成都市空气质量预报系统的应用及预报效果评估

张恬月,杨欣悦,谭钦文,宋丹林,贾亚俊

(1.成都市环境保护科学研究院，成都 610031;2.中国人民解放军，91910部队，辽宁 大连 116000)

1 前 言

空气污染不仅严重影响城市形象，更损害居民身体健康。目前中国有4个灰霾较严重的地区，而四川盆地便是四大灰霾天气频发和危害较严重的地区之一[1]。成都市位于四川盆地西部，东西横距192 km，南北纵距166 km，西北高、东南低，东西两翼高差近5 000 m，日照时间短，全年静风频率高，相对湿度较高，且易出现逆温，不利于污染物扩散[2]。近年来，四川东部的PM2.5浓度明显大于西部，而东部地区PM2.5浓度大致以成都市为核心，呈环状向四周递减[3]。作为成渝城市群两个核心城市之一，成都市的空气质量改善效果显著，但也正经历着累积型、区域型和复合型大气污染[4]。

空气质量模式预报的准确性决定系统的可用性[5]，对模式的评估是实现模式预报预警的前提。Eder等[6]评估了CMAQ对美国东北部O3浓度的预报效果，并指出模式中不合理的云覆盖方案是模式高估云条件下O3浓度的原因。Honore等[7]检验了PREV’AIR系统对法国的PM10、O3和NO2浓度准确性，并指出集合预报和观测数据同化是提高该系统性能的可能方向。陈焕盛等[8]对空气质量多模式系统在广州对PM10的预报效果进行了评估，指出优化排放源空间分布并引进更佳的集合预报方法是改进该系统的重要方向。赵秀娟等[9]对北京区域环境气象数值预报系统进行检验，指出2014年该系统对京津冀及其周边地区PM2.5质量浓度预报效果较好，但随着预报时效延长预报效果略有下降。周光强等[10]对华东区域大气环境数值预报业务系统在2个PM2.5高浓度阶段的业务预报效果进行评估，评估显示该系统具有较好的预报效果，各城市的PM2.5质量浓度相关系数基本在0.5以上，但人为源清单的不确定性和气象-污染的双向反馈作用不足影响了系统的预报准确性。潘锦秀等[11]对NAQPMS模式进行京津冀区域重污染天气过程预报进行检验，指出系统提前3d预报重污染天气过程的准确率可达57%，但WRF气象模式对中低层天气系统位置及强度预报偏差是导致静稳型污染过程早报和晚报的一个重要原因。蔡子颖等[12]对2014～2016天津地区重污染天气类型进行划分，并评估天津环境气象数值模式在不同天气背景下的PM2.5质量浓度和重污染天气过程的预报效果，指出低压槽天气时模拟值明显偏低，冷锋前低压区、华北地形槽和低压过程模拟值略有偏低，高压前和高压底部天气模拟值略偏高。

成都市环境保护科学研究院自主开发了成都市空气质量预报系统，该系统主要用于日常空气质量预报预警、数值模拟源解析和空气质量措施响应评估等工作，用以避免或减轻空气污染的影响。成都市由于其特殊的地形，且易受青藏高原特殊气象影响，使模式的适用性受到一定程度的挑战。因此，有效评估模式系统在成都的预报效果，了解预报误差的来源和程度，有利于对模式系统有针对性的改进。本文介绍了成都市空气质量预报系统，并利用多种方法评估系统对2017年2月成都市的气象要素、PM10、PM2.5、SO2和NO2的24h预报效果，为进一步改进系统预报效果提供依据。

2 CDAQNFS空气质量预报系统及观测数据

2.1 CDAQNFS空气质量预报系统

成都市环境保护科学研究院自主研发的空气质量模拟系统(CDAQNFS)框架如图1所示，于2013年12月首次实现业务化运行。随后课题组以成都市现有大气环保科研技术成果为基础，进行深入挖掘，结合我市现状，建立基于天气研究与预报模型(WRF)的本地化大气环流模拟系统，耦合成都市现状土地利用类型数据，提高气象数值模拟的准确性，结合成都市现状排放清单与大气污染源成分谱数据，建立本地化高分辨率排放清单处理模型，与本地排放清单编制体系实现无缝衔接，并生成适用于城市级空气质量模拟的高时空分辨率、多物种的网格化排放清单。在此基础上，驱动第三代空气质量模型，实现空气质量业务化预报。

图1 成都市空气质量模式预报系统框架Fig.1 The framework of chengdu air quality numerical forecast system

2.2 模式设置

成都市业务空气质量数值预报模型采用双层嵌套运行(图2)，模型中心经纬度为104°E，30°42′N，第一层网格分辨率为88×88×6KM，覆盖四川盆地，第二层网格为121×4×2KM，覆盖成都市及周边核心城市(德阳、绵阳、眉山和资阳)。在之前研究的基础上[13]，通过开展针对微物理方案的13个测试、针对辐射方案的25个测试、针对noah土地利用类型的156个测试、针对边界层、陆面过程和地表层的575个测试，最终选定了最优方案，但受限于篇幅，此处不进行深入说明，核心参数配置如表1。

图2 (a)模型2层嵌套区域设置和(b)气象和空气质量监测站点空间分布Fig.2 (a)Two nested model domains and(b)spatial distribution of the meteorology and air quality monitoring stations

表1 成都市空气质量数值预报系统核心参数配置Tab.1 configuration of core parameter chengdu air quality numerical forecast system

2.3 排放源处理

系统采用稀疏矩阵排放模型(SMOKE)对排放清单进行处理，得到模型所需的四维网格化排放清单。排放清单包括4部分：一是成都市全域排放清单使用2016年度大气污染源排放清单[14～18]；二是成都经济圈(德、绵、眉、资)四市采用2014年排放清单，部分数据根据经济、人口等大数据进行订正，使其符合2016年情况；三是盆地其他地区采用清华大学MEIC2012年度排放清单，并使用大数据订正至2016年，部分清单采用嵌套方式使用，均取实效性最高、分辨率最高、排放清单分类最完整的清单用于模型模拟；四是天然源排放清单，采用成都市环境保护科学研究院开发的SimpleBIO排放模型[19]进行计算，用于考虑天然源VOCs对二次有机气溶胶及臭氧的影响。

2.4 观测数据

本文利用2017年2月成都市气象局的逐小时气象观测资料评估WRF的预报效果，并利用成都市环境监测中心站2017年PM10、PM2.5、SO2、NO2的逐小时浓度值评估预报效果。

3 预报效果评估与讨论

3.1 气象预报评估

气象场预报结果对污染物浓度预报准确性影响高，PM2.5浓度通常与相对湿度呈正相关，而与风速呈负相关[20]。成都市位于四川盆地边缘地区，中心城区西侧为龙门山脉，东侧为龙泉山脉，地形相对较封闭，具有静小风频率高、湿度大、中性及稳定性天气多、逆温出现频繁等气候特征。刘培川等[21]曾利用2013年成都地区空气质量资料，并用WRF模式对成都地区污染天气和清洁天气背景下的边界层气象要素进行模拟。本文选取温江国家基准气候站为气象观测数据对比站点(坐标为30°45′N，103°52′E，海拔高度为547.7m)，该站承担了包括温度、湿度、风、气压、降水等地面气象要素的观测工作，同时气象观测数据具有逐小时值。根据模式预报与实测数据的变化趋势对比情况可见(图3)，模式对个别时间点的气象要素峰谷值预测具有差异，但总体来看，预报值和实测值具有较好的一致性，模式能较好的预测各气象要素的变化趋势。表2为气象预报效果统计分析，其中，气压和的气温预报效果最好，其预报值和观测值的相关系数r分别为0.97和0.81，其均方根误差(RMSE)和平均偏差(MB)均较小，特别是地面气压的平均分数误差(MFE)和平均分数偏差(MFB)均为0%；相对湿度预报效果次之，其预报值和观测值的r为0.72，RMSE和MB分别为11.74%和-0.54%，MFE和MFB分别为8%和-1%；风是局地性最强的气象因子之一[22]，对个别极大风速难以准确模拟，但总体上风向模拟较为一致，风速预报值和观测值的r为0.49，RMSE、MB和MFB分别0.98 m/s、-0.02 m/s和-3%，但MFE较大为34%；数值模式模式对于个别降水过程的量级及时间把握不够准确，相关系数r仅为0.24，MFE和MFB值较大，但RMSE和MB小，且基本能够模拟出降水过程。总体而言，对比陈焕盛等[8]和卢苗苗等[23]的研究结果，WRF能较好的模拟成都市主要气象要素的逐小时变化情况，为CMAQ提供了可靠的气象数据。

图3 WRF模型对2017年2月成都站风场、气温、相对湿度、气压和降水的预报与实况对比Fig.3 Comparisons between the forecasted wind,temperature,relative humidity,pressure and precipitation by WRF and observations in Chengdu in Oct 2017

表2 气象预报效果统计分析Tab.2 statistical analysis of the meteorological forecast performance

注：表中相关系数均通过0.001的显著性检验。

3.2 颗粒物及其前体物预报效果评估

3.2.1 空间分布对比

大气颗粒物浓度不仅受源排放影响，而且受到气象扩散条件影响。大气颗粒物浓度与气象要素一样，具有局地性的特点。同时，空气质量监测站点与气象站观测站点类似，根据实际情况选取具有代表性的地区设置站点并采集实况数据，而且站点并不是均匀分布的。因此，本文采用处理气象观测数据类似的插值法来绘制大气颗粒物浓度的空间分布图。图4为2017年2月成都市中心城区共计15个站点的PM10、PM2.5、SO2、NO2的监测实况浓度与模拟预报浓度的月平均空间分布图。从PM10实况浓度分布图来看(图4a)，成都市PM10整体呈西部浓度偏高，东部浓度偏低的分布特征，高值中心位于双流；对比模拟预报浓度分布图，PM10空间分布与实况浓度相似，也呈西部偏高东部偏低的分布特征，但高值中心略偏东，主要位于武侯区，且模拟浓度值偏高，模型使用的排放清单中扬尘的排放情况可能与实际存在一定差异。对比PM2.5实况浓度和模拟预报浓度的分布图(图4b)，成都市PM2.5实况呈东南部浓度值偏低的分布特征，有两个明显的高值中心，一个高值中心位于新都区与青白江区的北部，另一个高值中心位于温江区与双流区的西部；而模拟预报浓度分布图仅有一个高值中心，位于武侯区、双流区和青羊区，对青白江区的PM2.5浓度值有明显的低报，说明除扬尘清单与实际存在差异外，区县的颗粒物排放也可能存在低估。由SO2的实况浓度与模拟预报浓度分布图可知(图4c)，两者均呈SO2由东北向西南浓度值逐渐降低的分布特征，温江区、郫都区和新都区为SO2的高值区，天府新区、龙泉驿区和青白江区为SO2的低值区，但实况与模拟的浓度数值差异较大。NO2的模拟效果较好(图4d)，高值中心均位于五城区(青羊区、锦江区、武侯区、成华区和金牛区)，这是由于五城区机动车保有量占成都市机动车总保有量的38%，而五城区NO2排放分担率达42%以上[16]。

图4 2017年2月监测实况浓度(左)和模式预报月均值浓度(右)的空间分布(μg/m3)(a)PM10(b)PM2.5(c)SO2(d)NO2Fig.4 Spatial distributions of monthly mean observaed concentrations and the forecasted monthly mean concentrations in Feb 2017 (a)PM10 (b)PM2.5(c)SO2(d)NO2

3.2.2 时间序列对比

利用成都市中心城区7个国控站点(金泉两河、十里店、三瓦窑、沙河铺、龙泉驿区区政府、大石西路和君平街)实况与模拟预报的逐小时平均值对比，对空气质量模型进行验证。从时间序列图上看(图5)，模式预报值与实况观测值总体上具有较一致的变化趋势，NO2的一致性最高，颗粒物的一致性次之，SO2的一致性相对较差。其中，在2月上旬(2月1日～7日)有一次预报高报过程，这可能与同期气温预报偏高有关；2月14～16日也出现一次对PM10和PM2.5的显著高估，这可能与同期风速预报偏低和相对湿度预报偏高有关。

图5 2017年2月成都市PM10、PM2.5、SO2和NO2小时模式预报和实况观测浓度对比Fig.5 Comparisons between hourly observations and the forecasted hourly concentrations in Feb 2017(a)PM10 (b)PM2.5(c)SO2(d)NO2

3.2.3 散点分析

散点图可反映预测值对观测值的高估或低估。由图6可知，NO2的预报效果最好，散点大多集中于y=x附近，呈收敛趋势，但存在低报现象；PM10和PM2.5次之，存在不同程度的高报现象；SO2有显著的高报现象，说明排放清单可能对SO2存在显著高估。成都市环境保护科学研究院空气质量模拟系统使用的2018版排放清单能够更好反映成都及周边地区SO2的排放情况，以2018年1月模拟结果为例，SO2平均浓度为13.1μg/m3(对应实测浓度为11.3μg/m3),与实测浓度水平基本相符，但由于本预报系统排放清单结构与模拟系统差异较大，暂时难以将新版排放清单更新至系统中。

图6 2017年2月成都市PM10、PM2.5、SO2和NO2小时预报和观测浓度散点图Fig.6 Scatter plots of the forecasted and observed hourly concentrations in Feb 2017(a)PM10(b)PM2.5(c)SO2(d)NO2

3.2.4 统计分析

通过统计分析对模式的预报能力进行定量评估，表3统计了各项污染物小时浓度的预报效果。从相关系数来看，PM2.5的r最大，为0.52；PM10和NO2的r次之，分别为0.48和0.43；SO2的r最小，为0.08，这与SO2存在显著高报现象有关。均方根误差表征预报值与真值间的偏差，SO2和NO2的RMSE较小，分别为22.38 μg/m3和23.03 μg/m3；PM2.5的RMSE为47.69 μg/m3；而PM10的RMSE为77.52 μg/m3。PM2.5、PM10和SO2的平均偏差为正值，而NO2的平均偏差为负值，表明模式高估PM2.5、PM10和SO2的浓度，而低报NO2的浓度。Boylan and Russel等[24]将平均分数误差(MFE)和平均分数偏差(MFB)作为衡量模式对颗粒物预报可信度的指标，当MFE小于50%且MFB小于±30%时，模式对颗粒物的预报表现为优秀；当MFE小于75%且MFB小于±50%时，模式对颗粒物的预报表现为可接受。由表可知，PM10

表3 2017年2月小时浓度与实测浓度的统计分析Tab.3 Statistical analysis of the forecast hourly concentration and the measured hourly concenrtration in Feb 2017

(表中相关系数均通过0.001的显著性检验)

和PM2.5的MFE均为32%(小于50%)，同时其MFB分别为1%和﹣1%，远远小于30%。可见，成都市空气质量模拟系统对颗粒物的预报性能为优秀。

3.3 讨 论

成都市空气质量预报系统目前对成都市主要污染物浓度和变化趋势均具有较好的预报能力，但仍存在一些不足。污染物模拟浓度和实测浓度之间仍存在波动，未来可针对不同排放源的小时变化进行更新，提高小时尺度排放清单分辨率。污染物模拟浓度空间分布与实测之间仍存在差异，未来可及时更新最新的源排放清单，引入多样的空间分配因子用以优化源的空间分布，优化区域清单，同时结合成都地区污染天气分型结果[24-25]，提高对区域性污染过程的预报能力。

4 结 论

本文介绍了成都市空气质量预报系统的模式设置和排放源处理，并从空间、时间序列、散点和统计分析等角度评估了系统对2017年2月成都市的气象要素和PM10、PM2.5、SO2、NO2小时浓度的24小时预报效果。结果表明：

4.1 WRF能较好的模拟预报成都市主要气象要素的逐小时变化情况，平均气温、平均气压和平均相对湿度的相关系数均在0.72以上，其中平均气压的相关系数高达0.97；平均风速的相关系数为0.49，但模式预报与观测值平均偏差仅为-0.02 m/s；累积降水的相关系数为0.24，仍需优化对降水的预报。

4.2 模式系统能合理反映各污染物的时空分布，其中SO2的空间分布模拟效果最佳，而在新都区和青白江区的北部存在的PM2.5浓度低估；从时间序列可知，模式预报值与实况观测值总体上具有较一致的时间变化趋势，NO2的一致性最高，颗粒物的一致性次之，SO2的一致性相对较差；从散点图可知，对NO2存在一定程度上的低报，对颗粒物的预报存在不同程度的高估，而对SO2有显著的高估。

4.3 通过统计分析对模式预报能力进行定量评估发现，模式对PM10和PM2.5的预报效果均达到优秀水平；NO2的预报值与实况值相关系数为0.43，其均方根误差、平均偏差、平均分数误差和平均分数偏差等统计值较小，预报效果较好；而SO2的预报值与实况值的相关系数仅为0.08，由于SO2排放主要来自于高架源，清单在分布及量级上的准确率对预报结果存在较大的影响。