国防科大气象海洋学院硕士生以第一作者身份在GRL发表论文！
发布时间：2025-06-27 14:48 浏览量：2
论文第一作者为国防科技大学气象海洋学院硕士研究生何欣雨，通讯作者为臧增亮教授和李毅副教授，文章合作者还包括刘宁、胡译文、刘浪和尤伟，所有作者均来自国防科技大学气象海洋学院。
大气污染物的排放清单对于空气污染控制、空气质量预测以及重污染事件的应急响应至关重要。然而，目前大多数排放清单是基于“自下而上”的方法按月/日时间尺度编制的，限制了其在短期突发性污染事件中的时效性和准确性。该论文设计了一种结合深度学习与三维变分同化的排放源反演方法（DL-3DVar），实现了中国区域近实时、网格化逐小时SO2排放清单的估算，提升了模式对SO2浓度的模拟精度，能够有效捕捉春节期间烟花集中燃放引起的浓度峰值。2025年6月，相关成果在国际知名期刊《Geophysical Research Letters》上在线正式发表。
该方法基于WRF-Chem模式开展SO2排放源至SO2浓度的正向模拟，并通过扰动先验排放清单增加正向模拟样本量。进一步，以正向模拟结果为训练样本，基于DL模型以学习SO2浓度至排放源的非线性逆向过程。随后结合3DVar同化系统引入地面观测数据，生成高质量的SO2浓度分析场作为DL模型输入，得到逐小时的排放增量，实现对先验SO2排放清单的后验优化（图1）。基于DL-3DVar方法反演了2023年春节期间的SO2排放源（如图2），结果表明，该方法能够有效反演烟花爆竹所导致的短时排放高值区域，且与后一时刻观测到的SO2浓度热点分布基本一致。预报精度方面，在使用DL-3DVar排放清单的试验中，相较于使用先验排放的控制试验，RMSE减少了52.9%，相关系数提高了331%（图3）。
与传统的变分同化方法（如4DVar）相比，DL-3DVar方法无需依赖复杂的伴随模型开发，避免了在化学传输模型中逆向求解复杂物理和化学过程所带来的计算困难。在模型训练完成后，可实现高效、快速的排放反演，兼顾了清单构建对准确性、时效性和可用性的核心需求。此外，DL-3DVar方法还提供了一个灵活的框架，可根据输入浓度数据估算各种污染物（如O3和PM2.5）的排放量，这种多功能性有助于构建全面的多污染物排放清单，为实现污染协同治理提供支持。
该研究得到国家自然科学基金重点项目（42430612）和湖南省重点研发计划（2024AQ2004）的联合资助。
文章信息： He, X., Zang, Z., Li, Y., Liu, N., Hu, Y., Liu, L., & You, W. (2025). Inversion of a near-real-time China gridded hourly SO2 emission inventory using deep learning combined with 3D-variational assimilation. Geophysical Research Letters, 52, e2024GL114375.