环境科学学报  2020, Vol. 40 Issue (5): 1587-1593
引用本文
李冬青, 吴其重, 徐旗, 等. 2020. 不同分辨率CMAQ模式系统对北京PM2.5预报效果研究[J]. 环境科学学报, 40(5): 1587-1593.
Li D Q, Wu Q Z, Xu Q, et al. 2020. Study on the model performance of different resolution CMAQ Model System on Beijing PM2.5 forecast[J]. Acta Scientiae Circumstantiae, 40(5): 1587-1593.
不同分辨率CMAQ模式系统对北京PM2.5预报效果研究    [PDF全文]
李冬青1, 吴其重1, 徐旗1, 王晓彦2, 高超3, 肖晗1, 王蓉蓉1    
1. 北京师范大学全球变化与地球系统科学研究院, 北京 100875;
2. 中国环境监测总站, 国家环境保护环境监测质量控制重点实验室, 北京 100012;
3. 中国人民解放军63921部队, 北京 100094
收稿日期: 2019-10-21; 修回日期: 2020-01-09; 录用日期: 2020-01-09
基金项目: 国家重点研发计划（No.2017YFC0209805，2017YFC0212100）；中央高校基本科研业务费专项资金资助项目；北京高精尖学科"陆地表层学"资助
作者简介: 李冬青(1997-), 女, E-mail:dq107li@mail.bnu.edu.cn
通讯作者（责任作者）: 吴其重, E-mail:wqizhong@bnu.edu.cn
摘要：自北京奥运会以来，CMAQ模式作为北京多模式预报系统的一个成员在北京空气质量预报中得到广泛应用.为了更好地发展模式系统预报性能，本文针对北京开展完整年份PM2.5模拟预报效果评估，结合我国环境空气质量标准，引入IAQI预报准确率、等级预报准确率以及预报综合评分法等多项指标，研究评价不同代际不同模式分辨率CMAQ模式系统预报效果差异.研究结果表明，①新研发的CMAQ模式系统预报效果整体优于原有业务预报模式系统，综合考虑预报级别准确性和预报空气质量分指数精确度的得分评估结果显示，新一代CMAQ模式3 km空间分辨率（BJ03）4 d预报时效内得分为73.1~80.5分，高于9 km空间分辨率（BJ09）和原有CMAQ模式5 km空间分辨率（CN05）和15 km空间分辨率（CN15）的预报结果综合得分.②BJ03区域的预报效果优于BJ09区域，BJ03区域预报的PM2.5-IAQI准确率达42%，空气质量等级准确率达68%~79%，预报综合评价得分最高80.5分；而9 km分辨率CMAQ模式预报的PM2.5-IAQI准确率为30%，等级准确率为53%~70%，预报综合评价得分最高为75.3分.③模式PM2.5-IAQI预报准确率整体随预报时长增加而下降，原有业务系统CMAQ模式的CN05、CN15区域IAQI预报准确率由24 h内的27%下降至7 d预报时长的22%左右；BJ03区域IAQI预报准确率由24 h内的42%下降到4 d预报时长的29%，与之对应的BJ09区域IAQI预报准确率由24 h内的30%下降到4 d预报时长25%，至9 d预报时长，IAQI预报准确率进一步下降到22%，即达到原有业务预报系统7 d IAQI预报准确率.④模式秋冬季的PM2.5预报结果整体较实况偏高，BJ03区域秋冬季较实况偏高9.2 μg·m-3，而BJ09、CN05和CN15区域较实况偏高25.6~37.9 μg·m-3.
关键词：PM2.5    CMAQ模式    北京    2018年    模式评估    
Study on the model performance of different resolution CMAQ Model System on Beijing PM2.5 forecast
LI Dongqing1, WU Qizhong1, XU Qi1, WANG Xiaoyan2, GAO Chao3, XIAO Han1, WANG Rongrong1    
1. College of Global Change and Earth System Science, Beijing Normal University, Beijing 100875;
2. State Environmental Prediction Key Laboratory of Quality Control in Environmental Monitoring, China National Environmental Monitoring Centre, Beijing 100012;
3. Unit 63921 of People's Liberation Army, Beijing 100094
Received 21 October 2019; received in revised from 9 January 2020; accepted 9 January 2020
Abstract: CMAQ model, as a member of the Beijing multi-model prediction system, has been widely used in the Beijing air quality prediction since the Olympic Games in 2008. This study evaluated the model capabilities with diverse resolutions of predicting PM2.5 in Beijing for year 2018 using the multi-index methods based on the national environmental air quality standard, e.g., IAQI prediction accuracy, grade prediction accuracy, and prediction comprehensive scoring method, for better improving the prediction performance of CMAQ in the future. The results show that: ① the performance of the new developed CMAQ model system with higher resolution is better than that of the original operational forecasting model. Based on the combination of the forecast level accuracy and the prediction accuracy of IAQI, 3 km spatial resolution of new CMAQ (BJ03) has a range of 73.1 to 80.5 during four-day forecast period, which is much higher than that of 9 km spatial resolution (BJ09) and original model system with 5 km(CN05) and 15 km(CN15). ② The forecast ability of BJ03 is better than that of BJ09. The prediction accuracy rate of PM2.5-IAQI, the accuracy rate of corresponding air quality level and the highest score of BJ09 is 30%, 53%~70% and 75.3, respectively, which is lower than that of BJ03 of 42%, 68%~79%, and 80.5, respectively. ③ The prediction accuracy rate of PM2.5-IAQI declined with the increase of prediction duration. For example, the prediction accuracy rate is 42% for 24 hours prediction in BJ03 and decreases to 29% for the 4-days forecasting; while it is 30% in 24 hours prediction and decreases to 25% for 4 days prediction, even 22% for 9 days case, in BJ09. In addition, the prediction accuracy rate decreases from 27% for 24 hours prediction to about 22% for 7 days prediction in original model system. ④ Model forecasting results are relatively higher than observation in autumn and winter. The PM2.5 concentration result of BJ03 is 9.2 μg·m-3 higher than the observation, while BJ09, CN05, and CN15 are 25.6~37.9 μg·m-3 higher than the observation.
Keywords: PM2.5    CMAQ model    Beijing    2018    model evaluation    
1 引言(Introduction)

中国2013年实行的环境空气质量标准(2012)增设了细颗粒物PM2.5污染物在生活区域24 h浓度限值不得超过75 μg · m-3, 反映出PM2.5对人体健康影响的严重性.PM2.5指环境空气中空气动力学当量直径小于等于2.5 μm的颗粒物, 可导致短寿或引起呼吸和心血管相关疾病致使死亡(Dockery et al., 1993; Brunekreef et al., 2002; Demircigil et al., 2014), 研究表明PM2.5的长期暴露与死亡率之间有很强的相关性(Pope et al., 1995; Jerrett et al., 2005).

众多学者针对空气质量开展预报和状态评估研究, 以便居民更好地提前做好防范及准备.徐敬等(2007)采用统计方法及源解析对北京地区2003—2004年PM2.5状况研究分析, 四季中夏季PM2.5浓度最低, 冬春两季较高, 其污染源主要为土壤尘、燃煤烧、交通运输、海洋气溶胶以及钢铁工业.Huang等(2014)采用综合的离线分析方法和统计技术对中国北京、上海、广州、西安4个城市于2013年1月由颗粒物引起的霾事件进行剖析, 研究在此次雾霾过程中气溶胶的化学性质及主要来源, 文中提及2013年1月5—25日北京PM2.5浓度达到了158.5 μg · m-3的高浓度状况, 高浓度状况迫使国家开展空气质量预报业务和研究工作.不同学者针对空气质量预报使用不同的指标进行评估, 如徐敬等(2007)、王晓彦等(2015)、冯震等(2018)分别采用了相关系数、均方差、偏差、AQI预报准确率、AQI检验误差等对空气质量预报效果进行多方面综合评估.王晓彦等(2016)归纳前人研究表明空气质量模式预报产品、模拟分辨率、污染源排放资料及客观预报偏差等诸多因素均会不同程度影响数值模式预报效果.

空气质量数值模式是开展空气质量预报的有效工具, 当前国内外广泛应用预报研究的空气质量模式包括CMAQ、CAMx、NAQPMS、WRF-Chem等多个区域与城市尺度空气质量模式.杨晓春等(2015)运用XAWRF-CMAQ模式系统预报评估西安空气质量, 引入评分机制, 研究表明该模式系统空气质量预报准确性评分为71分, 略高于中国气象局发布的统计预报产品, 但该模式系统对于粗颗粒物浓度存在一定程度的偏低估计.王辉等(2016)运用CMAQ模式对合肥市2014年12月PM2.5进行模拟并与站点数据对比, 所有站点FAC2为63%~77%, 且时间序列比对表明模拟结果对污染积累及消散趋势把握较好.Wu等(2014)优化北京空气质量模式系统, 有效改善WRF-SMOKE-CMAQ模式系统对PM10重污染峰值的模拟效果, 模拟的空气污染指数(API)峰值由原有的96提升为接近180, 模拟偏差(MB)由-24.7改善为-0.2, 日均浓度模拟-实测相关系数进一步地从0.895上升为0.931, 较好地改善北京对1月份颗粒物峰值模拟偏低的问题, 但该文的研究是对历史的反演, 所采用的气象场本身已含有观测信息的FNL资料, 未对预报效果进行评估和阐述.在此基础上, 徐文帅等(2016)进一步优化北京市空气质量数值预报系统, 有效提高了北京市空气重污染过程的预报准确率, 并成功应用于重大活动中, 该文仅简要评估新旧模式时间序列差异, 评估时段较短, 未系统性评估模式系统预报效果, 也未给出模式系统在未来几天中预报效果差异.王厚俊等(2018)对比江苏泰州不同的预报模式NAQPMS、CMAQ和人工订正预报, 在等级预报中CMAQ的预报准确率更高；同时对比不同预报时效, 认为24 h的预报时效准确率优于48 h和72 h.Yang等(2019)运用WRF-SMOKE-CMAQ模式系统模拟的西安2016年冬季日均PM2.5质量浓度与实况相关系数达0.8, 表明引进模式系统和排放清单可显著提升预报空气质量效果.

考虑PM2.5的危害性及模式CMAQ的广泛应用, 本文基于北京2018年PM2.5进行新旧系统的空气质量数值模式Community Multiscale Air Quality (CMAQ)评估, 以便更好地了解当前数值预报模式性能, 有利于未来发展改进空气质量数值模式.数值模式是基于气象模式数据和污染物排放清单数据, 根据连续性方程等基础物理化学公式计算气体、颗粒物等大气污染物浓度, 并模拟预测污染物移动沉降(EPA, 2019), 是当前国内外用于空气质量数值预报的重要模式工具.本文对比分析的CMAQ模式来源于两套不同系统, 旧CMAQ模式(old-CMAQ)是中国环境监测总站业务应用的环境空气质量数值预报模式系统的子成员, 多模式预报系统原有模式CMAQ水平分辨率为15 km、5 km, 预报时效为7 d, 而新一代CMAQ模式(new-CMAQ)为安俊岭等(2018)正在研发的全耦合空气质量预报模式系统的子成员, 新一代模式CMAQ水平分辨率为9 km、3 km, 预报时效分别为9 d、4 d, 未来将进一步发展到15 d.

2 数据与方法(Data and methods)

空气质量模式是开展大气污染数值模拟研究以及区域空气质量预报预警的重要工具, 更好更客观评价空气质量模式模拟效果是模式研发的重要支撑.本文收集北京2018年全耦合多尺度空气质量模式系统中CMAQ模式成员的模拟结果, 以北京最主要大气污染物PM2.5为评价指标污染物, 对比评估原有模式系统中CMAQ模式成员预报效果；分析新旧模式系统在预报性能上的差异.

在对比分析PM2.5浓度预报差异基础上, 结合新的空气质量标准, 目前各地官方实测空气质量发布采用AQI指数及等级的方式, 本研究将模式系统预报及官方每日发布的PM2.5质量浓度转化为对应的空气质量分指数(IAQI)和等级进行对比分析.

2.1 研究时段

本研究选取模式预报北京市2018年全年即2018年1月1日—2018年12月31日的结果进行对比验证分析, 以了解当前模式系统在一年中预报属性特征, 获取模式系统对PM2.5浓度每月预报偏差, 这将有助于未来模式及排放清单研发与改进, 优化预报模拟的月变化特征.

2.2 数据来源

本文对比分析的CMAQ模式来源于两套不同模式系统.原有业务系统的CMAQ模式(old-CMAQ)是中国环境监测总站应用的环境空气质量数值预报模式系统的子成员, 该多模式预报系统的集合成员包括NAQPMS模式、CMAQ模式、CAMx模式和WRF-Chem模式, 子模式均采用统一的区域设置及污染源排放清单, 由气象模式WRF驱动, 同时均为多重嵌套模拟(王自发等, 2009; 吴剑斌等, 2017), 所采用的CMAQ模式为4.6版本.多模式预报系统原有模式CMAQ空间水平分辨率为15 km、5 km(图 1a, 覆盖区域分别标注为CN15和CN05), 预报时效为7 d, 污染源排放清单采用由清华大学研究建立的2012基准年网格化全国污染源清单(He, 2012).该清单精度约为0.3°×0.3°, 包括农业源、工业源、电厂源、居民源和交通源5大类人为排放源, 同时考虑生物源和生物质燃烧等其它排放源.新一代CMAQ模式(new-CMAQ)为安俊岭等(2018)研发的全耦合空气质量预报模式系统的子成员, 全耦合空气质量预报模式系统集合成员除了包括NAQPMS模式、CAMx模式、CMAQ模式、WRF-Chem模式, 同时增加了全球尺度大气污染模式GNAQPMS以及自适应网格空气质量预报模式, 由气象模式WRF驱动, 并采用新的统一源排放清单、初边界条件.新一代CMAQ模式空间水平分辨率为9 km、3 km(图 1b, 覆盖区域分别标注为BJ09和BJ03), 预报时效分别为9 d、4 d, 相较旧CMAQ模式提高了网格分辨率, 同时更新了排放源清单, 其排放源处理引入了排放空间优化概念, 综合考虑了面源、点源和移动源, 综合Streets等为TRACE-P(transport and chemical evolution over Pacific)研究计划建立的排放清单、Zhang等支持INTEX-B(the Intercontinental Chemical Transport Experiment-Phase B)更新的2006年亚洲空气污染物清单、以及中国华北地区的区域排放清单(Wu et al., 2014).两套新旧模式在版本、参数化方案以及模式分辨率等设置差异具体如表 1所示.

图 1 新旧模式系统CMAQ嵌套区域(a.原有业务系统模式覆盖区域, b.新一代业务系统模式覆盖区域) Fig. 1 Model domain of CMAQ in different models system(a.the model domain in original system model, b. the model domain in new system model)

表 1 所采用的CMAQ模式参数表 Table 1 Parameter schemes used in model CMAQ

CMAQ模式预报数据选取了北京市东四、天坛、车公庄、宣武、奥体、农展馆、万柳、顺义、昌平、怀柔10个国控站点(图 2)逐日PM2.5质量浓度数据.中国环境监测总站原有模式系统old-CMAQ网格分辨率分别为15 km和5 km, 预报时长皆为7 d；全耦合模式系统中new-CMAQ网格分辨率分别为9 km和3 km, 3 km的预报时长为4 d, 9 km的预报时长为9 d.受模拟预报系统长期模拟计算环境客观因素影响, 原有CMAQ模式系统15 km分辨率结果无缺失, 5 km分辨率结果缺失4 d, new-CMAQ模式系统9 km和3 km分辨率结果缺失6 d.

图 2 北京市空气质量国控站点分布 Fig. 2 Distribution of national standard air quality observation stations in Beijing

实测PM2.5质量浓度数据来源于中国环境监测总站在软件“空气质量发布”发布的空气日历数据记录, 全年共计365 d.

2.3 评估方法

评估方法分为3种：①不同模式系统预报PM2.5浓度与实况PM2.5浓度对比分析；②不同模式预报结果与实测值对应IAQI及等级对比分析准确率；③对预报结果进行评分, 评价新旧模式系统总体性能.

2.3.1 PM2.5浓度预报评估

基于模式预报的PM2.5质量浓度结果与实况直接进行对比, 根据相关系数、均偏差等参数研究评估不同模式系统的整体预报效果情况, 研究新一代模式预报效果与原有模式在2018年全年PM2.5预报效果差异以及不同预报时长对模拟结果预报效果影响, 分析新一代模式的预报特征及不足.

2.3.2 准确率评估

准确率分析分别考虑了空气质量分指数和空气质量等级预报结果.空气质量分指数准确率评估是将模式预报的PM2.5质量浓度结果转化为对应的IAQI并与实测PM2.5质量浓度对应的IAQI进行对比(环境保护部科技标准司, 2012).对比分析参照相关文献(王晓彦等, 2015; 徐文帅等, 2016; 马琳等, 2017), 采用动态浮动范围分类设置, 若空气质量为优、良等级时, 变化范围设为10；空气质量为轻度、中度污染时, 变化范围设为15；空气质量为重度、严重污染时, 变化范围设为25.若实测值落入预报值加减变化幅度的范围内, 则认为预报准确.

空气质量等级准确率评估, 是将模式预报PM2.5质量浓度结果转化成IAQI, 依据前述设定的IAQI变化幅度加减后转化为对应等级, 与实测的PM2.5质量浓度对应的空气质量等级进行比较计算获得准确率.若实测等级落于预报等级区间内, 则认为等级预报准确.针对跨级预报, 如预报为2~3级, 实测为2级或3级均为准确；实测为1级或4级则不准确, 属于等级偏差1级预报.

2.3.3 评分评估

参考杨晓春等(2015)、张金谱等(2018)文献, 根据文中所考虑分析对象参数, 未考虑首污预报准确性、区域传输等因子, 设定公式如式(1)所示, 主要考虑了预报级别的正确性和预报空气质量指数的精确度：

(1)

式中, f1为预报级别正确性评分.等级预报准确得100分, 偏差1级得50分, 其余不得分.f2为预报空气质量分指数精确度评分.计算公式如式(2)所示.

(2)
3 模式预报结果评估(Evaluation of model prediction results) 3.1 不同模式预报系统PM2.5质量浓度预报分析

本研究针对不同模式系统关于PM2.5质量浓度的预报结果与实况值进行对比分析, 研究结果表明全年相关系数整体随模式预报时效增长而降低, 模式预报第一天的相关性最高.新一代的模式预报结果与实况相关性更高、年均偏差更小, 其结果优于原有模式系统中的子成员CMAQ.新一代模式3 km空间分辨率预报结果的相关性最优, 4 d预报时效内相关系数达0.65以上, 第一天预报效果最佳可达0.79；新一代模式9 km空间分辨率4 d预报时效内相关系数达0.6以上, 第一天预报效果最佳可达0.75.原有模式5 km空间分辨率预报结果相关系数最优仅达0.58, 15 km空间分辨率预报结果最优仅达0.57.研究结果表明新一代CMAQ预报PM2.5质量浓度效果较原有CMAQ显著提升, 整体趋势与实况一致性更高.

在2018年北京地区显著沙尘过程(日期分别为2月27—28日、3月28日—4月2日、11月26—27日)中, 模式的预报值明显低于实测值.究其原因, 本文研究中模式未开启沙尘模块, 故无法模拟预测出沙尘过程及其影响程度.为深入研究新模式预报的季节性差异, 本文剔除前述所提沙尘过程, 选取了模式全年预报效果最优第1 d PM2.5质量浓度与实况对比分析偏差(图 3), 即模式月平均预报值减去实测月平均值.根据李洪胜(2002)研究将季节划分为3—5月为春季, 6—8月为夏季, 9—11月为秋季, 12—2月为冬季.模式预报结果具有明显的季节性, 整体呈现春季偏低, 秋冬季预报偏高, 夏季预报误差较小.新一代系统模式CMAQ的预报偏差小于原有系统模式, 而新一代系统模式中BJ03区域优于BJ09区域.BJ03、BJ09、CN05和CN15区域秋冬季预报结果分别相较实况高9.2、25.6、35.0和37.9 μg · m-3.夏季的6、7月份模式预报平均偏差极小, 新一代模式偏差相较原有系统模式偏差较小, 均低于5 μg · m-3.BJ03、BJ09、CN05和CN15区域6月、7月预报结果分别相较实况平均偏差-4.5、1.6、-11.8和-9.4 μg · m-3, 与冬春季预报情况相反, 模式结果在夏季6月、7月整体呈现较实况偏低现象, 表明模式预报结果在污染过程中高报而在空气质量良好时低报.

图 3 新旧模式系统预报第1 d PM2.5质量浓度偏差月平均图 Fig. 3 Deviation in month average of mass concentration of PM2.5 of different model systems during first day

新一代模式BJ03年均PM2.5质量浓度偏差仅为-0.3 μg · m-3, BJ09区域结果为11.7 μg · m-3.原有系统模式CN05年均PM2.5质量浓度偏差为10.9 μg · m-3, CN15区域结果为13.1 μg · m-3, 其整体预报浓度水平更高、偏差更大, 致使相应空气质量分指数预报准确率及相应等级准确率较低.综合考虑模式预报结果的年度整体和季节部分情况, 有利于今后合理有效改善模式性能, 提高模式预报效果水平.

3.2 不同预报方式准确率对比

北京2018年不同预报方式的空气质量分指数准确率和空气质量等级准确率(图 4)表明, 新一代模式的预报效果相较原有模式提升较多, BJ03提升效果更为显著.模式系统预报准确率整体随预报时长增加而降低.

图 4 北京2018年空气质量等级预报准确率 Fig. 4 Air quality level prediction accuracy of PM2.5 in Beijing during 2018

新一代模式BJ03区域IAQI预报准确率由24 h内的42%下降到4 d预报时长的29%, 在预报时长为3 d的情形中, 其IAQI预报准确率达34%显著高于同系统BJ09结果及原有系统模式结果.与之对应的BJ09区域IAQI预报准确率由24 h内的30%, 下降到4 d预报时长25%与原有模式持平, 以及9 d预报时长20%.新一代模式BJ09区域的IAQI预报准确率在预报时长2 d略优于原有模式, 第3 d预报效果下滑至25%与原有模式持平, 新一代模式9 km预报水平相较3 km稳定, 第7 d IAQI预报准确率23%高于原有模式CN15第7 d结果但与CN05第7 d结果相当.原有业务系统CMAQ模式的CN05、CN15区域IAQI预报准确率由24 h内的27%下降至7 d预报时长的22%左右.考虑新旧模式系统对应不同的排放清单, 或者不同空间分辨率的区域传输因子对预报效果影响有效时长不同可导致该结果.结果显示, 新一代模式系统相对于原有系统模式在IAQI准确率方面明显提升, 模式IAQI预报准确率整体随预报时效增长而降低.

空气质量等级准确率对比分析中, BJ03区域预报效果最优.BJ03等级准确率第1 d最高达79%, BJ09为70%, BJ03区域等级预报准确率高于BJ09区域.BJ09区域在4 d的预报时长中, IAQI准确率、等级准确率两者均高于原有模式相应的最高准确率.BJ09区域前3 d预报效果相较原有模式有一定程度提升, 第7 d等级预报准确率接近原有模式系统第5 d等级预报准确率, 第9 d等级预报准确率接近CN05区域第7 d等级预报准确率.新一代模式空气质量等级准确率整体较原有模式显著提升：新一代模式BJ03空气质量等级准确率为68%~79%, BJ09区域为53%~70%；原有模式CN05空气质量等级准确率53%~64%, CN15为55%~62%.模式预报整体等级准确率随预报时效的增长而降低.

3.3 得分评估

表 2为不同预报模式系统得分情况, 统计结果表明新一代模式整体效果最优, 新一代模式相较原有模式得分提升显著, BJ03预报第1天最高分由原来的69.7分提升至80.5分, 为本文研究模式系统中唯一得分达80分以上的设置.新一代CMAQ模式BJ03区域4 d预报时效内得分为73.1~80.5分, BJ094 d预报时效内得分为68.1~75.3分, 下降至7 d的65.5分, 及9 d的62.6分.对比4 d预报时效内原有CMAQ模式CN05区域的得分为66.9~69.7分, 下降至7 d的63.1分, 低于BJ09区域对应7 d预报时效结果得分.原有CMAQ模式CN15区域在4 d预报时效内的得分为65.5~69.7分, 7 d内下降至63.5分, 低于BJ09区域对应7 d预报时效结果得分.模式预报效果综合得分整体随预报时长增加而减弱.新一代CMAQ模式3 km空间分辨率(BJ03)的预报得分优于BJ09、CN05和CN15的预报得分, BJ09区域7 d预报时效内的预报得分高于原有模式CN05、CN15区域7 d预报时效内的综合得分.

表 2 北京2018年新旧模式系统预报结果评分表 Table 2 Score of prediction results on PM2.5 of different model systems in Beijing during 2018
4 结论(Conclusions)

1) 新一代模式系统CMAQ模式较原有模式预报效果整体提高.空气质量分指数准确率、空气质量等级准确率、PM2.5质量浓度月平均偏差、PM2.5质量浓度相关系数、综合得分评比各项标准中, 原有业务系统中CMAQ模式CN05 4 d预报时长内预报结果综合得分为66.9~69.7分, CN15 4 d预报时长得分为65.5~68.8, 7 d预报时长CN05和CN15得分分别为63.1和63.5.新一代CMAQ模式BJ03区域4 d预报时长预报结果综合得分为73.1~80.5分, BJ09区域4 d预报时长内得分为68.1~75.3, 至7 d预报时长得分为65.5分, 高于原有模式系统, 至9 d预报时长为62.6分, 接近原有模式预报系统7 d预报时长得分值.整体上, 新一代模式系统整体均优于原有模式系统；新一代模式系统中BJ03区域的预报能力整体高于BJ09模式结果.模式预报准确率、得分均随预报时长增加而降低.

2) 新一代模式系统预报北京2018年PM2.5质量浓度, 不考虑沙尘过程时, 秋冬季偏高, 春季偏低, 夏季和实况较为吻合, 模式秋冬季的PM2.5预报结果整体较实况偏高, BJ03、BJ09、CN05和CN15区域秋冬季的预报结果分别较实况偏高9.2、25.6、35.0、37.9 μg · m-3.模式系统中BJ09的PM2.5质量浓度预报值相对BJ03较高.新一代模式相较原有模式的预报平均值已下降, 与实况PM2.5质量浓度绝对偏差已大幅度减小.BJ03年均偏差已为负值-0.3 μg · m-3, 表明未来调整改进CMAQ模式不能仅依靠降低预报值提高预报准确率, 可考虑改进排放清单, 针对不同的研究时效具体设置空间网格分辨率、区域传输参数, 改进提高模式变率等问题.

参考文献
安俊岭, 陈勇, 屈玉, 等. 2018. 全耦合空气质量预报模式系统[J]. 地球科学进展, 33(5): 445-454.
Brunekreef B, Holgate S T. 2002. Air pollution and health[J]. The Lancet, 360(9341): 1233-1242.
Demircigil G Ç, Erdem O, Gaga E O, et al. 2014. Cytogenetic biomonitoring of primary school children exposed to air pollutants:micronuclei analysis of buccal epithelial cells[J]. Environmental Science and Pollution Research International, 21(2): 1197-1207.
Dockery D W, Pope C A, Xu X, et al. 1993. An association between air pollution and mortality in six U.S. cities[J]. The New England Journal of Medicine, 329(24): 1753-1759.
EPA.CMAQ Models[DB/OL].2019-3-21.https://www.epa.gov/cmaq/cmaq-models-0
冯震, 谷新波. 2018. 呼和浩特市2015年冬季空气质量指导预报检验分析[J]. 内蒙古气象, 2018(2): 17-21.
He K. 2012. Multi-resolution Emission Inventory for China (MEIC): model framework and 1990-2010 anthropogenic emissions[R]. AGU Fall Meeting Abstracts
环境保护部科技标准司. 2012.环境空气质量标准: GB 3095-2012[S].北京: 中国环境科学出版社
Huang R J, Zhang Y, Bozzetti C, et al. 2014. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 514(7521): 218-222.
Jerrett M, Burnet R T, Ma R, et al. 2005. Spatial analysis of air pollution and mortality in Los Angeles[J]. Epidemiology, 16(6): 727-736.
马琳, 魏巍, 张稳定, 等. 2017. 2016年秋季新乡市空气质量模式预报效果评估[J]. 中国环境监测, 33(5): 89-94.
Pope C A, Thun M J, Namboodiri M M, et al. 1995. Particulate air pollution as a predictor of mortality in a prospective study of U.S. adults[J]. American Journal of Respiratory and Critical Care Medicine, 151(3 Pt 1): 669-674.
Streets D, Bond T, Carmichael G, et al. 2003. An inventory of gaseous and primary aerosol emission in Asia in the year 2000[J]. Geophysical Research-Atmospheres, 108: 8809-8831.
王厚俊, 程滢, 吴莹. 2018. 几种空气质量预报方法对冬季预报效果的评估与对比[J]. 环境监控与预警, 10(5): 36-40.
王辉, 吴其重, 周任君, 等. 2016. 结合GIS数据对合肥市大气污染状况的初步数值模拟研究[J]. 环境科学学报, 36(11): 3902-3912.
王晓彦, 陈佳, 朱莉莉, 等. 2015. 城市环境空气质量指数范围预报方法初探[J]. 中国环境监测, 31(6): 139-142.
王晓彦, 赵熠琳, 霍晓芹, 等. 2016. 基于数值模式的环境空气质量预报影响因素和改进方法[J]. 中国环境监测, 32(5): 1-7.
王自发, 吴其重, Alex GBAGUIDI, 等. 2009. 北京空气质量多模式集成预报系统的建立及初步应用[J]. 南京信息工程大学学报(自然科学版), 1(1): 19-26.
吴剑斌, 肖林鸿, 晏平仲, 等. 2017. 最优化集成方法在城市臭氧数值预报中的应用研究[J]. 中国环境监测, 33(4): 213-220.
Wu Q Z, Xu W S, Shi A J, et al. 2014. Air quality forecast of PM10 in Beijing with Community Multi-scale Air Quality Modeling (CMAQ) system:emission and improvement[J]. Geoscientific Model Development, 7(5): 2243-2259.
徐敬, 丁国安, 颜鹏, 等. 2007. 北京地区PM2.5的成分特征及来源分析[J]. 应用气象学报, 2007(5): 645-654.
徐文帅, 李云婷, 吴其重, 等. 2016. AQI标准下北京市空气质量数值预报系统及其在重大活动保障中的应用[J]. 中国环境监测, 32(2): 11-19.
Yang X, Wu Q, Zhao R, et al. 2019. New method for evaluating winter air quality:PM2.5 assessment using Community Multi-Scale Air Quality Modeling (CMAQ) in Xi'an[J]. Atmospheric Environment, 211: 18-28.
杨晓春, 吴其重, 赵荣, 等. 2015. 西安空气质量预报系统业务运行评估[J]. 陕西气象, 2015(5): 41-43.
Zhang Q, Streets D G, Carmichael G R, et al. 2009. Asian emissions in 2006 for the NASA INTEX-B mission[J]. Atmospheric Chemistry and Physics, 9: 5131-5153.
张金谱, 梁桂雄, 冯彪, 等. 2018. 广州市污染季节空气质量预报效果评估及误差分析[J]. 环境监控与预警, 10(2): 40-44.