标题

Bản ghi

1 第 ３５ 卷第 ６ 期 环 境 科 学 学 报 Ａｃｔａ Ｓｃｉｅｎｔｉａｅ Ｃｉｒｃｕｍｓｔａｎｔｉａｅ ２０１５ 年 ６ 月 Ｖｏｌ ３５ ｏ ６ Ｊｕｎ ２０１５ ＤＯＩ １０ １３６７１ ｊ ｈｊｋｘｘｂ ２０１４ ０８６５ 王茜 吴剑斌 林燕芬 ２０１５ ＣＭＡＱ 模式及其修正技术在上海市 ＰＭ ２ ５ 预报中的应用检验 Ｊ 环境科学学报 ３５ ６ １６５１ １６５６ Ｗａｎｇ Ｑ Ｗｕ Ｊ Ｂ Ｌｉｎ Ｙ Ｆ ２０１５ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ａ ｄｙｎａｍｉｃ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｅｔｈｏｄ ｏｎ ｔｈｅ ＣＭＡＱ ｆｏｒｅｃａｓｔ ｏｆ ＰＭ ２ ５ ｉｎ Ｓｈａｎｇｈａｉ Ｊ Ａｃｔａ Ｓｃｉｅｎｔｉａｅ Ｃｉｒｃｕｍｓｔａｎｔｉａｅ ３５ ６ １６５１ １６５６ ＣＭＡＱ 模式及其修正技术在上海市 ＰＭ２ ５ 预报中的应 用检验 王茜１ 吴剑斌２ 林燕芬１ １ 上海市环境监测中心 上海 ２００２３５ ２ 上海市气象局 上海 ２０００３０ 收稿日期 ２０１４ ０７ ２３ 修回日期 ２０１４ ０８ ０８ 录用日期 ２０１４ ０８ ０８ 摘要 利用 ＣＭＡＱ 空气质量数值预报模式对上海市 ＰＭ ２ ５ 浓度进行预报 选取 １０ 个囯控站点监测数据对预报进行验证评估 结果表明 ＣＭＡＱ 模式开展能够较好地模拟出 ＰＭ ２ ５ 的时间变化趋势及浓度水平 但总体处于低估的水平 偏低幅度约 ２５ 尤其在高污染阶段 模式的低估更为 突出 达 ３２ 这与污染源清单的不确定性有关 为提高 ＰＭ ２ ５ 预报准确度 采用学习型线性回归方法对 ＰＭ ２ ５ 浓度的数值预报结果进行修正 统 计检验结果显示修正预报准确率由原来的 ７６ ４ 提高到了 ７９ ３ 污染预报成功指数由 ５６ ４ 提高至 ７２ １ 明显提高了 ＰＭ ２ ５ 浓度的预报效 果 反映了引入实际监测数据对空气质量数值预报模式进行修正的研究意义和可行性 关键词 上海 ＰＭ ２ ５ ＣＭＡＱ 模式 修正预报 文章编号 ０２５３ ２４６８ ２０１５ ０６ １６５１ ０６ 中图分类号 Ｘ５１３ 文献标识码 Ａ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ａ ｄｙｎａｍｉｃ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｅｔｈｏｄ ｏｎ ｔｈｅ ＣＭＡＱ ｆｏｒｅｃａｓｔ ｏｆ ＰＭ ２ ５ ｉｎ Ｓｈａｎｇｈａｉ ＷＡＧ Ｑｉａｎ １ ＷＵ Ｊｉａｎｂｉｎ ２ ＬＩ Ｙａｎｆｅｎ １ １ Ｓｈａｎｇｈａｉ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｍｏｎｉｔｏｒｉｎｇ Ｃｅｎｔｅｒ Ｓｈａｎｇｈａｉ ２００２３５ ２ Ｓｈａｎｇｈａｉ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｂｕｒｅａｕ Ｓｈａｎｇｈａｉ ２０００３０ Ｒｅｃｅｉｖｅｄ ２３ Ｊｕｌｙ ２０１４ ｒｅｃｅｉｖｅｄ ｉｎ ｒｅｖｉｓｅｄ ｆｏｒｍ ８ Ａｕｇｕｓｔ ２０１４ ａｃｃｅｐｔｅｄ ８ Ａｕｇｕｓｔ ２０１４ Ａｂｓｔｒａｃｔ Ｍｏｄｅｌｓ ３ ＣＭＡＱ ａｉｒ ｑｕａｌｉｔｙ ｍｏｄｅｌｉｎｇ ｓｙｓｔｅｍ ｗａｓ ａｐｐｌｉｅｄ ｔｏ ｆｏｒｅｃａｓｔ ＰＭ ２ ５ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｉｎ Ｓｈａｎｇｈａｉ Ｏｂｓｅｒｖａｔｉｏｎ ｄａｔａ ｆｒｏｍ ｔｅｎ ｍｏｎｉｔｏｒｉｎｇ ｓｉｔｅｓ ｗｅｒｅ ｃｈｏｓｅｎ ｔｏ ｅｖａｌｕａｔｅ ｔｈｅ ｍｏｄｅｌ ｐｅｒｆｏｒｍａｎｃｅ Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ＣＭＡＱ ｍｏｄｅｌ ｃａｎ ｗｅｌｌ ｓｉｍｕｌａｔｅ ｔｈｅ ｖａｒｉａｔｉｏｎ ｏｆ ＰＭ ２ ５ ｃｏｎｃｅｎｔｒａｔｉｏｎ Ｈｏｗｅｖｅｒ ｔｈｅ ｓｉｍｕｌａｔｅｄ ＰＭ ２ ５ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｓ ｕｎｄｅｒｅｓｔｉｍａｔｅｄ ｂｙ ２５ Ｄｕｒｉｎｇ ｔｈｅ ｈｉｇｈ ｐｏｌｌｕｔｉｏｎ ｅｐｉｓｏｄｅ ｔｈｅ ｕｎｄｅｒｅｓｔｉｍａｔｉｏｎ ｉｓ ｅｖｅｎ ｕｐ ｔｏ ３２ ｗｈｉｃｈ ｃｏｕｌｄ ｂｅ ｃａｕｓｅｄ ｂｙ ｔｈｅ ｕｎｃｅｒｔａｉｎｔｙ ｏｆ ｅｍｉｓｓｉｏｎ ｉｎｖｅｎｔｏｒｙ Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ＰＭ ２ ５ ｆｏｒｅｃａｓｔ ｔｈｅ ｄｙｎａｍｉｃ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｅｔｈｏｄ ｉｓ ｕｓｅｄ Ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｃｃｕｒａｃｙ ａｆｔｅｒ ｒｅｖｉｓｅｄ ｆｏｒｅｃａｓｔ ｈａｓ ｂｅｅｎ ｉｍｐｒｏｖｅｄ ｆｒｏｍ ７６ ４ ｔｏ ７９ ３ ａｎｄ ｔｈｅ ｃｒｉｓｉｓ ｓｕｃｃｅｓｓ ｉｎｄｅｘ ｈａｓ ｂｅｅｎ ｉｍｐｒｏｖｅｄ ｆｒｏｍ ５６ ４ ｔｏ ７２ １ ｗｈｉｃｈ ｒｅｆｌｅｃｔｓ ｔｈｅ ｓｉｇｎｉｆｉｃａｎｃｅ ｏｆ ｔｈｉｓ ｍｅｔｈｏｄ Ｋｅｙｗｏｒｄｓ Ｓｈａｎｇｈａｉ ＰＭ ２ ５ ＣＭＡＱ ｒｅｖｉｓｉｏｎ ｆｏｒｅｃａｓｔ １ 引言 Ｉｎｔｒｏｄｕｃｔｉｏｎ 础 难以周密考虑预报因子与预报对象之间的物理 联系 因子的选取也因人而异 准确率往往不够稳 目前针对空气质量预报客观定量的预报方法 定 数值预报以大气动力学理论为基础 物理基础坚 包含两大类 即经典统计预报和数值预报 经典统计 实 其天气形势预报已超过人的经验预报水平 并 预报通过建立大气污染物浓度与气象参数间关系 不断提高 和 完 善 近 年 来 在 国 内 外 得 到 广 泛 应 用 模型开展 此方法虽然客观 但缺乏坚实的物理基 王自发等 ２００６ 吴其重等 ２０１０ 王丽涛等 ２０１２ 基金项目 上海市环保科研项目 沪环科 ２０１３ ６３ 沪环科 ２０１４ ０１ 上海市科委科研计划项目 ｏ １２ｄｚ１２０２７００ Ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｓｈａｎｇｈａｉ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｒｏｔｅｃｔｉｏｎ Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｓｅａｒｃｈ Ｐｒｏｊｅｃｔ ｏ ２０１３ ６３ ２０１４ ０１ ａｎｄ ｔｈｅ Ｓｈａｎｇｈａｉ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｍｉｓｓｉｏｎ Ｒｅｓｅａｒｃｈ Ｐｒｏｊｅｃｔ ｏ １２ｄｚ１２０２７００ 作者简介 王茜 １９８３ 女 工程师 Ｅ ｍａｉｌ ｗａｎｇｑｉａｎ ｓｅｍｃ ｇｏｖ ｃｎ 通讯作者 责任作者 Ｅ ｍａｉｌ ｗｕｊｉａｎｂｉｎ８３ １２６ ｃｏｍ Ｂｉｏｇｒａｐｈｙ ＷＡＧ Ｑｉａｎ １９８３ ｆｅｍａｌｅ ｅｎｇｉｎｅｅｒ Ｅ ｍａｉｌ ｗａｎｇｑｉａｎ ｓｅｍｃ ｇｏｖ ｃｎ Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ Ｅ ｍａｉｌ ｗｕｊｉａｎｂｉｎ８３ １２６ ｃｏｍ

2 １６５２ 环 境 科 学 学 ３５ 卷 报 何东阳和黄美元 １９９２ ｄｅ Ｈａａｎ ｅｔ ａｌ ２００１ Ｏｌｅｓｅｎ 网格数为 ８７ ７２ 垂直方向采用 σ 坐标 取不等距网 以美国环保署开发的第三代空气质量预报模 更好地描述大气边界层结构 地面层高度约 ３０ ｍ 预 ｅｔ ａｌ １９９２ 式 Ｍｏｄｅｌｓ ３ ＣＭＡＱ 为例 美国环保署利用 ＣＭＡＱ 提 供了 全 美 范 围 内 超 过 ３００ 个 主 要 城 市 的 臭 氧 及 格 共有 ２０ 层 其中近一半分布于 ２ ｋｍ 以下 以便 报区域 的 污 染 源 数 据 来 自 ＩＴＥＸ Ｂ 源 排 放 清 单 Ｚｈａｎｇ ｅｔ ａｌ ２００９ 和上海市大气污染物排放清单 ＰＭ ２ ５ 预报服务 ｈｔｔｐ ｗｗｗ ａｉｒｎｏｗ ｇｏｖ 国内很多 ２ ２ 输 王丽涛等 ２０１３ 赵秀勇等 ２００７ 空气污染预 位 根据点位经纬度提取模式对应网格的数据与点 等 ２００４ 等方面开展了大量研究 结果表明 ＣＭＡＱ 见 青浦淀山湖点位为对照点 不参与全市平均 其 研究学者也应用 ＣＭＡＱ 在颗粒物的生成转化与传 报研究 张 美 根 等 １９９９ 陈 焕 盛 等 ２０１０ 房 小 怡 对污染物空间分布及其变化趋势具有较强的预报 能力 但由于污染源时空特征十分复杂 ＣＭＡＱ 污染 浓度预报量与实况相比经常存在 系统性 误差 徐 观测资料与预报评估方法 为了检验模式性能 选取上海市 １０ 个国控点 位 ＰＭ ２ ５ 监测数据进行模拟对比 见图 １ 由图 １ 可 它 ９ 个国控站点覆盖人口密度较大的地区 其监测 浓度反映了上海 ＰＭ ２ ５ 污染的基本水平与状况 祥德等 ２００３ 为提高 ＣＭＡＱ 模型预报能力 利用监 测数据对模式预报结果进行统计修正的方法应用 也较为普遍 Ｔｉｅ ｅｔ ａｌ ２００３ 刘环珠等 ２００４ 许建 明等 ２００５ 利用回归方法建立预测数据与监测数 据之间的关系 降低了由于污染源不确定性产生的 预报偏差 谢敏等 ２０１２ 尝试将监测数据直接作为 预报初始值 结合 ＣＭＡＱ 模式预报的增减量建立修 正方法 上海市环境监测中心搭建的业务化 Ｍｏｄｅｌｓ ３ ＣＭＡＱ 数值预报系统已正常业务运行近 ６ 年 其 预报成果为上海市空气质量预报与污染预警应急 联动提供了重要的技术支撑与决策支持作用 王茜 等 ２０１０ 本文基于 ＣＭＡＱ 模式系统 根据起报日前 期一定样本数的模式预报效果 总结出各模式预报 值与实测值之间的函数关系 对预报日模式预报结 果进行修正 从而建立模式修正预报方法 以修正 ＰＭ ２ ５ 预报误差 ２ ２ １ 研究方法 Ｍｅｔｈｏｄｏｌｏｇｙ 模式系统及计算方案 图１ Ｆｉｇ １ 上海各监测点位分布 Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｎａｔｉｏｎａｌ ｍｏｎｉｔｏｒｉｎｇ ｓｉｔｅｓ ｉｎ Ｓｈａｎｇｈａｉ 选取统计检验和分级检验两种方法开展上海 Ｍｏｄｅｌ ３ ＣＭＡＱ 是美国环保署研制的第三代空 市 ＰＭ ２ ５ 的预报检验 统计检验主要从模拟值与观测 多尺度 空 气 质 量 模 式 ３ 部 分 组 成 Ｆｏｌｅｙ ｅｔ ａｌ 指标包括均值偏差 ＭＢ 标准化均值偏差 ＭＢ 均方 化过程 本研究使用 ＣＭＡＱ ｖ４ ７ １ 由气象模式 ＷＲＦ ４ 分级检验主要从污染预报的角度评价预报效 气质量预报与评估系统 由气象模式 排放模块及 ２０１０ 用于模拟多种污染 物在大气中的输送与转 ｖ３ ２ Ｓｋａｍａｒｏｃｋ ｅｔ ａｌ ２００８ 提供区域气象场 大尺 度气象背景场和边界条件采用欧洲气象中心的 １ １ 全 球 ｇｆｓ 预 报 数 据 ２４ ｈ 间 隔 预 报 区 域 采 用 ＬＡＭＢＥＲＴ 投影方式 中心点为 １１８ ０ Ｅ 和 ３２ 嵌 套区域为 ４ 层 网格分辨率分别为 ８１ ｋｍ ２７ ｋｍ ９ ｋｍ 和 ３ ｋｍ 其中第四层区域覆盖上海及周边地区 值的绝对差异与相对偏差角度评价预报效果 选择 根误差 ＲＭＳＥ 和标准化标准误 ＭＥ 见公式 １ 果 即设定一定的污染阈值 将模式预报观测对比 散点图划分为 ４ 个区间 图 ２ 根据落在各区间中 点的个数 及 其 计 算 公 式 来 评 价 模 式 污 染 预 报 能 力 选择指标包括准确率 Ａｃｃｕｒａｃｙ 成功指数 ＣＳＩ 虚报率 ＦＡＲ 式 ５ ７ ＭＢ １ Ｐｉ Ｏｉ １ １

3 ６期 王茜等 ＣＭＡＱ 模式及其修正技术在上海市 ＰＭ ２ ５ 预报中的应用检验 １ Ｐｉ ＭＢ ＭＥ ＲＭＳＥ １ Ｏｉ １ Ｏｉ Ｐｉ Ｏｉ １ Ｏｉ １００ １００ １ Ｐｉ Ｏｉ ２ １ ２ ３ ４ １６５３ 预报的效果 ３ ３ １ 结果 Ｒｅｓｕｌｔｓ ３ １ １ ＣＭＡＱ 模式预报误差分析 日均值预报误差分析 图 ３ 和图 ４ 给出了研 究时段 ２０１３ 年 １０ 月 ２０１４ 年 １ 月 ＣＭＡＱ 对上海 市国控点 ＰＭ ２ ５ 日均值的模拟对比情况 可以看出 式中 Ｐ ｉ 代表模拟数据 Ｏ ｉ 代表观测值 代表样 ＣＭＡＱ 能够较好地模拟出 ＰＭ ２ ５ 的时间变化趋势 模 本数 与实测值也较为接近 模拟与实测的偏差主要出现 拟值与观测值对于较低的 ＰＭ ２ ５ 浓度 ＣＭＡＱ 模拟值 在峰值的模拟 ＣＭＡＱ 模拟的峰值大小往往远小于 实测值 考虑可能是由于污染源排放以及区域背景 的浓度都被低估 以及上海市的大气氧化性较强 ＣＭＡＱ 的化学模块未能充分模拟上海市大气化学过 程中气 粒过程的快速转化过程 图２ Ｆｉｇ ２ 分级检验计算示意图 Ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎｄｅｘ ｂ ｃ æ ö ç １００ ａ ｂ ｃ ｄ è ø ｂ æ ö １００ ＣＳＩ ç èａ ｂ ｄø Ａｃｃｕｒａｃｙ ２ ３ æ ａ ö １００ ＦＡＲ ç èａ ｂø 修正预报技术 ５ 图３ ６ Ｆｉｇ ３ ２０１３ 年 １０ 月 １ 日 ２０１４ 年 １ 月 ３１ 日 ＰＭ ２ ５ 日均值模拟 值与观测值对比 ７ Ｓｉｍｕｌａｔｉｏｎ ａｎｄ ｏｂｓｅｒｖａｔｉｏｎ ｏｆ ＰＭ ２ ５ ｄａｉｌｙ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｂｅｔｗｅｅｎ Ｏｃｔ １ ２０１３ ｔｏ Ｊａｎ ３１ ２０１４ 本文应用的修正预报技术即学习型线性回归 方法 ＤＬＲ 主要思路为根据起报日之前一定历史 时期的模式预报效果 总结出各模式预报值与实测 值之间的函数关系 假设这种关系具有一定程度的 延续性 在预报时刻根据各模式预报值结合函数关 系 作为最终预报结果 方法中采用多元线性回归的 方法寻找历史时期各模式预报值与实测值之间的 函数关系 由于模式的预报性能并不是固定不变的 可能随时间推移发生变化 因此合理的选择回归样 本数目对于修正预报的效果起到至关重要的作用 由于回归时始终选择距离预报时刻最近的一段时 期内模式表现作为样本 因此预报值能一定程度上 体现出各模式最近一段时间的表现 从而提高模式 图４ Ｆｉｇ ４ 上海市 ＰＭ ２ ５ 日均浓度模拟值与观测值散点图 Ｓｃａｔｔｅｒ ｄｉａｇｒａｍ ｏｆ ｓｉｍｕｌａｔｉｏｎ ａｎｄ ｏｂｓｅｒｖａｔｉｏｎ ｏｆ ＰＭ ２ ５ ｄａｉｌｙ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｎ ｓｈａｎｇｈａｉ

4 1654 环境科学学报 35 卷 表 1 中列出了各研究时段上海市 PM 2.5 日均浓 度模拟值与实测值的统计参数评估结果. 可以看出, CMAQ 对 PM 2.5 的模拟值与实测值较为接近, 但存在 25% 的低估. 各个月份模拟值与观测值的标准平均 误差在 29% ~ 46% 之间. 当 PM 2.5 观测值较高时, 模式 模拟结果与实测相比偏差更大, 如 2013 年 月 份的模拟值较实测值低估最多, 模拟 PM 2.5 浓度在这 两个月低估分别达到了 27% 和 32%. 可能原因是由 于 月份颗粒物浓度出现了峰值, 高浓度污染 事件较多, 而模型对于峰值的模拟能力不足, 从而 使得总体的模拟效果不佳. 另一方面的原因则可能 是由于 CMAQ 对整个大区域背景模拟偏低引起的. 由于冬季盛行偏北风, 上海受来自北方的污染输入 影响更大, 而模型的对于区域背景模拟的偏低可能 导致对污染物区域输送低估, 从而导致上海市颗粒 物浓度模拟的总体低估. 平均偏差 MB 与均方根误 差 RMSE 反映了模拟值和观测值之间的偏差和误差 大小, 其绝对值越小表明数值模拟结果与观测结果 越接近, 模拟效果越好 ; 归一化标准因子 NMB NME 考虑了不同浓度水平下模拟与观测的差异, 反映了 模拟值与观测值之间相对偏差和误差的大小, 一般 情况下, 如果二者均小于 50%, 则认为模型模拟效 果较好 (Eder and Yu,2006;Kang et al.,2007). 如表 1 所示, 从 MB RMSE NMB 及 NME 来看,CMAQ 的 模拟结果较为准确, 模拟值在可接受的误差范围内. 总体来看, 模式模拟结果基本能够反映上海市 PM 2.5 的浓度状况和变化趋势. 但存在系统性低估的问题. 表 1 Table 1 研究时段 2013 年 10 月 2014 年 1 月上海市 PM 2.5 日均浓度模拟评估 Evaluation of PM 2.5 daily concentration simulation in Shanghai between Oct., 2013 to Jan., 2014 MB / RMSE / NMB NME 研究期间 % 36% 10 月 % 29% 11 月 % 29% 12 月 % 37% 1 月 % 46% 小时值预报误差分析为进一步评估 CMAQ 对 PM 2.5 的模拟效果, 选取上海市 10 个国控点的 PM 2.5 小时浓度进行验证评估. 表 2 给出了 CMAQ 在 各点位的 PM 2.5 小时浓度的模拟统计指标. 从 10 个 站点的平均浓度来看,CMAQ 模拟的 PM 2.5 在不同站 点均为低估. 从平均值的空间分布来看, 郊区点位 PM 2.5 的预报低估程度较高, 如青浦淀山湖 PM 2.5 小 时浓度预报偏差幅度为 40.2%, 浦东川沙 36.5%. 市 区点位如普陀监测站 卢湾师专附小等 PM 2.5 浓度预 报值的偏差幅度则较小. 这可能是由于上海本地化 排放清单中, 郊区县排放清单的不确定性较市区大 ( 黄成等,2011), 因此导致模拟误差相对于市区更 大. 普陀监测站 卢湾师专附小等点位处于上海市 区, 受局地源排放的影响较大. 其模拟值较观测值的 低估程度较小. 其次,PM 2.5 浓度误差的这种区域分 布特征表明可能存在经上海西部进入上海的污染 物区域传输, 而区域排放清单采用的是 2009 年基础 数据, 导致 CMAQ 对于区域背景和污染输送的模拟 存在低估和不足. 表 年 10 月 2014 年 1 月上海各站点 PM 2.5 模拟值与观测 值的对比评估 Table 2 Evaluation of PM 2.5 hourly concentration simulation in 模拟地点 monitoring sites between Oct., 2013 to Jan., 2014 浓度类型 MB / RMSE / NMB NME 普陀监测站小时值 % 46.1% 静安监测站小时值 % 46.6% 浦东监测站小时值 % 49.0% 卢湾师专附小小时值 % 45.9% 徐汇上师大小时值 % 49.1% 杨浦四漂小时值 % 47.9% 浦东川沙小时值 % 50.2% 浦东张江小时值 % 55.9% 青浦淀山湖小时值 % 49.7% 虹口凉城小时值 % 48.2% 3.2 监测数据修正预报 本文采用多元线性回归的方法寻找历史时期 各模式预报值与实测值之间的函数关系. 由于模式 的预报性能并不是固定不变的, 可能随时间推移发 生变化, 因此合理的选择回归样本数目对于修正预 报的效果起到至关重要的作用. 由于回归时总选择 距离预报时刻最近的一段时期内模式表现作为样 本, 因此预报值能一定程度上体现出各模式最近一 段时间的表现, 从而提高集合预报的效果. 为比较修 正预报效果, 分别选择回归样本数 2 ~ ( 即 选择预报时刻前 2 ~ 天预报值和实测值作 为回归样本 ) 开展建模. 为了体现预警功能, 分级检 验阈值选择 PM 2.5 浓度日均值二级标准, 为 75 μg m -3. 学习回归后修正预报效果如表 3 和表 4 所 示. 可以看出, 统计检验中, 回归样本数不同, 其各种

5 6 期王茜等 :CMAQ 模式及其修正技术在上海市 PM 2.5 预报中的应用检验 1655 统计检验指标结果也不同, 从样本数为 2 到样本数为 6, 随着样本数增加,RMSE NMB 和 NME 等各指标值明显降低, 这说明当样本数小于 6 时, 随着样本数增加,PM 2.5 修正预报效果明显改善. 当样本数大于 6,RMSE NMB 和 NME 等各指标值逐渐上升, 即 PM 2.5 修正预报效果明显降低. 这说明, 样本数为 6 时, 学习回归修正预报的效果明显优于其他样本数时的修正效果. 主要原因可能跟天气系统的周期性有关, 秋冬季节上海主要受过程性天气影响, 一般天气过程周期为 6 ~ 7 d( 张国琏等,2010), 在同一种天气系统控制下,CMAQ 模型对 PM 2.5 浓度的模拟效果可能存在系统性偏差. 通过学习型回归方法进行修正, 可以适当校正模式模拟的系统性偏差. 与未修正时 CMAQ 对 PM 2.5 浓度的模拟评估结果相比, 学习样本数选择为 6 时, 预报值与实测值的均方根误差和标准平均偏差检验效果均优于未修正 CMAQ 预报结果, 但 NME 为 39.3%, 略高于未修正预报结果, 这说明经过学习回归修正后, 预报结果的趋势变化与实况拟合得更好, 但在 PM 2.5 日均浓度出现较高浓度, 而模式并未模拟出对应高值时, 学习回归修正后, 可适当修高模式原本模拟的低值, 但在 PM 2.5 日均浓度下降后, 这种修高模式的效应仍然存在, 所以可能导致修正后预报结果较实况偏高, 而未修正结果较实况偏低. 表 3 PM 2.5 日均浓度预报统计检验 Table 3 Statistical evaluation of PM2.5 daily concentration forecast 学习样本数 RMSE / NMB NME CMAQ % 36.9% DLR % 92.3% DLR % 51.2% DLR % 46.6% DLR % 41.8% DLR % 39.3% DLR % 39.3% DLR % 41.7% DLR % 40.4% DLR % 39.7% DLR % 40.9% DLR % 42.0% DLR % 40.3% DLR % 40.0% DLR % 42.0% DLR % 54.6% DLR % 62.1% 分级检验主要是检验模式对于污染预报的效果与能力, CMAQ 预报的 PM 2.5 浓度准确率为 76.4%, 污染成功指数为 56.4%, 虚报率为 12%. 利用学习型回归方法进行修正, 当样本数为 14 时, 各项分级检验指标均优于其他样本数时的修正效果, 准确率由 76.4% 提高至 79.3%, 成功指数由 56.4% 提高至 72.1%, 均优于未修正预报结果, 虚报率则高于未修正预报值. 若选择统计检验效果最好的样本数 6 时, 成功指数为 63%, 也优于未修正预报结果, 而准确率和虚报率则略高于未修正预报值. 这也跟前文统计检验揭示的问题类似, 秋冬季节上海市 PM 2.5 浓度水平较高, 采用前 7 d 的监测数据进行回归修正后, 可适当修高模式原本模拟的低值, 提高模式对于污染预报的成功率, 但当 PM 2.5 日均浓度下降后, 这种修高模式的效应仍然存在, 所以可能导致修正后模式的虚报率提高, 准确率下降. 而利用 14 d 的样本数时, 样本数更多, 模式修正的幅度会适当平滑, 可能导致修正后的预报准确率较样本数为 6 时更高. 表 4 PM 2.5 日均浓度预报分级检验 Table 4 Classification evaluation of PM 2.5 daily concentration forecast 学习样本数 准确率 Accuracy 成功指数 CSI 虚报率 FAR CMAQ 76.4% 56.4% 12.0% DLR % 56.8% 30.0% DLR % 53.3% 29.4% DLR % 55.3% 29.7% DLR % 59.2% 31.0% DLR % 63.0% 25.6% DLR % 59.6% 28.2% DLR % 62.2% 24.3% DLR % 65.9% 21.6% DLR % 65.9% 21.6% DLR % 60.9% 26.3% DLR % 63.0% 25.6% DLR % 66.7% 25.0% DLR % 72.1% 20.5% DLR % 66.0% 27.9% DLR % 62.2% 31.7% DLR % 62.2% 32.4% 总的来说, 学习型多元线性回归方法可以明显提高预报效果. 统计检验和分级检验中回归样本数的选择对 PM 2.5 预报效果的影响不尽相同, 因此, 建议实际业务应用中, 可同时利用两种本数进行修正预报, 并根据业务预报需求来综合参考修正预报的

6 1656 环境科学学报 35 卷 结果. 学习型线性回归方法具有普适性, 未来利用此种方法对数值模式结果进行修正预报对于各城市开展环境空气质量预报具有研究意义和可行性. 4 结论 (Conclusions) 1) 对 2013 年 10 月 2014 年 1 月上海市 PM 2.5 浓度开展 CMAQ 模式预报及其修正技术研究, 结果显示 CMAQ 模式能够较好地模拟出 PM 2.5 的时间变化趋势及浓度水平, 模式模拟的 PM 2.5 浓度总体处于低估的水平, 从整个研究时段来看存在约 25% 的低估, 尤其在高污染阶段, 模式的低估更为突出, 达 32%. 2) 应用学习型多元线性回归方法建立实时动态更新的学习型线性回归方程, 对 PM 2.5 浓度的数值预报结果予以修正, 结果显示分别选取适当样本数开展学习型回归修正,PM 2.5 浓度预报的标准平均偏差由原来的偏低 25% 降低至偏高 15%, 预报准确率由原来的 76.4% 提高到了 79.3%, 污染预报成功指数由 56.4% 提高至 72.1%, 明显提高了 PM 2.5 浓度的预报效果. 说明利用监测数据对数值模式系统开展修正预报具有研究意义和可行性, 并为其他城市开展预报提供了示范. 参考文献 (References): 陈焕盛, 王自发, 吴其重, 等 亚运时段广州大气污染物来源数值模拟研究 [J]. 环境科学学报, 30(11): de Haan P, Rotach M W, Werfeli M Modification of an operational dispersion model for urban application [ J]. Journal of Applied Meteorology, 40(5): Eder B, Yu S C A performance evaluation of the 2004 release of Models 3 CMAQ [ J ]. Atmospheric Environment, 40 ( 26 ): 房小怡, 蒋维楣, 吴涧, 等 城市空气质量数值预报模式系统及其应用 [J]. 环境科学学报, 24(1): Foley K M, Roselle S J, Appel K W, et al Incremental testing of the community multiscale air quality ( CMAQ ) modeling system version 4. 7 [ J]. Geoscientific Model Development, 3: 何东阳, 黄美元 一个适用于区域性大气环境模拟的大气光化学模式 [J]. 环境科学学报, 12(2): 黄成, 陈长虹, 李莉, 等 长江三角洲地区人为源大气污染物排放特征研究 [J]. 环境科学学报, 31(9): Kang D W, Eder B K, Mathur R, et al An operational evaluation of ETA CMAQ air quality forecast model / / Borrego C, Norman A L. Air Pollution Modeling and Its Application XVII [ M ]. Berlin: Springer US 刘环珠, 赵声蓉, 陆志善, 等 国家气象中心气象要素的客观预报 MOS 系统 [J]. 应用气象学报, 15(2): Olesen H R, Løfstrøm P, Berkowicz R, et al An improved dispersion model for regulatory use: The OML model / / van Dop H, Kallos G. Air Pollution Modeling and Its Application Ⅸ[ M]. New York: Plenum Press Skamarock W C, Klemp J B, Dudhia J, et al A description of the advanced research WRF version 3 [ R]. NCAR Technical Note: NCAR / TN 475+STR Tie X X, Emmons L, Horowitz L, et al Effect of sulfate aerosol on tropospheric NO x and ozone budgets: Model simulations and TOPSE evidence[ J]. Journal of Geophysics Research, 108 ( D4): 8364, doi: / 2001JD 王丽涛, 潘雪梅, 郑佳, 等 河北及周边地区霾污染特征的模拟研究 [J]. 环境科学学报, 32(4): 王丽涛, 张普, 杨晶, 等 CMAQ DDM 3D 在细微颗粒物 (PM 2.5 ) 来源计算中的应用 [ J]. 环境科学学报, 33 ( 5 ): 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, 2(4): 1 6 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, 30(5): 吴其重, 王自发, 徐文帅, 等 多模式模拟评估奥运赛事期间可吸入颗粒物减排效果 [J]. 环境科学学报, 30(9): 谢敏, 钟流举, 陈焕盛, 等 CMAQ 模式及其修正预报在珠三角区域的应用检验 [J]. 环境科学与技术, 35(2): 许建明, 徐祥德, 刘煜, 等 CMAQ MOS 区域空气质量统计修正模型预报途径研究 [J]. 中国科学 D 辑 : 地球科学, 35( S1): 徐祥德, 丁国安, 周丽, 等 北京城市冬季大气污染动力 : 化学过程区域性三维结构特征 [J]. 科学通报, 48(5): 张国琏, 甄新蓉, 谈建国, 等 影响上海市空气质量的地面天气类型及气象要素分析 [J]. 热带气象学报, 26(1): 张美根, 韩志伟, 雷孝恩, 等 天津市空气污染数值预报实验中的模式系统 [J]. 气候与环境研究, 4(3): Zhang Q, Streets D G, Carmichael G R, et al Asian emissions in 2006 for the NASA INTEX B mission [ J]. Atmospheric Chemistry and Physics, 9(14): 赵秀勇, 程水源, 陈东升, 等 应用 ARPS CMAQ 模拟研究石景山污染对北京的影响 [ J ]. 环境科学学报, 27 ( 12 ):