安徽地区多模式空气污染预报效果检验与订正

杨关盈，邓学良，翟 菁，霍彦峰，于彩霞，吴文玉

(1.安徽省气象科学研究所大气科学与卫星遥感重点实验室，合肥 230031；2.寿县国家气候观象台，安徽 寿县 232200；3.中国气象局淮河流域典型农田生态气象野外科学试验基地，安徽 寿县 232200)

引 言

近年来，随着经济高速发展及能源大量消耗，中国污染事件频发。对于PM2.5等污染物预报能力的增强，有助于对污染过程的预警和防范。随着数值模式理论与方法的快速发展，数值预报已经广泛应用于空气质量预报。目前空气质量预报模式主要有WRF-Chem、CMAQ、CUACE等。为了能在业务应用中达到最好效果，国内外研究人员对不同的预报模式做了大量的检验订正工作[1-3]。Bencala等[4]曾利用差值分析、趋势分析等对预报模式进行评估。Schaefer[5]提出了命中率得分(Threat Score，TS)评分的方法。在国内，王宏[6]、刘宁微[7]、陈静[8]等分别对CAPPS模式在福州、辽宁及石家庄等地的应用效果进行了检验和评估。谢敏[9]、许建明[10]和陈彬彬[11]等对CMAQ模式的预报效果进行了评估。周广强等[12]对WRF-Chem在上海地区臭氧数值预报进行了评估。王晓敏等[13]对多模式夏季4种污染物在石家庄市预报效果进行了对比检验。宋丹[14]、王景云[15]等采用统计方法，分别分析了贵阳和北京市空气质量和气象要素的关系。目前对多模式的对比检验及集成订正研究较少。本文结合空气质量监测数据，对中国气象局环境气象中心下发的CUACE模式，以及华东区域气象中心下发的WRF-Chem模式和CMAQ模式效果进行对比评估。

1 资料与方法

1.1 数据介绍

CUACE模式是中国气象科学研究院自主研发的空气质量预报模式，其主要目的是为空气质量及气候变化模式提供大气成分计算的通用平台[16-17]。模式水平分辨率为15 km，时间分辨率为3 h。本文预报资料来源于中国气象局业务化运行的CUACE模式指导产品，CUACE模式每日20时起报，预报时次为72 h，预报产品包括全国342个地级市未来24 h、48 h、72 h的SO2、NO2、PM10、CO、O3、PM2.5浓度及AQI、空气质量等级和首要污染物。

华东区域气象中心基于WRF-Chem模式开发了“华东区域大气环境数值预报业务系统”[18-19]。该系统以WRF-Chem模式和INTEX-B与清华大学中国多尺度(MEIC,http://www.meicmodel.org/)人为排放清单为基础构建，预报区域以(32.5°N、118.0°E)为中心，水平分辨率为6 km，水平网格数360(东西)×400(南北)。另外,华东区域中心下发了基于CMAQ模式的预报产品，其预报范围与WRF-Chem模式的一致，两者时间分辨率均为1 h。本文采用2017年1月-2018年2月3种模式(CUACE、WRF-Chem、CMAQ)下发的24 h内逐3 h预报产品，以及全国城市空气质量实时发布平台(http://106.37.208.233:20035/)获得的小时实测数据，进行效果对比评估。

1.2 评估与订正方法

通常对于气象、环境预报模式评估采用的统计指标包括相关系数(r)、均方根误差(RMSE)、平均偏差(MB)、标准化分数误差(MFE)、标准化分数偏差(MFB)、标准化平均偏差(NMB)和标准化平均误差(NME)等[20-22]。Boylan等[23]认为MFB和MFE指标考虑到了实测值的不确定性，采用实测值与预报值的平均值作为参考值，并且能够克服NMB和NME在预报值过大或过小时数值不对称的问题，因而更适用于评估模式效果。本文采用相关系数(r)、均方根误差(RMSE)、平均偏差(MB)、标准化分数误差(MFE)、标准化分数偏差(MFB)作为统计量来评估3种模式产品中的浓度预报。在无先验结果的情况下，并考虑到不同模式由不同部门运行，其时间、空间分辨率可能随时调整，且排放源等数据均可能随时调整，在无法评定各模式优劣的情况下，假设各区域模式预报效果近似，因此以算术平均的方式获得各模式集成预报结果[24-25]。各统计量具体公式如下：

(1)

(2)

(3)

(4)

(5)

(6)

式(1)—式(5)中，Pi为预报值，Oi为实测值，N为样本总数。其中r反映了预报值与实测值之间的线性相关程度，RMSE反映了预报值同实测值之间的偏差，MB反映了预报值与实测值相比偏大或偏小的绝对数值。Boylan等[23]认为，MFE和MFB相结合可以反映预报值与实测值之间的偏离程度，即模式预报效果的“达标”范围为-60%≤MFB≤60%、MFE≤75%，而“优秀”范围为-30%≤MFB≤30%、MFE≤50%。式(6)中，Fave为均值集成结果，m为模式个数，Fmodel为各不同模式的预报结果。

2 结果与讨论

2.1 细颗粒物预报效果对比

安徽地区空气污染首要污染物以PM2.5为主。表1给出了2017年3种模式和集成预报对PM2.5的总体预报效果。由表1可以看出，3种模式和集成预报均能达到“达标”范围，其中集成预报达到了“优秀”的范围。CUACE模式和集成预报MB略大于实测值，而其余两个模式预报值则略小。集成预报的RMSE、MFE和MFB均较3种模式有所减小，其RMSE与WRF-Chem相比减少2.29 μg/m3。总体来看，集成预报的效果优于3种模式的。

表1 PM2.5浓度预报效果统计

图1给出了实测值与不同模式预报结果的统计方框图。从图1看，集成预报各百分位所在区间更为接近实况值，CMAQ的次之，CUACE预报值相对偏离较大。

图1 PM2.5浓度实况与预报结果分布

为进一步统计不同模式的预报结果落区范围，利用2倍误差公式FAC，统计模式预报值落在0.5倍与2倍实况值之间的百分比。3种模式产品的FAC基本一致，在68%～69%(见图2)。实况值<100 μg/m3的时候，CUACE模式预报值有较多点分布在y=2x斜线之上，说明在低浓度PM2.5情况下，CUACE模式预报值易偏大。CUACE模式偏大的情况为19%，WRF-Chem和CMAQ模式的分别为8%和12%。WRF-Chem预报值y=0.5x及以下的情况在三者中最多，为24%，其次CMAQ的为20%，CUACE的最小，为12%。集成预报的FAC为79%，明显高于3种模式预报结果，但其偏大比例为11%，略高于WRF-Chem模式的。

图2 CUACE(a)、WRF-Chem(b)、CMAQ(c)及集成预报(d)与实况对比散点图

图3为安徽地区16个地市的不同模式均方根误差。由图3可以看出，其结果与表1类似，均为CUACE模式的RMSE最大，有14个地市集成预报的RMSE均低于3种模式预报结果。因此，集成预报方法可有效降低预报值的偏差。

图3 安徽省16个地市PM2.5各模式的RMSE分布

表2给出了参与评估的16个地市的MFB和MFE。从表2中可以看出，所有地区PM2.5浓度预报结果的MFB、MFE值均符合-60%≤MFB≤60%，MFE≤75%的条件，即CUACE、WRF-Chem和CMAQ及集成预报在安徽省16个地级市的预报结果均达到“达标”范围。模式预报结果-30%≤MFB≤30%、MFE≤50%时，为“优秀”。由表2可看出，集成预报效果在15个地市达到优秀，仅亳州地区的MFE为51%，略大于50%。

表2 安徽地区PM2.5浓度预报值的MFB和MFE %

从平均偏差(MB)空间分布来看(图4)，CUACE的在大部分地区偏大，其中在江北地区有4个地市(亳州、六安、合肥和滁州)MB≥20 μg/m3；WRF-Chem在大部分地区预报值略偏小，在宿州偏小20 μg/m3以上；CMAQ在亳州地区MB大于20 μg/m3，在其他地区则略偏小或偏大；集成预报在16个地市均未出现MB大于或小于20 μg/m3的情况。

2.2 其他污染物预报效果评估

图5为PM10、O3、SO2、NO2和CO 5种污染物浓度的实况和预报方框统计图。由图5可见，PM10的预报值均出现均值偏低的情况，其中CMAQ和集成预报均值更接近实况值；由于CUACE和WRF-Chem模式对于O3的预报值偏高，致使集成预报偏高。SO2和NO2的预报效果中，不仅均值还是四分位数，均为集成平均的预报效果最好。从图5可见，CUACE模式的CO浓度预报显著偏高，而WRF-Chem和CMAQ模式的则偏低，集成预报较好，均衡了3种模式的偏差，预报值更为接近实况值。

图5 PM10(a)、O3(b)、SO2(c)、NO2(d)和CO(e)污染物浓度实况和预报方框统计图

PM10、O3、SO2、NO2和CO 5种污染物浓度与各模式相关关系分析结果表明(图6)，集成预报和WRF-Chem预报结果与实况的相关性更好。其中，集成预报对于PM10和O3的预报在16个地市中与实况变化趋势更为接近；而对于SO2和NO2的预报，几种模式表现均较差；对于CO的预报，WRF-Chem模式在16个地市中除芜湖外，均优于集成预报结果。

图6 PM10(a)、O3(b)、SO2(c)、NO2(d)和CO(e)污染物浓度与多模式相关系数

图7给出了多模式PM10、O3、SO2、NO2和CO 5种污染物浓度预报的RMSE对比。由图7可看出，对于PM10浓度的预报，集成预报的RMSE更小，其预报值更接近实况值。对O3预报的RMSE分析结果表明，除亳州和黄山市外，其他地区集合预报效果最好，WRF-Chem在大部分地区的预报结果略差于集成预报的。SO2、NO2和CO在不同地市各模式的RMSE变化波动比较大，但总体来看，集成预报在大部分地区的RMSE最小，表明集成预报结果更为接近实况值。

图7 多模式PM10(a)、O3(b)、SO2(c)、NO2(d)和CO(e)污染物浓度预报的RMSE

Boylan等[23]认为，模式结果的达标范围为MFE≤75%且-60%≤MFB≤60%，当MFE≤50%且-30%≤MFB≤30%时，则表明该模式可以达到优秀的范围。针对不同模式对PM10、O3、SO2、NO2和CO 5种污染物浓度预报在安徽地区16个地市的MFE和MFB统计结果见表3。

表3 各模式污染物预报达标及优秀城市个数

从表3可见，CUACE和集成预报对PM10浓度的预报在16个地市均为“达标”，集成预报在7个地市达到优秀。对于O3、NO2和CO浓度的预报，集成预报在安徽省16个地市均“达标”，仅对于SO2的预报“达标”城市个数为13个，略低于WRF-Chem模式的14个。对于以上5种污染物浓度的预报，集成预报达到“优秀”的城市个数，总体多于CUACE、WRF-Chem和CMAQ模式的城市个数。

3 结 论

(1)对于细颗粒物PM2.5浓度的预报，CUACE、WRF-Chem和CMAQ 3种模式在安徽地区均能达到“达标”范围，三者FAC均为68%～69%，相关系数均在0.5以上，能够适应业务需要。通过集成平均后FAC达到了79%，相关系数为0.66，该方法有效提高了对PM2.5浓度的预报能力。

(2)分不同地市来看，CUACE在不同地市的RMSE均为最大；集成预报的方法仅在亳州和六安地区的RMSE略大于WRF-Chem模式的，其余14个地市中的RMSE均比3种模式的低。3种模式和集成平均的方法在16个地市均达到了“达标”的范围。其中，集成预报的方法预报结果在15个地市达到了“优秀”的范围，WRF-Chem的达到“优秀”的城市为7个，CUACE模式的为6个，CMAQ模式的为5个。

(3)MB空间分布表明，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区略偏小。WRF-Chem的MB在合肥、芜湖、马鞍山以略偏大为主，其余地方的均偏小，在宿州偏小20 μg/m3以上。集成预报在16个地市均未出现MB超过20 μg/m3的情况。

(4)集成预报对于PM10、O3、SO2、NO2和CO 5种污染物的预报整体更为接近实况值。且从相关系数来看，集成预报PM10、SO2、NO2浓度与实况的相关性好于CUACE、WRF-Chem和CMAQ的；对于O3和CO浓度的预报，WRF-Chem的预报与实况相关性更好。集成预报对于PM10、O3、NO2和CO浓度的预报在安徽地区16个地市均能“达标”，且对于6种污染物预报达到“优秀”的城市个数均多于CUACE、WRF-Chem和CMAQ的城市个数。

(5)集成预报的方法能有效改进CUACE、WRF-Chem和CMAQ 3种模式对于PM2.5、PM10、O3、SO2、NO2和CO 6种污染物浓度的预报效果，可为空气污染预报预警提供客观参考。