天津WRF-Chem模式空氣污染濃度預報誤差時空分析

馬庚雪，李 鋼，楊健博

（1.天津市北辰區氣象局 天津300400；2.天津市氣象臺 天津300074；3.天津市氣象科學研究所 天津 300074）

0 引 言

天津作為京津冀經濟圈的核心功能區之一，隨著近幾年經濟的快速發展，空氣污染一直都是影響社會生產和市民生活的重要問題，氣象部門對環境污染的預報準確度及對環境污染的治理和決策有重要影響，意義重大。

目前對大氣污染物濃度的預報方法［1］一般有2種：一種為統計預報，另一種為數值預報。基于大氣動力學理論，數值預報建立了大氣污染物在空氣中稀釋擴散的數值模型，可通過計算機運算預測大氣污染物在空氣中的動態分布。國外先進全球環境模式被眾多學者所研究，如葛翠等［2］、劉茜霞等［3］利用MOZART-2模式對東亞地區的O3、CO濃度進行了系統性的評估。Henze等［4］使用GEOS-CHEM全球大氣化學輸運模式模擬美國的氣候學氣溶膠水平，很好地再現了硫酸鹽濃度、PM2.5濃度、CO濃度等，表明此模式是模擬美國上空氣溶膠濃度的合適工具。羅淦等［5］利用全球環境大氣輸送模式（Global Environment Atmospheric Transport Model, GEATM）對2004年全球污染物進行模擬，通過對比發現，二氧化硫模擬濃度與實況觀測數據的相關系數較高，表明該模式對于大氣化學成分分布狀況具有較強的模擬能力。程興宏等［6］比較了中尺度MM5模式和WRFChem模式提供的氣象場對華北地區SO2和NO2源同化反演效果及其質量濃度預報的差異和氣象要素對二者的影響及其物理機制，結果表明，WRF-Chem模式模擬的氣象要素優于MM5模式。蔡子穎等［7］應用WRF-Chem數值模式以CO為示蹤物模擬了其濃度變化，定量描述了3種影響因素，完成了天津重污染天氣成因數值歸因分析。龐楊等［8］應用WRF-Chem數值模式研究了京津冀地區近地面污染物濃度的時空變化特征，發現模式模擬效果較好。尹志聰［9］以年際增量為預測對象，選取前期外強迫因子為自變量，建立了逐月的冬季霾日數季節尺度預測模型，對霾日數變化的長期趨勢具有很好的預測能力。

中尺度數值模式的分辨率更高，微物理過程、積云對流方案等設置各有差異。目前天津市氣象局所采用的WRF-Chem模式較為成熟，且在進行不斷升級中，與MM5、ETA模式相比，WRF-Chem模式具有許多優勢。如MM5模式框架陳舊，程序規范化、標準化程度不高；ETA模式很難及時吸收各種優秀研究成果，推廣受限；WRF-Chem模式在動力框架上的優越性使其能夠提供效果更佳的多種物理量場。因此，綜合多方面考量，在本文的研究中使用WRF-Chem模式。

大氣污染的發生是一個十分復雜的現象，具有區域性、連續性特點，而環境監測站只能監測獲取站點數據。因此，為表現研究區域內大氣整體的污染水平，需要對這些站點資料進行插值分析，以展示其空間分布特征。常用的空間插值方法有克里金法（Kriging）、反距離加權法（IDW）、樣條函數法（Spline）、泰森多邊形法（Voronoi）等。我國眾多學者［10-13］都對氣溫、降水、空氣質量指數等氣象要素進行過多方面的研究，結果顯示，在空氣質量指數的空間插值方法選取中，Krging、IDW 2種方法效果接近，故本文選擇IDW方法進行空氣質量指數空間分布特征的研究。

綜上，本文擬使用統計分析方法（相關系數、相對誤差、絕對誤差）和IDW空間插值方法對2019—2021年天津WRF-Chem模式的6種大氣污染物預報結果做時空分布特征分析。

1 資料與方法

1.1 資料

本文討論的模式版本為WRF-Chem 3.9.1，該模式考慮了大氣污染的化學過程、平流輸送、湍流擴散、干濕沉降過程。氣相化學過程采用CBMZ機制，氣溶膠過程采用MOSAIC模型，主要物理過程設置如下：積云對流方案采用grell-3D，微物理過程采用WSM5，長波輻射方案和短波輻射方案均采用RRTMG，考慮氣溶膠直接輻射反饋，邊界層方案使用YSU，模式水平分辨率15 km，水平網格121×121，中心經緯度為39 N°、117 E°，垂直方向分為41層。

本文討論模式結果為天津地區2019年1月1日至2021年12月31日WRF-Chem模式的日預報結果，實況數據為天津地區28個環境監測站的PM2.5、PM10、O3、NO2、SO2、CO 共6種污染物濃度逐小時數據。

1.2 方法

1.2.1 統計分析方法

①分析模式預報結果和實況的相關關系采用斯皮爾曼相關系數方法。

②分析模式預報結果和實況的誤差運用絕對誤差和相對誤差2個分析方法，公式為：

其中：X為模式預報結果；Y為實況值；D為正值表示正偏差，代表模式預報結果高于實況值（D為負值表示負偏差，代表模式預報結果低于實況值；D為0則代表預報正確）。

其中：X為模式預報結果；Y為實況值；B越接近0%表示預報誤差越小，預報越準確。

1.2.2 空間插值方法

運用反距離加權插值方法（IDW）將天津28個站點的污染物濃度插值到全市，并做出了各污染物濃度的空間分布。

IDW插值方法為確定性插值法，預測點的值取決于一定距離其站點內的屬性值，其一般方程為：

2 天津WRF-Chem 3.9.1模式預報效果時間檢驗

2.1 模式年際預報效果檢驗

運用2019—2021年天津WRF-Chem模式6種主要大氣污染物濃度預報結果的日平均值與28個測站實況觀測結果的日平均值做分析，分別計算了相關系數R（通過0.01的顯著性檢驗）。結果顯示，O3質量濃度的預報結果與實況的相關性最高，相關系數為0.90；其次為NO2，質量濃度預報與實況的相關系數維持在0.81；PM2.5、CO和SO23種污染物的質量濃度預報與實況的相關系數分別為0.75、0.76和0.70；預報結果與實況值相關系數最低的污染物為PM10，僅為0.59，預報效果不理想，見圖1。

圖1 2019—2021年天津市污染物濃度模式預測與實況值相關系數Fig.1 Correlation coefficient between prediction of pollutant concentration model and actual value in Tianjin from 2019 to 2021

通過計算絕對誤差D，可以判斷模式對不同污染物質量濃度高低估趨勢。由表1可知，2019—2021年間，天津WRF-Chem模式對PM10、NO2和O3濃度預報呈正偏差天數逐年增多、負偏差天數逐年減少的趨勢，SO2則正好相反。除SO2外，其余污染物的正偏差天數都明顯高于負偏差天數。其中，模式對PM2.5和NO2濃度的高估天數比低估天數偏多73 d/a，對PM10、CO和O3濃度的高估天數比低估天數分別偏多38、29、12 d/a，SO2則表現為低估天數比高估天數偏多64 d/a。證明模式預報對比于實況的高估現象更顯著，這一現象與前幾年相比有明顯轉變。從零偏差天數來看，預報準確度最高的是CO，3年平均準確天數約為77 d/a。SO2預報準確天數約為45 d/a，優于其他污染物（年平均準確天數低于20 d）。

表1 2019—2021年各污染物模式結果偏差天數統計表Tab.1 Statistical table of days of deviation in results of each pollutant model from 2019 to 2021

由圖2可以看出，2019—2020年，6種污染物濃度預報結果絕對誤差的絕對值均呈減小趨勢，但2021年又反彈升高。絕對誤差最大的是PM10，正偏差平均28.27 μg/m3，負偏差-32.60 μg/m3；其次是O3和PM2.5，正偏差平均19.25、18.4 μg/m3，負偏差-18.67、-17.8 μg/m3；NO2（8.71、-8.38 μg/m3）和SO2（3.56、-2.83 μg/m3）正負偏差在10 μg/m3以下；CO正負偏差均在0.3 mg/m3以下。由此可見，PM10、PM2.5和O3濃度預報結果的絕對誤差明顯高于其他3種污染物。

圖2 2019—2021年各污染物模式預報正負絕對誤差年平均值Fig.2 Annual mean of positive and negative absolute errors predicted by each pollutant model from 2019 to 2021

2.2 模式季節預報效果檢驗

模式預報相對誤差大小的排列順序為O3＜CO＜NO2＜SO2＜PM10＜PM2.5。分季節計算模式預報相對于實況的相對誤差B，結果如圖3所示。四季中，模式預報的相對誤差為夏季最高，秋冬近似，春季最小。夏季模式預報相對誤差較大的是PM2.5（63.73%）、PM10（46.68%）和SO2（33.80%），最小的是CO（16.57%）；秋季模式預報相對誤差最大的是PM2.5（58.93%）和PM10（47.26%），SO2（28.18%）次之，CO最小（20.39%）；冬季相對誤差與秋季類似，只有PM2.5和PM10值略小于秋季，CO相對誤差25.11%為全年最高；春季結果分布和冬季類似，只有PM2.5相對誤差明顯低于冬季，為全年最低值。

圖3 2019—2021年6種污染物模式預報相對誤差季節變化Fig.3 Seasonal variation of relative errors in forecast of six pollutant models from 2019 to 2021

3 天津WRF-Chem 3.9.1模式預報效果空間檢驗

從2019—2021年WRF-Chem模式對6種大氣污染物濃度預報結果的相對誤差空間分布特征可以看出，6種污染物中，預報結果平均誤差最大的是PM2.5，其次為PM10，這2種污染物濃度模式預報的相對誤差全市平均在50%～60%之間，且這2種污染物造成污染的概率最大。SO2和NO2濃度預報結果的平均相對誤差在40%～50%之間，CO和O3最低為20%～30%之間。從空間分布特征來看，PM2.5質量濃度預報結果的相對誤差表現為薊州、中心城區、大港偏大，為50%～60%；對于PM10質量濃度，模式預報結果的相對誤差為西青、武清、塘沽、寶坻偏大，為50%～60%，北辰、靜海最小，為40%。預報效果最好的是O3，在薊州、寶坻、武清等地區預報誤差較大，但也僅為30%左右，預報效果較好。

天津地區大氣污染物主要為PM2.5、PM10和O3，其中O3污染主要出現在夏季，可以根據不同污染物不同季節、不同地區的模式誤差特征進行訂正，以提升模式預報的準確率。總體來說，天津WRF-Chem模式大氣污染物濃度預報效果最差的污染物是PM10，表現為相關系數最差、絕對誤差最高和相對誤差中等偏差等特點，且相對誤差在春季最明顯，并在天津中部地區西青、武清、塘沽、寶坻偏大。PM2.5的相對誤差在夏秋冬三季均為最大。在今后的預報訂正中，要著重加強對PM10和PM2.5濃度預報結果的訂正。

4 結 語

①6種主要大氣污染物中，天津WRF-Chem模式對O3質量濃度的預報結果與實況相關性最好，相關系數為0.90，然后依次為NO2、CO、PM2.5、SO2，相關性最差的是PM10，相關系數為0.59。

②除SO2外，其他模式對其余污染物濃度預報結果的平均正偏差天數都明顯高于平均負偏差天數。證明模式預報相較于實況的高估現象更顯著，這一現象與前幾年相比有明顯轉變。但6種污染物濃度預報結果絕對誤差的絕對值大體均呈先減小后升高的波動趨勢。PM10、PM2.5和O3濃度預報結果的絕對誤差明顯高于其他3種污染物。

③6種大氣污染物濃度模式預報結果的相對誤差大小排序為O3＜NO2＜PM2.5＜PM10＜CO＜SO2，且在夏季最高，秋冬近似，春季最小。PM2.5濃度預報結果的相對誤差在夏秋冬三季最大，PM10濃度預報誤差在春季最大。從污染物角度展開分析，PM2.5和SO2濃度預報相對誤差在春季最大，PM10和NO2濃度預報相對誤差在夏秋兩季最大，O3和CO濃度預報相對誤差則在冬季最大。

④從模式預報相對誤差的空間分布特征來看，6種污染物中，濃度預報平均相對誤差最大的是PM2.5，其次為PM10，且這2種污染物造成污染的概率也最大，O3濃度預報結果的誤差最小。PM2.5質量濃度預報結果的相對誤差表現為薊州、中心城區、大港偏大，為50%～60%；PM10濃度預報誤差為西青、武清、塘沽、寶坻偏大。

⑤模式預報效果最差的是PM10，表現為相關系數最低、絕對誤差最高和相對誤差中等偏差等特點，且相對誤差在春季表現最明顯。此外，PM2.5預報效果也值得關注。