云量数据选用对AERMOD模式预测结果影响的差异性分析

张瑞欣， 仝纪龙， 潘 峰， 杜 超

（兰州大学大气科学学院， 甘肃 兰州 730000）

0 引言

为提高环境影响预测结果的准确性HJ 2.2—2008《环境影响评价技术导则—大气环境》[1]在推荐模式清单中引入了较高精度的大气环境影响预测模式—AERMOD模式。由于空气中污染物浓度的时空分布和变化与气象条件密切相关[2]，因此，在使用AERMOD模式进行环境影响预测时需输入评价地的地面气象观测数据，模式运行需要5个必须的气象要素，包含风向、风速、总云量、低云量、干球温度[3]，这些最基本的气象要素将直接影响到污染物的扩散方向和扩散参数，其中总云量与低云量必须输入实测值数据[4-6]。而中央气象局最新颁布的《地面气象观测业务调整技术规定》对气象观测业务进行了调整，即一般站取消云量、云高、云状观测。基准站、基本站保留云量、云高观测，取消云状观测[7]。目前，我国基准站和基本站虽可提供云量观测资料，但因各测站之间距离相隔较远，布站密度并不完全能满足导则对于地面气象站距项目所在地小于50 km的要求[8]，一般自动站云量观测数据缺失，这就给环评工作的开展带来了不便。在使用AERMOD进行环境影响预测过程中，模式所需的总云量数据可以通过卫星数据的反演获得，刘健等[9]利用自行研发的云检测算法及云量计算方法，计算得到的卫星总云量与地面观测总云量的月间平均相关系数大于0.70。刘瑞霞等[10]将ISCCP与常规观测资料进行对比，发现7月二者具有较好的一致性，同时，7月ISCCP总云量精度高于1月。上述研究均表明：尽管观测手段和资料处理方法不同，但卫星数据反演得到的总云量与常规观测的总云量之间有很好的一致性，可以反映当地的总云量特征。相较于总云量数据评价地的低云量数据获取难度较大，李传丰[11]分析了地表气象参数、高空气象参数对AERMOD运行结果的影响，结果表明：低云量发生变化时，显热通量、地面摩擦速度、对流速度、对流高度城市边界层高度层、湍流高度生成边界层高度层和长度也会随着变化。因此，研究低云量数据对AERMOD模式预测结果的影响具有重要的现实意义。

针对目前一般地面气象站低云量观测数据获取难度的问题，本文以云量数据的选取为研究对象,采用单因子分析法，在源强参数和地形条件一定的情况下，使用地面气象观测站逐日逐次的气象观测数据，分别在有低云量数据和无低云量数据2种情形下，利用AERMOD模式预测模拟点源和面源的环境影响，并定量化的说明云量数据的选取对模式预测结果的影响程度，为今后在低云量观测数据不易获取的情况下使用AERMOD模式开展环境影响预测工作提供一些参考。

1 实验设置

采用单因子分析法，在复杂地形条件下，给定模式其他参数主要研究云量数据选取对AERMOD模式点源和面源预测结果的影响，具体预测方案及模式参数设计见表1～表4。

1.1 预测方案

本次研究共设置4种方案，详见表1。

表1 预测方案设置

其中方案1为方案3的对比方案，方案2为方案4为对比方案。

1.2 AERMOD 模式参数选取

1.2.1 污染源参数

选取SO2和NO2为污染因子，污染源排放基本参数见表2和表3。方案1与方案3，方案2与方案4的污染源参数设置相同。

表2 点源排放参数

表3 面源排放参数

1.2.2 地面气象数据

地面气象数据采用距污染源最近气象站2015年全年逐日逐次的气象观测数据，主要包含每日8次（02，05，08，11，14，17，20，23 时）地面风速、风向、总云量、低云量、干球温度观测资料，经AERMOD模式气象处理预模块插值成每日24次的地面气象数据。其中，春（3，4，5 月）、夏（6，7，8 月）、秋（9，10，11月）、冬(12，1，2月)低云量与总云量平均比例分别为：0.25，0.52，0.41 和 0.37，由此可知，低云量在一年四季中与总云量的比例存在较为显著的差异。另外，该气象站距污染源的距离小5 km,气象站所在地地表特征与预测点基本一致，数据具有良好的代表性。

1.2.3 高空气象数据

高空气象数据采用美国怀俄明州大学站点提供的距污染源最近探空站的探空数据。主要包括2015年全年逐日0和12时的探空数据层数、气压、离地高度、干球温度、露点温度、风速、风向等项。探空站点与预测点间距离小于50 km，探空数据满足HJ 2.2—2008《环境影响评价技术导则—大气环境》要求。

1.2.4 地形数据

本次预测模拟采用USGS(美国地质调查局)DEM地形高程数据，地形数据精度为90 m×90 m。

1.3 计算点选取

为更准确的得到低云量数据对AERMOD模式预测结果的影响，本次研究共选取了12个计算点，分布在污染源的不同方位，且距污染源的距离有显著差异。计算点具体方位及参数见表4。

表4 计算点参数

2 模式预测结果对比

本研究采用占标率的变化幅度和柱状图对比的方法，将2组实验的结果进行对比分析，再利用符合度指数说明2组实验预测结果的符合程度。

2.1 占标率变化幅度

式中：Pi为方案 3，4的预测值；Qi为对比方案 1，2的预测值。

本次实验对比所用的标准值均取GB 3095—2012《环境空气质量标准》中的二级标准限值。

2.1.1 实验1占标率的变化幅度

实验1各计算点SO2，NO2小时、日均、年均浓度最大值占标率变化幅度见表5。

表5 实验1各计算点SO2，NO2小时、日均、年均浓度最大值占标率变化幅度%

由表5可知，2种污染物在各个计算点的小时、日均、年均浓度最大值占标率的变化幅度均很小,除计算点5 h浓度占标率变化幅度外，其余占标率变化幅度均在1%以内，说明无云量数据对点源预测结果几乎没有影响。其中：①SO2，NO2小时浓度占标率变化幅度除计算点5外均在-0.02%～0.16%范围之内。在计算点5处SO2，NO2小时浓度的变化幅度分别为 4.58%，4.71%； ②SO2，NO2日均浓度占标率变化幅度范围分别为 0% ～ 0.06%，0% ～ 0.09%；2 种污染物年均浓度占标率变化幅度范围分别为0%～0.09%，0% ～ 0.05%。

2.1.2 实验2占标率的变化幅度

实验2各计算点SO2，NO2小时、日均、年均浓度最大值占标率变化幅度见表6。

表6 实验2各计算点SO2，NO2小时、日均、年均浓度最大值占标率变化幅度%

由表6可知，除计算点6 NO2年均浓度占标率变化幅度为4.05%外，2种污染物在各个计算点的小时、日均、年均浓度最大值占标率的变化幅度均在3%以内,因此，有低云量数据对面源预测结果的影响不大。其中：①SO2，NO2小时浓度占标率变化幅度均在-0.33% ～ 0.09%，-1.04% ～ 0.17%范围之内；SO2，NO2日均浓度占标率变化幅度范围分别为-1.08% ～ 1.37%，-2.59% ～ 2.47%；SO2，NO2年均浓度占标率变化幅度范围分别为-2.76%～1.25%，-4.05%～1.82%；②结合表5分析可知，无低云量数据时，面源预测浓度在各个计算点占标率的变化幅度比点源更显著，这是由于面源多为无组织排放，排放高度较低，受近地面层影响较大，而AERMET气象预处理模块在近地面层利用云量数据计算近地面层扩散参数[12]，从而对模式的面源预测结果影响较大。

2.2 预测结果柱状图对比

2.2.1 实验1预测结果柱状图对比

方案1与方案3预测结果对比见图1。

图1 方案1与方案3预测结果对比

通过方案1和方案3预测结果的对比，我们可以看出对于点源的预测，计算点5 SO2小时浓度最大值变化最为显著，约为0.02 mg/m3。其余各点无低云量数据时SO2，NO2小时、日均、年均浓度最大值均无显著变化。

2.2.2 实验2预测结果柱状图对比

方案2与方案4预测结果对比见图2。

图2 方案2与方案4预测结果对比

从方案2和方案4预测结果的对比中可以看出，对于面源的预测，无低云量数据时12个计算点的小时浓度最大值均无显著变化，从日均浓度最大值的变化来看，无低云量数据时计算点4的SO2，NO2日均浓度最大值变化较大，分别约为 0.03，0.04 mg/m3；从年均浓度最大值的变化来看，无低云量观测数据时计算点10的SO2，NO2年均浓度最大值变化较大，分别约为 6.0 × 10-5， 2.0 × 10-5mg/m3。

2.3 符合度指数

为进一步说明有无低云量数据对模式预测结果的影响，引入符合度指数的概念。符合度指数（d）由（2）式定义,其值在 0.0 与 1.0 之间变化,d越接近于1.0表明模式的预测结果越吻合[13]。

式中：Pi为方案 3，4 的预测值；Qi为对比方案 1，2 的预测值；为对比方案的平均值；N为为计算点总数，12。

在本次研究中，分别利用实验1与实验2在12个敏感点处得到的预测值计算符合度指数，结果见表7。d越小说明有低云数据和无低云数据2种情形下模式估算值之间的差异越小，低云量数据对模式预测结果的影响越小。

表7 不同情形下的d值

由表7可知，对于点源，除SO2小时浓度符合度指数为0.967 7外，其余情形下，符合度指数均大于0.99，进一步说明无低云量数据时，AERMOD模式对点源的预测结果基本无影响。SO2小时浓度符合度指数相对较低是因为受到计算点5的影响。

对于面源，模式预测的2种污染物小时、日均、年均浓度符合度指数均大于0.99，低云量对面源的预测结果影响很小。但从点源与面源符合度指数整体的对比上来看，低云量数据对面源预测结果的影响略大于点源。

3 结论

本文采用单因子分析法，选取SO2和NO22种污染物,设计了2组实验分别探讨了云量数据的选取对AERMOD模式点源和面源预测结果的影响。通过对实验1与实验2结果的分析，可以看出：

（1）对于点源，从柱状图可以看出，无低云量数据与有低云量数据2种情形下，SO2和NO2在12个计算点的小时、日均、年均浓度最大值均没有明显差别。结合2种情形下占标率变化幅度的分析，2种污染物的小时、日均、年均浓度占标率变化幅度均在1%以内，无显著变化，其中，SO2小时浓度占标率变化幅度在计算点5处分别为4.58%，4.71%。另外，2种污染物在有低云量观测资料与无低云量观测资料情况下预测结果的符合度指数分别在0.967 7～0.999 9，0.991 9 ～ 0.999 9 范围之内，预测结果符合程度很高。

（2）对于面源，从预测结果柱状图上的对比上可以看出无低云量数据与有低云量数据时，除计算点6 NO2年均浓度占标率变化幅度为4.05%外，2种污染物在各个计算点的小时、日均、年均浓度最大值占标率的变化幅度均在3%以内。从符合度指数来看，SO2和NO2模式预测结果的符合度指数分别在0.998 4～0.999 8，0.998 4 ～ 0.999 6 范围之内，因此，低云量数据对模式面源预测结果影响不大。

（3）从方案1与方案3，方案2与方案4各计算点小时、日均、年均浓度最大值占标率变化幅度和符合度指数来看，整体上无低云量数据对面源的影响大于点源，这是由于面源多为无组织排放，排放高度较低，受近地面层影响较大，而模式气象预处理模块在近地面层是利用云量数据推导边界层扩散参数的，从而导致了低云量数据的缺失对面源的预测结果影响较为显著。

综上所述，运用AERMOD模型进行点源和面源预测时，在保证使用总云量数据的情况下，无低云量数据对模式预测结果的影响很小，可以忽略不计。