PLAM–空气质量的气象污染指数及其在华北雾霾预报中的应用外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

PLAM--空气质量的气象污染指数及其在华北雾霾预报中的应用

Y.Q.Yang1，J.Z.Wang1，S.L.Gong1，X.Y. Zhang1，H.Wang1，Y.Q. Wang1，J.Wang2，D.Li3，J.P.Guo1

1中国气象科学研究院（CAMS）中国气象局大气化学研究所/大气化学重点实验室，北京100081

2国家气象信息中心，中国气象局，北京，100081

3国家气候中心，中国气象局，北京，100081

通讯作者：S. L. Gong（sunling@camscma.cn）和J. Z. Wang（wjz@camscma.cn）

收到日期：2014年12月11日 - 在Atmos发布。化学。物理学。讨论：2015年3月25日

修订日期：2016年1月5日 - 接受日期：2016年1月6日 - 发布日期：2016年2月8日

摘要：利用地面气象观测资料和高分辨率辐射资料，探讨了大尺度低能见度和雾霾事件预测中PLAM / h指数（参数关联空气质量对气象条件/雾度）的应用情况。基于二维排放概率密度函数诊断模型，将气象污染指数PLAM的诊断和预测扩展到区域能见度雾霾强度。结果表明，在PLAM / h参数化方案中，将常规气象条件和排放因子的影响组合在一起对于提高华北雾霾天气的诊断识别能力是非常有效的。 PLAM / h与能见度观测值之间的四个季节（春，夏，秋，冬）的决定系数分别为0.76,0.80,0.96和0.86，所有显着性水平均超过0.001，表明PLAM / h来预测华北地区雾霾天气的季节变化和差异。高值相关区位于京津冀地区（北京，天津，河北），渤海湾边缘地区和河南南部 - 河南北部地区，表明PLAM / h指数与频繁发生的大雾天气分布有关，华北地区的霾天气和高值区的分布。通过对冬季和夏季大雾天气过程和大范围晴天过程的对比分析，发现PLAM / h指数24 h预报与能见度观测高度相关。因此，PLAM / h指数具有良好的识别，分析和预测能力。

1.引言

与二十世纪八十年代相比，近十年来北京和华北地区的雾霾污染事件显着增加。气象条件是影响当地气溶胶积聚的重要因素之一，并且导致低能见度天气频繁出现（Wang et al。，2002，2010）。与污染相关的大气动力学，热动力学和化学过程的合成影响分析以及雾霾预测的研究引起了很多关注。长期观测指出，近30年来，中国中部和东部地区的雾霾现象由于人为排放而变得越来越严重。在一些气象条件下，大气中的气溶胶粒子可以被激活成云雾凝聚核（CCN），参与云雾形成，这意味着现代雾霾已经涉及大量污染的气溶胶粒子（例如PM2：5）。为了减少雾霾的影响，作为强烈的天气灾害，需要特别关注大气气溶胶污染（Zhang et al。，2013）。三维数值模拟已经在不同程度上有所改善， （Gong et al。，2003; McKeen，2007; Moran，2009; Rigby等，2008; Zhang等，2009）。化学预测模型研究和预测通常面临世界各地及时排放数据的问题，因此限制了实现良好预测精度的能力。近几年来，通过分析大气环流的观测资料，球形气溶胶颗粒物（PM）和敏感气象参数的物理连接，开发了空气质量参数化诊断预测方法。研究结果表明，空气质量气象指数PLAM（空气质量与气象条件参数）在北京2008年北京奥运会期间应用于北京空气质量预测中取得了合理的结果。近年来，国内外都采用气象条件PLAM指数对空气质量进行了识别和预测研究（Zhang等，2009;Honoreacute;等，2008; Li等，2010; Kassomenos等， 2008; Yang等，2009; Wang等，2013）。研究表明，气象条件PLAM指数对排放的贡献是非常重要的，因为排放（Zhang等，2009; Wang等，2012）对不同地区的空气质量区域分布有显着影响。然而，关于空气质量气象指数排放贡献的研究很少，包括其定量表达，物理机制和诊断预测。这对建立大规模高值PM2：5和低能见度天气的关系和机制尤为重要。

本文在参数化气象条件法的基础上，探讨了排放与气象条件的相互影响，并且研究了气象条件PLAM指数在定量识别，诊断和分析等方面的结构和功能。预报大面积雾霾天气。

2.数据及方法

本文使用近实时（NRT）运行数据，包括地面观测数据，从中提取与气象条件影响有关的要素，如大气温度，温差和露点，云层，天气现象，空气压力，风向，速度和能见度，以及高层探测资料，以及大气成分观测系统台站的数据。分析了包括高分辨率发射数据在内的多源数据，研究了气象条件PLAM指数识别方法，用于预报大范围低能见度和雾霾。

2.1湿等效电位温度的分析，e，均匀空气质量的特征

空气质量和气象条件的影响密切相关。通常情况下，不同的气团结构可能导致气象条件的显着差异。研究指出，针对对空气质量的影响，分析和区分哪种空气质量控制和影响当地是非常重要的;鉴定不同类型的气团，包括海洋，大陆或大气气团的大气气溶胶特征的差异;并考虑识别停滞的气团。湿等效电位温度e的性质可以用来区分气团的类型，因为e包括干和湿绝热过程，提升冷凝和下沉，以及其他动态和热力学过程大气。湿等效位温的等式为：

若潜在温度

则是以开尔文为单位的。 w，Cp，L，Rd，P，T代表混合比例，恒压比热（Cp D 1.005 J g 1 C 1），水蒸汽冷凝潜热（L D 2500.6 J g 1），气体常数（Rd D 2.87 10 1 J g 1度1），气压和温度。

2.2大气过程诊断与预测的参数化方法

大气微观物理过程与大尺度过程的相互作用以及过程尺度的相互作用在雾霾转换过程以及大气污染过程中非常复杂。参数化方法的原理和主要思想是将不同尺度过程中难以描述的非线性关系与参数化方案联系起来。 Kuo（1961,1965，1974）的研究表明，云物理中的微观过程可以用大规模观测的参数化方案来描述。基于拉格朗日方法，可以跟踪流体颗粒群随时间的变化，即识别气团的“停滞且变化少”状态。在大气颗粒运动中，湿当量位能温度（空间 - 时间总导数）的个体变化成为一个小的值或零，这意味着很小的变化。因此，根据空气湿相当位温度“停滞不变”特性即de = dt 0的基本物理过程，可以得出“停滞不定”的空气质量变化趋势变化少“的气团可以被诊断和预测。最近开发的参数化气象条件的空气质量诊断（Yang等人，2009; Zhang等人，2009; Wang等人，2012）PLAM指数描述如下：

是湿当量位温度，Eq.（1）. fc是湿空气冷凝率：

fcd是干燥空气冷凝速度：

是干绝热递减率：

最后，qs是特定的湿度。 所有其他变量与上面提到的相同。

方程（3）表明，基于气团湿当量位温的时空变化的参数化方法在分析，诊断和预测空气质量变化方面具有实际应用前景。 本文的目的是进一步讨论PLAM0指数对气溶胶污染浓度累积增加和大气雾霾天气的影响和识别，并且研究使用参数化方法改进诊断和预测的可能性 有关大型灾难性雾霾天气的能力。

2.3大气排放对PLAM指数的贡献和影响

考虑到与大气气溶胶（如细颗粒，PM2：5）密切相关的大气雾霾的诊断和预报分析，将气象参数PLAM0与排放贡献相结合非常重要。 为了将与大气压力，温度，湿度，凝结等有关的初始气象条件与大气中污染物排放因子p的贡献结合起来，识别参数用方程 （7）（Wang et al。，2012）：

这个因子进一步扩大了PLAM指数的应用范围，并探讨了在区域大范围雾霾事件的形成和发展过程中，排放对指数的作用和影响的描述，即PLAM_haze（缩写为PLAM / H）。 因此，截至2010年的最新排放研究成果的分析已经被引入，包括工业，能源，运输，和人为排放源相结合的EPM2：5（单位：吨10）（图1a）。从图1a可以看出，工业，能源，交通和运输业的高值区由华北地区的人为排放源给予涉及（1）河北中部和南部（包括北京和天津），（2）中部和西部山东，（3）河南中部，（4）东部（4）湖北，（5）长江三角洲，（6）四川东部（成都平原）。所有这些高价值排放源对华北雾霾天气都有重大影响，不容忽视。

为了量化排放对PLAM指数的影响，其对周边地区影响的概率满足正态分布 - 即将周围气象条件和排放对周边环境的影响区分开来，总是各向同性的，影响概率高发射中心面积高于周围环境的中心面积，区域。因此，排放影响满足二维概率分布的形式，落入周围有限区域x-y平面的积分概率密度函数如下（Wang and Neumann，1985; Neumann and Mandal，1978）：

其中E是预测区域的排放源强度的标准化（标准化）等级，（0,1）定义为（E Emin / = Emax Emin），其中Emax和Emin分别是最大值和最小值 在所研究的影响区域（华北地区）指定季节的E排放值。 换言之，具有排放影响的指数增长率是P D 1 C P 0。然后，考虑排放对雾霾增加值的影响，并且Eq。（3）可以化成：

3.结果与讨论

3.1 PLAM指数中等排放贡献特征分析

有研究指出，同一地区的某些固定时间尺度（如一个月或一个海子）的排放量变化不大，但在不同地区差异很大。 为了分析区域辐射对雾霾等低能见度天气的贡献，基于不同地点和不同时间的气象观测资料，计算了区域和季节的可比标准化辐射强度（）周期。 图1a显示了高分辨率发射列表的分布。 图1b是基于图1的华北地区排放清单的标准化分布。

图1.高分辨率排放清单E分布（a）及其区域排放标准清单（b）。 PLAM指数分布忽略（c）并考虑（d）2014年2月26日08:00（UTCC8）华北地区的排放条件。

如图1b所示，可以看出：（1）北京，天津以及河北的中部和南部; （2）山东西部;（3）河南中部; （4）湖北东部;（5）长江三角洲; （6）四川东部为主要集中的高排放区，其圆形或椭圆形分布特征清晰可见。以2014年2月26日北京和华北地区罕见的大型大雾天气事件为例，讨论了考虑和忽略PLAM指数中排放贡献的差异。图1c和d显示了2014年2月26日08:00（UTCC8）在考虑和忽略华北地区排放条件下的PLAM指数分布。从图中可以看出，未考虑排放影响（图1c ），PLAM指数的分销中心分别是河北，北京，天津和部分湖北，河南和四川省。 PLAM指数分别为120,160,160和80（图1c）。图1d显示了发射影响的PLAM / h分布。上述四个PLAM / h指数高值区域分别具有180,180,180和160的值。 PLAM / h值随着高值的显着扩大而增加（图1d中的绿色椭圆）。

为了进一步讨论这种差异，图2显示了2014年2月26日中国北部673个台站24小时预报和PLAM / h指数的可见性的相关分析。为便于比较，相关分布PLAM / h和包括和排除排放因子的条件下的可见性叠加在一起。图2中考虑的发射显示为蓝色三角形，而忽略的发射标记为黄色圆形。各自的相关拟合线用红色实线和黄色虚线标出。从图2可以看出，无论排放贡献如何，2014年2月26日PLAM / h与可见度之间存在合理的相关性。然而，当考虑到排放时，决定系数（R2）从0.3675增加到0.3887，表明在PLAM / h中包含排放的重要性。

图2. PALM与2014年2月26日考虑和排除排放因子的可见性的相关性分析。

值得注意的是，在低值能见度范围内（可见光lt;10 km），无排放影响的PLAM / h指数值明显向低值区转移。相比之下，越接近高值能见度区域，这两种符号倾向于重叠的越多，这表明，如果没有排放，PLAM / h指数的预测值将会更小并且其与能见度的相关性将会减少，偏离合适的低值区线。

综上所述，上述对区域PLAM / h分布（图1）的分析以及PLAM / h与能见度的相关分布（图2）均表明，在气象条件与排放因子的综合影响下，随着指数值扩大到高值区，PLAM / h指数的能力显着增加;包括排放在内的PLAM / h指数对提高诊断和识别大雾霾天气的能力具有明显的影响。

3.2 PLAM / h指数的季节特征分析和能见度相关性

图3分别给出了四个典型的重雾霾天气过程中雾霾天气的分布情况，其中包括2011年4月14日春季的PLAM / h（a）和能见度（b），PLAM / h（c ）和2008年7月26日夏季案例的能见度（d），2011年10月30日秋季案例的PLAM / h（e）和可见度（f），以及2011年1月7日的冬季案件。

春季，2011年4月14日的PLAM / h指数低值区主要集中在华北地区。整个区域中四分之三的区域PLAM / h值lt;70。气象条件有利于污染物扩散。在河南中部，河北南部，京津和河北北部有一个PLAM / h相对高值区，PLAM / h 80.此外，沿海地区还有一个高值区，相当于华北南部海雾易发区。高PLAM / h值与低值能见度区域相匹配，而大规模PLAM / h低值区域与高值能见度区域相匹配。

夏季2008年8月26日08:00（UTCC8）案例显示，华北地区是一个大型PLAM / h高值区，其中心呈南北分布：（1）东部

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[23499]，资料为PDF文档或Word文档，PDF文档可免费转换为Word