唐穎瀟,秦明月,蔡子穎*,楊 旭

基于松弛逼近方法的天津PM2.5延伸期數(shù)值預(yù)報研究

唐穎瀟1,秦明月2,蔡子穎1*,楊 旭1

(1.天津市環(huán)境氣象中心,天津 300074；2.國家海洋信息中心,天津 300171)

在現(xiàn)有天津延伸期空氣質(zhì)量數(shù)值預(yù)報系統(tǒng)(CFS/WRF-Chem)的基礎(chǔ)上,引入Nudging技術(shù)約束模式積分過程,開展Grid Nudging和Spectral Nudging敏感性試驗.通過張弛波數(shù)、張弛時間、張弛變量等參數(shù)的最優(yōu)化方案測試,提升Nudging技術(shù)在天津秋冬季PM2.5延伸期數(shù)值預(yù)報中的適用性,以期有效提升天津秋冬季10～45d空氣質(zhì)量趨勢預(yù)測的準(zhǔn)確性.研究結(jié)果表明:與未采用Nudging技術(shù)的延伸期空氣質(zhì)量數(shù)值模式預(yù)報相比,使用Nudging技術(shù)后,無論是Grid Nudging還是Spectral Nudging,延伸期空氣質(zhì)量預(yù)報效果均得以提升.逐日預(yù)報與實況PM2.5質(zhì)量濃度的相關(guān)系數(shù)由未采用Nudging技術(shù)的0.1分別提高至Grid Nudging的0.35和Spectral Nudging的0.43,PM2.5等級預(yù)報準(zhǔn)確率由33%分別提高至47%和44%.相比Grid Nudging和Spectral Nudging方案的選擇,張弛波數(shù)、截斷波長和張弛變量等參數(shù)最優(yōu)配置對Nudging技術(shù)運(yùn)用更為關(guān)鍵. Grid Nudging技術(shù)中張弛系數(shù)5×10-5,張弛時間尺度6h,張弛變量--uv為最優(yōu);Spectral Nudging技術(shù)中張弛波數(shù)1,截斷波長1800km,張弛變量--uv最優(yōu).即使采用Nudging技術(shù),延伸期PM2.5質(zhì)量濃度逐日預(yù)報仍有很大的不確定性,其更適合趨勢(增加或者下降)預(yù)測.從候與候之間PM2.5濃度變化趨勢結(jié)果分析,未采用Nudging技術(shù)時,預(yù)報準(zhǔn)確率為50%,采用Grid Nudging提高至75%,采用Spectral Nudging可提高至88%,Spectral Nudging的預(yù)報結(jié)果略優(yōu),且可以有效支撐延伸期PM2.5候分辨率尺度空氣質(zhì)量趨勢預(yù)測.

天津；松弛逼近方法；延伸期PM2.5數(shù)值預(yù)報；WRF-Chem

隨著《大氣污染防治行動計劃》和《打贏藍(lán)天保衛(wèi)戰(zhàn)三年行動計劃》深入實施,我國環(huán)境空氣質(zhì)量逐年改善.在大氣污染防控調(diào)度中,基于氣象條件的空氣質(zhì)量預(yù)報和重污染預(yù)警在其中發(fā)揮積極作用.大氣污染事件的發(fā)生往往是不利氣象條件和污染物排放共同作用的結(jié)果[1-4].在一定時期內(nèi)排放相對穩(wěn)定的情況下,污染形成、累積更多受氣象條件影響,研究顯示氣象因子的日變化可以解釋50%的PM2.5變化[5].由于大氣污染變化與氣象條件密切相關(guān),以及氣象條件的可預(yù)測性,為空氣質(zhì)量預(yù)報提供了可能[6-7].根據(jù)預(yù)報方法和預(yù)報時效,氣象和氣候預(yù)測一般可分為短時預(yù)報(24h),短期預(yù)報(1～3d),中期預(yù)報(4～10d),延伸期預(yù)報(10～40d),月預(yù)測、季預(yù)測和年預(yù)測.與之對應(yīng),生態(tài)環(huán)境部門和氣象部門聯(lián)合全國重點城市從2013年開始開展了基于AQI的短期空氣質(zhì)量預(yù)報,且隨著能力逐漸提升發(fā)展至短中期預(yù)報和延伸期月污染過程預(yù)測.因此,不斷提高未來7～10d區(qū)域污染過程預(yù)報準(zhǔn)確率,以及研究提升未來月尺度區(qū)域空氣質(zhì)量趨勢預(yù)測能力是現(xiàn)階段空氣質(zhì)量預(yù)報預(yù)測技術(shù)發(fā)展的難點,也是實際大氣污染防治中迫切需求的技術(shù).

近年隨著數(shù)值預(yù)報技術(shù)和超級計算機(jī)的發(fā)展,數(shù)值模式在空氣質(zhì)量預(yù)報中發(fā)揮了越來越重要的作用.如CAMx、WRF-Chem及CMAQ作為三代大氣化學(xué)模式典型代表,在0～10d空氣質(zhì)量預(yù)報中均表現(xiàn)出不錯的性能[8-10].隨著預(yù)報時效的延長,對于延伸期的空氣質(zhì)量預(yù)報,其不確定性必然超過短中期預(yù)報,但也成為新技術(shù)和產(chǎn)品開發(fā)的熱點,包括中國氣象局[11-12]、四川[13]和上海[14]等單位和地區(qū)基于數(shù)值模式和客觀分型等相關(guān)統(tǒng)計方法, 實現(xiàn)全國和不同地區(qū)的環(huán)境氣象延伸期預(yù)報技術(shù).天津環(huán)境氣象中心于2021年搭建了延伸期空氣質(zhì)量數(shù)值預(yù)報系統(tǒng)(CFS/WRF-Chem),模式水平分辨率15km,可以提供10～45d天津及周邊地區(qū)PM2.5質(zhì)量濃度變化趨勢.但是這些研究均表現(xiàn)出延伸期空氣質(zhì)量預(yù)報較強(qiáng)的不確定性,以及現(xiàn)有技術(shù)和產(chǎn)品的不足.分析原因,其可能為在直接使用全球再分析數(shù)據(jù)驅(qū)動數(shù)值模式的過程中,隨著模式的連續(xù)積分,往往使得模擬結(jié)果逐漸偏離模式大尺度背景場[15-16].

為應(yīng)對這種情況,松弛逼近方法(Nudging)得以發(fā)展,這項技術(shù)主要是通過在模式側(cè)邊界上增加松弛項,以約束模式積分過程,松弛項根據(jù)分析場和預(yù)報場的偏差以反比例的指數(shù)形式在時間上調(diào)整模式狀態(tài),從而使得積分過程向著強(qiáng)迫場逼近[17-18]. Nudging方法最早由Hoke等[19]提出,并在氣象預(yù)報中廣泛運(yùn)用,也常應(yīng)用于延伸期氣象要素的預(yù)報[20-21].Nudging方法在空氣質(zhì)量預(yù)報領(lǐng)域的應(yīng)用,主要是采用Nudging源同化反演方法,從而對排放源進(jìn)行優(yōu)化,減少模式預(yù)報結(jié)果與實際觀測濃度的誤差[22-23].一種是基于模式的自適應(yīng)Nudging源反演方法[24],一種則是基于源清單Nudging修正方法[25],以提高模式污染物濃度預(yù)報的準(zhǔn)確率.而通過Nudging方法改進(jìn)氣象場,也能夠進(jìn)一步優(yōu)化空氣質(zhì)量的模擬效果.可以在模式中Nudging自動氣象站觀測資料,以此通過氣象場的改善使得PM2.5濃度的模擬效果的改善[26].這些研究主要是通過同化觀測資料的方式實現(xiàn)對模擬結(jié)果的改進(jìn).在延伸期空氣質(zhì)量的預(yù)報中,則需要考慮從動力學(xué)的角度約束模式的積分過程,進(jìn)而改進(jìn)預(yù)報效果,以實現(xiàn)業(yè)務(wù)化運(yùn)行.

本研究在現(xiàn)有天津延伸期空氣質(zhì)量數(shù)值預(yù)報系統(tǒng)(CFS/WRF-Chem)的基礎(chǔ)上,引入Nudging技術(shù)約束模式積分過程,開展Grid Nudging和Spectral Nudging敏感性試驗,通過張弛波數(shù)、張弛時間、張弛變量和截斷波長等參數(shù)的最優(yōu)化方案測試,提升Nudging技術(shù)在天津秋冬季PM2.5延伸期數(shù)值預(yù)報中的適用性,以期有效提升天津秋冬季10～45d空氣質(zhì)量趨勢預(yù)測的準(zhǔn)確性,更好地支撐天津地區(qū)延伸期空氣質(zhì)量預(yù)報工作的開展,并為其他城市空氣質(zhì)量預(yù)報工作提供參考.

1 材料與方法

1.1 監(jiān)測數(shù)據(jù)

污染物濃度數(shù)據(jù)來源于天津市環(huán)境空氣質(zhì)量監(jiān)測網(wǎng)絡(luò)國控評價點,包括天津地區(qū)21個點位逐小時PM2.5、PM10、SO2、NO2、O3和CO質(zhì)量濃度.

1.2 大氣化學(xué)模式和CFS氣象場

WRF-Chem模式是NCAR和NOAA聯(lián)合其他研究機(jī)構(gòu)共同開發(fā)的大氣化學(xué)模式,在空氣質(zhì)量模擬和預(yù)報中得到廣泛應(yīng)用[27-29].本研究采用WRF-Chem3.8.1版本,氣相化學(xué)過程采用CBMZ機(jī)制,氣溶膠過程采用MOSAIC模型,積云對流方案采用GRELL-3D,微物理過程采用WSM5,長波輻射方案和短波輻射方案均采用RRTMG,考慮氣溶膠直接輻射反饋,邊界層方案使用YSU方案,模式所模擬的天津以外地區(qū)人為排放源清單使用清華大學(xué)MEIC2020排放源清單,分辨率0.25°×0.25°,在天津地區(qū)使用2020年源譜調(diào)查排放源清單數(shù)據(jù),其分辨率為1km,模式水平分辨率15km,水平網(wǎng)格121×121,中心經(jīng)緯度為39N°,117E°,垂直方向分為41層.

圖1 監(jiān)測點位分布示意

天津延伸期空氣質(zhì)量數(shù)值預(yù)報系統(tǒng)(CFS/ WRF-Chem)由CFS(The Climate Forecast System)氣象場驅(qū)動,CFSv2是美國環(huán)境預(yù)報中心(NECP)研發(fā)完全耦合氣候預(yù)報系統(tǒng),包含大氣、陸面和海洋模式[30].提供29a(1982～2010年)的歷史回報數(shù)據(jù),于2011年3月提供業(yè)務(wù)化預(yù)報.具有3種不同預(yù)報長度且時間分辨率為6h的預(yù)報產(chǎn)品:4個時段(00:00、06:00、12:00和18:00),預(yù)報長度為9個月的預(yù)報;1個時段(00:00)預(yù)報長度為1個季度的預(yù)報(約123d);3個時段(06:00、12:00和18:00)預(yù)報長度為45d的預(yù)報[31].本研究開展Grid Nudging和Spectral Nudging敏感性試驗,設(shè)計情景方案23組,選用2019年12月5日12:00起報案例作為研究對象,預(yù)報時效為45d, spinup時間為24h,每24h輸入一次CFSv2氣象場, Nudging時間為45d,模擬時間段為2019年12月5日～2020年1月18日.

1.3 Nudging技術(shù)

Nudging技術(shù)的基本思路是在數(shù)值模式積分指定時刻,在預(yù)報方程中增加一個附加項,即預(yù)報值與分析值之差的松弛項,使得方程的解逼近分析值,從而實現(xiàn)對預(yù)報結(jié)果的約束[32～33].本研究主要使用Grid Nudging和Spectral Nudging這兩種方法.

Grid Nudging方法的基本思路是在方程中加入額外的逼近項,即在每個格點上將模式結(jié)果逼近到時間插值后的分析場,從而實現(xiàn)對模式場的調(diào)整,其公式如下:

式中:為模式的積分變量;為時間;()為物理強(qiáng)迫項;G為控制松弛大小的時間尺度因子;W為附加的四維權(quán)重系數(shù);0是通過臨近時刻插值后的時空分析場,以此實現(xiàn)逼近模式解[32].在WRF模式中,可以是風(fēng)的經(jīng)緯向分量(uv)、位溫()或者水汽混合比().Nudging不同變量時,通過公式(1)產(chǎn)生影響,并通過模式內(nèi)部方程約束,實現(xiàn)其他要素的更新. Nudging強(qiáng)度或者Nudging系數(shù),被Nudging時間尺度所控制.Nudging時間尺度越小,Nudging強(qiáng)度越強(qiáng),變量越接近0.

Spectral Nudging利用波譜法,設(shè)置波數(shù)通過快速傅里葉分析將資料轉(zhuǎn)化進(jìn)行波譜分析,在空間中過濾掉大于設(shè)置波數(shù)的高頻波,保留大尺度的低頻波,然后按照一定權(quán)重,把低頻波加到模式預(yù)報場,從而可以將模擬狀態(tài)不斷靠近大尺度驅(qū)動狀態(tài),較好地減小大尺度誤差,避免了過多的高頻資料被大尺度分析場過渡修正[34-36].模式變量可自由發(fā)展中小尺度過程,同時又可以反應(yīng)出較小尺度的特性.其公式如下:

式中:變量的值由相鄰時刻的分析值內(nèi)插得到,可以是水平風(fēng)(uv)、位溫()或者位勢高度(ph);為時間;為模式的物理強(qiáng)迫項,G為Nudging系數(shù),它決定了模式中同化項相對于物理強(qiáng)迫中所有模式物理過程的大小;()為垂直方向上Nudging的權(quán)重系數(shù);0為再分析變量;K代表對于不同尺度的逼近系數(shù);k、k代表經(jīng)向和緯向的波矢量分量;、分別表示經(jīng)向和緯向上的波數(shù);、為經(jīng)向和緯向上的Nudging波數(shù),其值根據(jù)格距,格點數(shù)以及波長進(jìn)行計算而得,以此來調(diào)整模式的大尺度環(huán)流場,使其與真實強(qiáng)迫場保持一致.

為了對模式預(yù)報結(jié)果進(jìn)行檢驗,本研究使用相關(guān)系數(shù)R和Zs評分統(tǒng)計分析模式預(yù)報結(jié)果與實況的關(guān)系,其中Zs評分原本主要用于評價強(qiáng)降水過程預(yù)測的準(zhǔn)確性[37-38],而在本研究中則用于評價污染過程預(yù)測的準(zhǔn)確性.本研究將連續(xù)兩天空氣質(zhì)量水平為輕度及以上污染,或者單日空氣質(zhì)量水平為中度及以上污染,定義為污染過程或稱污染事件.所預(yù)測的污染過程與實際發(fā)生的污染過程允許存在兩日及以內(nèi)的偏差,實際發(fā)生的污染過程未出現(xiàn)在預(yù)測時段,則記為漏報1次;預(yù)測時段內(nèi)實際未發(fā)生污染過程,則記為空報1次;預(yù)報正確,記為正確1次.Zs評分的計算公式如下:

Zs=(預(yù)測正確的過程數(shù))/(預(yù)測正確過程數(shù)+

空報過程數(shù)+漏報過程數(shù))(3)

2 結(jié)果與討論

2.1 基于CFS氣象場的延伸期PM2.5濃度數(shù)值預(yù)報

以天津延伸期空氣質(zhì)量數(shù)值預(yù)報系統(tǒng)(CFS/WRF-Chem)2019年12月5日起報的45d預(yù)報產(chǎn)品為例開展模式預(yù)報產(chǎn)品評估研究.圖2(a)中給出了2019年12月5日～2020年1月18日期間天津地區(qū)PM2.5觀測日值濃度變化,可以看出模擬期間天津地區(qū)一共發(fā)生了5次污染事件,分別為2019年12月7～10日、12月22～23日、12月28～29日、2020年1月2～4日和1月15～18日,其中1月15～18日污染最為嚴(yán)重,PM2.5平均質(zhì)量濃度可達(dá)212.5 μg/m3,污染過程持續(xù)4d且污染程度均達(dá)到重度污染水平.圖2(a)中也給出基于CFSv2氣象場的PM2.5濃度數(shù)值預(yù)報情況.對比顯示,所預(yù)報的PM2.5質(zhì)量濃度整體偏高,尤其在非污染時段.同時,模式預(yù)報出6次污染事件,多于實況的5次,而預(yù)報與觀測的相關(guān)系數(shù)為0.1.根據(jù)我國《環(huán)境空氣質(zhì)量數(shù)值預(yù)報技術(shù)規(guī)范》(HJ 1130—2020)[39]的評估方法,對模式延伸期預(yù)報進(jìn)行檢驗,結(jié)果顯示PM2.5等級預(yù)報準(zhǔn)確率為33%.這說明CFS/WRF-Chem的延伸期空氣質(zhì)量預(yù)報產(chǎn)品在逐日精確預(yù)報上存在不足.考慮延伸期和氣候預(yù)報預(yù)測檢驗評估的特殊性,本文使用降水預(yù)報中常用的Zs評分來評估預(yù)報時段內(nèi)污染事件的影響,以達(dá)到對延伸期污染事件的預(yù)測.結(jié)果表明預(yù)報與實況的Zs評分為0.83,說明以氣象過程預(yù)測標(biāo)準(zhǔn), CFS/WRF-Chem在指導(dǎo)延伸期污染過程預(yù)報中能發(fā)揮一定作用.圖2(b)給出逐候(每5d)PM2.5濃度實況和預(yù)報對比情況,結(jié)果表明,模式預(yù)報出了第2～3候、第3～4候、第6～7候、第7～8候和第8～9候期間的濃度變化趨勢,逐候均方根誤差的結(jié)果顯示,第2、5、6和8候的均方根誤差相對較小,此時也對應(yīng)逐候預(yù)報趨勢正確的時段.根據(jù)Zs評分和逐候預(yù)報結(jié)果說明,基于CFSv2的延伸期模式能夠預(yù)報出45d內(nèi)近50%PM2.5濃度變化趨勢.

圖2 2019年12月5日～2020年1月18日PM2.5日值實況與預(yù)報濃度對比

(a)為逐日濃度對比情況,其中陰影部分為污染事件;(b)為逐候?qū)Ρ惹闆r

2.2 Nudging技術(shù)敏感性測試

Nudging技術(shù)主要分為Grid Nudging和Spectral Nudging,不同參數(shù)的設(shè)置對預(yù)報結(jié)果的影響存在一定差異,其主要調(diào)整的參數(shù)包括:張弛波數(shù)、張弛時間、張弛變量等.本節(jié)通過22組敏感性試驗對比分析確定不同參數(shù)設(shè)置下Nudging技術(shù)對CFS/WRF- Chem模式延伸期PM2.5質(zhì)量濃度預(yù)報影響,從而確定最優(yōu)方案,提升預(yù)報效果.圖3顯示不同參數(shù)設(shè)置下,基于Grid Nudging技術(shù)的模式預(yù)報PM2.5質(zhì)量濃度與實況對比情況,11組敏感性試驗(表1)表明:在考慮Nudging所有變量的情況下,使用Nudging系數(shù)為5×10-5,預(yù)報效果最佳,相關(guān)系數(shù)為0.35,Zs評分為0.8;使用Nudging系數(shù)為1.7×10-5,預(yù)報效果最差,相關(guān)系數(shù)為0.29,Zs評分為0.57.Nudging系數(shù)表征Nudging時間尺度,其數(shù)值與Nudging時間相對應(yīng),系數(shù)越小,時間尺度越長;反之,則越短.從不同系數(shù)設(shè)置的模式預(yù)報結(jié)果分析,并不是Nudging時間尺度越短越好;在Nudging系數(shù)從3×10-4變?yōu)?×10-4的過程中,相關(guān)系數(shù)減小,在系數(shù)為5×10-5時,相關(guān)系數(shù)再次提升,之后相關(guān)系數(shù)隨著系數(shù)減小而減小.這說明6h(系數(shù)為5×10-5)為最佳Nudging時間尺度,長于或者短于這個時間都將導(dǎo)致天津延伸期模式系統(tǒng)預(yù)報效果轉(zhuǎn)差.在使用最佳Nudging系數(shù)的情況下,開展不同變量組合的Nudging試驗,對于PM2.5濃度預(yù)報,僅Nudging一個變量的情況下,Nudging水平風(fēng)uv的效果最好,水汽混合比的效果最差.Nudging兩個變量時,Nudging位溫和水平風(fēng)-uv的試驗效果最佳,位溫和水汽混合比-的試驗效果最差.Nudging多變量的預(yù)報效果要優(yōu)于單變量,Nudging全部三個變量的預(yù)報結(jié)果最佳.

圖3 2019年12月5日～2020年1月18日基于Grid Nudging技術(shù)的逐日PM2.5濃度預(yù)報結(jié)果與實況對比

(a-e)為不同系數(shù)的試驗;(f-k)為不同變量組合的試驗

圖4為Grid Nudging試驗中逐候PM2.5實況和預(yù)報濃度對比情況.由圖顯示實況共出現(xiàn)3次污染,分別出現(xiàn)在第1、5、9候,Grid Nudging試驗中不同系數(shù)的試驗均預(yù)報出了第9候的污染,均未預(yù)報出第5候的污染.Nudging時間尺度為1h(系數(shù)為3×10-4)時,相關(guān)系數(shù)最高為0.54;時間尺度為12h(系數(shù)為2.5×10-5),相關(guān)系數(shù)最低,為0.29.所有系數(shù)的試驗均預(yù)報出了第1～2和7～8候的濃度下降,以及第3～4、6～7和8～9候的濃度上升.不同變量組合的試驗均預(yù)報出了第9候的污染.與逐日預(yù)報相似,只Nudging一個變量的情況下,Nudging水平風(fēng)uv的預(yù)報效果最佳,相關(guān)系數(shù)為0.43;Nudging水汽混合比的預(yù)報效果最差,為0.27.Nudging兩個變量的組合中,位溫和水平風(fēng)-uv的預(yù)報效果最佳,相關(guān)系數(shù)為0.47;位溫和水汽混合比-的預(yù)報效果最差,相關(guān)系數(shù)為0.34.所有關(guān)于變量的敏感性試驗均預(yù)報出了第1～2、7～8和8～9候的PM2.5質(zhì)量濃度下降,以及第3～4和6～7候的濃度上升.除Nudging位溫和水平風(fēng)的-uv試驗外,其他試驗均預(yù)報出了5～6候的濃度下降.對于候與候之間的PM2.5質(zhì)量濃度變化趨勢,Grid Nudging的11組敏感性試驗至少預(yù)報準(zhǔn)確率達(dá)63%,其中最優(yōu)方案預(yù)報準(zhǔn)確率達(dá)75%.相比未采用Nudging技術(shù)的CFS/WRF-Chem的50%預(yù)報準(zhǔn)確率,使用Nudging技術(shù)的模式預(yù)報PM2.5質(zhì)量濃度候趨勢準(zhǔn)確率有明顯改進(jìn).

表1 基于Gird Nudging不同敏感性試驗的相關(guān)參數(shù)設(shè)置和統(tǒng)計指標(biāo)

對Spectral Nudging技術(shù)來說,Nudging時間尺度的設(shè)置影響較小[40-41],因此,只考慮不同截斷波長和變量對預(yù)報結(jié)果的影響,并在相同的Nudging強(qiáng)度(Nudging系數(shù))情況下,測試Spectral Nudging對截斷波長的敏感性.研究表明,截斷波長越短,Nudging過程包含所有比所選截斷波長長的波就越多,在模式中,截斷波長對應(yīng)的設(shè)置是Nudging波數(shù),截斷波長越長,Nudging波數(shù)越少.由于網(wǎng)格經(jīng)緯度范圍限制,因此在本研究中,考慮最大經(jīng)向和緯向波數(shù)均為4.圖5給出了不同參數(shù)設(shè)置下,基于Spectral Nudging技術(shù)CFS/WRF-Chem逐日PM2.5預(yù)報情況,表2給出了基于Spectral Nudging技術(shù)的11組不同敏感性試驗的相關(guān)參數(shù)設(shè)置和統(tǒng)計指標(biāo).

圖4 2019年12月5日～2020年1月18日基于Grid Nudging技術(shù)的PM2.5濃度逐候預(yù)報結(jié)果與實況對比

(a-e)為不同系數(shù)的試驗;(f-k)為不同變量組合的試驗

圖5 2019年12月5日～2020年1月18日基于Spectral Nudging技術(shù)的逐日PM2.5濃度的預(yù)報結(jié)果與實況對比

(a-e)為不同波數(shù)的試驗;(f-k)為不同變量組合的試驗

圖5顯示波數(shù)從0～4時模式預(yù)報結(jié)果的變化.在考慮Nudging所有變量的情況下,使用Spectral Nudging波數(shù)為1,即波長為1800km時,預(yù)報效果最佳,相關(guān)系數(shù)為0.43,Zs評分為0.67;使用截斷波長為900km(波數(shù)2),預(yù)報效果最差,相關(guān)系數(shù)為0.22,Zs評分為0.67.從不同截斷波長的預(yù)報結(jié)果分析,并不是截斷波長越短(模式保留的波越多),預(yù)報結(jié)果越好.在截斷波長由長變短的過程,預(yù)報與實況的相關(guān)系數(shù)經(jīng)歷了2次升高,相比于不設(shè)置截斷波長,在1800km時,預(yù)報效果顯著提高;隨截斷波長變短,預(yù)報結(jié)果轉(zhuǎn)差,之后當(dāng)截斷波長為600km時,預(yù)報結(jié)果轉(zhuǎn)好,隨后預(yù)報結(jié)果再次轉(zhuǎn)差.在使用最佳截斷波長(1800km)的條件下,開展不同變量組合的Nudging試驗.結(jié)果顯示,只Nudging一個變量的情況下,水平風(fēng)uv的預(yù)報效果最好,位勢高度ph的效果最差;Nudging兩個變量時,位溫和水平風(fēng)-uv的效果最佳,位溫和位勢高度-ph的效果最差;與Grid Nudging試驗一樣,Nudging多變量的效果要優(yōu)于單變量,Nudging全部3個變量的預(yù)報結(jié)果最佳.

表2 基于Spectral Nudging技術(shù)不同敏感性試驗的相關(guān)參數(shù)設(shè)置和統(tǒng)計指標(biāo)

圖6為Spectral Nudging試驗逐候PM2.5實況濃度和預(yù)報濃度對比情況,實況在第1、5、9候發(fā)生污染,而不同Nudging波數(shù)試驗均預(yù)報出了第1和9候的污染,未預(yù)報出第5候的污染.與逐日預(yù)報結(jié)果相似,截斷波長為1800km時,相關(guān)系數(shù)最高,為0.68;未考慮截斷波長時,相關(guān)系數(shù)最低,為0.42.所有試驗均預(yù)報出了第1～2和7～8候的濃度下降,以及第3～4、6～7和8～9候的濃度上升.除截斷波長為600km的試驗外,其他試驗均預(yù)報出了第2～3候的濃度下降.僅有截斷波長600 和300km的試驗預(yù)報出5～6候的濃度下降.Nudging不同變量組合的試驗均預(yù)報出了第9候的污染,只Nudging一個變量的情況下,均預(yù)報出了第1候的污染.與逐日預(yù)報相似,只Nudging一個變量的情況下,Nudging水平風(fēng)uv的預(yù)報效果最佳,相關(guān)系數(shù)為0.62;Nudging位勢高度ph的預(yù)報效果最差,為0.41;Nudging兩個變量的試驗中, Nudging位溫和水平風(fēng)-uv的效果最佳,相關(guān)系數(shù)為0.62;Nudging位溫和位勢高度-ph的效果最差,相關(guān)系數(shù)為0.42.所有關(guān)于變量的敏感性試驗均預(yù)報出了第1～2、7～8和8～9候的濃度下降,以及第3～4和6～7候的濃度上升.僅Nudging位溫和-ph的試驗預(yù)報出了2～3候的濃度下降. 所有Spectral Nudging試驗均預(yù)報出了63%的濃度變化趨勢,其中Nudging所有變量,截斷波長為300km的試驗預(yù)報出了88%的濃度變化趨勢.

圖6 2019年12月5日～2020年1月18日基于Spectral Nudging技術(shù)的PM2.5濃度逐候預(yù)報結(jié)果與實況對比

(a-e)為不同波數(shù)的實驗;(f-k)為不同變量組合的試驗

2.3 Nudging-CFS/WRF-Chem模式45d預(yù)報結(jié)果檢驗

本研究中,PM2.5濃度預(yù)報效果的改進(jìn)是基于Nudging技術(shù)對氣象場的改進(jìn)而來.與未采用Nudging技術(shù)時的風(fēng)場預(yù)報結(jié)果相比,引入Nudging技術(shù)后,預(yù)報的日值風(fēng)速與實況的相關(guān)系數(shù)由原先的-0.04,提升為0.02～0.32,而對氣溫等改進(jìn)效果不明顯.其中Grid Nudging試驗中預(yù)報風(fēng)速與實況的相關(guān)系數(shù)為0.02～0.18,略低于Spectral Nudging的0.09～0.32.對逐候風(fēng)速的趨勢預(yù)測中,未采用Nudging技術(shù)時,趨勢預(yù)測的準(zhǔn)確率為50%,與PM2.5濃度逐候趨勢預(yù)測準(zhǔn)確率一致.Grid Nudging敏感性試驗中風(fēng)速逐候預(yù)測準(zhǔn)確率為50%～63%,而Spectral Nudging敏感性試驗中風(fēng)速逐候預(yù)測準(zhǔn)確率為50%～88%,對于逐候趨勢的預(yù)測Spectral Nudging仍舊要略優(yōu)于Grid Nudging.此外,Nudging技術(shù)對PM2.5濃度預(yù)報的改進(jìn)中,無論是Grid Nudging還是Spectral Nudging,僅Nudging水平風(fēng)uv時的改進(jìn)效果要優(yōu)于其他變量,說明風(fēng)場改進(jìn)對PM2.5濃度改進(jìn)最為明顯.通過與未采用Nudging技術(shù)的延伸期預(yù)報結(jié)果對比,風(fēng)速日值預(yù)報和逐候預(yù)測的改進(jìn)效果與PM2.5濃度的改進(jìn)效果相一致,這說明采用Nudging技術(shù)主要實現(xiàn)對風(fēng)場預(yù)報效果的改進(jìn),使得大范圍內(nèi)風(fēng)場預(yù)報效果得以改善,進(jìn)而改進(jìn)PM2.5濃度的預(yù)報效果.

在最優(yōu)Nudging參數(shù)設(shè)置的基礎(chǔ)上,基于Nudging-CFS/WRF-Chem模式開展45d預(yù)報試驗,評估PM2.5濃度預(yù)報結(jié)果表明:與未使用Nudging技術(shù)的預(yù)報結(jié)果相比,無論是Grid Nudging還是Spectral Nudging,相關(guān)系數(shù)都得到了顯著提高.對比Grid Nudging和Spectral Nudging逐日預(yù)報結(jié)果,逐日預(yù)報中使用Spectral Nudging相關(guān)系數(shù)更高,而Grid Nudging的Zs評分更高.從統(tǒng)計數(shù)據(jù)分析,Grid Nudging的11組方案PM2.5等級預(yù)報準(zhǔn)確率均值為38%～47%,Spectral Nudging的11組方案PM2.5等級預(yù)報準(zhǔn)確率均值為 33%～44%,兩者的最優(yōu)方案相比未采用Nudging的技術(shù)方案,PM2.5等級預(yù)報準(zhǔn)確率提升幅度均達(dá)到10%以上,這顯示Nudging技術(shù)在延伸期PM2.5數(shù)值預(yù)報中的重要性.從逐候趨勢預(yù)測分析,對于PM2.5污染趨勢的把握,Spectral Nudging的預(yù)報結(jié)果要略優(yōu)于Gird Nudging,未采用Nudging技術(shù)時,預(yù)報準(zhǔn)確率為50%,采用Grid Nudging最高提高至75%,采用Spectral Nudging最高可提高至88%.

在整體趨勢可靠的基礎(chǔ)上,Nudging-CFS/ WRF-Chem模式也體現(xiàn)出延伸期預(yù)報中一些無法解決的問題,一些過程的漏報和空報無法避免,如2019年12月28～29日的污染事件,僅Spectral Nudging試驗中截斷波長為600km的敏感性試驗有所體現(xiàn),其它敏感性則均存在漏報,其原因是多方面的,如與中短期預(yù)報的可靠性相比,延伸期的PM2.5數(shù)值預(yù)報僅僅是能提供參考,仍然需要一些氣候預(yù)測的統(tǒng)計手段去補(bǔ)充改進(jìn),如低頻濾波等等.

3 結(jié)論

3.1 天津延伸期空氣質(zhì)量數(shù)值預(yù)報系統(tǒng)CFS/ WRF-Chem 在逐日精確預(yù)報上存在不足,PM2.5預(yù)報和實況相關(guān)系數(shù)為0.1,但基于延伸期和氣候預(yù)測的評估指標(biāo),其Zs評分和逐候趨勢預(yù)測準(zhǔn)確率分別達(dá)到0.83和50%,可一定程度上支撐延伸期和月尺度PM2.5污染過程預(yù)測.

3.2 采用Grid Nudging和Spectral Nudging均可以有效的避免中尺度大氣化學(xué)模式氣象驅(qū)動場后期預(yù)報偏差的問題,其相較于未采用Nudging技術(shù)的CFS/ WRF-Chem模式,預(yù)報和實況相關(guān)系數(shù)由0.1提高至Grid Nudging的0.35和Spectral Nudging的0.43,PM2.5等級預(yù)報準(zhǔn)確率由33%分別提高至47%和44%.

3.3 相比Grid Nudging和Spectral Nudging技術(shù)方案選擇,其參數(shù)最優(yōu)配置對Nudging技術(shù)運(yùn)用更為關(guān)鍵,包括張弛波數(shù)、張馳時間和張弛變量等,這與模式分辨率、氣象驅(qū)動場分辨率、預(yù)報目標(biāo)要素均有關(guān)系,Nudging技術(shù)的運(yùn)用需要本地化的敏感測試,對于天津延伸期空氣質(zhì)量數(shù)值預(yù)報系統(tǒng)Nudging- CFS/WRF-Chem,運(yùn)用Grid Nudging技術(shù)時張弛系數(shù)5×10-5,張弛時間尺度6h,張弛變量--uv為最優(yōu);運(yùn)用Spectral Nudging技術(shù),張弛波數(shù)1,截斷波長1800km,張弛變量--uv最優(yōu).

[1] 林廷坤,洪禮楠,黃爭超,等.北京市秋冬季大氣環(huán)流型下的氣象和污染特征[J]. 中國環(huán)境科學(xué), 2019,39(5):1813-1822.Lin T K, Hong L N, Huang Z C, et al. Meteorological and pollution characteristics under atmospheric circulation types in autumn and winter in Beijing [J]. China Environmental Science, 2019,39(5):1813-1822.

[2] 呂夢瑤,張恒德,王繼康,等.2015年冬季京津冀兩次重污染天氣過程氣象成因[J]. 中國環(huán)境科學(xué), 2019,39(7): 2748-2757. Lü M Y, Zhang H D, Wang J K, et al. Analysis of meteorological causes of two heavily polluted weather processes in Beijing-Tianjin- Hebei Region in winter of 2015 [J]. China Environmental Science, 2019,39(7):2748-2757.

[3] 程念亮,李云婷,張大偉,等.2013年1月北京市一次空氣重污染成因分析[J]. 環(huán)境科學(xué), 2015,36(4):10. Cheng N L, Li Y T, Zhang D W, et al. Formation mechanism of a serious pollution event in January 2013 in Beijing [J]. Environmental Science, 2015,36(4):1154-1163.

[4] 蔡子穎,韓素芹,邱曉濱,等.基于WRF/Chem模式天津地區(qū)重污染天氣成因分析[J]. 高原氣象, 2019,38(5):12. Cai Z Y, Han S Q, Qiu X B, et al. 2019. Research on causes of severely polluted weather in Tianjin based on WRF/Chem [J]. Plateau Meteorology, 38(5):1108-1119.

[5] Tai A, Mickley L J, Jacob D J. Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: implications for the sensitivity of PM2.5to climate change [J]. Atmospheric environment, 2010,(32):3976-3984.

[6] He J, Gong S, Yu Y, et al. Air pollution characteristics and their relation to meteorological conditions during 2014～2015 in major Chinese cities [J]. Environmental Pollution, 2017,223:484-496.

[7] Zhang H, Wang Y, Hu J, et al. Relationships between meteorological parameters and criteria air pollutants in three megacities in China [J]. Environmental Research, 2015,140:242-254.

[8] Hossein S, Sajjad K, Vahid H, et al. A novel regression imputation framework for Tehran air pollution monitoring network using outputs from WRF and CAMx models [J]. Atmospheric Environment, 2018,187:24-33.

[9] 關(guān)攀博,周 穎,程水源,等.典型重工業(yè)城市空氣重污染過程特征與來源解析[J]. 中國環(huán)境科學(xué), 2020,40(1):31-40. Guan P B, Zhou Y, Cheng S Y, et al. Characteristics of heavy pollution process and source appointment in typical heavy industry cities [J]. China Environmental Science, 2020,40(1):31-40.

[10] 周廣強(qiáng),謝 英,吳劍斌,等.基于WRF-Chem模式的華東區(qū)域PM2.5預(yù)報及偏差原因[J]. 中國環(huán)境科學(xué), 2016,36(8):2251-2259. Zhou G Q, Xie Y, Wu J B, et al. WRF-Chem based PM2.5forecast and bias analysis over the East China Region [J]. China Environmental Science, 2016,36(8):2251-2259.

[11] 朱 蓉,張存杰,梅 梅.大氣自凈能力指數(shù)的氣候特征與應(yīng)用研究[J]. 中國環(huán)境科學(xué), 2018,38(10):3601-3610. Zhu R, Zhang C J, Mei M. The climate characteristics of atmospheric self-cleaning ability index and its application in China [J]. China Environmental Science, 2018,38(10):3601-3610.

[12] Wei Y, Chen X, Chen H, et al. IAP-AACM v1.0: a global to regional evaluation of the atmospheric chemistry model in CAS-ESM [J]. Atmospheric Chemistry and Physics, 2019,19(12):8269-8296.

[13] 楊欣悅,譚欽文,陸成偉,等.基于CFSv2的延伸期空氣質(zhì)量數(shù)值預(yù)報技術(shù)及效果評估[J]. 中國環(huán)境監(jiān)測, 2021,37(5):175-184. Yang X Y, Tan Q W, Lu C W, et al. Numerical prediction technology and effect evaluation of extended period air quality based on CFSv2 [J]. Environmental Monitoring in China, 2021,37(5):175-184.

[14] 常爐予,谷怡萱,周廣強(qiáng),等.長三角環(huán)境氣象預(yù)報預(yù)警中心,.華東區(qū)域環(huán)境氣象延伸期預(yù)報技術(shù)研發(fā)[Z]. 2020-09-24. Chang L Y, Gu Y X, Zhou G Q, et al. Yangtze River Delta Center for Environmental Meteorology Prediction and Warning, Forecast technology of environmental meteorological extended period in east China [Z]. 2020-09-24.

[15] Storch H V, Langenberg H, Feser F. A spectral nudging technique for dynamical downscaling purposes [J]. Mon.wea.rev, 2000,128(10): 3664-3673.

[16] Miguez M G, Stenchikow G L, Robock A. Spectral nudging to eliminate the effects of domain position and geometry in regional climate model simulations [J]. Journal of Geophysical Research: Atmospheres, 2004,109(D13):1025-1045.

[17] Salameh T, Drobinski P, Dubos T. The effect of indiscriminate nudging time on large and small scales in regional climate modelling: Application to the Mediterranean basin [J]. Quarterly Journal of the Royal Meteorological Society, 2010,136(646):170-182.

[18] Omrani H, Drobinski P, Dubos T. Investigation of indiscriminate nudging and predictability in a nested quasi-geostrophic model [J]. Quarterly Journal of the Royal Meteorological Society, 2012,138(662):158-169.

[19] Hoke J E, Anthes R. The initialization of numerical models by a dynamic-initialization technique [J]. 1976,104(12):1551-1556.

[20] 易 雪,李得勤,趙春雨,等.分析Nudging對遼寧地區(qū)降尺度的影響 [J]. 地球科學(xué)進(jìn)展, 2018,33(5):517-531. Yi X, Li D Q, Zhao C Y, et al. Assessment of dynamical climate downscaling methods using analysis nudging for Liaoning Area [J]. Advances in Earth Science, 2018,33(5):517-531.

[21] 李明妍,崔志強(qiáng),王澄海.Nudging方法對中國西北強(qiáng)降水過程的模擬試驗研究 [J]. 氣候與環(huán)境研究, 2017,22(5):563-573. Li M Y, Cui Z Q, Wang C H. A numerical simulation study on Heavy rain processes in Northwest China using the Nudging method [J]. Climatic and Environmental Research, 2017,22(5):563-573.

[22] Xu X, Xie L, Cheng X, et al. Application of an adaptive Nudging scheme in air quality forecasting in China [J]. Journal of Applied Meteorology and Climatology, 2008,47(8):2105-2114.

[23] Cheng X H, Xu X D, Ding G A. An emission source inversion model based on satellite data and its application in air quality forecasts [J]. Science China, 2010,53(5):752-762.

[24] 李嘉鼎,孟 凱,趙天良,等.基于CMAQ模式的自適應(yīng)“nudging”源反演方法的中國主要污染區(qū)排放特征分析[J]. 環(huán)境科學(xué)學(xué)報, 2020, 40(3):754-762. Li J D, Meng K, Zhao T L, et al. Air pollutant emission characteristics over major pollution areas in China based on adaptive "nudging" method with CMAQ model [J]. Acta Scientiae Circumstantiae, 2020, 40(3):754-762.

[25] 趙俊日,肖 昕,吳 濤,等.空氣質(zhì)量數(shù)值預(yù)報優(yōu)化方法研究[J]. 中國環(huán)境科學(xué), 2018,38(6):2047-2054. Zhao J R, Xiao X, Wu T, et al. A revised approach to air quality forecast based on Models-3/CMAQ [J]. China Environmental Science, 2018,38(6):2047-2054.

[26] 熊一帆,丁秋冀,舒卓智,等.基于數(shù)值模擬與資料同化探究長三角地區(qū)冬季PM2.5污染過程的氣象影響 [J]. 環(huán)境科學(xué)學(xué)報, 2022,42(4):293-303. Xiong Y F, Ding Q J, Shu Z Z, et al. The influence of meteorological parameters on particulate matter in the Yangtze River Delta Region based on numerical simulation and data assimilation [J]. Acta Scientiae Circumstantiae, 2022,42(4):293-303.

[27] 邱雨露,陳 磊,朱 佳,等.COVID-19管控期間氣象條件變化對京津冀PM2.5濃度影響 [J]. 環(huán)境科學(xué), 2022,43(6):2831-2839.Qiu Y L, Chen L, Zhu J, et al. Impacts of changes in meteorological conditions during COVID-19 lockdown on PM2.5concentrations over the Jing-Jin-Ji Region [J]. Environmental Science, 2022,43(6):2831-2839.

[28] Liang F, Meng G, Xiao Q, et al. Evaluation of a data fusion approach to estimate daily PM2.5levels in North China [J]. Environmental Research, 2017,158:54-60.

[29] Du Q, Zhao C, Zhang M, et al. Modeling diurnal variation of surface PM2.5concentrations over East China with WRF-Chem: impacts from boundary-layer mixing and anthropogenic emission [J]. Atmospheric Chemistry and Physics, 2020,(5):2839-2863.

[30] Saha S, Moorthi S, Wu X, et al. The NCEP climate forecast system version 2 [J]. Journal of climate, 2014,27(6):2185-2208.

[31] 郎 楊.CFSv2在中國區(qū)域的季節(jié)干旱可預(yù)報性研究[D]. 北京:北京師范大學(xué), 2015:1-40. Lang Y. CFSv2-based seasonal drought predictability in China [D]. Beijing: Beijing Normal University, 2015:1-40.

[32] Stauffer D R, Seaman N L. Use of four-dimensional data assimilation in a limited-area mesoscale model. Part I: Experiments with synoptic- scale data [J]. Monthly Weather Review, 1990,118(6):1250-1277.

[33] Glisan J M, Gutowski Jr W J, Cassano J J, et al. Effects of spectral nudging in WRF on Arctic temperature and precipitation simulations [J]. Journal of Climate, 2013,26(12):3985-3999.

[34] Waldron K M, Paegle J, Horel J D. Sensitivity of a spectrally filtered and nudged limited-area model to outer model options [J]. Monthly weather review, 1996,124(3):529-547.

[35] von Storch H, Langenberg H, Feser F. A spectral nudging technique for dynamical downscaling purposes [J]. Monthly weather review, 2000,128(10):3664-3673.

[36] Choi S J, Lee D K. Impact of spectral nudging on the downscaling of tropical cyclones in regional climate simulations [J]. Advances in Atmospheric Sciences, 2016,33(6):730-742.

[37] 陳伯民,梁 萍,信 飛,等.延伸期過程預(yù)報預(yù)測技術(shù)及應(yīng)用 [J]. 氣象科技進(jìn)展, 2017,7(6):82-91. Chen B M, Liang P, Xin F, et al. The extended-range process prediction technique and application [J]. Advances in Meteorological Science and Technology, 2017,7(6):82-91.

[38] 鄭廣芬,王素艷,楊建玲,等.基于前期海溫異常的寧夏5～9月候降水量客觀預(yù)測方法及檢驗評估 [J]. 干旱氣象, 2016,34(1):43-50.Zheng G F, Wang S Y, Yang J L, et al. Study on the objective prediction method and its vefificion and assessment for pentad precipitation from May to September in Ningxia based on the preceding SST anomaly [J]. Journal of Arid Meteorology, 2016,34(1):43-50.

[39] 生態(tài)環(huán)境部.環(huán)境空氣質(zhì)量數(shù)值預(yù)報技術(shù)規(guī)范:HJ1130—2020 [S]. 北京:中國環(huán)境出版社, 2020.

[40] Bullock Jr O R, Alapaty K, Herwehe J A, et al. An observation-based investigation of nudging in WRF for downscaling surface climate information to 12-km grid spacing [J]. Journal of Applied Meteorology and Climatology, 2014,53(1):20-33.

[41] Mai X, Ma Y, Yang Y, et al. Impact of Grid Nudging parameters on dynamical downscaling during summer over mainland China [J]. Atmosphere, 2017,8(10):184.

Numerical prediction technology of extended period PM2.5in autumn and winter in Tianjin based on Nudging method.

TANG Ying-xiao1, QIN Ming-yue2, CAI Zi-ying1*, YANG Xu1

(1.Tianjin Environmental Meteorological Center, Tianjin 300074, China；2.National Marine Data and Information Service, Tianjin 300074, China)., 2023,43(9)：4503～4511

Based on the Tianjin extended period Air Quality Numerical forecasting system (CFS/WRF-Chem), this study introduced Nudging technology to restrict the model integration process, and conducted sensitivity experiments by Grid Nudging and Spectral Nudging. Through the optimization scheme experiments of parameters such as Nudging wave number, Nudging time and Nudging variables, the improvement applicability of Nudging technology in the extended period PM2.5numerical prediction to effectively enhance the accuracy of air quality trend prediction for 10～45 days in autumn and winter in Tianjin. The results showed that: Compared to the extend period numerical model prediction without Nudging technology, no matter the Grid Nudging or Spectral Nudging, prediction improved after using Nudging technology. The correlation coefficient between daily prediction and observed PM2.5concentration increased from 0.1without Nudging technology to 0.35 by Grid Nudging and 0.43 by Spectral Nudging, and the prediction accuracy of PM2.5grade increased from 33% to 47% and 44%, respectively. Compared to the selection of Grid Nudging and Spectral Nudging scheme, the optimal configuration of parameters such as Nudging wave number, Nudging time and Nudging variables, was more critical to the application of Nudging technology. In Grid Nudging, the best prediction was the experiment by Nudging coefficient was 5×10-5, Nudging time was 6h, and Nudging variable was--uv. In Spectral Nudging, the best prediction is the experiment by Nudging wave number was 1, truncated wavelength was 1800km, and Nudging variable was--uv. Even using Nudging technology, there are still great uncertainties in the extended period daily PM2.5concentration prediction, which is more suitable for trend prediction (increase or decrease). According to the analysis of the PM2.5concentration trend between pentads, the prediction accuracy was 50% without Nudging technology, and increased to 75% by Grid Nudging, and 88% by Spectral Nudging. Spectral Nudging provided a slightly better prediction, which could effectively support the extended period PM2.5trend prediction by pentad resolution.

Tianjin；Nudging；numerical prediction technology of extended period PM2.5；WRF-Chem

X513

A

1000-6923(2023)09-4503-09

唐穎瀟(1990-),男,福建福安人,工程師,博士,主要研究方向為大氣環(huán)境與數(shù)值模式.發(fā)表論文20余篇.tangyingx@163.com.

唐穎瀟,秦明月,蔡子穎,等.基于松弛逼近方法的天津PM2.5延伸期數(shù)值預(yù)報研究 [J]. 中國環(huán)境科學(xué), 2023,43(9):4503-4511.

Tang Y X, Qin M Y, Cai Z Y, et al. Numerical prediction technology of extended period PM2.5in autumn and winter in Tianjin based on Nudging method [J]. China Environmental Science, 2023,43(9):4503-4511.

2023-02-10

國家自然科學(xué)基金資助重點項目(42130513);天津市氣象局項目(202206ybxm03)

* 責(zé)任作者, 高級工程師, 120078030@163.com