基于CUACE 分等级的空气质量预报研究

石霖晟杰，刘妹宁*秦闻通，吴 瑕

（1.内蒙古自治区气象科学研究所，内蒙古 呼和浩特；2.内蒙古自治区包头市气象局，内蒙古 包头；3.内蒙古自治区根河市气象局，内蒙古 根河）

引言

春季是沙尘频发的季节，新疆塔克拉玛干沙漠、内蒙古巴丹吉林沙漠、腾格里沙漠、乌兰布和沙漠、河西走廊地区都是重要的沙源地[1]，内蒙古受沙尘的影响比较严重，沙尘的发生往往伴随着低能见度和低空气质量，对百姓出行和交通安全都造成了巨大的隐患。为此中国气象局积极研发气象环境预报模型，拓展跨部门合作和服务业务，对保障人民健康、指导出行和经济发展都具有重要意义[2]。

廖国莲[3]通过分析CUACE 模式在广西空气质量预报中的效果，发现CUACE 模式预报效果最稳定，其评分基本不随预报时效的延长而明显降低，杨亚丽[4]使用CUACE 模式对银川市重污染天气预报做了检验，结果表明CUACE 模式能较好的模拟首要污染物、AQI、PM2.5、PM10 等。研究者在各地开展了CUACE的适用性分析[5-13]，使用线性模型、随机森林、主成分分析、神经网络等算法，在局地建立了基于CUACE 的空气质量预报模型，本研究使用K-means 聚类算法将CUACE 沙尘浓度划分为五层，并基于随机森林模型建立了空气质量等级的预报模型。

1 资料与方法

本研究使用的数据包括2021 年6 月2 日—2022年7 月9 日亚洲沙尘暴数值预报系统（CUACE-Dust）产品、空气质量AQI 数据， 研究区域包括呼和浩特市、包头市、鄂尔多斯市、乌兰察布市、呼伦贝尔市。其中亚洲沙尘暴数值预报系统产品（以下简称CUACE）是中国气象科学研究院自主研发的区域天气—大气化学—大气气溶胶双向耦合模式，由中尺度数值天气预报模式 MM5（ Mesoscale Model 5）和气体—气溶胶模块组成，CUACE 模式于2012 年8 月开始在中国气象局国家气象中心应用[5]。

CUACE 产品是0.5°* 0.5°的栅格数据，分为08 时预报和20 时预报。空气质量AQI 数据为站点监测数据，其中呼和浩特市有8 个监测站、包头有6 个、鄂尔多斯有5 个、乌兰察布有4 个、呼伦贝尔有2 个，使用双线性插值法将栅格数据插值到25 个空气质量监测站，插值后CUACE 对应的08、20 预报时次分别有68 382 条和73 198 条。

2 CUACE 分层

通过研究AQI、AQI 空气质量等级和CUACE 之间的相关关系，可以有助于理解CUACE 的分层建模依据。参照《环境空气质量指数（AQI）技术规定》，将AQI 对应到空气质量等级，等级越高，AQI 指数越高，空气质量越差。通过分析空气质量等级分布情况，发现1 级和2 级占据85%以上的数据量，2 级到3 级存在断崖式变化，冬季的空气质量较差，见表1。

表1 逐月空气质量等级统计表

通过内蒙古境内空气质量站点数据计算CUACE 和AQI的皮尔斯相关系数仅为0.19，但分析不同地区CUACE 和AQI的相关系数，发现呼和浩特、包头、鄂尔多斯、乌兰察布和呼伦贝尔较高，阿拉善、巴彦淖尔、赤峰、兴安盟较低。

针对相关系数较高的内蒙古中部地区（呼包鄂乌）和呼伦贝尔等地的数据，先对CUACE、AQI 进行标准化公式（1），提高CUACE 的权重公式（2），再使用K-means 聚类算法观察CUACE 的数据分布。其中进行标准化的目的是因为AQI 数值不超过500，而CUACE 数值最大有6 000，在以距离为划分依据的K-means 模型分类下，等同于给CUACE 附加了更高的权重，标准化后再提高CUACE 权重的目的是为了分类上更偏重于从CUACE 的角度进行划分。

根据K-means 聚类结果，以CUACE 的角度，从大到小大致可以分为5 层，分别是CUACE≥5 000、5 000>CUACE ≥3 000、3 000 >CUACE ≥1 000、1 000 >CUACE≥300、CUACE<300，见图1。

图1 K-means 聚类划分7 类

这5 层各有其特征，第五层CUACE≥5 000，该层特点是AQI 全部大于300。第四层是5 000>CUACE≥3 000，该层的两级分割比较明显，AQI 在200—400 之间的数据量不超过1%，AQI≤100 的数据占16.3%，200≥AQI>100 的数据占58.1%，其余AQI>400 的数据占25.6%。

第三层3 000>CUACE≥1 000，可以发现该层更多的数据集中在了AQI≤100 的区间，400>AQI>200的数据较少。AQI≤100 的数据占41.8%，300≥AQI>100 的数据占35.3%，其余AQI≥300 的数据只占22.8%。第二层1000>CUACE≥300，第2 层和第1 层的分布类似，但AQI≤100 的数据比例更多，AQI≤100的数据占68%，300≥AQI>100 的数据占23.7%，其余AQI≥300 的数据只占8.4%。第一层CUACE<300，该层数据明显集中在AQI≤100 的区间，AQI≤100 的数据占86.2%，300≥AQI>100 的数据占13.5%，其余AQI≥300 的数据只占0.5%。

总结来说，K-means 聚类出的一至五层的数据比为4 044:111:26:6:1，其中第五层的CUACE 和AQI 都是大数，聚类效果也最好，第四层出现了两级分化、中间无数据的情况，这一层200≥AQI>100 的数据最多，其余3 层则以AQI≤100 的数据量占比最多。在AQI≥300 的数据中，一至五层的数据量占比分别是54%、24%、15%、4%、3%。

3 随机森林模型

将AQI≤100 作为第0 类，200≥AQI>100 作为第1 类，AQI≥300 作为第2 类，根据K-means 算法聚类出的5 层，分层建立随机森林模型，预报空气质量等级，见表2。可以发现预测效果呈现倒三角式变化，CUACE 预测的两端效果最好，且第0 类的划分效果相较于其余两类更好。

表2 随机森林模型的建模结果

随机森林模型的评判规则可进一步参考图形化的表述，见图2。图中规则树为标准的二叉树，每一个节点（方框）对单一要素划分，将本节点的数据预测为第0 类、第1 类或第2类，下分两个子节点，相对左侧的子节点是父节点判断规则为True 的节点，相对右侧的子节点是父节点判断规则为Fasle的节点，子节点在最后一行用class 表示预测结果。通过gini评估各节点划分效果，gini 越小说明该节点划分的效果越好。方框中的samples 表示该节点的数据量，value 是带权重的样本比例（举例来说，[第0 类的数量，第1 类的数量，第2 类的数量]），有时value 中的总数会大于samples，这是因为本研究对第1 类和第2 类赋予了更高的权重。另外方框颜色的深浅也能表示划分的效果，偏橙色代表预测为第0 类，偏绿色代表预测为第1 类，偏蓝色代表预测为第2 类，颜色越深，划分的效果越好，value 中各类样本的数量相差越大，gini 越小。

图2 第四层的建模结果

根据检验结论，模型整体的预测效果优于CUACE，特别在分层预报中表明，CUACE 数值越大，分层效果越好，其中第四层和第三层的预测效果较好。