和NW地区的每年平均增加3~8 d, RCP8.5情景增温幅度最大.边界层高度增加, 相对湿度有所降低, 近地面风速无明显变化.
(2) 在气候变暖背景下, O3均值和MDA8均值整体呈现降低趋势, 只在京津冀、四川和华南部分地区呈现增加趋势, 但MDA8极值呈现增加趋势, 在京津冀、内蒙古和四川等地区增幅较大.
(3) 夏季MDA8超标日变化与高温天数变化有较为相似的分布, MDA8超标的发生与高温天气有密切关联.
(4) 未来中国夏季可能会发生更多持续时间更久的MDA8连续超标事件, 其中RCP8.5情景最严重, RCP4.5情景次之.
| [1] |
丁一汇, 柳艳菊. 近50年我国雾和霾的长期变化特征及其与大气湿度的关系[J]. 中国科学: 地球科学, 2014, 57(1): 37-48. Ding Y H, Liu Y J. Analysis of long-term variations of fog and haze in China in recent 50 years and their relations with atmospheric humidity[J]. Science China Earth Sciences, 2014, 57(1): 36-46. |
| [2] |
符传博, 丹利. 重污染下我国中东部地区1960~2010年霾日数的时空变化特征[J]. 气候与环境研究, 2014, 19(2): 219-226. Fu C B, Dan L. Spatiotemporal characteristics of haze days under heavy pollution over central and eastern China during 1960-2010[J]. Climatic and Environmental Research, 2014, 19(2): 219-226. |
| [3] | Wang P F, Guo H, Hu J L, et al. Responses of PM2.5 and O3 concentrations to changes of meteorology and emissions in China[J]. Science of the Total Environment, 2019, 662: 297-306. DOI:10.1016/j.scitotenv.2019.01.227 |
| [4] |
李云燕, 葛畅. 我国三大区域PM2.5源解析研究进展[J]. 现代化工, 2017, 37(4): 1-5, 7. Li Y Y, Ge C. Research progress of PM2.5 source analysis in three main regions of China[J]. Modern Chemical Industry, 2017, 37(4): 1-5, 7. |
| [5] | Liu T, Wang C L, Wang Y Y, et al. Impacts of model resolution on predictions of air quality and associated health exposure in Nanjing, China[J]. Chemosphere, 2020, 249. DOI:10.1016/j.chemosphere.2020.126515 |
| [6] | Shi Z H, Huang L, Li J Y, et al. Sensitivity analysis of the surface ozone and fine particulate matter to meteorological parameters in China[J]. Atmospheric Chemistry and Physics, 2020, 20(21): 13455-13466. DOI:10.5194/acp-20-13455-2020 |
| [7] |
姜华, 常宏咪. 我国臭氧污染形势分析及成因初探[J]. 环境科学研究, 2021, 34(7): 1576-1582. Jiang H, Chang H M. Analysis of China's ozone pollution situation, preliminary investigation of causes and prevention and control recommendations[J]. Research of Environmental Sciences, 2021, 34(7): 1576-1582. |
| [8] |
邓爱萍, 陆维青, 杨雪. 2013年-2017年江苏省环境空气中首要污染物变化分析研究[J]. 环境科学与管理, 2017, 42(12): 19-22. Deng A P, Lu W Q, Yang X. Analysis on change of primary pollutant in ambient air of Jiangsu Province during 2013 and 2017[J]. Environmental Science and Management, 2017, 42(12): 19-22. |
| [9] |
沈劲, 杨土士, 晏平仲, 等. 广东省臭氧污染特征及其成因分析[J]. 环境科学与技术, 2020, 43(12): 90-95. Shen J, Yang T S, Yan P Z, et al. Characteristics and causes of ozone pollution in Guangdong Province[J]. Environmental Science & Technology, 2020, 43(12): 90-95. |
| [10] | Rasmussen D J, Hu J L, Mahmud A, et al. The ozone-climate penalty: past, present, and future[J]. Environmental Science & Technology, 2013, 47(24): 14258-14266. |
| [11] | Liu P F, Song H Q, Wang T H, et al. Effects of meteorological conditions and anthropogenic precursors on ground-level ozone concentrations in Chinese cities[J]. Environmental Pollution, 2020, 262. DOI:10.1016/j.envpol.2020.114366 |
| [12] | Yin Z C, Li Y Y, Cao B F. Seasonal prediction of surface O3-related meteorological conditions in summer in North China[J]. Atmospheric Research, 2020, 246. DOI:10.1016/j.atmosres.2020.105110 |
| [13] |
严晓瑜, 缑晓辉, 杨婧, 等. 中国典型城市臭氧变化特征及其与气象条件的关系[J]. 高原气象, 2020, 39(2): 296-299. Yan X Y, Gou X H, Yang J, et al. The variety of ozone and its relationship with meteorological conditions in typical cities in China[J]. Plateau Meteorology, 2020, 39(2): 296-299. |
| [14] |
王玫, 郑有飞, 柳艳菊, 等. 京津冀臭氧变化特征及与气象要素的关系[J]. 中国环境科学, 2019, 39(7): 2689-2698. Wang M, ZhengY F, Liu Y J, et al. Characteristics of ozone and its relationship with meteorological factors in Beijing-Tianjin-Hebei Region[J]. China Environmental Science, 2019, 39(7): 2689-2698. |
| [15] | Ma M C, Gao Y, Wang Y H, et al. Substantial ozone enhancement over the North China Plain from increased biogenic emissions due to heat waves and land cover in summer 2017[J]. Atmospheric Chemistry and Physics, 2019, 19(19): 12195-12207. DOI:10.5194/acp-19-12195-2019 |
| [16] |
刘妍妍, 杨雷峰, 谢丹平, 等. 湖南省臭氧污染基本特征分析及长期趋势变化主控因素识别[J]. 环境科学, 2022, 43(3): 1246-1255. Liu Y Y, Yang L F, Xie D P, et al. Analysis of ozone pollution spatio-temporal evolution characteristics and identification of its long-term variation driving factor over Hunan Province[J]. Environmental Science, 2022, 43(3): 1246-1255. |
| [17] |
陈颖, 张冬峰, 王林, 等. RegCM4对华北区域21世纪气候变化预估研究[J]. 干旱气象, 2022, 40(1): 1-10. Chen Y, Zhang D F, Wang L, et al. Estimation of climate change in the 21st century in North China by RegCM4[J]. Journal of Arid Meteorology, 2022, 40(1): 1-10. |
| [18] |
敖雪, 赵春雨, 崔妍, 等. 中国东北地区气温变化的模拟评估与未来情景预估[J]. 气象与环境学报, 2021, 37(1): 33-42. Ao X, Zhao C Y, Cui Y, et al. Evaluation and projection of temperature change in Northeast China[J]. Journal of Meteorology and Environment, 2021, 37(1): 33-42. |
| [19] |
王莹, 马红云, 李海俊. 长三角城市群夏季高温对未来全球增暖的响应[J]. 气象科学, 2021, 41(3): 285-294. Wang Y, Ma H Y, Li H J. Responses of summer high temperature of urban agglomeration in Yangtze River Delta to global warming in the future[J]. Journal of the Meteorological Sciences, 2021, 41(3): 285-294. |
| [20] |
张天奇, 高阳. 气候变化和污染源对中国华北地区臭氧的影响[J]. 中国海洋大学学报, 2021, 51(3): 100-109. Zhang T Q, Gao Y. The impact of climate change and emissions on ozone in North China[J]. Periodical of Ocean University of China, 2021, 51(3): 100-109. |
| [21] |
高达, 谢旻, 陈星, 等. 气候变化对长三角臭氧污染影响的数值模拟研究[J]. 装备环境工程, 2019, 16(6): 115-122. Gao D, Xie M, Chen X, et al. Numerical modeling of effects of climate change on air quality in the Yangtze river delta region[J]. Equipment Environmental Engineering, 2019, 16(6): 115-122. |
| [22] |
符传博, 周航. 中国城市臭氧的形成机理及污染影响因素研究进展[J]. 中国环境监测, 2021, 37(2): 33-43. Fu C B, Zhou H. Research progress on the formation mechanism and impact factors of urban ozone pollution in China[J]. Environmental Monitoring in China, 2021, 37(2): 33-43. |
| [23] | Gao Y, Fu JS, Drake J B, et al. The impact of emissions and climate change on ozone in the United States under Representative Concentration Pathways (RCPs)[J]. Atmospheric Chemistry and Physics, 2013, 13(4): 11315-11355. |
| [24] | Fiore A M, Naik V, Leibensperger E M. Air quality and climate connections[J]. Journal of the Air & Waste Management Association, 2015, 65(6): 645-685. |
| [25] |
沈永平, 王国亚. IPCC第一工作组第五次评估报告对全球气候变化认知的最新科学要点[J]. 冰川冻土, 2013, 35(5): 1068-1076. Shen Y P, Wang G Y. Key findings and assessment results of IPCC WGI fifth assessment report[J]. Journal of Glaciology and Geocryology, 2013, 35(5): 1068-1076. |
| [26] | Sun J, Fu J S, Huang K, et al. Estimation of future PM2.5-and ozone-related mortality over the continental United States in a changing climate: an application of high-resolution dynamical downscaling technique[J]. Journal of the Air & Waste Management Association, 2015, 65(5): 611-623. |
| [27] | Hou P, Wu S L. Long-term changes in extreme air pollution meteorology and the implications for air quality[J]. Scientific Reports, 2016, 6. DOI:10.1038/srep23792 |
| [28] | Yahya K, Campbell P, Zhang Y. Decadal application of WRF/chem for regional air quality and climate modeling over the U.S. under the representative concentration pathways scenarios. Part 2: current vs. future simulations[J]. Atmospheric Environment, 2017, 152: 584-604. |
| [29] | Zhang J X, Gao Y, Luo K, et al. Impacts of compound extreme weather events on ozone in the present and future[J]. Atmospheric Chemistry and Physics, 2018, 18(13): 9861-9877. |
| [30] | Hong C P, Zhang Q, Zhang Y, et al. Multi-year downscaling application of two-way coupled WRF v3.4 and CMAQ v5.0.2 over east Asia for regional climate and air quality modeling: model evaluation and aerosol direct effects[J]. Geoscientific Model Development, 2017, 10(6): 2447-2470. |
| [31] |
徐忠峰, 韩瑛, 杨宗良. 区域气候动力降尺度方法研究综述[J]. 中国科学: 地球科学, 2019, 62(3): 487-498. Xu Z F, Han Y, Yang Z L. Dynamical downscaling of regional climate: a review of methods and limitations[J]. Science China Earth Sciences, 2019, 62(2): 365-375. |
| [32] | Oh S G, Park J H, Lee S H, et al. Assessment of the RegCM4 over East Asia and future precipitation change adapted to the RCP scenarios[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(6): 2913-2927. |
| [33] | Bruyère CL, Done JM, Holland GJ, et al. Bias corrections of global models for regional climate simulations of high-impact weather[J]. Climate Dynamics, 2014, 43(7-8): 1847-1856. |
| [34] | Hu J L, Chen J J, Ying Q, et al. One-year simulation of ozone and particulate matter in Chinausing WRF/CMAQ modeling system[J]. Atmospheric Chemistry and Physics, 2016, 16(16): 10333-10350. |
| [35] | Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: a review[J]. National Science Review, 2017, 4(6): 834-866. |
| [36] | Guenther A, Karl T, Harley P, et al. Estimates of global terrestrial isoprene emissions using MEGAN (Model of Emissions of Gases and Aerosols from Nature)[J]. Atmospheric Chemistry and Physics, 2006, 6(11): 3181-3210. |
| [37] | Wiedinmyer C, Akagi SK, Yokelson RJ, et al. The Fire INventory from NCAR (FINN): a high resolution global model to estimate the emissions from open burning[J]. Geoscientific Model Development, 2011, 4(3): 625-641. |
| [38] | Emery C, Liu Z, Russell AG, et al. Recommendations on statistics and benchmarks to assess photochemical model performance[J]. Journal of the Air & Waste Management Association, 2017, 67(5): 582-598. |
| [39] |
王苗, 刘敏, 任永建. 基于高分辨率模拟数据RCP4.5情景下的华中区域气候变化预估[J]. 气象与环境学报, 2021, 37(3): 65-72. Wang M, Liu M, Ren Y J. Projection of climate change over Centre China by high-resolution simulation data under RCP4.5 scenario[J]. Journal of Meteorology and Environment, 2021, 37(3): 65-72. |
| [40] | Kuo C C, Gan T Y, Wang J W. Climate change impact to Mackenzie river Basin projected by a regional climate model[J]. Climate Dynamics, 2020, 54(7): 3561-3581. |
| [41] |
云翔, 程嘉艺, 李庆祥. CMIP5气候模式对亚洲升温幅度的模拟与预估[J]. 气象, 2020, 46(2): 145-157. Yun X, Cheng J Y, Li Q X. Estimation of CMIP5 multi-mode on the extent of rise in air temperature in Asia[J]. Meteorological Monthly, 2020, 46(2): 145-157. |
| [42] |
肖登攀, 赵彦茜, 柏会子, 等. CMIP5全球气候模式对华北平原气候的模拟和预估[J]. 地理与地理信息科学, 2020, 36(2): 75-82. Xiao D P, Zhao Y X, Bai H Z, et al. Simulation and projection of climate change in North China plain by CMIP5 multi-model[J]. Geography and Geo-Information Science, 2020, 36(2): 75-82. |
| [43] |
李娟, 闫会平, 朱志伟. 中国夏季极端气温与降水事件日数随平均气温变化的定量分析[J]. 高原气象, 2020, 39(3): 532-542. Li J, Yan H P, Zhu Z W. Quantitative analysis of changes of summer extremes temperature and precipitation days over China with respect to the mean temperature increase[J]. Plateau Meteorology, 2020, 39(3): 532-542. |
| [44] | Tao H R, Xing J, Pan G F, et al. Impact of anthropogenic heat emissions on meteorological parameters and air quality in Beijing using a high-resolution model simulation[J]. Frontiers of Environmental Science & Engineering, 2022, 16(4). DOI:10.1007/s11783-021-1478-3 |
| [45] | Wang T, Xue L K, Brimblecombe P, et al. Ozone pollution in China: a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2017, 575. DOI:10.1016/j.scitotenv.2016.10.081 |
| [46] | Li Y P, Zhang Z C, Xing Y S. Long-Term change analysis of PM2.5 and ozone pollution in China's most polluted region during 2015-2020[J]. Atmosphere, 2022, 13(1). DOI:10.3390/atmos13010104 |
| [47] |
罗瑞雪, 刘保双, 梁丹妮, 等. 天津市郊夏季的臭氧变化特征及其前体物VOCs的来源解析[J]. 环境科学, 2021, 42(1): 75-87. Luo R X, Liu B S, Liang D N, et al. Characteristics of ozone and source apportionment of the precursor VOCs in Tianjin suburbs in summer[J]. Environmental Science, 2021, 42(1): 75-87. |
| [48] | Liu S, Xing J, Zhang H L, et al. Climate-driven trends of biogenic volatile organic compound emissions and their impacts on summertime ozone and secondary organic aerosol in China inthe 2050s[J]. Atmospheric Environment, 2019, 218. DOI:10.1016/j.atmosenv.2019.117020 |
| [49] |
姜华, 高健, 李红, 等. 我国大气污染协同防控理论框架初探[J]. 环境科学研究, 2022, 35(3): 601-610. Jiang H, Gao J, Li H, et al. Preliminary research on theoretical framework of cooperative control of air pollution in China[J]. Research of Environmental Sciences, 2022, 35(3): 601-610. |