基于CMAQ模型分析成都市O3對氣象因子的靈敏度

張迎春，付 虹，李 迪，明鎮(zhèn)洋，劉岳軍

（西南交通大學地球科學與環(huán)境工程學院，四川 成都 611756）

氣象因子是決定O3生成的關鍵條件。DAWSON等[1]利用CMAQ模型研究了O3濃度對氣象因子的敏感性，研究結果表明，溫度對O3的影響最大，溫度每增加1 K，O3濃度增加0.34 ppb；絕對濕度的影響次之，每增加一個百分比，O3濃度下降0.025 ppb；風速和混合層高度對O3濃度的影響最小。STEINER等[2]利用CMAQ型模擬了加利福尼亞州中部地區(qū)O3濃度，結果表明，溫度、大氣水汽和生物VOCs（揮發(fā)性有機物）排放量的變化將導致每日O3峰值增加1%～5%。史之浩[3]利用CMAQ空氣質量模型，分析了氣象因子變化對中國O3和顆粒物污染形成過程的影響，研究表明，O3濃度對溫度的敏感性最高，對風速、濕度、混合層高度、降雨量的敏感性依次降低。張瑩等[4]基于GAMS模型分析了成都市氣象因子交互作用對臭氧的影響，結果表明，最高氣溫、日照時數等氣象因子與O3均呈非線性關系。最高氣溫、日照時數、MMD（最大混合層厚度）和相對濕度對O3濃度的影響均較大。胡成媛等[5]使用廣義相加模型（GAM），發(fā)現O3濃度與氣溫、氣壓等氣象因子呈非線性關系，對四川盆地的影響較大的是日照時數、相對濕度以及溫度。成都市是我國西南地區(qū)的經濟中心，常住人口超過2 000萬，靜風頻率高，夏季熱島效應和冬季逆溫現象多發(fā)，PM2.5和O3污染嚴重。本文基于CMAQ模型定量評估成都市O3對氣象因子的靈敏度和O3對氣象因子擾動的響應程度的空間分布。

1 數據來源與方法

1.1 數據來源與處理方法

臭氧污染濃度數據來源于中國環(huán)境監(jiān)測總站全國環(huán)境空氣質量實時發(fā)布平臺（http://106.37.208.23320035）。數據內容為2017年7月成都市9個國控站點的O3濃度。氣象數據來自西南交通大學區(qū)域環(huán)境空氣質量綜合監(jiān)測站，時間與O3濃度同步。

1.2 模型參數設置及評估

1.2.1 模型參數設置

采用WRF-CMAQ模型[6-8]模擬成都市的氣象因子和O3濃度，模擬區(qū)域（見圖1）采用三層嵌套模式，模擬精度逐層遞增。本文選取2017年7月代表夏季進行臭氧濃度模擬，為了降低初始條件的影響，提前5 d進行模擬。

圖1 模擬區(qū)域及嵌套情況示意圖

WRF模型提供初始氣象場和邊界條件為1°×1°的NCEP再分析資料（FNL），時間精度為6 h。具體物理參數配置如表1所示。

表1 WRF-CMAQ模型參數配置

1.2.2 模型評估方法

NMB（標準化平均偏差）與NME（標準化平均誤差）用于表征模擬值與觀測值的相對偏離程度，值越接近0，模擬值與觀測值偏離程度越?。籖（相關系數）用于表征模擬值與觀測值的接近程度，值越接近1，模擬值與觀測值吻合度越好。相關計算公式[9]如下：

式中：Mi代表i時刻（某小時）的模擬值；Oi代表i時刻（某小時）的觀測值；n代表樣本總數；代表模擬值的平均濃度；代表觀測值的平均濃度。

1.3 靈敏度分析

靈敏度分析是研究與分析一個系統（或模型）的輸出結果對系統輸入參數或周圍條件變化的敏感程度的方法[10]。在空氣質量模型中，靈敏度分析最廣泛使用的方法有[11]情景分析法、去耦直接法、格林函數法以及伴隨法。

本文選用情景分析法（BFM）研究成都市臭氧濃度對氣象參數的靈敏度，情景分析法屬于一次一個變量法，即將某個參數進行擾動，而其他參數保持不變的情況下，計算該參數的變化導致模型輸出結果的變化率，靈敏度取多次擾動計算出的靈敏度系數的平均值。通過NCL編程對WRF模型模擬結果中的5種氣象因素的值分別進行6種情景的擾動，源排放和其他設置均不變，各個氣象參數受到的具體擾動情況如表2所示。

表2 氣象參數擾動情景

評價每個氣象參數變化情景對O3臭氧濃度的影響，以模擬時段O3日最大8 h平均濃度作為評價指標。情景分析法一階靈敏度系數計算公式[12]如下：

式中：Sj為某一擾動情景對應的靈敏度，j=1,2,…,n；c+Δεj、c-Δεj分別為對應擾動情景下的濃度；Δεj為擾動情景；S為靈敏度。

2 結果分析

2.1 CMAQ模型模擬結果評價

NMB和NME能更好地說明模擬值和監(jiān)測值的偏離程度和誤差以及用R值來表征模擬值和監(jiān)測值的變化趨勢的吻合程度，如表3所示。從表3可以看出，7月成都市9個站點臭氧日最大8 h濃度的模擬值與監(jiān)測值相關性均較好，平均相關系數為0.831。但9個站點的臭氧日最大8 h濃度的NMB和NME差別較大，NMB的值介于-0.159～-0.355，且均為負值，說明7月臭氧濃度模擬值偏低。從總體看，臭氧濃度模擬值與觀測值的NMB和NME較低且相關性較好，所以此CMAQ系統可以用于計算成都市臭氧濃度對各氣象因子的靈敏度。

表3 2017年7月O3日最大8 h濃度模擬結果驗證

2.2 臭氧濃度對氣象因子的靈敏度分析結果

2.2.1 臭氧濃度對溫度的靈敏度

成都市夏季日最大8 h平均臭氧濃度均隨溫度升高而線性增加，如圖2所示，可決系數R2為0.951。夏季O3對溫度的靈敏度為0.627 1 ppb·K-1。

圖2 夏季O3日最大8 h平均濃度與溫度擾動的關系

成都市夏季O3日最大8 h平均濃度為58.923 ppb，當溫度增加5 K時，成都市夏季O3日最大8 h平均濃度為62.725 ppb，比未擾動時增加3.802 ppb，增加比例為6.45%，如圖3所示。成都市的O3表現出對溫度升高的敏感性，但從O3濃度增幅來看，溫度對O3濃度的影響在空間上的分布是不均勻的，其中成都市北部靈敏度最高，而成都市西邊靈敏度相對較低。這是由于在人為排放高的污染區(qū)域，O3濃度受溫度擾動較大，而相對農村區(qū)域臭氧濃度受溫度擾動的影響較小。由溫度擾動引起的臭氧濃度增加情況與已有的研究結果基本一致[13-14]。

圖3 夏季溫度增加5 K時O3日最大8 h平均濃度差值的空間分布

2.2.2 臭氧濃度對絕對濕度的靈敏度

成都市夏季O3日最大8 h平均濃度隨絕對濕度增加而線性降低（見圖4），R2為0.940。夏季O3日最大8 h平均濃度對絕對濕度的靈敏度為-0.032 6 ppb·%-1。

圖4 夏季O3日最大8 h平均濃度與絕對濕度擾動的關系

當絕對濕度增加20%時，成都市大部分地區(qū)夏季和冬季O3日最大8 h平均濃度均降低，只有北部極小部分區(qū)域濃度略微上升，如圖5所示。成都市夏季O3日最大8 h平均濃度為58.617 ppb，比未擾動時降低0.306 ppb，降低比例為0.519%。

圖5 夏季絕對濕度增加20%時O3日最大8 h平均濃度差值的空間分布

2.2.3 臭氧濃度對大氣壓強的靈敏度

成都市夏季O3日最大8 h平均濃度均隨大氣壓強（P）增加而線性降低（見圖6），可決系數R2為0.949。成都市夏季O3日最大8 h平均濃度對大氣壓強的靈敏度為-0.003 35 ppb·%-1。夏季大氣壓強對O3日最大8 h平均濃度的靈敏度很低，明顯低于對絕對濕度的靈敏度。

圖6 夏季O3日最大8 h平均濃度與大氣壓強擾動的關系

當大氣壓強增加20%時，成都市絕大部分地區(qū)夏季的O3日最大8 h平均濃度均降低，如圖7所示。成都市夏季日最大8 h平均O3濃度為58.872 ppb，比未擾動時降低0.051 ppb，降低比例為0.086 6%。

圖7 夏季大氣壓強增加20%時O3日最大8 h平均濃度差值空間分布

3 結論

本文運用WRF-CMAQ模型對研究區(qū)域2017年7月的臭氧濃度進行模擬，結果表明，模擬值與實際監(jiān)測值的相關性較好，模型能較好地反映成都市臭氧污染狀況。溫度、絕對濕度、大氣壓強都會導致臭氧不同程度的變化。其中，溫度對臭氧的影響最強；絕對濕度有明顯的影響；大氣壓強、風速對臭氧濃度的影響很小。成都市夏季的O3濃度對各氣象因素擾動的響應程度空間分布不均，當溫度增加5 K時，在污染物排放量較高的區(qū)域，臭氧濃度增加最多。當絕對濕度增加20%時，大部分地區(qū)O3日最大8 h平均濃度均降低，極小部分區(qū)域濃度略微上升。當大氣壓強增加20%時，成都市絕大部分地區(qū)O3日最大8 h平均濃度降低。