能見度參數(shù)化方案優(yōu)化及在北京地區(qū)的應用評估

王繼康，謝超，張?zhí)旌?，張碧輝，張恒德，饒曉琴

國家氣象中心

能見度表征大氣透明度，與交通安全等社會生活關系密切。能見度受多種因素影響，在清潔地區(qū)，霧是影響能見度的主要因素。隨著工業(yè)化和城市化的發(fā)展，氣溶膠粒子濃度水平增高，霾成為影響能見度的重要因素[1]。尤其是我國中東部城市群，重污染天氣頻發(fā)[2-3]，隨著經(jīng)濟的發(fā)展該地區(qū)能見度呈下降趨勢[4-7]。因此對能見度的預報是重污染天氣預報的重要組成部分。

研究人員開發(fā)了多種對大氣能見度的預報方法，主要分為統(tǒng)計建模預報和數(shù)值模式參數(shù)化預報2類。統(tǒng)計建模預報主要是利用能見度及與其相關的氣象要素建立數(shù)學模型，對其進行預報[8-9]。建立能見度與氣象要素數(shù)學模型的方法有很多，應用較多的為基于神經(jīng)網(wǎng)絡的方法[10-11]。數(shù)值模式參數(shù)化預報主要基于大氣化學模式對顆粒物成分或濃度的預報，根據(jù)顆粒物的消光特性建立參數(shù)化方案，對能見度進行預報[12-13]，其關鍵是建立氣溶膠消光系數(shù)的計算方法。目前，應用較多的為由美國IMPROVE(interagency monitoring of projected visual environments)發(fā)起的大氣能見度觀測項目建立的IMPROVE經(jīng)驗公式[12]。IMPROVE經(jīng)驗公式是利用不同粒徑的顆粒物中不同化學組分的消光特性建立的各化學組分質(zhì)量濃度與消光系數(shù)的定量關系。在國內(nèi)應用的評估結果表明[13-14]，該公式對較低能見度存在高估。Chen等[15]利用氣溶膠體積濃度和相對濕度建立了氣溶膠消光系數(shù)計算方案。胡俊等[16]基于Mie理論建立了不同粒徑段下的顆粒物數(shù)濃度和氣體分子散射特性的消光系數(shù)計算方案。趙秀娟等[17]利用氣溶膠質(zhì)量濃度和相對濕度建立回歸方程計算氣溶膠消光系數(shù)。胡俊等[16]對比IMPROVE方案、Chen等[15]方案及Mie理論方案對南京地區(qū)能見度的預報結果，發(fā)現(xiàn)IMPROVE方案相關系數(shù)最高，但是平均偏差最大，Mie理論方案平均偏差最小。趙秀娟等[17]對比改進的Chen等[15]方案、基于顆粒物質(zhì)量濃度的方案和Mie理論方案對北京地區(qū)能見度的預報結果，發(fā)現(xiàn)3種方案對高能見度都存在低估，對于低能見度Chen等[15]方案預報效果最好。不同能見度參數(shù)化方案之間存在一定的差異，但是由于模式對于高濕條件下氣溶膠模擬存在較大不確定性等原因，均出現(xiàn)了對低能見度高估，對高能見度低估的現(xiàn)象。

隨著大氣化學模式預報訂正技術的發(fā)展，PM2.5濃度的預報準確率顯著提升[18-21]。呂夢瑤等[18]采用非線性動力統(tǒng)計-訂正方法對空氣質(zhì)量模式CUACE(China meteorological administration unified atmospheric chemistry environment for aerosols)的預報結果進行訂正，結果表明訂正后的PM2.5濃度更接近于實測值，誤差明顯減小，相關系數(shù)明顯提高。張偉等[21]利用后向傳播(back-propagation，BP)神經(jīng)網(wǎng)絡方法集成多模式預報北京市PM2.5濃度，發(fā)現(xiàn)可以顯著降低誤差。張?zhí)旌降萚22]利用多模式最優(yōu)集成方法預報我國中東部地區(qū)PM2.5濃度，結果表明最優(yōu)集成方法較其他訂正方法能顯著降低誤差。但是大氣化學模式訂正后的PM2.5濃度預報結果難以應用到現(xiàn)有能見度參數(shù)化方案中，并對能見度進行預報。

針對目前能見度參數(shù)化方案存在一定的差異和訂正后PM2.5濃度預報結果不能應用到能見度預報中的問題，筆者基于PM2.5濃度和相對濕度建立了能見度參數(shù)化方案，根據(jù)多模式最優(yōu)集成方法預報的PM2.5濃度對北京市2019-02-18—03-05能見度進行預報，對比了IMPROVE參數(shù)化方案和基于神經(jīng)網(wǎng)絡的預報方案對能見度的預報效果，并分析能見度預報的主要影響因素，以期為建立可以利用訂正PM2.5濃度預報的本地化能見度預報方案提供參考。

1 數(shù)據(jù)來源與研究方法

1.1 能見度預報方法

1.1.1不同相對濕度下PM2.5濃度參數(shù)化方案

王繼康等[23]對全國范圍內(nèi)氣象站點能見度和相鄰站點PM2.5濃度分析發(fā)現(xiàn)，我國中東部大部分站點的消光系數(shù)和PM2.5濃度在不同相對濕度下均呈很好的線性關系。尤其是北京市，在相對濕度為20%～90%時，消光系數(shù)與PM2.5濃度的相關系數(shù)始終在0.90上下波動。PM2.5濃度與消光系數(shù)的關系式如下：

δext=a(RH)[PM2.5]+b

(1)

式中：δext為消光系數(shù)，m-1；a(RH)為不同相對濕度下PM2.5產(chǎn)生的氣溶膠消光效率，m2/μg，包括干物質(zhì)的消光效率和光學吸濕增長因子；[PM2.5]為PM2.5濃度，μg/m3；b為瑞利散射和氣體吸光產(chǎn)生的其他消光系數(shù)，m-1。由于本方案中相對濕度高于93%和低于10%的情況下沒有對應的參考值(圖1)，規(guī)定相對濕度大于93%的情況下能見度預報為1 km，對小于10%的情況下能見度預報為30 km。該方案實質(zhì)上是在缺少PM2.5組分的情況下對IMPROVE參數(shù)方案的本地化改進，記作S1方案。

圖1 不同相對濕度下氣溶膠消光效率和 其他消光系數(shù)的分布Fig.1 Distribution of aerosol extinction efficiency and extinction coefficient of others (b) at different RH

1.1.2IMPROVE參數(shù)化方案

基于美國IMPROVE項目的研究結果,消光系數(shù)與PM2.5組分間的關系為[12]：

δext≈2.2fS(RH)SS+4.8fL(RH)SL+2.4fS(RH)NS+5.1fL(RH)NL+2.8OS+6.1OL+[FS]+

0.6[CM]+10[EC]+1.7fSS(RH)[SS]+

δRS+0.33[NO2]

(2)

式中：fL(RH)和fS(RH)分別為大、小粒徑PM2.5組分的光學吸濕增長因子;fSS(RH)為海鹽粒子的濕度矯正因子;SS、NS、OS分別為小粒徑PM2.5中的硫酸銨、硝酸銨、有機氣溶膠的濃度，μg/m3;SL、NL、OL為大粒徑PM2.5中的硫酸銨、硝酸銨、有機氣溶膠的濃度，μg/m3;[EC]為吸光性含碳物質(zhì)的濃度，μg/m3;[FS]和[CM]為土壤粒子和粗粒子的濃度，μg/m3;[SS]為海鹽粒子的濃度μg/m3;δRS為氣體的瑞利散射產(chǎn)生的消光系數(shù)，m-1;[NO2]為NO2的單位體積分數(shù)，10-9。該方案記作S2方案。

1.1.3基于神經(jīng)網(wǎng)絡的能見度預報方案

Xie等[10]利用神經(jīng)網(wǎng)絡的方法和2000—2017年氣象數(shù)據(jù)構建了針對全國氣象站點的小時能見度預報。該方案輸入的觀測資料和預報資料包括地面實況監(jiān)測的氣象溫度、壓力、濕度、風速等數(shù)據(jù)和中期天氣預報中心(ECMWF)確定性預報模式的高空場濕度、風速等數(shù)據(jù)。神經(jīng)網(wǎng)絡參數(shù)和具體氣象因子的選取參照文獻[10]。該方案記作S3方案。

1.2 數(shù)據(jù)資料

PM2.5濃度實況資料來自于中國環(huán)境監(jiān)測總站，驗證數(shù)據(jù)為北京市監(jiān)測站點平均逐小時濃度，相對濕度和能見度實況數(shù)據(jù)來自于中國氣象局北京觀象臺(54511)觀測數(shù)據(jù)。由于能見度最大觀測值為30 km，對預報值超過30 km的統(tǒng)一處理為30 km。

PM2.5濃度和NO2濃度預報數(shù)據(jù)為基于多模式最優(yōu)集成方法的預報結果。該方法基于中國氣象局業(yè)務預報大氣化學模式[22]，利用均值集成、權重集成、多元線性回歸集成和BP神經(jīng)網(wǎng)絡方法集成建成集成預報，然后基于各集成方法對前50 d的預報效果進行評估，選取最優(yōu)集成方法預報的結果為最終預報結果。大氣化學模式的信息和最優(yōu)集成方法選取參照文獻[22,24]。相對濕度的預報數(shù)據(jù)來自于WRF4.0模式的預報結果。由于S3方案利用ECMWF確定性預報場數(shù)據(jù)，因此采用ECMWF全球確定性預報場為WRF模式提供初始場和邊界場，并采用WRF模式中的四維變分同化(FDDA)對ECMWF預報場進行同化[25]，以使WRF模式氣象場與EC預報場一致。WRF模式采用雙層嵌套，水平分辨率分別為24和8 km，第一層覆蓋中國區(qū)域，第二層覆蓋華北地區(qū)。模式垂直方向分為35層，采用下密上疏的分布方式。PM2.5組分數(shù)據(jù)來源于WRF模式驅(qū)動的CAMx6.2 (comprehensive air quality model and extensions)模式[26]，該模式基于2016年0.25°分辨率的MEIC排放源清單(http://www.meicmodel.org)模擬各組分占PM2.5的比例，對多模式最優(yōu)集成預報的PM2.5濃度進行劃分，得到新的PM2.5濃度。WRF模式和CAMx模式的設置參照文獻[27]。本研究均使用24 h預報結果對能見度進行預報和檢驗。

PM2.5濃度、相對濕度和能見度預報結果與監(jiān)測結果的對比驗證選用的統(tǒng)計量包括平均偏差(ME)、標準化平均偏差(NME)、均方根誤差(RMSE)和相關系數(shù)(R)，計算公式如下：

(3)

(4)

(5)

(6)

1.3 過程概述

2019-02-18—03-05，北京市發(fā)生了2次較強的重污染天氣過程，分別為2月19—25日和2月28日—3月5日，該過程能見度和PM2.5濃度的變化趨勢見圖2。從圖2可以看出，2次重污染天氣過程的PM2.5濃度峰值均超過了200 μg/m3，能見度最低達0.4 km。第一次重污染天氣過程PM2.5濃度峰值超過300 μg/m3，并在2月20日、21日和22日出現(xiàn)了劇烈波動，對應的能見度也產(chǎn)生劇烈波動；第二次重污染天氣過程污染程度低于第一次，而且PM2.5濃度和能見度變化較為平穩(wěn)，能見度大部分在1～4 km。選取這一時間段的數(shù)據(jù)對能見度預報方案進行檢驗，可以較好地體現(xiàn)預報方案對不同情況下能見度變化的預報能力。

2 結果與討論

2.1 相對濕度和PM2.5濃度預報數(shù)據(jù)驗證

WRF模式對選取時段相對濕度的模擬效果較好〔圖3(a)〕，能反映出相對濕度的變化趨勢，相關系數(shù)可達0.95。但是仍存在一定的偏差，平均偏差為7.5%，均方根誤差為10.8%(表1)。對于部分高濕時段的相對濕度存在低估，如對于22日凌晨89%的相對濕度低估10個百分點；對低濕時段存在一定的高估，最高可達10個百分點。

圖3 2019-02-18—03-05北京市相對濕度和PM2.5濃度的預報值和觀測值對比Fig.3 Comparison of the forecasted and observed relative humidity and PM2.5 concentrations of Beijing from Feb.18 to Mar.5 in 2019

表1 相對濕度和PM2.5濃度預報值與觀測值統(tǒng)計對比

Table 1 Statistics of forecasted and observed relative humidity and PM2.5concentrations

項目觀測平均值預報平均值平均偏差標準化平均偏差均方根誤差相關系數(shù)2)相對濕度∕%40.047.57.53310.80.95PM2.5濃度∕(μg∕m3)95.985.2-10.7 31)34.40.90

1)單位為%；2)無量綱。

基于多模式最優(yōu)集成方法對選取時段的PM2.5濃度有較好的模擬效果〔圖3(b)〕，且對2月21日和22日PM2.5濃度的劇烈變化也有較好的模擬，相關系數(shù)為0.90。但是仍然存在一定的偏差，平均偏差為-10.7 μg/m3，均方根誤差為34.4 μg/m3(表1)，本研究評估結果與其他訂正后的預報結果相當[18,21]。對于部分PM2.5峰值濃度存在一定的低估，如對2月23日PM2.5濃度下降過程存在明顯的低估；對PM2.5濃度快速增長階段的預報存在一定的延遲，滯后1～2 h。

2.2 3種預報方案效果評估

3種預報方案能見度預報值與觀測值的統(tǒng)計結果及對比見表2和圖4。從表2可以看出，3種方案基本上均能反映出能見度的變化趨勢，其中S1方案相關系數(shù)最高，為0.85；S2方案的相關系數(shù)與S1方案基本接近，主要是由于S1方案和S2方案使用相同的相對濕度和PM2.5濃度預報數(shù)據(jù)；S3方案的相關系數(shù)最低，為0.68。S1方案平均偏差和均方根誤差最小，分別為2.3和6.3 km，對能見度存在一定的高估；S2方案平均偏差最大，為5.8 km，預報能見度較S1方案平均高3.6 km；S3方案雖然平均偏差為-3.1 km，但均方根誤差最大，為8.5 km，主要由于S3方案基本沒有產(chǎn)生20 km以上能見度預報值，導致平均預報值偏低。由于對PM2.5濃度快速增長階段的預報存在延遲，導致S1和S2方案對能見度快速下降階段的預報也存在一定的延遲；對2月23日PM2.5濃度波動階段的低估，導致對該時段能見度預報明顯偏高。

表2 3種預報方案能見度預報值與觀測值的統(tǒng)計結果

圖4 3種預報方案能見度預報值與觀測值對比Fig.4 Comparison of forecasted and observed visibility of three schemes

為進一步分析不同預報方案對能見度的預報性能，對比了不同能見度和不同相對濕度區(qū)間下各預報方案能見度預報值相對觀測值的平均偏差，結果見圖5。由于1 km以下能見度出現(xiàn)時次較少，因此沒有單獨對1 km以下的能見度預報效果進行評估，但是根據(jù)其他研究結果，S1方案對于1 km以下的能見度預報效果較好[10,28]。從圖5(a)可以看出，對于5 km以下的能見度范圍，S1方案與S3方案預報效果相當，平均偏差在2 km左右，S2方案平均偏差為5.5 km；對于5～10 km能見度范圍，S3方案平均偏差最小，為0.7 km，S1方案平均偏差為3.9 km，S2方案平均偏差最高，為9.6 km。S1和S2方案對能見度的明顯高估與本次模擬過程中2種方案對能見度下降階段預報延遲有關。對于大于10 km的能見度范圍，S1方案平均偏差最小，為1.5 km，S2方案平均偏差為4.7 km，S3方案平均偏差為-11.3 km，出現(xiàn)了明顯的低估，這主要與S3方案對高能見度預報結果偏低有關。

圖5 3種預報方案在不同能見度等級和相對濕度 范圍內(nèi)對能見度預報結果的平均偏差Fig.5 Mean deviation of forecasted visibility of three schemes in different visibility levels and RH ranges

從圖5(b)可以看出，在不同相對濕度區(qū)間內(nèi)，各預報方案對能見度的預報效果也存在差異。在低濕區(qū)間(相對濕度小于50%)，S1方案的平均偏差最小，S3方案預報結果呈現(xiàn)低估；相對濕度為50%～70%時，S3方案平均偏差最小，S2方案平均偏差最大；相對濕度大于70%時，S3方案平均偏差大于S1方案。整體來看，各方案在相對濕度為40%～80%時，平均偏差較小，S1和S3方案平均偏差基本低于1 km，S2方案平均偏差在3 km左右。由于氣象模式對相對濕度在高濕區(qū)的低估和低濕區(qū)的高估，使預報方案對能見度在高濕區(qū)和低濕區(qū)的預報結果也存在較大偏差。

由于PM2.5組分數(shù)據(jù)來自于CAMx模式的模擬結果，存在一定的誤差。尤其是在PM2.5濃度較高的情況下，大氣化學模式對二次無機鹽的生成存在低估[29-30]。而由式(2)可知，無機鹽是影響能見度的重要組分，其消光性大于有機組分。因此，對于PM2.5化學組分模擬的不確定性是導致S2方案存在高估的原因之一。

綜上所述，3種方案對能見度的預報效果，S1方案最好，相關系數(shù)最高，平均偏差和均方根誤差最小；S2方案呈現(xiàn)明顯的高估，S2方案較S1方案的平均偏差偏高3.4 km，均方根誤差高2.1 km；S3方案相關系數(shù)最低，在10 km以下能見度和50%～70%相對濕度區(qū)間預報平均偏差較小，但是對高能見度范圍預報結果存在明顯的低估。

2.3 影響預報效果的因素

為進一步分析S1方案預報效果的影響因素，利用觀測值替代預報值對能見度進行擬合評估，替代方案包括PM2.5濃度預報值和相對濕度觀測值(S1FO方案)、PM2.5濃度觀測值和相對濕度預報值(S1OF方案)、PM2.5濃度觀測值和相對濕度觀測值(S1OO方案)，結果見表3。

表3 S1方案和替代方案對能見度預報值和觀測值的統(tǒng)計結果

從表3可以看出，替代方案對能見度的預報效果均有提升。S1OO方案表現(xiàn)最好，相關系數(shù)為0.95，平均偏差為1.0 km，說明S1參數(shù)化方案可以很好地反映PM2.5濃度、相對濕度和能見度的相關關系，這與Zhou等[19]的研究結果一致。S1OF方案將S1方案的相關系數(shù)由0.85提升至0.92，平均偏差由2.3 km降至1.3 km。S1OF方案表現(xiàn)優(yōu)于S1FO方案，更接近于基于觀測值的S1OO方案，這表明提升PM2.5濃度的預報效果對提高能見度的預報效果優(yōu)于相對濕度。

圖6對比了替代方案不同能見度和相對濕度范圍預報能見度的平均偏差。從圖6(a)可以看出，能見度在5 km以下，S1OF方案較S1方案平均偏差降低明顯，由2.3 km降至0.8 km，S1FO方案較S1方案降低不明顯。能見度為5～10 km與5 km以下表現(xiàn)一致，S1OF方案平均偏差較S1方案降低明顯，由3.9 km降至1.5 km，S1FO方案較S1方案降低0.4 km。能見度為10～30 km時，S1FO方案較S1方案平均偏差顯著降低，由1.5 km降至0.5 km，S1OF方案平均偏差增大。以上結果表明，能見度為10 km以下時，利用PM2.5濃度觀測值可以顯著提高對能見度的預報效果，但是利用相對濕度觀測值提高不明顯。

圖6 S1方案和替代方案在不同能見度等級和相對濕度 范圍內(nèi)對能見度預報結果的平均偏差Fig.6 Mean deviation of forecasted results of S1 and alternative schemes in different visibility levels and RH ranges

從圖6(a)可以看出，在低于70%的相對濕度范圍內(nèi)，S1OF方案均較S1方案有較大的改進，平均偏差顯著降低，尤其是相對濕度為50%～60%時，平均偏差降至0.1 km；S1FO方案相較S1方案沒有明顯的改進，甚至相對濕度為40%～60%時，平均偏差增大。在高于70%的相對濕度范圍內(nèi)，S1OF方案對S1方案的改進效果差于S1FO方案，尤其是相對濕度為80%～90%時，S1OF方案較S1方案平均偏差降低了0.9 km，但S1FO方案較S1方案增加了0.9 km。以上結果表明，在低濕(相對濕度低于70%)范圍內(nèi)，使用PM2.5濃度觀測值可以顯著提高對能見度的預報效果；在高濕(相對濕度大于70%)范圍內(nèi)，使用相對濕度觀測值可以顯著提高預報效果。這與在低濕范圍內(nèi)PM2.5是影響能見度的主要因素，高濕范圍內(nèi)相對濕度是影響能見度的主要因素相一致。

綜上所述，提高PM2.5濃度的預報效果是提升能見度預報效果的關鍵，尤其是對能見度低于10 km的情況下提升效果更明顯，但在高濕范圍內(nèi)，提高相對濕度的預報效果對能見度預報效果的改善更明顯。

3 結論

(1)基于多模式最優(yōu)集成方法對PM2.5濃度和WRF4.0模式對相對濕度的預報效果均較好，相關系數(shù)分別可達0.90和0.95。但對PM2.5濃度預報仍然存在一定的低估，對相對濕度在高濕范圍內(nèi)的預報存在一定的低估。

(2)3種能見度參數(shù)化方案均能較好地反映能見度的變化趨勢，其中S1方案表現(xiàn)最好，相關系數(shù)最高，為0.85，平均偏差和均方根誤差最低，分別為2.3和6.3 km。

(3)S1方案可以顯著改進S2方案對能見度的高估問題，較S2方案平均偏差低3.6 km；S1方案較S3方案相關系數(shù)提高了0.17，主要是因為S1方案對10 km以上能見度范圍預報效果較S3方案改進明顯。

(4)提高PM2.5濃度的預報效果是提升能見度預報效果的關鍵，尤其是能見度低于10 km時效果更明顯，但是在高濕(相對濕度大于70%)范圍內(nèi)，提高相對濕度的預報效果對能見度預報效果改善更明顯。