基于Models-3的自修正空氣質量預報系統及其效果檢驗

陸成偉，周來東，鄧也，宋丹林，田紅，康雪，周子航，胡翔

( 1.成都市環境科學保護研究院, 成都 610072; 2.成都市氣象局, 成都 610072 )

基于Models-3的自修正空氣質量預報系統及其效果檢驗

陸成偉1，周來東1，鄧也1，宋丹林1，田紅1，康雪2，周子航1，胡翔1

( 1.成都市環境科學保護研究院, 成都 610072; 2.成都市氣象局, 成都 610072 )

本文介紹了一個以Models-3為基礎的自動化空氣質量數值預報系統，該系統通過Gambas、Yabasic和R語言等工具進行開發，集成WRF-SMOKE-CMAQ三個模式，可通過監測數據進行自動修正，完成空氣質量業務數值預報，并將結果發布到Web服務器上進行呈現。該系統對硬件的要求較低，將部署于一臺DELL Optiplex 9010工作站上，設置6km—2km雙層嵌套，進行成都市空氣質量數值預報。本文分析了成都市2014年1月1日至2014年12月31日的空氣質量數值預報結果，評價系統對成都市NO2、SO2、PM10、PM2.5、O3、CO以及空氣質量指數（AQI）的預報效果。結果顯示，系統對于成都市2014年空氣質量變化情況趨勢的預報效果較好，302天有效預報中，24小時直接預報的空氣質量等級準確率為58.27%，AQI預報相關系數0.71，觀測值自動修正預報對24小時空氣質量預報具有明顯改善效果，使其等級預報準確率達到64.9%，相關系數提高到0.89。

成都市；Models-3；空氣質量預報；自動修正

引言

成都市位于四川盆地西部，東北部為德陽市，西南與雅安市相連，南接眉山，東南毗鄰資陽市，西北緊靠阿壩自治州，東西橫距192km，南北縱距166km，面積12 390km2，屬于內陸城市。成都市東西兩翼高差近5000m，由于地表海拔高度差異顯著，直接造成水、熱等氣候要素的空間分布不均，西部山區溫度低于東部平原地區，成都市全年靜風頻率高，相對濕度較高，容易出現逆溫現象，不利的氣象條件造成成都市易出現污染積累，并發生霧霾天氣，從而使成都市對空氣質量數值預報的需求迫切。

本文介紹了一個基于Models-3的業務化空氣質量數值預報系統，該系統以CMAQ為核心模式，使用Yabasic語言開發相應的業務化支持軟件，實現空氣質量的業務化數值預報，并將系統部署于小型工作站上，在較低的硬件成本上實現空氣質量的業務化預報。本文最后對該系統2014年一年的空氣質量數值預報結果進行分析，評價該系統的預報效果。

1 系統構成

Models-3空氣質量模擬系統為美國EPA于1998年提出的，以第三代空氣質量模式CMAQ為核心，包括MM5/ WRF氣象模式和SMOKE排放清單處理模式，其應用范圍涵蓋與空氣質量的數值模擬相關的評價、分析和決策支持等方面，可用于NO2、SO2、顆粒物和臭氧等問題的模擬[1-9]，在國內外也有成功將CMAQ模式用于空氣質量數值預報的案例[10,11]。由于空氣質量數值預報在我國尚處起步階段，各地預報員能力水平差異較大，因此在進行自修正空氣質量預報系統設計時有必要開發一個基于圖形用戶界面的可視化工具，方便預報員對業務預報系統進行簡單的操作和必要的控制。該預報系統使用GAMBAS語言[12]開發系統監控模塊，GAMBAS最初由Beno?t Minisini開發，為Linux下的一款高效快速圖形化應用程序開發工具，具有較好的移植性。業務預報系統主要完成Models-3的整個運行流程，包括調用WRF模式實現氣象場數值預報、調用SMOKE模式動態生成排放清單，并將氣象數據和排放數據輸入CMAQ模式，進行大氣污染物濃度數值預報。業務預報系統需要滿足高穩定性、高效率和低資源占用等要求。Yabasic語言為德國計算機工程師Marc-Oliver Ihm開發，具有體積小、跨平臺的特點，可以非常便捷地對多種模式進行交互，且穩定性高，故用于開發業務預報系統。該預報系統還包括：監測數據收集模塊，用于獲取準實時空氣質量監測數據；預報產品處理系統，在該系統中生成每日所需的預報產品，結合實測數據進行修正預報，并對預報數據進行管理和回顧評價；預報產品發布系統，用于提供Web訪問支持。系統目前部署于一臺DELL Optiplex 9010工作站上，系統配置一枚Intel I7-3770四核CPU，配置8GB內存和4TB硬盤用于文件備份，1TB硬盤用于系統運行。

1.1 系統監控模塊

系統監控模塊為一個駐留在系統內存中的程序，用于檢測監測數據收集模塊和業務預報模塊是否正常運行，同時可以提供基本的操作和預報結果的查看。通過該系統，可以對空氣質量預報系統進行全面監控和簡單操作，并可進行自修正空氣質量預報系統的各項參數設置，包括WRF、SMOKE和CMAQ的運行參數、系統預報長度和系統插件啟用情況等。該模塊的另一重要功能為定時檢測NCEP服務器上GFS全球預報系統某一預報時次的輸出數據是否可以下載，并在可下載時自動開始氣象數據的下載。該系統目前采用GMT00時的0.25°分辨率預報場作為初始場，進行含當日在內的96小時的數值預報，預報進程開始于每日中午12:00，每隔20分鐘檢測一次GFS氣象數據是否可以下載，通常情況下，使用8M寬帶可以在兩小時內完成數據下載，隨后系統監控模塊將啟動空氣質量的數值預報流程。為了盡可能地保證系統運行的穩定性，進入2015年后，課題組租用阿里云服務器實現遠端前日GMT12時1°分辨率的預報數據自動備份。系統監控模塊運行于圖形界面，操作人員可查看系統運行狀態，并對自修正空氣質量預報系統進行操作，其運行界面如圖1所示。

圖1 系統監控模塊運行界面

1.2 業務預報系統

業務預報系統是自修正空氣質量預報系統的核心組件，該系統耦合WRF模式、SMOKE模式和CMAQ模式，處理模式參數修改、運行和文件處理，依次調用三個模式完成天氣數值預報、排放清單動態處理和空氣質量數值預報，并處理與模型嵌套運行相關的初始條件、邊界條件生成，運行流程如圖2所示。

業務預報系統首先按預報長度、模式理化參數配置等信息進行修改，檢驗氣象數據下載是否包括第一個時次的初始場，以及預報長度所需的最后一個時次的預報場，并啟動WRF模式進行氣象數值預報。現階段自修正空氣質量預報系統設置進行雙層嵌套，外層為88×88×6km的網格，包括四川盆地的大部分地區，內層為121×96×2km的高分辨率網格，包括成都市行政區劃，WRF模式的氣象參數設置參考現有研究成果[16]，WRF模式運行完成后，需要對WRF模式的輸出數據進行歸檔處理，隨后調用CMAQ模式的MCIP模塊將WRF模式的輸出數據轉換為IOAPI格式。氣象模式轉換完成后，首先調用CMAQ模式的ICON模塊，從前一天的預報結果中計算本次數值預報的各污染物初始濃度，進行熱啟動，使每日的初始濃度具有合理的空間分布，隨后業務預報系統調用SMOKE模式處理排放清單，進行時間分配、空間分配和垂直分配，生成CMAQ模式所需要的netCDF排放清單。

圖2 業務預報系統運行流程[13]

氣象數據和排放清單數據處理完成后，業務預報模塊將分別對外層網格Domain 1和內層網格Domain 2進行空氣質量數值預報。處理外層網格預報流程時，使用基于統計數據的網格邊界濃度，隨后使用CCTM模塊完成數值預報過程，并在線計算光化學反應速率和干沉降速率。Domain1計算完成后，業務預報系統通過BCON模塊從Domain1的預報結果中獲取Domain 2的邊界輸入輸出濃度，進而完成成都市轄區空氣質量數值預報。由于CCTM模塊輸出的污染物濃度主要為體積濃度，且以模型組分為主，故需要通過模型物種計算器對污染物物種進行合并和單位轉換，模型物種計算器基于CMAQ的COMBINE組件，除COMBINE組件中所包含的大氣污染物濃度外，還同時計算相對濕度、降水、干濕沉降、地面風速、風向、溫度等基本要素。

1.3 監測數據收集模塊

自修正空氣質量預報系統包含一個準實時監測數據收集模塊，使用Python語言和SGMLParser[14，15]開發，該模塊定時解析成都市環境監測中心站實時空氣質量監測數據發布網頁，提取相關數據后存儲至SQLite數據庫中，并將該數據用于空氣質量數值預報效果的比對和修正。

1.4 預報數據處理系統

預報數據處理系統主要使用R語言[17]開發，通過RNetCDF庫[18]處理模型物種計算器輸出的netCDF文件，計算AQI值，并制作必要的產品。預報數據處理系統根據中國環境監測總站出具的AQI指數計算方法[19]計算預報所得的AQI指數，并繪制預報所需的氣象條件變化圖、大氣污染物濃度變化圖等信息。

預報數據處理模塊生成的產品包括成都市中心城區未來三天空氣質量直接預報結果、四川盆地PM2.5逐時變化趨勢圖、各預報點位污染物濃度逐時變化序列圖、各預報點位氣象要素逐時變化序列圖、地面及四個氣壓層風速、溫度、相對濕度等要素的逐時變化圖，以及垂直剖面上的溫度、風速和相對濕度的逐時變化圖。此外，預報數據處理模塊還調用ARWPOST和Grads繪制地面風場、地面溫度、剖面溫度、剖面風速、剖面相對濕度以及925hPa、850hPa、700hPa、500hPa四個氣壓層上的風場和濕度場，調用Verdi程序繪制地面污染物濃度逐時空間分布，并生成GIF格式動畫，部分產品如圖3所示。

預報數據處理系統的另一重要功能則是實現空氣質量跟蹤自動修正預報，修正預報基于現階段監測數據。由于目前排放源清單統計數據質量和制作水平的制約，使用數值預報提供未來空氣質量的變化趨勢信息，并在此基礎上通過監測數據進行濃度修正，可以有效減少重污染天氣的漏報，自修正空氣質量預報系統在每日上午9:00至10:00間出具含當日在內的四日空氣質量數值預報，因此編寫程序獲取出具預報時刻前8小時的空氣質量實測數據與直接預報中前8小時的預報濃度進行計算，計算二者相關系數R，并分情況進行空氣質量數值預報修正，如下式：

圖3 自修正空氣質量預報空氣質量預報產品

式中，Cmod_out為修正預報修正后的預報濃度；Cmod為模式直接輸出的預報濃度；Cmod_8為預報出具的時間前8小時的逐時模式輸出濃度；Cobs_8為預報出具的時間前8小時的逐時實測濃度；計算Cmod_8和Cobs_8的相關系數R，當相關系數R≥0.5時，認為兩組數據達到中等相關性，并在此基礎上求得Cmod_8和Cobs_8的一元線性擬合方程的斜率a和截距b，并使用a和b對模式輸出濃度Cmod進行修正；當相關系數R＜0.5時，認為兩組數據相關性不佳，此時以兩組數據均值的比例計算得到濃度修正系數k，并以此對預報數據進行修正。運用兩種修正方法修正后的六種污染物濃度再按照AQI計算方法進行計算，得到修正預報。

預報數據處理系統每天評價前日空氣質量直接預報的效果，該功能主要使用R語言實現，部分統計和繪圖功能來自openair庫[20]，使用RMarkdown庫[21]生成回顧評價報告。評價報告包括預報濃度數據對比、主要氣象參數回顧、污染物濃度變化時間序列、統計指標分析和預報對比，其中預報濃度數據對比列出各污染物逐時濃度變化數據，主要氣象參數回顧則主要給出模式預報的風玫瑰圖、邊界層高度兩個指標，污染物濃度變化時間序列則以圖表形式顯示預報數據與實測數據的變化情況，統計指標分析則從FAC2系數、平均偏差、平均誤差、標準化平均偏差、標準化平均誤差、均方根誤差和相關系數R等方面對預報效果進行綜合評價，最后將預報的AQI報表與實測的AQI報表進行對比。建立空氣質量預報回顧評價體系有助于分析空氣質量預報中存在的問題，以便改進預報效果，因此回顧評價以未進行修正的直接預報結果為評價對象。

1.5 空氣質量預報發布模塊

空氣質量預報發布模塊由三部分組成，分別為基于Linux Msmtp和Mutt構架的電子郵件發布系統[22]、基于Apache建立的Web服務器[23]和使用百度地圖API的開發的WEBGIS發布系統。

Linux操作系統下，Msmtp和Mutt的組合經常被用于設備的自動郵件預警，使用這兩個程序實現郵件的發送系統不需要建立本地郵件服務器，僅需使用支持smtp認證的公共郵箱即可，省去了本地郵件服務器的架構和維護工作。Apache服務器用于支持通過瀏覽器對預報結果進行訪問，配置本地路徑為Apache服務器的訪問路徑，并開放80端口用于架設Web服務器，并通過NAT地址映射實現互聯網訪問。百度地圖API[24]則提供了一套免費的、詳細的在線地圖資源，使用百度地圖API開發的GIS發布系統無須授權費用，可直觀展現空氣質量數值預報的結果，百度地圖可以顯示行政區劃圖和矢量標注，標注物的顏色符合環境空氣質量指數（AQI）技術規定。如圖4所示。

圖4 基于Baidu地圖API的預報發布系統

2 自修正空氣質量預報系統效果評價

自修正空氣質量預報系統于2013年12月15日開始投入試運行，2014年1月1日開始提供業務預報，并業務化運行至今，取2014年預報數據，共出具有效預報302天，參照我國AQI評價標準，對24小時直接預報的NO2日均值、SO2日均值、PM10日均值、PM2.5日均值、O3小時最大、O38小時滑動最大和CO日均值進行統計評價，分別評價其FAC2系數、平均偏差MB、平均誤差MGE、歸一化平均偏差NMB、歸一化平均誤差NMGE、均方根誤差RMSE以及相關系數R，結果如表1所示。

表1 不同污染物預報效果統計分析

302個有效預報數據中，同時存在監測數據的預報數量為297個，因此參與統計的各污染物預報有效樣本個數297個。FAC2系數為預報濃度在實測濃度的0.5～2倍的數量比例，可見除SO2的FAC2系數偏低外，其余各預報指標的FAC2系數均在80%左右，部分預報項目的FAC2系數達到90%以上，說明預報濃度和實測濃度的偏差范圍是可以接受的。平均偏差MB顯示，除SO2整體偏高為9.68外，其余指標均有偏低現象，其中以O3小時最大濃度的偏低最為明顯，其次為PM10和PM2.5；歸一化平均偏差顯示，SO2偏高達50%以上，而PM2.5偏低達到21.08%，O3小時最大濃度的偏低幅度也達到了18.69%。對比平均誤差MGE和平均偏差MB，可見SO2指標的MGE與|MB|差異不大，說明SO2的偏差屬于系統性偏高，而PM10、PM2.5、O3小時最大、O38小時滑動最大等指標均有明顯差異，可見這些指標的預報同時存在偏高和偏低的現象。均方根誤差RMSE中，以PM10最為顯著，其次分別為O3小時最大和PM2.5，可見這些指標預報濃度均值與對應實測均值之間的差異波動較大；相關系數R則表明趨勢預報最佳的指標為PM2.5，其次為PM10和SO2。各指標時間序列圖和散點圖分別如圖5至圖11所示。

從日均值變化趨勢上看，NO2的預報日均值與對應監測值日均值趨勢較為符合，但在6～9月存在預報濃度偏低的現象，從散點圖上也可看出NO2的預報日均值存在偏低現象；SO2的預報結果中，前半年日均值變化趨勢與實測值較為接近，后半年則出現明顯偏高的現象，從散點分布上看，部分預報結果高于同期實測值的2倍；PM10的預報結果趨勢與監測值的趨勢較為接近，從散點分布上可以看出，監測值濃度較高的時候預報值存在一定的偏低；PM2.5的預報結果趨勢與實測日均值較為接近，和PM10一樣，在監測值較高的時段存在一定的低報現象。O3兩個指標均存在明顯的偏低現象，和實測數據相比，存在明顯的偏低現象，且并未呈現夏季較高的現象，這可能和預報系統垂直高度層設置有關，擬在后期降低模式第一層的高度；CO的預報結果與實測結果的趨勢較為一致，但相對而言波動較大，進入秋季以后，預報濃度和實測濃度相比存在一定的偏高現象。

分別統計24小時和96小時的直接預報和修正預報，與實測AQI數據對比，繪制時間序列圖，如圖12所示。

分別計算各預報AQI產品和實測AQI的平均偏差MB、平均誤差MGE、歸一化平均偏差NMB和歸一化平均誤差NMGE，以及均方根誤差RMSE和相關系數R，結果如表2所示。

表2 不同預報時長效果對比

可見，受限于修正預報得出的預報結果為線性修正后的結果，對于高污染天氣和優良天氣而言，96小時的修正預報上存在明顯的滯后現象，而24小時修正預報則與實測結果的趨勢較為吻合，相關系數R的結果顯示，修正預報技術對24小時預報趨勢的改善效果明顯，相關系數達到0.89，而24小時直接為0.71，同時AQI預報的平均偏差和平均誤差均得到了明顯改善，RMSE的減小也說明修正預報技術降低了24小時預報AQI與實際AQI的差異波動。96小時預報為目前自修正空氣質量預報系統的最長預報時長，直接預報相關系數為0.66，而修正預報技術對96小時預報的趨勢產生了一定的影響，使其相關系數R下降為0.5，雖然修正預報有助于減小96小時預報的平均偏差，但同時也增大了其平均誤差和均方根誤差，導致96小時修正預報與實際結果間差異波動增大。

3 結論

（1）基于Models-3開發的自修正空氣質量預報系統可以在較低硬件投入下實現空氣質量的業務化數值預報，該系統可以直觀進行模擬參數的配置，具備較高的可系統移植，插件系統在不影響主模塊功能的情況下對系統功能進行擴展，具有較高的靈活性。

（2）2014年，24小時直接預報等級準確天數為176天，等級和首要污染物均準確的天數為63天，24小時修正預報等級準確天數為196天，等級和首要污染物均準確的天數為121天，而96小時直接預報等級準確天數為167天，等級和首要污染物均準確的天數為58天，96小時修正預報等級準確天數為112天，等級和首要污染物均準確的天數為47天，可見使用實測數據對24小時數值預報進行修正后可明顯改善其預報效果，但本文所用的修正方法對96小時預報的預報效果無明顯改善效果。

（3）目前采用的預報修正技術存在一定的局限性，下一步工作中應探索模式預報的氣象、空氣質量數據和相關實測值之間的關系，建立更為科學的預報修正技術。

（4）系統可以在一定程度上把握成都市空氣質量變化的節點，但進入冬季后，自修正空氣質量預報系統對區域性重污染天氣的把握能力有限，可在下一步工作中增大預報范圍，引入區域清單，加強區域性污染天氣的預報能力。

圖5 NO2日均值預報——實測時間序列圖和散點圖

圖6 SO2日均值預報——實測時間序列圖和散點圖

圖7 PM10日均值預報——實測時間序列圖和散點圖

圖8 PM2.5日均值預報——實測時間序列圖和散點圖

圖9 O3小時最大預報——實測時間序列圖和散點圖

圖10 O38小時滑動最大值預報——實測時間序列圖和散點圖

圖11 CO預報——實測日均值時間序列圖和散點圖

[1] 翟世賢, 安興琴, 劉俊, 等. 不同時刻污染減排對北京市PM2.5濃度的影響[J]. 中國環境科學, 2014, 34(06): 1369-1379.

[2] Shrestha K L, Konda A, Kaga A, et al. High-resolution modeling and evaluation of ozone air quality of Osaka using MM5-CMAQ system[J]. Journal of environmental sciences, 2009, 21(06): 782-789.

[3] 劉俊, 安興琴, 朱彤, 等. 京津冀及周邊減排對北京市PM2.5濃度下降評估研究[J]. 中國環境科學, 2014, 34(11): 2726-2733.

[4] 張艷, 余綺, 伏晴艷, 等. 長江三角洲區域輸送對上海市空氣質量影響的特征分析[J]. 中國環境科學, 2010, 30(07): 914-923.

[5] 權建農, 張曉山, 張薔, 等. 我國燃煤汞沉降的數值模擬[J]. 高原氣象, 2009, 28(01): 159-164.

圖12 24小時和96小時直接預報與修正預報效果對比

[6] MAI K, RYOZO O al. A numerical study of summer ozone concentration over the Kanto area of Japan using the MM5/ CMAQ model[J]. Journal of environmental sciences, 2011, 23(02): 236-246.

[7] ZHANG M G, HAN Z W, ZHU L Y. Simulation of atmospheric aerosols in East Asia using modeling system RAMS-CMAQ: model evaluation[J]. China particuology, 2007, 5(05): 321-327.

[8] JOSE R S , PERE J L, MORANT J L, et al. The use of modern third-generation air quality models (MM5-EMIMO-CMAQ) for real-time operational air quality impact assessment of industrial plants[J]. Water, Air, & Soil Pollution: Focus, 2009, 9(1-2): 27-37.

[9] Shi C E, Zhang B N. Tropospheric NO2columns over Northeastern North America: comparison of CMAQ model simulations with GOME satellite measurements[J]. Advances in Atmospheric Sciences, 2008, 25(01): 59-71.

[10] 陳彬彬, 林長城, 楊凱, 等. 基于CMAQ模式產品的福州市空氣質量預報系統[J]. 中國環境科學, 2012, 32(10): 1744-1752.

[11] 許建明, 徐祥德, 劉煜, 等. CMAQ-MOS區域空氣質量統計修正模型預報途徑研究[J]. 中國科學D輯: 地球科學, 2005, （35）(SI): 131-144.

[12] Bain M A. An introduction to Gambas[J]. Linux Journal, 2006, 2006(146): 1-5.

[13] USEPA. Operational Guidance for the Community Multiscale Air Quality (CMAQ) Modeling System. [M/OL]. Chapel Hill, NC: University of North Carolina at Chapel Hill, 2010. [2010-09-11].http://www.cmascenter.org/cmaq/documentation /4.7.1/operational-Guidance-Document.pdf.

[14] Python software foundation. SGMLlib Simple SGML parser[EB/OL].[2012-04-21]. https://docs.python.org/2/ library/sgmllib.html#module-sgmllib.

[15] 王琳琳. 基于HTML Parser的Web信息提取技術[D]. 北京: 北京郵電大學, 2007.

[16] 姚琳, 葉芝祥, 陸成偉, 等. 成都市空氣質量預報中WRF的本地化參數選取[J]. 成都信息工程學院學報, 2012, 27(05): 485-489.

[17] Team R C. R: A language and environment for statistical computing [M/OL]. Vienna, Austria: 2014. [2016-03-10]. https://cram.r-profect.org/doc/manuals/fullrefman.pdf.

[18] Michna P. RNetCDF: R Interface to NetCDF Datasets. R package version 1.6. 3-1[EB/OL].[2012-08-02]. http:// CRAN.R-project.org/package=RNetCDF.

[19] 中國環境監測總站. 環境空氣質量指數(AQI)技術規定[EB/OL]. [2013-11-13]. www.cnemc.cn/publish/totalWebSite/ news/news_38845.html.

[20] Carslaw D C, Ropkins K. Openair—an R package for air quality data analysis. Environmental Modelling & Software, 2012, 27-28: 52-61.

[21] Allaire J J, Cheng J, Xie Y H, et al. Rmarkdown: dynamic Documents for R. 2015.[EB/OL].[2014-06-03]. http:// rmarkdewn.rstudio.com/.

[22] 李雪白. 配置mutt做郵件客服端[EB/OL]. [2011-05-30]. http://home.ustc.edu.cn/～lixuebai/GNU/MuttConfig.html.

[23] 謝輝. 基于Linux系統下Apache軟件的Web服務器設置[J]. 計算機光盤軟件與應用, 2014, (14): 78-79.

[24] 百度地圖. Javascript API大眾版[EB/OL]. [2014-02-23]. http://bsyun.baidu.com/index.php?title=jspopular.

A Models-3 Based Self-correcting Air Quality Forecast System and the Estimation

Lu Chengwei1, Zhou Laidong1, Deng Ye1, Song Danlin1, Tian Hong1, Kang Xue2, Zhou Zihang1, Hu Xiang1
( 1.Chengdu Academy of Environmental Sciences, Chengdu 610072；2.Chengdu Meteorological Bureau, Chengdu 610072 )

A Models-3 based self-correcting air quality forecast system was discussed in this paper, the automated system was developed with Gambas, Yabasic and R language, which integrates 3 models including WRF, SMOKE and CMAQ. The forecast system captures monitor data from network, corrects the concentrations of different pollutants, and then public the results via web server. The hardware requirements of forecast system is relatively low and it was deployed on a DELL Optiplex 9010 workstation with a 6km-2km nested domain, giving operational air quality forecast for Chengdu. A estimation of the system was performed with 2014 forecasted concentrations and AQI, the results showed that the system well reflected the air quality variations in 2014, the hit rate of 24h direct forecast on air quality grads was 58.27% with a correlation coefficient of 0.71, and the corrected 24h forecast had a hit rate of 64.9% with a correlation coefficient of 0.89, the selfcorrecting method can improve the 24h forecast of Chengdu.

Chengdu City; Models-3; Air quality forecast; CMAQ; Auto Correction

X831

1674-6252（2016）02-0102-08

A

10.16868/j.cnki.1674-6252.2016.02.102

成環科研ky2013第020號。

陸成偉（1987—），助理工程師，主要研究方向為空氣質量數值模擬與預報。