基于CMAQ模型分析成都市O3对气象因子的灵敏度

张迎春，付 虹，李 迪，明镇洋，刘岳军

（西南交通大学地球科学与环境工程学院，四川 成都 611756）

气象因子是决定O3生成的关键条件。DAWSON等[1]利用CMAQ模型研究了O3浓度对气象因子的敏感性，研究结果表明，温度对O3的影响最大，温度每增加1 K，O3浓度增加0.34 ppb；绝对湿度的影响次之，每增加一个百分比，O3浓度下降0.025 ppb；风速和混合层高度对O3浓度的影响最小。STEINER等[2]利用CMAQ型模拟了加利福尼亚州中部地区O3浓度，结果表明，温度、大气水汽和生物VOCs（挥发性有机物）排放量的变化将导致每日O3峰值增加1%～5%。史之浩[3]利用CMAQ空气质量模型，分析了气象因子变化对中国O3和颗粒物污染形成过程的影响，研究表明，O3浓度对温度的敏感性最高，对风速、湿度、混合层高度、降雨量的敏感性依次降低。张莹等[4]基于GAMS模型分析了成都市气象因子交互作用对臭氧的影响，结果表明，最高气温、日照时数等气象因子与O3均呈非线性关系。最高气温、日照时数、MMD（最大混合层厚度）和相对湿度对O3浓度的影响均较大。胡成媛等[5]使用广义相加模型（GAM），发现O3浓度与气温、气压等气象因子呈非线性关系，对四川盆地的影响较大的是日照时数、相对湿度以及温度。成都市是我国西南地区的经济中心，常住人口超过2 000万，静风频率高，夏季热岛效应和冬季逆温现象多发，PM2.5和O3污染严重。本文基于CMAQ模型定量评估成都市O3对气象因子的灵敏度和O3对气象因子扰动的响应程度的空间分布。

1 数据来源与方法

1.1 数据来源与处理方法

臭氧污染浓度数据来源于中国环境监测总站全国环境空气质量实时发布平台（http://106.37.208.23320035）。数据内容为2017年7月成都市9个国控站点的O3浓度。气象数据来自西南交通大学区域环境空气质量综合监测站，时间与O3浓度同步。

1.2 模型参数设置及评估

1.2.1 模型参数设置

采用WRF-CMAQ模型[6-8]模拟成都市的气象因子和O3浓度，模拟区域（见图1）采用三层嵌套模式，模拟精度逐层递增。本文选取2017年7月代表夏季进行臭氧浓度模拟，为了降低初始条件的影响，提前5 d进行模拟。

图1 模拟区域及嵌套情况示意图

WRF模型提供初始气象场和边界条件为1°×1°的NCEP再分析资料（FNL），时间精度为6 h。具体物理参数配置如表1所示。

表1 WRF-CMAQ模型参数配置

1.2.2 模型评估方法

NMB（标准化平均偏差）与NME（标准化平均误差）用于表征模拟值与观测值的相对偏离程度，值越接近0，模拟值与观测值偏离程度越小；R（相关系数）用于表征模拟值与观测值的接近程度，值越接近1，模拟值与观测值吻合度越好。相关计算公式[9]如下：

式中：Mi代表i时刻（某小时）的模拟值；Oi代表i时刻（某小时）的观测值；n代表样本总数；代表模拟值的平均浓度；代表观测值的平均浓度。

1.3 灵敏度分析

灵敏度分析是研究与分析一个系统（或模型）的输出结果对系统输入参数或周围条件变化的敏感程度的方法[10]。在空气质量模型中，灵敏度分析最广泛使用的方法有[11]情景分析法、去耦直接法、格林函数法以及伴随法。

本文选用情景分析法（BFM）研究成都市臭氧浓度对气象参数的灵敏度，情景分析法属于一次一个变量法，即将某个参数进行扰动，而其他参数保持不变的情况下，计算该参数的变化导致模型输出结果的变化率，灵敏度取多次扰动计算出的灵敏度系数的平均值。通过NCL编程对WRF模型模拟结果中的5种气象因素的值分别进行6种情景的扰动，源排放和其他设置均不变，各个气象参数受到的具体扰动情况如表2所示。

表2 气象参数扰动情景

评价每个气象参数变化情景对O3臭氧浓度的影响，以模拟时段O3日最大8 h平均浓度作为评价指标。情景分析法一阶灵敏度系数计算公式[12]如下：

式中：Sj为某一扰动情景对应的灵敏度，j=1,2,…,n；c+Δεj、c-Δεj分别为对应扰动情景下的浓度；Δεj为扰动情景；S为灵敏度。

2 结果分析

2.1 CMAQ模型模拟结果评价

NMB和NME能更好地说明模拟值和监测值的偏离程度和误差以及用R值来表征模拟值和监测值的变化趋势的吻合程度，如表3所示。从表3可以看出，7月成都市9个站点臭氧日最大8 h浓度的模拟值与监测值相关性均较好，平均相关系数为0.831。但9个站点的臭氧日最大8 h浓度的NMB和NME差别较大，NMB的值介于-0.159～-0.355，且均为负值，说明7月臭氧浓度模拟值偏低。从总体看，臭氧浓度模拟值与观测值的NMB和NME较低且相关性较好，所以此CMAQ系统可以用于计算成都市臭氧浓度对各气象因子的灵敏度。

表3 2017年7月O3日最大8 h浓度模拟结果验证

2.2 臭氧浓度对气象因子的灵敏度分析结果

2.2.1 臭氧浓度对温度的灵敏度

成都市夏季日最大8 h平均臭氧浓度均随温度升高而线性增加，如图2所示，可决系数R2为0.951。夏季O3对温度的灵敏度为0.627 1 ppb·K-1。

图2 夏季O3日最大8 h平均浓度与温度扰动的关系

成都市夏季O3日最大8 h平均浓度为58.923 ppb，当温度增加5 K时，成都市夏季O3日最大8 h平均浓度为62.725 ppb，比未扰动时增加3.802 ppb，增加比例为6.45%，如图3所示。成都市的O3表现出对温度升高的敏感性，但从O3浓度增幅来看，温度对O3浓度的影响在空间上的分布是不均匀的，其中成都市北部灵敏度最高，而成都市西边灵敏度相对较低。这是由于在人为排放高的污染区域，O3浓度受温度扰动较大，而相对农村区域臭氧浓度受温度扰动的影响较小。由温度扰动引起的臭氧浓度增加情况与已有的研究结果基本一致[13-14]。

图3 夏季温度增加5 K时O3日最大8 h平均浓度差值的空间分布

2.2.2 臭氧浓度对绝对湿度的灵敏度

成都市夏季O3日最大8 h平均浓度随绝对湿度增加而线性降低（见图4），R2为0.940。夏季O3日最大8 h平均浓度对绝对湿度的灵敏度为-0.032 6 ppb·%-1。

图4 夏季O3日最大8 h平均浓度与绝对湿度扰动的关系

当绝对湿度增加20%时，成都市大部分地区夏季和冬季O3日最大8 h平均浓度均降低，只有北部极小部分区域浓度略微上升，如图5所示。成都市夏季O3日最大8 h平均浓度为58.617 ppb，比未扰动时降低0.306 ppb，降低比例为0.519%。

图5 夏季绝对湿度增加20%时O3日最大8 h平均浓度差值的空间分布

2.2.3 臭氧浓度对大气压强的灵敏度

成都市夏季O3日最大8 h平均浓度均随大气压强（P）增加而线性降低（见图6），可决系数R2为0.949。成都市夏季O3日最大8 h平均浓度对大气压强的灵敏度为-0.003 35 ppb·%-1。夏季大气压强对O3日最大8 h平均浓度的灵敏度很低，明显低于对绝对湿度的灵敏度。

图6 夏季O3日最大8 h平均浓度与大气压强扰动的关系

当大气压强增加20%时，成都市绝大部分地区夏季的O3日最大8 h平均浓度均降低，如图7所示。成都市夏季日最大8 h平均O3浓度为58.872 ppb，比未扰动时降低0.051 ppb，降低比例为0.086 6%。

图7 夏季大气压强增加20%时O3日最大8 h平均浓度差值空间分布

3 结论

本文运用WRF-CMAQ模型对研究区域2017年7月的臭氧浓度进行模拟，结果表明，模拟值与实际监测值的相关性较好，模型能较好地反映成都市臭氧污染状况。温度、绝对湿度、大气压强都会导致臭氧不同程度的变化。其中，温度对臭氧的影响最强；绝对湿度有明显的影响；大气压强、风速对臭氧浓度的影响很小。成都市夏季的O3浓度对各气象因素扰动的响应程度空间分布不均，当温度增加5 K时，在污染物排放量较高的区域，臭氧浓度增加最多。当绝对湿度增加20%时，大部分地区O3日最大8 h平均浓度均降低，极小部分区域浓度略微上升。当大气压强增加20%时，成都市绝大部分地区O3日最大8 h平均浓度降低。