我國城市環境空氣質量預報主要模型及應用

宋鵬程,張馨文,黃 強，龍 平,杜云松

(1.綿陽市環境監測中心站，四川 綿陽 621010；2.四川省環境監測總站，成都610091)

1 前 言

城市環境空氣質量預報能實現環境空氣質量與重污染天氣的提前預報，支撐政府制定防治策略，提醒公眾提前防范，減少自身暴露，減輕污染。2013年國務院印發《大氣污染防治行動計劃》強調環保部門要加強與氣象部門的合作，建立重污染天氣監測預警體系[1]。到2014年，京津冀、長三角、珠三角區域要完成區域、省、市級重污染天氣監測預警系統建設；其他省(區、市)、副省級市、省會城市于2015年底前完成。目前我國已形成國家-區域-省級-城市四級城市環境空氣質量預報預警體系[2]，其中國家預報預警中心[3]主要負責國家層面的環境空氣質量預報業務，并負責特別嚴重，影響范圍大的跨區域、跨省市的大氣污染過程預報，收集全國空氣質量預報預警信息，構建全國環境空氣質量預報信息網絡。全國有京津冀及周邊、長三角、珠三角、西北、西南、東北和華南七個區域預報預警中心[4]，負責區域內的環境空氣質量總體協調及業務預報、數據共享與預報會商，參與重大活動環境空氣質量保障，指導各省市精細化預報。省級預報中心主要負責轄區內的空氣質量預警預報工作、省級業務預報預警工作、對地市級城市預報工作開展技術指導、組織開展重大活動環境空氣質量保障等。城市級自行開展環境空氣質量預報或者借助省級預報平臺及技術支撐開展環境空氣質量預警預報工作。

城市環境空氣質量預報預警系統建設是一項復雜的系統工程，城市環境空氣質量預報模型是實現空氣質量準確預報和精準調控的核心工具。我國現行的城市環境空氣質量預報模型包括統計預報和數值預報，國家-區域-省級-城市環境空氣質量預警預報體系平臺搭建時普遍選用多種統計預報和多數值預報模式，預報結果輸出包括空氣質量指數(AQI)、空氣質量等級、六參數(SO2、NO2、CO、O3、PM2.5和PM10)質量濃度及首要污染物等，數值預報可同時輸出氣象要素(氣溫、氣壓、風速風向、邊界層高度等)。

目前我國城市環境空氣質量預報使用國外數值模型較多，平臺搭建過程中對模型參數設置、污染源清單更新、氣象參數模型和大氣物理化學機理分析還存在缺陷，使得首要污染物、空氣質量等級命中率等準確率較低，尤其是重污染天氣。部分地區對預警啟動時間、響應級別、污染影響范圍、持續時間等關鍵問題判別略顯不足，當城市環境空氣質量預報模型預測可能出現重污染天氣，并且達到相應預警級別時需要進行人工訂正和部門聯合會商，根據會商研判結果確定是否啟動預警及響應級別。

2 統計預報

污染源排放、大氣理化過程和氣象條件是影響環境空氣質量的主要因素[5]，統計預報通常忽略源排放量變化，視為常量，更多的是考慮天氣形勢或氣象條件對空氣質量變化的影響，借助歷史的環境空氣質量數據和同期氣象觀測資料(如溫度、風速、風向、相對濕度等)通過統計學方法建立擬合方程或統計模型，外推得到未來空氣質量預報結果。統計預報具有運算量少、硬件要求低、易于操作、簡單實用等優點，常見的模型包括人工神經網絡、多元線性回歸、ARMA、動態統計等，優缺點見表1。

2.1 人工神經網絡

神經網絡算法一般用半經驗的結果分析出污染物的變化趨勢[12]。人工神經網絡[13]通常由輸入層、輸出層和中間層(隱層)組成，上下層之間實現全連接，而每層神經元之間無連接，當樣本提供給網絡后，神經元的激活值從輸入層經各中間層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入模式，為逐層狀態更新的前向傳播。如果輸出響應和期望輸出模式有誤差，不滿足要求，則按照誤差逆傳播算法進行修正，當各訓練模式均滿足要求時學習結束。國家預報預警中心、西北、西南和華南區域預報預警中心、廣西省、天津市和四川省等均采用神經網絡統計模型，其中四川省采用基于神經網絡法統計預報模型OPAQ[2](Operational Predication of Air Quality)，對轄區內綿陽市預報結果(2016年1月～2018年9月，表2)進行評估發現模型預報效果較好，由于模型具有動態偏差修正功能[14]能夠對結果進行實時修正，預報與實況濃度變化趨勢一致性較好，但在污染過程預報中存在明顯的高值低估和低值高估現象，同時隨著迭代次數的增多學習效率降低，進而收斂速度減緩，使得24h的首要污染物、空氣質量等級準確率和空氣質量等級命中率預報結果明顯高于48h、72h和96h。

表2 2016年1月5日～2018年9月30日OPAQ模型預報結果Tab.2 Results of OPAQ forecast system from January 5,2016 to September 30,2018

備注：空氣質量指數類別跨級預報(如“良至輕度污染”)與實測(如“良”)一致時，等級準確率為100%，空氣質量等級的命中率為50%；非跨級預報與實測結果一致時等級準確率和等級命中率均為100%。

2.2 多元線性回歸

多元線性回歸具有方法簡單、理論嚴謹等優點，使用較為廣泛，其核心是關鍵參數的選擇，由于地區差異，東南沿海、西南、西北和華北等地的氣象關鍵參數差別較大，需結合本地特定的污染物濃度和氣象參數之間的規律進行線性回歸。一般采用逐步回歸算法，對氣象條件和非氣象條件中所有參數按照對因變量Y(污染物預報濃度)影響的顯著性程度大小進行回歸，對因變量Y作用不顯著的變量不引入方程，在引進新變量后不顯著變量需剔除以保證最優方程，最優回歸方程[15]:

Y=B0+B1X1+B2X2+B3X3+…+BnXn

其中Y為污染物預報濃度，B0為常數，X1、X2、X3、Xn為預報關鍵參數，B1、B2、B3、Bn為關鍵參數的系數。

西北、華南區域預報預警中心及沈陽市等均采用線性回歸，其中沈陽市利用2013年1至2月空氣質量數據進行逐步回歸[16]方程建立，并選用2013年11月～2014年1月實測數據進行模型驗證，由于建模樣本量偏少使得空氣質量等級(55.8%)和首要污染物(68.5%)較低，可結合前期預報評估結果，對輸入參數、權重因子等進行優化，建立動態更新機制，提高預報準確率，減少人工訂正。

2.3 小波多尺度分解改進的ARMA模型

小波分解改進的ARMA模型是選用Mallat算法[17]進行小波多尺度分解[18]，將信號逐層進行分解，每一層分解的結果將上層分解得到的低頻信號再分解成低頻和高頻兩部分，

Aj+1,k=∑mh0(m-2k)Aj,m

Dj+1,k=∑mh1(m-2k)Aj,m

式中：j為分解尺度；k、m為平移變量，為近似系數，是低頻部分；Dj，k為細節系數，是高頻部分；h0、h1分別是低通和高通濾波器。利用分解后的小波系數可以重構原來的序列，小波系數的重構見式：

3 數值預報

數值預報是以大氣動力學理論為基礎，在特定的氣象場、源排放和初始邊界條件下，基于大氣物理化學過程(輸送、擴散、轉化和沉降等)建立大氣污染濃度在空氣中的輸送擴散模型，借助模型來預測大氣污染物濃度。目前國內普遍使用的模型包括NAQPMS、CMAQ、CAMx、WRF-Chem等，數值預測結果仍具有不確定性，主要取決于預報的偏差，偏差客觀上均源于污染源清單、氣象初始場、大氣污染物監測初始場及大氣化學反應機理的完整性和準確性[4]。

3.1 嵌套網格空氣質量預報模型系統

嵌套網格空氣質量預報模型系統(NAQPMS)是在充分借鑒數值預報模式優點的基礎上由我國自主研發的三維歐拉化學傳輸模型，該模型由基礎數據系統、中尺度天氣預報系統、空氣質量預報系統及預報結果分析系統等構成[19]，基本構架見圖1，其中基礎數據系統包括下墊面資料、污染源資料、氣象資料和大氣污染物實時監測資料四部分。NAQPMS系統突破了我國區域大氣復合污染建模原理和預報關鍵技術，充分考慮了自然源對城市空氣質量的影響，設計了東亞地區起沙機制模型，實現了基于全國城市空氣質量監測網絡的大氣化學資料同化，也考慮了平流、擴散、化學反應過程(包括氣相化學、液相化學、氣溶膠化學和非均相反應)、干濕沉降等過程，同時耦合了污染源識別與追蹤模塊等[20-21]，實現了各類復合污染從全球、區域、城市群與城市復合污染(沙塵、酸沉降、顆粒物、臭氧、核泄漏、大氣汞等)的全尺度嵌套耦合建模。另外該模型自行研發了氣象-化學雙向反饋技術、自適應變網絡技術、氣溶膠微觀力學模擬技術和二次有機氣溶膠模擬技術。為了提高預報準確度模型在參數設計方案時采用不確定分析方法評估模型參數的不確定性范圍，進行擾動集合預報。模型對區域空氣重污染過程預報的準確率接近100.0%，對區域重污染程度預報的準確率近80.0%，但對重污染天氣仍會出現高值低估或低值高估的現象，靜穩型污染會出現早報、晚報或漏報情況。模型已在國家預報預警中心、京津冀、長三角和珠三角區域預報預警中心、全國16個省(直轄市)、7個副省級城市等投入業務運行，包括中西部地區和欠發達城市如銀川[22]、西安等，同時在北京奧運、上海世博、廣州亞運、南京青奧、北京APEC、9.3閱兵和G20峰會等重大國際活動空氣質量保障中采用。

圖1 NAQPMS模型的主要構架[19]Fig.1 The main frame of NAQPMS

3.2 CMAQ

CMAQ(Community Multi-scale Air Quality)是美國環保署(EPA)在拉格朗日軌跡模型和歐拉網格模型后提出的第三代空氣質量預報和評估系統[4]，該模型是在“一個大氣”理論的指導下，以WRF或MM5等中尺度氣象模式和SMOKE(Spare Matrix Operator Kerenl Emission)等源排放模型為依托，充分考慮了大氣污染過程中水平傳輸、垂直傳輸、擴散過程、源排放、化學反應和去除過程等對污染物濃度的影響，將復雜空氣污染狀況進行綜合處理。模型可模擬平流傳輸、湍流擴散、氣相化學反應、氣溶膠動力學、排放過程、沉降過程、云過程和液相過程，可用于評價大氣中細顆粒物、對流層臭氧、氣溶膠以及酸沉降污染水平[24]，部分學者研究發現模型存在缺陷，如CMAQ4.3版本有質量不守恒缺陷，模型對臭氧光解速率常數設置偏低及模擬結果存在系統性誤差等[25]。西南區域預報預警中心和四川省均采用CMAQ單一數值模型，其中四川省模型設計36km、12km和4km三層嵌套網格，在參數設置時對下墊面資料、源排放等進行了本地化處理，對轄區內的綿陽市(見表3)預報結果評估發現首要污染物和空氣質量等級準確率相對較高，但由于四川盆地相對濕度高、氣候變化復雜，污染擴散條件差，混合邊界層變化快，污染物容易累積，且易形成逆溫現象和靜穩天氣，而此特殊現象WRF-CMAQ模型很難準確模擬，另外，模型源排放清單更新不及時，初始條件和物理化學參數設置的不確定性都影響預報準確率，同時該模型采用跨級統計，使得空氣質量等級命中率較低，可結合評估結果通過精細化氣象場預報、更新源排放清單及動態調整理化參數設置提升預報準確率。

表3 2016年1月1日～2018年9月30日CMAQ模型預報結果Tab.3 Results of CMAQfrom January 1,2016 to September 30,2018

備注：空氣質量指數類別跨級預報(如“良至輕度污染”)與實測(如“良”)一致時，等級準確率為100%，空氣質量等級的命中率為50%；非跨級預報與實測結果一致時等級準確率和等級命中率均為100%。

3.3 CAMx

CAMx(comprehensive air quality model with extensions)模型同樣是歐拉型化學傳輸模型，在“一個大氣”理念的指導下考慮氣-液-固多相化學機制，利用氣象場模擬結果，通過SMOKE源排放模型對源排放清單進行處理，最后CAMx模型對污染物濃度進行模擬，與models3-CMAQ模型不同的是CAMx模型具有雙向嵌套的網格結構，可以多重網格同時進行計算，在時間范圍和空間范圍內模擬的更精細。另外，CAMx模型除了具有models3-CMAQ模型的典型特征外，還包括多種分析工具[26]如臭氧來源解析技術(OSAT)、顆粒物來源追蹤技術(PAST)[27]、網格煙羽模塊(PiG)等。

CAMx模型計算原理[28]如下：

沈松等[29]利用CAMx 5.01模型對珠三角的臭氧污染進行模擬發現模型能夠較好地模擬出2004年10月臭氧濃度的變化趨勢和濃度水平，大多數站點模擬結果與實測值均吻合良好，與實測值的相關性系數(r)為0.7，標準化平均偏差(NMB)為8.8%，標準化平均誤差(NME)為37.9%。

3.4 WRF-Chem

WRF-Chem(Weather Research and Forecasting model coupled with Chemistry)模型屬于區域大氣動力-化學耦合模型，選用Chem作為內嵌模塊，充分考慮了水平輸送、擴散和對流過程、干濕沉降、氣相化學、氣溶膠形成、輻射和光分解率等過程[30]。該模型的氣象模式和化學傳輸模塊使用相同的格點、時間步長、傳輸方案和物理方案，避免因差值等造成的誤差，同時二者為同步計算，在時間和空間分辨率上完成耦合，實現真正的在線傳輸，從而完成對太陽輻射、大氣動力和氣溶膠化學等多過程的耦合和反饋[31]。WRF-Chem模型[32]對廣州市PM2.5(2013年1月)的波動變化趨勢預報較好，但對重污染天氣日均值預報的準確性不理想，預報結果偏低。PM2.5日均值預報與實測的相關性系數(r)僅介于0.3～0.6之間，主要是重污染天氣過程較為復雜，而此模型搭建較為粗糙，僅使用了可反映區域背景排放的源排放清單，模型中未使用局地排放源是主要原因，同時預報過程也未考慮城市冠層結構對大氣流場以及污染物擴散的影響。另外，該研究僅使用22個數據樣本進行評估，數據量偏小也影響相關性系數。劉琳等[33]選用WRF-Chem模型通過模擬實驗定量估算河南、京津冀、山東、山西、安徽和江蘇、湖北6個區域人為源排放對河南省2015年12月PM2.5和PM10濃度貢獻率。研究發現河南省的顆粒物主要來源仍為本省排放，其次為區域污染輸送，且PM2.5外來輸送率比PM10要高，其中河南省冬季PM2.5和PM10的本省排放平均貢獻率分別為54.8%、61.3%。京津冀、安徽和江蘇、山東、山西及湖北等地區域污染輸送對河南PM2.5平均貢獻率分別為12.0%、11.7%、8.0%、7.4%、4.3%，對PM10平均貢獻率分別為10.4%、10.0%、7.0%、6.9%、3.8%。

4 多模式集合預報

由于大氣初始條件的不確定和數值模式中物理過程本身的不確定性，使得數值預報模式在計算和積分過程中容易出現偏差，集合預報模式基于復雜的三維環境空氣質量數值預報模式，通過構建產生多個差異性預報樣本，利用預報結果算術平均、多模式權重平均集合技術、加權集成和多元線性回歸等方法產生最優確定性預報結果?？諝赓|量多模式集合預報前期研究主要考慮大氣初始條件的不確定或者預報物理過程的不確定，既考慮初值的不確定性、又考慮物理過程的不確定性成為新的發展方向[34]。針對初值不確定性的集合預報通過在初始場上施加擾動，而針對模式物理過程不確定性的集合預報則通過對數值模式的內部物理過程進行改動，多采用統一的區域設置、統一污染源排放清單、統一氣象預報場減小模式性能差異[35]。國家預報預警中心、西北和華南區域預報預警中心均選用NAQPMS、CAMx、CMAQ和WRF-chem多數值模式預報，長三角區域預報預警中心(NAQPMS、CMAQ和WRF-chem模型)和珠三角區域預報預警中心(NAQPMS、CMAQ和CAMx模型)也采用多數值模式預報。上海市[36]根據自身城市特點、經濟條件及環境空氣質量發展狀況采用多模型集合預報(模型包括NAQPMS、CMAQ4.4、CMAQ4.6、CAMx和WRF-Chem)。浙江省[37]也采用WRF-Chem、CMAQ、CMAx多模式集合預報，云南省[38]結合高原特殊地形、氣象條件、區域能源結構選用國內應用成熟、業務化程度高、對高原山地城市或者復雜地形性能良好的NAQPMS、CMAQ、CMAx空氣質量多模式集合預報系統。北京市[39]也是采用多模式集合預報(模型包括NAQPMS、models-3/CMAQ和CAMx)，選用MM5中尺度氣象模式，源排放模型SMOKE處理模擬域內的大氣污染物排放源清單。在奧運會期間預報結果評估發現在排放源接近實際的情況下，PM10日均值多模式算術平均值優于單模式預報結果，同時多模式集合預報的權重集成PM10預報結果優于算術平均預報結果。

5 發展及建議

我國幅員遼闊、地域差異大，氣象條件變化復雜，同時重污染時空變化迅速、污染來源復雜難辨，各市州在開展環境空氣質量預警預報能力建設時要在前期經驗積累的基礎上綜合分析，結合城市或區域氣象特點、本地源排放清單合理搭建空氣質量預報模型，模型參數進行本地化設定。環境空氣質量模型運行后要進行短期評估和長期評估，結合評估結果對模型進行適當調整、修正和更新。由于氣象場和污染源清單等影響因子的不確定性使得各種預報模型結果都存在偏差[40]，預報員在進行環境空氣質量預報時要以模型結果為基礎，同時結合歷史同期主要污染物濃度和重污染出現頻次，充分考慮沙塵天氣、秸稈焚燒、重大節假日活動[41]、區域性污染和大范圍污染傳輸影響，同時結合周邊、本地當前空氣質量實況及大氣環境擴散條件對預報結果進行客觀人工訂正[42]。當預判出現重大污染天氣時及時開展部門聯合會商，結合預報結果借助超級站、復合型大氣污染綜合診斷平臺及衛星遙感監測等技術對污染過程及預警工作做到準確研判。

中西部地區、中小城市及欠發達城市等受經濟條件限制采用單一數值模式預報較多，部分沿海城市及經濟發達地區多選用多模式集合預報，單一數值模型預報不確定性較大，多模式集合預報采用統一的模式區域設置，使用統一高分辨率源排放清單及排放處理過程，由統一氣象模式產生氣象驅動，能降低氣象和排放源處理不一致引起模式性差異[39,43]，多模式集合預報結果準確率明顯高于單一數值預報，已成為發展的主流方向[44]。

目前我們城市空氣質量預報采用“自下而上”的報送模式，國家-區域和省級環境空氣質量預報中心都建有完善的預報體系，同時配備有專業的預報團隊，地級市由于受到經濟條件的限制環境空氣質量預報體系構建不完善，更多的是借助省級或區域預報中心的模型，同時預報人員技術力量不足，專業知識儲備薄弱[45]，更多的是憑借經驗，很難做到精細化預報。國家應該加大對地級市環境空氣質量預報的能力建設，同時加強指導和培訓。