PM2.5对当今公众而言绝非陌生词汇，过去十年它频频出现在大众面前，甚至成为社交话题，皆因其高浓度所带来的复杂影响。PM2.5是对空气动力学直径小于2.5微米的大气颗粒物的简称，又称为细颗粒物，广泛存在于大气环境中。
差别于天气预报，空气污染预报中排放源是决定污染物分布的重要驱动因子，对污染物排放量估算的准确性直接决定了预报精准度，而获取准确的排放源，自己具有很浩劫度。
首先PM2.5的来源非常多样，根据排放主体特征一般分为人为源和自然源两大类。自然源包罗火山喷发、森林山火、沙尘事件等。人为源则是指和人类活动相关的各种排放，例如航空、轮船、工厂等使用的化石燃料燃烧，秸秆、木柴等生物质燃烧。对于都会大气来说，工业和电厂、门路交通、建筑扬尘、餐饮和民用生活是产生PM2.5的主要来源。这些排放由人为活动和自然界过程决定，一些不规律的排放在时空分布上的不均匀特征难以统计，好比建筑扬尘、春节期间烟花爆竹排放，还有短时阵风引起的扬尘，并不在固定的时间、区域发生，往往没有计入排放清单。
别的，PM2.5排放往往具有较强的局地化特点。一条主干道附近和三公里外的街心公园的PM2.5浓度显然不在一个水平。而数值模式接纳网格平均的方式来表征真实大气，网格分辨率在数公里到百公里，这就表现模式预报要用一个网格均值抓住这个网格范围内所有活动引起的PM2.5浓度差别，这对排放清单的分辨率要求是非常高的。
在排放源、气象条件、物理化学方案等多方面误差来源并存又不能快速诊断解决的情况下，我们只能在如何获得更准确的当前污染物状态上下功夫。显然，观测信息代表的即为当前状态。如何将观测信息融合进模式初始值并保持系统平衡？资料同化技术应声登场。
除了资料同化技术，近几年深度学习、人工智能也越来越多被运用在气象和空气质量预报中。最近华为云的研究人员提出的盘古气象大模型通过对1979-2021年ERA5再分析数据集的深度学习，首次在中恒久气象预报精度上凌驾了传统数值方法。这让我们相信，虽然PM2.5乃至大气环境预报存在诸多难题，通过传统数值预报方法和资料同化、深度学习等技术的结合，高精度预报未来可期。
作者：北京都会气象研究院 魏颖返回搜狐，检察更多
责任编辑：
|
今天是: 发布信息
