2. 北京城市气象工程技术研究中心,北京 100089
based on simulated and observed data
2. Beijing Urban Meteorological Engineering Technology Research Center, Beijing 100089
近年来空气质量监测与预测受到越来越多的关注[1-3]。环境空气质量与城市的可持续发展密切相关,对大气污染物的监测十分重要,因此对现有测站的布局优化,建立科学的监测站网,对于PM2.5的研究和预报有重要意义。关于测站布局研究,Drozdov等[4]最早提出基于结构函数的站网布局优化方法。结构函数法考虑的是观测误差随距离的变化,用所计算的结构函数来建立内插标准误差和站点间距的关系,确定最优站点分布。此后,许多学者相继在天气系统、气候系统、高空探测、蒸发和雨量等观测站网的设计上做了大量工作,形成了多种站网布局和优化方法,如线性内插法、区域内插法(正三角形内插法、正方形内插法)、最优内插法、信息论方法、特征矢量内插法和气象观测代表性评定法、因子分析法和经验模式法等[5-11]。廖洞贤[12]考虑观测误差、截断误差和数值天气预报的需要,给出最优相邻测站距离、最优垂直网格和最优观测时间间隔的公式。杨贤为等[13]对江淮平原雨量站网的合理分布进行了研究,白光弼等[14]根据陕北高原和陕南山地的站网资料,确定了气象站网的合理间距。卢文芳[15]、赵瑞霞等[16]分别探讨了空间结构函数在上海、北京地区气象观测站网设计中的应用。
Liu等[17]提出了一种客观方法确定空气质量监测站点的数量和位置。这种方法分为两步:第一步用品质因素确定站点的排序,第二步用空间影响范围因数确定所需要的最小站点数。这种方法考虑的是站点的代表性,通过建立观测资料的相关,确定站点所能代表的距离。张芷言等[18]在该方法基础上提出能见度观测网布局新方案,利用广东省86站人工观测资料,对能见度观测站网进行布局优化。王庆安等[19]对气象台站网设计进行了探讨。以上研究均为针对已经建立的观测站,在已获得长时间序列观测资料的基础上,再对测站进行优化调整,但实际存在有些地区的站点分布稀疏,没有足够的观测资料,却又需要确定测站最优布局。针对气溶胶浓度的观测,由于设备比较昂贵、维护成本高,因此测站相对比较稀疏,本文尝试使用模式模拟的结果与有限观测资料进行相关分析,使用观测资料从模式模拟结果中筛选比较好的模拟结果,然后基于较好的模拟结果确定最优的站点分布策略,探索在站点稀少情况下如何确定最优测站分布策略的方法。
1 资料与方法 1.1 资料基于北京区域环境气象数值预报系统(BREMPS, Beijing Regional Environmental Meteorology Prediction System)逐小时PM2.5浓度的24 h预报结果进行分析。数据的水平分辩率为3 km,并分别用2016年5、6、7月代表夏季,2015年11、12月和2016年1月代表冬季进行分析。
BREMPS系统是以WRF-Chem v3.3.1为积分主模式,由北京地区快速更新循环同化预报系统(BJ-RUC)提供气象预报场进行空气质量预报的业务模式。赵秀娟等[20]给出了该系统第一版本的详细介绍并对预报结果进行了详细检验,该系统对于北京地区的空气质量预报具有较强能力。本文所用结果为该系统升级后的预报产品,新系统为9/3 km嵌套配置,外层水平分辨率9 km,网格数223x202, 覆盖华北大部及周边省市,包括内蒙东部,陕西,山西,山东,河南北部,河北,天津,辽宁及北京等地,内层水平分辨率3 km,网格数232x253, 覆盖京津冀区域。垂直方向分38层,模式顶为50 hPa。同时将华北地区城市下垫面数据集进行更新,利用基于2009年Landsat-TM高分辨率卫星资料形成了新的京津冀地区城市地表分类,取代了原来模式采用的1992—1993年的USGS 24类地表分类数据,并考虑了城市地表过程的影响(sf_ur- ban_physics=1)。系统所用排放源数据为清华大学基于INTEX_B2006排放源清单进行更新的2008年清单数据[21,22],水平分辨率为0.1°x0.1°。
1.2 方法 1.2.1 资料的筛选由于观测站点资料较稀疏,因此无法对观测要素进行较详细的空间分布分析,但是由于数值模式能获得要素的空间分布,因此可以考虑使用数值模式模拟结果进行空间分布的分析。但是数值模式模拟存在误差,通常的方法是通过同化观测资料提高模式的预报质量,但是由于气溶胶的观测站点较少,而且仅为地面观测,通过资料同化提升模式预报质量的能力是很有限的,因此本研究采用已有的观测资料对模拟结果进行筛选,得到模拟结果较好的资料,然后基于与观测相关系数较高的模拟结果进行分析。本研究采用2015年11、12及2016年1月的模式模拟结果,同时采用同期的观测数据,观测站点见图 1。
从图 1中可以看出,尽管北京有气溶胶浓度观测站点,但是站点比较稀疏。使用这些站点资料无法进行站点布局方案设计,因此需要结合更多的资料。采用BREMPS模式从2015年11月4日00时一2016年1月31日23时(世界时,下同)逐小时模拟结果,同时采用图 1中站点同时次的观测资料进行分析。将模式模拟结果插值到观测站点,共获得12个站点1 813个时次的模拟结果和观测资料,有效样本21 203个(去掉缺测样本)。21 203个样本的模拟结果和观测资料的相关系数为0.213,可见模拟结果和观测资料具有较高的相关性。尽管模拟结果和观测资料总体具有较好的相关性,但是对于每个时次来说,相关系数是不同的。2015年11月4日00时一2016年1月31日23时逐小时的模拟结果和观测资料的相关系数见图 2。
由图 2可见,总体上模式模拟的PM2.5小时浓度分布与观测资料有较好的相关,但是相关系数也有明显变化,有的时刻甚至是负相关。一方面,数值模式能获得要素的空间分布,但另一方面,模式有明显的误差,因此本研究结合有限的观测资料对模拟结果进行筛选,来进一步获得更高可信度的资料。根据各时次模拟结果与观测资料的相关系数,为保证有足够的样本,同时保证有较高的模拟精度,根据每个时次观测站点数,选取显著性检验达到90%信度水平的相关系数(12个样本时为0.661)的时次作为模拟较好的结果,共获得冬季(11、12、1月为代表)219个样本,夏季(5、6、7月为代表)256个样本。然后基于这些相关系数较高的样本进行进一步的分析。根据筛选出来的模拟结果,夏季和冬季北京地区PM2.5的平均浓度分布见图 3。
从模拟结果看出,北京地区夏季污染物浓度呈南高北低的分布,另一个显著的特点是有沿地形分布的特点,同时在城区南部有浓度高值中心。由于观测资料的缺乏,这些特征在观测资料中没能体现。从图 3也可看出,冬季的PM2.5浓度比夏季高,集中区域在城区及西南部地区。而且也有明显的随地形分布特征。
由于模拟资料获得了空间分辨率3 km的分布特征,因此可以进行更详细地分析。
1.2.2 计算方法根据模拟资料,分析每个格点的值与周围不同距离的格点的值的相关系数,得到每个点的值与周围点的值的相关系数随距离的变化。
2 不同相关系数的站点距离半径分布与分析 2.1 夏季采用夏季的256个样本,冬季的219个样本进行不同距离的相关系数分析(相关系数达到0.23以上即通过99.9%信度检验)。各格点值与周围格点值的相关系数表征了该格点值在多大程度上可以代表周围格点的值,比如相关系数为0.9时,该格点可以代表周围格点值90%的变化量。在获得北京地区所有网格点与不同间距格点之间的PM2.5浓度的相关性后,可以根据不同的精度需求确定观测站点的分布策略。
当需要获得整个区域的代表性达到90%的观测资料时,可以按照各网格点相关系数为0.9的距离设站。图 4a给出了根据2016年夏季模拟资料得到的相关系数为0.9的距离半径分布。
从相关系数为0.9的距离半径分布可以看出,当希望获得北京地区各点PM2.5浓度变化的90%的信息,测站布局可参照图 4间距进行布设。在北京西南部站点距离较小,为10 km左右,向北向东站点距离逐步增大,到20 ~ 30 km间隔。这样分布间隔的站点分布能获得整个北京地区PM2.5浓度变化变化90%的信息。另一方面也说明,北京地区的PM2.5浓度的空间变化在西南部比西北部大。
当需要获得整个区域PM2.5浓度变化的80%的信息时,选取相关系数为0.8的距离半径,从图 4b可以看出,在这种情况下依然是在北京西南部站点距离较小,为20 km左右,向北向东站点距离逐步增大,到35 ~ 50 km间隔。这样分布间隔的站点分布能获得整个北京地区PM2.5浓度变化的80%的信息。
同样,希望获得整个地区70%的浓度变化信息时,选择相关系数为0.7, 如图 4c所示,在北京西部和西南部站点距离为30 ~ 50 km左右,向北向东站点距离逐步增大,到 > 60 km间隔。
2.2 冬季由于季节不同,污染物排放以及气流输送都有差异,因此PM2.5浓度变化在空间的分布特征也可能不尽相同。
针对冬季采用以上相同的方法,当需要获得整个区域浓度变化90%的信息时(取相关系数为0.9的距离),从相关系数为0.9的距离半径分布可以看出(图 5a), 在北京城区及西部站点距离较小,为10 km左右, 向北向东站点距离逐步增大,到20 ~ 30 km间隔。冬季与夏季明显的区别是,在夏季, PM2.5浓度变化比较大的区域在西南部,而到冬季, 这个区域沿地形向东北扩展比较明显。针对冬季观测的站点分布的显著特征是西部沿山一带需要较高的站点密度,站点总体密度比夏季高。因此,如果需要兼顾夏季和冬季(固定点观测),站点分布需要兼顾考虑两种分布特征,或者可以采用移动观测来针对不同季节的差异。
从相关系数为0.8的距离半径分布可以看出(图 5b), 在北京西部沿山地区站点距离较小,为10 ~ 20 km左右,向北向东站点距离逐步增大,到35 ~ 50 km间隔。从相关系数为0.7的距离半径分布可以看出(图 5c),在北京西部沿山地区站点距离为15 ~ 25 km左右,向北向东站点距离逐步增大到40 ~60 km间隔。
3 结论及讨论本文通过使用模式模拟的结果与有限观测资料进行相关分析,获得高分辨率长时间序列的资料,进而根据空间各点资料与周围资料相关系数随距离的变化确定最优的站点分布策略,探索在站点稀少情况下如何确定最优测站分布策略的方法。针对北京地区气溶胶观测站点分布策略研究,得到如下结论:
北京地区污染物浓度呈南高北低的分布, 另一个显著的特点是有沿地形分布的特点,同时在城区南部有浓度高值中心。冬季的PM2.5浓度比夏季高, 集中区域在城区及西南部地区。
夏季观测时, 当需要获得整个区域PM2.5浓度变化的90%的信息时,站点分布在北京西南部站点距离较小,大约为10 km左右,向北向东站点距离逐步增大,到20 ~ 30 km间隔。当希望需要获得整个区域PM2.5浓度变化的80%的信息时, 北京西部和西南部站点距离为20 km左右,向北向东站点距离逐步增大,到35 ~ 50 km间隔。当希望需要获得整个区域PM2.5浓度变化的70%的信息时,北京西部和西南部站点距离为20 ~ 25 km左右,向北向东站点距离逐步增大到 > 60 km间隔。
冬季观测时,当需要获得整个区域PM2.5浓度变化的90%的信息时,在北京城区及西部站点距离较小,为10 km左右, 向北向东站点距离逐步增大,到20 ~ 30 km间隔。当希望需要获得整个区域PM2.5浓度变化的80%的信息时,北京西部和西南部站点距离为10 ~ 20 km左右,向北向东站点距离逐步增大,到35〜50 km间隔。当需要获得整个区域PM2.5浓度变化的70%的信息时, 北京西部和西南部站点距离为15 ~ 25 km左右,向北向东站点距离逐步增大到40 ~ 60 km间隔。
冬季与夏季明显的区别是,夏季PM2.5浓度变化比较大的区域在西南部,而冬季该区域沿地形向东北扩展比较明显。针对冬季观测的站点分布的显著特征是西部沿山一带需要较高的站点密度, 站点总体密度比夏季高。因此,如果需要兼顾夏季和冬季(固定点观测),站点分布需要兼顾考虑两种分布特征, 或者采用移动观测来针对不同季节的差异。
另外需要指出的是, 本文主要探索一种在观测站点较少的情况下如何同时利用高分辨率模式模拟结果进行布站策略研究的方法。但在实际进行站点布设时除了分析浓度分布, 还要分析污染源分布,分析扩散条件等, 然后结合本文研究结果进行优化。
[1] |
张远航. 大气复合污染是灰霾内因[J]. 环境, 2008(7): 32-33. |
[2] |
许杨, 杨宏青. 湖北省2007年酸雨特征及其与气象污染条件的关系[J]. 暴雨灾害, 2008, 27(4): 351-354. DOI:10.3969/j.issn.1004-9045.2008.04.012 |
[3] |
岳岩裕, 王晓玲, 张蒙晰, 等. 武汉市空气质量状况与气象条件的关系[J]. 暴雨灾害, 2016, 35(3): 271-278. DOI:10.3969/j.issn.1004-9045.2016.03.010 |
[4] |
Drozdov O, Shepelevskii A. The theory of interpolation in a stochastic field of meteorological elements and its application to meteorological elements and its application to meteorological map and network rationalization problems[J]. Trudy Niu Gugms Series, 1946, 1: 13. |
[5] |
程勇, 杨玲, 行鸿彦, 等. 气象台站网布局优化研究综述[J]. 南京信息工程大学学报(自然科学版), 2011, 3(6): 511-518. |
[6] |
岑思弦, 李跃清, 赖欣. 四川降水相关函数场的分析及其在气象观测站网布局中的应用[J]. 干旱气象, 2015, 5: 874-881. |
[7] |
Gandin L S. The planning of meterological station networks. (Technical Note No. 111)[R]. Geneva: WMO No. 265, 1970
|
[8] |
Mooley D A, Mohamed Ismail. Structure functions of rainfall field and their application to network design in the tropics[J]. Archives for Meteo rology, Geophysics, and Bioclimatology Series B, 1982, 30: 95-105. DOI:10.1007/BF02323397 |
[9] |
Mooley D A, Mohamed Ismail P M. Correlation function of rainfall field and their application in network design in the tropics[J]. Pure and Ap plied Geophyics (PAGEOPH), 1982, 120(2): 249-260. DOI:10.1007/BF00877035 |
[10] |
Schneebeli M, Laternser M. A probabilistic model to evaluate the opti mal density of stations measuring snowfall[J]. Journal of Applied Mete orology, 2004, 43(5): 711-719. DOI:10.1175/2101.1 |
[11] |
Vose R S, Menne M J. A method to determine stationdensity requirements for climate observing networks[J]. Journal of Climatology, 2004, 17(15): 2961-2971. DOI:10.1175/1520-0442(2004)017<2961:AMTDSD>2.0.CO;2 |
[12] |
廖洞贤. 最优测站距离、最优垂直分层和最优观测时间间隔的决定[J]. 气象学报, 1985, 43(2): 153-161. |
[13] |
杨贤为, 何素兰. 江淮平原二类站网的设计[J]. 气象学报, 1987, 45(1): 104-110. |
[14] |
白光弼, 刘岳峻. 高原和山地站网设计的合理布局[J]. 陕西气象, 1992(3): 18-24. |
[15] |
卢文芳, 王永华. 空间结构函数在上海地区气象站网设计中的应用[J]. 南京气象学院学报, 1989, 12(3): 325-332. |
[16] |
赵瑞霞, 李伟, 王玉彬, 等. 空间结构函数在北京地区气象观测站网设计中的应用[J]. 应用气象学报, 2007, 12(1): 94-101. DOI:10.3969/j.issn.1001-7313.2007.01.013 |
[17] |
Liu M K, Avrin J, I Pollack R, et al. Methodology for designing air qual ity monitoring networks:Ⅰ.Theoretical aspects[J]. Environmental Moni toring and Assessment, 1986, 6: 1-11. DOI:10.1007/BF00394284 |
[18] |
张芷言, 邓雪娇, 王宝民, 等. 广东省能见度仪观测网优化设计[J]. 应用气象学报, 2015, 25(6): 714-724. |
[19] |
王庆安, 顾亚进. 气象台站网设计的探讨[J]. 气象科学, 1988(3): 72-80. |
[20] |
赵秀娟, 徐敬, 张自银, 等. 北京区域环境气象数值预报系统及PM2.5浓度预报检验[J]. 应用气象学报, 2016, 27(2): 160-172. |
[21] |
Zhang Q, Streets D G, Carmichael G R. Asian emissions in 2006 for the NASA INTEX-B mission[J]. Atmos Chem Phys, 2009(9): 5131-5153. |
[22] |
王丽涛, 张强, 郝吉明, 等. 中国大陆CO人为排放清单[J]. 环境科学学报, 2005, 25(12): 1580-1585. DOI:10.3321/j.issn:0253-2468.2005.12.002 |