2019, Vol. 39
[PDF全文]
2. 中国科学院大气物理研究所东亚区域气候-环境重点实验室, 北京 100029;
3. 海南省南海气象防灾减灾重点实验室, 海口 570203
2. Key Laboratory of Regional Climate-Environment Research for Temperate East Asia, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029;
3. Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Haikou 570203
近年来随着我国城市化进程的加快、人口的增多和工业规模的扩大, 城市空气质量问题已经成为各大城市中较为突出的问题之一(刘海猛等, 2018；黄顺祥, 2018).早期的城市空气质量预报方法是基于湍流统计理论发展起来的半经验数值模型进行预报(盛立芳等, 1999).然而, 随着近年来电子科技的发展, 气象模式和污染模式越发完善和成熟, 结合气象模式和污染模式的数值预报系统已经成为城市空气质量预报的发展方向(房小怡等, 2004；刘慧等, 2017).国外的研究机构在20世纪70年代初就着力于大气污染的数值预报研究(Reynolds et al., 1973), 近年来美国又推出了代表目前国际领先水平的第三代空气质量模型Models-3 (Community Multiscale Air Quality, CMAQ), 该模式已经充分考虑了大气中各种物理过程、化学过程, 以及不同污染成分之间的相互影响与转化, 实现了多种污染要素的同步模拟(Mebust et al., 2003；王茜等, 2015).我国自行研制城市空气污染数值预报模式是从21世纪初开始, 韩志伟等(2002)利用城市空气污染数值预报模式对2000和2001年冬季采暖期济南市空气污染进行了预报, 结果表明该系统具有较好的预报能力, 空气质量等级预报准确率高达87.5%.该系统由中国科学院大气物理研究所自主研发, 随后结合气象模式WRF, 发展成嵌套网格空气质量预报模式系统(Nested Air Quality Prediction Modeling System, NAQPMS), 并在国内多个重点城市进行空气质量实时预报(王哲等, 2014).中国气象局先后开发了城市大气污染数值预报系统(City Air Pollution Prediction System, CAPPS)和化学天气数值预报系统(Chinese Unified Atmospheric Chemistry Environment Forecast System, CUACE), 均被广泛应用于相关业务单位开展的空气质量预报服务业务工作中(Liu, 2009；王宏等, 2011；李晓岚等, 2016；Wang et al., 2018), 同时在模式的评估方面, 国内学者也做了大量工作.董业龙等(2004)、陈波等(2006)、陈静等(2008)和王宏等(2011)分别对CAPPS3在铜川、武汉、石家庄和福州等地的预报效果进行评估.谢敏等(2012)和陈彬彬等(2012)分别对CMAQ模式产品在珠三角区域和福州市的预报效果进行检验.李曼等(2014)、李晓岚等(2016)和杨关盈等(2017)分别利用CUACE模式预报产品, 对乌鲁木齐、沈阳市和合肥市的空气质量预报效果进行了校验.
海南岛地处于南海北部, 与广东省和广西自治区毗邻, 属于热带岛屿季风性气候(高素华等, 1988).海南省是我国旅游大省之一, 空气质量优良, 城市空气质量排名在全国城市经常名列前茅.海口市是海南省的省会城市, 北面隔琼州海峡与雷州半岛相望.随着海南省经济的发展和城市建设的加快, 海口市城市大气环境问题也逐渐突出(符传博等, 2015a；2015b；符传博等, 2016), 海南省政府也高度重视海口市的空气质量预报和服务工作.本文主要基于CUACE模式的预报指导产品, 对近3年海口市24、48、72 h预报的PM10、PM2.5、O3的浓度值及空气质量指数(Air Quality Index, AQI)、空气质量等级和首要污染物等进行预报效果检验.以期为进一步开展海口市大气污染物监测预警、业务开发和科研等工作提供参考.
2 资料与研究方法(Data and methods) 2.1 模式简介和实况资料CUACE模式由中国气象局气象科学研究院自主研发, 该模式以大气成分观测为基础, 其中包括大气气溶胶和各种反应性气体的排放、转化等过程, 可用于大气成分数值模拟和预报、大气成分对天气气候影响和反馈等研究(李晓岚等, 2016).原业务系统为中国气象局雾-霾数值预报系统(CUACE/Haze-fog), 2014年正式为各地气象部门开展空气质量预报服务业务工作.但受模式分辨率低, 难以满足城市和站点的预报需求、物理过程不完善、排放源处理方案单一、计算效率低等条件限制, 难以满足当前环境气象业务上精细化、长时效的需求, 预报准确率也有待提高.2014年5月, 气象科学研究院设计并实现了15 km×15 km水平分辨率的全国版本CUACE_CN, 经过多次调试和更新, 在2015年12月定版为CUACE V2.0.CUACE V2.0模式区域覆盖全国大陆(图 1), 网格数360×320×23, 水平格距15 km, 垂直地表-100 hPaσ分层.因预报范围足够大, 边界影响可忽略, 因此, 采用单层模式运行, 未使用套网格方案.CUACE V2.0模式较前一版本做了较大升级改进, 如完善了SO2等物种液相反应过程, 增加粗粒子源项；引入气溶胶/云-雾直接辐射反馈方案；引入边界层排放源扩散方案；完善气溶胶重力沉降分层计算方案；引入新的排放源处理方案等.模式输出产品包括大气污染物成分浓度、AQI、能见度、雾、霾、环境气象要素分析和常规气象要素预报等资料(吕梦瑶等, 2018).
 |
| 图 1 CUACE V2.0模式区域 Fig. 1 Domain of CUACE V2.0 |
目前CUACE模式由国家气象中心负责运行维护, 确保模式运行稳定.根据CUACE模式输出的6种大气污染物浓度客观预报产品, 结合实时和历史资料进行订正, 并制作下发全国地级以上城市6种污染物浓度和AQI指数预报指导产品, 预报时效为72、24 h内6 h间隔, 24~72 h内12 h间隔.海口市经纬度取为20.0°N, 110.25°E.实况资料为海南省生态环境保护厅对外发布的空气质量污染物浓度监测实况数据.目前海口市环境保护监测站在市区布置了4个大气常规监测国控点(宋娜等, 2015), 监测6类常规大气污染物(包括SO2、NO2、PM10、PM2.5、O3和CO), 监测数据分辨率为逐小时, 而且海南省生态环境保护厅每日发布的海口市空气质量日报也是由这4个站点平均所得, 本文利用4个国控站平均的逐时资料作为实况资料进行分析.
2.2 检验方法目前海口市环保局对外发布的海口市空气质量日报中, AQI和6类大气污染物浓度值为0:00至翌日0:00逐小时浓度值的平均, 而中国气象局下发的CUACE模式指导产品由于起报时间不同, 因此, 本文首先利用海南省环境生态保护厅空气质量实时发布平台的小时监测数据, 参照《环境空气质量指数(AQI)技术规定(试行)》, 计算每日20：00至翌日20:00大气污染物的平均浓度和AQI值, 统计首要污染物和空气质量等级, 结合CUACE模式产品进行检验分析.本文选取的预报产品年限为2014年3月—2017年2月, 起报时次有24、48和72 h, 污染物种类有PM2.5、PM10、O3浓度, AQI预报及空气质量等级、首要污染物.
目前常用的空气质量评估指标有很多, 本文主要选择标准误差(Root Mean Square Error, RMSE)、平均偏差(Mean Bias, MB)、归一化偏差(Mean Normalized Bias, MNB)和相关系数r来对CUACE模式预报的海口市AQI值和3类大气污染物浓度值的预报准确率进行检验.RMSE能反映出预报值和实测值的差值, MB的大小主要表示样本总体预报值比实测值偏大或偏小的数值, MNB反映的是预报值比实测值偏大或偏小的程度, 而相关系数r表示了预报值与实测值相关关系的密切程度, 具体的公式介绍可参考文献(杨关盈等, 2017).对于CUACE模式预报的海口市首要污染物和空气质量等级评估方法, 本文主要采用的是TS评分(胡淳焓等, 2015)、漏报率(Point Over, PO)、空报率(Not Hit, NH)和预报偏差(Bias, B)来进行检验, 具体公式为：
|
(1) |
|
(2) |
|
(3) |
|
(4) |
式中, NA、NB和NC的物理意义如表 1所示.TS评分数值区间在0至1之间, 数值越大表示首要污染物或空气质量等级的预报准确性越高.漏报率(PO)和空报率(NH)的数值区间也为0至1, 反映的是漏报次数和空报次数与实测次数的比值, 数值越小表示该模式对某首要污染物或某空气质量等级的预报的准确率越高.预报偏差B的数值区间在0至±∞, 当预报偏差B大于1时, 表示某首要污染物或某空气质量等级在预报中出现的次数偏多于实际出现的次数；反之, 预报偏差B小于1时则表示模式对该首要污染物或该空气质量等级少报.
| 表 1 空气质量预报检验分类 Table 1 Classification of air quality forecast verification |
 |
按照《环境空气质量指数技术规定》中的规定, 将海口市2014年3月—2017年2月AQI值分为6类, 即AQI值小于等于50时为优, 无首要污染物, AQI值为51~100、101~150、151~200、201~300和大于300时分别为良、轻度污染、中度污染、重度污染和严重污染, 并有首要污染物.表 2给出了近3年海口市日平均AQI等级天数、百分率及首要污染物统计.从表中可以看出, 近3年海口市大部分天数的空气质量等级以优和良等级为主, 分别为835 d和248 d, 占了全部天数的76.1%和22.6%.然而, 近3年中有13 d AQI值超过100, 其中11 d达到轻度污染等级, 2 d达到中度污染等级.从首要污染物比率来看, 海口市的首要污染物主要为PM10、PM2.5和O3, 分别为72、77和112 d, 占全部有首要污染物天数的27.6%、29.5%和42.9%.值得关注的是O3的比率最高, 已经成为海口市污染天气最主要的大气污染物.从不同年份来看, 2015年海口市空气质量相对较好等级为优的天数占全年的82.5%, 而2014年和2016年只为73.1%和72.8%.首要污染物2014年以PM2.5为主, 占全年的53.1%, 而2015年和2016年O3的比率大幅度上升, 分别达到62.5%和58.6%.近年来随着经济的发展、人口规模的扩大和大气污染物排放的增加, 我国城市大气污染正向复合型污染转变, 而O3正是最重要的特征污染物之一, 海口市与国内其他城市一样, O3污染问题愈发严重(Wang et al., 2016；吴锴等, 2018).
| 表 2 近3年海口市日平均AQI等级天数、百分率及首要污染物统计 Table 2 Statistical summary for different Air Pollution Levels, percentages and primary pollutants in the last three years in Haikou City |
|
图 2给出了2014年3月—2017年2月海口市AQI及PM2.5、PM10和O3浓度CUACE模式月平均24 h预报值与实测值的逐月变化(48和72与24 h的变化特征基本一致, 图略).图中清楚表明, CUACE模式基本能预报出海口市AQI值及PM2.5、PM10和O3浓度的月平均变化趋势, 与实测值的演变特征一致.海口市AQI及PM2.5、PM10和O3浓度呈现冬半年偏高, 夏半年偏低的季节变化特征.对比而言, AQI模拟值略偏低于实况值, AQI实况值在2015年10月和2016年12月超过60, 而模拟值近3年均没有超过60.PM2.5的模拟值与实测值较为接近, 只有在2014年冬季和2016年春季和夏季偏低较为明显, 其余时段模拟较好.PM10和O3模拟值普遍低于实测值, PM10也在2014年冬季和2016年春季和夏季偏低较为明显, O3偏低较为显著的时段是在2014年春季和2016年冬季.计算3年平均的AQI及PM2.5、PM10和O3浓度预报值与实测值偏差从大到小排列为22.13%(PM10), 19.53%(O3), 13.58%(AQI)和11.72%(PM2.5).表 3进一步给出了2014年3月—2017年2月海口市CUACE模式3个预报时次预报的月平均值与实测值的相关系数, 可以发现3个时次AQI及PM2.5、PM10和O3浓度预报值与实测值的相关系数均高于0.789, 全部通过了99.9%的信度检验.相比而言, 相关系数最高的时次为24 h预报, 48 h预报和72 h预报略偏低, 但其相关系数值也维持较高.对比不同要素可知, PM2.5的相关系数最高, 均大于0.95, 其次为PM10和AQI, 最低为O3, 这与前面的分析一致.
 |
| 图 2 2014年3月—2017年2月海口市AQI (a)、PM2.5 (b)、PM10 (c)和O3 (d) CUACE模式月平均24 h预报值与实测值的逐月变化 Fig. 2 Comparison of monthly AQI (a), PM2.5 (b), PM10 (c) and O3 (d) from 24 h CUACE model and observation during March 2014 to February 2017 in Haikou City |
| 表 3 近3年海口市CUACE模式3个预报时次月平均预报值与实测值的相关系数 Table 3 Correlation coefficients between monthly CUACE model results and observations for three forecast times during the past three years in Haikou City |
|
为了进一步检验CUACE模式预报的3类大气污染物浓度和AQI的日平均值预报效果, 表 4给出了2014年3月—2017年2月海口市AQI和3种污染物日平均浓度的标准误差(RMSE)、平均偏差(MB)和归一化偏差(MNB).从表中可以看出, AQI和3类污染物24、48、72 h预报的RMSE之间差别较小, 其中AQI的RMSE在18.14~18.76之间, PM2.5、PM10和O3分别在13~13.76、18.89~19.8和30.97~31.29之间, 这也说明3个时次起报的预报值与实测值差值不大, 模式较为稳定.从RMSE数值来看, PM2.5最小, AQI和PM10次之, O3最大, 表明PM2.5预报值与实测值最为接近, O3偏差最大, 这与前一小节的分析结果一致.从表中仍可以看出, 24、48和72 h时次预报的AQI和3类大气污染物的MB值和MNB值均为负值, 而且差别较小, 这也说明近3年CUACE模式各个污染要素在海口市的预报结果均偏低于实测值, 3个时次的预报较为稳定.AQI的MNB值最小为72 h预报, 数值为-7.72%, 而24和48 h预报的MNB值分别为-8.78%和-8.02%, 72 h预报的AQI值偏好于24 h和48 h预报, 这也体现了海口市空气质量预报的复杂性. PM2.5、PM10和O3也有类似的结果, 即72 h预报值与实测值偏差程度更小.相比而言, PM2.5的MNB值最小, 在-4%以下；AQI的预报也较为接近实测值, 3个时次均在-9%以下；PM10偏差, 24 h和48 h预报的MNB值接近-20%；O3的MNB值最大, 其中24 h和48 h预报的MNB值超过-30%.结合图 2可知, 造成PM10的MNB值偏大的原因是2014年冬季和2016年春季和夏季CUACE模式预报PM10明显偏低于实测值, 而O3比实测值明显偏低的时段是在2014年春季和2016年冬季.
| 表 4 近3年海口市CUACE模式预报结果检验 Table 4 Verification of the results from CUACE model forecast during the past three years in Haikou City |
|
图 3进一步给出了2014年3月—2017年2月海口市AQI和3类大气污染物日平均浓度值与CUACE模式24 h预报值之间的相关性分布.从图中可知, CUACE模式基本能预报出海口市AQI和PM2.5、PM10及O3的日平均浓度值, 其中相关性最好的为PM2.5(R2=0.3498).PM10的相关系数也超过了0.3, AQI和O3的相关系数只分布在0.28~0.29之间.李晓岚等(2016)检验了2015年4—5月沈阳市CUACE模式的预报效果发现, 24 h预报的6种大气污染物预报值与观测值相关系数均超过0.4, 其中PM2.5达到0.64；杨关盈等(2017)检验了2014年3月—2015年2月合肥市CUACE模式的预报效果, 结果表明AQI和3种污染物预报值与实测值相关系数均超过0.33, 其中O3的相关系数可达0.58, 预报效果较好.这也说明CUACE模式在不同地区的预报能力也不同.而相对而言, CUACE模式对海口市的预报能力偏差, 只有大气颗粒物的相关系数超过0.3, AQI和O3预报效果较差, 这可能与海口地区大气污染来源的复杂性有关, 符传博等(2015a；2015b；2016)的研究表明, 外源输送对冬季海口市大气污染物浓度的贡献较大, 这也增加了CUACE模式对海口市污染物浓度预报的难度.
 |
| 图 3 2014年3月—2017年2月海口市AQI (a)、PM2.5 (b)、PM10 (c)和O3 (d) CUACE模式24 h预报值与实测值的相关性分布 Fig. 3 Correlations between model and observation for AQI(a), PM2.5(b), PM10(c) and O3(d) during March 2014 to February 2017 in Haikou City |
TS评分常被气象部门用于降水预报的效果检验, 本小节也采用TS评分对海口市不同等级空气质量预报结果进行评分, 方法包括TS评分、漏报率(PO)、空报率(NH)和预报偏差(B)等, 具体公式见2.2节.图 4给出了2014年3月—2017年2月CUACE模式预报的海口市空气质量等级的检验结果.从图中可知, 海口市空气质量为优时, TS评分最高, 在76%附近.此时漏报率和空报率最低, 24 h预报分别为10.18%和16.57%, 而B为107.66%, 表明CUACE模式在优等级略有多报.另外在同一等级, 24、48、72 h预报的TS评分、漏报率和空报率数值基本相同, 没有明显差异, 这也说明CUACE模式在海口市同一等级预报的准确性并没有随着预报时次的延长而降低.随着空气质量等级的增加, TS评分递减显著, 良等级TS评分在30%附近, 轻度污染降至10%左右, 中度污染为0%, 即CUACE模式没有抓住海口市空气质量等级为中度污染的预报.而漏报率和空报率随着空气质量等级上升递增明显, 在轻度污染等级漏报率和空报率均达到了100%.预报偏差在良等级时24、48、72 h预报均在80%附近, 而在轻度污染等级72 h预报下降至23%, 24和48 h维持在72%, 即72 h预报的预报误差小于24 h和48 h的预报误差, 这也体现了海口市空气质量等级预报的复杂性.
 |
| 图 4 2014年3月—2017年2月海口市CUACE模式空气质量等级的TS评分(a)、漏报率(b)、空报率(c)和预报偏差(d) Fig. 4 TS scores (a), PO (b), NH (c) and B (d) for the forecasting air quality levels from CUACE model during March 2014 to February 2017 over Haikou City |
从3.1节的分析可知, 造成近3年海口市空气达到良等级及其以上的大气污染物主要为PM2.5、PM10和O3, 因此, 本小节主要对CUACE模式预报的首要污染物为PM2.5、PM10和O3, 以及无首要污染物的4种情况进行检验.图 5给出了2014年3月—2017年2月CUACE模式对海口市首要污染物预报的TS评分、漏报率、空报率和预报偏差.从图中可以看出, 海口市无首要污染物时, TS评分较高, 24、48和72 h预报的TS评分均接近80%, 而漏报率只分布在10%附近, 空报率在16%左右, 都在20%以下, 这也说明CUACE模式预报产品对海口市无首要污染物时有较好的指导性.首要污染物为PM2.5、PM10和O3时, TS评分较低, 24 h预报TS评分从大到小排列为22.6%(PM2.5)、11.19%(O3)和2.59%(PM10).漏报率24 h预报PM2.5在60%左右, 而PM10和O3超过80%, 空报率PM2.5和O3分布在65%附近, PM10则在93.62%.由前面的分析可知, 海口市近3年76.1%的天数AQI值均在50以下, 无首要污染物, 而AQI值达到50以上的天数较少, 增加了预报难度, 导致各类首要污染物预报的TS评分均较低, 特别是PM10只占所有首要污染物天数的27.6%, 因此PM10为首要污染物的预报TS评分最低, 漏报率和空报率均较高.另外从图 1可以看出, 海南位于CUACE模式区域边缘, 而且边界采用单层模式运行, 未使用套网格方案, 受模式边缘影响较大.同时海南地区冬季污染物受外源输送影响明显, 增大预报难度.从图 5还可以看出, 随着预报时次的增加, CUACE模式对海口市首要污染物的预报效果并未出现明显变化.预报偏差B的分布可知, 无首要污染物时的预报偏差最接近100%, 3个时次均分布在107%左右, 24 h预报的首要污染物偏差PM2.5、PM10和O3分别为132.47%、65.28%和41.96%.从预报偏差的数值来看, PM2.5明显偏高100%, 表明CUACE模式对首要污染物为PM2.5的预报多报, 而对首要污染物为PM10和O3的预报少报.
 |
| 图 5 2014年3月—2017年2月海口市CUACE模式首要污染物预报的TS评分(a)、漏报率(b)、空报率(c)和预报偏差(d) Fig. 5 TS scores (a), PO(b), NH(c) and B(d) for the forecasting primary pollutant from CUACE model during March 2014 to February 2017 over Haikou City |
1) 近3年海口市空气质量等级主要以优和良为主, 但仍有11 d达到轻度污染, 2 d为中度污染.首要污染物主要为PM10、PM2.5和O3, 分别占所有有首要污染物天数的27.6%、29.5%和42.9%.近年来O3的上升幅度较快, 2015年和2016年比率分别达到62.5%和58.6%, 值得关注.
2) CUACE模式能较好的模拟出近3年海口市AQI及PM2.5、PM10和O3浓度的变化特征, 其24 h预报的月平均浓度相关系数均超过0.8, 超过99.9%的信度检验.PM2.5的预报值与实测值较为接近, 只有在2014年冬季和2016年春季和夏季偏低较为明显, PM10和O3预报值普遍低于实测值, PM10的偏差较大时段与PM2.5一致, O3偏低较为显著的时段是在2014年春季和2016年冬季.
3) 日平均浓度的预报效果检验表明, AQI和3类污染物的24、48、72 h预报的RMSE之间差别较小, 说明预报值与实测值差值较为稳定.PM2.5的RMSE最小, AQI和PM10次之, O3最大, 表明PM2.5预报值与实测值最为接近, O3偏差最大.3个时次预报的AQI和3类污染物MB和MNB均为负值, 表明CUACE模式预报的污染要素浓度均偏低于实测值, PM2.5的MNB值最小, 在-4%以下, AQI和PM10次之, O3的MNB值最大.
4) 空气质量等级和首要污染物预报的检验表明, 在空气质量为优, 无首要污染物时, CUACE模式的等级预报和首要污染物预报最好, TS评分最高, 同时空报率和漏报率最低, 表明CUACE模式预报产品对海口市空气质量等级为优, 无首要污染物时有较好的指导性.而首要污染物为PM2.5、PM10和O3时, CUACE模式预报TS评分均较差, 这可能与CUACE模式预报海口市大气污染物浓度整体偏低、海口市在CUACE模式区域的位置, 以及海口市污染物来源的复杂性较大有关.
陈彬彬, 林长城, 杨凯, 等. 2012. 基于CMAQ模式产品的福州市空气质量预报系统[J]. 中国环境科学, 2012, 32(10): 1744–1752.
DOI:10.3969/j.issn.1000-6923.2012.10.003 |
陈波, 申双和, 冯光柳. 2006. CAPPS模型在武汉市空气质量预报中的应用与检验[J]. 暴雨灾害, 2006, 25(4): 20–22.
|
陈静, 范引琪, 李杰. 2008. CAPPS模式在石家庄市应用的效果检验[J]. 气象与环境学报, 2008, 24(2): 23–27.
DOI:10.3969/j.issn.1673-503X.2008.02.006 |
董亚龙, 吴宁. 2004. CAPPS模式在铜川空气质量预报中的效果检验[J]. 陕西气象, 2004(5): 13–16.
DOI:10.3969/j.issn.1006-4354.2004.05.004 |
房小怡, 蒋维楣, 吴涧, 等. 2004. 城市空气质量数值预报模式系统及其应用[J]. 环境科学学报, 2004, 24(1): 111–115.
DOI:10.3321/j.issn:0253-2468.2004.01.022 |
符传博, 唐家翔, 丹利, 等. 2015a. 2013年冬季海口市一次气溶胶粒子污染事件特征及成因解析[J]. 环境科学学报, 2015a, 35(1): 72–79.
|
符传博, 陈有龙, 丹利, 等. 2015b. 近10年海南岛大气NO2的时空变化及污染物来源解析[J]. 环境科学, 2015b, 38(1): 18–24.
|
符传博, 唐家翔, 丹利, 等. 2016. 2014年海口市大气污染物演变特征及典型污染个例分析[J]. 环境科学学报, 2016, 36(6): 2160–2169.
|
高素华, 黄增明, 张统钦, 等. 1988. 海南岛气候[M]. 北京: 气象出版社: 1–189.
|
韩志伟, 杜世勇, 雷孝恩, 等. 2002. 城市空气污染数值预报模式系统及其应用[J]. 中国环境科学, 2002, 22(3): 202–206.
DOI:10.3321/j.issn:1000-6923.2002.03.003 |
胡淳焓, 黄娟, 王益琴, 等. 2015. 基于强度尺度法的雷达和数值模式定量降水预报检验对比[J]. 热带气象学报, 2015, 31(2): 273–279.
|
黄顺祥. 2018. 大气污染与防治的过去、现在及未来[J]. 科学通报, 2018, 63(10): 895–919.
|
李曼, 张载勇, 李淑娟, 等. 2014. CUACE系统在乌鲁木齐空气质量预报中的效果检验[J]. 沙漠与绿洲气象, 2014, 8(5): 63–68.
DOI:10.3969/j.issn.1002-0799.2014.05.012 |
李晓岚, 马雁军, 王扬锋, 等. 2016. 基于CUACE系统沈阳地区春季空气质量预报的校验及修正[J]. 气象与环境学报, 2016, 32(6): 10–18.
DOI:10.3969/j.issn.1673-503X.2016.06.002 |
刘海猛, 方创琳, 黄解军, 等. 2018. 京津冀城市群大气污染的时空特征与影响因素解析[J]. 地理学报, 2018, 73(1): 177–191.
|
刘慧, 饶晓琴, 张恒德, 等. 2017. 环境气象业务数值模式预报效果对比检验[J]. 气象与环境学报, 2017, 33(5): 17–24.
DOI:10.3969/j.issn.1673-503X.2017.05.003 |
Liu N. 2009. Establishment of regional air quality numerical forecast system in Liaoning[J]. Meteorological Monthly, 32(10): 84–89.
|
吕梦瑶, 程兴宏, 张恒德, 等. 2018. 基于自适应偏最小二乘回归法的CUACE模式污染物预报偏差订正改进方法研究[J]. 环境科学学报, 2018, 38(7): 2735–2745.
|
Mebust M R, Eder B K, Binkowski F S, et al. 2003. Models-3 community multiscale air quality (CMAQ) model aerosol component 2. model evaluation[J]. Journal of Geophysical Research Atmospheres, 108(D6).
|
Reynolds S D, Roth P M, Seinfeld J H. 1973. Mathematical modeling of photochemical pollution, I. Formulation of the model[J]. Atmospheric Environment, 7: 1033-1061
|
盛立芳, 吴增茂, 秦曾灏. 1999. 城市空气质量数值预报的不确定性与可预报性[J]. 中国海洋大学学报(自然科学版), 1999(4): 575–580.
|
宋娜, 徐虹, 毕晓辉, 等. 2015. 海口市PM2.5和PM10来源解析[J]. 环境科学研究, 2015, 28(10): 1501–1509.
|
Wang T, Xue L, Brimblecombe P, et al. 2016. Ozone pollution in china: a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 575: 1582–1596.
|
Wang C, An X, Zhai S, et al. 2018. Tracking sensitive source areas of different weather pollution types using GRAPES-CUACE adjoint model[J]. Atmospheric Environment, 175: 154–166.
DOI:10.1016/j.atmosenv.2017.11.041
|
王宏, 冯宏芳, 石钰, 等. 2011. CAPPS3模式在福州市预报效果检验[J]. 气象与环境学报, 2011, 27(4): 25–29.
DOI:10.3969/j.issn.1673-503X.2011.04.004 |
王茜, 吴剑斌, 林燕芬. 2015. CMAQ模式及其修正技术在上海市PM2.5预报中的应用检验[J]. 环境科学学报, 2015, 35(6): 1651–1656.
|
王哲, 王自发, 李杰, 等. 2014. 气象—化学双向耦合模式(WRF-naqpms)研制及其在京津冀秋季重霾模拟中的应用[J]. 气候与环境研究, 2014, 19(2): 153–163.
|
吴锴, 康平, 于雷, 等. 2018. 2015—2016年中国城市臭氧浓度时空变化规律研究[J]. 环境科学学报, 2018, 38(6): 2179–2190.
|
谢敏, 钟流举, 陈焕盛, 等. 2012. CMAQ模式及其修正预报在珠三角区域的应用检验[J]. 环境科学与技术, 2012, 35(2): 102–107.
DOI:10.3969/j.issn.1003-6504.2012.02.021 |
杨关盈, 邓学良, 吴必文, 等. 2017. 基于CUACE模式的合肥地区空气质量预报效果检验[J]. 气象与环境学报, 2017, 33(1): 51–57.
DOI:10.3969/j.issn.1673-503X.2017.01.007 |