安徽地區多模式空氣污染預報效果檢驗與訂正

楊關盈，鄧學良，翟 菁，霍彥峰，于彩霞，吳文玉

(1.安徽省氣象科學研究所大氣科學與衛星遙感重點實驗室，合肥 230031；2.壽縣國家氣候觀象臺，安徽 壽縣 232200；3.中國氣象局淮河流域典型農田生態氣象野外科學試驗基地，安徽 壽縣 232200)

引 言

近年來，隨著經濟高速發展及能源大量消耗，中國污染事件頻發。對于PM2.5等污染物預報能力的增強，有助于對污染過程的預警和防范。隨著數值模式理論與方法的快速發展，數值預報已經廣泛應用于空氣質量預報。目前空氣質量預報模式主要有WRF-Chem、CMAQ、CUACE等。為了能在業務應用中達到最好效果，國內外研究人員對不同的預報模式做了大量的檢驗訂正工作[1-3]。Bencala等[4]曾利用差值分析、趨勢分析等對預報模式進行評估。Schaefer[5]提出了命中率得分(Threat Score，TS)評分的方法。在國內，王宏[6]、劉寧微[7]、陳靜[8]等分別對CAPPS模式在福州、遼寧及石家莊等地的應用效果進行了檢驗和評估。謝敏[9]、許建明[10]和陳彬彬[11]等對CMAQ模式的預報效果進行了評估。周廣強等[12]對WRF-Chem在上海地區臭氧數值預報進行了評估。王曉敏等[13]對多模式夏季4種污染物在石家莊市預報效果進行了對比檢驗。宋丹[14]、王景云[15]等采用統計方法，分別分析了貴陽和北京市空氣質量和氣象要素的關系。目前對多模式的對比檢驗及集成訂正研究較少。本文結合空氣質量監測數據，對中國氣象局環境氣象中心下發的CUACE模式，以及華東區域氣象中心下發的WRF-Chem模式和CMAQ模式效果進行對比評估。

1 資料與方法

1.1 數據介紹

CUACE模式是中國氣象科學研究院自主研發的空氣質量預報模式，其主要目的是為空氣質量及氣候變化模式提供大氣成分計算的通用平臺[16-17]。模式水平分辨率為15 km，時間分辨率為3 h。本文預報資料來源于中國氣象局業務化運行的CUACE模式指導產品，CUACE模式每日20時起報，預報時次為72 h，預報產品包括全國342個地級市未來24 h、48 h、72 h的SO2、NO2、PM10、CO、O3、PM2.5濃度及AQI、空氣質量等級和首要污染物。

華東區域氣象中心基于WRF-Chem模式開發了“華東區域大氣環境數值預報業務系統”[18-19]。該系統以WRF-Chem模式和INTEX-B與清華大學中國多尺度(MEIC,http://www.meicmodel.org/)人為排放清單為基礎構建，預報區域以(32.5°N、118.0°E)為中心，水平分辨率為6 km，水平網格數360(東西)×400(南北)。另外,華東區域中心下發了基于CMAQ模式的預報產品，其預報范圍與WRF-Chem模式的一致，兩者時間分辨率均為1 h。本文采用2017年1月-2018年2月3種模式(CUACE、WRF-Chem、CMAQ)下發的24 h內逐3 h預報產品，以及全國城市空氣質量實時發布平臺(http://106.37.208.233:20035/)獲得的小時實測數據，進行效果對比評估。

1.2 評估與訂正方法

通常對于氣象、環境預報模式評估采用的統計指標包括相關系數(r)、均方根誤差(RMSE)、平均偏差(MB)、標準化分數誤差(MFE)、標準化分數偏差(MFB)、標準化平均偏差(NMB)和標準化平均誤差(NME)等[20-22]。Boylan等[23]認為MFB和MFE指標考慮到了實測值的不確定性，采用實測值與預報值的平均值作為參考值，并且能夠克服NMB和NME在預報值過大或過小時數值不對稱的問題，因而更適用于評估模式效果。本文采用相關系數(r)、均方根誤差(RMSE)、平均偏差(MB)、標準化分數誤差(MFE)、標準化分數偏差(MFB)作為統計量來評估3種模式產品中的濃度預報。在無先驗結果的情況下，并考慮到不同模式由不同部門運行，其時間、空間分辨率可能隨時調整，且排放源等數據均可能隨時調整，在無法評定各模式優劣的情況下，假設各區域模式預報效果近似，因此以算術平均的方式獲得各模式集成預報結果[24-25]。各統計量具體公式如下：

(1)

(2)

(3)

(4)

(5)

(6)

式(1)—式(5)中，Pi為預報值，Oi為實測值，N為樣本總數。其中r反映了預報值與實測值之間的線性相關程度，RMSE反映了預報值同實測值之間的偏差，MB反映了預報值與實測值相比偏大或偏小的絕對數值。Boylan等[23]認為，MFE和MFB相結合可以反映預報值與實測值之間的偏離程度，即模式預報效果的“達標”范圍為-60%≤MFB≤60%、MFE≤75%，而“優秀”范圍為-30%≤MFB≤30%、MFE≤50%。式(6)中，Fave為均值集成結果，m為模式個數，Fmodel為各不同模式的預報結果。

2 結果與討論

2.1 細顆粒物預報效果對比

安徽地區空氣污染首要污染物以PM2.5為主。表1給出了2017年3種模式和集成預報對PM2.5的總體預報效果。由表1可以看出，3種模式和集成預報均能達到“達標”范圍，其中集成預報達到了“優秀”的范圍。CUACE模式和集成預報MB略大于實測值，而其余兩個模式預報值則略小。集成預報的RMSE、MFE和MFB均較3種模式有所減小，其RMSE與WRF-Chem相比減少2.29 μg/m3。總體來看，集成預報的效果優于3種模式的。

表1 PM2.5濃度預報效果統計

圖1給出了實測值與不同模式預報結果的統計方框圖。從圖1看，集成預報各百分位所在區間更為接近實況值，CMAQ的次之，CUACE預報值相對偏離較大。

圖1 PM2.5濃度實況與預報結果分布

為進一步統計不同模式的預報結果落區范圍，利用2倍誤差公式FAC，統計模式預報值落在0.5倍與2倍實況值之間的百分比。3種模式產品的FAC基本一致，在68%～69%(見圖2)。實況值<100 μg/m3的時候，CUACE模式預報值有較多點分布在y=2x斜線之上，說明在低濃度PM2.5情況下，CUACE模式預報值易偏大。CUACE模式偏大的情況為19%，WRF-Chem和CMAQ模式的分別為8%和12%。WRF-Chem預報值y=0.5x及以下的情況在三者中最多，為24%，其次CMAQ的為20%，CUACE的最小，為12%。集成預報的FAC為79%，明顯高于3種模式預報結果，但其偏大比例為11%，略高于WRF-Chem模式的。

圖2 CUACE(a)、WRF-Chem(b)、CMAQ(c)及集成預報(d)與實況對比散點圖

圖3為安徽地區16個地市的不同模式均方根誤差。由圖3可以看出，其結果與表1類似，均為CUACE模式的RMSE最大，有14個地市集成預報的RMSE均低于3種模式預報結果。因此，集成預報方法可有效降低預報值的偏差。

圖3 安徽省16個地市PM2.5各模式的RMSE分布

表2給出了參與評估的16個地市的MFB和MFE。從表2中可以看出，所有地區PM2.5濃度預報結果的MFB、MFE值均符合-60%≤MFB≤60%，MFE≤75%的條件，即CUACE、WRF-Chem和CMAQ及集成預報在安徽省16個地級市的預報結果均達到“達標”范圍。模式預報結果-30%≤MFB≤30%、MFE≤50%時，為“優秀”。由表2可看出，集成預報效果在15個地市達到優秀，僅亳州地區的MFE為51%，略大于50%。

表2 安徽地區PM2.5濃度預報值的MFB和MFE %

從平均偏差(MB)空間分布來看(圖4)，CUACE的在大部分地區偏大，其中在江北地區有4個地市(亳州、六安、合肥和滁州)MB≥20 μg/m3；WRF-Chem在大部分地區預報值略偏小，在宿州偏小20 μg/m3以上；CMAQ在亳州地區MB大于20 μg/m3，在其他地區則略偏小或偏大；集成預報在16個地市均未出現MB大于或小于20 μg/m3的情況。

2.2 其他污染物預報效果評估

圖5為PM10、O3、SO2、NO2和CO 5種污染物濃度的實況和預報方框統計圖。由圖5可見，PM10的預報值均出現均值偏低的情況，其中CMAQ和集成預報均值更接近實況值；由于CUACE和WRF-Chem模式對于O3的預報值偏高，致使集成預報偏高。SO2和NO2的預報效果中，不僅均值還是四分位數，均為集成平均的預報效果最好。從圖5可見，CUACE模式的CO濃度預報顯著偏高，而WRF-Chem和CMAQ模式的則偏低，集成預報較好，均衡了3種模式的偏差，預報值更為接近實況值。

圖5 PM10(a)、O3(b)、SO2(c)、NO2(d)和CO(e)污染物濃度實況和預報方框統計圖

PM10、O3、SO2、NO2和CO 5種污染物濃度與各模式相關關系分析結果表明(圖6)，集成預報和WRF-Chem預報結果與實況的相關性更好。其中，集成預報對于PM10和O3的預報在16個地市中與實況變化趨勢更為接近；而對于SO2和NO2的預報，幾種模式表現均較差；對于CO的預報，WRF-Chem模式在16個地市中除蕪湖外，均優于集成預報結果。

圖6 PM10(a)、O3(b)、SO2(c)、NO2(d)和CO(e)污染物濃度與多模式相關系數

圖7給出了多模式PM10、O3、SO2、NO2和CO 5種污染物濃度預報的RMSE對比。由圖7可看出，對于PM10濃度的預報，集成預報的RMSE更小，其預報值更接近實況值。對O3預報的RMSE分析結果表明，除亳州和黃山市外，其他地區集合預報效果最好，WRF-Chem在大部分地區的預報結果略差于集成預報的。SO2、NO2和CO在不同地市各模式的RMSE變化波動比較大，但總體來看，集成預報在大部分地區的RMSE最小，表明集成預報結果更為接近實況值。

圖7 多模式PM10(a)、O3(b)、SO2(c)、NO2(d)和CO(e)污染物濃度預報的RMSE

Boylan等[23]認為，模式結果的達標范圍為MFE≤75%且-60%≤MFB≤60%，當MFE≤50%且-30%≤MFB≤30%時，則表明該模式可以達到優秀的范圍。針對不同模式對PM10、O3、SO2、NO2和CO 5種污染物濃度預報在安徽地區16個地市的MFE和MFB統計結果見表3。

表3 各模式污染物預報達標及優秀城市個數

從表3可見，CUACE和集成預報對PM10濃度的預報在16個地市均為“達標”，集成預報在7個地市達到優秀。對于O3、NO2和CO濃度的預報，集成預報在安徽省16個地市均“達標”，僅對于SO2的預報“達標”城市個數為13個，略低于WRF-Chem模式的14個。對于以上5種污染物濃度的預報，集成預報達到“優秀”的城市個數，總體多于CUACE、WRF-Chem和CMAQ模式的城市個數。

3 結 論

(1)對于細顆粒物PM2.5濃度的預報，CUACE、WRF-Chem和CMAQ 3種模式在安徽地區均能達到“達標”范圍，三者FAC均為68%～69%，相關系數均在0.5以上，能夠適應業務需要。通過集成平均后FAC達到了79%，相關系數為0.66，該方法有效提高了對PM2.5濃度的預報能力。

(2)分不同地市來看，CUACE在不同地市的RMSE均為最大；集成預報的方法僅在亳州和六安地區的RMSE略大于WRF-Chem模式的，其余14個地市中的RMSE均比3種模式的低。3種模式和集成平均的方法在16個地市均達到了“達標”的范圍。其中，集成預報的方法預報結果在15個地市達到了“優秀”的范圍，WRF-Chem的達到“優秀”的城市為7個，CUACE模式的為6個，CMAQ模式的為5個。

(3)MB空間分布表明，CUACE模式在亳州、六安、合肥和滁州偏大20 μg/m3以上；CMAQ的在亳州偏大20 μg/m3以上，而在沿江江南大部分地區略偏小。WRF-Chem的MB在合肥、蕪湖、馬鞍山以略偏大為主，其余地方的均偏小，在宿州偏小20 μg/m3以上。集成預報在16個地市均未出現MB超過20 μg/m3的情況。

(4)集成預報對于PM10、O3、SO2、NO2和CO 5種污染物的預報整體更為接近實況值。且從相關系數來看，集成預報PM10、SO2、NO2濃度與實況的相關性好于CUACE、WRF-Chem和CMAQ的；對于O3和CO濃度的預報，WRF-Chem的預報與實況相關性更好。集成預報對于PM10、O3、NO2和CO濃度的預報在安徽地區16個地市均能“達標”，且對于6種污染物預報達到“優秀”的城市個數均多于CUACE、WRF-Chem和CMAQ的城市個數。

(5)集成預報的方法能有效改進CUACE、WRF-Chem和CMAQ 3種模式對于PM2.5、PM10、O3、SO2、NO2和CO 6種污染物濃度的預報效果，可為空氣污染預報預警提供客觀參考。