能见度参数化方案优化及在北京地区的应用评估

2020-05-21王继康谢超张天航张碧辉张恒德饶晓琴

环境工程技术学报 2020年3期

王继康，谢超，张天航，张碧辉，张恒德，饶晓琴

国家气象中心

能见度表征大气透明度，与交通安全等社会生活关系密切。能见度受多种因素影响，在清洁地区，雾是影响能见度的主要因素。随着工业化和城市化的发展，气溶胶粒子浓度水平增高，霾成为影响能见度的重要因素[1]。尤其是我国中东部城市群，重污染天气频发[2-3]，随着经济的发展该地区能见度呈下降趋势[4-7]。因此对能见度的预报是重污染天气预报的重要组成部分。

研究人员开发了多种对大气能见度的预报方法，主要分为统计建模预报和数值模式参数化预报2类。统计建模预报主要是利用能见度及与其相关的气象要素建立数学模型，对其进行预报[8-9]。建立能见度与气象要素数学模型的方法有很多，应用较多的为基于神经网络的方法[10-11]。数值模式参数化预报主要基于大气化学模式对颗粒物成分或浓度的预报，根据颗粒物的消光特性建立参数化方案，对能见度进行预报[12-13]，其关键是建立气溶胶消光系数的计算方法。目前，应用较多的为由美国IMPROVE(interagency monitoring of projected visual environments)发起的大气能见度观测项目建立的IMPROVE经验公式[12]。IMPROVE经验公式是利用不同粒径的颗粒物中不同化学组分的消光特性建立的各化学组分质量浓度与消光系数的定量关系。在国内应用的评估结果表明[13-14]，该公式对较低能见度存在高估。Chen等[15]利用气溶胶体积浓度和相对湿度建立了气溶胶消光系数计算方案。胡俊等[16]基于Mie理论建立了不同粒径段下的颗粒物数浓度和气体分子散射特性的消光系数计算方案。赵秀娟等[17]利用气溶胶质量浓度和相对湿度建立回归方程计算气溶胶消光系数。胡俊等[16]对比IMPROVE方案、Chen等[15]方案及Mie理论方案对南京地区能见度的预报结果，发现IMPROVE方案相关系数最高，但是平均偏差最大，Mie理论方案平均偏差最小。赵秀娟等[17]对比改进的Chen等[15]方案、基于颗粒物质量浓度的方案和Mie理论方案对北京地区能见度的预报结果，发现3种方案对高能见度都存在低估，对于低能见度Chen等[15]方案预报效果最好。不同能见度参数化方案之间存在一定的差异，但是由于模式对于高湿条件下气溶胶模拟存在较大不确定性等原因，均出现了对低能见度高估，对高能见度低估的现象。

随着大气化学模式预报订正技术的发展，PM2.5浓度的预报准确率显著提升[18-21]。吕梦瑶等[18]采用非线性动力统计-订正方法对空气质量模式CUACE(China meteorological administration unified atmospheric chemistry environment for aerosols)的预报结果进行订正，结果表明订正后的PM2.5浓度更接近于实测值，误差明显减小，相关系数明显提高。张伟等[21]利用后向传播(back-propagation，BP)神经网络方法集成多模式预报北京市PM2.5浓度，发现可以显著降低误差。张天航等[22]利用多模式最优集成方法预报我国中东部地区PM2.5浓度，结果表明最优集成方法较其他订正方法能显著降低误差。但是大气化学模式订正后的PM2.5浓度预报结果难以应用到现有能见度参数化方案中，并对能见度进行预报。

针对目前能见度参数化方案存在一定的差异和订正后PM2.5浓度预报结果不能应用到能见度预报中的问题，笔者基于PM2.5浓度和相对湿度建立了能见度参数化方案，根据多模式最优集成方法预报的PM2.5浓度对北京市2019-02-18—03-05能见度进行预报，对比了IMPROVE参数化方案和基于神经网络的预报方案对能见度的预报效果，并分析能见度预报的主要影响因素，以期为建立可以利用订正PM2.5浓度预报的本地化能见度预报方案提供参考。

1 数据来源与研究方法

1.1 能见度预报方法

1.1.1不同相对湿度下PM2.5浓度参数化方案

王继康等[23]对全国范围内气象站点能见度和相邻站点PM2.5浓度分析发现，我国中东部大部分站点的消光系数和PM2.5浓度在不同相对湿度下均呈很好的线性关系。尤其是北京市，在相对湿度为20%～90%时，消光系数与PM2.5浓度的相关系数始终在0.90上下波动。PM2.5浓度与消光系数的关系式如下：

δext=a(RH)[PM2.5]+b

(1)

式中：δext为消光系数，m-1；a(RH)为不同相对湿度下PM2.5产生的气溶胶消光效率，m2/μg，包括干物质的消光效率和光学吸湿增长因子；[PM2.5]为PM2.5浓度，μg/m3；b为瑞利散射和气体吸光产生的其他消光系数，m-1。由于本方案中相对湿度高于93%和低于10%的情况下没有对应的参考值(图1)，规定相对湿度大于93%的情况下能见度预报为1 km，对小于10%的情况下能见度预报为30 km。该方案实质上是在缺少PM2.5组分的情况下对IMPROVE参数方案的本地化改进，记作S1方案。

图1 不同相对湿度下气溶胶消光效率和其他消光系数的分布Fig.1 Distribution of aerosol extinction efficiency and extinction coefficient of others (b) at different RH

1.1.2IMPROVE参数化方案

基于美国IMPROVE项目的研究结果,消光系数与PM2.5组分间的关系为[12]：

δext≈2.2fS(RH)SS+4.8fL(RH)SL+2.4fS(RH)NS+5.1fL(RH)NL+2.8OS+6.1OL+[FS]+

0.6[CM]+10[EC]+1.7fSS(RH)[SS]+

δRS+0.33[NO2]

(2)

式中：fL(RH)和fS(RH)分别为大、小粒径PM2.5组分的光学吸湿增长因子;fSS(RH)为海盐粒子的湿度矫正因子;SS、NS、OS分别为小粒径PM2.5中的硫酸铵、硝酸铵、有机气溶胶的浓度，μg/m3;SL、NL、OL为大粒径PM2.5中的硫酸铵、硝酸铵、有机气溶胶的浓度，μg/m3;[EC]为吸光性含碳物质的浓度，μg/m3;[FS]和[CM]为土壤粒子和粗粒子的浓度，μg/m3;[SS]为海盐粒子的浓度μg/m3;δRS为气体的瑞利散射产生的消光系数，m-1;[NO2]为NO2的单位体积分数，10-9。该方案记作S2方案。

1.1.3基于神经网络的能见度预报方案

Xie等[10]利用神经网络的方法和2000—2017年气象数据构建了针对全国气象站点的小时能见度预报。该方案输入的观测资料和预报资料包括地面实况监测的气象温度、压力、湿度、风速等数据和中期天气预报中心(ECMWF)确定性预报模式的高空场湿度、风速等数据。神经网络参数和具体气象因子的选取参照文献[10]。该方案记作S3方案。

1.2 数据资料

PM2.5浓度实况资料来自于中国环境监测总站，验证数据为北京市监测站点平均逐小时浓度，相对湿度和能见度实况数据来自于中国气象局北京观象台(54511)观测数据。由于能见度最大观测值为30 km，对预报值超过30 km的统一处理为30 km。

PM2.5浓度和NO2浓度预报数据为基于多模式最优集成方法的预报结果。该方法基于中国气象局业务预报大气化学模式[22]，利用均值集成、权重集成、多元线性回归集成和BP神经网络方法集成建成集成预报，然后基于各集成方法对前50 d的预报效果进行评估，选取最优集成方法预报的结果为最终预报结果。大气化学模式的信息和最优集成方法选取参照文献[22,24]。相对湿度的预报数据来自于WRF4.0模式的预报结果。由于S3方案利用ECMWF确定性预报场数据，因此采用ECMWF全球确定性预报场为WRF模式提供初始场和边界场，并采用WRF模式中的四维变分同化(FDDA)对ECMWF预报场进行同化[25]，以使WRF模式气象场与EC预报场一致。WRF模式采用双层嵌套，水平分辨率分别为24和8 km，第一层覆盖中国区域，第二层覆盖华北地区。模式垂直方向分为35层，采用下密上疏的分布方式。PM2.5组分数据来源于WRF模式驱动的CAMx6.2 (comprehensive air quality model and extensions)模式[26]，该模式基于2016年0.25°分辨率的MEIC排放源清单(http://www.meicmodel.org)模拟各组分占PM2.5的比例，对多模式最优集成预报的PM2.5浓度进行划分，得到新的PM2.5浓度。WRF模式和CAMx模式的设置参照文献[27]。本研究均使用24 h预报结果对能见度进行预报和检验。

PM2.5浓度、相对湿度和能见度预报结果与监测结果的对比验证选用的统计量包括平均偏差(ME)、标准化平均偏差(NME)、均方根误差(RMSE)和相关系数(R)，计算公式如下：

(3)

(4)

(5)

(6)

1.3 过程概述

2019-02-18—03-05，北京市发生了2次较强的重污染天气过程，分别为2月19—25日和2月28日—3月5日，该过程能见度和PM2.5浓度的变化趋势见图2。从图2可以看出，2次重污染天气过程的PM2.5浓度峰值均超过了200 μg/m3，能见度最低达0.4 km。第一次重污染天气过程PM2.5浓度峰值超过300 μg/m3，并在2月20日、21日和22日出现了剧烈波动，对应的能见度也产生剧烈波动；第二次重污染天气过程污染程度低于第一次，而且PM2.5浓度和能见度变化较为平稳，能见度大部分在1～4 km。选取这一时间段的数据对能见度预报方案进行检验，可以较好地体现预报方案对不同情况下能见度变化的预报能力。

2 结果与讨论

2.1 相对湿度和PM2.5浓度预报数据验证

WRF模式对选取时段相对湿度的模拟效果较好〔图3(a)〕，能反映出相对湿度的变化趋势，相关系数可达0.95。但是仍存在一定的偏差，平均偏差为7.5%，均方根误差为10.8%(表1)。对于部分高湿时段的相对湿度存在低估，如对于22日凌晨89%的相对湿度低估10个百分点；对低湿时段存在一定的高估，最高可达10个百分点。

图3 2019-02-18—03-05北京市相对湿度和PM2.5浓度的预报值和观测值对比Fig.3 Comparison of the forecasted and observed relative humidity and PM2.5 concentrations of Beijing from Feb.18 to Mar.5 in 2019

表1 相对湿度和PM2.5浓度预报值与观测值统计对比

Table 1 Statistics of forecasted and observed relative humidity and PM2.5concentrations

项目观测平均值预报平均值平均偏差标准化平均偏差均方根误差相关系数2)相对湿度∕%40.047.57.53310.80.95PM2.5浓度∕(μg∕m3)95.985.2-10.7 31)34.40.90

1)单位为%；2)无量纲。

基于多模式最优集成方法对选取时段的PM2.5浓度有较好的模拟效果〔图3(b)〕，且对2月21日和22日PM2.5浓度的剧烈变化也有较好的模拟，相关系数为0.90。但是仍然存在一定的偏差，平均偏差为-10.7 μg/m3，均方根误差为34.4 μg/m3(表1)，本研究评估结果与其他订正后的预报结果相当[18,21]。对于部分PM2.5峰值浓度存在一定的低估，如对2月23日PM2.5浓度下降过程存在明显的低估；对PM2.5浓度快速增长阶段的预报存在一定的延迟，滞后1～2 h。

2.2 3种预报方案效果评估

3种预报方案能见度预报值与观测值的统计结果及对比见表2和图4。从表2可以看出，3种方案基本上均能反映出能见度的变化趋势，其中S1方案相关系数最高，为0.85；S2方案的相关系数与S1方案基本接近，主要是由于S1方案和S2方案使用相同的相对湿度和PM2.5浓度预报数据；S3方案的相关系数最低，为0.68。S1方案平均偏差和均方根误差最小，分别为2.3和6.3 km，对能见度存在一定的高估；S2方案平均偏差最大，为5.8 km，预报能见度较S1方案平均高3.6 km；S3方案虽然平均偏差为-3.1 km，但均方根误差最大，为8.5 km，主要由于S3方案基本没有产生20 km以上能见度预报值，导致平均预报值偏低。由于对PM2.5浓度快速增长阶段的预报存在延迟，导致S1和S2方案对能见度快速下降阶段的预报也存在一定的延迟；对2月23日PM2.5浓度波动阶段的低估，导致对该时段能见度预报明显偏高。

表2 3种预报方案能见度预报值与观测值的统计结果

图4 3种预报方案能见度预报值与观测值对比Fig.4 Comparison of forecasted and observed visibility of three schemes

为进一步分析不同预报方案对能见度的预报性能，对比了不同能见度和不同相对湿度区间下各预报方案能见度预报值相对观测值的平均偏差，结果见图5。由于1 km以下能见度出现时次较少，因此没有单独对1 km以下的能见度预报效果进行评估，但是根据其他研究结果，S1方案对于1 km以下的能见度预报效果较好[10,28]。从图5(a)可以看出，对于5 km以下的能见度范围，S1方案与S3方案预报效果相当，平均偏差在2 km左右，S2方案平均偏差为5.5 km；对于5～10 km能见度范围，S3方案平均偏差最小，为0.7 km，S1方案平均偏差为3.9 km，S2方案平均偏差最高，为9.6 km。S1和S2方案对能见度的明显高估与本次模拟过程中2种方案对能见度下降阶段预报延迟有关。对于大于10 km的能见度范围，S1方案平均偏差最小，为1.5 km，S2方案平均偏差为4.7 km，S3方案平均偏差为-11.3 km，出现了明显的低估，这主要与S3方案对高能见度预报结果偏低有关。

图5 3种预报方案在不同能见度等级和相对湿度范围内对能见度预报结果的平均偏差Fig.5 Mean deviation of forecasted visibility of three schemes in different visibility levels and RH ranges

从图5(b)可以看出，在不同相对湿度区间内，各预报方案对能见度的预报效果也存在差异。在低湿区间(相对湿度小于50%)，S1方案的平均偏差最小，S3方案预报结果呈现低估；相对湿度为50%～70%时，S3方案平均偏差最小，S2方案平均偏差最大；相对湿度大于70%时，S3方案平均偏差大于S1方案。整体来看，各方案在相对湿度为40%～80%时，平均偏差较小，S1和S3方案平均偏差基本低于1 km，S2方案平均偏差在3 km左右。由于气象模式对相对湿度在高湿区的低估和低湿区的高估，使预报方案对能见度在高湿区和低湿区的预报结果也存在较大偏差。

由于PM2.5组分数据来自于CAMx模式的模拟结果，存在一定的误差。尤其是在PM2.5浓度较高的情况下，大气化学模式对二次无机盐的生成存在低估[29-30]。而由式(2)可知，无机盐是影响能见度的重要组分，其消光性大于有机组分。因此，对于PM2.5化学组分模拟的不确定性是导致S2方案存在高估的原因之一。

综上所述，3种方案对能见度的预报效果，S1方案最好，相关系数最高，平均偏差和均方根误差最小；S2方案呈现明显的高估，S2方案较S1方案的平均偏差偏高3.4 km，均方根误差高2.1 km；S3方案相关系数最低，在10 km以下能见度和50%～70%相对湿度区间预报平均偏差较小，但是对高能见度范围预报结果存在明显的低估。

2.3 影响预报效果的因素

为进一步分析S1方案预报效果的影响因素，利用观测值替代预报值对能见度进行拟合评估，替代方案包括PM2.5浓度预报值和相对湿度观测值(S1FO方案)、PM2.5浓度观测值和相对湿度预报值(S1OF方案)、PM2.5浓度观测值和相对湿度观测值(S1OO方案)，结果见表3。

表3 S1方案和替代方案对能见度预报值和观测值的统计结果

从表3可以看出，替代方案对能见度的预报效果均有提升。S1OO方案表现最好，相关系数为0.95，平均偏差为1.0 km，说明S1参数化方案可以很好地反映PM2.5浓度、相对湿度和能见度的相关关系，这与Zhou等[19]的研究结果一致。S1OF方案将S1方案的相关系数由0.85提升至0.92，平均偏差由2.3 km降至1.3 km。S1OF方案表现优于S1FO方案，更接近于基于观测值的S1OO方案，这表明提升PM2.5浓度的预报效果对提高能见度的预报效果优于相对湿度。

图6对比了替代方案不同能见度和相对湿度范围预报能见度的平均偏差。从图6(a)可以看出，能见度在5 km以下，S1OF方案较S1方案平均偏差降低明显，由2.3 km降至0.8 km，S1FO方案较S1方案降低不明显。能见度为5～10 km与5 km以下表现一致，S1OF方案平均偏差较S1方案降低明显，由3.9 km降至1.5 km，S1FO方案较S1方案降低0.4 km。能见度为10～30 km时，S1FO方案较S1方案平均偏差显著降低，由1.5 km降至0.5 km，S1OF方案平均偏差增大。以上结果表明，能见度为10 km以下时，利用PM2.5浓度观测值可以显著提高对能见度的预报效果，但是利用相对湿度观测值提高不明显。

图6 S1方案和替代方案在不同能见度等级和相对湿度范围内对能见度预报结果的平均偏差Fig.6 Mean deviation of forecasted results of S1 and alternative schemes in different visibility levels and RH ranges

从图6(a)可以看出，在低于70%的相对湿度范围内，S1OF方案均较S1方案有较大的改进，平均偏差显著降低，尤其是相对湿度为50%～60%时，平均偏差降至0.1 km；S1FO方案相较S1方案没有明显的改进，甚至相对湿度为40%～60%时，平均偏差增大。在高于70%的相对湿度范围内，S1OF方案对S1方案的改进效果差于S1FO方案，尤其是相对湿度为80%～90%时，S1OF方案较S1方案平均偏差降低了0.9 km，但S1FO方案较S1方案增加了0.9 km。以上结果表明，在低湿(相对湿度低于70%)范围内，使用PM2.5浓度观测值可以显著提高对能见度的预报效果；在高湿(相对湿度大于70%)范围内，使用相对湿度观测值可以显著提高预报效果。这与在低湿范围内PM2.5是影响能见度的主要因素，高湿范围内相对湿度是影响能见度的主要因素相一致。

综上所述，提高PM2.5浓度的预报效果是提升能见度预报效果的关键，尤其是对能见度低于10 km的情况下提升效果更明显，但在高湿范围内，提高相对湿度的预报效果对能见度预报效果的改善更明显。