最優化集成方法在城市臭氧數值預報中的應用研究

吳劍斌，肖林鴻，晏平仲，李健軍，皮冬勤，陳煥盛，趙江偉，王 威

1.中國科學院大氣物理研究所，北京 100029 2.中科三清科技有限公司，北京 100029 3.中國環境監測總站,國家環境保護環境監測質量控制重點實驗室，北京 100012

最優化集成方法在城市臭氧數值預報中的應用研究

吳劍斌1,2，肖林鴻2，晏平仲1,2，李健軍3，皮冬勤2，陳煥盛1,2，趙江偉2，王 威3

1.中國科學院大氣物理研究所，北京 100029 2.中科三清科技有限公司，北京 100029 3.中國環境監測總站,國家環境保護環境監測質量控制重點實驗室，北京 100012

基于多模式(NAQPMS、CMAQ、CAMx、WRF-Chem)空氣質量數值預報業務系統的滾動預報結果，結合站點觀測資料，評估了最優化集成方法在城市臭氧數值預報中的可行性和預報效果。一年的評估結果表明：當訓練期為15 d時，最優化集成方法能夠得到相對較好的結果。總體而言，最優化集成方法對城市臭氧濃度變化趨勢和濃度水平的預報效果明顯優于單個模式，且在大部分城市優于多模式的最優預報，其預報值和觀測的相關系數提高0.11以上，均方根誤差降低約10 μg/m3；該方法對城市臭氧污染等級的預報能力也明顯優于單個模式，特別是輕、中度污染。此外，在模擬偏差較大的城市，最優化集成方法對預報效果的改進更為顯著；在模擬偏差較小的城市，該方法仍可進一步提升預報效果。

臭氧；數值預報；集合預報；最優化集成方法

城市和工業區高濃度臭氧已經成為全球性的空氣污染問題，隨著中國過去30年化石燃料消耗的日益增加，臭氧前體物排放量迅速增多，并超過歐美等發達地區，致使中國臭氧污染問題尤為突出[1-4]。MADANIYAZI等[5]基于空氣質量模式估計了2005—2030年中國東部地區與臭氧相關的死亡率，發現在目前的污染控制標準下，不考慮人口增加，2030年中國東部因臭氧相關疾病過早死亡的人數至少會增加4萬。長時間暴露在高濃度臭氧環境中會增加人體健康風險[6-7]，合理的空氣質量預報能夠幫助政府部門做出相應決策，以限制人為污染物的排放量，同時引導公眾規避污染峰值期，減少暴露時間[8]。隨著計算機技術不斷提升，區域空氣質量模式已經成為短時臨近和中期空氣質量預報的主要手段[9-11]。德國[12]、日本[13]、美國[14]和中國[15]等基于區域空氣質量模式，相繼構建了多模式空氣質量數值預報業務系統。

空氣質量模式能模擬污染物的物理和化學反應過程，并能給出具有物理意義的四維污染物濃度時空特征[9]，但由于大氣的混沌性、模式物理過程與參數化方案的缺陷以及排放源的不確定性，數值模式預報的臭氧濃度仍存在偏差。當觀測臭氧濃度較低時，空氣質量模式往往會出現高估的現象[16-17]。GILLIAM等[18]將模式對低臭氧濃度的高估歸因于模式對夜間邊界層混合高度再現能力較差；而EDER等[19]認為，在高云條件下模式會過多地向下輸送上層大氣臭氧，從而使得底層臭氧濃度偏高。CHUANG等[20]評估WRF-Chem的預報結果發現，模式高估了美國東南大部分區域的臭氧濃度，并將該偏差歸因于前體物排放量的不準確。

多模式集合預報是減少數值模式偏差對預報準確率影響的常用方法之一。集合方法被廣泛地用于業務天氣預報中，MONACHE等[21-23]最早將多模式集合方法引入到空氣質量的業務預報中，并發現集合預報效果顯著優于單個模式的表現。PAGOWSKI等[24]采用Richardson成本損失-決策模型比對了單一模式和動力線性回歸集合預報的結果，發現集合預報能夠獲得更多的經濟價值。多模式集合預報應用于中國空氣質量業務預報中的時間相對較晚，王茜等[25]基于NAQPMS、CMAQ、CAMx、WRF-Chem等多個數值模型對上海市的空氣質量進行集合預報，發現集合預報能夠較好地模擬出主要污染物的日變化趨勢，王自發等[15，26]分別對北京、廣州空氣質量集合預報做了一些探索。空氣質量模式較大的不確定性使得多模式集合方法在空氣質量預報中大有所為，但模式對臭氧的預報結果往往會存在較為明顯的系統性偏差，在對臭氧業務預報濃度進行集合預報時，采用合適的算法將系統偏差剔除能夠獲得更優的改進效果[19]。考慮到模式偏差隨時間不停演變，通過觀測實時更新校正參數可能會得到更好的集合預報效果，本文在臭氧業務預報中引入一種新的集合方法，并評估該方法的預報性能，以期對臭氧預報準確率有所提高。

1 實驗部分

1.1數值模式

模式數據源自中國環境監測總站的環境空氣質量數值預報模式系統2015年9月1—30日的預報結果，集合成員包括中國科學院大氣物理研究所自主開發的嵌套網格空氣質量預報模式系統NAQPMS[27]、美國環保局(USEPA)的CMAQ模式[28]、美國Environ公司的空氣質量綜合模擬系統 CAMx[29]、美國大氣海洋局(NOAA)預報系統實驗室(FSL)開發的WRF-Chem模式[30](以下分別稱為模式1、模式2、模式3、模式4)。各模式均使用多重嵌套模擬，同時采用統一的區域設置和污染源排放清單，并由中尺度氣象模式WRF提供統一的氣象預報場。為了覆蓋更多的觀測站點，得出具有統計意義的結論，集合預報實驗采用第二層區域的模擬結果，其水平分辨率為15 km，網格數為243×273(圖1)。

注：底圖源自國家測繪地理信息局網站(http://219.238.166.215/mcp/index.asp)下載的1∶6500萬政區版中華人民共和國底圖，審圖號為GS(2008)1372 號，下載日期為2015-09-01。圖1 模式第二層嵌套區域以及評估城市的分布Fig.1 Second domain of model and the distribution of observation stations

1.2最優化集成方法

最優化集成方法(OCF)是由WOODCOCK等[31]提出的用于澳大利亞氣象業務預報的一種方法，漆梁波等[32]用該法對上海溫度和相對濕度等氣象要素進行集合預報，發現OCF優于卡爾曼濾波集合方法。本文采用相似的技術對臭氧進行集合預報。OCF方法主要分為3步，首先計算模式在訓練期平均偏差，并借此計算校正后各模式在訓練期的平均絕對誤差；然后根據平均絕對誤差確定權重系數；最后校正模式預報值的系統偏差，并對校正結果進行權重集合。為了快速地適應模式偏差變化，OCF的訓練期一般較短，使得校正參數和權重系數易受缺省值和極端值的影響，為了彌補這一不足，OCF采用一個魯棒性較強的統計量來表征訓練期平均偏差，其計算公式：

式中：wi表示第i個模式的權重；ei為校正后各模式在訓練期的平均絕對誤差。

最后對預報時刻的模式結果做校正，并進行權重集合，公式：

式中：OCF為集合預報結果；fi為各模式預報結果。

1.3評估方法

觀測資料為全國城市空氣質量實時發布平臺中1 529個國控站點的臭氧日最大8 h滑動平均濃度，并提取離觀測點最近的網格數作為模式資料，時間為2015年9月1—30日。本文以地級市為單位，對國控站點平均臭氧濃度的集合預報結果進行評估(城市分布如圖1所示)。OCF需要歷史的觀測和模式預報資料作為訓練期，因而最終的評估時段為2015年10月1日至2016年9月30日，并選用相關系數(r)和均方根誤差(RMSE)來進行預報效果評估，其計算公式：

2 結果與討論

2.1訓練期

不同的訓練期對校正參數和權重系數的計算影響較大[式(1)和式(2)]，考慮到實驗的站點較多，計算量較大，本文在前期測試中挑選了34個重點城市，對比了訓練期分別為7、10、15、20、25、30、40、50、70、100 d時OCF預報臭氧濃度的效果，發現訓練期為15 d時，OCF能夠得到相對最好的結果。為了更進一步確認訓練期，考察了模式偏差的穩定性，模式偏差的穩定性通過計算預報時刻的誤差與訓練期的平均偏差的均方根誤差獲得[19]，具體計算公式：

圖2給出了4個模式偏差穩定性與訓練期之間的關系。隨著訓練期的增加，各個模式預報誤差穩定性基本呈現先降低后升高的形勢，當訓練期為15～25 d時，模式預報時刻的誤差與訓練期的平均偏差最為接近，這與前期的測試結果基本一致。為了更好地適應誤差的快變過程，在對臭氧濃度進行集合預報時，選用15 d作為訓練期。統計表明，4個模式對單個站點的模擬效果并不理想，存在較大偏差。模式24 h時效預報的1 529個站點臭氧濃度平均均方根誤差達到了56 μg/m3以上(4個模式的平均均方根誤差分別為57.5、58.4、64.0、56.5 μg/m3)，與此相比，模式預報時刻的誤差與訓練期的平均偏差之間的均方根誤差相對較小，這也進一步證明了校正的意義。

2.2預報結果評估

根據前期的測試結果，本文將訓練期設為15 d，以此來對1 529個站點進行集合預報。同時，選用城市平均臭氧濃度作為評估對象(城市內所有站點的平均)，評估的時效為24、48、72 h，時間段為2015年10月1日至2016年9月30日。

圖2 臭氧日最大8 h滑動平均濃度誤差(24 h時效結果)的穩定性與訓練期的關系Fig.2 Persistence averaged by 1 529 stations of the daily maximum 8-hour ozone bias of four models vs. length of the training period

模式基本能夠再現觀測到的399個城市平均臭氧濃度變化趨勢(表1)，不同模式的模擬效果存在一定的差異，4個模式24 h時效預報399城市的結果與觀測的平均相關系數為0.56～0.66。不同時效之間的差異不明顯，模式24 h時效預報的結果略好于其他時效的預報結果。對比模式與集合預報的結果可以發現，OCF預報城市平均臭氧濃度與觀測相關系數明顯優于單個模式，甚至優于4個模式在大多數城市的最優表現。表1給出了OCF相對于最優模式的改進效果，OCF 24 h時效預報的相關系數(r)相對于最優的模式提高了0.11。4個模式24 h時效預報399城市的結果與觀測的平均均方根誤差為33～42 μg/m3，而OCF預報的平均均方根誤差降至24 μg/m3(表2)。從均方根誤差的角度來看，集合預報在幾乎所有城市均有改進效果。可見，OCF的預報結果從變化趨勢和濃度水平2個方面均明顯優于單個模式的預報效果，甚至在大部分城市優于4個模式的最優預報效果。

表1 4個模式和OCF預報的臭氧濃度與觀測的相關系數和均方根誤差的平均值

業務中常采用空氣質量指數給公眾提供健康指引[33]，模式預報的空氣質量等級是否與觀測符合已經成為評價模式性能的重要標志，本文采用王曉彥等[34]給出的方法對模式和OCF預報的臭氧污染等級進行評估。首先計算臭氧的空氣質量分指數(IAQI)，然后再判斷臭氧的污染等級，其中IAQI≤50為優、50

圖3給出了模式和OCF預報的4個季節最大臭氧8 h滑動平均的空氣質量分指數的準確率，從污染天數可以看出，夏季的臭氧污染較多，冬季污染較少。模式對4個季節的優良模擬效果較強，而對輕度和中度污染的模擬效果偏弱(表2)，這種現象在冬季尤為明顯，效果最優的模式對冬季臭氧IAQI為優的預報準確率高達93%，考慮到冬季各城市臭氧污染為優的平均天數在80 d左右，模式對整個冬天的預報準確率也會較高，然而模式對冬季輕度污染幾乎沒有預報能力，MCKEEN等[19]也發現，空氣質量模式對臭氧質量濃度大于85 μg/m3時的模擬能力較弱。對比4個模式與OCF可知，在優良時，似乎OCF的結果較模式最優略差，但仔細對比會發現，模擬IAQI為優較準確的模式在污染為良時表現較差，而OCF在優和良表現均較好，就整體而言，OCF對優良的預報有一定的改進。集合預報被批評較多地方的是統計方法常常對平均狀態的預報改進顯著，但會漏掉極端值的預報[35]，從圖3可以看出，OCF預報臭氧輕度污染和中度污染的準確率明顯高于各個模式。從一年的結果來看，各個模式預報準確率為71.31%～77.96%，而OCF預報的準確率高達84.87%，相對最優模式提高了7%左右，特別是OCF對輕度污染和中度污染預報準確率的提升效果尤為明顯，準確率幾乎是模式最優結果的2倍。

圖3 4個模式和OCF 24 h時效預報的城市臭氧空氣質量分指數的準確率Fig.3 Accuracy of ozone prediction 24 h abead by four models and OCF for each season averaged

%

2.3OCF預報效果與模式預報效果的關系

從前面分析可以看出，OCF對城市平均臭氧濃度預報效果改進明顯，但這種改善效果也存在較為明顯的差異性。從圖4可以看到，OCF對相關系數的改善作用隨著模式的平均相關系數的增加而降低，當模式的平均相關系數小于0.4時，OCF的改進效果均為正，模式本身的預報效果較差時，OCF改進作用顯著。而模式平均誤差為0.4～0.8時，OCF的預報結果可能會低于模式最優，但仍優于模式平均[圖4(a)]。模式表現較優時(相關系數大于0.8)，OCF的改進效果也均為正效應，從圖4(b)中可以得到相似的結論。OCF的預報效果隨著模式平均預報效果增加而變好，集合預報效果依賴于集合成員的預報效果，一個好的集合效果是建立在較好的數值模式預報效果的基礎上，提升模式的性能是改善預報效果的根本手段。

總體而言，OCF對城市臭氧預報效果的改進是顯著的。該方法的不足之處在于，OCF是根據過去的一段時間模式的平均偏差去校正預報時刻的偏差，當誤差波動較大時，OCF的校正會使得模式的結果變差，這是由于過多相信歷史階段給出的信息，同時沒有考慮到誤差穩定性的問題。后期工作中，可繼續開發更為靈活的校正和集合算法。

圖4 OCF的預報效果以及OCF改進程度與模式平均預報效果的散點圖Fig.4 Peformance and improvement of OCF vs. the mean performance of for moldels

3 結論

基于NAQPMS、CMAQ、CAMx、WRF-Chem 4套空氣質量模式對中國1 529個國控站點的一年臭氧數值預報結果，結合觀測資料評估城市臭氧預報效果，構建應用最優化集成方法(OCF)提升城市臭氧預報能力，得到以下主要結論：

1)空氣質量模式在一定程度上能夠再現城市平均臭氧濃度的變化趨勢，模式預報我國東北、華北地區的城市平均臭氧濃度效果較好，但數值預報結果存在系統性偏差，當日預報偏差與過去15～25 d預報偏差存在較好的一致性。

2)從相關系數和均方根誤差2項指標比較，OCF預報都顯著優于單個模式預報，相關系數可提高0.11以上，均方根誤差可降低近10 μg/m3；對大部分城市，OCF預報優于多模式的最優預報，對臭氧輕度污染和中度污染的預報效果改進更為顯著。

3)OCF的預報效果依賴于集合成員本身的模擬效果。在模擬偏差較大的城市，OCF方法對預報效果的改進更為顯著；在模擬偏差較小的城市，仍可進一步提升預報效果。模式預報相關系數為0.6左右時，OCF的模擬效果可能會低于模式最優，但仍好于模式平均預報效果。

[1] WANG T, XUE L, BRIMBLECOMBE P, et al. Ozone pollution in China: A review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2016, 575:1 582-1 596.

[2] MA Z, XU J, QUAN W, et al. Significant increase of surface ozone at a rural site, north of eastern China[J]. Atmospheric Chemistry & Physics, 2016, 16(6):3 969-3 977.

[3] TIAN H, REN W, TAO B, et al. Climate extremes and ozone pollution: a growing threat to China′s food security[J]. Ecosystem Health & Sustainability, 2016, 2(1): 1 203.

[4] 潘本鋒, 程麟鈞, 王建國,等. 京津冀地區臭氧污染特征與來源分析[J]. 中國環境監測, 2016, 32(5):17-23.

PAN Benfeng, CHENG Linjun, WANG Jianguo, et al. Characteristics and source attribution of ozone pollution in Beijing-Tianjin-Hebei Region[J]. Environmental Monitoring in China, 2016, 32(5):17-23.

[5] MADANIYAZI L, NAGASHIMA T, GUO Y, et al. Projecting ozone-related mortality in East China[J]. Environment International, 2016, 92/93:165-172.

[6] SHANG Y, SUN Z, CAO J, et al. Systematic review of Chinese studies of short-term exposure to air pollution and daily mortality[J]. Environment International, 2013, 54(4):100-111.

[7] JERRETT M, ITO K, THURSTON G, et al. Long-term ozone exposure and mortality[J]. New England Journal of Medicine, 2009, 360(11):1 085-1 095.

[8] TAMAS W W, NOTTON G, PAOLI C, et al. Urban ozone concentration forecasting with artificial neural network in Corsica[J]. Mathematical Modelling in Civil Engineering, 2016, 10(1):29-37.

[9] ZHANG Y, BOCQUET M, MALLET V, et al. Real-time air quality forecasting, part I: History, techniques, and current status[J]. Atmospheric Environment, 2012, 60(32):632-655.

[10] 王曉彥, 趙熠琳, 霍曉芹,等. 基于數值模式的環境空氣質量預報影響因素和改進方法[J]. 中國環境監測, 2016, 32(5):1-7.

WANG Xiaoyan, ZHAO Yilin, HUO Xiaoqin, et al. Discussion on the influence factors and improvement methods of ambient air quality forecasting based on numerical models[J]. Environmental Monitoring in China, 2016, 32(5):1-7.

[11] 劉冰, 王曉彥, 汪巍,等. 預報方法導向的系統化空氣質量預報業務作業平臺設計[J]. 中國環境監測, 2016, 32(2):1-10.

LIU Bing, WANG Xiaoyan, WANG Wei, et al. Systemitic design for operation platform of air quality forecast based on forecast methods[J]. Environmental Monitoring in China, 2016, 32(2):1-10.

[12] RUFEGER W, MIETH P. The dymos system and its application to urban areas[J]. Environmental Modelling & Software, 1998, 13(3):287-294.

[13] OHARA T, FUJITA A, KIZU T, et al. Advanced Air Quality forecasting system for chiba prefecture[M]. Springer US:Air Pollution Modeling and Its Application XII, 1998:625-634.

[14] MCHENRY J N, RYAN W F, Seaman N L, et al. A real-time eulerian photochemical model forecast system: overview and initial ozone forecast performance in the northeast US Corridor[J]. Bulletin of the American Meteorological Society, 2004, 85(4):525-548.

[15] 王自發，吳其重，ALEX G等. 北京空氣質量多模式集成預報系統的建立及初步應用[J]. 南京信息工程大學學報：自然科學版, 2009, 1(1): 19-26.

WANG Zifa, WU Qizhong, ALEX G, et al. Ensemble air quality multi-model forecast system for Beijing (EMS-Beijing): Model description and preliminary application[J]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 2009, 1(1):19-26.

[16] YU S, MATHUR R, SCHERE K, et al. A detailed evaluation of the Eta-CMAQ forecast model performance for O3, its related precursors, and meteorological parameters during the 2004 ICARTT study[J]. Journal of Geophysical Research Atmospheres, 2007, 112(D12):185-194.

[17] CHEN J, VAUGHAN J, AVISE J, et al. Enhancement and evaluation of the AIRPACT ozone and PM2.5forecast system for the Pacific Northwest[J]. Journal of Geophysical Research Atmospheres, 2008, 113(D14):762-770.

[18] GILLIAM R, HOGREFE C, RAO S. New methods for evaluating meteorological models used in air quality applications[J]. Atmospheric Environment, 2006, 40(26):5 073-5 086.

[19] EDER B, MATHUR K R, YU S, et al. An Operational Evaluation of ETA-CMAQ Air Quality Forecast Model[J]. Atmospheric Environment, 2006, 40(26):4 894-4 905.

[20] CHUANG M T, ZHANG Y, KANG D. Application of WRF/Chem-MADRID for real-time air quality forecasting over the Southeastern United States[J]. Atmospheric Environment, 2011, 45(34):6 241-6 250.

[21] MONACHE L D, STULL R B. An ensemble air-quality forecast over western Europe during an ozone episode[J]. Atmospheric Environment, 2003, 37(25):3 469-3 474.

[22] MCKEEN S, WILCZAK J, GRELL G, et al. Assessment of an ensemble of seven real-time ozone forecasts over Eastern North America during the summer of 2004[J]. Journal of Geophysical Research Atmospheres, 2005, 112:3 003-3 013.

[23] PAGOWSKI M, GRELL G A, MCKEEN S A, et al. A simple method to improve ensemble-based ozone forecasts[J]. Geophysical Research Letters, 2005, 320(7):351-394.

[24] PAGOWSKI M, GRELL G A. Ensemble-based ozone forecasts: Skill and economic value[J]. Journal of Geophysical Research Atmospheres, 2006, 111(D23):23-30.

[25] 王茜, 伏晴艷, 王自發,等. 集合數值預報系統在上海市空氣質量預測預報中的應用研究[J]. 環境監控與預警, 2010, 2(4):1-6.

WANG Qian, FU Qingyan, WANG Zifa, et al. Application of ensemble numerical model system on the air quality forecast in Shanghai[J]. Environmental Monitoring and Forewarning, 2010, 2(4):1-6.

[26] 陳煥盛, 王自發, 吳其重,等. 空氣質量多模式系統在廣州應用及對PM10預報效果評估[J]. 氣候與環境研究, 2013, 18(4):427-435.

CHEN Huansheng, WANG Zifa, WU Qizhong, et al. Application of air quality multi-model forecast system in Guangzhou:model description and evaluation of PM10forecast performance[J]. Climatic and Environmental Research, 2013, 18(4):427-435.

[27] 王自發，謝付瑩，王喜全，等，嵌套網格空氣質量預報模式系統的發展與應用[J]. 大氣科學，2006,30(5):778-790.

WANG Zifa, XIE Fuying, WANG Xiquan, et al. Development and application of nested air quality prediction modeling system[J]. Chinese Journal of Atmospheric Sciences, 2006, 30(5):778-790.

[28] DENNIS R L, BYUN D W, NOVAK J H, et al. The next generation of integrated air quality modeling: EPA′s Models-3 [J]. Atmos Environ, 1996,30(12): 1 925-1 938.

[29] NOPMONGCOL U, KOO B, TAI E, et al. Modeling europe with CAMx for the air quality model evaluation international initiative (AQMEII)[J]. Atmospheric Environment, 2012, 53(2):177-185.

[30] GRELL G A, PECKHAM S E, SCHMITZ R, et al. Fully coupled “online” chemistry within the WRF model[J]. Atmospheric Environment, 2005, 39(37):6 957-6 975.

[31] WOODCOCK F, ENGEL C. Operational Consensus Forecasts[J]. Weather & Forecasting, 2005, 20(1):101-111.

[32] 漆梁波, 曹曉崗, 夏立,等. 上海區域要素客觀預報方法效果檢驗[J]. 氣象, 2007, 33(9):9-18.

QI Liangbo, CAO Xiaogang, XIA Li, et al. Verification of weather elements objective forecast in Shanghai regional meteorological center[J]. Meteorological Monthly, 2007, 33(9):9-18.

[33] 潘本鋒, 李莉娜. 環境空氣質量指數計算方法與分級方案比較[J]. 中國環境監測, 2016, 32(1):13-17.

PAN Benfeng, LI Lina. Comparison of the calculating method and classifying program of air quality index among some countries[J]. Environmental Monitoring in China, 2016, 32(1):13-17.

[34] 王曉彥, 陳佳, 朱莉莉,等. 城市環境空氣質量指數范圍預報方法初探[J]. 中國環境監測, 2015, 31(6):139-142.

WANG Xiaoyan, CHEN Jia, ZHU Lili, et al. Discussion on the methods of urban ambient air quality index range forecasting[J]. Environmental Monitoring in China, 2015, 31(6):139-142.

[35] MALLET V, STOLTZ G, MAURICETTE B. Ozone ensemble forecast with machine learning algorithms[J]. Journal of Geophysical Research Atmospheres, 2009, 114(D5):1 007-1 012.

ApplicationofOptimalConsensusForecastinUrbanOzonePrediction

WU Jianbin1,2, XIAO Linhong2, YAN Pingzhong1,2, LI Jianjun3, PI Dongqin1, CHEN Huansheng1,2, ZHAO Jiangwei1, WANG Wei3

1.Chinese Academy of Sciences, Beijing 100029, China 2.Clear Technology Co. Ltd, Beijing 100029, China 3.State Environmental Protection Key Laboratory of Quality Control in Environmental Monitoring, China National Environmental Monitoring Centre, Beijing 100012, China

An air quality operational forecasting system, consisting of NAQPMS, CMAQ, CAMx and WRF-Chem numerical models, provides real-time air pollutants predictions. In this study, the method of optimal consensus forecast (OCF) is applied to assemble ozone prediction from these four air quality models. The performance of verification shows that OCF can get better results with the training period of 15 days. In general, the OCF is distinctly superior to individual model in predicting the variation and concentration level of ozone for most cities, with the correlation coefficient increased by over 0.11 and the root mean square error decreased by nearly 10. In addition, the performance of the ozone prediction by OCF depends on the skill of each member of the ensemble. The improvement of ozone prediction by OCF could be more significant when the model deviation is larger in some cites, and become smaller under an ensemble of better model skills.

ozone; numerical forecast; ensemble forecast; optimal consensus forecast

X84

：A

：1002-6002(2017)04- 0213- 08

10.19316/j.issn.1002-6002.2017.04.27

2016-12-17;

：2017-03-02

國家重點研發計劃項目(2016YFC0208803)；中國科學院戰略性先導科技專項(XDB05030204)；環保公益性行業科研專項(201509014)；國家自然科學基金資助項目(41505105)

吳劍斌(1983-)，男，廣東湛江人，博士，高級工程師。

晏平仲