空氣污染潛勢-統計結合預報模型的建立及應用

黃曉嫻,王體健,江 飛 (南京大學大氣科學學院,江蘇 南京 210093)

目前,空氣質量日益受到人們的關注.全國各地已紛紛開展空氣質量的預報工作[1-4].空氣污染預報分為潛勢預報和濃度預報.前者是在污染源一定的條件下,以天氣形勢及其氣象要素指標為依據,對未來大氣環境質量狀況進行定性或半定量的預報.后者主要預報污染物濃度、空氣污染指數或空氣質量等級,從方法上又分為數值預報和統計預報.數值預報為利用數學方法和計算技術,以大氣污染擴散的物理化學機制為基礎,計算一定區域內空氣污染物的濃度.統計預報是利用統計方法建立氣象因子與空氣質量之間的關系.國內外許多學者對城市及區域的空氣污染過程的特征及預報開展了大量的研究,取得了不少成果.用于城市或區域空氣質量預報的數值模式有WRF/Chem,MM5/CMAQ,RegAEMS等[5],對初始場的處理有三維同化等方法[6].數值模式的優點在于可以進行不同時空尺度上高分辨率的計算,缺點在于計算量大,耗時長.統計預報需要大量歷史污染監測資料和氣象觀測資料,統計方法有回歸法,CART 法[7-8],神經網絡法[9],等等.統計預報的優點在于簡單易行,因此應用較為廣泛.潛勢預報的特點在于避開了具有不確定性的污染源,重點關注影響空氣質量的氣象因子,包括地面天氣形勢,各氣象要素[10-11].其中,較小的風場,穩定的大氣條件等因素是造成空氣污染的必要條件[12-13].

南京位于長江下游沿岸寧鎮丘陵區,是長三角地區承東啟西的重要城市.南京即將舉辦 2014年青奧會,空氣質量問題受到高度重視.Deng等[14]對南京能見度特征分析發現,天氣形勢對空氣污染和能見度有重要影響.芮冬梅等[15]對南京市環境空氣質量與氣象條件的關系分析發現,NO2與PM10受城市機動車尾氣的影響較大.王學遠等[16]利用數值模式模擬了南京典型天氣條件造成的污染過程,發現重污染發生在長時間逆溫條件下,同時地形也是主城區重污染的影響因子之一.

本文在前人研究工作的基礎上,考慮了影響空氣污染的氣象因子和大氣擴散清除因子,構建空氣污染潛勢指數 APPI(Air Pollution Potential Index),并利用南京地區 2009～2010年實測資料計算APPI,擬合空氣污染指數API與APPI的關系,建立了一個空氣污染潛勢與統計相結合的預報模型.利用中尺度模式 WRF預報的氣象場,針對2011年1～12月開展實況預報,同時利用實際觀測的氣象場進行回顧預報,檢驗模式性能.

1 資料來源與處理

2009年1月～2011年12月南京逐日空氣污染指數資料來自南京市環境保護局.同步逐時氣象資料及每日08:00及20:00探空資料來自位于32.00°N,118.80°E 的觀測站點.逐日各時次天氣圖來自江蘇省氣象信息共享平臺網站.火點資料來自環境保護部的生態監察資料.重大沙塵天氣參考氣象臺沙塵預警信息和全國各地新聞報道.

由于本文所采取的預報方法中并不考慮污染源的變化,故將受外來源影響的數據剔除.可能受到外來源影響的時間段主要為:燃放鞭炮的春節期間、沙塵暴頻發的春季、燃燒秸稈的初夏和秋季等等.

本預報模型需要氣象場作為輸入,采用的是WRF模式的預報結果.WRF是美國國家大氣研究中心(NCAR)、美國國家大氣海洋總署-預報系統實驗室、國家環境預報中心(FSL,NCEP/NOAA)等多個機構共同發展的新一代中尺度數值模式.它采用了高度模塊化、并行化和分層設計技術,集成了迄今為止在中尺度方面的研究成果,適合1～10km 內高分辨率的預報及模擬研究.本文采用了3.0版本的WRF,模式區域采用Lambert投影,設置了 4 層嵌套,區域以南京(32.0°N,118.8°E)為中心,最大區域(DM1)覆蓋了整個東亞地區(包括了中國,中南半島,朝鮮半島及日本等地區),格距為81 km;最內層區域覆蓋了南京市,格距為3 km.垂直使用 σ坐標,從地面到100hPa共分為24個 σ層.采用 WSM5云微物理參數化方案,Grell-Devenyi積云對流方案,Mellor-Yamada-Janjic邊界層參數化方案,NOAH陸面模式,并且在模式最內層區域啟用了單層的城市冠層模式UCM.

2 潛勢-統計預報模型

2.1 空氣污染影響因子的確定

2.1.1 風 在水平方向上,風對污染物起到輸送和稀釋的作用.風速越大,輸送和稀釋作用就越強.故引入地面風速、混合層內平均風速等因子.

風向的集中程度也影響污染物的輸送與稀釋.風向集中程度越高,對污染物的輸送與稀釋效果越顯著.引入風向日變化因子,采取如下風向矢量計算方式:

將每小時風向 θi按三角函數矢量分解為 x方向和y方向,

取風向在 x方向和 y方向上分量的日平均值,

計算風向在x方向和y方向上分量的標準差的矢量和的模Θ,即為風向日變化因子.

2.1.2 混合層 混合層是大氣邊界層內氣象要素隨高度分布趨于均勻的層次.混合層內,位溫、濕度、風速風向等物理量隨高度變化很小.混合層越高,越有利于污染物的擴散稀釋.引入混合層高度因子,計算方案參考文獻[17].

2.1.3 大氣穩定度 大氣層結的穩定程度影響湍流的活動,這里用M-O長度L來確定穩定度級別,如表1所示.

表1 由M-O長度L判定穩定度級數Table 1 Stability levels determined by Monin-Obukhov length L

2.1.4 擴散系數 擴散系數是表征湍流輸送能力的量.引入近地面層內的垂直擴散系數因子,在近地面層中( Z≤Zs,ZS是近地面層高度),根據Businger[24]的相似理論,有:

式中: k是Von Karman常數; u*是摩擦速度;廓線函數φ根據Businger[24]和Carl[25]分別給出的形式為:

式中:L是M-O長度.

2.1.5 干沉降 干沉降過程是污染物從大氣中清除的重要途徑之一.這里引入 SO2干沉降速率,NO2干沉降速率,PM10干沉降速率等因子,計算方法參考文獻[18].

2.1.6 濕清除 濕清除是污染物主要的匯之一.由于降水過程的時效性及清除效果的滯后性,故同時考慮當天和前一天的降水時長.以h0代表當天降水小時數,h-1代表前一天降水小時數.一般而言,降水持續時間越長,濕清除效果越顯著.采取復合分檔法,如表2所示.

表2 降水時長分檔情況Table2 Grades of precipitation duration

2.1.7 地面天氣形勢 天氣形勢或大尺度天氣系統的移動路徑,直接影響各氣象要素的變化.由于天氣形勢類型繁多復雜,所以采取如下變壓和風向結合的方式將每天的地面天氣形勢進行分類:

①24h變壓Δp的分類.考慮前一天的24h變壓Δp-1和當天的24h變壓Δp0,將其分為6類,如表3所示.若連續2d的變壓情況不一致,說明受到該天氣系統影響時間短.若連續2d的變壓情況一致,說明受該天氣系統影響強烈.升壓代表高壓系統迫近或低壓系統遠離,連續升壓代表高壓系統 持續迫近,同理可得平壓、降壓的情況.

表3 變壓情況分類Table 3 Allobaric classification

②風向的劃分.考慮一天24h次風向的分布.根據風向和風速將其分為9個象限.將風速大于0.5m/s的風分為北、東北、東、東南、南、西南、西、西北8個象限,將風速小于等于0.5m/s的風劃分到靜風象限,為第9象限.

每天的主導風向結合變壓情況可以反映當天的天氣系統相對于城市的位置及移動狀態.以南京為例,升壓配合西北風或北風為高壓前,升壓配合東北風為高壓底,降壓配合東南風為高壓后等等,依次類推.

統計南京各種天氣形勢下的平均 API并將其分檔:50～65為1,65～75為2,75～85為3,85～95為4,95～110為5,110以上為6.整理結果見表4.

表4 各地面天氣形勢下的平均API的分檔整理Table 4 Classification of average API in different synoptic systems

表5 影響因子的分檔及權重系數Table 5 Grades and weights of factors

2.2 空氣污染潛勢指數的構建

將2.1節中各因子劃檔分級.共有地面風速、混合層內平均風速、風向日變化、混合層高度、穩定度級數、擴散系數、SO2干沉降速率、NO2干沉降速率、PM10干沉降速率、降水時長、地面天氣形勢11個因子.除風向日變化、降水時長、地面天氣形勢3個因子,其他因子作日平均.其中,穩定度級數按表1分檔,降水時長因子表2分檔,地面天氣形勢因子按表4分檔.其他8個因子,先進行歸一化處理,即各因子除以各自的平均值.然后從低到高分為6檔,檔位越高,對應越具有發生空氣污染的趨勢.進一步根據各因子的重要性賦予不同的權重,分檔情況及權重系數如表5所示.最后利用式(6)計算每天的空氣污染潛勢指數APPI:

式中:Ai代表第i個影響因子的分檔得分;Wi代表第i個影響因子的權重系數.

2.3 空氣污染指數的計算

基于統計方法建立空氣污染指數 API與空氣污染潛勢指數 APPI之間的函數關系,以此實現利用APPI進行API的預報,即:

3 案例應用

3.1 擬合函數的構建

基于南京地區2009～2010年資料,利用上述潛勢-統計預報模型計算逐日 APPI,采用指數函數、二項式函數、三項式函數分別擬合,得到擬合 API與實際 API的相關系數分別為0.6587、0.6682、0.6689,擬合API的等級準確率如表6所示.

表 6 各擬合函數所得 API的等級準確率(優秀:API≤50,良好:50＜API≤100,污染:API＞100)Table 6 Level accuracies of different fitting functions (Good: API≤50, Moderate: 50＜API≤100, Unhealthy: API＞100)

圖1 2009～2010年APPI與API的關系Fig.1 Relationship between APPI and API during 2009～2010

由表6可見,三者對于優秀和污染等級均為漏報次數多于空報次數.對于優秀等級,指數函數空報的最少,但是漏報的最多,報對的次數也最少,而二項式函數略優于三項式函數.對于污染等級,二項式函數與三項式函數預報相差不大.總體而言,二項式函數和三項式函數的正確率接近,且略優于指數函數,故選取三項式函數為擬合函數F:

確定各項系數為a3=0.0111,a2=-0.5645,a1= 14.3054,a0=-68.4266.擬合結果如圖1所示.

3.2 實況預報

基于API和APPI的統計關系,針對南京地區2011年1～12月,利用WRF預報的24h氣象場、48h氣象場和觀測的氣象場分別開展空氣質量實況預報和回顧預報,并與實際情況比較,結果如圖 2所示. 逐月預報等級正確率如圖 3所示.

總體而言,本文所建立的潛勢-統計預報系統基本能夠預報南京逐日空氣質量變化的趨勢.24h預報與 48h預報的年均等級正確率為60.6%和62.4%.實況預報等級正確率逐月差異較大,1月預報情況最好,24h預報和48h預報等級正確率分別達到87.5%和100%.實況預報在4月偏低較多, 24h預報和48h預報等級正確率分別為44.4%和46.4%.回顧預報等級正確率逐月差異不大,為63.0%～80.0%之間,年均等級正確率為73.1%.

圖2 預報API與實際API的比對Fig.2 Comparison of forecasting API and actual API

若定義預報API與實際 API的值相差±x(x為誤差的絕對值)以內為正確,則進一步統計2011年預報的API正確率,結果如圖4所示.單獨統計相差±20以內逐月API正確率,如圖5所示.

圖4可見,當預報API與實際API的差值的絕對值x加大時(即認為API正確的標準更寬泛),預報的API正確率增加.回顧預報的正確率始終高于實況預報.在x＜13, 24h預報的正確率高于48h預報;在x=20, 24h預報、48h預報、回顧預報的年均正確率分別為58.1%, 59.4%和63.8%,在8、9月24h預報、48h預報正確率達到80%以上,最高達85.0%,在3月回顧預報正確率達90.3%.

圖3 逐月預報空氣質量等級正確率Fig.3 Monthly accuracy rate for air quality level forecast

圖4 API正確率隨誤差的變化Fig.4 Variation of API accuracy rate with difference

圖5 預報API與實際API相差±20條件下的逐月正確率Fig.5 Monthly accuracy rate for difference of forecasting and actual API within ±20

4 討論

本文建立的潛勢與統計結合的空氣質量預報方法可以實現對API的定量預報,在實際應用當中需要注意以下問題:

(1) 該方法為單點模型,即將應用城市視為一個點.因此,資料的選取對該方案的建立與驗證均有一定的影響,其中風與降水的影響尤為突出,應選取具有代表性的氣象站點和環境監測站點.

(2) 本方案是潛勢與統計結合的預報模式,在模式建立之初,即假設源不變、只考慮潛在的天氣形勢變化對空氣污染的影響.故在實際應用中并不能完全體現外來源的貢獻.

(3) 由于近2年南京的首要污染物以可吸入顆粒物為主,因此,該方法所得權重因子更適合于PM10的潛勢預報,實際應用中可分別針對PM2.5、O3、SO2、NO2建立相應的預報模型.

5 結論

5.1 作為一種空氣污染潛勢與統計結合的預報方法,該模型不僅考慮了氣象因子,還考慮了大氣擴散清除因子;不僅可以給出空氣污染潛勢,還可以給出空氣污染指數.

5.2 統計預報等級正確率:24h預報為44.4%～87.5%,平均為60.6%;48h預報為46.4%～100%,平均為62.4%;回顧預報為63.0%～80.0%,平均為73.1%.

5.3 若定義預報API與實際API的值相差±x(x為偏差的絕對值)以內為正確,當x=20時, 24h預報、48h預報和回顧預報的年均正確率分別為58.1%, 59.4%和63.8%.

5.4 該模型計算效率很高,在IBM x3500并行集群服務器上計算, 48h預報需要機時3h.

[1]王迎春,孟燕軍,趙習方.北京市空氣污染業務預報方法 [J]. 氣象科技, 2001,4:42-46.

[2]孫 峰.北京市空氣質量動態統計預報系統 [J]. 環境科學研究, 2004,17(1):70-73.

[3]王建華,于 鵬,郭素榮.青島市空氣污染統計預報方法研究 [J].青島大學學報, 1999,14(4):60-62.

[4]韓志偉,杜世勇,雷孝恩,等.城市空氣污染數值預報模式系統及其應用 [J]. 中國環境科學, 2002,23(3):202-206.

[5]Wang T J, Jiang F, Deng J J, et al. Urban air quality and regional haze weather forecast for Yangtze River Delta region [J]. Atmos.Environ., 2012,58:70-83.

[6]Liu Z Q, Liu Q H, Lin H C, et al. Three-dimensional variational assimilation of MODIS aerosol optical depth: Implementation and application to a dust storm over East Asia [J]. J. Geophys. Res.,2011,116,D23206,doi:10.1029/2011JD016159.

[7]Burrows W R, Benjamin M, Beauchamp S et al. CART decision-tree statistical analysis and prediction of summer season maximum surface ozone for the Vancouver, Montreal, and Atlantic Regions of Canada [J]. J. App1. Meteor., 1995,34(8):1848-1862.

[8]楊元琴,王繼志,侯 青,等.北京夏季空氣質量的氣象指數預報[J]. 應用氣象學報, 2009,20(6):649-655.

[9]白曉平,張啟明,方 棟,等.人工神經網絡在蘇州空氣污染預報中的應用 [J]. 科學導報, 2007,25(3):45-49.

[10]張 蕾,江 崟.深圳地區空氣污染潛勢預報的研究 [J]. 廣東氣象, 2001.1:1-3.

[11]張國璉,甄新蓉,談建國,等.影響上海市空氣質量的地面天氣類型及氣象要素分析 [J]. 熱帶氣象學報, 2010,26(1):124-128.

[12]王 宏,馮宏芳,隋 平.福州市空氣高污染與氣象條件關系 [J].氣象科技, 2009,37(6):676-681.

[13]王喜全,虞 統,孫 峰,等.北京 PM10重污染預警預報關鍵因子研究 [J]. 氣候與環境研究, 2006,11(4):470-476.

[14]Deng J J, Wang T J, Jiang Z Q, et al. Characterization of visibility and its affecting factors over Nanjing, China [J]. Atmos. Res.,2011,101:681-691.

[15]芮冬梅,張予燕.南京市環境空氣質量與氣象條件的關系分析[J]. 環境科學導刊, 2009,2(2):37-38.

[16]王學遠,蔣維楣,劉紅年,等.南京市重點工業源對城市空氣質量影響的數值模擬 [J]. 環境科學研究, 2007,20(3):33-43.

[17]王體健,孫照渤,李宗愷,等.中國法規大氣擴散模式及其與其他模式的比較 [J]. 環境科學研究, 1998,11(6):9-12.

[18]張 艷,王體健,胡正義,等.典型大氣污染物在不同下墊面上干沉積速率的動態變化及空間分布 [J]. 氣候與環境研究, 2004,9(4):591-604.

[19]沈 毅,王體健,韓 永,等.南京近郊主要大氣污染物的觀測分析研究 [J]. 南京大學學報(自然科學), 2009,45(6):746-756.

[20]史慧敏,沈覺成.南京北郊低空污染氣象條件若干特征 [J]. 地理研究, 1992,11(2):60-67.

[21]蘇福慶,楊明珍,鐘繼紅,等.華北地區天氣型對區域大氣污染的影響 [J]. 環境科學研究, 2004,17(3):16-20.

[22]王喜全,王自發,虞 統,等.西太平洋熱帶氣旋路徑對北京 PM10污染的預示作用 [J]. 科學通報, 2009,54(1):93-97.

[23]李 瓊,李福嬌,葉燕翔,等.珠江三角洲地區天氣類型與污染潛勢及污染濃度的關系 [J]. 熱帶氣象學報, 1999,15(4):363-369.

[24]Businger J A, Wyngaard J C, Izumi Y, et al. Flux-profile relationship in the atmospheric surface layer [J]. J. Atmos. Sci.,1971,28:181-189.

[25]Carl D M, Tarbell T C, Panofsky H A. Profiles of wind and temperature from towers over homogeneous terrain [J]. J. Atmos.Sci., 1973,30:788-794.