高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

空气质量模式在重庆主城区预报效果检验订正

,  ,  ,  , 

上一篇

下一篇

芦华, 吴钲, 刘伯骏, 等. 空气质量模式在重庆主城区预报效果检验订正[J]. 西南大学学报（自然科学版）, 2021, 43(7): 176-184. doi: 10.13718/j.cnki.xdzk.2021.07.022
引用本文: 芦华, 吴钲, 刘伯骏, 等. 空气质量模式在重庆主城区预报效果检验订正[J]. 西南大学学报（自然科学版）, 2021, 43(7): 176-184. doi: 10.13718/j.cnki.xdzk.2021.07.022
shu
LU Hua, WU Zheng, LIU Bo-jun, et al. Test and Correction of Forecast Effect by Air Quality Numerical Prediction Models in Chongqing Urban City[J]. Journal of Southwest University Natural Science Edition, 2021, 43(7): 176-184. doi: 10.13718/j.cnki.xdzk.2021.07.022
Citation: LU Hua, WU Zheng, LIU Bo-jun, et al. Test and Correction of Forecast Effect by Air Quality Numerical Prediction Models in Chongqing Urban City[J]. Journal of Southwest University Natural Science Edition, 2021, 43(7): 176-184. doi: 10.13718/j.cnki.xdzk.2021.07.022
shu

空气质量模式在重庆主城区预报效果检验订正

  • 1.

    重庆市气象科学研究所，重庆 401147

  • 2.

    重庆市气象台，重庆 401147

  • 3.

    重庆市环境科学研究院，重庆 401147

  • 基金项目: 重庆市气象局创新团队项目(ZHCXTD-202023，ZHCXTD-202003)；重庆市科委技术创新与应用示范项目(cstc2018jszx-zdyfxmX0003)
详细信息
    作者简介:

    芦华，硕士，工程师，主要从事空气质量预报及相关研究 .

  • 中图分类号: X51

Test and Correction of Forecast Effect by Air Quality Numerical Prediction Models in Chongqing Urban City

  • 1.

    Chongqing Institute of Meteorological Sciences, Chongqing 401147, China

  • 2.

    Chongqing Meteorological Observatory, Chongqing 401147, China

  • 3.

    Chongqing Institute of Environmental Science, Chongqing 401147, China

  • 摘要: 针对CUACE和CMAQ模式在重庆市主城区对PM2.5、O3和能见度的预报水平，分别进行了统计检验和分级检验分析，结果表明，CUACE模式对PM2.5预报准确度高于CMAQ模式，对O3和能见度的预报水平较低，略差于CMAQ模式，两种模式对于超标污染物和低能见度天气预报的准确率较低，存在一定的虚报和漏报；通过多元线性回归对预报结果进行订正，并对订正结果进行检验，发现订正后的预报值标准化平均偏差降低至0.5以内，平均平方根误差也明显降低，相关系数显著提高，偏差分布范围变窄，对超标污染物和低能见度天气的预报准确度有所提高.
    Abstract: In this study, statistical test and hierarchical testare performed of the prediction levels of PM2.5, O3 concentration and visibility in the main urban area of Chongqing by the CUACE (CMA unified atmospheric prediction system)and the CMAQ (Community Multiscale Air Quality)models. The results show that the CUACE model has higher prediction accuracy for PM2.5 than the CMAQ model, and its predictionlevel of O3 and visibility is low, slightly lower than that of the CMAQ model. This model has rather low accuracy for over-standard pollutants and poor visibility forecast, and has fairly high false report rate and failed alarm rate. The forecast results are corrected through multiple linear regression, and the corrected results are checked. The normalized average deviation of the corrected prediction values is found to have been reduced to 0.5 or less, the mean square root error is also significantly reduced, the correlation coefficient is significantly increased, the deviation distribution range is narrowed, and the forecast accuracy for over-standard pollutants and poor visibility is improved.
  • 加载中

  • 图 1  分级检验示意图

    下载: 全尺寸图片 幻灯片

    图 2  PM2.5、O3和能见度观测、预报与订正结果时间变化图

    下载: 全尺寸图片 幻灯片

    图 3  PM2.5、O3和能见度预报与订正结果散点分布图

    下载: 全尺寸图片 幻灯片

    图 4  PM2.5、O3和能见度预报与订正结果概率分布图

    下载: 全尺寸图片 幻灯片

    表 1  PM2.5、O3和能见度预报与订正结果统计检验

    要素 CUACE模式 CMAQ模式
    MB MNB RMSE MB MNB RMSE
    PM2.5 预报 -0.02 μg/m3 0.29 31.27 μg/m3 39.12 μg/m3 1.49 98.04 μg/m3
    订正 -0.41 μg/m3 0.17 20.52 μg/m3 -0.82 μg/m3 0.19 21.80 μg/m3
    O3 预报 38.48 μg/m3 2.68 59.43 μg/m3 1.57 μg/m3 0.40 39.63 μg/m3
    订正 0.92 μg/m3 0.19 21.20 μg/m3 1.22 μg/m3 0.21 20.82 μg/m3
    能见度 预报 12.22 km 4.16 15.62 km 6.22 km 2.38 10.77 km
    订正 0.28 km 0.34 3.90 km 0.42 km 0.41 4.27 km
    下载: 导出CSV

    表 2  PM2.5、O3和能见度预报与订正分级检验

    检验指标 CUACE模式 CMAQ模式
    PM2.5 O3 能见度 PM2.5 O3 能见度
    准确率 预报 84.2% 94.6% 88.4% 68.0% 96.7% 90.9%
    订正 90.5% 97.6% 91.1% 89.9% 97.6% 92.9%
    成功率 预报 21.0% 10.2% 7.2% 20.7% 27.7% 0.2%
    订正 37.9% 46.4% 22.0% 31.1% 35.3% 22.0%
    虚报率 预报 65.7% 78.9% 79.4% 77.5% 43.5% 99.0%
    订正 41.2% 17.4% 56.1% 43.2% 24.6% 46.0%
    漏报率 预报 65.0% 83.7% 90.1% 27.7% 64.7% 99.8%
    订正 48.4% 48.6% 69.3% 59.2% 60.1% 72.9%
    下载: 导出CSV
  • [1] 丁一汇, 柳艳菊. 近50年我国雾和霾的长期变化特征及其与大气湿度的关系[J]. 中国科学: 地球科学, 2014, 44(1): 37-48. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK201401005.htm
    [2] 孙彧, 马振峰, 牛涛, 等. 最近40年中国雾日数和霾日数的气候变化特征[J]. 气候与环境研究, 2013, 18(3): 397-406. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-QHYH201303012.htm
    [3] 梁丹, 王彬, 王云琦, 等. 重庆市冬季PM2.5及气态污染物的分布特征与来源[J]. 环境科学研究, 2015, 28(7): 1039-1046. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX201507004.htm
    [4] ZHAO S P, YU Y, YIN D Y, et al. Spatial Patterns and Temporal Variations of Six Criteria Air Pollutants during 2015 to 2017 in the City Clusters of Sichuan Basin, China[J]. Science of the Total Environment, 2018, 624: 540-557. doi: 10.1016/j.scitotenv.2017.12.172
    [5] CAI H K, GUI K, CHEN Q L. Changes in Haze Trends in the Sichuan-Chongqing Region, China, 1980 to 2016[J]. Atmosphere, 2018, 9(7): 277. doi: 10.3390/atmos9070277
    [6] 曹庭伟, 吴锴, 康平, 等. 成渝城市群臭氧污染特征及影响因素分析[J]. 环境科学学报, 2018, 38(4): 1275-1284. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201804002.htm
    [7] 杨茜, 高阳华, 李振亮. 重庆市霾天气下大气能见度与颗粒污染物的关系[J]. 西南大学学报(自然科学版), 2019, 41(9): 134-140. doi: http://xbgjxt.swu.edu.cn/article/doi/10.13718/j.cnki.xdzk.2019.09.017
    [8] 唐孝炎, 张远航, 邵敏. 大气环境化学[M]. 2版. 北京: 高等教育出版社: 447-449.
    [9] DENNIS R L, BYUN D W, NOVAK J H, et al. The Next Generation of Integrated Air Quality Modeling: EPA's Models-3[J]. Atmospheric Environment, 1996, 30(12): 1925-1938. doi: 10.1016/1352-2310(95)00174-3
    [10] 程兴宏, 刁志刚, 胡江凯, 等. 基于CMAQ模式和自适应偏最小二乘回归法的中国地区PM2.5浓度动力-统计预报方法研究[J]. 环境科学学报, 2016, 36(8): 2771-2782. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201608007.htm
    [11] 谢敏, 钟流举, 陈焕盛, 等. CMAQ模式及其修正预报在珠三角区域的应用检验[J]. 环境科学与技术, 2012, 35(2): 96-101. doi: 10.3969/j.issn.1003-6504.2012.02.020
    [12] 高松, 杜钦, 吴钲, 等. 重庆数值预报后处理系统技术研究[J]. 西南师范大学学报(自然科学版), 2018, 43(11): 125-134. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-XNZK201811021.htm
    [13] 李晓岚, 马雁军, 王扬锋, 等. 基于CUACE系统沈阳地区春季空气质量预报的校验及修正[J]. 气象与环境学报, 2016, 32(6): 10-18. doi: 10.3969/j.issn.1673-503X.2016.06.002
    [14] 何金梅, 刘抗, 王玉红, 等. CUACE模式在兰州城市空气质量预报中的检验订正[J]. 干旱气象, 2017, 35(3): 495-501. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-GSQX201703021.htm
    [15] 李曼, 张载勇, 李淑娟, 等. CUACE系统在乌鲁木齐空气质量预报中的效果检验[J]. 沙漠与绿洲气象, 2014, 8(5): 63-68. doi: 10.3969/j.issn.1002-0799.2014.05.012
    [16] 杨关盈, 邓学良, 王磊, 等. 基于CUACE模式产品的订正方法比较研究[J]. 气象科学, 2017, 37(6): 839-844. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-QXKX201706015.htm
    [17] 吕梦瑶, 程兴宏, 张恒德, 等. 基于自适应偏最小二乘回归法的CUACE模式污染物预报偏差订正改进方法研究[J]. 环境科学学报, 2018, 38(7): 2735-2745. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201807024.htm
    [18] 王茜, 吴剑斌, 林燕芬. CMAQ模式及其修正技术在上海市PM2.5预报中的应用检验[J]. 环境科学学报, 2015, 35(6): 1651-1656. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201506007.htm
    [19] 张岳军, 张怀德, 朱凌云, 等. 太原市PM2.5预报统计修正模型及其应用检验[J]. 环境科学研究, 2018, 31(7): 1207-1213. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX201807006.htm
    [20] DJALALOVA I, DELLE MONACHE L, WILCZAK J. PM2.5 Analog Forecast and Kalman Filter Post-Processing for the Community Multiscale Air Quality (CMAQ) Model[J]. Atmospheric Environment, 2015, 119: 431-442. doi: 10.1016/j.atmosenv.2015.05.057
    [21] 黄思, 唐晓, 徐文帅, 等. 利用多模式集合和多元线性回归改进北京PM10预报[J]. 环境科学学报, 2015, 35(1): 56-64. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201501006.htm
    [22] 麦健华, 于玲玲, 邓涛, 等. 基于GRAPES-CMAQ的中山市空气质量预报系统预报效果评估[J]. 热带气象学报, 2018, 34(1): 78-86. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-RDQX201801008.htm
    [23] 李九彬, 王建力. 2001-2011年重庆市空气质量特征分析[J]. 西南大学学报(自然科学版), 2013, 35(9): 145-153. doi: http://xbgjxt.swu.edu.cn/article/id/jsuns20120638
    [24] 潘锦秀, 晏平仲, 孙峰, 等. 多元线性回归方法对北京地区PM2.5预报的改进应用[J]. 中国环境监测, 2019, 35(2): 43-52. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-IAOB201902008.htm
    [25] 李颖若, 汪君霞, 韩婷婷, 等. 利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响[J]. 环境科学, 2019, 40(3): 1024-1034. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJKZ201903002.htm
    [26] 吴钲, 谢旻, 高阳华, 等. 利用集合均方根卡尔曼滤波反演重庆地区SO2源排放[J]. 环境科学研究, 2018, 31(1): 25-33. doi: https://www.cnki.com.cn/Article/CJFDTOTAL-HJKX201801005.htm
    [27] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 环境空气质量标准: GB 3095-2012[S]. 北京: 中国环境科学出版社, 2016.
    [28] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 水平能见度等级: GB/T 33673-2017[S]. 北京: 气象出版社, 2017.
  • 加载中
图( 4) 表( 2)
计量
  • 文章访问数:  3669
  • HTML全文浏览数:  3669
  • PDF下载数:  295
  • 施引文献:  0
出版历程
  • 收稿日期:  2020-01-09
  • 刊出日期:  2021-07-20

空气质量模式在重庆主城区预报效果检验订正

    作者简介: 芦华，硕士，工程师，主要从事空气质量预报及相关研究
  • 1. 重庆市气象科学研究所，重庆 401147
  • 2. 重庆市气象台，重庆 401147
  • 3. 重庆市环境科学研究院，重庆 401147
  • 收稿日期:  2020-01-09
基金项目:  重庆市气象局创新团队项目(ZHCXTD-202023，ZHCXTD-202003)；重庆市科委技术创新与应用示范项目(cstc2018jszx-zdyfxmX0003)

摘要: 针对CUACE和CMAQ模式在重庆市主城区对PM2.5、O3和能见度的预报水平，分别进行了统计检验和分级检验分析，结果表明，CUACE模式对PM2.5预报准确度高于CMAQ模式，对O3和能见度的预报水平较低，略差于CMAQ模式，两种模式对于超标污染物和低能见度天气预报的准确率较低，存在一定的虚报和漏报；通过多元线性回归对预报结果进行订正，并对订正结果进行检验，发现订正后的预报值标准化平均偏差降低至0.5以内，平均平方根误差也明显降低，相关系数显著提高，偏差分布范围变窄，对超标污染物和低能见度天气的预报准确度有所提高.

English Abstract

    全文HTML

  • 生态文明的建设，对环境气象提出了更多的要求，公众对健康环境的需求也越来越迫切. 随着国民经济和城市化进程的快速发展，工业耗煤量、机动车拥有量以及农作物秸秆燃烧量等不断增加，都市霾天气急剧增多. 空气污染已经成为典型的城市“气象病”之一，引起公众的广泛关注[1-2]. 重庆位于四川盆地东缘，地势呈南北高、中间低，地形沿河流、山脉起伏，其中主城区三面环山，地形闭塞，常年处于高湿条件下，有利于雾和霾的形成，容易形成低能见度天气[3-7]. 过去依据经验以及上级预报产品指导得到的结果，无法在时效性和分辨率上达到公众的要求，因此研发重庆山地高分辨率雾霾数值预报系统十分必要.

    空气质量预报的方法可归纳为统计方法和数值预报方法. 过去依据经验和统计的预报方法，在理论和时效性等方面无法满足需求. 近年来，气象与大气化学模式相结合的数值预报研究发展迅速，具有完备的理论基础，以及高时空分辨率和时效性高等优点. 目前，数值预报已成为空气质量预报的主要趋势[8]. 国外城市空气质量数值预报经验经历了第一代模式模拟系统如EKMA和ISC3，第二代模式模拟系统如ADMS和CAMx等，如今，由美国环保署开发推荐的第三代空气质量模式，核心为空气质量模式CMAQ，该模式在国内外区域和城市空气质量预报中多有应用和研究[9-11]. 重庆市气象局基于现有的数值天气预报系统(SSRAFS)[12]开展了本地化的环境气象数值预报系统建设，引入CMAQ模式进行本地化研究，为污染天气的预报提供了良好的技术支撑和一定的参考价值. 重庆市气象局先后引入了国内外的空气质量模式，2016年引入了中国气象局化学天气数值预报系统(CMA Unified Atmospheric Chemistry Environment，CUACE)，该模式为北京奥运会、上海世博会等活动提供气象服务，现为我国环境气象、雾和霾的数值预报业务系统[13-17].

    由于空气质量模式机理尚未完善，输入的计算数据本身存在偏差，使得模式预报结果存在一定的不确定性，针对CMAQ预报效果，国内外学者先后在多个区域开展了检验和订正研究[11, 18-22]，CUACE预报的相关检验订正研究也在各地开展[13-17]，研究发现模式预报结果在各地应用存在不同程度的偏差，后处理订正方法可以有效地订正模式预报的偏差，川渝地区是空气质量问题较为严重的区域之一，且地形条件复杂，模式的本地化应用具有独特性[10, 17]，因此开展空气质量模式在重庆本地化应用检验研究很有必要，重庆市相关研究起步较晚，对于引入模式本地化效果的评估较少，本研究对重庆市主城区大气成分和能见度的逐时预报进行了统计对比分析，并进行逐日分级定量化检验评估. 过去，重庆地区空气污染的主要类型为SO2和PM10，随着相关治理措施的实行，目前的污染类型主要表现为细颗粒物污染[3, 6, 23]，另外O3亦逐步成为我国重点区域的主要污染物[17]. 因此本研究主要选取了PM2.5、O3和能见度预报水平作为检验的对象，并通过多元线性回归方法对预报值进行滚动订正，并检验订正效果.

1.   资料与方法

    1.1.   使用资料

  • 本研究分析使用了2017年2月17日到2018年2月16日的污染物实测资料，数据来自中国环境监测总站(http://106.37.208.233:20035/)公布的重庆市主城区17个国控监测点逐时观测资料. 并选取了同时期与环境监测点最近的自动气象站能见度数据. 另外，研究使用到2017年2月17日到2018年2月16日WRF-CMAQ和CUACE模式的逐时PM2.5、O3和能见度预报产品，其中WRF版本为V3.5.1，物理参数化方案采用MYJ边界层方案、BMJ积云参数化方案、WSM6微物理过程，CMAQ版本为V4.7.1，水平输送和垂直输送采用ppm方案，水平扩散采用multi-scale方案，垂直扩散采用eddy方案，气相化学机制采用cb05cl机制，气溶胶为AERO4方案，WRF初始场使用了美国国家环境预报中心(NCEP)的全球预报系统(GFS)资料，空间分辨率0.5°×0.5°，3 h时间间隔[24-26]；CUACE模式由气象模块MM5和化学模块组成，MM5采用混合冰相单参数Reisner方案、GRELL积云参数化方案、MRF边界层参数化方案和RRTM辐射方案，化学模块考虑了比较完善的微量气体、气溶胶的物理化学过程，由国家气象中心每日下发指导产品[14-16]. CMAQ模式每日16时起报，CUACE模式每日20时起报，预报未来72 h的污染物质量浓度及能见度等相关量，本研究取模式次日0到24时预报值，通过临近插值法得到17个空气质量监测站点的大气成分和能见度监测数据，即查找距离站点最近的格点值插值为站点值，求取17个站点观测值和预报值的区域平均，进行相关检验. 其中，自动观测的能见度上限为35 km，且能见度范围大于10 km时即认为能见度好[27-28]，因此删除了能见度预报值大于35 km的模式预报和相应观测值进行检验分析.

    • 1.2.   研究方法

    1.2.1.   检验方法

  • 检验采用统计检验和分级检验，统计检验选择指标包括平均偏差MB、标准化平均偏差MNB、平均平方根误差RMSE(公式1-3)和相关系数R. 其中，m(i)为预报值，o(i)为观测值，平均偏差主要反映了预报值与观测值的差值情况，平均平方根误差主要反映预报值围绕观测值的变化情况，可以用来对比数据的离散程度.

    分级检验从超标污染物和较差能见度预报的角度来评价模式预报的效果[18-19]. 通过阈值的设定，将模式预报和观测值对比散点分布划分为4个区间，然后分别计算相关的指标，进行预报效果检验，本研究选取的指标包括准确率、成功率、虚报率和漏报率，如图 1所示.

    对于PM2.5和O3质量浓度的分级检验，参考文献[27]，设定PM2.5质量浓度阈值为75 μg/m3，O3质量浓度阈值为200 μg/m3，计算公式见公式4-7：

    对于能见度，参考文献[28]，设定能见度的阈值为2.0 km，分级检验公式见公式(8)-(11)：

    • 1.2.2.   订正方法

  • 本研究采用了多元线性回归方法对2017年2月到2018年2月PM2.5、O3和能见度预报值进行了订正，并对订正结果进行了对比分析. 考虑到大气成分与气象要素之间存在密切相关，订正过程中考虑了基本气象要素，包括近地面风速、方向、温度、相对湿度以及气压作为自变量，另外还考虑了前期的污染物质量浓度以及能见度，通过计算发现自变量与实时观测值的相关性较好，可以通过95%置信度水平的显著性检验. 订正采用预报日前的10日的观测值、模拟值以及5种气象要素建立滚动的线性回归模型，假设模型具有一定延续性，对未来24 h模式预报值进行逐时滚动订正.

2.   结果与讨论

    2.1.   模式预报和订正效果统计分析

  • 表 1计算得到预报值与观测值逐时相关统计参数，可以看到CUACE模式对PM2.5质量浓度的预报MB值较小，为-0.02 μg/m3，较为理想，MNB为0.29，RMSE为31.27 μg/m3，CUACE模式对PM2.5的质量浓度高估29%，低于50%，模拟效果相对较好[18]. 相比较而言，CMAQ模式对PM2.5质量浓度的预报值偏差相比CUACE较大，MNB为1.49，结合图 2分析发现，主要原因为秋冬季CMAQ模式对PM2.5质量浓度存在显著高估，通过多元线性回归订正，CUACE和CMAQ预报PM2.5质量浓度的MNB分别降低至0.17和0.19，RMSE分别降低至20.52 μg/m3和21.80 μg/m3，订正后的PM2.5质量浓度与实测值偏差较小，预报效果较为理想；对O3质量浓度，CUACE模式预报的MB和NMB相比CMAQ模式较大，CMAQ模式预报O3质量浓度的MB较小，为1.57 μg/m3，MNB为0.40，模拟高估40%，而CUACE模式预报的MNB达到2.68，表明CUACE预报O3质量浓度结果显著偏大，结合图 2可知CUACE系统对O3质量浓度在秋冬季模拟存在明显高估，受到气象场影响较大，两个模式使用气象场不同，从而使得O3质量浓度预报效果存在一定差异，通过后处理订正，MNB降低至0.19和0.21，RMSE显著减小，预报偏差显著降低，准确率提高；对于能见度的预报，两个模式预报存在较大偏差，CUACE和CMAQ模式对能见度的MNB值分别达到了4.16和2.38，分析图 2可知，模式预报的能见度相比观测值存在明显系统性偏差，其中CUACE模式的系统性偏差更显著，CMAQ模式对能见度的预报值相比观测值平均高6.22 km，CUACE模式平均偏高12.22 km，通过多元线性回归方法对预报结果进行订正，系统性偏差有效得到降低，CUACE和CMAQ的MNB值分别降低至0.34和0.41，MB和RMSE也显著降低，从统计参数来看，对能见度预报的订正效果较为理想.

    相关系数反应模式预报值和观测值之间相关关系的密切程度，可以反映模式对于相关量变化趋势的预报水平. 图 3为CUACE和CMAQ模式对于PM2.5、O3和能见度逐时预报值与观测值的散点分布图. 由图 3a与3d可知，模式对PM2.5质量浓度预报值与观测值的拟合线均位于参考线上侧，表明模式预报值相比观测值普遍偏大，其中CUACE模式对PM2.5质量浓度的预报值和观测值的相关系数为0.44，CMAQ仅为0.24，CMAQ模式预报值与观测值散点分布相对更分散，CUACE模式的散点分布集中在参考线附近，而CMAQ拟合线更靠近Y轴，因此CUACE模式预报PM2.5质量浓度相比CMAQ模式更加接近实测值，订正后的PM2.5预报值与实测值的相关性显著提高，相关系数分别达到了0.72和0.69，散点分布更加集中在参考线两侧，拟合线靠近参考线，订正结果对PM2.5质量浓度的趋势预报水平大大提高. 对比图 3b和3e可知，模式对O3质量浓度的预报同样普遍偏大，CMAQ模式的散点相比CUACE较为分散，但CMAQ模式的拟合线相比CUACE略靠近参考线，CUACE模式和CMAQ模式预报O3质量浓度与观测值的相关系数分别为0.42和0.59，结合表 1可知造成这种情况的原因是CUACE模式对O3质量浓度在秋冬季存在明显高估，总体来讲，CMAQ模式对于O3质量浓度趋势变化模拟效果更好，订正后的预报值拟合线更靠近参考线，相关系数提升至0.88和0.86，散点分布更集中. 能见度的模拟值相比观测值显著偏高，相关系数分别为0.19和0.27，结合表 1可知，模式对于能见度的预报整体偏大，拟合线靠近Y轴，相关性较小，其中CUACE的预报偏差相比CMAQ偏差更显著，通过订正，相关性提高到0.73和0.75，拟合线靠近参考线，对于能见度变化趋势的预报显著提高.

    图 4为2017年2月17日到2018年2月16日重庆主城区CUACE和CMAQ模式逐时预报值与同时期观测值差值的概率分布特征图. 分析图 4a与4d可知模式对于PM2.5质量浓度的预报偏差概率分布基本表现为正态分布特征，其中CUACE模式预报偏差85.1%集中在(-40，40] μg/m3，最大频率为32.2%，出现在(-20，0] μg/m3，61.3%的偏差集中在(-20，20] μg/m3，通过订正，79.0%的偏差分布在(-20，20] μg/m3，最大偏差41.4%在(0，20] μg/m3；CMAQ模式预报偏差分布较宽，最大频率为23.1%，出现在(0，20] μg/m3，模式预报偏差的63.7%集中在(-40，40] μg/m3，42.0%的偏差集中在(-20，20] μg/m3，拟合线最高频为正，偏差整体大于0，订正后的CMAQ预报偏差75.9%分布在(-20，20] μg/m3，最大偏差为37.3%在(-20，0] μg/m3. 对O3质量浓度的预报，CUACE的偏差最高频率不是十分突出，(0，20]，(20，40]，(40，60]，(60，80] μg/m3频率基本都在15%左右，其中(40，60] μg/m3频率为16.4%，略高于其他几个区间，分布整体大于0，预报存在明显正偏差，订正后73.5%的偏差集中在(-20，20] μg/m3，最大频率42.3%在(0，20] μg/m3；CMAQ模式预报偏差最高频率30.0%出现在(-20，0] μg/m3，73.9%的偏差集中在(-40，40] μg/m3，47.9%的预报偏差集中在(-20，20] μg/m3，相比CUACE模拟偏差相对集中，且在正负区间分布较均匀，订正后的CMAQ预报偏差74.1%集中在(-20，20] μg/m3，最大频率43.8%出现在(0，20] μg/m3. 能见度的预报偏差，CUACE模式预报存在显著系统性高估，偏差集中在(0，25] km，其间每个间隔内的偏差基本在12%~13%，相比CMAQ模式分布较宽，76.7%的偏差集中在(0，25] km，CMAQ模式偏差76.9%集中在(-5，20] km，存在系统性高估，但相比CUACE偏差较小，最大偏差出现在(0，10] km，其中(0，5] km为22.8%，(5，10] km为21.5%，模式对能见度的预报普遍存在高估，偏差分布不是很集中，后处理订正可以显著修正预报偏差，80%以上偏差集中在(-5，5] km.

    • 2.2.   模式预报效果分级检验

  • 图 2给出了2017年2月18日到2018年2月17日重庆主城区CUACE和CMAQ模式对PM2.5、O3及能见度的逐日预报值、通过多元线性回归订正后的预报值以及观测值随时间变化曲线，PM2.5的观测值集中在0~200 μg/m3，11月-次年2月间秋冬季PM2.5日均值明显升高，CUACE模式模拟PM2.5主要波动范围在0~200 μg/m3，CMAQ模式在秋冬季对PM2.5质量浓度有明显高估，通过订正处理后的预报值逐日变化曲线与实测值的变化趋势更为一致，模式在秋冬季对PM2.5质量浓度的高估得到较好订正；O3的观测值主要集中在0~150 μg/m3，由于温度和光照原因，7-9月夏秋季O3质量浓度相比其他季节显著升高，其中CUACE模式对10月-次年2月间O3质量浓度模拟效果不是很理想，存在明显高估，订正后O3质量浓度值与实测值仍存在一定差异，春夏季存在高估，秋冬季为低估，可能是由于订正中使用自动站观测的气象要素建模，气象因子的观测值与中尺度模式预报值存在一定偏差，进而影响到O3质量浓度的预报；能见度的分布主要为夏季高，冬季低，不仅与大气污染物质量浓度变化相关，还受到相对湿度、温度等气象因子变化引起的雾等过程的影响，CUACE和CMAQ模式对能见度的预报均存在高估，订正处理后的能见度预报值与实测值变化趋势较为一致，对模式预报显著性高估有较好的修正效果.

    通过分级检验(表 2)，可以看到CUACE和CMAQ模式预报PM2.5质量浓度的准确率分别为84.2%和68.0%，但是成功率相对较低，分别为21.0%和20.7%，其中CUACE模式的漏报率和虚报率分别达到65.7%和65.0%，说明CUACE模式对于超标污染物的预报准确度较低，而CMAQ模式虚报率高达77.5%，漏报率只有27.7%，说明CMAQ模式成功率低的原因主要由于模式对于超标污染物的高估；订正结果对PM2.5的预报准确率和成功率均有所提高. CUACE预报的虚报率和漏报率降低，说明对超标污染物的预报准确度经过订正有所提高. CMAQ预报订正结果对超标污染物的高估有所修正，但是漏报率却提高到59.2%；CUACE和CMAQ模式对O3预报准确率较高，但是CUACE预报的成功率很低，只有10.2%，漏报率和虚报率较高，说明CUACE对于超标的O3质量浓度预报准确度不是很高，相比之下，CMAQ模式对超标O3的预报效果相对较好；通过订正处理，模式对于O3预报的准确率和成功率升高，漏报率和虚报率降低，说明订正后的结果对于超标污染物的预报准确度有所提高；对于能见度的预报准确率较高，结合前文分析，可知能见度的预报虽然整体偏差较大，但是分级检验指标表现较好. CUACE和CMAQ模式预报成功率均较低，分别只有7.2%和0.2%，而虚报率和漏报率很高，说明模式对于较差能见度的预报漏报和虚报较多，订正结果将2个模式对能见度预报的成功率均提高到22.0%，同时虚报率和漏报率降低，订正结果对较差能见度预报水平有所提高.

3.   结论

  • 由统计检验结果可知，对于PM2.5质量浓度的预报，CUACE统计参数优于CMAQ模式，散点分布较为集中，相关系数较高，预报偏差的概率分布相对集中在0左右，分布区间较窄，分级检验结果表明，CMAQ模式对PM2.5质量浓度的预报准确率较低，虚报率较高，主要原因在于模式秋冬季对PM2.5质量浓度预报存在明显高估.

    由于气象场不同等原因，对于O3质量浓度的预报，CMAQ模式的统计参数优于CUACE模式，CUACE模式散点分布较为分散，相关系数低于CMAQ模式，预报偏差的概率分布区间较宽，预报偏差明显偏于正值，CUACE模式对超标O3质量浓度的预报水平较低，略差于CMAQ模式.

    CUACE和CMAQ模式对能见度的预报分别平均偏高12.22 km和6.22 km，模式预报和观测值的相关系数较低，偏差的概率分布显著偏向正值，存在明显正偏差，分级检验的结果表明，模式对较差能见度的预报准确率很低，虚报和漏报较多.

    通过多元线性回归对模式预报PM2.5、O3和能见度结果进行后处理订正，检验结果表明了订正结果能够有效修正模式预报偏差，MNB均小于0.5，结果较为理想，相关系数显著提高，订正结果散点分布相比原始预报结果集中在参考线两侧，拟合线贴近参考线，偏差概率分布范围变窄，PM2.5和O3的偏差超过70%集中在(-20，20] μg/m3，能见度预报偏差的80%以上集中在(-5，5] km，对能见度预报存在的明显正偏差，实现有效订正，订正结果对较差能见度的预报准确率明显提高，虚报率和漏报率明显降低.

    总的来讲，CUACE模式对于PM2.5质量浓度预报效果较好，而CMAQ模式对于O3和能见度的预报效果优于CUACE模式，但均存在明显偏差，模式对超标污染物的预报不甚理想，对于低能见度天气的预报准确度较低，通过多元线性回归方法订正结果，有效提高了模式对于大气成分和能见度的预报效果，尤其是对超标污染物和低能见度天气的预报准确度显著提高.

参考文献 (28)

目录

版权所有：西南大学学报（自然科学版）

地址：重庆市北碚区西南大学 电话：023-68254576, 68252540, 68366165,68366917 电子邮箱：lkxb@swu.edu.cn

本系统由北京仁和汇智信息技术有限公司开发

/

返回文章
返回