成都市空氣質量預報系統的應用及預報效果評估

張恬月,楊欣悅,譚欽文,宋丹林,賈亞俊

(1.成都市環境保護科學研究院，成都 610031;2.中國人民解放軍，91910部隊，遼寧 大連 116000)

1 前 言

空氣污染不僅嚴重影響城市形象，更損害居民身體健康。目前中國有4個灰霾較嚴重的地區，而四川盆地便是四大灰霾天氣頻發和危害較嚴重的地區之一[1]。成都市位于四川盆地西部，東西橫距192 km，南北縱距166 km，西北高、東南低，東西兩翼高差近5 000 m，日照時間短，全年靜風頻率高，相對濕度較高，且易出現逆溫，不利于污染物擴散[2]。近年來，四川東部的PM2.5濃度明顯大于西部，而東部地區PM2.5濃度大致以成都市為核心，呈環狀向四周遞減[3]。作為成渝城市群兩個核心城市之一，成都市的空氣質量改善效果顯著，但也正經歷著累積型、區域型和復合型大氣污染[4]。

空氣質量模式預報的準確性決定系統的可用性[5]，對模式的評估是實現模式預報預警的前提。Eder等[6]評估了CMAQ對美國東北部O3濃度的預報效果，并指出模式中不合理的云覆蓋方案是模式高估云條件下O3濃度的原因。Honore等[7]檢驗了PREV’AIR系統對法國的PM10、O3和NO2濃度準確性，并指出集合預報和觀測數據同化是提高該系統性能的可能方向。陳煥盛等[8]對空氣質量多模式系統在廣州對PM10的預報效果進行了評估，指出優化排放源空間分布并引進更佳的集合預報方法是改進該系統的重要方向。趙秀娟等[9]對北京區域環境氣象數值預報系統進行檢驗，指出2014年該系統對京津冀及其周邊地區PM2.5質量濃度預報效果較好，但隨著預報時效延長預報效果略有下降。周光強等[10]對華東區域大氣環境數值預報業務系統在2個PM2.5高濃度階段的業務預報效果進行評估，評估顯示該系統具有較好的預報效果，各城市的PM2.5質量濃度相關系數基本在0.5以上，但人為源清單的不確定性和氣象-污染的雙向反饋作用不足影響了系統的預報準確性。潘錦秀等[11]對NAQPMS模式進行京津冀區域重污染天氣過程預報進行檢驗，指出系統提前3d預報重污染天氣過程的準確率可達57%，但WRF氣象模式對中低層天氣系統位置及強度預報偏差是導致靜穩型污染過程早報和晚報的一個重要原因。蔡子穎等[12]對2014～2016天津地區重污染天氣類型進行劃分，并評估天津環境氣象數值模式在不同天氣背景下的PM2.5質量濃度和重污染天氣過程的預報效果，指出低壓槽天氣時模擬值明顯偏低，冷鋒前低壓區、華北地形槽和低壓過程模擬值略有偏低，高壓前和高壓底部天氣模擬值略偏高。

成都市環境保護科學研究院自主開發了成都市空氣質量預報系統，該系統主要用于日常空氣質量預報預警、數值模擬源解析和空氣質量措施響應評估等工作，用以避免或減輕空氣污染的影響。成都市由于其特殊的地形，且易受青藏高原特殊氣象影響，使模式的適用性受到一定程度的挑戰。因此，有效評估模式系統在成都的預報效果，了解預報誤差的來源和程度，有利于對模式系統有針對性的改進。本文介紹了成都市空氣質量預報系統，并利用多種方法評估系統對2017年2月成都市的氣象要素、PM10、PM2.5、SO2和NO2的24h預報效果，為進一步改進系統預報效果提供依據。

2 CDAQNFS空氣質量預報系統及觀測數據

2.1 CDAQNFS空氣質量預報系統

成都市環境保護科學研究院自主研發的空氣質量模擬系統(CDAQNFS)框架如圖1所示，于2013年12月首次實現業務化運行。隨后課題組以成都市現有大氣環保科研技術成果為基礎，進行深入挖掘，結合我市現狀，建立基于天氣研究與預報模型(WRF)的本地化大氣環流模擬系統，耦合成都市現狀土地利用類型數據，提高氣象數值模擬的準確性，結合成都市現狀排放清單與大氣污染源成分譜數據，建立本地化高分辨率排放清單處理模型，與本地排放清單編制體系實現無縫銜接，并生成適用于城市級空氣質量模擬的高時空分辨率、多物種的網格化排放清單。在此基礎上，驅動第三代空氣質量模型，實現空氣質量業務化預報。

圖1 成都市空氣質量模式預報系統框架Fig.1 The framework of chengdu air quality numerical forecast system

2.2 模式設置

成都市業務空氣質量數值預報模型采用雙層嵌套運行(圖2)，模型中心經緯度為104°E，30°42′N，第一層網格分辨率為88×88×6KM，覆蓋四川盆地，第二層網格為121×4×2KM，覆蓋成都市及周邊核心城市(德陽、綿陽、眉山和資陽)。在之前研究的基礎上[13]，通過開展針對微物理方案的13個測試、針對輻射方案的25個測試、針對noah土地利用類型的156個測試、針對邊界層、陸面過程和地表層的575個測試，最終選定了最優方案，但受限于篇幅，此處不進行深入說明，核心參數配置如表1。

圖2 (a)模型2層嵌套區域設置和(b)氣象和空氣質量監測站點空間分布Fig.2 (a)Two nested model domains and(b)spatial distribution of the meteorology and air quality monitoring stations

表1 成都市空氣質量數值預報系統核心參數配置Tab.1 configuration of core parameter chengdu air quality numerical forecast system

2.3 排放源處理

系統采用稀疏矩陣排放模型(SMOKE)對排放清單進行處理，得到模型所需的四維網格化排放清單。排放清單包括4部分：一是成都市全域排放清單使用2016年度大氣污染源排放清單[14～18]；二是成都經濟圈(德、綿、眉、資)四市采用2014年排放清單，部分數據根據經濟、人口等大數據進行訂正，使其符合2016年情況；三是盆地其他地區采用清華大學MEIC2012年度排放清單，并使用大數據訂正至2016年，部分清單采用嵌套方式使用，均取實效性最高、分辨率最高、排放清單分類最完整的清單用于模型模擬；四是天然源排放清單，采用成都市環境保護科學研究院開發的SimpleBIO排放模型[19]進行計算，用于考慮天然源VOCs對二次有機氣溶膠及臭氧的影響。

2.4 觀測數據

本文利用2017年2月成都市氣象局的逐小時氣象觀測資料評估WRF的預報效果，并利用成都市環境監測中心站2017年PM10、PM2.5、SO2、NO2的逐小時濃度值評估預報效果。

3 預報效果評估與討論

3.1 氣象預報評估

氣象場預報結果對污染物濃度預報準確性影響高，PM2.5濃度通常與相對濕度呈正相關，而與風速呈負相關[20]。成都市位于四川盆地邊緣地區，中心城區西側為龍門山脈，東側為龍泉山脈，地形相對較封閉，具有靜小風頻率高、濕度大、中性及穩定性天氣多、逆溫出現頻繁等氣候特征。劉培川等[21]曾利用2013年成都地區空氣質量資料，并用WRF模式對成都地區污染天氣和清潔天氣背景下的邊界層氣象要素進行模擬。本文選取溫江國家基準氣候站為氣象觀測數據對比站點(坐標為30°45′N，103°52′E，海拔高度為547.7m)，該站承擔了包括溫度、濕度、風、氣壓、降水等地面氣象要素的觀測工作，同時氣象觀測數據具有逐小時值。根據模式預報與實測數據的變化趨勢對比情況可見(圖3)，模式對個別時間點的氣象要素峰谷值預測具有差異，但總體來看，預報值和實測值具有較好的一致性，模式能較好的預測各氣象要素的變化趨勢。表2為氣象預報效果統計分析，其中，氣壓和的氣溫預報效果最好，其預報值和觀測值的相關系數r分別為0.97和0.81，其均方根誤差(RMSE)和平均偏差(MB)均較小，特別是地面氣壓的平均分數誤差(MFE)和平均分數偏差(MFB)均為0%；相對濕度預報效果次之，其預報值和觀測值的r為0.72，RMSE和MB分別為11.74%和-0.54%，MFE和MFB分別為8%和-1%；風是局地性最強的氣象因子之一[22]，對個別極大風速難以準確模擬，但總體上風向模擬較為一致，風速預報值和觀測值的r為0.49，RMSE、MB和MFB分別0.98 m/s、-0.02 m/s和-3%，但MFE較大為34%；數值模式模式對于個別降水過程的量級及時間把握不夠準確，相關系數r僅為0.24，MFE和MFB值較大，但RMSE和MB小，且基本能夠模擬出降水過程。總體而言，對比陳煥盛等[8]和盧苗苗等[23]的研究結果，WRF能較好的模擬成都市主要氣象要素的逐小時變化情況，為CMAQ提供了可靠的氣象數據。

圖3 WRF模型對2017年2月成都站風場、氣溫、相對濕度、氣壓和降水的預報與實況對比Fig.3 Comparisons between the forecasted wind,temperature,relative humidity,pressure and precipitation by WRF and observations in Chengdu in Oct 2017

表2 氣象預報效果統計分析Tab.2 statistical analysis of the meteorological forecast performance

注：表中相關系數均通過0.001的顯著性檢驗。

3.2 顆粒物及其前體物預報效果評估

3.2.1 空間分布對比

大氣顆粒物濃度不僅受源排放影響，而且受到氣象擴散條件影響。大氣顆粒物濃度與氣象要素一樣，具有局地性的特點。同時，空氣質量監測站點與氣象站觀測站點類似，根據實際情況選取具有代表性的地區設置站點并采集實況數據，而且站點并不是均勻分布的。因此，本文采用處理氣象觀測數據類似的插值法來繪制大氣顆粒物濃度的空間分布圖。圖4為2017年2月成都市中心城區共計15個站點的PM10、PM2.5、SO2、NO2的監測實況濃度與模擬預報濃度的月平均空間分布圖。從PM10實況濃度分布圖來看(圖4a)，成都市PM10整體呈西部濃度偏高，東部濃度偏低的分布特征，高值中心位于雙流；對比模擬預報濃度分布圖，PM10空間分布與實況濃度相似，也呈西部偏高東部偏低的分布特征，但高值中心略偏東，主要位于武侯區，且模擬濃度值偏高，模型使用的排放清單中揚塵的排放情況可能與實際存在一定差異。對比PM2.5實況濃度和模擬預報濃度的分布圖(圖4b)，成都市PM2.5實況呈東南部濃度值偏低的分布特征，有兩個明顯的高值中心，一個高值中心位于新都區與青白江區的北部，另一個高值中心位于溫江區與雙流區的西部；而模擬預報濃度分布圖僅有一個高值中心，位于武侯區、雙流區和青羊區，對青白江區的PM2.5濃度值有明顯的低報，說明除揚塵清單與實際存在差異外，區縣的顆粒物排放也可能存在低估。由SO2的實況濃度與模擬預報濃度分布圖可知(圖4c)，兩者均呈SO2由東北向西南濃度值逐漸降低的分布特征，溫江區、郫都區和新都區為SO2的高值區，天府新區、龍泉驛區和青白江區為SO2的低值區，但實況與模擬的濃度數值差異較大。NO2的模擬效果較好(圖4d)，高值中心均位于五城區(青羊區、錦江區、武侯區、成華區和金牛區)，這是由于五城區機動車保有量占成都市機動車總保有量的38%，而五城區NO2排放分擔率達42%以上[16]。

圖4 2017年2月監測實況濃度(左)和模式預報月均值濃度(右)的空間分布(μg/m3)(a)PM10(b)PM2.5(c)SO2(d)NO2Fig.4 Spatial distributions of monthly mean observaed concentrations and the forecasted monthly mean concentrations in Feb 2017 (a)PM10 (b)PM2.5(c)SO2(d)NO2

3.2.2 時間序列對比

利用成都市中心城區7個國控站點(金泉兩河、十里店、三瓦窯、沙河鋪、龍泉驛區區政府、大石西路和君平街)實況與模擬預報的逐小時平均值對比，對空氣質量模型進行驗證。從時間序列圖上看(圖5)，模式預報值與實況觀測值總體上具有較一致的變化趨勢，NO2的一致性最高，顆粒物的一致性次之，SO2的一致性相對較差。其中，在2月上旬(2月1日～7日)有一次預報高報過程，這可能與同期氣溫預報偏高有關；2月14～16日也出現一次對PM10和PM2.5的顯著高估，這可能與同期風速預報偏低和相對濕度預報偏高有關。

圖5 2017年2月成都市PM10、PM2.5、SO2和NO2小時模式預報和實況觀測濃度對比Fig.5 Comparisons between hourly observations and the forecasted hourly concentrations in Feb 2017(a)PM10 (b)PM2.5(c)SO2(d)NO2

3.2.3 散點分析

散點圖可反映預測值對觀測值的高估或低估。由圖6可知，NO2的預報效果最好，散點大多集中于y=x附近，呈收斂趨勢，但存在低報現象；PM10和PM2.5次之，存在不同程度的高報現象；SO2有顯著的高報現象，說明排放清單可能對SO2存在顯著高估。成都市環境保護科學研究院空氣質量模擬系統使用的2018版排放清單能夠更好反映成都及周邊地區SO2的排放情況，以2018年1月模擬結果為例，SO2平均濃度為13.1μg/m3(對應實測濃度為11.3μg/m3),與實測濃度水平基本相符，但由于本預報系統排放清單結構與模擬系統差異較大，暫時難以將新版排放清單更新至系統中。

圖6 2017年2月成都市PM10、PM2.5、SO2和NO2小時預報和觀測濃度散點圖Fig.6 Scatter plots of the forecasted and observed hourly concentrations in Feb 2017(a)PM10(b)PM2.5(c)SO2(d)NO2

3.2.4 統計分析

通過統計分析對模式的預報能力進行定量評估，表3統計了各項污染物小時濃度的預報效果。從相關系數來看，PM2.5的r最大，為0.52；PM10和NO2的r次之，分別為0.48和0.43；SO2的r最小，為0.08，這與SO2存在顯著高報現象有關。均方根誤差表征預報值與真值間的偏差，SO2和NO2的RMSE較小，分別為22.38 μg/m3和23.03 μg/m3；PM2.5的RMSE為47.69 μg/m3；而PM10的RMSE為77.52 μg/m3。PM2.5、PM10和SO2的平均偏差為正值，而NO2的平均偏差為負值，表明模式高估PM2.5、PM10和SO2的濃度，而低報NO2的濃度。Boylan and Russel等[24]將平均分數誤差(MFE)和平均分數偏差(MFB)作為衡量模式對顆粒物預報可信度的指標，當MFE小于50%且MFB小于±30%時，模式對顆粒物的預報表現為優秀；當MFE小于75%且MFB小于±50%時，模式對顆粒物的預報表現為可接受。由表可知，PM10

表3 2017年2月小時濃度與實測濃度的統計分析Tab.3 Statistical analysis of the forecast hourly concentration and the measured hourly concenrtration in Feb 2017

(表中相關系數均通過0.001的顯著性檢驗)

和PM2.5的MFE均為32%(小于50%)，同時其MFB分別為1%和﹣1%，遠遠小于30%。可見，成都市空氣質量模擬系統對顆粒物的預報性能為優秀。

3.3 討 論

成都市空氣質量預報系統目前對成都市主要污染物濃度和變化趨勢均具有較好的預報能力，但仍存在一些不足。污染物模擬濃度和實測濃度之間仍存在波動，未來可針對不同排放源的小時變化進行更新，提高小時尺度排放清單分辨率。污染物模擬濃度空間分布與實測之間仍存在差異，未來可及時更新最新的源排放清單，引入多樣的空間分配因子用以優化源的空間分布，優化區域清單，同時結合成都地區污染天氣分型結果[24-25]，提高對區域性污染過程的預報能力。

4 結 論

本文介紹了成都市空氣質量預報系統的模式設置和排放源處理，并從空間、時間序列、散點和統計分析等角度評估了系統對2017年2月成都市的氣象要素和PM10、PM2.5、SO2、NO2小時濃度的24小時預報效果。結果表明：

4.1 WRF能較好的模擬預報成都市主要氣象要素的逐小時變化情況，平均氣溫、平均氣壓和平均相對濕度的相關系數均在0.72以上，其中平均氣壓的相關系數高達0.97；平均風速的相關系數為0.49，但模式預報與觀測值平均偏差僅為-0.02 m/s；累積降水的相關系數為0.24，仍需優化對降水的預報。

4.2 模式系統能合理反映各污染物的時空分布，其中SO2的空間分布模擬效果最佳，而在新都區和青白江區的北部存在的PM2.5濃度低估；從時間序列可知，模式預報值與實況觀測值總體上具有較一致的時間變化趨勢，NO2的一致性最高，顆粒物的一致性次之，SO2的一致性相對較差；從散點圖可知，對NO2存在一定程度上的低報，對顆粒物的預報存在不同程度的高估，而對SO2有顯著的高估。

4.3 通過統計分析對模式預報能力進行定量評估發現，模式對PM10和PM2.5的預報效果均達到優秀水平；NO2的預報值與實況值相關系數為0.43，其均方根誤差、平均偏差、平均分數誤差和平均分數偏差等統計值較小，預報效果較好；而SO2的預報值與實況值的相關系數僅為0.08，由于SO2排放主要來自于高架源，清單在分布及量級上的準確率對預報結果存在較大的影響。