曹凯, 唐晓, 孔磊, 等. 2021. 京津冀及其周边地区“2+26”城市PM2.5的蒙特卡罗集合预报试验[J]. 气候与环境研究, 26(2): 181−190. CAO Kai, TANG Xiao, KONG Lei, et al. 2021. Monte Carlo Enmble Forecast Experiment of PM2.5 in "2+26" Cities in Beijing –Tianjin –Hebei [J].Climatic and Environmental Rearch (in Chine), 26 (2): 181−190. doi:10.3878/j.issn.1006-9585.2020.20070
京津冀及其周边地区“2+26”城市PM2.5的蒙特卡
罗集合预报试验
曹凯 1, 2 唐晓 1 孔磊 1, 2 王威 3 吴倩 1, 2 黄树元 1, 4 张佩文 1, 4
韩丽娜 1, 4 吴其重 5 王自发
1
1 中国科学院大气物理研究所大气边界层物理与大气化学国家重点实验室，北京 100029
2 中国科学院大学，北京 100049
3 中国环境监测总站，北京 100012
4 成都信息工程大学，成都 610225
5 北京师范大学全球变化与地球系统科学学院，北京 100875
惊心食人族1
摘 要 本文在嵌套网格空气质量预报模式系统（NAQPMS ）的基础上，结合蒙特卡罗模拟方法搭建了多扰动的空气质量集合预报系统。利用该系统对京津冀及其周边地区“2+26”城市的PM2.5浓度进行预报试验，试验时段为2017年9～12月，模式水平分辨率为15 km 。研究发现，基于蒙特卡罗集合预报系统，采用“集合样本优选”均值集成法能显著提升PM2.5预报精度，大幅减小预报偏差。与所有集合样本的均值集成法相比，该方法将PM2.5预报均方根误差（RMSE ）由58.0 µg m −3降低至34.7 µg m −3，将模拟—观测两倍因子百分比（FAC2）由67%提升至87%。此外，“集合样本优选”均值集成法对各污染等级的整体预报效果优于均值集成法。本文结果可为改进城市PM2.5预报效果和减小PM2.5预报偏差提供参考。
关键词 集合预报 蒙特卡罗方法 “2+26”城市 “集合样本优选” 均值集成文章编号 1006-9585(2021)02-0181-10 中图分类号 X16 文献标识码 A doi:10.3878/j.issn.1006-9585.2020.20070
Monte Carlo Enmble Forecast Experiment of PM2.5 in "2+26" Cities in
Beijing–Tianjin–Hebei
CAO Kai 1, 2
, TANG Xiao 1
, KONG Lei 1, 2
, WANG Wei 3
, WU Qian 1, 2
, HUANG Shuyuan 1, 4
,
ZHANG Peiwen 1, 4
, HAN Lina 1, 4
, WU Qizhong 5
, and WANG Zifa
1
1 State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry , Institute of Atmospheric Physics , Chine Academy of Sciences , Beijing 100029
2 University of Chine Academy of Sciences , Beijing 100049
3 China National Environmental Monitoring Centre , Beijing 100012
4 Chengdu University of Information Technology , Chengdu 610225
周秀芳
5 College of Global Change and Earth System Science , Beijing Normal University , Beijing 100875
收稿日期 2020-06-02；网络预出版日期 2020-09-14
作者简介 曹凯，男，1994年出生，硕士研究生，主要从事大气污染预测预警研究。E-mail: ***************.ac 通讯作者 唐晓，E-mail: *****************.ac
资助项目 国家自然科学基金项目 41875164，中国科学院战略性先导科技专项 XDC01000000，中国科学院信息化专项课题 XXH13506-302Funded by National Natural Science Foundation of China (Grant 41875164), Chine Academy of Sciences Strategic Pilot Science and Technology
Project (Grant XDC01000000), Chine Academy of Sciences Information Technology Program (Grant XXH13506-302)
第 26 卷第 2 期气 候 与 环 境 研 究
Vol. 26 No. 22021 年 3 月
Climatic and Environmental Rearch
Mar. 2021
Abstract In this study, a multi-perturbation air quality enmble prediction system is developed, bad on the Nested Air Quality Prediction Modeling System (NAQPMS), by the Monte Carlo simulation method. The system is ud to predict the PM2.5 concentration of the "2+26" cities in Beijing–Tianjin–Hebei. Further, the period of the experiment is from September to December 2017, with a horizontal resolution of 15 km. This study found that the method of enmble mean after lecting enmble samples can significantly improve the accuracy of PM2.5 forecasting and greatly reduce the forecasting bias in the system, bad on the Monte Carlo enmble forecasting system. Compared with the enmble mean method of all the samples, this method reduces the RMSE of P
M2.5 forecast from 58.0 µg m−3 to 34.7 µg m−3, increasing the fraction of prediction within a factor of two of obrvations from 67% to 87%. Furthermore, the enmble mean method after lecting enmble samples is better than the enmble mean method for the overall forecast of each pollution level. The results of this study can provide a reference for improving the impact of the urban PM2.5 forecast and reducing the bias of the PM2.5 forecast.
Keywords Enmble forecast, Monte Carlo method, "2+26" cities, Select enmble sample, Enmble mean
1 引言
京津冀及其周边地区“2+26”城市是当前中国大气污染最严重的地区之一（王恰和郑世林, 2019），近年来空气质量虽有所改善，但大气污染整体形势仍十分严峻（程钰等, 2019），给社会经济造成巨大损失的同时也对居民健康产生巨大影响（谢杨等, 2016）。对空气质量变化进行高精度预报和预测是防控大气污染的关键环节，以多模式集合预报系统为核心的空气质量预报方法已成为我国空气质量业务预报的重要工具之一（王自发等, 2009; 王茜等, 2010; 陈焕盛等, 2013）。
多模式集合预报是基于不同团队研发的模型构建（王自发等, 2009; Marécal et al., 2015），通过采用统一的输入数据得到预报集合。在多模式集合预报中，采用合适的集成方法将集合预报系统中不同模
式成员集成起来能显著提升空气质量预报效果（Pagowski et al., 2005; 王自发等, 2008）。Monteiro et al.（2013）利用多模式集合和中位数法、静态线性回归法、动态线性回归法、贝叶斯模型平均法等集成方法，显著提升了PM10和臭氧的预报效果。黄思等（2015）及潘锦秀等（2019）将多模式集合预报与线性回归集成方法结合起来提升了城市空气质量预报效果。吴剑斌等（2017）评估了多模式空气质量数值预报业务系统对城市臭氧的预报效果，发现采用最优化集成方法的预报效果明显优于单个模式。张天航等（2019）采用了均值集成、权重集成、多元线性回归集成、BP神经网络集成和最优集成等方法提升了多模式PM2.5浓度的预报准确率。谢磊等（2019）基于多个空气质量预测模式，
利用最优定权组合法显著提升了SO2预测精度。
多模式集合预报的优点在于考虑各模式物理参数化方案的不确定性，但集合样本数量相对较少，且通常无法充分考虑模式输入场的不确定性，而模式输入场不确定性往往是模式不确定的重要来源（唐晓等, 2010）。因此Hanna et al.（1998）利用蒙特卡罗方法（Mullen and Baumhefner, 1994; Du et al., 1997）分析了输入参数不确定性对UAM-IV模型预测结果不确定性的影响。此外，唐晓等（2010）针对模式输入数据不确定性概率分布特征，利用蒙特卡罗方法对模式输入场进行集合扰动，构建了包含50个集合样本的蒙特卡罗集合预报系统，并开展臭氧概率预报的尝试。
相较于单个空气污染数值模式，蒙特卡罗集合预报系统的集合样本数量较多，且能考虑模式输入场的
不确定性，为结果提供更为丰富和全面的预报信息。因此本文首先利用蒙特卡罗模拟方法搭建了空气质量的多扰动集合预报系统，并评估此系统对“2+26”城市PM2.5质量浓度的预报效果，然后根据统计参数对集合样本进行筛选，最后利用“集合样本优选”均值集成法对“2+26”城市PM2.5质量浓度进行确定性预报并评估其预报效果。
2 集合预报系统及数据来源简介
2.1 集合预报系统介绍与模拟设置
2.1.1 集合预报系统介绍
嵌套网格空气质量预报模式系统NAQPMS （王自发等, 2006）是中国科学院大气物理研究所自主研发的三维欧拉化学传输模式，能模拟大气中污染物的平流、扩散、气相化学、液相化学、干湿
气 候 与 环 境 研 究26 卷182Climatic and Environmental Rearch Vol. 26
沉降等物理化学过程，在大气污染的科研和业务预报上得到了广泛应用。NAQPMS 气相化学机制采用CBM-Z （Carbon Bond Mechanism Z ）碳键反应机制，考虑了71种化学物质以及133个核心化学反应；湿沉降和液相化学过程基于RADM 中的机制，包含了22种气体和气溶胶；干沉降采用Wely 方案（Wely, 1989）；气溶胶热力学模块基于ISORROPIA （Li et al., 2012）。本研究基于NAQP
金毛犬好养吗MS 搭建了PM2.5的蒙特卡罗集合预报系统。蒙特卡罗集合预报系统框架如图1所示。由于受排放因子、水平活动数据的不确定性以及排放清单更新缓慢的影响，排放清单存在较大不确定性（Cao et al., 2011），因此本次试验仅将排放源中的污染物排放按照其不确定性特征进行随机扰动，产生一组代表排放源不同可能状态的随机集合样本，然后将集合扰动的排放源样本输入至NAQPMS 中进行模式积分，最后得到不同输入样本状态下的PM2.5质量浓度集合预报样本。同时考虑到计算资源有限，本次试验仅随机抽取50组扰动样本，从而得到50组扰动状态下PM2.5浓度预报样本。对排放源的扰动方法如下所示：
σσ其中，X 0表示扰动前不同物种的排放初值，X i 表示排放物种i 扰动后的排放大小，P i 表示排放物种i 的扰动系数，其遵循均值为1、标准差为的对数正态分布，则通过表1中不同排放物种不确定度大小确定，具体数值来自Zhang et al.（2009）。
2.1.2 气象场模拟设置
本次试验利用中尺度气象模式WRF 模拟得出的气象场作为NAQPMS 的动力驱动。在设置WRF 参数化方案时，分别选用RRTM 和Dudhia 方案作为长波辐射方案和短波辐射方案，陆面过程选择Noah 方案，边界层方案采用YSU 方案，微物理方案采用WSM3方案。运行WRF 所需的初始和边界条件来自
美国国家环境预报中心的FNL 再分析数据集，空间分辨率为1°（纬度）×1°（经度），时间分辨率为6 h 。另外在每天的气象场模拟中，WRF 自由运行36 h ，其中前12 h 作为模式启动时间，后24 h 为NAQPMS 提供气象场数据。
2.1.3 NAQPMS 模拟设置
NAQPMS 模拟区域及“2+26”城市地理位置如图2所示。采用一层嵌套，以（34°N ，105°E ）为中心覆盖东亚大部分地区，网格分辨率为15 km ，
表 1 不同排放物种不确定度
Table 1 Uncertainties of emissions for different species
物种不确定度SO 2±12%PM2.5±130%NMVOC ±68%NH 3±53%BC ±
208%OC ±258%CO ±70%NO xill的反义词
±31%
图 1 蒙特卡罗集合预报系统框架
Fig. 1 Framework of the Monte Carlo enmble forecast system
2 期曹凯等：京津冀及其周边地区“2+26”城市PM2.5的蒙特卡罗集合预报试验
No. 2
CAO Kai et al. Monte Carlo Enmble Forecast Experiment of PM2.5 in "2+26" Cities ...
183
×网格个数为432（经向）339（纬向）。垂直方向上采用α−z 地形追踪坐标系，不等距分为20层，其中2 km 以下设置9层，模式层顶海拔高度为20km 。由全球大气化学模式MOZART 提供初始场和边界条件。排放源数据中，人为源选用HTAP_v2清单（Jansns-Maenhout et al., 2015）、生物质燃烧源来自GFED_v4清单（Randerson et al., 2017）、生物源来自MEGAN-MACC （Sindelarova et al.,2014）、海洋VOCs 来自POET （www.aero.jussieu.fr/projet/ACCENT/POET.php[2019-06-11]）、土壤及闪电NO x 数据分别采用Yan et al.（2005）和Price et al.（1997）。试验时段为2017年9～12月，在对污染物进行逐日循环模拟时，集合预报系统都会在初时时刻生成一组排放源的扰动集合，随后将排放源的扰动集合输入至NAQPMS 中进行积分，从而得到PM2.5的预报集合。
2.2 数据来源简介
PM2.5质量浓度观测数据来自中国环境监测总站，其中包括“2+26”城市共计161个监测站点2017年9～
上清溪
12月逐时观测浓度，并以该市PM2.5浓度观测值的站点平均代表该市PM2.5质量浓度观测值；PM2.5质量浓度预报值数据来自蒙特卡罗集合预报系统50个集合样本的预报结果。为方便与观测值比较，根据161个监测站点的地理位置，从集合系统预报结果中提取对应网格的PM2.5质
量浓度预报值，同样以该市PM2.5质量浓度预报值的站点平均代表该市PM2.5质量浓度预报值。
3 统计集成方法及评估指标简介
3.1 统计集成方法简介
3.1.1 均值集成法
均值集成法是一种简单且常用的集成方法，其预报值可表示为各集合样本预报值的算数平均，公式如下：
F mean 其中，、m 、F k 分别表示均值集成法的预报值、集合样本个数以及第k 个集合样本的预报值。
3.1.2 “集合样本优选”均值集成法
Boylan and Rusll （2006）曾指出平均分数偏差 （Mean Fractional Bias ，MFB ）和平均分数误差（Mean Fractional Error ，MFE ）可作为模式对颗粒物质量浓度模拟准确性的衡量指标，具体计算公式如下：
图 2 模拟区域范围及“2+26”城市地理位置
Fig. 2 Simulated domain and locations of "2+26" cities
气 候 与 环 境 研 究
26 卷184
Climatic and Environmental Rearch Vol. 26
其中，M FB 和M FE 分别表示MFB 和MFE ，M i 、O i 、n 分别表示第i 个时刻模拟值、第i 个时刻观测值、有效样本对数，并认为最优模式能够达到的准确性标准为−30%≤MFB ≤30%、MFE ≤50%。当存在多个集合样本时，利用MFB 和MFE 可剔除不确定性较大的样本以提高集合样本的整体可靠性。在此基础上，对优选出的集合样本采用均值集成法作为集合预报系统的确定性预报结果。为方便描述，对集合样本优选后采用均值集成的统计方法称为 “集合样本优选”均值集成法。3.2 评估指标简介
均方根误差（RMSE ）和相关系数（r ）分别表示预报值与观测值之间平均偏离程度和变化趋势相似程度的统计量，具体计算公式如下：雷雨节选
P i O
i P O 其中，R MSE 表示RMSE ，、、n 、、分别
表示第i 时刻的预报值、第i 时刻的观测值、有效样本对数、预报均值以及观测均值。
4 试验结果十八的英语
4.1 集合均值预报
为评估蒙特卡罗集合预报系统的预报能力和特点，结合观测资料首先分析各集合样本的PM2.5预报时间序列特征，然后利用RMSE 和r 等统计参数定量评估均值集成法的预报效果。
图3是保定、沧州、邢台、邯郸、郑州、太原、阳泉、德州等城市利用蒙特卡罗集合预报系统得出的各集合样本PM2.5质量浓度预报值与观测值时间序列对比。由于蒙特卡罗集合预报系统是对排放源进行扰动，并将扰动后的结果入至同一模式中，因此各集合样本间PM2.5质量浓度变化趋势比较一致。此外，各集合样本所构成的预报值集合虽在绝大部分时间段能包含观测值，但大部分样本存在较大的先验模拟偏差，这使得均值集成法的预报值偏高，其余城市也有类似现象。
图 3 2017年9～12月“2+26”城市中部分城市蒙特卡罗集合预报系统PM2.5质量浓度预报值与观测值时间序列对比：（a ）保定；（b ）沧州；（c ）邢台；（d ）邯郸；（e ）郑州；（f ）太原；（g ）阳泉；（h ）德州
Fig. 3 Comparison of time ries of PM2.5 concentration obrvations and forecast values of the Monte Carlo enmble forecast system from September to December 2017 in some cities of "2+26" cities: (a) Baoding; (b) Cangzhou; (c) Xingtai; (d) Handan; (e) Zhengzhou; (f) Taiyuan; (g)Yangquan; (h) Dezhou
2 期曹凯等：京津冀及其周边地区“2+26”城市PM2.5的蒙特卡罗集合预报试验
蝴蝶落在流泪手心No. 2
CAO Kai et al. Monte Carlo Enmble Forecast Experiment of PM2.5 in "2+26" Cities (185)
