桐庐县PM2.5预报技术研究

杨栩 汪洲 俞军华 江涛

(桐庐县气象局,浙江 桐庐 311500)

0 引 言

国内的大气化学数值预报模式的起步比较晚,并且缺乏污染源排放清单,尤其是缺乏大范围污染源相关资料。我国使用的空气质量预报手段主要可分为结合污染源及气象场的数值模式以及基于历史数据分析的统计方法。数值模式能较好地反映背后的物理机制,但是操作相对复杂,对计算机软硬件配置要求高,所以多应用于省级以上机构及有关科研院所。

目前,国际上应用最多的为第三代综合性空气质量数值模式[1],能够有效地对空气质量进行数值模拟,如CAMx, Models-3/CMAQ, WRF-CHEM等。这些数值模型均具有以下共同的优点:(1)可用于模拟多污染物间的协同效应,模式中充分考虑了不同大气物理过程和各污染物间的化学反应及气固两相转化过程;(2)适用于嵌套网格,可用于模拟局地、区域等多种尺度的大气环境问题。基于历史数据分析的统计方法,操作简单,并且预报效果稳定,非常适合研究本地化空气质量污染物和气象要素的关系。沈劲等[2]利用多元回归法较好地模拟出了佛山市顺德区的空气污染物浓度水平和变化趋势；许杨等[3]建立的空气污染物浓度统计预报模型对武汉市空气污染级别预报的准确率达到70.1%；熊世为等[4]研究了滁州市空气质量与气象要素的关系及其预报方法。

PM2.5是空气中直径小于等于2.5 μm的细颗粒物。在大气边界层中,PM2.5存在平流、输送、沉降、气象化学、气溶胶化学等非线性物理、化学过程[5-7],其浓度越高,空气污染越严重。桐庐地处浙西,属于浅山丘陵地貌,在气候上具有明显的过渡性质。本文研究该地区空气污染物与气象要素的关系,探讨基于气象要素的空气质量预报方法,对该地区的大气环境评估及污染治理具有重要参考意义。

1 资料和分析方法

本文利用2017年1—12月桐庐县PM2.5浓度连续监测资料和相对应的降水、气温、能见度、日照、相对湿度、风向和风速的气象要素的资料,分析了桐庐地区PM2.5浓度的日变化、季节变化特征,进行PM2.5浓度与气象要素的相关性分析,采用多元线性回归的方式建立了PM2.5浓度的预报模型,并利用2018年1—12月的PM2.5浓度和气象要素的数据对模型进行检验。

2 PM2.5浓度变化

2.1 季节变化分析

桐庐是一个以低山丘陵为主的地区,具有“八山半水分半田”的特征。选取城区(桐君街道)、新合、钟山、分水4个代表站,其中3个乡镇代表站分别位于桐庐城区的东南方向、西南方向和西北方向，以此代表人口密集、交通量大的城区和人口规模小的旅游风景区(郊区)。

由图1可见，2017年城区的PM2.5季节平均浓度、25分位、50分位及75分位数均高于3个乡镇,说明城区PM2.5浓度要高于3个乡镇,PM2.5浓度与城镇化集约程度较高有关。城区、新合、钟山、分水PM2.5的季节平均浓度表现为冬季>春季>秋季>夏季,桐庐乡镇(街道)PM2.5浓度监测日数据年变化规律整体呈现出冬、春季高,夏、秋季低的凹形曲线分布状态。同时春、秋、冬季4分位数间距要明显高于夏季,说明春、秋、冬季PM2.5浓度日均值的离散程度要高于夏季。

从天气角度分析看,桐庐是典型的亚热带季风气候。秋、冬季和初春受西伯利亚冷气团影响和大陆高压控制,层结比较稳定,导致大气污染物在这一特殊条件下的稀释和扩散相对较弱。桐庐县地处浙西,森林覆盖率高,生态环境好,当地化工企业、重工业少,县域内的冬季、春季高污染天气大多为输入性污染物和局地污染物共同影响。特别是弱冷空气从东北方向渗透下来,会导致桐庐冬、春季颗粒物浓度异常偏高。另一方面,秋季降水占全年最少,冬季略高,秋、冬季节一旦出现降水,对污染物的清除效果非常显著,这可能是秋、冬季颗粒物日均离散值变化差异大的重要原因。夏季降雨量相对较多,空气中污染物在降水的清洁作用下被清洁,加之夏季气温高,太阳辐射最强,使得大气混合层高度最高,污染物的扩散、稀释条件较好,污染物不易长时间积累,故浓度最低,颗粒物浓度日均离散值变化差异也较小。春季杭州地区会受到北方沙尘天气携带的细粒子滞留的影响,PM2.5浓度会增加。PM2.5浓度季节变化和气象条件密切相关。

2.2 PM2.5浓度日变化分析

从图1可见，各站点的变化趋势非常一致,原因是这些观测点所覆盖的区域常受到同种天气形势控制,加之城区的观测站设立在桐庐县国家气象观测场旁,观测条件代表性好,因此本文对城区的PM2.5浓度的研究在一定程度上代表了整个桐庐县的颗粒物浓度特征。

由2017年桐庐县PM2.5浓度日变化(图2)可见,PM2.5浓度日变化幅度大且呈现双峰型分布特征,PM2.5浓度的峰值出现在08—09时,平均浓度为45.36 μg/m3；次峰值出现在19—20时,平均浓度分别为44.18 μg/m3；PM2.5浓度的谷值出现在15时,浓度分别为33.26 μg/m3。这种变化特征与人为活动以及大气边界层运动有关。在早晚出行高峰时段,交通流量大,并且观测站周围靠近居民区,居民烹饪活动产生的气溶胶导致PM2.5浓度明显增加,同时低层大气易出现逆温,边界层高度低,污染物不易扩散,容易形成峰值；而午后大气对流和湍流加强,污染物的垂直输送增强,近地面气溶胶被稀释,颗粒物浓度相应降低。PM2.5浓度白天变化非常明显,而夜间基本维持稳定。这和齐冰[8]等人研究的结果一致。

图2 2017年桐庐县PM2.5浓度日变化

3 PM2.5浓度与气象要素相关性分析

3.1 风向、风速对PM2.5浓度的影响

风为矢量,既有大小又有方向。通过对2017年春、夏、秋、冬4季的风向风速与桐庐城区PM2.5浓度之间的关系进行研究,基于风向(0°～360°)和风速(0～8 m/s)绘制极坐标图,物理量数据均使用小时观测数据。

风向是污染物远距离传输的主要因素,风速主要影响污染物水平扩散、稀释的速度[9]。桐庐春季主导风向为WNW(270°～300°)。由图3a可见,当风向在30°～120°之间时,风速比较高,平均风速为5 m/s,当风速>4 m/s时，PM2.5浓度随风速增大而明显增大,出现了重度污染,这可能是因为桐庐受上游城市群产生的污染输送影响比较大。当风向在270°～300°之间时,随着风速的增大,污染物浓度并没有明显的改善,出现了中度污染。当风向在120°～270°之间、风速>2 m/s时,PM2.5浓度随风速增大而明显减小,此时风速增大对污染物浓度有明显的改善作用。

夏季的主导风向为WNW(270°～300°)。由图3b可以看出，夏季桐庐PM2.5浓度比春、秋、冬3季低,整体空气质量呈优良状态,风向在30°～105°之间,PM2.5浓度随风速的增大呈现先增后减的趋势。当风向在105°～30°之间、风速>2 m/s时,PM2.5浓度较低。夏季的污染源受外来输入影响较小,多以当地污染物为主。

秋季的主导风向为WNW。图3c显示，当风向在0°～90°之间时,PM2.5浓度表现出类似春季的变化特征。当风速<2.0 m/s时,污染物浓度呈现比较均匀的分布状态,可能是由于来自不同方向的气团性质差异不大。秋季的污染源受外来输入影响和当地污染物的共同影响。

图3 4季PM2.5浓度和风向、风速的关系(a.春季、b.夏季、c.秋季、d.冬季)

冬季桐庐的主导风向依旧是WNW。从图3d可以看出，冬季整体空气质量较差,特别是干冷空气从东路渗透下来,会导致桐庐雾霾天气频发。当风向在60°～90°之间时,平均风速达到5 m/s,当风速在6～10 m/s之间时,空气质量出现重度污染,PM2.5浓度呈现和春季一样的变化。但不同的是,当风向在180°～360°之间时,PM2.5浓度随着风速的增大,并没有明显的改善。当风速<2 m/s、风向在180°～210°之间时,甚至出现了250 μg/m3,冬季特有的低风速、弱空气对流和高静风频率的气象条件,以及频繁出现的贴地逆温现象,导致大气污染物在这一特殊条件下的稀释和扩散作用相对较弱,致使大气污染严重。所以冬季的污染源受外来输入影响和当地污染物的共同影响。

3.2 降水、气温等要素与PM2.5浓度相关性分析

2017年桐庐城区PM2.5浓度与日降水量、日平均气温、日最小能见度、日平均湿度、日照等要素的相关性分析结果如表1所示。

表1 PM2.5浓度与降水量、气温等要素相关性分析

分别从不同气象要素来看,降水对污染物的湿沉降作用明显,PM2.5浓度与降水量呈负相关,降水量越大,空气质量越好；日平均气温也与PM2.5浓度密切相关,气温主要来源于地表辐射,距地面越近气温越高,当高度增加时气温逐渐降低。气温这种垂直递减的特性,有助于地面热空气垂直上升。由分析可知,气温与PM2.5浓度呈显著负相关,即气温越高,越容易形成上冷下暖的不稳定温度层结,使得污染物更容易在垂直方向上扩散,PM2.5浓度就越低,空气质量越好。日最小能见度与PM2.5浓度呈负相关。能见度观测是测定一定基线范围内的能见度,它是指在四周视野中二分之一以上的范围内能看到目标物的最大水平能见度。其数值的大小反映了当时环境下可视目标物的远近,能见度越小,表示空气质量越差,PM2.5浓度值则越高。相对湿度与PM2.5浓度呈负相关。相对湿度增加时会有更多的水汽与灰尘等颗粒物凝结,而后沉落于地面,这样一来就使空气中污染物浓度降低。日照时数越长会导致相对湿度越小,有利于颗粒物悬浮于空气中,因此日照时数与PM2.5浓度呈正相关。

4 预报模型

4.1 预报模型的建立

本文采用的预报模型为统计模式预报。统计预报是不依赖于物理、化学及生物过程,单纯以统计学方法通过分析历史数据资料规律进行预测的方法。线性回归模式是统计模式预报的一种,运用过去的浓度、气象要素进行预报。其模式的基本形式为:

y=a+b1x1+b2x2+b3x3+…+bnxn

其中y为污染物浓度值,x1、x2、x3…xn为模式的各个参数,b1、b2…bn为各参数的系数,a为模式的常数。

因为降水是非连续变量,如果将连续的降水量数据带入，预报模型结果的离散度会变大。因此,按照雨量等级进行分类再建立预报模型。有研究表明,降水强度达到一定程度才会对空气有明显的净化作用,弱降水配合一定的其他条件反而会使空气质量更差。因此本文研究中将降水等级分为1类(无雨)、2类(小雨)和3类(中雨以上)。此外,为考虑污染源排放的影响,将前1 d的污染物浓度值引入模型(表2)。

表2 基于气象要素的PM2.5浓度预报回归模型

4.2 预报模型检验

根据预报模型,本文采用等级预报的TS评分和预报准确率,对2018年1—12月杭州市桐庐县的PM2.5浓度预报效果进行检验(图4),检验结果显示预报方程能较好地预报PM2.5浓度。

图4 桐庐县2018年1—12月PM2.5浓度预报和实况对比

(1)TS评分

其中,NA为预报等级正确的天数；NB、NC、ND、NE、NF表示预报等级的绝对偏差分别为1～5级的天数。

(2)预报准确率公式

其中,NrK为指数预报正确(|Fi-Oi|≤25)的天数；NfK为样本数。桐庐县环保局和气象局每天联合发布的PM2.5浓度预报误差要求≤25。由分析可知,模型对PM2.5浓度变化反应灵敏,既较好地预报了变化幅度,也较好地预报了极值。

表3的综合评分为TS评分和预报准确率的均值。表3显示夏季的预报模型表现得比其他几个季节要好,冬季预报模型表现得最差,秋、冬季节差不多。夏季的预报准确率最高，达到了96.6%,春、秋季也在85%以上,冬季达到了72.2%。综合评分显示预报模型在夏季效果最好,TS评分和预报准确率均为第一,春、秋季次之,冬季的效果最差。当发生重污染情况时,预报虽然能够模拟出趋势,但是综合评分普遍偏低。这是由于冬季PM2.5浓度比较高,受污染程度严重,空气质量等级跨度范围大,所以导致预报的效果不太好。综上所述,该模型对于实际业务中空气质量的指数预报有一定的指导作用。

表3 桐庐县基于季节的PM2.5浓度预报评价指标

5 结 语

5.1 PM2.5浓度与城镇化集约程度有关,桐庐城区的PM2.5浓度要高于乡镇的。PM2.5浓度监测日数据年变化规律整体为冬季>春季>秋季>夏季,并且春、秋、冬季PM2.5浓度日均值的离散程度要高于夏季。

5.2 桐庐城区PM2.5浓度日变化幅度大且呈现双峰型分布特征,峰值出现在早晚,谷值出现在午后,变化特征和人为活动以及大气边界层运动有关。

5.3 春季、冬季风向在30°～120°时,PM2.5浓度随风速增大而明显增大,出现了重度污染,桐庐受上游城市群产生的污染输送影响比较大；当风向在120°～270°之间时,PM2.5浓度随风速的增大明显减小,此时风速增大对污染物浓度有明显的改善作用。夏季的污染源受外来输入影响较小,多以当地污染为主。秋季的污染源受外来输入影响和当地污染的共同影响。降水量、气温、日最小能见度、相对湿度与PM2.5浓度均呈负相关,日照时数与PM2.5浓度呈正相关。

5.4 基于气象要素的PM2.5浓度预报模型能够较好地模拟出PM2.5浓度变化趋势以及极值,利用TS评分和预报准确率对预报模型进行检验,结果显示模型在夏季效果最好,春、秋季次之,冬季的效果最差。总体预报结果优良,能够满足日常业务化运行的要求,可以为今后的业务化运行提供技术支持。

5.5 研究存在的问题以及对后续研究的展望。利用统计方法建立的预报方程虽然能够模拟出PM2.5浓度变化的趋势,但是对于一些极值预报，误差还是比较大的。这是因为PM2.5浓度既受气象要素的影响,也受污染物局地排放和输入性污染物的影响。神经网络模型[9]作为一种非线性的预测方法已经在众多领域广为运用,今后可以尝试使用该方法进行空气质量预报。