利用集合均方根卡尔曼滤波反演重庆地区SO_2源排放

传统的"自下而上"清单方法估算的排放清单,其数据的准确性和时效性存在较大局限.基于集合均方根卡尔曼滤波的源清单反演方法,结合WRF-CMAQ(天气研究和预报模式-公共多尺度空气质量模型)被用于对以清华大学编制的2010年MEIC(中国多尺度排放清单模型)排放清单为基础制作的重庆地区SO_2排放源进行反演试验以解决准确性和时效性问题,试验时间段为2014年10月15—31日,重庆主城17个环境空气质量国控监测点ρ(SO_2)小时观测资料用于反演及检验.结果表明:该方法能够反演重庆地区SO_2源排放量,随着反演次数增加,基于反演排放源预报的ρ(SO_2)预报误差持续减小,反演4次后预报误差达到比较低的稳定的水平,其均方根误差均低于20μg/m^3.5次反演后SO_2源排放量用于2014年10月24—29日每天起始预报,其预报的站点、时间平均的均方根误差从100~400μg/m^3降至30μg/m^3以下.反演中应用局地化尺度减少集合取样误差影响,54与81 km两个局地化尺度反演结果对预报改善效果相当,表明主要影响重庆主城ρ(SO_2)的源排放位于主城及周边地区,也说明内源排放对重庆主城ρ(SO_2)起主要影响.反演后面源排放量主城区降幅约为30 kg/(d·km^2),周边地区减少10~20 kg/(d·km^2),主城区部分SO_2点源排放量降幅约为25 kg/(d·km^2),说明2010年MEIC排放清单高估了试验时段重庆地区的SO_2排放.

多情景源排放参数反演下典型优化算法性能对比

确定排放源参数是合理处置突发大气污染事故的重要前提.不同事故(如泄漏、火灾)反演的参数(源强、位置等)存在差异,研究对比不同优化算法的估算性能对于实际事故中快速、准确估算源参数具有重要意义.基于草原SO2释放实验数据,开展了不同未知参数情景下典型最优化算法(遗传算法,GA;粒子群算法,PSO;粒子群-单纯形耦合算法,PSO-NM)在源参数反演中的对比研究,从反演结果的准确性、稳定性与反演时间效率等方面进行了评估.研究发现,优化算法在不同源排放参数数量下的反演性能存在明显差异.单参数源强反演情形下,GA、PSO-NM算法准确性相近(相对偏差,24.0%),均优于PSO算法(37.6%),三者均有较好的反演稳定性(变异系数<0.004);多参数反演(源强Q与位置x、y、z)情形下,PSO-NM算法反演准确性最好,GA最差,但稳定性表现与之相反;反演参数数量的增加明显影响算法反演稳定性,四维参数反演情形下PSO、GA、PSO-NM算法的源强反演变异系数比单参数反演分别高出0.50、0.12、0.29.PSO算法计算效率最高,同时,PSO-NM算法在稳定大气条件下计算时间明显增加.

一种基于集合最优插值的排放源快速反演方法

基于集合卡尔曼滤波的源反演方法是估计排放源、提高空气质量模拟和预报精度的有效方法。为构建排放源与污染物浓度之间的误差协方差矩阵,该方法通常需要运行几十次大气化学传输模式。庞大的计算量限制了该方法的应用,使其无法为实时预报系统快速更新排放源。本研究发展了一种基于集合最优插值的排放源反演方法。该方法使用历史集合数据构建误差协方差矩阵,仅需一次常规的空气质量模拟便可根据观测模拟差异反演排放源,从而显著降低计算量。本文使用该方法同化2015年1月全国1107个地面站点观测的CO小时浓度数据,结合2014年1月的历史集合数据集,估计2015年1月全国15 km分辨率的CO排放源。该方案反演的全国CO排放总量仅比使用2015年1月集合数据集的反演量高1%,表明历史时段与反演时段的气象条件差异对月均CO排放的影响有限。使用历史集合数据集更新的排放源再次模拟可将全国349个独立验证站点的平均低估从0.74 mg m^(−3)降至0.01 mg m^(−3),均方根误差降低18%,表明该方法可快速更新排放源并降低其不确定性。