风云三号D星MERSI AOD资料的同化应用研究

风云三号D星MERSI AOD资料的同化应用研究 Assimilation application of MERSI AOD of FY-3D satellite data 1 first-author 王溢婕，研究方向为大气环境污染。E-mail： skywangyj@163.com 王溢婕，研究方向为大气环境污染。E-mail： skywangyj@163.com skywangyj@163.com 1 corresp 臧增亮，研究方向为大气污染资料同化和遥感反演。E-mail： zzlqxxy@163.com 臧增亮，研究方向为大气污染资料同化和遥感反演。E-mail： zzlqxxy@163.com zzlqxxy@163.com 2 3 4 5 1 1 国防科技大学 气象海洋学院, 长沙 410073 国防科技大学 气象海洋学院, 长沙 410073 National University of Defense Technology, Institute of Meteorology and Oceanography, Changsha 410073, China National University of Defense Technology, Institute of Meteorology and Oceanography, Changsha 410073, China 河南理工大学 测绘与国土信息工程学院, 焦作 454003 河南理工大学 测绘与国土信息工程学院, 焦作 454003 Henan Polytechnic University, Institute of Surveying and Mapping and Land Information Engineering, Jiaozuo 454003, China Henan Polytechnic University, Institute of Surveying and Mapping and Land Information Engineering, Jiaozuo 454003, China 中国气象局气象探测中心, 北京 100081 中国气象局气象探测中心, 北京 100081 Meteorological Observation Center of CMA, Chinese Meteorological Administration, Beijing 100081, China Meteorological Observation Center of CMA, Chinese Meteorological Administration, Beijing 100081, China 南京信息工程大学 大气物理学院, 南京 210044 南京信息工程大学 大气物理学院, 南京 210044 School of Atmospheric Physics, Nanjing University of Information Science & Technology, Nanjing 210044, China School of Atmospheric Physics, Nanjing University of Information Science & Technology, Nanjing 210044, China 中国人民解放军95746部队, 成都 611530 中国人民解放军95746部队, 成都 611530 Unit 95746, Chinese People's Liberation Army, Chengdu 611530,China Unit 95746, Chinese People's Liberation Army, Chengdu 611530,China 为了验证风云三号D星MERSI传感器的气溶胶光学厚度（AOD）数据对地面PM 2.5 的污染过程预报的效果，本文基于WRF-Chem（Weather Research and Forecasting model coupled with Chemistry）大气化学模式和三维变分同化方法，针对2020-02-10—2020-02-12中国北方地区的一次PM 2.5 重污染过程，进行了同化和预报试验研究。同化数据来自常规地面站点的PM 2.5 浓度数据和风云三号D星MERSI传感器的气溶胶光学厚度（AOD）数据。控制试验不同化任何资料，3组同化试验分别为仅同化地面PM 2.5 ，仅同化卫星AOD，以及同时同化PM 2.5 和卫星AOD两种资料。结果表明，3组同化试验都可以有效提高初始场准确率，以地面PM 2.5 作为检验标准，仅同化PM 2.5 、仅同化AOD、同时同化两种资料相对于控制试验，初始场的平均偏差分别降低54.9%、21.9%和49.0%，平均相关系数分别提升51.4%、16.0%和34.0%，平均均方根误差分别降低50.6%、17.2%和42.3%。以卫星AOD作为检验标准，3组同化试验相对于控制试验，初始场的平均偏差分别降低37.6%、78.4%和83%，平均均方根误差分别降低31.6%、62.2%和65.2%。同化后的初始场对预报有显著的改进，改进持续时间达24 h，以地面PM 2.5 作为检验标准，同时同化两种资料的试验对24 h预报的平均偏差减少19.7%，相关系数提升8.8%，均方根误差减少17.2%；以卫星AOD作为检验标准，24 h预报的平均偏差减少40.1%，相关系数提升25.9%，均方根误差降低34.7%。试验结论为，相对于仅同化地面PM 2.5 资料，同化风云卫星AOD资料可以提升后期预报效果。 This study aims to verify the effect of the aerosol optical thickness data of the Fengyun-3D satellite MERSI sensor on the pollution process prediction of PM 2.5 . This study was based on WRF-Chem (Weather Research and Forecasting Model Coupled with) Atmospheric Chemistry model and three-dimensional variational assimilation method, which were used to study the assimilation and prediction of a PM 2.5 pollution process in northern China from February 10 to 13, 2020. The assimilation data were derived from PM 2.5 concentration data from conventional ground stations and Aerosol Optical Depth (AOD) data from the MERSI sensor on the FY-3D satellite. The control experiment did not assimilate any data. The three groups of assimilation experiments were to assimilate ground PM 2.5 , satellite AOD, and PM 2.5 and AOD data at the same time. Results show that the three groups of assimilation experiments can effectively improve the accuracy of the initial field. With ground PM 2.5 as the test standard, compared with the control experiment, assimilating PM 2.5 data, AOD data, and PM 2.5 and AOD data at the same time, the average mean deviation of the initial field was decreased by 54.9%, 21.9%, and 49.0%, the average correlation coefficient was increased by 51.4%, 16.0%, and 34.0%, and the average root mean square error was decreased by 50.6%, 17.2%, and 42.3%. With AOD as the test standard, compared with the control experiment, the average mean deviation of the initial field in three assimilation experiments was decreased by 37.6%, 78.4%, and 83%, and the average root mean square error was decreased by 31.6%, 62.2%, and 65.2%. The initial field after assimilation can significantly improve the prediction, and the improvement lasted for more than 24 h. In general, the experiment of assimilating two kinds of data at the same time had the best improvement effect on the 24 h prediction. With ground PM 2.5 as the test standard, the average mean deviation of the 24 h forecast was decreased by 19.7%, the correlation coefficient was increased by 8.8%, and the root mean square error was decreased by 17.2. With AOD as the test standard, the average mean deviation of 24 h forecast was decreased by 40.1%, the correlation coefficient was increased by 25.9%, and the root mean square error was decreased by 34.7%.The experiment also found that the assimilation of FY-3D satellite AOD data had a better lasting effect on the late prediction than only assimilating ground PM 2.5 data. 遥感 WRF-Chem模式 三维变分 资料同化 风云三号 气溶胶光学厚度 remote sensing WRF-Chem Model three-dimensional Variation data assimilation FY-3 satellite AOD 1　引言 1 PM 2.5 、PM 10 等气溶胶颗粒物是中国空气污染的主要因素，也是近年来空气质量监测和预报的重点（ 张人禾 等，2014 张人禾 等，2014 ； 赵子菁 等，2015 赵子菁 等，2015 ； Gao等，2015 Gao等，2015 ）。大气化学模式是空气质量预报的主要手段之一（ 薛文博 等，2013 薛文博 等，2013 ），利用最优差值、集合卡尔曼滤波、变分同化等技术，将监测资料同化到模式背景场，改进模式的初始场，进而提高模式预报的准确率。随着资料同化技术的发展和监测资料的丰富，很多研究从不同角度验证了资料同化对气溶胶预报的改进效果（ 崔应杰 等，2006 崔应杰 等，2006 ， Jiang等，2013 Jiang等，2013 ； Saide等，2014 Saide等，2014 ； Tang等，2017 Tang等，2017 ）。 监测资料的时空密度和数据质量是影响资料同化效果的关键。目前资料同化所用的地面数据主要来自于地面空气质量监测站，生态环境部自2013年开始发布地面PM 10 、PM 2.5 、SO 2 、NO 2 、CO和O 3 等6要素的监测数据，并不断更新增加监测站点，目前全国已经有超过1500个站点，提供逐小时监测数据。 Jiang等（2013） Jiang等（2013） 利用三维变分方法同化全国的PM 10 观测资料，显著减小气溶胶初始场误差，相对于没有同化的控制试验，均方根误差降低约60%、相关系数提高120%；并对后续预报有显著改进，预报12 h时的均方根误差仍比无同化试验降低17.4%、相关系数提高76.1%。 靳璐滨等（2016） 靳璐滨等（2016） 采用三维变分方法对2014年南京青年奥林匹克运动会期间的PM 2.5 和PM 10 进行预报，结果表明初始场效果均方根误差降低55%，相关系数提高53%，平均偏差降低了90%，且预报正效果持续时间达到20 h。 Feng等（2018） Feng等（2018） 同样采用三维变分方法同化地面PM 2.5 资料，对中国冬季PM 2.5 预报进行改进，发现同化对预报的改进至少持续24 h。 地面监测站点多、时次密、数据质量好，是目前资料同化和预报检验的主要资料源，但地面观测站点的分布极不均匀，受地形、交通、经济等因素影响，在中西部地区和人口稀少的偏远地区，甚至是东部的农村地区，地面监测站点都相对稀少。气溶胶监测的另一个重要手段是卫星遥感，通过卫星反演得到的气溶胶光学厚度（AOD）产品也是气溶胶监测和预报的重要资料源，不同于地面监测站点，卫星资料基本不受地理和经济因素影响，而且分辨率比较高，通常都在10 km以下，可以弥补地面资料在空间覆盖范围以及分辨率上的不足。目前常用于气溶胶资料同化的卫星主要有美国极轨卫星Terra和Aqua，日本静止卫星Himawari-8，韩国静止卫星GOCI （Geo-stationary Ocean Color Imager）等。 Saide等（2014） Saide等（2014） 利用Terra卫星的MODIS（Moderate Resolution Imaging Spectroradiometer）和极轨卫星COMS上的GOCI（Geostationary Ocean Color Imager）的AOD数据进行资料同化和预报检验，用于改进WRF-Chem模式的初始场，发现同化MODIS数据相对于没有同化的试验24 h平均偏差降低约50%，而同化两种数据相对于只同化MODIS数据平均偏差又降低30%。 Yumimoto等（2016） Yumimoto等（2016） 利用集合变换卡尔曼滤波的方法建立了Himawari-8卫星AOD产品的同化系统，并对2015年4月的一次沙尘过程进行了同化试验，表明同化卫星AOD可以改善人为污染过程和沙尘暴过程的模拟效果。 风云三号D星（FY-3D）于2017年11月由中国成功发射，星上装载了10台（套）遥感仪器，可以探测全球的温、湿、降水、云辐射等气象参数，主要用于气象灾害的监测（ Yang等，2019 Yang等，2019 ）。风云卫星中搭载的中分辨率光谱成像仪MERSI（Medium-Resolution Spectral Imager）与NASA（National Aeronautics and Space Administration）的MODIS属于同类型传感器（ 张允祥 等，2020 张允祥 等，2020 ），也能够反演气溶胶AOD，已经被用于气溶胶的定量化产品研发，精度接近MODIS（ 杨磊库 等，2021 杨磊库 等，2021 ）。但对于FY-3D卫星AOD资料的同化，目前尚未见到相关研究。 本文利用FY-3D MERSI的AOD资料开展资料同化和预报研究，采用 Zang等（2016） Zang等（2016） 和 Liang等（2020） Liang等（2020） 建立的气溶胶三维变分同化系统，以2020-02-09－2020-02-15中国北方地区的一次重污染为例，分别同化地面PM 2.5 观测和FY-3D MERSI的AOD观测，改进WRF-Chem模式初始场，并检验卫星AOD资料同化对模式初始场和预报的改进效果。 2　资料与方法 1 2.1　资料 2 气象场资料采用NCEP全球预报系统1°×1°、间隔6 h的FNL再分析资料，为模式提供气象初始场和侧边界条件。PM 2.5 观测数据来源于环保部发布的空气质量监测资料：beijingair.sinaapp.com［2021-05-31］。卫星AOD数据来源于 杨磊库等（2021） 杨磊库等（2021） 针对FY-3D MERSI初步开发的AOD产品，该产品在雾霾区也能提供有效的反演结果，在重污染期间的有效覆盖面积要大于美国的MODIS产品（ Shi等，2021 Shi等，2021 ）。收集到的卫星数据原数据分辨率为10 km×10 km，数据精度为±（0.05+0.15τ），进行同化试验之前按照模式设定网格大小对原数据进行稀疏化，以避免过多数据造成的同化效果减弱。为了避免错误或异常数据对资料同化的影响，对观测资料进行了极值控制，剔除PM 2.5 大于600 μg/m 3 和AOD大于2小于0的数据。 2.2　大气化学模式 2 WRF-Chem大气化学模式是由美国国家大气海洋局（NOAA）预报系统实验室（FSL）开发的气象和化学在线完全耦合的新一代的区域空气质量模式，该模式包括多种物理化学方案，能详细地模拟和预报气象要素和污染物的时空分布（ Grell等，2005 Grell等，2005 ， Zhang等，2009 Zhang等，2009 ； Forkel等，2015 Forkel等，2015 ）。 本文选择的气溶胶方案为MOSAIC 4bins方案（ Zaveri等，2008 Zaveri等，2008 ），该方案包括4个粒径段和8类物种，共32个气溶胶变量。4个粒径段分别为：0.039—0.1 μm、0.1—1.0 μm、1.0—2.5 μm和2.5—10 μm。第1个粒径段到第3个粒径段的和对应PM 2.5 ；第4个粒径段对应PM 2.5—10 。8类物种包括：EC、OC、NO 3 、SO 4 、CL、NA、NH 4 和OIN。将前3个粒径段合并，和第4个粒径段的8个物种变量一起构成16个控制变量（ Liang等，2020 Liang等，2020 ），其余参数化方案见 表1 表1 。本文的模式区域采用两重嵌套，其中第1重网格（D01）的中心位置为（109.4°E，36°N），纬向网格数为164，经向网格数为155，网格距为27 km，覆盖中国的大部分陆地地区；第2重网格（D02）的中心位置为（114.570°E，37.983°N），纬向网格数为175，经向网格数为166，水平网格距为9 km，覆盖华北和东北大部分地区。模式在垂直方向为41层，垂直分辨率随高度的增加而逐渐降低。 物理化学过程 方案 微物理方案 WSM 5-class 长波辐射方案 RRTMG长波 短波辐射方案 RRTMG短波 近地面层方案 Monin-Obukhov 陆地过程方案 Noah 边界层方案 YSU 积云对流方案 新Grell 气溶胶方案 MOSAIC 4bins 光解方案 Fast-J 人为源选项 RADM2/MADE/SORGAM 2.3　三维变分同化 2 三维变分同化以最优估计为基础，将观测数据加入到WRF-Chem模式的背景场中，得到一个优化的初始场，减小初始场误差，使其在统计意义上“最优”。利用优化后的初始场进行预报，提高模型预测的准确率。 首先，建立泛函将三维变分同化转化为求函数极值问题： <math display="block" id="M1"><mtable><mtr><mtd><mi>J</mi><mfenced separators="|"><mrow><mi>x</mi></mrow></mfenced><mo>=</mo><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><msup><mrow><mfenced separators="|"><mrow><mi mathvariant="bold-italic">x</mi><mo>-</mo><msup><mrow><mi mathvariant="bold-italic">x</mi></mrow><mrow><mi mathvariant="bold-italic">b</mi></mrow></msup></mrow></mfenced></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup><msup><mrow><mi mathvariant="bold-italic">B</mi></mrow><mrow><mo>-</mo><mn mathvariant="normal">1</mn></mrow></msup><mfenced separators="|"><mrow><mi mathvariant="bold-italic">x</mi><mo>-</mo><msup><mrow><mi mathvariant="bold-italic">x</mi></mrow><mrow><mi mathvariant="bold-italic">b</mi></mrow></msup></mrow></mfenced><mo>+</mo></mtd></mtr><mtr><mtd><mtext>                </mtext><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><msup><mrow><mo stretchy="false">(</mo><mi mathvariant="bold-italic">H</mi><mi mathvariant="bold-italic">x</mi><mo>-</mo><mi mathvariant="bold-italic">y</mi><mo stretchy="false">)</mo></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup><msup><mrow><mi mathvariant="bold-italic">R</mi></mrow><mrow><mo>-</mo><mn mathvariant="normal">1</mn></mrow></msup><mo stretchy="false">(</mo><mi mathvariant="bold-italic">H</mi><mi mathvariant="bold-italic">x</mi><mo>-</mo><mi mathvariant="bold-italic">y</mi><mo stretchy="false">)</mo></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625741&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625739&type= 50.79999924 16.42533302 式中， <math id="M2"><mi>x</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625760&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625759&type= 1.69333339 2.62466669 是同化系统中的控制变量，称为分析场， <math id="M3"><mi>y</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625753&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625763&type= 1.69333339 3.47133350 是观测变量。当 <math id="M4"><mi>x</mi><mo>=</mo><msup><mrow><mi>x</mi></mrow><mrow><mi>a</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625756&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625755&type= 8.89000034 2.96333337 时泛函取极小值，则 <math id="M5"><msup><mrow><mi>x</mi></mrow><mrow><mi>a</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625770&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625757&type= 2.70933342 2.96333337 为统计意义上“最优”的分析场（ Liang等，2020 Liang等，2020 ； Li等，2013 Li等，2013 ）。 <math id="M6"><mi mathvariant="bold-italic">H</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625790&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625788&type= 2.62466669 2.62466669 被称为观测算子，用于将控制变量转化为与观测变量单位一致的变量，本研究中的观测算子参照 Liang等（2020） Liang等（2020） ，基于IMPROVE方程估计各种气溶胶化学成分对消光的贡献，设计同化方案中气溶胶质量浓度向光学参数转换的观测算子。 <math id="M7"><mi mathvariant="bold-italic">B</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625801&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625799&type= 2.37066650 2.62466669 是背景误差协方差， <math id="M8"><mi mathvariant="bold-italic">R</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625786&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625802&type= 2.37066650 2.62466669 是观测资料的误差协方差矩阵，计算时假定 <math id="M9"><mi mathvariant="bold-italic">B</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625801&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625799&type= 2.37066650 2.62466669 和 <math id="M10"><mi mathvariant="bold-italic">R</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625786&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625802&type= 2.37066650 2.62466669 满足高斯分布。背景误差协方差 <math id="M11"><mi mathvariant="bold-italic">B</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625819&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625787&type= 2.37066650 2.62466669 是变分同化中的关键问题，它决定着观测信息在背景场中的权重比重，本文采用了NMC（National Meteorological Center）方法进行统计，对同一时刻的两个不同预报时长的预报结果作差（48—24 h），利用差值场的协方差近似估计背景误差协方差（ Parrish和Derber，1992 Parrish和Derber，1992 ； Derber和Bouttier，1999 Derber和Bouttier，1999 ； Liang等，2020 Liang等，2020 ）。 2.4　检验方法 2 为了对同化效果进行定量的判断，引入平均偏差（BIAS）、相关系数（CORR）、均方根误差（RMSE）进行量化评分： BIAS <math display="block" id="M12"><mo>=</mo><mfrac><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mfenced open="|" close="|" separators="|"><mrow><mo stretchy="false">(</mo><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">p</mi><mi>i</mi></mrow></msub><mo>-</mo><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">o</mi><mi>i</mi></mrow></msub><mo stretchy="false">)</mo></mrow></mfenced></mrow></mrow><mrow><mi>n</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625808&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625820&type= 25.48466682 12.19200039 CORR <math display="block" id="M13"><mo>=</mo><mfrac><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mfenced separators="|"><mrow><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">p</mi><mi>i</mi></mrow></msub><mo>-</mo><mover><mrow><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">p</mi></mrow></msub></mrow><mo>¯</mo></mover></mrow></mfenced><mfenced separators="|"><mrow><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">o</mi><mi>i</mi></mrow></msub><mo>-</mo><mover><mrow><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">o</mi></mrow></msub></mrow><mo>¯</mo></mover></mrow></mfenced></mrow></mrow><mrow><mroot><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><msup><mrow><mfenced separators="|"><mrow><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">p</mi><mi>i</mi></mrow></msub><mo>-</mo><mover><mrow><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">p</mi></mrow></msub></mrow><mo>¯</mo></mover></mrow></mfenced></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mo stretchy="false">(</mo><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">o</mi><mi>i</mi></mrow></msub><msup><mrow><mo>-</mo><mover><mrow><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">o</mi></mrow></msub></mrow><mo>¯</mo></mover><mo stretchy="false">)</mo></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mrow></mrow><mrow/></mroot></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625824&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625823&type= 48.42933273 19.55800056 RMSE <math display="block" id="M14"><mo>=</mo><mroot><mrow><mfrac><mrow><msup><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mo stretchy="false">(</mo><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">p</mi><mi>i</mi></mrow></msub><mo>-</mo><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">o</mi><mi>i</mi></mrow></msub><mo stretchy="false">)</mo></mrow></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow><mrow><mi>n</mi></mrow></mfrac></mrow><mrow/></mroot></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625815&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625813&type= 28.10933495 14.47799969 式中， <math id="M15"><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">p</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625831&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625829&type= 3.47133350 3.72533321 代表试验模拟值， <math id="M16"><msub><mrow><mi>C</mi></mrow><mrow><mi mathvariant="normal">o</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625834&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625833&type= 3.38666677 3.72533321 代表观测真值， <math id="M17"><mi>n</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625838&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=28625836&type= 1.86266661 2.62466669 代表样本数。平均偏差代表模拟结果与观测值的偏差的平均值，相关系数可以反映模拟结果和观测结果的相关性，均方根误差量化了模式系统性误差。在进行量化评分时，首先将模拟值插值到观测点上，然后将其与观测值比较计算这3个评分指标。 2.5　试验设计 2 本文以华北地区为主要研究区域（D02区域）。研究时间为2020-02-10—2020-02-12，考虑卫星数据经过研究区域时间约在世界时05：00-07：00时前后，选择每天的06：00为起报时间，逐日进行24 h预报，并分别用PM 2.5 观测数据、FY-3D MERSI的AOD数据作为同化和验证资料。 为了分析资料同化对初始场和预报的改进效果，设计了4组试验，控制试验不同化任何观测资料，PM试验仅对PM 2.5 观测数据进行同化、FY试验仅对FY-3D MERSI的AOD数据进行同化，FY & PM试验对PM 2.5 观测和卫星AOD数据同时进行同化（ 表2 表2 ）。 试验名称 同化变量 控制试验 无同化 PM试验 同化PM 2.5 观测数据 FY试验 同化FY-3D MERSI的AOD数据 FY&PM试验 同化PM 2.5 和FY-3D MERSI的AOD数据 3　结果分析 1 3.1　污染过程分析 2 2020-02-09—2020-02-15在中国北部地区发生了大范围的空气污染，由于2020年1月底新冠疫情爆发，大部分工厂停工，交通出行也显著减少，在污染排放较少的情况下出现大范围的污染。2020-02-10—2020-02-12是这次污染过程中污染最为严重的3 d。 图1 图1 给出了这3 d每日06：00（世界时UTC，下同）的PM 2.5 浓度和风场分布。 图1（a） 图1（a） 可以看出，京津冀到辽宁一带为污染大值区，PM 2.5 浓度大部分都在120 μg/m 3 以上，有些达到了150 μg/m 3 ；污染区的风速较小，有风场的辐合。由 图1（b） 图1（b） 可以看出，2月11日山东半岛和辽东半岛的风速加大，导致这些区域的PM 2.5 浓度降低，而北京、天津、河北地区的风场辐合增强，造成PM 2.5 浓度增加，达到了150 μg/m 3 。由 图1（c） 图1（c） 可以看出，2月12日辽东半岛南部为风场的辐散区，导致辽宁地区的PM 2.5 浓度继续降低，华北地区仍为风场辐合区，PM 2.5 浓度略有增加。2月13日之后华北地区污染物浓度开始下降，2月15日华北地区PM 2.5 浓度均小于35 μg/m 3 ，污染过程结束（ 高庆先 等，2020 高庆先 等，2020 ）。 1,2,3;4; 图2 图2 是2020-02-10—2020-02-12每日06：00 FY-3D MERSI反演的AOD结果值分布情况，可以明显看出卫星AOD资料分布较地面观测更为密集，并且能够覆盖华北和东北的大部分地区，但在内蒙古、宁夏地区由于植被稀疏，没有AOD反演数据；而在湖北、江苏等地区由于云的影响，也会出现资料缺测的问题。 图2（a） 图2（a） 中2月10日AOD大于0.5的大值区在京津冀、陕西及沈阳到大连一线，与PM 2.5 观测资料的大值区一致。由 图2（b） 图2（b） 和 图3（c） 图3（c） 中可以看出，卫星AOD大值区分布也与 图1（b） 图1（b） 、 图1（c） 图1（c） 中地基PM 2.5 的大值区基本一致，但范围更大，特别是在辽宁东北部的AOD的大值区，这一方面是因为地面站点分布不均匀，PM 2.5 没有覆盖到这些区域，另一方面是由于这一区域的相对湿度比较大，气溶胶的吸湿增长导致AOD增大，而PM 2.5 本身的浓度不高。 1,2,3;4; 3.2　初始场检验评价 2 图3 图3 为2020-02-10—2020-02-12控制试验每天06：00初始场情况，由 图3 图3 可见，模拟的污染区分布与 图1 图1 中PM 2.5 观测相似， 图3（a） 图3（a） 2月10日主要的污染区位于华北地区，北京、天津PM 2.5 浓度均在180 μg/m 3 以上。相比 图1（a） 图1（a） ，北京、天津以及皖北到苏北的PM 2.5 浓度值比实况偏大，而东北的PM 2.5 浓度值偏小。由 图3（b） 图3（b） 可以看出，2月11日污染区明显北移，京津冀及东北地区污染程度增强，PM 2.5 数值在150 μg/m 3 以上，山东、江苏、安徽等地区污染减弱，与 图1（b） 图1（b） 分布相似，但观测结果中高污染区的强度和范围明显小于模拟结果。2月12日（ 图3（c） 图3（c） ）华北地区的重污染区范围扩大，东北地区重污染区略范围减小，与观测结果的趋势一致（ 图1（c） 图1（c） ），但模拟的污染区强度和范围仍大于观测结果。 1,2,3;4; 图4 图4 为2020-02-10—2020-02-12 3组同化试验的PM 2.5 增量场，即同化试验减去控制试验的差值场。 图4（a） 图4（a） 为2月10日PM试验的增量场，可以看出，东北地区以正增量为主，天津以及山东半岛到江苏、安徽等地区为负的增量场，对比控制试验（ 图3（a） 图3（a） ）和地面PM 2.5 观测结果（ 图1（a） 图1（a） ）的差别，同化后的初始场由于融合了地面PM 2.5 观测信息，与观测场更一致。 图4（b） 图4（b） 为2月11日PM试验的增量场，除了河北北部以及陕西西南部地区以外，整个增量场以负值为主，同化改进了控制试验（ 图3（b） 图3（b） ）中相比于地面观测（ 图1（b） 图1（b） ）的高估情况。 图4（c） 图4（c） 2月12日PM 2.5 试验的增量场，可以看出整个华北、东北地区为明显的负增量场，也改进了控制试验相比于地面观测的高估情况。总体来说，PM试验可以显著的改进控制试验的高估。 图4（d） 图4（d） 、 图4（e） 图4（e） 和 图4（f） 图4（f） 分别为2020-02-10—2020-02-12 FY试验初始场PM 2.5 的增量分布，可以看出，FY试验也是以负增量场为主，从2020-02-10—2020-02-12负增量的范围和强度逐渐扩大，与PM试验增量场的趋势是一致的，这说明FY-3D卫星AOD资料虽然和地面PM 2.5 资料是相互独立的数据源，但两者的强度分布是基本一致的，对同化改进的趋势也趋同；但FY试验和PM试验的增量场也有所区别，主要体现在FY试验负增量场的强度和范围偏小，而正增量场的范围较大，强度也略大于PM试验，这和 图2 图2 中卫星AOD的大值区范围偏大是一致的，而这些地方的地面观测站点较少（ 图1 图1 ），说明通过同化AOD数据在空间上可以更全面地提高PM 2.5 模拟结果。 图4（g） 图4（g） 、 图4（h） 图4（h） 和 图4（i） 图4（i） 分别为2020-02-10—2020-02-12 FY & PM试验PM 2.5 的增量场，可以看出，FY & PM试验由于融合了PM 2.5 和卫星AOD数据，其增量场正负中心更多，FY & PM试验增量场分布既综合体现了前两组同化试验各自的特征，又体现出AOD数据对地面PM 2.5 观测的补充效果。由于AOD数据的数据量更大，所包含的信息量更充足，其明显改善了PM试验由于数据缺失导致的在西北地区的低估模拟，可以认为AOD数据在空间上可以更全面的对模式的模拟效果进行改进。 1,2,3;4,5,6;7,8,9;10; 为了进一步定量评价同化对初始场的改进效果，利用 式（2） 式（2） — 式（4） 式（4） 计算2020-02-10—2020-02-12 T 06：00时各组试验的量化评分。 图5 图5 为4组试验2020-02-10—2020-02-12模式初始场PM 2.5 与观测值的散点图， 表3 表3 为其对应的检验评分。由 图5（a） 图5（a） 可以看出，2月10日控制试验初始场的模拟结果（黑色）位于中心线左上方，表明控制试验中PM 2.5 浓度模拟结果普遍偏高，平均偏差为64.68 μg/m 3 ，相关系数仅为0.39，均方根误差为85.34 μg/m 3 ；同化PM试验（蓝色）降低了PM 2.5 的模拟浓度，与观测结果更一致，平均偏差降低到36.24 μg/m 3 ，相关系数提高到0.73，均方根误差降低到48.69 μg/m 3 ；FY试验（红色）相对于控制试验也有一定改进，平均偏差为62.12 μg/m 3 ，相关系数为0.47，均方根误差为70.68 μg/m 3 ，需要强调的是，由于检验资料用的是地面PM 2.5 观测，而FY试验的同化资料来自于卫星AOD数据，两者的观测变量、时空分布都有所不同，但FY试验评分仍优于控制试验，这表明同化卫星AOD资料对改进地面PM 2.5 分析场有一定的正效应； 图5（a） 图5（a） 中FY & PM试验（棕色）的评分介于PM试验与FY试验之间，平均偏差为40.91 μg/m 3 ，相关系数为0.66，均方根误差为55.17 μg/m 3 。 图5（b） 图5（b） （c）分别是2020-02-11—2020-02-12 PM 2.5 模式初始场与观测散点图，与 图5（a） 图5（a） 类似，3组同化试验的检验结果均优于控制试验，特别是 图5（b） 图5（b） 中的FY试验也明显优于控制试验，相关系数达到了0.72。 1,2,3;4; 日期 3 2020-02-10 3 2020-02-11 3 2020-02-12 评分指标 平均偏差 相关系数 2 均方根误差 平均偏差 相关系数 2 均方根误差 平均偏差 相关系数 均方根误差 控制试验 64.68 0.39 2 85.34 54.01 0.70 2 67.69 86.99 0.44 102.8 PM试验 36.24 0.73 2 48.69 20.70 0.87 2 30.50 35.86 0.72 47.22 FY试验 62.12 0.47 2 70.68 42.57 0.72 2 68.28 55.90 0.58 72.20 FYPM试验 40.91 0.66 2 55.17 23.98 0.79 2 37.47 40.11 0.60 55.18 下面以卫星AOD数据作为标准计算量化评分， 图6 图6 为观测和模拟的散点图， 表4 表4 为其对应的检验评分。 图6 图6 、 图5 图5 类似，3组同化试验总体上均优于控制试验。相对而言，FY试验（红色）及其评分最优，但FY & PM试验（棕色）的有些评分与FY试验相当，甚至优于FY试验，如 图6（b） 图6（b） 中FY & PM试验的平均偏差为0.02， 图6（c） 图6（c） 中FY & PM试验的平均偏差为0.05，相关系数为0.83，均方根误差为0.18，均优于FY试验的评分，这说明同化地面PM 2.5 资料，可以有效弥补整层AOD的效果。 1,2,3;4; 日期 3 2020-02-10 3 2020-02-11 3 2020-02-12 评分指标 平均偏差 相关系数 2 均方根误差 平均偏差 相关系数 2 均方根误差 平均偏差 相关系数 均方根误差 控制试验 0.00 0.49 2 0.19 0.26 0.43 2 0.45 0.43 0.54 0.62 PM试验 0.07 0.56 2 0.71 0.17 0.45 2 0.35 0.19 0.38 0.35 FY试验 0.01 0.72 2 0.11 0.03 0.85 2 0.13 0.11 0.81 0.24 FYPM试验 0.05 0.71 2 0.12 0.02 0.84 2 0.13 0.05 0.83 0.18 为了更客观评价同化对初始场的改进效果，对PM 2.5 观测和AOD观测资料进行检验结果进行平均。 表3 表3 是2020-02-10—2020-02-12两种资料检验的平均量化评分，可以看出，两种检验方法同化试验的评分均优于控制试验。用PM 2.5 检验时，控制试验的平均偏差为68.56 μg/m 3 ，相关系数为0.51，均方根误差为80.36 μg/m 3 。通过同化PM试验平均偏差减小到30.93 μg/m 3 ，减少54.9%，相关系数提高到0.77，提高51.4%，均方根误差减小到85.36 μg/m 3 ，减小50.6%；FY试验的平均偏差为53.53 μg/m 3 ，减少21.9%，相关系数为0.59，提高16%，均方根误差为70.72 μg/m 3 ，减少17.2%。FY & PM的平均偏差为35 μg/m 3 ，减少49%，相关系数为0.68，提高34%，均方根误差为49.28 μg/m 3 ，减少42.3%。用AOD资料检验的效果表明，FY & PM试验的平均总体最优，平均偏差为0.04，降低83%，相关系数为0.8，提升66%，均方根误差为0.15，降低65.2%。 注： PM 2.5 检验的平均偏差和均方根误差单位为μg/m 3 ，AOD检验为无量纲量，（）中的数字为同化试验与控制试验评分对比的相对百分比量，—表示控制试验本身。 2 评分指标 4 PM 2.5 检验 4 AOD检验 控制试验 PM试验 FY试验 FY&PM试验 控制试验 PM试验 FY试验 FY&PM试验 平均偏差 68.56 — 30.93 （-54.9%） 53.53 （-21.9%） 35.00 （-49.0%） 0.23 — 0.14 （-37.6%） 0.05 （-78.4%） 0.04 （-83.0%） 相关系数 0.51 — 0.77 （51.4%） 0.59 （16.0%） 0.68 （34.0%） 0.48 — 0.46 （-3.3%） 0.79 （54.2%） 0.80 （66%） 均方根误差 85.36 — 42.14 （-50.6%） 70.72 （-17.2%） 49.28 （-43.2%） 0.42 — 0.29 （-31.6%） 0.16 （-62.2%） 0.15 （-65.2%） 注： PM 2.5 检验的平均偏差和均方根误差单位为μg/m 3 ，AOD检验为无量纲，（）中的数字为同化试验与控制试验评分对比的相对百分比量，—表示控制试验本身。 2 评分指标 4 PM 2.5 检验 4 AOD检验 控制试验 PM试验 FY试验 FY&PM试验 控制试验 PM试验 FY试验 FY&PM试验 平均偏差 80.28 — 68.09 （-15.2%） 69.25 （-13.7%） 64.48 （-19.7%） 0.31 — 0.28 （-10.5%） 0.22 （-29.2%） 0.19 （-40.1%） 相关系数 0.55 — 0.59 （7.3%） 0.58 （6.5%） 0.60 （8.8%） 0.44 — 0.46 （3.3%） 0.54 （23.4%） 0.56 （25.9%） 均方根误差 96.38 — 83.49 （-13.4%） 84.52 （-12.3%） 79.78 （-17.2%） 0.69 — 0.51 （-22.7%） 0.48 （-27.0%） 0.43 （-34.7%） 3.3　预报效果检验评价 2 同化对初始场改进的主要目的是提高后续预报的准确率，下面对4组试验的预报结果进行分析和评价。 图7 图7 是2020-02-10 T 06：00—2020-02-12 T 06：00每天24 h PM 2.5 预报的量化评分演变曲线，可以看出，3组同化试验的平均偏差、相关系数和均方根误差相对于控制试验都有所提高。 图7（a） 图7（a） ， 图7（b） 图7（b） 和 图7（c） 图7（c） 分别是2月10、11和12日平均偏差变化曲线，可以看出除了10日FY试验（红色线）对控制试验的改善效果略差以外，其他时间3组同化试验对控制试验都有明显的改善，而且改善效果一直持续到24 h。 图7（d） 图7（d） ， 图7（e） 图7（e） 和 图7（f） 图7（f） 为相关系数曲线，3组同化试验对控制试验都有明显提高，特别在前12 h的提高显著。 图7（g） 图7（g） ， 图7（h） 图7（h） 和 图7（i） 图7（i） 为均方根误差变化曲线，其特征与平均偏差曲线相似。从 图7 图7 中还可以看出，PM试验（蓝色线）在前几小时的评分通常优于FY试验（红色线）和FY & PM试验（棕色线），但随着预报时效的延长，FY & PM试验（棕色线）通常能够超过PM试验的评分，FY试验的评分也能和PM试验相当，这表明同化卫星AOD资料能够改进三维空间的气溶胶浓度，更有利于后期预报的持续性提高。 1,2,3;4,5,6;7,8,9;10; 表4 表4 是2020-02-10—2020-02-12 24 h预报平均量化检验结果，可以看出，以PM 2.5 和AOD两种资料检验的结果都表明同化对预报有明显的改进。以PM 2.5 作为检验标准时，相对于控制试验，同化PM试验的平均偏差减少15.2%，相关系数提高7.3%，均方根误差减少13.4%；同化FY试验也有明显的改进，平均偏差减少13.7%，相关系数提高6.5%，均方根误差减少了12.3%。同化FY & PM试验的改善效果最显著，平均偏差减少19.7%，相关系数提高8.8%，均方根误差减少17.2%。用卫星AOD资料作为检验标准与PM 2.5 检验标准的效果类似，3组同化试验都比控制试验有提高，同化FY & PM的提升效果最好，平均偏差减少40.1%，相关系数提高25.9%，均方根误差减少了34.7%；同化FY试验也有显著改进，平均偏差、相关系数和均方根误差都改进20%以上。总之，两种资料的检验都表明同化地面PM 2.5 和卫星AOD资料均可以改进24 h预报评分，同时同化两种资料的预报评分效果最高，这说明两种资料可以相互弥补，达到最好的预报效果。 4　结论 1 资料同化是改进大气化学模式预报水平的有效手段，目前用于空气质量预报的卫星数据大多源于国外卫星，包括Terra、Aqua、Himawari-8等。本文首次采用了国内自主研发的FY-3D星AOD数据进行同化和空气质量预报，以2020-02-10—2020-02-12中国北部地区的一次重污染过程为例，检验了FY-3D星数据对提高空气质量预报水平的作用，为空气质量资料同化预报自主控制提供了参考。 本文的试验结果表明，无论同化地面PM 2.5 质量浓度还是AOD都可以有效提高24 h的预报效果，当采用地面PM 2.5 作为检验标准时，同时同化两种资料相对于只同化地面PM 2.5 资料，对后期预报的改进有明显提升，这表明卫星AOD资料能够弥补地面PM 2.5 资料的不足，对三维空间场的改进尤其有利于后期地面PM 2.5 预报的提高。以AOD数据为检验标准时，同化两种资料试验相对于无同化试验提高效果更为显著，24 h预报场的平均偏差和均方根误差分别降低40.1%和34.7%，相关系数提高25.9%。与已有文献相比，本文中同化FY-3D星AOD资料的提高效果高于国外卫星资料同化对预报的改进，例如同样是对24 h预报的改进，同化GOCI的AOD资料平均偏差降低36.3%左右（ Pang等，2018 Pang等，2018 ），同化Terra和Aqua卫星的MODIS的AOD资料平均偏差降低14.2%左右（ McHenry等，2015 McHenry等，2015 ）。当然，同化效果的改进受地理区域、污染情况、模式能力等差异的影响，不能完全相比，但可以肯定同化FY-3D星AOD资料的在空气质量预报中有非常好的应用前景。 本文对风云卫星AOD同化试验仅是初步的，在以后的研究中还需要进一步从资料和同化两方面入手提高FY-3D星的应用价值。如目前的FY-3D星MERSI的AOD数据采用的是暗目标算法DT（Dark Target），主要覆盖有植被、城市和反射率较低的裸地上空（ 杨磊库 等，2021 杨磊库 等，2021 ），而在高纬度雪融地区、沙漠区以及海洋上空缺少反演结果，如果能改进反演算法增加AOD在这些区域的反演值，将会进一步提高卫星AOD同化和预报的效果；还可以利用卫星AOD和地面PM 2.5 资料进行四维变分资料同化研究，将更多的观测信息引入模式中，生成在四维时空尺度上更加协调的分析场，同时还可以改进模式的排放源，下一步将在这些方面开展研究。 参考文献（References） Cui Y J , Wang Z F , Zhu J and Fu Q Y . 2006 . A preliminary study on data assimilation for numerical air quality model prediction . Climatic and Environmental Research , 11 ( 5 ): 616 - 626 A preliminary study on data assimilation for numerical air quality model prediction 崔应杰 , 王自发 , 朱江 , 付晴艳 . 2006 . 空气质量数值模式预报中资料同化的初步研究 . 气候与环境研究 , 11 ( 5 ): 616 - 626 [ DOI: 10.3969/j.issn.1006-9585.2006.05.006 http://dx.doi.org/10.3969/j.issn.1006-9585.2006.05.006 ] 空气质量数值模式预报中资料同化的初步研究 Derber J and Bouttier F . 1999 . A reformulation of the background error covariance in the ECMWF global data assimilation system . Tellus A : Dynamic Meteorology and Oceanography , 51 ( 2 ): 195 - 221 [ DOI: 10.3402/tellusa.v51i2.12316 http://dx.doi.org/10.3402/tellusa.v51i2.12316 ] A reformulation of the background error covariance in the ECMWF global data assimilation system Feng S Z , Jiang F , Jiang Z Q , Wang H M , Cai Z and Zhang L . 2018 . Impact of 3DVAR assimilation of surface PM 2.5 observations on PM 2.5 forecasts over China during wintertime . Atmospheric Environment , 187 : 34 - 49 [ DOI: 10.1016/j.atmosenv.2018.05.049 http://dx.doi.org/10.1016/j.atmosenv.2018.05.049 ] Impact of 3DVAR assimilation of surface PM2.5 observations on PM2.5 forecasts over China during wintertime Forkel R , Balzarini A , Baró R , Bianconi R , Curci G , Jiménez-Guerrero P , Hirtl M , Honzak L , Lorenz C , Im U , Pérez J L , Pirovano G , José R S , Tuccella P , Werhahn J and Žabkar R . 2015 . Analysis of the WRF-Chem contributions to AQMEII phase2 with respect to aerosol radiative feedbacks on meteorology and pollutant distributions . Atmospheric Environment , 115 : 630 - 645 [ DOI: 10.1016/j.atmosenv.2014.10.056 http://dx.doi.org/10.1016/j.atmosenv.2014.10.056 ] Analysis of the WRF-Chem contributions to AQMEII phase2 with respect to aerosol radiative feedbacks on meteorology and pollutant distributions Gao M , Guttikunda S K , Carmichael G R , Wang Y S , Liu Z R , Stanier C O , Saide P E and Yu M . 2015 . Health impacts and economic losses assessment of the 2013 severe haze event in Beijing area . Science of the Total Environment , 511 : 553 - 561 . [ DOI: 10.1016/j.scitotenv.2015.01.005 http://dx.doi.org/10.1016/j.scitotenv.2015.01.005 ] Health impacts and economic losses assessment of the 2013 severe haze event in Beijing area Gao Q X , Wang N , Gao W K , Gao W O , Li Y X , Fu J F and Dai J Q . 2020 . Analysis of two atmospheric heavy pollution processes in Beijing-Tianjin-Hebei and surrounding areas during the Spring Festival of 2020 . Journal of Environmental Engineering Technology , 10 ( 4 ): 517 - 530 Analysis of two atmospheric heavy pollution processes in Beijing-Tianjin-Hebei and surrounding areas during the Spring Festival of 2020 高庆先 , 王宁 , 高文康 , 高文欧 , 李迎新 , 付加锋 , 代佳庆 . 2020 . 2020年春节期间京津冀及周边地区2次大气重污染过程分析 . 环境工程技术学报 , 10 ( 4 ): 517 - 530 [ DOI: 10.12153/j.issn:1674-991X.20020087 http://dx.doi.org/10.12153/j.issn:1674-991X.20020087 ] 2020年春节期间京津冀及周边地区2次大气重污染过程分析 Grell G A , Peckham S E , Schmitz R , McKeen S A , Frost G , Skamarock W C and Eder B . 2005 . Fully coupled “online” chemistry within the WRF model . Atmospheric Environment , 39 ( 37 ): 6957 - 6975 [ DOI: 10.1016/j.atmosenv.2005.04.027 http://dx.doi.org/10.1016/j.atmosenv.2005.04.027 ] Fully coupled “online” chemistry within the WRF model Jiang Z Q , Liu Z Q , Wang T J , Schwartz C S , Lin H C and Jiang F . 2013 . Probing into the impact of 3DVAR assimilation of surface PM 10 observations over China using process analysis . Journal of Geophysical Research : Atmospheres , 118 ( 12 ): 6738 - 6749 [ DOI: 10.1002/jgrd.50495 http://dx.doi.org/10.1002/jgrd.50495 ] Probing into the impact of 3DVAR assimilation of surface PM10 observations over China using process analysis Jin L B , Zang Z L , Pan X B , Wang T J , Hao Z L and Jiang Z Q . 2016 . Data assimilation and application experiments of PM 2.5 and PM 2.5 ~10 during Nanjing Youth Olympic Games . China Environmental Science , 36 ( 2 ): 331 - 341 Data assimilation and application experiments of PM2.5 and PM2.5~10 during Nanjing Youth Olympic Games 靳璐滨 , 臧增亮 , 潘晓滨 , 王体健 , 郝子龙 , 蒋自强 . 2016 . PM 2.5 和PM 2.5 ~10资料同化及在南京青奥会期间的应用试验 . 中国环境科学 , 36 ( 2 ): 331 - 341 [ DOI: 10.3969/j.issn.1000-6923.2016.02.003 http://dx.doi.org/10.3969/j.issn.1000-6923.2016.02.003 ] PM2.5和PM2.5~10资料同化及在南京青奥会期间的应用试验 Li Z , Zang Z , Li Q B , Chao Y , Chen D , Ye Z , Liu Y and Liou K N . 2013 . A three-dimensional variational data assimilation system for multiple aerosol species with WRF/Chem and an application to PM 2.5 prediction . Atmospheric Chemistry and Physics , 13 ( 8 ): 4265 - 4278 [ DOI: 10.5194/acp-13-4265-2013 http://dx.doi.org/10.5194/acp-13-4265-2013 ] A three-dimensional variational data assimilation system for multiple aerosol species with WRF/Chem and an application to PM2.5 prediction Liang Y F , Zang Z L , Liu D , Yan P , Hu Y W , Zhou Y and You W . 2020 . Development of a three-dimensional variational assimilation system for lidar profile data based on a size-resolved aerosol model in WRF–Chem model v3 . 9 .1 and its application in PM2.5 forecasts across China. Geoscientific Model Development , 13 ( 12 ): 6285 - 6301 [ DOI: 10.5194/gmd-13-6285-2020 http://dx.doi.org/10.5194/gmd-13-6285-2020 ] Development of a three-dimensional variational assimilation system for lidar profile data based on a size-resolved aerosol model in WRF–Chem model v3 McHenry J N , Vukovich J M and Hsu N C . 2015 . Development and implementation of a remote-sensing and in situ data-assimilating version of CMAQ for operational PM 2.5 forecasting . Part 1 : MODIS aerosol optical depth (AOD) data-assimilation design and testing. Journal of the Air and Waste Management Association, 65 ( 12 ): 1395 - 1412 [ DOI: 10.1080/10962247.2015.1096862 http://dx.doi.org/10.1080/10962247.2015.1096862 ] Development and implementation of a remote-sensing and in situ data-assimilating version of CMAQ for operational PM2.5 forecasting Pang J M , Liu Z Q , Wang X M , Bresch J , Ban J M , Chen D and Kim J . 2018 . Assimilating AOD retrievals from GOCI and VIIRS to forecast surface PM 2.5 episodes over Eastern China . Atmospheric Environment , 179 : 288 - 304 [ DOI: 10.1016/j.atmosenv.2018.02.011 http://dx.doi.org/10.1016/j.atmosenv.2018.02.011 ] Assimilating AOD retrievals from GOCI and VIIRS to forecast surface PM2.5 episodes over Eastern China Parrish D F and Derber J C . 1992 . The national meteorological center’s spectral statistical-interpolation analysis system . Monthly Weather Review , 120 ( 8 ): 1747 - 1763 [ DOI: 10.1175/1520-0493(1992)120<1747:tnmcss>2.0.co;2 http://dx.doi.org/10.1175/1520-0493(1992)120<1747:tnmcss>2.0.co;2 ] The national meteorological center’s spectral statistical-interpolation analysis system Saide P E , Kim J , Song C H , Choi M , Cheng Y F and Carmichael G R . 2014 . Assimilation of next generation geostationary aerosol optical depth retrievals to improve air quality simulations . Geophysical Research Letters , 41 ( 24 ): 9188 - 9196 [ DOI: 10.1002/2014gl062089 http://dx.doi.org/10.1002/2014gl062089 ] Assimilation of next generation geostationary aerosol optical depth retrievals to improve air quality simulations Shi Y R , Levy R C , Yang L K , Remer L A , Mattoo S and Dubovik O . 2021 . A Dark Target research aerosol algorithm for MODIS observations over eastern China: increasing coverage while maintaining accuracy at high aerosol loading . Atmospheric Measurement Techniques , 14 ( 5 ): 3449 - 3468 [ DOI: 10.5194/AMT-14-3449-2021 http://dx.doi.org/10.5194/AMT-14-3449-2021 ] A Dark Target research aerosol algorithm for MODIS observations over eastern China: increasing coverage while maintaining accuracy at high aerosol loading Tang Y H , Pagowski M , Chai T F , Pan L , Lee P , Baker B , Kumar R , Monache L D , Tong D and Kim H C . 2017 . A case study of aerosol data assimilation with the Community Multi-scale Air Quality Model over the contiguous United States using 3D-Var and optimal interpolation methods . Geoscientific Model Development , 10 ( 12 ): 4743 - 4758 [ DOI: 10.5194/gmd-10-4743-2017 http://dx.doi.org/10.5194/gmd-10-4743-2017 ] A case study of aerosol data assimilation with the Community Multi-scale Air Quality Model over the contiguous United States using 3D-Var and optimal interpolation methods Xue W B , Wang J N , Yang J T , Lei Y , Wang Y M and Chen X . 2013 . Domestic and foreign research progress of air quality model . Environment and Sustainable Development , 38 ( 3 ): 14 - 20 Domestic and foreign research progress of air quality model 薛文博 , 王金南 , 杨金田 , 雷宇 , 汪艺梅 , 陈曦 . 2013 . 国内外空气质量模型研究进展 . 环境与可持续发展 , 38 ( 3 ): 14 - 20 [ DOI: 10.19758/j.cnki.issn1673-288x.2013.03.004 http://dx.doi.org/10.19758/j.cnki.issn1673-288x.2013.03.004 ] 国内外空气质量模型研究进展 Yang L K , Hu X Q , Wang H , He X W , Liu P , Xu N , Yang Z D and Zhang P . 2021 . Preliminary test of quantitative capability in aerosol retrieval over land from MERSI-II onboard Fengyun-3D . National Remote Sensing Bulletin , 25 ( 6 ): 1 - 25 Preliminary test of quantitative capability in aerosol retrieval over land from MERSI-II onboard Fengyun-3D 杨磊库 , 胡秀清 , 王涵 , 何兴伟 , 刘培 , 徐娜 , 杨忠东 , 张鹏 . 2021 . 风云三号D星MERSI-II陆地气溶胶反演定量能力初测 . 遥感学报 , 26 ( 7 ) [DOI:10.11834/jrs.20210286] 风云三号D星MERSI-II陆地气溶胶反演定量能力初测 Yang Z D , Zhang P , Gu S Y , Hu X Q , Tang S H , Yang L K , Xu N , Zhen Z J , Wang L , Wu Q , Dou F L , Liu R X , Wu X , Zhu L , Zhang L Y , Wang S J , Sun Y Q and Bai W H . 2019 . Capability of Fengyun -3D satellite in earth system observation . Journal of Meteorological Research , 33 ( 6 ): 1113 - 1130 [ DOI: 10.1007/s13351-019-9063-4 http://dx.doi.org/10.1007/s13351-019-9063-4 ] Capability of Fengyun-3D satellite in earth system observation Yumimoto K , Nagao T M , Kikuchi M , Sekiyama T T , Murakami H , Tanaka T Y , Ogi A , Irie H , Khatri P , Okumura H , Arai K , Morino I , Uchino O and Maki T . 2016 . Aerosol data assimilation using data from Himawari-8, a next-generation geostationary meteorological satellite . Geophysical Research Letters , 43 ( 11 ): 5886 - 5894 [ DOI: 10.1002/2016gl069298 http://dx.doi.org/10.1002/2016gl069298 ] Aerosol data assimilation using data from Himawari-8, a next-generation geostationary meteorological satellite Zang Z L , Li Z J , Pan X B , Hao Z L and You W . 2016 . Aerosol data assimilation and forecasting experiments using aircraft and surface observations during CalNex . Tellus B : Chemical and Physical Meteorology , 68 ( 1 ): 29812 [ DOI: 10.3402/tellusb.v68.29812 http://dx.doi.org/10.3402/tellusb.v68.29812 ] Aerosol data assimilation and forecasting experiments using aircraft and surface observations during CalNex Zaveri R A , Easter R C , Fast J D and Peters L K . 2008 . Model for simulating aerosol interactions and chemistry (MOSAIC) . Journal of Geophysical Research : Atmospheres , 113 ( D13 ): D 13204 [ DOI: 10.1029/2007jd008782 http://dx.doi.org/10.1029/2007jd008782 ] Model for simulating aerosol interactions and chemistry (MOSAIC) Zhang R H , Li Q and Zhang R N . 2014 . Meteorological conditions for the persistent severe fog and haze event over eastern China in January 2013 . Science China Earth Sciences , 57 ( 1 ): 26 - 35 Meteorological conditions for the persistent severe fog and haze event over eastern China in January 2013 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 . 中国科学 : 地球科学 , 44 ( 1 ): 27 - 36 [ Doi: 10.1007/s11430-013-4774-3 http://dx.doi.org/10.1007/s11430-013-4774-3 ] 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 Zhang Y , Liao H , Zhu K F and Yin Y . 2009 . Role of black carbon-induced changes in snow albedo in predictions of temperature and precipitation during a snowstorm . Atmospheric and Oceanic Science Letters , 2 ( 4 ): 230 - 236 [ DOI: 10.1080/16742834.2009.11446801 http://dx.doi.org/10.1080/16742834.2009.11446801 ] Role of black carbon-induced changes in snow albedo in predictions of temperature and precipitation during a snowstorm Zhang Y X , Li X , Zhang M , Kang Q , Wei W , Zheng X B , Zhang Y . 2020 . On-orbit Radiometric Calibration for Thermal Infrared Band of FY3D/MERSI-Ⅱ Satellite Remote Sensor Based on Qinghai Lake Radiation Calibration Test-site On-orbit Radiometric Calibration for Thermal Infrared Band of FY3D/MERSI-Ⅱ Satellite Remote Sensor Based on Qinghai Lake Radiation Calibration Test-site 张允祥 , 李新 , 张孟 , 康晴 , 韦玮 , 郑小兵 , 张勇 . 基于青海湖辐射校正场的FY3D/MERSI-Ⅱ卫星遥感器热红外波段在轨辐射定标 [J]. 光子学报 , 2020 , 49 ( 05 ): 134 - 142 基于青海湖辐射校正场的FY3D/MERSI-Ⅱ卫星遥感器热红外波段在轨辐射定标 Zhao Z J , Wei Y J , Zhang X Z , Qin W and Xie H F . 2015 . The correlation analysis of Nanjing haze days and meteorological factors . China Environmental Science , 35 ( 12 ): 3570 - 3580 The correlation analysis of Nanjing haze days and meteorological factors 赵子菁 , 魏永杰 , 张祥志 , 秦玮 , 谢慧芳 . 2015 . 南京市霾天气与主要气象条件的相关分析 . 中国环境科学 , 35 ( 12 ): 3570 - 3580 [ DOI: 10.3969/j.issn.1000-6923.2015.12.006 http://dx.doi.org/10.3969/j.issn.1000-6923.2015.12.006 ] 南京市霾天气与主要气象条件的相关分析 10.11834/jrs.20211342 1007-4619（2022）05-0941-12 王溢婕，臧增亮，杨磊库，颜鹏，胡译文，曾勇，尤伟，潘晓滨.2022.风云三号D星MERSI AOD资料的同化应用研究.遥感学报，26（5）： 941-952 王溢婕，臧增亮，杨磊库，颜鹏，胡译文，曾勇，尤伟，潘晓滨.2022.风云三号D星MERSI AOD资料的同化应用研究.遥感学报，26（5）： 941-952 Wang Y J，Zang Z L，Yang L K，Yan P，Hu Y W，Zeng Y，You W and Pan X B. 2022. Assimilation application of MERSI AOD of FY-3D satellite data. National Remote Sensing Bulletin， 26（5）：941-952 Wang Y J，Zang Z L，Yang L K，Yan P，Hu Y W，Zeng Y，You W and Pan X B. 2022. Assimilation application of MERSI AOD of FY-3D satellite data. National Remote Sensing Bulletin， 26（5）：941-952 国家重点研发计划（编号2017YFC1501702）；国家自然科学基金（编号： 41775123） Supported by National Key Research and Development Project (No.2017YFC1501702)；National Natural Science Foundation of China (No.41775123) 2021-05-31 2022-05-07 2022-05-30 2021-10-05 遥感学报 5 26