高璟赟,杨宁,毕温凯,肖致美,陈魁,李源
(天津市环境监测中心,天津 300191)
·环境预警·
天津市基于新标准的空气质量预报模型效果评估
高璟赟,杨宁*,毕温凯,肖致美,陈魁,李源
(天津市环境监测中心,天津 300191)
利用2015年环境空气质量监测数据,对天津市OPAQ空气质量统计预报模型预测效果进行验证评估。结果表明,模型对天津市AQI和PM2.5、PM10、O3、NO2的预测结果与实测结果具有较好的趋势一致性,且预测时间越临近,拟合度越好,24 h预报的相关系数r全部达到0.8以上。对PM2.5的预报性能明显优于PM10、O3和NO2,PM2.5平均值预测略呈正偏差,但重污染预测值偏低约15%;O3和NO2预测值呈明显负偏差,O3峰值预测不足,NO2预测值整体偏低,均以24 h预报趋势性最好,但负偏差最为突出。
天津;空气质量预报;OPAQ模型;效果评估
近年来,我国中东部地区大气污染严重,秋冬季极端重污染天气频发,污染区域不断扩大,呈现出以PM2.5和O3为典型污染物的大气复合污染特征[1-6]。2012年国家环境保护部发布新《环境空气质量标准》(GB 3095—2012),将PM2.5、O3等污染物纳入评价体系;2013年9月国务院颁布《大气污染防治行动计划》,明确要求各地建立监测预警应急体系,开展空气质量预报预警工作,妥善应对重污染天气,使针对新标准的空气质量预报逐渐向常态化和业务化方向发展。
天津市是京津冀区域重点城市之一,2013年作为首批实施环境空气质量新标准的城市,开始开展针对空气质量新标准的预测预报工作,陆续开发引进了OPAQ动态统计预报模型、AURORA数值预报模型和多模式(CMAQ、CMAx和NAQPMS)数值预报模型系统,初步建立了天津市空气质量预报预警平台,为空气质量预报预警提供客观参考。
现基于OPAQ动态统计预报模型,对天津市空气质量预报结果的稳定性、准确性和时效性进行综合评估,为模型的进一步优化改进以及数值、统计等多模式集合预报的发展应用奠定基础,不断提高天津市空气质量预报和重污染天气预警的能力,更好地为天津市大气污染防治和重污染天气应急减排提供技术支持。
1.1 模型原理
OPAQ空气质量预报模型是比利时法兰德斯技术研究院(VITO)研发的基于神经网络算法的大气质量预测模型,作为比利时官方空气质量预报业务系统的一部分,在插值绘图和高污染事件预测方面表现出优越性能,在荷兰、德国、意大利等多个国家得到广泛应用[7-9]。基于新标准的空气质量预报业务推广以来,国内北京、扬州、成都、重庆、南通等城市纷纷引进该模型[10],天津市于2014年引进后进行二次开发完善,主要利用历史污染物监测数据与相关气象因子对模型进行训练,然后将实时的污染物数据与预测的气象数据接入模型,预测未来24~96 h的污染物浓度及污染等级。
1.2 数据资料
选取2015年1月1日—12月15日OPAQ模型对天津市未来24~96 h主要污染物浓度和AQI预报结果进行效果评估,实际观测结果采用天津市每日00:00—24:00的国控点24 h平均值进行验证。
1.3 评估指标
参考气象、环境模式研究领域通用的相关系数(r)、平均值(MM)、平均偏差(MB)、平均误差(ME)、均方根误差(RMSE)、标准化平均偏差(NMB)和标准化平均误差(NME)7项统计指标评价模式预报效果,具体指标定义和计算公式参见文献[11-13]。其中,r反映预报值与观测值随时间变化趋势的相似程度,无量纲,r>0表示预报值与观测值正相关,r<0表示负相关,通过统计显著性检验判定预报值和观测值的相关性;MM、MB、ME和RMSE 4项指标的单位是μg/m3,使用时需要结合观测浓度大小进行评估,比较适用于与观测浓度值接近的情况;NMB 和NME 2项指标体现了预报值和观测值的平均偏离程度和平均绝对误差,克服了上述4项指标在观测浓度差异较大时难以直接比较的缺点,越接近0表示预报效果越好[12]。
全年AQI和首要污染物分布及各项污染物浓度变化规律对空气质量级别和首要污染物预报具有重要指导意义。截至12月15日,2015年天津市环境空气质量达标216 d,达标天数比例为62%;重污染20 d,重污染天数比例为5%。具体空气质量级别和首要污染物分布情况详见图1(a)(b)。
图1 天津市空气质量级别和首要污染物分布
6项主要污染物中,PM2.5、PM10、SO2和NO2的平均值分别为67,112,28和40 μg/m3,CO 24 h平均值第95百分位数为3.0 mg/m3,O3日最大8 h平均值第90百分位数为143 μg/m3。SO2、NO2、PM10、PM2.5和CO值在一年中呈现两头高中间低的“凹”字形曲线,冬季浓度明显高于夏季,但年末浓度和达标率好于年初;O3则恰恰呈现相反的“凸”字形变化,其峰值基本出现在夏季。
从AQI逐日变化来看,全年AQI也整体呈现两头高、中间低的趋势,五级以上重污染天主要出现在冬季采暖期的1—3月和10—12月,7—9月AQI指数相对较低。
从首要污染物来看,PM2.5是全年影响空气质量的最重要污染指标,其为首要污染物的天数占全年一半以上且均匀分布于各个月份。
PM10为首要污染物的天数在6—8月较少,其余各月均有分布,且在3、4月PM10污染较重,AQI指数达到较高水平,这与6—8月降水集中和3、4月容易出现沙尘天气有关。
图2 2015年天津市AQI逐日变化
O3为首要污染物的季节主要出现在夏季,从5月份开始出现,6、7月份O3浓度和AQI均处于较高水平,一般可达到三级轻度污染—四级中度污染,8、9月份以后以O3为首要污染物的天数明显减少并逐渐消失;NO2为首要污染物的天数主要分布在采暖期,浓度水平并不高,二级良(AQI在51~100)时可能出现。图2为2015年天津市AQI逐日变化(“一级优”不考虑首要污染物)。
3.1 AQI预测结果评估
将未来24~96 h AQI预测结果与实测结果进行长时间序列变化趋势比对分析,结果见图3(a)(b)(c)(d)。
图3 未来24~96 h AQI预测值与实测值结果比对
整体看来,OPAQ模型对AQI的预测结果与实测变化趋势较为一致,且预测时间越短,趋势越近似,拟合度越好。相关性分析也表明,从96 h到24 h预报,预测结果与实测结果相关性逐步上升,R2由0.245 3上升至0.680 9。从准确度上看,不论是临近预报还是长时间预报,OPAQ模型都存在明显的高值低估现象,特别是在AQI>200时预测结果常常偏低,24,48,72,96 h预报的平均低估程度分别为12.9%,20.6%,29.0%和32.2%。24 h预报的偏低程度明显小于长时间预报,可能与24 h预报中气象预报更为准确,且将前一日实测值作为初始值,引入初始场修正有关。回归曲线与y=x观测线的比较也表明,该模型的24~96 h预测普遍存在AQI<100时预测值偏低、AQI>100时预测值偏高的现象,且AQI与100差距越大,预测值与实测值偏差越大,见图4(a)(b)(c)(d)。因此,从预测结果来看,一级优和二级良时预测结果一般会略有偏高,五级以上重度污染时预测值严重不足,但从96 h到24 h预报结果,低估和高估的偏差明显缩小。由此可见,重污染预测时应在模式AQI预报基础上适当上调相应偏差比例,当模式24 h AQI预报>180,48~96 h AQI预报>150时即应考虑未来空气质量达到重度污染以上的可能性。
3.2 污染物浓度预测评估
鉴于天津市全年首要污染物主要分布于PM2.5、PM10、O3和NO24项污染物,因此着重对这4项污染物的24 h预测结果进行评估。
从日均值24 h预测值与实测值的比对分析可以看出,PM2.5、PM10、O3和NO24 项污染物的预测趋势与实际变化趋势均一致,但其值存在一定的差距,见图5(a)(b)(c)(d)。PM2.5和PM10的正负值偏差分布较为均匀,主要表现为低值高估和高值低估;O3值预测整体偏低,低值偏差相对较小,高值偏差较为明显;NO2值预测结果全年明显低于观测结果,7、8月份偏差相对小于其他月份。
PM2.5、PM10、O3和NO224 h预测结果与实测结果回归分析见图6(a)(b)(c)(d)。由图6可见,OPAQ模型对PM2.5的预测较为可靠,三级轻度污染以下(ρ<115 μg/m3)预测值较实测值偏高15%左右;五级重度污染以上(ρ>150 μg/m3)预测值较实测值略有偏低,约为实测值的85%;整体而言预测值与实测值具有显著相关性,相关系数R2达到0.781 4。PM10与PM2.5类似,二级良以下(ρ<150 μg/m3)预测值较实测值偏高30%左右;三级轻度污染以上(即ρ>150 μg/m3)预测值约为实测值的70%;预测值与实测值的相关性为0.7。O3和NO2则明显低于实测结果,大部分预测值落在y=0.5x和y=x曲线之间,分别较实测结果偏低40%和65%,夏季O3和冬季NO2高值偏低情况严重。
图4 未来24~96 h AQI预测值与实测值的回归分析
3.3 预报效果统计指标评估
PM2.5、PM10、O3和NO224~96 h预测结果统计分析见表1。从模式预报效果评估的各项统计指标来看,PM2.5和PM10的预测浓度与实测浓度相比整体呈现正偏差,这与全年以二级良和三级轻度污染为主,而PM2.5和PM10预测结果在三级轻度污染以下时预测值相对偏高有关。偏差、误差等MB、ME、RMSE、NMB、NME统计指标均随预测时间缩短而不断减小,相关系数r逐渐增大,进一步说明受初始场可靠性影响,随预报时间的缩短预报的趋势预判和准确性明显增加。但PM2.5预测值的NMB和NME均低于PM10,特别是PM2.524~96 h预测结果的NMB均<20%,NME除96 h为51%外,均<50%,与国内外数值模型的检验参数相比处于同一水平[14-16]。
图5 OPAQ模型对PM2.5、PM10、O3和NO2日均值的24 h预测结果
O3预测结果不同于PM10和PM2.5,与实测结果比较,O3的24 h预测为负偏差,48 h预测与实测相差不大,72和96 h预测为正偏差。从偏差和误差等统计指标来看,24~96 h预测结果的MB、ME以及r等差异不大。鉴于趋势分析和散点分析中O324 h 预测结果高值低估现象严重,而48 h 预测结果与实测值较为接近,建议夏季高浓度O3预测时在重点关注24 h 预测结果的同时应广泛参考48,72和96 h预测结果,其中48 h 预测结果平均与实测值最为接近。
图6 PM2.5、PM10、O3和NO224 h预测结果与实测结果回归分析
表1 PM2.5、PM10、O3和NO2 24~96 h预测结果统计分析
NO2预测平均浓度整体低于实测平均,24 h预测负偏差最为突出,48~96 h预测结果负偏差逐渐减小,与实测平均浓度接近。
24 h预测的相关系数明显高于48~96 h 预测,但四者的ME、RMSE、NMB和NME差异不显著,考虑24 h预测结果虽然趋势与实际变化较为一致,但预测值明显低估。建议日常NO2预报,特别是空气质量相对较好、NO2可能成为首要污染物的情况下,充分参考48~96 h预测结果。
3.4 预报偏差原因分析
OPAQ模型对PM2.5、PM10、O3和NO24项污染物的浓度预报都存在明显的高值低估现象,直接影响AQI预报结果及颗粒物、O3重污染天气预报预警。
分析原因,一方面由于新标准实施以来历史数据仍积累不足,重污染天高浓度值出现较少,有限的训练数据为高值预测带来较大的不确定性;另一方面,统计模型主要依赖于气象参数和历史监测数据的经验公式,未能考虑大气化学转化、污染源排放变化以及区域传输过程,而PM2.5和O3浓度与前体物的二次转化密切相关[17],PM10容易受到局地扬尘排放和区域沙尘传输影响,NO2则与产业结构调整和污染源排放变化有关,同时重污染期间外来源对污染物浓度也有显著贡献。
今后,应不断补充训练数据优化模型算法,通过观测值与预测值的比对验证进行系数校正,并与数值模式相结合发展多模式集合预报方法,降低模型预测的不确定性。
(1) 天津市全年AQI呈现冬季高、夏季低的趋势,首要污染物主要分布于PM2.5、PM10、O3和NO24项污染物。其中,以PM2.5为首要污染物的天数占全年一半以上;PM10和O3分别是3—4月沙尘季和5—8月夏季的主要污染指标;NO2仅在采暖期空气质量较好时可能成为首要污染物;
(2) OPAQ模型对天津市AQI的预测结果与实测变化趋势较为一致,但存在明显的高值低估现象, 重污染预测欠佳,24~96 h预测的平均低估程度达到12.9%~32.2%。预测时间越短,拟合度越好,24 h预测值与实测值的相关系数R2可由96 h预报的0.245 3上升至0.680 9;
(3) PM2.5、PM10、O3和NO2浓度预测均具有较好的趋势性,24 h预报相关系数均>0.8。PM2.5的预报性能优于其他3项,平均浓度预测略呈现正偏差,但高浓度时预测值偏低。O3和NO2值预测呈明显负偏差,O3峰值预测不足,NO2预测整体偏低,均以24 h预报趋势性最好,但负偏差最突出;
(4) 预报偏差一方面与模型训练历史数据不足有关,另一方面由于模型未能考虑大气化学转化、污染源排放变化以及区域传输过程导致。建议不断补充训练数据,优化模型算法,通过统计学校正和多模式集合预报手段,降低模型预测的不确定性。
[1] CHAN C K, YAO X H. Air pollution in mega cities in China[J]. Atmospheric Environment, 2008, 42(1):1-42.
[2] DENG X J, TIE X X, WU D, et al. Long-term trend of visibility and its characterizations in the Pearl River Delta (PRD) region, China[J]. Atmospheric Environment, 2008, 42(7):1424-1435.
[3] FU Q Y, ZHUANG G S, WANG J, et al. Mechanism of formation of the heaviest pollution episode ever recorded in the Yangtze River Delta, China[J]. Atmospheric Environment, 2008, 42(9):2023-2036.
[4] ZHAO P S, ZHANG X L, XU X F. Long-term visibility trends and characteristics in the region of Beijing, Tianjin, and Hebei, China[J]. Atmospheric Research, 2011, 101(3):711-718.
[5] 周敏,陈长虹,乔利平,等. 2013年1月中国中东部大气重污染期间上海颗粒物的污染特征[J]. 环境科学学报, 2013, 33(11):3118-3126.
[6] 解淑艳,刘冰,李健军. 全国环境空气质量数值预报预警系统建立探析[J]. 环境监控与预警, 2013, 5(4):1-3,21.
[7] HOOYLBERGHS J, MENSINK C, DUMONT G, et al. A neural network forecast for daily average PM10concentrations in Belgium[J]. Atmospheric Environment, 2005, 39(18): 3279-3289.
[8] JANSSEN S, DUMONT G, FIERENS F, et al. Spatial interpolation of air pollution measurements using CORINE land cover data[J]. Atmospheric Environment, 2008, 42(20): 4884-4903.
[9] JANSSEN S, DUMONT G, FIERENS F, et al. Land use to characterize spatial representativeness of air quality monitoring stations and its relevance for model validation[J]. Atmospheric Environment, 2012, 59: 492-500.
[10] 王淑莹,许荣,尹翠芳,等. 基于OPAQ的城市空气质量预报系统研究[J]. 中国环境监测, 2016, 32(3):13-20.
[11] BOYLAN J W, RUSSELL A G. PM and light extinction model performance metrics, goals, and criteria for three dimensional air quality models[J]. Atmospheric Environment, 2006, 40(23): 4946-4959.
[12] 朱莉莉,晏平仲,王自发,等. 江苏省级区域空气质量数值预报模式效果评估[J]. 中国环境监测, 2015, 31(2):17-23.
[13] 黄思,唐晓,徐文帅,等. 利用多模式集合和多元线性回归改进北京PM10预报[J]. 环境科学学报, 2015, 35(1):56-64.
[14] 王占山,李云婷,孙峰,等. 北京市空气质量预报体系介绍及红色预警支撑[J]. 环境科技, 2016, 29(2):38-42.
[15] 王茜,伏晴艳,王自发,等. 集合数值预报系统在上海市空气质量预测预报中的应用研究[J].环境监控与预警, 2010, 2(4):5-10,15.
[16] SHEN J, WANG X S, LI J F, et al. Evaluation and intercomparison of ozone simulations by Models-3 /CMAQ and CAMx over the Pearl River Delta[J]. Science China Chemistry, 2011, 54(11): 1789-1800.
[17] 焦瑞,张金生,李丽华. 大气中细颗粒物PM2.5中有机碳的研究进展[J]. 环境科技, 2013, 26(2):75-78.
Effect Evaluation of Air Quality Forecast Model based on New Standard in Tianjin
GAO Jing-yun, YANG Ning*, BI Wen-kai, XIAO Zhi-mei, CHEN Kui, LI Yuan
(TianjinEnvironmentalMonitoringCenter,Tianjin300191,China)
Based on the comparison of environmental air quality monitoring data in 2015, the effect of OPAQ air quality statistical forecast model in Tianjin was evaluated. The results showed that the prediction of AQI and PM2.5, PM10, O3, NO2concentrations were in good agreement with the monitoring data, and the correlation coefficient was higher with the prediction time nearer.The correlation coefficientrof 24-hour forecast all reached more than 0.8. The prediction performance of PM2.5was better than that of PM10, O3and NO2, with a minor positive deviation than the average value, but the forecast value of heavy pollution was 15% lower. The predictions of O3and NO2were significantly negatively deviated, with O3peak value prediction underestimated and NO2prediction value low. The 24-hour forecast had the best tendency but the negative bias was the most prominent.
Tianjin;Air quality forecast;OPAQ model;Effect evaluation
2016-06-25;
2016-08-16
国家科技支撑计划基金资助项目(2014BAC23B01);天津市重大科技专项基金资助项目(14ZCDGSF00027)
高璟赟(1985—),女,工程师,硕士,主要从事大气环境监测和空气质量预报工作。
X823
B
1674-6732(2016)06-0009-06