空气质量多模式预报系统在中山市的应用

蒋争明，徐迅宇，陈吟晖，彭海辉，陈焕盛，黄晓波，黄向锋，麦健华

1.中山市环境监测站，广东 中山 528400 2.中国科学院大气物理研究所，大气边界层物理和大气化学国家重点实验室，北京 100029 3.中科三清科技有限公司，北京 100107 4.中山市气象台，广东 中山 528400

中山市位于中国珠江三角洲中南部，珠江口西岸，北连广州，南连珠海，西连佛山、江门，毗邻香港和澳门，总面积为1 783.67 km2，常住人口为314.23 万。近年来，中山市城市化和工业化的进程加快，机动车保有量迅速增加。中山市地理位置特殊，依山傍海，一旦遭遇持续的不利气象条件，空气污染物便会不断积累，导致中山市空气质量迅速变差[1]，特别是 2013 年发生了多次持续性空气污染[2]，空气污染问题日益突出[3]。为应对广大公众和环境管理部门对空气质量改善的紧迫需求，亟需建设空气质量预报体系，进行空气质量未来状态和变化趋势预报，为环保部门提供科学的管理和政策咨询建议，便于管理部门及时采取控制措施，同时也满足公众对空气质量变化的知情权。近年来气象模式和污染模式相结合的数值预报系统研究迅速发展,数值预报以其完善的理论基础、合理的模式设计、定时定量的预报效果成为空气污染预报的发展趋势[4]，已在全国得到广泛应用[5-8]，数值预报模式还具备污染来源解析和去向追踪的功能[9]，为重污染天气应急措施的开展提供关键技术支持。

1 中山市空气质量多模式预报系统概述

中山市空气质量预报预警系统是中山市2014年十大民生实事之首“进一步改善空气质量”的重要内容之一，于2014年5月启动系统建设，2014年12月建成。中山市空气质量多模式集合预报系统由中山市环境保护局、中科院大气物理研究所、华南理工大学联合开发建立，其数值预报模型包括中科院大气物理研究所自主研发的嵌套网格空气质量预报模式系统NAQPMS、美国环保署推荐的CMAQ和CAMx等3个模式。系统综合考虑了中山市及其周边地区的地形状况、各种大气污染物的排放情况及污染物在空气中的各种物理化学变化规律，可预报未来7 d空气质量状况、可能出现的大气污染过程及主要污染物的来源。

模式计算采用四重嵌套区域设置，第一区域为东亚区域(D1)，水平分辨率为81 km；第二区域为中国华南区域(D2)，水平分辨率为27 km；第三区域为广东省及其周边省份(D3)，水平分辨率为9 km；第四区域为中山市及周边(D4)，水平分辨率为3 km。模式计算垂直范围从地面到20 km高度，垂直不等距分为20层。

预报系统的气象场由中尺度气象模式WRF计算得到，其初始和边界条件采用NCEP数值天气预报中心GFS数据集全球预报分析资料。WRF模式第一区域时间积分步长设定为120～180 s，冬季天气系统较为稳定，积分步长设置较大，夏季对流型天气系统活跃，积分步长设置较小，第二区域和第三区域的积分步长依据网格分辨率等比例缩小，模式输出频率为每小时1次。WRF模式垂直方向上采用地形跟随坐标系，垂直分为30层。

模式系统中，中山市排放清单由中山市环保局建立，基准年为2013年，包括农业源、工业源、电厂源、居民源、交通源、扬尘等人为排放源，同时考虑生物源和生物质燃烧等其他排放源；广东省其他地区排放源清单来自尹沙沙等[10]建立的2012年广东省排放源清单；香港地区排放源清单则来自香港环保署；其他地区则采用清华大学发展的MEIC[11]区域尺度清单。不同尺度的排放清单通过SMOKE排放源处理模型处理、融合后与空气质量数值模式对接。

模式计算以前日北京时20：00为起点，计算未来192 h的气象场和污染物浓度场，以实现未来24、48、72、96、120 h的区域-城市空气质量预报，以及未来6～7 d可供参考的区域污染趋势预测，预报输出结果的时间分辨率为1 h。多模式集合预报系统可提供多种数值预报产品供预报员参考，输出污染物包括细颗粒物(PM2.5)、可吸入颗粒物(PM10)、臭氧(O3)、二氧化氮(NO2)、二氧化硫(SO2)、一氧化碳(CO)6种主要污染物以及AQI数值预报，此外还提供不同区域和高度的天气预报图、前后向污染轨迹图、污染来源追因、大气边界层高度分布、气溶胶光学厚度分布和大气能见度，点位污染物浓度和气象要素时间序列图等产品，图1给出部分预报产品示例。

2 多模式预报效果评估

利用监测数据，对2015年3月1日—2016年2月29日(共1 a)空气质量模式的预报结果进行对比评估。中山市区有4个国控点位(含1个背景对照点)，中山市日平均浓度为华柏园、紫马岭和张溪3个监测点位日平均浓度的平均值。各模式预报数据选取空气质量多模式预报系统D4区域24 h预报结果。

2.1 SO2多模式预报结果评估

对于SO2来说，NAQPMS、CMAQ和CAMx 3个模型均较好地预报了SO2日均值的变化趋势(图2)，特别是春季和秋季，各模式在2015年3—5月和9—11月间SO2预报和实测日均值的相关系数为0.56～0.62(表1)。3个模型对SO2日均值的预报均总体偏高，冬季高估最显著，其次是秋季、夏季和春季，各模式SO2日均预报值的标准平均偏差为64.3%～332.8%。由于近几年中山市禁燃高污染燃料、淘汰或改造升级高污染燃料锅炉，同时周边地区也加强控制措施，SO2排放量较2013年有较大减少，而多模式预报系统使用的污染源排放清单是2013年建立的，在预报评估期间未进行任何更新，因此3个模型对SO2预报值均普遍性偏高。

2.2 CO多模式预报结果评估

对于CO，NAQPMS、CMAQ和CAMx 3个模型能较好地预报CO日均值变化趋势，3个模型在不同季节对CO日均预报值与实测值的相关系数介于0.29～0.68之间，但不同季节各模式的预报性能有所不同。冬季各模式对CO日均预报值与实测值的相关系数最高达到0.43，秋季和春季最高达到0.53，而夏季相关系数最高，达到0.68。除NAQPMS模式外，其他模式对CO均有系统性低估(图3)。

机动车是CO排放的主要来源，近年来中山市机动车保有量迅速增加，从2013年的87.84万辆增加到2015年的103.39万辆，机动车排放量较2013年有显著增加，根据《2013年中山市排放源清单研究报告》，机动车排放的CO占其排放总量的74.3%(图4)。

此外，低估CO排放量是目前所有排放源清单存在的共同问题。因此，3个模型CO日均预报值偏低主要是排放源误差造成。

图3 2015年3月—2016年2月CO实测与模型预报日均值对比Fig.3 Comparison between observations and model predictions of CO daily concentrations from March 2015 to February 2016 in Zhongshan

图4 中山市2013年排放源清单CO排放来源构成Fig.4 The percentage contributions of different sources to CO emissions in Zhongshan based on the 2013 emission inventory

2.3 NO2多模式预报结果评估

对于NO2，2015年3月—2016年2月国控站平均NO2日均浓度对比如图5所示，模拟性能统计参数参见表1和表2。

表2 各模式对研究中NO2日均值预报效果统计分析Table 2 Statistical analysis of the model performance on prediction of NO2 daily concentrations

图5 2015年3月—2016年2月NO2实测与模型预报日均值对比Fig.5 Comparison between observations and model predictions of NO2 daily concentrations from March 2015 to February 2016 in Zhongshan

对比结果表明: NAQPMS、CMAQ和CAMx 3个模型对NO2的预报趋势较一致，模式预报值与实际监测值比较吻合，各空气质量模式预报值与观测值相关系数为0.60～0.70，但也可以发现3个模式均高估NO2浓度，偏高比例为2.8%～100.5%。

2.4 PM10多模式预报结果评估

对于PM10，3个模型能较好地预测PM10日均值变化趋势，但不同季节各模式的预报性能有所不同，NAQPMS模型夏季对PM10预报性能最好，相关系数达到0.76，秋季预报效果次之，相关系数为0.55，总的来说，NAQPMS模型能较好地预测每次污染过程的演变。CMAQ和CAMx 2个模型在夏秋季节对PM10预测效果最好，相关系数为0.55～0.73，CMAQ对PM10冬季的预报效果最差(图6)。此外，与其他模式相比，NAQPMS预报值较实际监测值显著偏高，偏高比例为52.1%～177.8%，这可能是由于NAQPMS模式中干沉降模块低估颗粒物成分的干沉降速率，导致PM10的清除偏少造成。

图6 2015年3月—2016年2月PM10实测与模型预报日均值对比Fig.6 Comparison between observations and model predictions of PM10 daily concentrations from March 2015 to February 2016 in Zhongshan

2.5 PM2.5多模式预报结果评估

各模式对PM2.5的预报效果与PM10类似。从图7可看出，3个模型均可较好地预测PM2.5日均值的变化趋势。NAQPMS模型夏季对PM2.5模拟性能最好，相关系数达到0.84，春季预报效果次之，相关系数为0.54，总的来说，NAQPMS模型能较好地预测每次污染过程的演变。CMAQ和CAMx 2个模型在春夏季对PM2.5预测效果最好，相关系数为0.56～0.77，CMAQ对冬季PM2.5的预报效果最差。与PM10的预报效果类似，NAQPMS模式系统性高估实测PM2.5浓度，特别是冬季，这与模拟的颗粒物成分干沉降速率偏低有关。

2.6 O3多模式预报结果评估

对于O3，NAQPMS模型对O3的预报趋势较好，相关系数为0.15～0.77，并且模型可以合理再现中山市夏秋季节的O3高浓度过程。但也可以发现，在夏秋季节NAQPMS模型预报的O3峰值浓度仍低于实际监测值(图8)。

通过对模型预报偏低时的气象条件进行分析，发现该情况多出现在大陆高压、海上高压和台风外围下沉气流等天气形势下。研究表明，外来源对中山市的环境空气污染物贡献突出[12-13]，当中山市地面以北风或东风为主时，污染物容易从北面上游城市输送到中山，并累积发生空气污染。当地面处于大陆高压、海上高压时，中山市地面风场多表现为北风或东北风，有利于污染物从北面输送到中山并累积发生污染[14-15]。此外，当台风中心位于粤东及福建以东时[16]，受台风西侧外围下沉气流影响，地面风场多表现为东北风或静小风,大气层结稳定，污染物难以扩散，加上高温天气，容易导致O3超标。CMAQ和CAMx模型对O3的模拟也存在同样的问题，均未能准确预报极端气象条件下O3污染事件。3个模式均采用相同的气象场，加上O3预报对于气象条件较为敏感，因此3个模式均低估极端气象条件下的O3浓度，这可能与气象模型未能准确预测出天气系统演变有关。

图7 2015年3月—2016年2月PM2.5实测与模型预报日均值对比Fig.7 Comparison between observations and model predictions of PM2.5 daily concentrations from March 2015 to February 2016 in Zhongshan

图8 2015年3月—2016年2月O3-8 h实测与模型预报日均值对比Fig.8 Comparison between observations and model predictions of O3-8 h daily concentrations from March 2015 to February 2016 in Zhongshan

3 多模式预报效果改善

从上述多模式预报评估结果可以看出，各模式对主要污染物的预报均存在较为显著的系统性偏差，这主要由排放源清单滞后及模式本身缺陷引起。以秋冬季节为例，各模式对CO预报总体偏低而对其他污染物则预报偏高。根据研究经验，排放源清单误差通常是引起污染预报系统性偏差的首要原因。因此，在数值预报改善实践中，降低数值预报系统性偏差最为直接、有效的方法就是调整优化排放源清单。针对以上存在的两大问题，研究对模式系统进行调优，主要涉及2个方面：①参照预报评估结果并根据中山市排放变化趋势估算，对模式系统的排放源清单进行适当调整；②通过文献调研，对NAQPMS模式的颗粒物干沉降速率进行适当调整。图9给出了调优之后模式系统对中山市2016年秋冬季各污染物的预报效果对比。可见，相比2015年，2016年秋冬季不同模式、不同污染物的系统性偏差均有显著降低，预报效果总体得到改善。

图9 2016年11月—2017年1月多模式预报系统预报值与观测值对比Fig.9 Comparison between observations and multi-model predictions of air pollutants concentrations From November 2016 to January 2017

基于该次预报效果改善实践可以看到，排放源清单的滞后性对空气质量预报预警系统的准确性影响较为显著，基于历史预报效果，调整优化排放源清单对预报预警系统性能提升有所帮助。因此，如何快速开发排放源清单，或基于工业企业在线监测数据、车流量实时监测数据和AIS船舶实时轨迹数据等大数据开发实现排放源清单的动态及时更新，是提高预报预警系统性能的方向之一。

4 中山市空气质量预报方法

虽然多模式预报系统能较好地预报SO2、CO、NO2、PM10、PM2.5和O3-8 h的日变化趋势，但由于气象场和污染源清单等输入数据的不确定性，数值模式的预报结果总会存在一定偏差，而且不同模式在不同季节，对不同污染物也会表现出不同的预报性能，所以在预报实践中还需预报员对模型预报结果进行人工订正。

目前中山市开展空气质量预报时，主要参照中国环境监测总站推荐的五步法[17]，即根据数值预报模式值，进行天气形势分析、污染源排放分析、物理化学过程分析、空气质量变化规律分析和预报会商5个步骤预报未来24～72 h空气质量。预报员需根据对天气形势、污染源排放情况、物理化学过程、空气质量历史变化规律的了解，凭借实践经验对模式预报结果进行客观订正，并适时联系市气象局开展预报会商。模式预报结果经过一系列客观订正后，最终得到中山市环境空气质量预报结果。

由于中山市地理位置特殊，依山傍海，空气质量容易受气象条件影响[12-15]，因此天气形势分析是中山市空气质量预报的重要步骤。为全面把握天气形势，需从不同高度由高到低、有针对性地分析各高度层气象条件。以高空大气运动形势判断区域大范围的天气过程，以低空大气运动趋势分析局地气象条件影响，综合评估天气形势对中山市空气质量变化的影响。同时建立污染天气案例库，结合王文丁等[2]和李颖敏等[14]的研究，再利用2015—2016年气象场资料，分析中山市污染日(空气质量等级为三级或以上)天气形势，总结出4种主要污染天气形势：大陆高压型、海上高压型、均压场型和台风外围下沉气流型。表3给出了4种污染天气形势下的污染物平均浓度，从表3可以看出，SO2、NO2、CO、PM10和PM2.5平均浓度均达到《环境空气质量标准》(GB 3095—2012)日均值二级标准，而O3-8 h数值则超出二级标准，O3将是中山市下阶段预报和调控的重点。

表3 2015年3月—2016年2月4种污染天气形势下污染物平均浓度Table 3 The average concentration of air pollutants under four different pollution synoptic patterns during March 2015 to February 2016

5 结论

1)空气质量多模式预报系统为中山市提供了丰富的气象和污染预报产品，评估了2015年3月—2016年2月的模型预报效果，结果表明，多模式预报系统对SO2、CO、NO2、PM10、PM2.5和O3-8 h日均浓度的预报相关系数介于0.5～0.8，表明多模式系统能较好再现主要污染物的日变化趋势，但模式系统对各污染物的预报仍存在显著偏差。

2)基于评估结果，从排放源清单和NAQPMS模式干沉降模块2个方面对模式系统进行了针对性的优化调整，使模式系统的预报偏差得到显著降低。可见，污染源排放清单的持续动态更新是确保模式系统预报效果的重要手段。

3)人工客观订正是对空气质量数值预报的重要补充。中山市主要采用中国环境监测总站推荐的五步预报法。总结并建立了中山市污染天气案例库，发现在典型污染天气形势下，除O3-8 h外其他污染物均能达到空气质量二级标准，表明O3应作为中山市下阶段预报和调控的重点。

4)为提高预报预警系统在中山市实际预报业务中的应用效果，未来可重点从2个方面着手：①逐步实现中山市及周边地区污染源排放清单的动态及时更新；②研究分析极端气象条件下(如台风外围下沉气流)中山O3污染规律并改进模式系统对该类污染事件的预报能力。