随着经济的飞速发展和城市化进程的加快，中国的大城市面临着严峻的空气污染问题(Chan and Yao， 2008; Tie and Cao， 2009)。而作为2010年亚运会的举办城市，广州的空气质量更是备受国内外关注。通过多年的大气污染治理，广州的NO₂、SO₂、PM10浓度逐年下降(广州市环境保护局，2009)，空气质量有了显著的改善。但观测表明，各污染物特别是PM10的浓度仍存在超标现象(Wang et al., 2008; Zhang et al., 2008)。此外，广州的空气质量受周边城市的显著影响(陈焕盛等，2010；胡晓宇等，2011)，表现出区域污染的特征，增大了空气污染防治的难度。

为实现绿色亚运会承诺，广州政府一方面削减污染物排放以提高空气质量，另一方面开展空气质量预报预警以避免或减轻空气污染的影响。借鉴2008年北京奥运会和2010年上海世博会空气质量保障的成功经验，将中国科学院大气物理研究所发展的空气质量多模式预报系统应用于广州，并针对广州复杂的气象、空气污染特征对模式系统做适当改进，服务于亚运会的空气质量预报预警工作。

空气质量模式预报的准确性、可靠性对于空气质量预报预警至关重要，是决定模式系统可用性的前提(Chang and Hanna， 2004)。因此，空气质量模式评估是实现模式预报预警的首要任务，同时也能为预报效果的改进提供科学依据。例如Eder et al.(2006)检验了2004年6～9月通用空气质量多尺度模式CMAQ对美国东北部O₃浓度的业务预报效果，指出CMAQ模式中不合理的云覆盖方案导致模式高估有云条件下的O₃浓度。Honore et al.(2008)评估了2003～2005年空气质量预报分析系统PREV’AIR对法国的PM10、O₃、NO₂浓度的可预测性，指出观测数据同化和集合预报是提高该系统性能的重要方向。虽然空气质量多模式预报系统已在北京奥运会(王自发等，2009；吴其重等，2010)和上海世博会(王茜等，2010)成功应用，但不同区域、不同城市的地形、气候特征、污染特征等各不相同，模式预报性能可能存在显著差异。广州的地形、气候特征有别于北京、上海，其地处低纬，三面环山、一面向海，受亚热带季风气候影响，同时受热带气旋和海陆风作用，复杂的气象、污染条件使模式的适用性受到挑战。因此，评估空气质量多模式系统在广州的预报效果，了解预报误差的来源，才能有针对性地改进。

本文介绍了广州空气质量多模式预报系统，并利用多种方法评估模式系统对亚运会前期(2010年9月)广州市的气象要素、PM10日均浓度的24 h预报效果，以期为改进模式系统预报效果提供科学依据。

广州空气质量多模式预报系统的框架如图1所示，主要侧重于不同空气质量模式的集成，其中区域空气质量模式包括中国科学院大气物理研究所自主开发的嵌套网格空气质量预报模式系统NAQPMS(王自发等，2006)，美国环保署的CMAQ模式(Dennis et al., 1996)及美国Environ公司的空气质量综合模拟系统CAMx( ENVIRON International Corporation，2002)。各模式采用统一的区域设置，统一的污染源排放清单及排放处理过程(稀疏矩阵排放处理模型，SMOKE)(Houyoux et al., 2004)，并由中尺度气象模式MM5(Grell et al., 1994)提供统一的气象预报场，可减小由于气象、排放处理的不一致所引起的模式性能差异，可更客观评价不同空气质量模式预报效果优劣，并可以此为基础发展合理的多模式集成预报方案。关于空气质量多模式预报系统的更详细介绍可见吴其重(2010)。

图1 广州空气质量多模式预报系统框架 Fig. 1 The framework of the air quality multi-model forecast system in Guangzhou

系统中各模式采用统一的4层嵌套区域设置(图 2)，网格分辨率分别为81 km、27 km、9 km、3 km，依次覆盖了东亚地区、我国的南部地区、广东省、珠三角地区。模式区域的中心经纬度为(25°N，112.5°E)，采用兰伯特投影方式，真纬度分别为10°N和40°N，重点关注以广州为中心的珠三角地区。

图2 （a）模式4层嵌套区域设置和（b）气象和空气质量监测站点空间分布（浅和深灰色分别代表广州郊区和市区） Fig. 2 (a) Four nested model domains and (b) spatial distribution of the meteorology and air quality monitoring stations (light and dark gray denotes suburban and urban Guangzhou)

考虑珠三角地区三面环山、一面临海，受海陆风显著影响等特点，在MM5中，积云参数化方案选择Grell方案，显式微物理过程选用简单冰相方案，大气辐射选用云辐射方案，行星边界层物理参数化方案考虑MRF方案，多层土壤温度模式为5层土壤模式。各空气质量模式所采用的物理、化学参数化方案也各有侧重，详细介绍可见吴其重(2010)。

在业务预报中，模式的第一区域预报96 h，而第二至第四区域预报72 h。MM5气象模式的初始和边界条件采用NCEP和NOAA联合提供的GFS全球预报场。各空气质量模式的最外层区域采用清洁边界条件，而内嵌套区域的边界条件由上一层区域提供。初始浓度则采用前一日的24 h预报结果。

空气质量多模式系统的网格化排放源由SMOKE模型处理获得，SMOKE中考虑了气象要素对点源烟羽抬升的影响并引进了珠三角本地化的时空分配因子。排放源清单由3部分构成：区域背景采用Zhang et al.(2009)为INTEX-B(Intercontinental Chemical Transport Experiment Phase B)观测试验准备的东亚地区排放清单；珠三角的本地源清单由Zheng et al.(2009)提供，该清单考虑了珠三角地区亚运会前不同阶段的排放控制措施并更新到2010年；香港、澳门的源清单则来源于香港环保署。

本文利用国家气象局逐6 h的Micaps气象观测资料评估MM5的预报效果，并收集广州市空气质量监测网络的污染物浓度监测数据评估PM10预报效果。监测站点的空间分布如图 2所示，气象监测站包括广州和东莞两个站点，均位于市区。广州空气质量监测站共有18个站点，为反映市区与郊区污染特性的不同，根据站点的地理位置，将其划分为两大类即市区站(10个)和郊区站(8个)。

气象场尤其是风场的预报效果直接影响污染物浓度的预报准确性。由图 3可见，模式较好地预测了各气象要素的变化趋势和量值。同时可注意到，模式对温度、气压、相对湿度的预报效果明显优于风场。风场易受局地地形、建筑、天气系统的影响，模式难以准确地把握。表 1统计了MM5的预报效果，其中温度、气压、相对湿度的预报值和观测值的相关系数(r)均在0.76以上，均方根误差(RMSE)和平均偏差(MB)也较小；风速预报值和观测值的r则较低，在广州和东莞分别为0.38和0.28；另外，风速的预测值总体偏高，在广州平均偏高0.94 m s^–1。总体上，MM5合理地预测了气象要素的变化，为空气质量模式提供了可靠的气象输入。

图3 模式MM5对2010年9月广州站（左列）和东莞站（右列）（a1、b1）温度、（a2、b2）气压、（a3、b3）相对湿度、（a4、b4）风速预报与观测对比 Fig. 3 Comparisons of the forecasted (a1, b1) temperature, (a2, b2) pressure, (a3, b3) relative humidity, and (a4, b4) wind speed from MM5 model with observations in Guangzhou (left panel) and Dongguan (right panel) in Sep 2010

表1(Table1)

表1 气象预报效果统计分析 Table 1 Statistical analysis of the meteorological forecast performance 站点 气象因子 样本数 观测 平均值 预测 平均值 相关 系数 均方 根误差 平均 偏差 广州 风速(m s–1) 112 1.44 2.38 0.38 1.53 0.94 温度(K) 120 301.18 301.82 0.84 1.9 0.64 气压(hPa) 120 1008.71 1007.62 0.94 1.73 −1.09 相对湿度 120 79.09% 77.20% 0.77 10.28% −1.88% 东莞 风速(m s–1) 116 2.48 2.96 0.28 1.84 0.47 温度(K) 120 300.74 300.77 0.82 1.65 0.04 气压(hPa) 120 1008.67 1007.36 0.95 1.84 −1.31 　 相对湿度 120 80.31% 78.78% 0.76 9.36% −1.53%

表1 气象预报效果统计分析 Table 1 Statistical analysis of the meteorological forecast performance

污染物浓度的空间分布反映了区域的污染分布态势和特征。图 4给出了2010年9月NAQPMS、CMAQ、CAMx及三模式算术平均(AVE)的珠三角地区PM10月均浓度空间分布，并叠加了广州监测点的观测浓度。广州市区站的PM10月均浓度为0.081 mg m^–3，而郊区站为0.065 mg m^–3，表现出市 区高而郊区低的特征，这与排放源的分布相对应。各模式均较好地预测了PM10浓度的空间分布，但高浓度区的强度和范围有所不同，其中NAQPMS预测的PM10高浓度区范围最广且强度最大，而CAMx预测的范围和强度则最小。AVE综合了各模式的特点，其预测的高浓度区范围和强度居中，与CMAQ较为接近。总体上，由于各模式采用相同的排放源，其预测的PM10浓度空间分布较为相似，但各模式内部考虑的物理、化学方案各有侧重，使预测的高浓度区强度和范围不同。

图4 2010年9月（a）NAQPMS、（b）CMAQ、（c）CAMx、（d）3个模式算术平均AVE的PM10预测月均浓度与站点监测浓度的空间分布 Fig. 4 Spatial distributions of monthly mean PM10 concentration forecasted from (a) NAQPMS, (b) CMAQ, (c) CAMx, and (d) their average (AVE) and observations in Sep 2010

气象条件、排放变化对污染物的扩散、清除有重要的影响，污染物浓度时间序列反映了污染物随时间的累积、清除等演变过程。时间序列对比分析可评估模式对污染物浓度的日变化、不同气象条件下的累积和清除等的预测能力。在排放相对固定的条件下，污染物浓度随时间的变化主要取决于气象条件的演变。

由图 5可见，各模式预测的PM10浓度变化趋势相似，但量值有所不同。在广州市区和郊区，各模式均合理预测了PM10浓度的变化趋势和量级，表明各模式能较好把握PM10的累积、清除过程。但预测结果仍有较大的改进空间，在市区，各模式均高估PM10的浓度，其中NAQPMS最为显著。另外，10～12日，模式均虚报PM10的峰值，这主要是模式低估降水强度造成的(图表略)。在郊区，各模式则均低估PM10浓度，尤以1～3日、17～20日最为显著。模式高估市区浓度而低估郊区浓度的特征可能是由排放源的不合理分布引起。各模式统一采用由SMOKE模型处理获得的网格化排放源，其中面源部分仅以人口密度作为空间分配因子，而人口主要分布在市区，这导致更多的排放量被分摊到市区同时削弱了郊区的排放。

图5 2010年9月广州（a）市区与（b）郊区PM10日均预报和观测浓度对比 Fig. 5 Comparisons of the forecasted daily mean PM10 concentrations and observations in (a) urban and (b) suburban Guangzhou in Sep 2010

散点图反映预测值与观测值的线性关系，可一目了然地判断预测结果相对于观测结果是高估或低估。由图 6可见，对于市区，散点主要分布在y=2x和y=0.5x之间，表明模式能合理预测PM10的量值，但各模式均存在不同程度的高估，其中NAQPMS高估最显著，而CAMx则相对较好。而在郊区，各模式则均低估PM10浓度，尤以CAMx最为显著。这与3.2.2节的分析结果相同。

图6 广州市区（左列）和郊区（右列）（a1，a2）NAQPMS，（b1，b2）CMAQ，（c1，c2）CAMx，（d1，d2）AVE模式预报的PM10日均浓度与观测散点图 Fig. 6 Scatter plots of the forecasted daily mean PM10 concentrations from (a1, a2) NAQPMS, (b1, b2) CMAQ, (c1, c2) CAMx, and (d1, d2) AVE and observations in urban (left) and suburban (right) Guangzhou

空间分布对比、时间序列对比、散点图分析等只是对模式预测效果的定性评估，而统计分析可定量评估模式的偏差及对污染物变化趋势的预测能力。

表 2统计了各空气质量模式的PM10日均浓度预报效果。从r、RMSE、MB 3个参数来看，各模式在郊区的预报效果优于市区。在郊区，r介于0.42～0.64，明显高于市区；而RMSE介于0.031～0.039 mg m^–3，明显低于市区。此外，在郊区，MB均为负，而在市区则均为正，表明模式总体低估郊区的PM10浓度，而高估市区的PM10浓度。同时可注意到，并不存在对所有统计参数均表现最优的模式且同一模式在市区和郊区的预报效果也存在差异。例如，在广州市区，CMAQ的r最高，而RMSE和MB却均高于CAMx；NAQPMS在市区的MB最大，而在郊区则最小。对于3个模式的平均值，各统计参数均介于各个单模式之间，表明基于简单算术平均来集成各模式的结果并不能获得最优的预测效果。

表1(Table2)

表2 2010年9月NAQPMS、CMAQ、CAMx模式及3个模式算术平均AVE预报的广州市区和郊区PM10日均浓度与实测浓度的统计分析 Table 2 Statistical analysis of the daily mean PM10 concentration forecast performance in urban and suburban Guangzhou in Sep 2010

表2 2010年9月NAQPMS、CMAQ、CAMx模式及3个模式算术平均AVE预报的广州市区和郊区PM10日均浓度与实测浓度的统计分析 Table 2 Statistical analysis of the daily mean PM10 concentration forecast performance in urban and suburban Guangzhou in Sep 2010

为评估模式对PM10预报的可信度，Boylan and Russell(2006)建议以平均分数偏差(MFB)和平均分数误差(MFE)作为衡量指标，若MFB小于±30%同时MFE小于50%，则模式的表现为优秀；而若MFB小于±60%同时MFE小于75%，则模式的表现处于可接受的范围。由表 2可见，在市区和郊区，各模式对PM10的预报性能均满足可接受的条件。另外，在市区，CMAQ、CAMx、AVE的预报性能为优秀；而在郊区，NAQPMS、CMAQ、AVE的预报性能为优秀。

在多模式预报系统中，各模式采用统一的区域设置、气象场、排放源，模式预报性能的差异主要源于各模式内部对物理、化学过程的不同处理。不同模式预报效果的对比，可为优化模式物理、化学方案并建立有效的模式集成方案提供初步依据。

泰勒图(Taylor，2001)可综合考虑相关系数、标准差、中心均方根误差3个统计参数，可在同一图形中对比不同模式预测结果与观测的接近程度，是不同模式预测性能对比的有效工具。如图 7所示，参考点为观测值(Obs)，不同颜色的实心圆点代表不同模式在广州市区、郊区、全市的PM10预测结果。在图 7中，距离参考点越近表明预测效果越好，而距离越远则预测效果越差。可见，各模式在郊区的预测效果优于市区，而全市的预测效果介于两者之间。对于不同的模式，在市区或全市，CAMx的预测结果与观测最为接近，其次是AVE、CMAQ，NAQPMS则最差；在郊区，CMAQ、CAMx、AVE的预测效果相当，且均优于NAQPMS。无论在市区或郊区，AVE的预测效果均不是最优的，而是处于各模式之间。

图7 2010年9月NAQPMS（A）、CMAQ（B）、CAMx（C）及AVE（D）预报的广州市区、郊区、全市PM10日均浓度与实测浓度的泰勒图（黑线代表归一化标准差，蓝线代表相关系数，绿线代表归一化的中心均方根误差） Fig. 7 Taylor plot of forecasted daily mean PM10 concentration from NAQPMS(A), CMAQ (B), CAMx (C), and AVE (D) in urban and suburban Guangzhou and Guangzhou city (black line denotes normalized standard deviation, blue line denotes correlation coefficient, green line denotes normalized centered root-mean-square error)

本文介绍了广州空气质量多模式业务预报系统的框架、设置及其使用的气象场、排放源，并从空间对比、时间序列对比、散点分析、统计分析、不同模式间对比等角度详细评估了模式系统对2010年9月广州市的气象要素和PM10日均浓度的24 h预报效果。模式评估结果表明：

(1)MM5较好地预测了气象要素的变化，对温度、气压、相对湿度的预报效果较为理想，预测值与观测值的相关系数均在0.76以上。而风速预测值总体偏高，在广州平均偏高0.94 m s^–1。

(2)各空气质量模式能合理反映PM10浓度的时空分布，在统一气象场、排放源的条件下，各模式预测的PM10浓度时空变化相似但仍有一定差异。各模式均高估广州市区的PM10浓度而低估郊区的浓度，这可能是由于排放源的空间分配不合理造成。

(3)各模式的PM10预报效果均在可接受的范围内，部分模式可达到优秀水平，总体上模式在郊区的预报效果优于市区。

(4)在本次业务预报实践中，不存在最优的 单模式，同一模式对不同的统计指标、不同的站点，其预报效果可能存在差异，基于算术平均集成各模式结果未能获得最优的预报效果。

广州空气质量多模式预报系统仍存在较大的提高空间，未来可根据不同的排放源类型引进多样化的空间分配因子以优化源的空间分布，借鉴集合预报系统在北京等地区的应用经验(唐晓等，2010；张伟等，2010)，引进权重平均、神经网络、多元回归等集合预报方法以获得最优的预报效果，进一步分析各模式的内部差异以了解其对预测效果的影响。