基于多源遥感和POI的中国1km污染清单及其对WRF-Chem模拟污染物的影响
模式中污染物模拟的表现依赖于排放清单空间分布上的准确性。高分辨排放清单的缺乏将会限制精细尺度的空气质量模拟，因此需要建立具有更高空间分辨率、更高准确度的大气污染物排放清单。目前常用的自下而上的清单编制方法需要较多的排放源空间信息和巨大的工作量。自上而下的编制方法则是在区域排放总量基础上，利用合适的空间代理数据将区域划分为网格单元，并依据代理数据形成的权重值将区域总量进行空间重分配，从而节省清单编制的工作量并且提高排放精度。我们这个研究使用MEIC原始排放清单的五个分部门数据，利用机器学习模型融合数字高程、夜间灯光、地表温度等多类空间代理数据建立拟合关系，并以不同用地类型作为掩膜来编制高分辨率大气污染物排放清单，从而更加准确的表征地区排放的强度水平。在本案例研究中，我们基于WRF-Chem模式，利用新的1km分辨率和MEIC原始0.25度分辨率排放清单，针对中国地区典型污染案例，开展区域到城市尺度的三个不同分辨率的大气颗粒物数值模拟试验，比较不同精细程度排放输入数据对污染物模拟结果的差异。分析结果发现1km高分辨率排放清单提高了模式对于大气颗粒物模拟的能力，可以更加清晰表征污染物在空间分布上的细节特征，提高了城市尺度和更高分辨率模拟的准确性，使得污染物在空间上的分布与实际更接近，从而大大减少了PM2.5、BC等污染物模拟与观测之间的误差，对空气质量改善和治理具有重要意义。
 

高分辨率排放清单,大气颗粒物模拟,不同分辨率模拟,机器学习