2020, Vol. 40
[PDF全文]
2. 成都信息工程大学大气科学学院, 高原大气与环境四川省重点实验室, 成都 610225
2. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225
近年来, 在“多点多极支撑发展”和“一干多支、五区协同”等经济发展战略的支持下, 四川省经济发展迅速.伴随着经济的快速发展, 大气污染问题成为了政府和公众关注的重点(Wang et al., 2014；姜磊等, 2018).越来越凸显的冬季灰霾污染过程不仅影响了工业企业的发展, 同时也影响了人们的日常生活(王跃思等, 2014；Shen et al., 2015).四川盆地已成为继京津冀、珠三角、长三角地区(Che et al., 2014；王媛林等, 2017；高庆先等, 2017)之后第四大灰霾污染区.四川盆地区域性大气污染过程的特征(Liao et al., 2017)及其形成、维持机制(Chen et al., 2014)已成为研究热点.人为源排放和气象条件是重污染天气形成的主要原因, 气象条件对雾霾的形成、维持和沉降过程有重要影响(钟幼军等, 2013；张小曳等, 2013；张人禾等, 2014).风速较小、静小风频率高, 使污染物的水平扩散能力受到限制；空气湿度大有利于颗粒物吸湿增长和二次转化, 造成污染加重；逆温现象和低边界层高度会降低大气环境容量, 使污染物在有限空间内不断累积(郝建奇等, 2017；姚青等, 2020；宋明昊等, 2020).当高空盛行西风气流或槽后为西北气流时, 四川盆地通常呈静稳的天气形势, 在无其他天气系统影响的情况下, 大气扩散条件不利, 污染物易累积(蒋婉婷等, 2019).
大气再分析资料是通过同化卫星、地面和探空观测数据得出的高时空分辨率、长时间尺度数据集.再分析资料通常被应用于天气过程或气候分析(周心河等, 2019；Zhang et al., 2019), 但在不同地区, 再分析资料的适用性也存在差异(孟宪贵等, 2018；朱景等, 2019).再分析资料也可作为数值模式的初始场数据(张悦等, 2016；陆正奇等, 2018), 比如, NCEP(National Centers for Environmental Prediction)、ECMWF(European Centre for Medium-Range Weather Forecasts)、JMA (Japan Meteorological Agency)等.初始场数据的准确性对模拟结果有重要影响, 但由于不同资料所采用的模式和同化算法不同, 导致在不同地区(彭继达等, 2014；杜娟等, 2019)和时段(李秋阳等, 2019)模拟效果也不一致.近年来, 针对大气污染过程的数值模拟研究多从参数化方案组合或改进来提高模拟效果(陈一娜等, 2015；张颖等, 2016；胡俊等, 2017；王继康等, 2019), 而从初始场数据方面探讨污染过程模拟效果的研究尚不多见.
因此, 本文利用WRF模式, 采用ECMWF-ERA5和NCEP-FNL两种同化资料作为初始场数据, 通过与站点气温、相对湿度、风速、风向观测值进行对比, 对模拟效果进行论证, 对两种同化资料在四川盆地大气污染过程数值模拟效果进行初步评估, 以期为四川地区重污染天气过程研究和预报预警提供参考.
2 数据与方法(Materials and methods) 2.1 研究方法本文利用WRF3.7.1中尺度天气模式, 分别采用ECMWF-ERA5和NCEP-FNL数据集作为初始场, 对四川盆地2018年1月9—24日一次区域性大气污染过程气象要素进行模拟.两组试验均采用相同的参数化方案：RRTMG辐射参数化方案；Grell-3积云参数化方案；Noah陆面过程参数化方案；MYNN3边界层参数化方案；Lin微物理过程参数化方案.试验均采用二重嵌套, 嵌套比例为1 : 5, 内层网格水平分辨率为3 km, 采用MODIS地形数据集, 每30 s更新一次, 每1 h输出1次模拟结果.详细参数如表 1所示.
| 表 1 模拟区域参数设置 Table 1 Parameter setting in simulation area |
 |
四川盆地包含成都平原、川南和川东北三大经济区, 是长江经济带的重要组成部分, 也是拓展全国经济增长的重要环节.四川盆地位于青藏高原东缘, 由边缘山地和内部盆地两部分构成.盆地的边缘由西部横断山脉、东部川东平行岭谷、北部大巴山脉、南部云贵高原围绕而成.盆地内部自西向东由西部平原、中部丘陵和东部平行岭谷构成.受特殊地形影响, 盆地内风速小, 静风频率大, 尤其表现在冬季, 南下冷空气通常对盆地影响较小, 大气水平运动较弱, 污染物易聚难消(郭倩等, 2018；王碧菡等, 2019).图 1为模拟区域地形高度图, 盆地西部的成都平原海拔较低, 其西侧为高原山地, 海拔较高, 有多处雪山, 海拔最高在5400 m左右.
 |
| 图 1 模拟区域地形高度 Fig. 1 The topography height of the simulation area |
美国国家环境预报中心(National Centers for Environmental Prediction, NCEP)发布的FNL再分析资料是一款包含了位势高度、气压、气温、纬向风、经向风、比湿、位温、云水、雪深等变量的全球高分辨率(1°×1°或2.5°×2.5°)同化数据集, 其时间分辨率为6 h.本文采用的资料空间分辨率为1°×1°(https://rda.ucar.edu/datasets/ds083.2/).
ERA5再分析资料是欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)继ERA-Interim之后发布的第5代再分析资料.相较于ERA-Interim, ERA5同化了更多观测数据, 空间分辨率提高到了0.25°, 时间分辨率提高到了1 h, 增加了140种变量(Zhao et al., 2019).本文采取的资料水平分辨率为0.25°×0.25°, 时间分辨率为1 h(https://cds.climate.copernicus.eu/).
利用四川省生态环境科学研究院(30.63°N, 104.06°E)大气超级站气温、相对湿度、风向风速逐小时观测数据验证模拟结果, 通过计算均方根误差(RMSE)、偏差值(Bias)和相关系数(r), 并利用PM2.5和PM10逐小时观测数据对整个污染过程进行分析.超级站观测仪器先进且精度较高, 仪器信息及详细参数见表 2.
| 表 2 观测仪器信息 Table 2 Observation instruments with their models and manufacturers |
|
气温、相对湿度和风速是影响污染物扩散的重要因素.气温高、风速大、大气湍流活动强, 利于污染物扩散.相对湿度升高, 利于颗粒物吸湿增长和二次转化, 易造成污染.从图 2可以看出, 两组试验都能较好地反映出气温和相对湿度的变化特征, 但与观测值相比, 夜间温度模拟结果呈不同程度偏小, 风速模拟值均偏大, 这与宁贵财(2018)、张颖等(2016)的研究结果一致.整个污染过程中, 观测气温和相对湿度平均值分别为9.61 ℃和60.58%, NCEP-FNL试验模拟的平均气温(8.99 ℃)更接近观测值, 而ECMWF-ERA5试验模拟的相对湿度(59.23%)与观测值差异更小.图 3为两组试验与观测值风玫瑰图对比情况, 试验模拟的主导风向均为东北风, 其次为北风, 而观测的主导风向为东风, 其次为西风.
 |
| 图 2 气温、相对湿度和风速模拟结果对比 Fig. 2 Comparison of the simulated air temperature, relative humidity and wind speed |
 |
| 图 3 玫瑰图模拟结果对比 Fig. 3 Comparison of the simulated wind rose |
表 3为两组试验模拟结果的误差分析.由表可知, ECMWF-ERA5试验的相对湿度模拟值均方根误差、偏差值较小, 分别为9.83%、-0.83%, 说明模拟结果相对较好.而NCEP-FNL试验对气温和风速的模拟效果较好, 气温模拟值偏差仅为-0.04 ℃, 风速模拟值的均方根误差和偏差也稍小于ECMWF-ERA5试验.两组试验模拟的相对湿度和气温偏差值均为负数, 表明模拟值偏小.模拟值与观测值的相关系数均超过0.77, 在0.01水平(双侧)上显著相关.总体来看, 两组试验模拟效果差异较小, NCEP-FNL模拟的气温和风速较好, 而ECMWF-ERA5模拟的相对湿度较好, 两种同化资料对风向的模拟均有待改善.研究表明, 两种初始场在地形复杂区域的模拟试验中, 风速模拟的系统误差较大, 平原、山谷等地区的模拟值会高估(Cheng et al., 2005；Henckes et al., 2018), 本文结果与之相符.这是因为模式无法模拟出大气中随机的湍流过程和次网格内的地形变化(Hanna et al., 2001), 并且陆面过程方案默认的地表粗糙度与真实值存在误差(Wen et al., 2014).已有研究表明, 高精度的次网格地形数据可以使风速模拟结果更接近真实值(Jiménez et al., 2013；何建军等, 2014；刘郁珏等, 2019).此外, 利用Nudging(李明妍等, 2017)、WRF-3DVAR(张飞民等, 2014)等方法, 为模式提供更准确的初始场和侧边界条件, 也可改善风场模拟效果.由此看来, 高精度的高程地形数据和同化多源融合数据是改进四川盆地风场模拟效果的方向.
| 表 3 模拟结果的均方根误差(RMSE)、偏差(Bias)和相关系数(r)对比 Table 3 Comparison of the root mean square errors (RMSE), biases and correlation coefficients (r) between simulations and observations |
|
图 4为NCEP-FNL和ECMWF-ERA5的气温、相对湿度、风速模拟值对比情况.可以看出, 两组试验均能反映出盆地内部与高原山地地区气象要素的差异性, 盆地内部气温高于西侧山地地区, 最高气温模拟值相近, 分别为12.07 ℃(NCEP-FNL)和12.17 ℃(ECMWF-ERA5).相对湿度高值区出现在盆地与青藏高原之间, 形成一个“带状”区域, 盆地内相对湿度在60%以上, ECMWF-ERA5模拟值相对较大.盆地内部为模拟区域的风速低值区, 主要原因在于, 盆地位于高原背风坡, 高纬地区经向环流偏弱, 冷空气难以进入盆地, 且盆地内部冬季以下沉气流为主(刘佳等, 2016).这种“小风高湿”的特点导致盆地内污染物不易扩散, 并且易发生吸湿增长.
 |
| 图 4 2018年1月9—24日平均气温、相对湿度、风速模拟值对比 Fig. 4 Comparison of the simulated average air temperature, relative humidity and wind speed from January 9 to 24, 2018 |
将NCEP-FNL模拟的气温、相对湿度、风速值减去ECMWF-ERA5的相应模拟值, 得到两组试验模拟结果差值(图 5).可以看出, NCEP-FNL模拟的气温和风速相比较小, 两组试验在盆地内部的模拟值差异较小, 盆地外差异较大.气温和风速的最大差值分别为-10.63 ℃和-3.61 m · s-1.NCEP-FNL模拟的盆地地区相对湿度明显较小, 而在高原地区相对较大, 盆地内最大差值为-39.03%, 高原地区最大差值为20.04%.
 |
| 图 5 2018年1月9—24日平均气温、相对湿度、风速模拟差值分布情况 Fig. 5 The distribution of air temperature, relative humidity and wind speed biases between two simulations from January 9 to 24, 2018 |
图 6为两组试验模拟的四川盆地及周边地区平均边界层高度分布情况.由图可知, 两组试验模拟的低值区均在四川盆地西侧的高原山地地区, 模拟的整个区域平均边界层高度分别为516.9 m(NCEP-FNL)和504.3 m(ECMWF-ERA5), 相差较小.从区域上来看, 盆地西侧的成都平原地区边界层高度较高, 其次为川东北地区, 川南地区模拟值最小.边界层高度是影响大气污染物在垂直方向上扩散能力的重要参数, 边界层高度越高(低), 越(不)利于污染物扩散.结合实际污染情况来看, 2018年1月9—24日边界层高度模拟值最低的川南地区出现了11 d中度及以上污染, 其中, 自贡出现6 d重度污染, 而模拟值相对较大的成都平原地区仅出现了6 d中度及以上污染, 其中, 成都和绵阳出现2 d重度污染.根据两组试验差值分布图(图 7)可以看出, NCEP-FNL与ECMWF-ERA5相比, 边界层高度模拟值在盆地内部较大, 而在盆地东北侧的高原则较小.
 |
| 图 6 2018年1月9—24日平均边界层高度模拟值对比 Fig. 6 Comparison of the simulated boundary layer height from January 9 to 24, 2018 |
 |
| 图 7 2018年1月9—24日边界层高度模拟值差值分布情况 Fig. 7 The distribution of boundary layer height bias between two simulations from January 9 to 24, 2018 |
逆温会抑制空气的垂直运动, 不利于污染物垂直扩散, 造成污染物累积.逆温层高度越低, 大气污染容量越小, 污染物浓度越高.四川盆地是逆温发生频率较高的地区之一, 且通常发生于冬季灰霾污染易发时段, 使污染加重.
温廓线是气温的垂直变化曲线, 可以判断是否发生逆温现象.以2018年1月15日0：00(世界时, 本地时为8：00)模拟结果为例(图 8), 可以看出, 两组试验均能模拟出逆温现象, 逆温强度模拟值分别为1.22 ℃(NCEP-FNL)和0.66 ℃(ECMWF-ERA5), NCEP-FNL试验模拟值相对较大.逆温强度越强, 逆温层越稳定, 越利于污染物持续累积.与NCEP-FNL试验相比, ECMWF-ERA5的温度露点差(温度与露点温度的差值)较小, 表明空气湿度较大, 且2000 m左右高空温度露点差为0, 表明空气达到饱和状态.通常情况下, 近地面空气达到或接近饱和状态时易形成雾, 利于颗粒物吸湿增长, 引发“雾霾”天气.整个污染过程中, 两组试验低空逆温(高度 < 1500 m)发生频率模拟结果均为43.8%.且结果显示, 此次污染过程发生逆温时, 常伴有高空逆温存在(3000~4000 m), 此类多层逆温发生时更利于污染物积累和维持, 易造成重污染过程(Ning et al., 2018；宋明昊等, 2020).多层逆温频率模拟结果分别为40.6%(NCEP-FNL)和37.5%(ECMWF-ERA5).
 |
| 图 8 温廓线模拟结果对比(蓝色表示露点温度, 黑色表示温度) Fig. 8 Comparison of the simulated temperature profile(the blue line indicates dew-point temperature, the black line indicates temperature) |
根据上述分析可以发现, 两套再分析资料对单一站点气象要素的模拟结果并不一致, 区域模拟效果也存在一定差异.造成这种差异的原因主要有以下3点：①时空分辨率不同.NCEP-FNL时间分辨率为6 h, 水平分辨率为1°×1°, 垂直层数为35层；ECMWF-ERA5时间分辨率为1 h, 水平分辨率为0.25°×0.25°, 垂直层数为137层.②采用模式和同化方案不同.FNL来自全球资料同化系统(Global Data Assimilation System, GDAS), 同化方案为谱统计差值方案(Spectral Statistical-Interpolation, SSI)(Derber et al., 1991)；ERA5采用的是综合预报模型(Integrated Forecasting System, IFS), 同化方案为四维变分同化(4D-Var).③所用数据和质量控制方法不同.两套再分析资料均同化了多种观测数据, 如地面、船舶和卫星观测数据等, 但数据来源和数据同化前后所采用的质量控制方法存在一定区别(邓小花等, 2010).
3.3 污染过程气象要素对空气质量的影响分析根据2018年1月9—24日大气超站观测的逐小时数据可以看出, 本次大气污染过程PM2.5和PM10质量浓度变化趋势保持一致, 出现3次峰值.9—15日, 日平均风速维持在1.0 m · s-1以下, 颗粒物逐渐积累.15日气温降至8.24 ℃, 有零星降雨, 使相对湿度升至65.66%, 导致颗粒物吸湿增长, PM2.5和PM10日均浓度分别升高至190.1 μg · m-3和261.0 μg · m-3.16日气温升高, 风速明显增大, 相对湿度降低至58.01%, 扩散条件转好, PM2.5和PM10日均浓度分别降低至99.4 μg · m-3和129.4 μg · m-3.18日和21日, 受“降温增湿”影响, 颗粒物浓度均出现峰值.24日, 风速增大, 最大小时风速达到2.28 m · s-1, 且有降水过程发生, 颗粒物浓度快速下降, 污染过程结束.
此次污染过程中, 平均风速为0.75 m · s-1, 静小风(< 1.5 m · s-1)频率为91.5%, 有利于污染物积累.相对湿度增大引发的颗粒物吸湿增长是污染过程中PM2.5和PM10质量浓度突增的主要原因, 风速增大和降水过程是颗粒物扩散和清除的直接原因.
 |
| 图 9 气象要素和颗粒物质量浓度观测数据变化图 Fig. 9 The variation of the observed meteorological elements and the mass concentration of PM2.5, PM10 |
1) ECMWF-ERA5和NCEP-FNL两种资料均能较好地模拟出气象要素的变化情况, 但各要素模拟效果并不一致.造成这种差异的原因主要为两套资料的时空分辨率不同, 且所采用的模式、同化方案、数据来源和质量控制方案存在一定区别.
2) 此次污染过程平均风速为0.75 m · s-1, 静小风(< 1.5 m · s-1)频率为91.5%, 相对湿度平均值为60.58%, PM2.5和PM10日均浓度最大值分别为190.1 μg · m-3和261.0 μg · m-3.相对湿度增大引发的颗粒物吸湿增长是导致污染过程中颗粒物质量浓度突增的主要原因.NCEP-FNL试验模拟的平均气温(8.99 ℃)更接近观测值, 而ECMWF-ERA5试验模拟的相对湿度(59.23%)与观测值差异更小.与NCEP-FNL相比, ECMWF-ERA5模拟的相对湿度均方根误差、偏差较小, 分别为9.83%和-0.83%, 但前者模拟的气温偏差值较小, 为-0.04 ℃.
3) 盆地内部为模拟区域的低风速区, 相对湿度模拟值在60%以上, 气温高于西部山地地区.NCEP-FNL模拟的盆地地区气温、相对湿度、风速小于ECMWF-ERA5模拟值, 但边界层高度模拟值较大.ECMWF-ERA5模拟的逆温强度相比较小, 多层逆温频率较低, 且温度露点差较小, 表明空气更接近饱和状态.
Che H Z, Xia X A, Zhu J, et al. 2014. Column aerosol optical properties and aerosol radiative forcing during a serious haze-fog month over North China Plain in 2013 based on ground-based sunphotometer measurements[J]. Atmospheric Chemistry and Physics, 14(4): 2125-2138. DOI:10.5194/acp-14-2125-2014 |
Chen Y, Xie S D, Luo B, et al. 2014. Characteristics and origins of carbonaceous aerosol in the Sichuan Basin, China[J]. Atmospheric Environment, 94: 215-223. DOI:10.1016/j.atmosenv.2014.05.037 |
陈一娜, 赵普生, 何迪, 等. 2015. 北京地区大气消光特征及参数化研究[J]. 环境科学, 36(10): 3582-3589. |
Cheng W Y Y, Steenburgh W J. 2005. Evaluation of surface sensible weather forecasts by the WRF and the eta models over the Western United States[J]. Weather and Forecasting, 20(5): 812-821. DOI:10.1175/WAF885.1 |
邓小花, 翟盘茂, 袁春红. 2010. 国外几套再分析资料的对比与分析[J]. 气象科技, 38(1): 1-8. |
Derber J C, Parrish D F, Lord S J. 1991. The new global operational analysis system at the National Meteorological Center[J]. Weather and Forecasting, 6(4): 538-548. DOI:10.1175/1520-0434(1991)006<0538:TNGOAS>2.0.CO;2 |
杜娟, 文莉娟, 苏东生. 2019. 三套再分析资料在青藏高原湖泊模拟研究中的适用性分析[J]. 高原气象, 38(1): 101-113. |
高庆先, 李亮, 马占云, 等. 2017. 2013-2016年天气形势对北京秋季空气重污染过程的影响[J]. 环境科学研究, 30(2): 173-183. |
郭倩, 汪嘉杨, 周子航, 等. 2018. 成都市一次典型空气重污染过程特征及成因分析[J]. 环境科学学报, 38(2): 629-639. |
Hanna S R, Yang R. 2001. Evaluations of mesoscale models' simulations of near-surface winds, temperature gradients, and mixing depths[J]. Journal of Applied Meteorology, 40(6): 1095-1104. DOI:10.1175/1520-0450(2001)040<1095:EOMMSO>2.0.CO;2 |
郝建奇, 葛宝珠, 王自发, 等. 2017. 2013年京津冀重污染特征及其气象条件分析[J]. 环境科学学报, 37(8): 3032-3043. |
何建军, 余晔, 刘娜, 等. 2014. 复杂地形区陆面资料对WRF模式模拟性能的影响[J]. 大气科学, 38(3): 484-498. |
Henckes P, Knaut A, Obermüller F, et al. 2018. The benefit of long-term high resolution wind data for electricity system analysis[J]. Energy, 143: 934-942. DOI:10.1016/j.energy.2017.10.049 |
胡俊, 赵天良, 张泽锋, 等. 2017. 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, 30(11): 1680-1688. |
姜磊, 周海峰, 柏玲, 等. 2016. 空气质量指数(AQI)的社会经济影响因素分析-基于指数衰减效应视角[J]. 环境科学学报, 38(1): 390-398. |
蒋婉婷, 谢汶静, 王碧菡, 等. 2019. 2014-2016年四川盆地重污染大气环流形势特征分析[J]. 环境科学学报, 39(1): 180-188. |
李明妍, 崔志强, 王澄海. 2017. Nudging方法对中国西北强降水过程的模拟试验研究[J]. 气候与环境研究, 22(5): 563-573. |
李秋阳. 2019. 不同初始场资料对台风"桑美"数值模拟的影响[J]. 气象科技, 47(3): 460-468. |
Jiménez P A, Dudhia J. 2013. On the ability of the WRF model to reproduce the surface wind direction over complex terrain[J]. Journal of Applied Meteorology and Climatology, 52(7): 1610-1617. DOI:10.1175/JAMC-D-12-0266.1 |
Liao T T, Wang S, Ai J, et al. 2017. Heavy pollution episodes, transport pathways and potential sources of PM2.5 during the winter of 2013 in Chengdu (China)[J]. Science of the Total Environment, 584-585: 1056-1065. DOI:10.1016/j.scitotenv.2017.01.160 |
刘佳, 马振峰, 孙彧, 等. 2016. 1981-2014年四川不同强度霾时空特征及气候成因研究[J]. 环境科学学报, 36(12): 4328-4339. |
刘郁珏, 苗世光, 刘磊, 等. 2019. 修正WRF次网格地形方案及其对风速模拟的影响[J]. 应用气象学报, 30(1): 70-81. |
陆正奇, 韩永翔, 夏俊荣, 等. 2018. WRF模式对污染天气下边界层高度的模拟研究[J]. 中国环境科学, 38(3): 822-829. |
孟宪贵, 郭俊建, 韩永清. 2018. ERA5再分析数据适用性初步评估[J]. 海洋气象学报, 38(1): 91-99. |
宁贵财.2016.四川盆地西北部城市群冬季大气污染气象成因及其数值模拟研究[D].兰州: 兰州大学
|
Ning G C, Wang S G, Yim S H L, et al. 2018. Impact of low-pressure systems on winter heavy air pollution in the northwest Sichuan Basin, China[J]. Atmospheric Chemistry and Physics, 18: 13601-13615. DOI:10.5194/acp-18-13601-2018 |
彭继达, 程兴宏, 孙治安, 等. 2014. 两种不同初始场对太阳辐射模拟效果的影响[J]. 高原气象, 33(5): 1352-1362. |
Shen X J, Sun J Y, Zhang X Y, et al. 2015. Characterization of submicron aerosols and effect on visibility during a severe haze-fog episode in Yangtze River Delta, China[J]. Atmospheric Environment, 120: 307-316. DOI:10.1016/j.atmosenv.2015.09.011 |
宋明昊, 张小玲, 袁亮, 等. 2020. 成都冬季一次持续污染过程气象成因及气溶胶垂直结构和演变特征[J]. 环境科学学报, 40(2): 408-417. |
王碧菡, 廖婷婷, 欧阳正午, 等. 2019. 2013-2017年成都冬季空气质量状况改善评估[J]. 环境科学学报, 39(11): 3648-3658. |
Wang H, Xu J, Zhang M, et al. 2014. A study of the meteorological causes of a prolonged and severe haze episode in January 2013 over central-eastern China[J]. Atmospheric Environment, 98: 146-157. DOI:10.1016/j.atmosenv.2014.08.053 |
王继康, 张碧辉, 张恒德, 等. 2019. 边界层方案对华北一次污染过程模拟的影响[J]. 中国环境科学, 39(1): 61-71. |
王媛林, 王哲, 陈学舜, 等. 2017. 珠三角秋季典型气象条件对空气污染过程的影响分析[J]. 环境科学学报, 37(9): 3229-3239. |
王跃思, 姚利, 王莉莉, 等. 2014. 2013年元月我国中东部地区强霾污染成因分析[J]. 中国科学:地球科学, 44(1): 15-26. |
Wen X H, Liao X H, Yuan W P, et al. 2014. Numerical simulation and data assimilation of the water-energy cycle over semiarid northeastern China[J]. Science China Earth Sciences, 57(10): 2340-2356. DOI:10.1007/s11430-014-4914-4 |
姚青, 蔡子颖, 刘敬乐, 等. 2020. 气象条件对2009-2018年天津地区PM2.5质量浓度的影响[J]. 环境科学学报, 40(1): 65-75. |
张飞民, 王澄海. 2014. 利用WRF-3DVAR同化常规观测资料对近地层风速预报的改进试验[J]. 高原气象, 33(3): 675-685. |
张人禾, 李强, 张若楠. 2014. 2013年1月中国东部持续性强雾霾天气产生的气象条件分析[J]. 中国科学:地球科学, 44(1): 27-36. |
张小曳, 孙俊英, 王亚强, 等. 2013. 我国雾-霾成因及其治理的思考[J]. 科学通报, 58(13): 1178-1187. |
Zhang Y, Yan D D, Wen X H, et al. 2019. Comparative analysis of the meteorological elements simulated by different land surface process schemes in the WRF model in the Yellow River source region[J]. Theoretical and Applied Climatology, 139: 145-162. |
张颖, 刘志红, 吕晓彤, 等. 2016. 四川盆地一次污染过程的WRF模式参数化方案最优配置[J]. 环境科学学报, 36(8): 2819-2826. |
张悦, 樊曙先, 李皓, 等. 2016. 气溶胶辐射效应在华东地区一次雾霾过程中的作用[J]. 气象学报, 74(3): 465-478. |
Zhao B, Zhang B, Shi C X, et al. 2019. Comparison of the global energy cycle between Chinese reanalysis interim and ECMWF reanalysis[J]. Journal of Meteorological Research, 33(3): 563-575. DOI:10.1007/s13351-019-8129-7 |
钟幼军, 国世友. 2013. 哈尔滨冬季重污染日气象特征[J]. 气象与环境学报, 29(1): 23-27. |
周心河, 熊喆. 2019. 区域气候模式不同积云对流参数化方案对新疆气候模拟的影响研究[J]. 气候与环境研究, 24(2): 169-185. |
朱景, 袁慧珍. 2019. ERA再分析陆面温度资料在浙江省的适用性[J]. 气象科技, 47(2): 101-110. |