天津WRF-Chem模式空气污染浓度预报误差时空分析

马庚雪，李 钢，杨健博

（1.天津市北辰区气象局 天津300400；2.天津市气象台 天津300074；3.天津市气象科学研究所 天津 300074）

0 引 言

天津作为京津冀经济圈的核心功能区之一，随着近几年经济的快速发展，空气污染一直都是影响社会生产和市民生活的重要问题，气象部门对环境污染的预报准确度及对环境污染的治理和决策有重要影响，意义重大。

目前对大气污染物浓度的预报方法［1］一般有2种：一种为统计预报，另一种为数值预报。基于大气动力学理论，数值预报建立了大气污染物在空气中稀释扩散的数值模型，可通过计算机运算预测大气污染物在空气中的动态分布。国外先进全球环境模式被众多学者所研究，如葛翠等［2］、刘茜霞等［3］利用MOZART-2模式对东亚地区的O3、CO浓度进行了系统性的评估。Henze等［4］使用GEOS-CHEM全球大气化学输运模式模拟美国的气候学气溶胶水平，很好地再现了硫酸盐浓度、PM2.5浓度、CO浓度等，表明此模式是模拟美国上空气溶胶浓度的合适工具。罗淦等［5］利用全球环境大气输送模式（Global Environment Atmospheric Transport Model, GEATM）对2004年全球污染物进行模拟，通过对比发现，二氧化硫模拟浓度与实况观测数据的相关系数较高，表明该模式对于大气化学成分分布状况具有较强的模拟能力。程兴宏等［6］比较了中尺度MM5模式和WRFChem模式提供的气象场对华北地区SO2和NO2源同化反演效果及其质量浓度预报的差异和气象要素对二者的影响及其物理机制，结果表明，WRF-Chem模式模拟的气象要素优于MM5模式。蔡子颖等［7］应用WRF-Chem数值模式以CO为示踪物模拟了其浓度变化，定量描述了3种影响因素，完成了天津重污染天气成因数值归因分析。庞杨等［8］应用WRF-Chem数值模式研究了京津冀地区近地面污染物浓度的时空变化特征，发现模式模拟效果较好。尹志聪［9］以年际增量为预测对象，选取前期外强迫因子为自变量，建立了逐月的冬季霾日数季节尺度预测模型，对霾日数变化的长期趋势具有很好的预测能力。

中尺度数值模式的分辨率更高，微物理过程、积云对流方案等设置各有差异。目前天津市气象局所采用的WRF-Chem模式较为成熟，且在进行不断升级中，与MM5、ETA模式相比，WRF-Chem模式具有许多优势。如MM5模式框架陈旧，程序规范化、标准化程度不高；ETA模式很难及时吸收各种优秀研究成果，推广受限；WRF-Chem模式在动力框架上的优越性使其能够提供效果更佳的多种物理量场。因此，综合多方面考量，在本文的研究中使用WRF-Chem模式。

大气污染的发生是一个十分复杂的现象，具有区域性、连续性特点，而环境监测站只能监测获取站点数据。因此，为表现研究区域内大气整体的污染水平，需要对这些站点资料进行插值分析，以展示其空间分布特征。常用的空间插值方法有克里金法（Kriging）、反距离加权法（IDW）、样条函数法（Spline）、泰森多边形法（Voronoi）等。我国众多学者［10-13］都对气温、降水、空气质量指数等气象要素进行过多方面的研究，结果显示，在空气质量指数的空间插值方法选取中，Krging、IDW 2种方法效果接近，故本文选择IDW方法进行空气质量指数空间分布特征的研究。

综上，本文拟使用统计分析方法（相关系数、相对误差、绝对误差）和IDW空间插值方法对2019—2021年天津WRF-Chem模式的6种大气污染物预报结果做时空分布特征分析。

1 资料与方法

1.1 资料

本文讨论的模式版本为WRF-Chem 3.9.1，该模式考虑了大气污染的化学过程、平流输送、湍流扩散、干湿沉降过程。气相化学过程采用CBMZ机制，气溶胶过程采用MOSAIC模型，主要物理过程设置如下：积云对流方案采用grell-3D，微物理过程采用WSM5，长波辐射方案和短波辐射方案均采用RRTMG，考虑气溶胶直接辐射反馈，边界层方案使用YSU，模式水平分辨率15 km，水平网格121×121，中心经纬度为39 N°、117 E°，垂直方向分为41层。

本文讨论模式结果为天津地区2019年1月1日至2021年12月31日WRF-Chem模式的日预报结果，实况数据为天津地区28个环境监测站的PM2.5、PM10、O3、NO2、SO2、CO 共6种污染物浓度逐小时数据。

1.2 方法

1.2.1 统计分析方法

①分析模式预报结果和实况的相关关系采用斯皮尔曼相关系数方法。

②分析模式预报结果和实况的误差运用绝对误差和相对误差2个分析方法，公式为：

其中：X为模式预报结果；Y为实况值；D为正值表示正偏差，代表模式预报结果高于实况值（D为负值表示负偏差，代表模式预报结果低于实况值；D为0则代表预报正确）。

其中：X为模式预报结果；Y为实况值；B越接近0%表示预报误差越小，预报越准确。

1.2.2 空间插值方法

运用反距离加权插值方法（IDW）将天津28个站点的污染物浓度插值到全市，并做出了各污染物浓度的空间分布。

IDW插值方法为确定性插值法，预测点的值取决于一定距离其站点内的属性值，其一般方程为：

2 天津WRF-Chem 3.9.1模式预报效果时间检验

2.1 模式年际预报效果检验

运用2019—2021年天津WRF-Chem模式6种主要大气污染物浓度预报结果的日平均值与28个测站实况观测结果的日平均值做分析，分别计算了相关系数R（通过0.01的显著性检验）。结果显示，O3质量浓度的预报结果与实况的相关性最高，相关系数为0.90；其次为NO2，质量浓度预报与实况的相关系数维持在0.81；PM2.5、CO和SO23种污染物的质量浓度预报与实况的相关系数分别为0.75、0.76和0.70；预报结果与实况值相关系数最低的污染物为PM10，仅为0.59，预报效果不理想，见图1。

图1 2019—2021年天津市污染物浓度模式预测与实况值相关系数Fig.1 Correlation coefficient between prediction of pollutant concentration model and actual value in Tianjin from 2019 to 2021

通过计算绝对误差D，可以判断模式对不同污染物质量浓度高低估趋势。由表1可知，2019—2021年间，天津WRF-Chem模式对PM10、NO2和O3浓度预报呈正偏差天数逐年增多、负偏差天数逐年减少的趋势，SO2则正好相反。除SO2外，其余污染物的正偏差天数都明显高于负偏差天数。其中，模式对PM2.5和NO2浓度的高估天数比低估天数偏多73 d/a，对PM10、CO和O3浓度的高估天数比低估天数分别偏多38、29、12 d/a，SO2则表现为低估天数比高估天数偏多64 d/a。证明模式预报对比于实况的高估现象更显著，这一现象与前几年相比有明显转变。从零偏差天数来看，预报准确度最高的是CO，3年平均准确天数约为77 d/a。SO2预报准确天数约为45 d/a，优于其他污染物（年平均准确天数低于20 d）。

表1 2019—2021年各污染物模式结果偏差天数统计表Tab.1 Statistical table of days of deviation in results of each pollutant model from 2019 to 2021

由图2可以看出，2019—2020年，6种污染物浓度预报结果绝对误差的绝对值均呈减小趋势，但2021年又反弹升高。绝对误差最大的是PM10，正偏差平均28.27 µg/m3，负偏差-32.60 µg/m3；其次是O3和PM2.5，正偏差平均19.25、18.4 µg/m3，负偏差-18.67、-17.8 µg/m3；NO2（8.71、-8.38 µg/m3）和SO2（3.56、-2.83 µg/m3）正负偏差在10 µg/m3以下；CO正负偏差均在0.3 mg/m3以下。由此可见，PM10、PM2.5和O3浓度预报结果的绝对误差明显高于其他3种污染物。

图2 2019—2021年各污染物模式预报正负绝对误差年平均值Fig.2 Annual mean of positive and negative absolute errors predicted by each pollutant model from 2019 to 2021

2.2 模式季节预报效果检验

模式预报相对误差大小的排列顺序为O3＜CO＜NO2＜SO2＜PM10＜PM2.5。分季节计算模式预报相对于实况的相对误差B，结果如图3所示。四季中，模式预报的相对误差为夏季最高，秋冬近似，春季最小。夏季模式预报相对误差较大的是PM2.5（63.73%）、PM10（46.68%）和SO2（33.80%），最小的是CO（16.57%）；秋季模式预报相对误差最大的是PM2.5（58.93%）和PM10（47.26%），SO2（28.18%）次之，CO最小（20.39%）；冬季相对误差与秋季类似，只有PM2.5和PM10值略小于秋季，CO相对误差25.11%为全年最高；春季结果分布和冬季类似，只有PM2.5相对误差明显低于冬季，为全年最低值。

图3 2019—2021年6种污染物模式预报相对误差季节变化Fig.3 Seasonal variation of relative errors in forecast of six pollutant models from 2019 to 2021

3 天津WRF-Chem 3.9.1模式预报效果空间检验

从2019—2021年WRF-Chem模式对6种大气污染物浓度预报结果的相对误差空间分布特征可以看出，6种污染物中，预报结果平均误差最大的是PM2.5，其次为PM10，这2种污染物浓度模式预报的相对误差全市平均在50%～60%之间，且这2种污染物造成污染的概率最大。SO2和NO2浓度预报结果的平均相对误差在40%～50%之间，CO和O3最低为20%～30%之间。从空间分布特征来看，PM2.5质量浓度预报结果的相对误差表现为蓟州、中心城区、大港偏大，为50%～60%；对于PM10质量浓度，模式预报结果的相对误差为西青、武清、塘沽、宝坻偏大，为50%～60%，北辰、静海最小，为40%。预报效果最好的是O3，在蓟州、宝坻、武清等地区预报误差较大，但也仅为30%左右，预报效果较好。

天津地区大气污染物主要为PM2.5、PM10和O3，其中O3污染主要出现在夏季，可以根据不同污染物不同季节、不同地区的模式误差特征进行订正，以提升模式预报的准确率。总体来说，天津WRF-Chem模式大气污染物浓度预报效果最差的污染物是PM10，表现为相关系数最差、绝对误差最高和相对误差中等偏差等特点，且相对误差在春季最明显，并在天津中部地区西青、武清、塘沽、宝坻偏大。PM2.5的相对误差在夏秋冬三季均为最大。在今后的预报订正中，要着重加强对PM10和PM2.5浓度预报结果的订正。

4 结 语

①6种主要大气污染物中，天津WRF-Chem模式对O3质量浓度的预报结果与实况相关性最好，相关系数为0.90，然后依次为NO2、CO、PM2.5、SO2，相关性最差的是PM10，相关系数为0.59。

②除SO2外，其他模式对其余污染物浓度预报结果的平均正偏差天数都明显高于平均负偏差天数。证明模式预报相较于实况的高估现象更显著，这一现象与前几年相比有明显转变。但6种污染物浓度预报结果绝对误差的绝对值大体均呈先减小后升高的波动趋势。PM10、PM2.5和O3浓度预报结果的绝对误差明显高于其他3种污染物。

③6种大气污染物浓度模式预报结果的相对误差大小排序为O3＜NO2＜PM2.5＜PM10＜CO＜SO2，且在夏季最高，秋冬近似，春季最小。PM2.5浓度预报结果的相对误差在夏秋冬三季最大，PM10浓度预报误差在春季最大。从污染物角度展开分析，PM2.5和SO2浓度预报相对误差在春季最大，PM10和NO2浓度预报相对误差在夏秋两季最大，O3和CO浓度预报相对误差则在冬季最大。

④从模式预报相对误差的空间分布特征来看，6种污染物中，浓度预报平均相对误差最大的是PM2.5，其次为PM10，且这2种污染物造成污染的概率也最大，O3浓度预报结果的误差最小。PM2.5质量浓度预报结果的相对误差表现为蓟州、中心城区、大港偏大，为50%～60%；PM10浓度预报误差为西青、武清、塘沽、宝坻偏大。

⑤模式预报效果最差的是PM10，表现为相关系数最低、绝对误差最高和相对误差中等偏差等特点，且相对误差在春季表现最明显。此外，PM2.5预报效果也值得关注。