基于机器学习风速订正的耦合WRF–CMAQ模拟：动态同化与静态替换的对比

《Atmospheric Environment》：Application of machine learning-based wind corrections to coupled WRF–CMAQ simulations: A comparison of dynamic assimilation and static replacement

　　

WRF（Weather Research and Forecasting model）常高估近地面风速，这会扭曲耦合空气质量模拟中的污染物传输与累积。研究人员开发了一个XGBoost模型来订正10 m风分量，并测试了将订正风场引入WRF–CMAQ的三种方式：在WRF输出中替换、在MCIP（Meteorology–Chemistry Interface Processor）处理阶段替换、以及通过观测nudging（observation nudging）进行动态同化。该订正降低了风速偏差，并改善了海岸带与垂直风场的表征。然而其对空气质量的影响取决于集成路径：静态替换几乎无变化，而观测nudging允许订正场修改三维气流与边界层结构，在强传输条件下改善了O3和PM2.5模拟，但在静稳期加剧了已有的累积偏差。这些结果表明，准确的ML订正并不必然改善空气质量模拟，除非它们以动力一致的方式耦合进模型。

研究背景与动机

东亚空气污染近年呈现PM_2.5下降、近地面O₃上升的结构性转变，二次光化学过程与气象条件的作用增强。WRF（Weather Research and Forecasting model）在多样地形下系统性高估近地面风速，这一偏差源于地形平滑与近地面层参数化，会增强扩散与垂直混合、削弱静稳，导致高浓时段污染物累积被低估，并通过耦合系统传播至CMAQ（Community Multiscale Air Quality）预测的O₃与PM_2.5。传统数据同化（DA）受实时观测限制，既有机器学习（ML）风速订正多停留于后处理或表层替换，未动态传入三维结构，因此订正信息能否在WRF–CMAQ中保持动力一致性仍不清楚。该研究发表于《Atmospheric Environment》，旨在回答“准确订正风场”与“改善空气质量模拟”之间并非自动等价这一核心问题。

主要技术方法

研究人员以韩国半岛为域（D01 27 km、D02 9 km，Lambert Conformal Conic投影，30层σ坐标，顶至100 hPa），用WRF v4.4驱动CMAQ v5.4，初始边界来自ERA5再分析，物理方案含YSU边界层、WSM5微物理、Noah陆面等，排放采用ASIA-AQ v3与MEGAN v2.1，模拟2021–2023年1/4/7/10月。基于KMA的ASOS/AWS站2021–2023小时观测，构建两个XGBoost回归模型分别订正10 m U/V风，预测因子取自MCIP的METCRO2D全量近地面变量加站点的经纬度、年内日序、日内小时等辅助时空特征，直接预测订正后风矢量而非残差；验证含5折时间分层交叉验证、2023留出集与2024完全独立集。风场集成设四组：CNTL（不改）、EXP_WRF（wrfout表层U/V静态替换后重跑MCIP）、EXP_MCIP（MCIP输入层U/V静态替换）、EXP_NUDGE（WRF内开启观测nudging，将ML订正风作为伪观测，系数1×10^?3 s^?1，影响半径~15 km，与分析nudging叠加）。

研究结果

3.1 ML风速订正

XGBoost在站点与全网格评估中均显著降低U/V偏差与RMSE、提升IOA，2024独立集相关性仍保持（U corr 0.72、V 0.74），SHAP显示经纬度和地表属性主导，证实模型补偿了地形依赖误差而非均匀平移；表层风速高估消除，弱风频次回升，风玫瑰中南西风主导性恢复。NMB在2024看似偏大，但实因U/V为有符号近零均值量、分母年际波动大所致，绝对MB仍小（U ?0.037 m s^?1、V ?0.008 m s^?1）。

3.2 不同ML订正路径对比

3.2.1 对WRF气象场的影响

EXP_WRF与EXP_MCIP仅改Layer 0风速，内陆偏差下降但海岸带仍残留高估；EXP_NUDGE因nudging把倾向项传至边界层顶，全站RMSE降约52%，海岸RMSE降约28%，垂直至950 hPa偏差由正转负（绝对偏差减0.2 m s^?1）、RMSE减12–18%，至850 hPa出现轻度低估；伴随风速下降，逆Monin–Obukhov长度（MOLI）正向变化（更稳定），感热通量（HFX）冬季响应更强，潜热通量（LH）呈季节局部响应，说明动态同化改写了边界层稳定度与湍流耦合。

3.2.2 对CMAQ空气质量模拟的影响

EXP_WRF/EXP_MCIP因MCIP中USTAR、PBLH、HFX、LH等诊断量直接从CNTL透传（仅WSPD10/WDIR10重算），CMAQ垂直混合与干沉降阻力不变，全期O₃、PM_2.5统计与CNTL几乎一致。EXP_NUDGE全期O₃ NMB升至+10.6%、RMSE+16%，PM_2.5 NMB+14.4%、RMSE+9%；但按通风系数（PBLH×传输风速）分层后呈现条件依赖：强通风/强传输时RMSE改善，静稳时偏差与RMSE双升。高O₃（MDA8≥60 ppb）春季秋季中位偏差收窄；高PM_2.5（日均≥35 μg m^?3）夏秋中位偏差降低。个例上，2022年4月16日O₃强传输期EXP_NUDGE减速东传、缓解CNTL低估；2021年1月16日PM_2.5累积期减弱过强通风、改善峰值；2022年7月10日夜O₃静稳期进一步抑混合，放大CNTL已有高估。

讨论与结论翻译

讨论指出风场订正的收益不来自表层统计改善本身，而来自三维动力重构；静态替换未触及边界层垂直耦合故对空气质量几乎无效，动态同化在强传输期修正过量扩散、在静稳期却强化累积，揭示传输–混合–化学累积的平衡需“分区制”（regime-aware）订正。结论部分表明：基于机器学习的风速订正框架在耦合WRF–CMAQ中的效用主要由其在模型内的动态集成方式决定，而非仅由表层统计提升决定；动态同化使订正风在垂直与水平方向传播，改善三维动力一致性与复杂海岸带表征，并系统性改变边界层稳定度与地表通量；其空气质量效应具条件依赖性——强传输条件下改善O₃与PM_2.5，弱通风或静稳条件下放大既有累积偏差。研究强调ML订正的价值在于以物理一致方式修改大气结构，未来应迈向动态耦合的ML–物理框架，而非后处理替换；本文有意孤立风速变量，多变量协同订正留待后续。