最优化集成方法在城市臭氧数值预报中的应用研究

吴剑斌，肖林鸿，晏平仲，李健军，皮冬勤，陈焕盛，赵江伟，王 威

1.中国科学院大气物理研究所，北京 100029 2.中科三清科技有限公司，北京 100029 3.中国环境监测总站,国家环境保护环境监测质量控制重点实验室，北京 100012

最优化集成方法在城市臭氧数值预报中的应用研究

吴剑斌1,2，肖林鸿2，晏平仲1,2，李健军3，皮冬勤2，陈焕盛1,2，赵江伟2，王 威3

1.中国科学院大气物理研究所，北京 100029 2.中科三清科技有限公司，北京 100029 3.中国环境监测总站,国家环境保护环境监测质量控制重点实验室，北京 100012

基于多模式(NAQPMS、CMAQ、CAMx、WRF-Chem)空气质量数值预报业务系统的滚动预报结果，结合站点观测资料，评估了最优化集成方法在城市臭氧数值预报中的可行性和预报效果。一年的评估结果表明：当训练期为15 d时，最优化集成方法能够得到相对较好的结果。总体而言，最优化集成方法对城市臭氧浓度变化趋势和浓度水平的预报效果明显优于单个模式，且在大部分城市优于多模式的最优预报，其预报值和观测的相关系数提高0.11以上，均方根误差降低约10 μg/m3；该方法对城市臭氧污染等级的预报能力也明显优于单个模式，特别是轻、中度污染。此外，在模拟偏差较大的城市，最优化集成方法对预报效果的改进更为显著；在模拟偏差较小的城市，该方法仍可进一步提升预报效果。

臭氧；数值预报；集合预报；最优化集成方法

城市和工业区高浓度臭氧已经成为全球性的空气污染问题，随着中国过去30年化石燃料消耗的日益增加，臭氧前体物排放量迅速增多，并超过欧美等发达地区，致使中国臭氧污染问题尤为突出[1-4]。MADANIYAZI等[5]基于空气质量模式估计了2005—2030年中国东部地区与臭氧相关的死亡率，发现在目前的污染控制标准下，不考虑人口增加，2030年中国东部因臭氧相关疾病过早死亡的人数至少会增加4万。长时间暴露在高浓度臭氧环境中会增加人体健康风险[6-7]，合理的空气质量预报能够帮助政府部门做出相应决策，以限制人为污染物的排放量，同时引导公众规避污染峰值期，减少暴露时间[8]。随着计算机技术不断提升，区域空气质量模式已经成为短时临近和中期空气质量预报的主要手段[9-11]。德国[12]、日本[13]、美国[14]和中国[15]等基于区域空气质量模式，相继构建了多模式空气质量数值预报业务系统。

空气质量模式能模拟污染物的物理和化学反应过程，并能给出具有物理意义的四维污染物浓度时空特征[9]，但由于大气的混沌性、模式物理过程与参数化方案的缺陷以及排放源的不确定性，数值模式预报的臭氧浓度仍存在偏差。当观测臭氧浓度较低时，空气质量模式往往会出现高估的现象[16-17]。GILLIAM等[18]将模式对低臭氧浓度的高估归因于模式对夜间边界层混合高度再现能力较差；而EDER等[19]认为，在高云条件下模式会过多地向下输送上层大气臭氧，从而使得底层臭氧浓度偏高。CHUANG等[20]评估WRF-Chem的预报结果发现，模式高估了美国东南大部分区域的臭氧浓度，并将该偏差归因于前体物排放量的不准确。

多模式集合预报是减少数值模式偏差对预报准确率影响的常用方法之一。集合方法被广泛地用于业务天气预报中，MONACHE等[21-23]最早将多模式集合方法引入到空气质量的业务预报中，并发现集合预报效果显著优于单个模式的表现。PAGOWSKI等[24]采用Richardson成本损失-决策模型比对了单一模式和动力线性回归集合预报的结果，发现集合预报能够获得更多的经济价值。多模式集合预报应用于中国空气质量业务预报中的时间相对较晚，王茜等[25]基于NAQPMS、CMAQ、CAMx、WRF-Chem等多个数值模型对上海市的空气质量进行集合预报，发现集合预报能够较好地模拟出主要污染物的日变化趋势，王自发等[15，26]分别对北京、广州空气质量集合预报做了一些探索。空气质量模式较大的不确定性使得多模式集合方法在空气质量预报中大有所为，但模式对臭氧的预报结果往往会存在较为明显的系统性偏差，在对臭氧业务预报浓度进行集合预报时，采用合适的算法将系统偏差剔除能够获得更优的改进效果[19]。考虑到模式偏差随时间不停演变，通过观测实时更新校正参数可能会得到更好的集合预报效果，本文在臭氧业务预报中引入一种新的集合方法，并评估该方法的预报性能，以期对臭氧预报准确率有所提高。

1 实验部分

1.1数值模式

模式数据源自中国环境监测总站的环境空气质量数值预报模式系统2015年9月1—30日的预报结果，集合成员包括中国科学院大气物理研究所自主开发的嵌套网格空气质量预报模式系统NAQPMS[27]、美国环保局(USEPA)的CMAQ模式[28]、美国Environ公司的空气质量综合模拟系统 CAMx[29]、美国大气海洋局(NOAA)预报系统实验室(FSL)开发的WRF-Chem模式[30](以下分别称为模式1、模式2、模式3、模式4)。各模式均使用多重嵌套模拟，同时采用统一的区域设置和污染源排放清单，并由中尺度气象模式WRF提供统一的气象预报场。为了覆盖更多的观测站点，得出具有统计意义的结论，集合预报实验采用第二层区域的模拟结果，其水平分辨率为15 km，网格数为243×273(图1)。

注：底图源自国家测绘地理信息局网站(http://219.238.166.215/mcp/index.asp)下载的1∶6500万政区版中华人民共和国底图，审图号为GS(2008)1372 号，下载日期为2015-09-01。图1 模式第二层嵌套区域以及评估城市的分布Fig.1 Second domain of model and the distribution of observation stations

1.2最优化集成方法

最优化集成方法(OCF)是由WOODCOCK等[31]提出的用于澳大利亚气象业务预报的一种方法，漆梁波等[32]用该法对上海温度和相对湿度等气象要素进行集合预报，发现OCF优于卡尔曼滤波集合方法。本文采用相似的技术对臭氧进行集合预报。OCF方法主要分为3步，首先计算模式在训练期平均偏差，并借此计算校正后各模式在训练期的平均绝对误差；然后根据平均绝对误差确定权重系数；最后校正模式预报值的系统偏差，并对校正结果进行权重集合。为了快速地适应模式偏差变化，OCF的训练期一般较短，使得校正参数和权重系数易受缺省值和极端值的影响，为了弥补这一不足，OCF采用一个鲁棒性较强的统计量来表征训练期平均偏差，其计算公式：

式中：wi表示第i个模式的权重；ei为校正后各模式在训练期的平均绝对误差。

最后对预报时刻的模式结果做校正，并进行权重集合，公式：

式中：OCF为集合预报结果；fi为各模式预报结果。

1.3评估方法

观测资料为全国城市空气质量实时发布平台中1 529个国控站点的臭氧日最大8 h滑动平均浓度，并提取离观测点最近的网格数作为模式资料，时间为2015年9月1—30日。本文以地级市为单位，对国控站点平均臭氧浓度的集合预报结果进行评估(城市分布如图1所示)。OCF需要历史的观测和模式预报资料作为训练期，因而最终的评估时段为2015年10月1日至2016年9月30日，并选用相关系数(r)和均方根误差(RMSE)来进行预报效果评估，其计算公式：

2 结果与讨论

2.1训练期

不同的训练期对校正参数和权重系数的计算影响较大[式(1)和式(2)]，考虑到实验的站点较多，计算量较大，本文在前期测试中挑选了34个重点城市，对比了训练期分别为7、10、15、20、25、30、40、50、70、100 d时OCF预报臭氧浓度的效果，发现训练期为15 d时，OCF能够得到相对最好的结果。为了更进一步确认训练期，考察了模式偏差的稳定性，模式偏差的稳定性通过计算预报时刻的误差与训练期的平均偏差的均方根误差获得[19]，具体计算公式：

图2给出了4个模式偏差稳定性与训练期之间的关系。随着训练期的增加，各个模式预报误差稳定性基本呈现先降低后升高的形势，当训练期为15～25 d时，模式预报时刻的误差与训练期的平均偏差最为接近，这与前期的测试结果基本一致。为了更好地适应误差的快变过程，在对臭氧浓度进行集合预报时，选用15 d作为训练期。统计表明，4个模式对单个站点的模拟效果并不理想，存在较大偏差。模式24 h时效预报的1 529个站点臭氧浓度平均均方根误差达到了56 μg/m3以上(4个模式的平均均方根误差分别为57.5、58.4、64.0、56.5 μg/m3)，与此相比，模式预报时刻的误差与训练期的平均偏差之间的均方根误差相对较小，这也进一步证明了校正的意义。

2.2预报结果评估

根据前期的测试结果，本文将训练期设为15 d，以此来对1 529个站点进行集合预报。同时，选用城市平均臭氧浓度作为评估对象(城市内所有站点的平均)，评估的时效为24、48、72 h，时间段为2015年10月1日至2016年9月30日。

图2 臭氧日最大8 h滑动平均浓度误差(24 h时效结果)的稳定性与训练期的关系Fig.2 Persistence averaged by 1 529 stations of the daily maximum 8-hour ozone bias of four models vs. length of the training period

模式基本能够再现观测到的399个城市平均臭氧浓度变化趋势(表1)，不同模式的模拟效果存在一定的差异，4个模式24 h时效预报399城市的结果与观测的平均相关系数为0.56～0.66。不同时效之间的差异不明显，模式24 h时效预报的结果略好于其他时效的预报结果。对比模式与集合预报的结果可以发现，OCF预报城市平均臭氧浓度与观测相关系数明显优于单个模式，甚至优于4个模式在大多数城市的最优表现。表1给出了OCF相对于最优模式的改进效果，OCF 24 h时效预报的相关系数(r)相对于最优的模式提高了0.11。4个模式24 h时效预报399城市的结果与观测的平均均方根误差为33～42 μg/m3，而OCF预报的平均均方根误差降至24 μg/m3(表2)。从均方根误差的角度来看，集合预报在几乎所有城市均有改进效果。可见，OCF的预报结果从变化趋势和浓度水平2个方面均明显优于单个模式的预报效果，甚至在大部分城市优于4个模式的最优预报效果。

表1 4个模式和OCF预报的臭氧浓度与观测的相关系数和均方根误差的平均值

业务中常采用空气质量指数给公众提供健康指引[33]，模式预报的空气质量等级是否与观测符合已经成为评价模式性能的重要标志，本文采用王晓彦等[34]给出的方法对模式和OCF预报的臭氧污染等级进行评估。首先计算臭氧的空气质量分指数(IAQI)，然后再判断臭氧的污染等级，其中IAQI≤50为优、50

图3给出了模式和OCF预报的4个季节最大臭氧8 h滑动平均的空气质量分指数的准确率，从污染天数可以看出，夏季的臭氧污染较多，冬季污染较少。模式对4个季节的优良模拟效果较强，而对轻度和中度污染的模拟效果偏弱(表2)，这种现象在冬季尤为明显，效果最优的模式对冬季臭氧IAQI为优的预报准确率高达93%，考虑到冬季各城市臭氧污染为优的平均天数在80 d左右，模式对整个冬天的预报准确率也会较高，然而模式对冬季轻度污染几乎没有预报能力，MCKEEN等[19]也发现，空气质量模式对臭氧质量浓度大于85 μg/m3时的模拟能力较弱。对比4个模式与OCF可知，在优良时，似乎OCF的结果较模式最优略差，但仔细对比会发现，模拟IAQI为优较准确的模式在污染为良时表现较差，而OCF在优和良表现均较好，就整体而言，OCF对优良的预报有一定的改进。集合预报被批评较多地方的是统计方法常常对平均状态的预报改进显著，但会漏掉极端值的预报[35]，从图3可以看出，OCF预报臭氧轻度污染和中度污染的准确率明显高于各个模式。从一年的结果来看，各个模式预报准确率为71.31%～77.96%，而OCF预报的准确率高达84.87%，相对最优模式提高了7%左右，特别是OCF对轻度污染和中度污染预报准确率的提升效果尤为明显，准确率几乎是模式最优结果的2倍。

图3 4个模式和OCF 24 h时效预报的城市臭氧空气质量分指数的准确率Fig.3 Accuracy of ozone prediction 24 h abead by four models and OCF for each season averaged

%

2.3OCF预报效果与模式预报效果的关系

从前面分析可以看出，OCF对城市平均臭氧浓度预报效果改进明显，但这种改善效果也存在较为明显的差异性。从图4可以看到，OCF对相关系数的改善作用随着模式的平均相关系数的增加而降低，当模式的平均相关系数小于0.4时，OCF的改进效果均为正，模式本身的预报效果较差时，OCF改进作用显著。而模式平均误差为0.4～0.8时，OCF的预报结果可能会低于模式最优，但仍优于模式平均[图4(a)]。模式表现较优时(相关系数大于0.8)，OCF的改进效果也均为正效应，从图4(b)中可以得到相似的结论。OCF的预报效果随着模式平均预报效果增加而变好，集合预报效果依赖于集合成员的预报效果，一个好的集合效果是建立在较好的数值模式预报效果的基础上，提升模式的性能是改善预报效果的根本手段。

总体而言，OCF对城市臭氧预报效果的改进是显著的。该方法的不足之处在于，OCF是根据过去的一段时间模式的平均偏差去校正预报时刻的偏差，当误差波动较大时，OCF的校正会使得模式的结果变差，这是由于过多相信历史阶段给出的信息，同时没有考虑到误差稳定性的问题。后期工作中，可继续开发更为灵活的校正和集合算法。

图4 OCF的预报效果以及OCF改进程度与模式平均预报效果的散点图Fig.4 Peformance and improvement of OCF vs. the mean performance of for moldels

3 结论

基于NAQPMS、CMAQ、CAMx、WRF-Chem 4套空气质量模式对中国1 529个国控站点的一年臭氧数值预报结果，结合观测资料评估城市臭氧预报效果，构建应用最优化集成方法(OCF)提升城市臭氧预报能力，得到以下主要结论：

1)空气质量模式在一定程度上能够再现城市平均臭氧浓度的变化趋势，模式预报我国东北、华北地区的城市平均臭氧浓度效果较好，但数值预报结果存在系统性偏差，当日预报偏差与过去15～25 d预报偏差存在较好的一致性。

2)从相关系数和均方根误差2项指标比较，OCF预报都显著优于单个模式预报，相关系数可提高0.11以上，均方根误差可降低近10 μg/m3；对大部分城市，OCF预报优于多模式的最优预报，对臭氧轻度污染和中度污染的预报效果改进更为显著。

3)OCF的预报效果依赖于集合成员本身的模拟效果。在模拟偏差较大的城市，OCF方法对预报效果的改进更为显著；在模拟偏差较小的城市，仍可进一步提升预报效果。模式预报相关系数为0.6左右时，OCF的模拟效果可能会低于模式最优，但仍好于模式平均预报效果。

[1] WANG T, XUE L, BRIMBLECOMBE P, et al. Ozone pollution in China: A review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2016, 575:1 582-1 596.

[2] MA Z, XU J, QUAN W, et al. Significant increase of surface ozone at a rural site, north of eastern China[J]. Atmospheric Chemistry & Physics, 2016, 16(6):3 969-3 977.

[3] TIAN H, REN W, TAO B, et al. Climate extremes and ozone pollution: a growing threat to China′s food security[J]. Ecosystem Health & Sustainability, 2016, 2(1): 1 203.

[4] 潘本锋, 程麟钧, 王建国,等. 京津冀地区臭氧污染特征与来源分析[J]. 中国环境监测, 2016, 32(5):17-23.

PAN Benfeng, CHENG Linjun, WANG Jianguo, et al. Characteristics and source attribution of ozone pollution in Beijing-Tianjin-Hebei Region[J]. Environmental Monitoring in China, 2016, 32(5):17-23.

[5] MADANIYAZI L, NAGASHIMA T, GUO Y, et al. Projecting ozone-related mortality in East China[J]. Environment International, 2016, 92/93:165-172.

[6] SHANG Y, SUN Z, CAO J, et al. Systematic review of Chinese studies of short-term exposure to air pollution and daily mortality[J]. Environment International, 2013, 54(4):100-111.

[7] JERRETT M, ITO K, THURSTON G, et al. Long-term ozone exposure and mortality[J]. New England Journal of Medicine, 2009, 360(11):1 085-1 095.

[8] TAMAS W W, NOTTON G, PAOLI C, et al. Urban ozone concentration forecasting with artificial neural network in Corsica[J]. Mathematical Modelling in Civil Engineering, 2016, 10(1):29-37.

[9] ZHANG Y, BOCQUET M, MALLET V, et al. Real-time air quality forecasting, part I: History, techniques, and current status[J]. Atmospheric Environment, 2012, 60(32):632-655.

[10] 王晓彦, 赵熠琳, 霍晓芹,等. 基于数值模式的环境空气质量预报影响因素和改进方法[J]. 中国环境监测, 2016, 32(5):1-7.

WANG Xiaoyan, ZHAO Yilin, HUO Xiaoqin, et al. Discussion on the influence factors and improvement methods of ambient air quality forecasting based on numerical models[J]. Environmental Monitoring in China, 2016, 32(5):1-7.

[11] 刘冰, 王晓彦, 汪巍,等. 预报方法导向的系统化空气质量预报业务作业平台设计[J]. 中国环境监测, 2016, 32(2):1-10.

LIU Bing, WANG Xiaoyan, WANG Wei, et al. Systemitic design for operation platform of air quality forecast based on forecast methods[J]. Environmental Monitoring in China, 2016, 32(2):1-10.

[12] RUFEGER W, MIETH P. The dymos system and its application to urban areas[J]. Environmental Modelling & Software, 1998, 13(3):287-294.

[13] OHARA T, FUJITA A, KIZU T, et al. Advanced Air Quality forecasting system for chiba prefecture[M]. Springer US:Air Pollution Modeling and Its Application XII, 1998:625-634.

[14] MCHENRY J N, RYAN W F, Seaman N L, et al. A real-time eulerian photochemical model forecast system: overview and initial ozone forecast performance in the northeast US Corridor[J]. Bulletin of the American Meteorological Society, 2004, 85(4):525-548.

[15] 王自发，吴其重，ALEX G等. 北京空气质量多模式集成预报系统的建立及初步应用[J]. 南京信息工程大学学报：自然科学版, 2009, 1(1): 19-26.

WANG Zifa, WU Qizhong, ALEX G, et al. Ensemble air quality multi-model forecast system for Beijing (EMS-Beijing): Model description and preliminary application[J]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 2009, 1(1):19-26.

[16] YU S, MATHUR R, SCHERE K, et al. A detailed evaluation of the Eta-CMAQ forecast model performance for O3, its related precursors, and meteorological parameters during the 2004 ICARTT study[J]. Journal of Geophysical Research Atmospheres, 2007, 112(D12):185-194.

[17] CHEN J, VAUGHAN J, AVISE J, et al. Enhancement and evaluation of the AIRPACT ozone and PM2.5forecast system for the Pacific Northwest[J]. Journal of Geophysical Research Atmospheres, 2008, 113(D14):762-770.

[18] GILLIAM R, HOGREFE C, RAO S. New methods for evaluating meteorological models used in air quality applications[J]. Atmospheric Environment, 2006, 40(26):5 073-5 086.

[19] EDER B, MATHUR K R, YU S, et al. An Operational Evaluation of ETA-CMAQ Air Quality Forecast Model[J]. Atmospheric Environment, 2006, 40(26):4 894-4 905.

[20] CHUANG M T, ZHANG Y, KANG D. Application of WRF/Chem-MADRID for real-time air quality forecasting over the Southeastern United States[J]. Atmospheric Environment, 2011, 45(34):6 241-6 250.

[21] MONACHE L D, STULL R B. An ensemble air-quality forecast over western Europe during an ozone episode[J]. Atmospheric Environment, 2003, 37(25):3 469-3 474.

[22] MCKEEN S, WILCZAK J, GRELL G, et al. Assessment of an ensemble of seven real-time ozone forecasts over Eastern North America during the summer of 2004[J]. Journal of Geophysical Research Atmospheres, 2005, 112:3 003-3 013.

[23] PAGOWSKI M, GRELL G A, MCKEEN S A, et al. A simple method to improve ensemble-based ozone forecasts[J]. Geophysical Research Letters, 2005, 320(7):351-394.

[24] PAGOWSKI M, GRELL G A. Ensemble-based ozone forecasts: Skill and economic value[J]. Journal of Geophysical Research Atmospheres, 2006, 111(D23):23-30.

[25] 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):1-6.

WANG Qian, FU Qingyan, WANG Zifa, et al. Application of ensemble numerical model system on the air quality forecast in Shanghai[J]. Environmental Monitoring and Forewarning, 2010, 2(4):1-6.

[26] 陈焕盛, 王自发, 吴其重,等. 空气质量多模式系统在广州应用及对PM10预报效果评估[J]. 气候与环境研究, 2013, 18(4):427-435.

CHEN Huansheng, WANG Zifa, WU Qizhong, et al. Application of air quality multi-model forecast system in Guangzhou:model description and evaluation of PM10forecast performance[J]. Climatic and Environmental Research, 2013, 18(4):427-435.

[27] 王自发，谢付莹，王喜全，等，嵌套网格空气质量预报模式系统的发展与应用[J]. 大气科学，2006,30(5):778-790.

WANG Zifa, XIE Fuying, WANG Xiquan, et al. Development and application of nested air quality prediction modeling system[J]. Chinese Journal of Atmospheric Sciences, 2006, 30(5):778-790.

[28] DENNIS R L, BYUN D W, NOVAK J H, et al. The next generation of integrated air quality modeling: EPA′s Models-3 [J]. Atmos Environ, 1996,30(12): 1 925-1 938.

[29] NOPMONGCOL U, KOO B, TAI E, et al. Modeling europe with CAMx for the air quality model evaluation international initiative (AQMEII)[J]. Atmospheric Environment, 2012, 53(2):177-185.

[30] GRELL G A, PECKHAM S E, SCHMITZ R, et al. Fully coupled “online” chemistry within the WRF model[J]. Atmospheric Environment, 2005, 39(37):6 957-6 975.

[31] WOODCOCK F, ENGEL C. Operational Consensus Forecasts[J]. Weather & Forecasting, 2005, 20(1):101-111.

[32] 漆梁波, 曹晓岗, 夏立,等. 上海区域要素客观预报方法效果检验[J]. 气象, 2007, 33(9):9-18.

QI Liangbo, CAO Xiaogang, XIA Li, et al. Verification of weather elements objective forecast in Shanghai regional meteorological center[J]. Meteorological Monthly, 2007, 33(9):9-18.

[33] 潘本锋, 李莉娜. 环境空气质量指数计算方法与分级方案比较[J]. 中国环境监测, 2016, 32(1):13-17.

PAN Benfeng, LI Lina. Comparison of the calculating method and classifying program of air quality index among some countries[J]. Environmental Monitoring in China, 2016, 32(1):13-17.

[34] 王晓彦, 陈佳, 朱莉莉,等. 城市环境空气质量指数范围预报方法初探[J]. 中国环境监测, 2015, 31(6):139-142.

WANG Xiaoyan, CHEN Jia, ZHU Lili, et al. Discussion on the methods of urban ambient air quality index range forecasting[J]. Environmental Monitoring in China, 2015, 31(6):139-142.

[35] MALLET V, STOLTZ G, MAURICETTE B. Ozone ensemble forecast with machine learning algorithms[J]. Journal of Geophysical Research Atmospheres, 2009, 114(D5):1 007-1 012.

ApplicationofOptimalConsensusForecastinUrbanOzonePrediction

WU Jianbin1,2, XIAO Linhong2, YAN Pingzhong1,2, LI Jianjun3, PI Dongqin1, CHEN Huansheng1,2, ZHAO Jiangwei1, WANG Wei3

1.Chinese Academy of Sciences, Beijing 100029, China 2.Clear Technology Co. Ltd, Beijing 100029, China 3.State Environmental Protection Key Laboratory of Quality Control in Environmental Monitoring, China National Environmental Monitoring Centre, Beijing 100012, China

An air quality operational forecasting system, consisting of NAQPMS, CMAQ, CAMx and WRF-Chem numerical models, provides real-time air pollutants predictions. In this study, the method of optimal consensus forecast (OCF) is applied to assemble ozone prediction from these four air quality models. The performance of verification shows that OCF can get better results with the training period of 15 days. In general, the OCF is distinctly superior to individual model in predicting the variation and concentration level of ozone for most cities, with the correlation coefficient increased by over 0.11 and the root mean square error decreased by nearly 10. In addition, the performance of the ozone prediction by OCF depends on the skill of each member of the ensemble. The improvement of ozone prediction by OCF could be more significant when the model deviation is larger in some cites, and become smaller under an ensemble of better model skills.

ozone; numerical forecast; ensemble forecast; optimal consensus forecast

X84

：A

：1002-6002(2017)04- 0213- 08

10.19316/j.issn.1002-6002.2017.04.27

2016-12-17;

：2017-03-02

国家重点研发计划项目(2016YFC0208803)；中国科学院战略性先导科技专项(XDB05030204)；环保公益性行业科研专项(201509014)；国家自然科学基金资助项目(41505105)

吴剑斌(1983-)，男，广东湛江人，博士，高级工程师。

晏平仲