李亞云,束 炯*,沈 愈

(1.華東師范大學,教育部地理信息科學重點實驗室,上海 200241；2.上海市氣候中心,上海 200030)

上海市PM2.5濃度統(tǒng)計釋用綜合集成研究

李亞云1,束 炯1*,沈 愈2

(1.華東師范大學,教育部地理信息科學重點實驗室,上海 200241；2.上海市氣候中心,上海 200030)

在WRF模式輸出的基礎上,結合卡爾曼濾波(KALMAN)、偏最小二乘回歸(PLS)和辨識理論實時迭代統(tǒng)計方法(RTIM)組成3種模式輸出統(tǒng)計預報(MOS),并運用這3種MOS模式分別建立多模式平均、遞歸正權綜合和多元線性回歸集成模式,對上海市2014年12月2日～31日(PM2.5輕度污染天氣過程)以及2015年12月15日～2016年1月13日(PM2.5重污染天氣過程)進行了1d、2d和3d的PM2.5日均濃度試預報.結果表明:相比于3種單一的MOS模式,集成模式通過獲取更為準確的信息而減少了系統(tǒng)誤差,這不僅可以提升對污染天氣過程的預報能力,且有可能降低污染過程中決策失敗的風險.通過對PM2.5輕度污染天氣和重污染天氣過程預報的比較分析,多元線性回歸集成模式整體預報顯示出更高的精度和穩(wěn)定性.統(tǒng)計釋用方法綜合集成模式對于PM2.5預報顯示出良好的性能,可為業(yè)務化預報模型的選擇提供可借鑒的參考.

PM2.5；多元線性回歸；綜合集成；遞歸正權綜合；WR F

近年來,隨著經(jīng)濟的快速增長和城市化進程的不斷加速,由PM2.5引發(fā)的高污染天氣在長江三角洲等東部發(fā)達區(qū)域日益嚴重[1-3].據(jù)《2014中國環(huán)境狀況公報》顯示,長江三角洲區(qū)域全年以PM2.5為首要污染物的污染天數(shù)最多,其中PM2.5年均濃度超標城市占96%,而PM2.5對人體健康危害極大[4-5].上海作為一個經(jīng)濟發(fā)達、人口密集的大城市,冬季頻繁發(fā)生以PM2.5為首要污染物的低能見度霾天氣,這一現(xiàn)象近年來愈演愈烈[6].為了向公眾及時、準確、全面地提供空氣污染變化的信息,作好PM2.5預報,及時進行防控,對于市民的健康具有重要的意義.

目前,國內外關于空氣質量預報的方法主要有數(shù)值預報[7-9]、統(tǒng)計預報和模式輸出統(tǒng)計預報.數(shù)值預報方法在大氣動力學模式的基礎上耦合了化學模塊,是目前最先進的預報模型,但是由于地面排放清單本身的不確定性以及與化學反應方程的匹配等因素,該方法在業(yè)務化應用和精度上存在一定的局限性.統(tǒng)計預報方法根據(jù)地面、高空氣象資料和污染物濃度資料,篩選出與污染物相關較強的氣象因子建立定量關系,一般多用多元分析[10-13]、神經(jīng)網(wǎng)絡[13-17]和卡爾曼濾波[18-20]等,在早期污染預報發(fā)揮較大的作用.模式輸出統(tǒng)計預報(MOS)[21-25]方法結合了數(shù)值模式對天氣形勢預報的準確性以及統(tǒng)計模式對局地污染天氣定量化預報的優(yōu)點,既可以避免物理-化學耦合數(shù)值模式對某些局地污染條件的錯誤估計,又可以與之形成優(yōu)勢互補.由于不同MOS方法對于PM2.5的預報結果不同,存在各自的優(yōu)缺點.因此如何有效利用不同的MOS方法提高污染預報精度成為目前急需解決的問題.

Krishnamurti等[26-27]1999年將集成(對多個預報模型的預報結果進行合理集成)思想運用到多個數(shù)值預報模式中,提出了超級集合預報方法.隨后的諸多研究表明[28-33],對于訂正氣象數(shù)據(jù)(溫度,降水等),超級集合預報模式可減少模式系統(tǒng)性誤差,提供的信息比單個集合模式更準確.近年來,集合思想逐漸引入到空氣質量預報中,王自發(fā)等[34]、唐曉等[35]、黃思等[36]、陳煥盛等[37]分別采用權重集成方法、蒙特卡羅集合預報方法、多元線性回歸集成方法集成各空氣質量模式,預報北京市PM10和O3濃度以及廣州市PM10濃度,結果均表明集成預報模式優(yōu)于單個預報模式.這些模式多是對基于大氣動力學-化學耦合模式的集合預報[34-40],而對于動力[41]-統(tǒng)計的釋用預報研究仍不多見.因此本文利用算術平均、多元線性回歸[37]和遞歸正權方法集成WRFKALMAN[6]、WRF-PLS[2]和WRF-RTIM[42-43]3種MOS方法,對上海冬季PM2.5日均濃度進行試預報,并對3種集成模式的預報結果進行非參數(shù)檢驗和參數(shù)評估.

1 資料與方法

1.1 資料

上海PM2.5日均濃度(上海市8個國控污染監(jiān)測點PM2.5數(shù)據(jù)的平均值)由上海市環(huán)境監(jiān)測中心提供,選自每年污染高發(fā)的時節(jié),時間段為2013年1月2日～2016年1月13日的冬季.用于建模的相應歷史氣象資料來自美國國家海洋和大氣局網(wǎng)站(https://gis.ncdc.noaa.gov/maps/clim/cdo/hourly),考慮到地域上更能覆蓋國控污染監(jiān)測點的空間范圍,分別選用了靠近市中心和沿海的虹橋和浦東機場觀測記錄.

本預報是基于WRF模式預報輸出要素,作為下一步統(tǒng)計預報模式的備選因子.選取預報因子的標準主要是考慮與污染密切相關的氣象要素,其中日均風速反映大氣平流輸送能力的強弱;日均氣壓反映所處地氣壓場的高低;24h變壓反映所處地大氣中熱力和動力因素對氣壓的影響,以判斷天氣系統(tǒng)的移動與強度變化趨勢,間接反映大氣的穩(wěn)定狀況;24h變溫反映所處地氣壓場等天氣變化趨勢;日最低氣溫是在穩(wěn)定天氣條件下預示逆溫出現(xiàn)與否的重要標志;風向反映了天氣系統(tǒng)的移動趨勢和污染物質的輸送規(guī)律;日均相對濕度反映了氣溶膠粒子吸濕性凝結增長的條件,并與大氣穩(wěn)定度有關;前一天日均氣溫和風速可反映天氣系統(tǒng)的連續(xù)變化過程.由此,相應的歷史資料選取包括了日均風速、日均溫度、日均風向,日均氣壓、日均相對濕度、前一天的PM2.5日均濃度、日均氣溫、前一天日均風速、日最高氣溫、日最低氣溫、24h變壓和24h變溫等因子.

這種動力-統(tǒng)計模式并不涉及氣溶膠粒子形成的化學轉化機制和微物理性質,但是適當因子的選擇卻能反映氣溶膠物理化學過程變化的統(tǒng)計規(guī)律和動力過程提供的外部條件.前一天PM2.5日均濃度與上述模式預報的氣象要素綜合考量,可以在統(tǒng)計意義上推算未來氣溶膠濃度的變化趨勢.

用逐步回歸方程從歷史數(shù)據(jù)中篩選出預報因子.其基本思路為,在上述2個站氣象因子X1～Xn(n=1～23)中,按每個因子Xn對Y(PM2.5)的作用大小(按0.05的顯著性檢驗),從大到小逐個引入回歸方程,每一步進行F檢驗反復篩選,直至回歸方程建立.

風向不是個數(shù)量化因子,故不能直接參與計算,對風向進行量化處理的方法是:利用每小時濃度的歷史資料,求出近地面層16個方位風向對應的PM2.5日均濃度值[44-45].

1.2 綜合集成預報方法

1.2.1 WRF模式輸出 本文采用了3.6.1版的WRF模式,模擬區(qū)域采用Lambert投影,WSM3云物理參數(shù)化方案,YSU邊界層參數(shù)化方案, Kain-Fritsch積云對流參數(shù)化方案,Dudhia短波輻射參數(shù)化方案,RRTM長波輻射參數(shù)化方案以及Noah陸面過程方案.設置四重嵌套,水平格距分別為81,27,9,3km.氣象初始場和邊界條件使用GFS全球預報場數(shù)據(jù),邊界條件每6h更新一次.從模式計算輸出的諸多因子中,選取與逐步回歸方程篩選出的相同因子,作為新的預報自變量,參與統(tǒng)計模式預報.

1.2.2 統(tǒng)計預報模型 (1)卡爾曼濾波(Kalman filtering)

采用狀態(tài)方程和量測方程組成的線性隨機系統(tǒng)的狀態(tài)空間模型來描述濾波器,并利用狀態(tài)方程的遞推性,按線性無偏最小均方差估計準則,采用遞推算法對濾波器的狀態(tài)變量作最佳估計,從而求得濾掉噪聲的有用信號的最佳估計.利用最小二乘法可以得到卡爾曼濾波的遞推方程組,據(jù)此進行預報[46].

(2)偏最小二乘回歸(PLS)

集中了主成分分析、典型相關分析和線性回歸分析方法的特點,可以有效解決樣本個數(shù)少于變量個數(shù)等問題.假設有1個因變量y與p個自變量x1,x2,…,xp,觀測樣本點為n,記為X=(xij)n×p= (x1,x2,…,xp)和Y=(yij)n×1=(y),分別在X和Y中提取第一主成分t1和u1,并且要求t1和u1應盡可能大地攜帶各自的變量系統(tǒng)中的變異信息,且相關程度達到最大.在第一主成分t1和u1被提取后,偏最小二乘回歸方法分別實施X對t1的回歸以及Y對u1的回歸,如果回歸方程已經(jīng)達到滿意的精度,則算法終止;否則進行第二輪成分提取,直到達到一個滿意的精度[47].

(3)基于辨識理論的實時迭代統(tǒng)計(RTIM)

系統(tǒng)辨識是根據(jù)系統(tǒng)的輸入輸出來確定描述系統(tǒng)行為的數(shù)學模型.由于預報系統(tǒng)是隨時間變化的隨機系統(tǒng),為了強調最近樣本對預報值的貢獻而加入實時迭代功能.在參數(shù)估計時,按時間序列賦予輸入樣本不同的權重,以凸顯當前預報值狀況的重要性.根據(jù)初始樣本用最小二乘法確定預報模型,預報次日污染物濃度時,輸入值為WRF模式輸出的次日氣象場預報值和當日污染場數(shù)據(jù)[42-43].

1.2.3 多元線性回歸集成 本文采用多元線性回歸方法建立多元線性回歸集成模式,將3種MOS模式下對上海PM2.5日均濃度的預測時間序列分為2部分,分別為訓練和檢驗2個階段.在訓練階段,利用3種MOS模式的預報值與實測值確定3種MOS模式的回歸系數(shù),用于檢驗階段多元線性回歸集成模式的建立.

(2)在訓練階段,對于上海PM2.5日均濃度:

式中:S是訓練期的實測值,μg/m3;是訓練期的實測值平均,μg/m3; ai是參與集成的第i個MOS模式的權重系數(shù);Fi和分別是第i個MOS模式的預報值和其在訓練期的預報平均值.其中權重系數(shù)ai有訓練期的誤差E的最小化獲得:

式中:yt和st分別是訓練期的實測值和集成模式的預報值,μg/m3.

(3)確定多元線性回歸模型的權重系數(shù)

(4)多元線性回歸集成模式的建立

1.2.4 平均集成 對3種MOS模式集成成員進行算術平均作為最終的集成預報結果.方程為:

式中:Fi為第i個模式的預報值,μg/m3;n為參與集成的MOS模式總數(shù).

1.2.5 遞歸正權綜合集成 本文采用均方倒數(shù)加權法建立遞歸正權綜合集成模式,將3種MOS模式對上海PM2.5日均濃度的預測時間序列分為2部分,分別為訓練和檢驗2個階段.在訓練階段,計算各種MOS模式的預報值與實測值之間的誤差平方和,采用遞歸正權優(yōu)化確定各個MOS模式的權重系數(shù),用于預報階段遞歸正權綜合集成模式的建立.

(1)各集成成員的誤差平方和ej:

式中:Ot訓練期實測值,μg/m3;Ft(j)訓練期各集成成員的預報值,μg/m3;j為集成成員的數(shù)量;n為訓練期的時間樣本數(shù).

(3)定權重系數(shù)W:

(4)計算訓練期遞歸正權綜合集成模式的預報值:

式中:Ft=(Ft1,Ft2,Ft3);t表示訓練期的時間樣本數(shù);Ft表示訓練期各集成成員的預報值.

計算遞歸正權綜合集成模式的誤差平方和e:

式中:Ot訓練期實測值,μg/m3;St訓練期遞歸正權綜合集成模式的預報值,μg/m3.

(5)用e取代max.

(6)重復步驟(2)～步驟(4)直到max-min達到最小為止,得到新的e1,e2,e3,從而得到新的權重系數(shù)W.

(7)遞歸正權綜合集成模式的建立:

式中:Ft=(Ft1,Ft2,Ft3),t表示預報期的時間樣本數(shù); Ft表示預報各集合成員的預報值.

集成成員包括WRF-KALMAN模式、WRF-PLS模式和WRF-RTIM模式.本文構建2套樣本檢驗模型的預報效果.

輕污染天氣過程:PM2.5輕度污染天氣過程是指集成模式預報時段(2014年12月2日～31日)發(fā)生PM2.5污染過程時,濃度集中在76～150μg/m3之間.研究中所用PM2.5和氣象觀測資料為2013年1月1日～2014年12月31日的冬季,其中2014年2月15日～12月31日資料沒有參與分析和建模,而是用于模型(WRF- KALMAN、WRF-PLS和WRF-RTIM模式)的檢驗,進行1d、2d和3d試預報.

2015年12月15日～2016年1月13日上海發(fā)生了連續(xù)的PM2.5重污染天氣,為了檢驗集成模型對PM2.5重污染天氣的預報效果,構建重天氣污染過程樣本:PM2.5重度及以上污染天氣過程是指集成模式預報時段(2015年12月15日～2016年1月13日)發(fā)生PM2.5污染過程時,峰值濃度多集中高于150μg/m3.研究中所用PM2.5和氣象觀測資料為2013年2月18日～2015年1月15日和2015年12月12日～2016年1月13日的冬季,其中2015年1月14～15日以及2015年12月12日～2016年1月13日資料沒有參與分析和建模,而是用于模型(WRF-KALMAN、WRF-PLS和WRF-RTIM模式)的檢驗,進行1d、2d和3d試預報.

上述2個樣本集的試預報樣本前15d(輕污染天氣過程:2014年2月14日～2014年12月1日;重污染天氣過程:2015年1月4～15日以及2015年12月12日～14日)作為多元線性回歸、算術平均以及遞歸正權綜合集成模式的訓練期,利用各MOS模式預報值與實測值確定權重系數(shù),后30d(輕污染天氣過程:2014年12月2日～31日;重污染天氣過程:2015年12月15日～2016年1月13日)則作為上述3種集成模式的預報期,檢驗預報效果.

本文構建2套樣本集的目的是檢驗集成模式的穩(wěn)定性,提高集成模式的普適性.

1.2.6 模型預報評價參數(shù) 本文選用相關系數(shù)(COR)、均方根誤差(RMSE)和臨界成功指數(shù)(CSI) 3種評價參數(shù),分析其預報效果:

式中:Sim表示預報值;Obs表示實測值;Nmodelk代表預報為正類(以《環(huán)境空氣質量標準》中二級濃度標準[48]作為分類標準,PM2.5日均濃度(單位:μg/m3)超過75μg/m3為正類,否則為負類)且實測確為正類的樣本數(shù); Nmodelf代表預報為正類的樣本數(shù);NObs代表實際為正類的樣本數(shù);N 代表預報總樣本數(shù).均方根誤差(RMSE)顯示預報值和觀測值的偏離情況;相關系數(shù)(COR)是反映預報值和觀測值的相關程度,即預報值和觀測值之間變化趨勢的吻合程度.臨界成功指數(shù)(CSI)是預報正確的樣本數(shù)與預報正確和漏報數(shù)之和的比值,去檢驗集成模式的預報性能.

2 結果分析

2.1 非參數(shù)檢驗

表1 3種集成模式1d、2d和3d的K-S和曼-惠特尼U檢驗結果分析Table 1 Analysis of K-S and Mann Whitney U test results about three kinds of integration models on one day、two days and three days

續(xù)表1

本文對3種集成模式的預報值與相對應的實測值進行非參數(shù)檢驗,先用K-S檢驗對3種集成模式的預報值與相對應的實測值的總體分布是否存在顯著性差異進行檢驗,然后再利用曼-惠特尼U檢驗對3種集成模式的預報值和實測值的均值進行檢驗.檢驗結果表1.

在進行2個獨立樣本K-S檢驗和曼-惠特尼U檢驗時,分別假設2個樣本的總體分布和均值無顯著性差異,且顯著性水平為0.05,如果漸近顯著性(伴隨概率)大于0.05,說明2個樣本的總體分布和均值無顯著性差異,否則相反.從表1可以看出,3種集成模式的預報值和實測值進行K-S檢驗時,多元線性回歸集成模式任意樣本和時長都通過檢驗, 而多模式平均集成模式對于輕污染天氣1d和2d的預報沒有通過檢驗，遞歸正權綜合集成模式對于輕污染天氣2d和3d的預報沒有通過檢驗.對3種集成模式通過K-S檢驗的樣本和時效進行曼-惠特尼U檢驗,都通過檢驗.說明多元線性回歸集成模式任意樣本和時長預報值的總體分布和實測值的總體分布是無差異的,且均值也是無差異的;而多模式平均集成模式和遞歸正權綜合集成模式對輕污染天氣2d和3d的預報值與實測值總體分布和均值存在差異.表明多元線性回歸集成模式的穩(wěn)定性優(yōu)于多模式平均集成模式和遞歸正權綜合集成模式.

2.2 結果與參數(shù)評價分析

2.2.1 預報結果分析 由圖1的預報結果比對和表2的偏差分析可見,無論對于輕污染還是重污染天氣,任何時長的預報,平均權重和遞歸正權綜合集成模式的預報值相對實測值多數(shù)時段偏高,多元線性回歸集成模式的預報值和實測值一致性較好;從輕污染天氣預報時段的峰值來說,平均權重和遞歸正權綜合集成模式對12月24日和29日的峰值預報好于多元線性回歸集成模式.對于重污染天氣任何時長的預報,3種集成模式的預報值相對實測值多數(shù)時段偏低;對于重污染天氣的峰值預報來說,3種集成模式的預報值普遍偏低;但對于預報時段的低值來說,3種集成模式的預報值和實測值一致性相對來說較好一些.除此之外,平均權重和遞歸正權綜合集成模式的預報值十分一致,主要是因為平均權重是正權綜合決策模型的一種,相近的預報結果是可以理解的.結合表2,對于輕污染天氣預報,多元線性回歸集成模式的最大正偏差高于平均和遞歸正權綜合集成模式,最大負偏差低于平均和遞歸正權綜合集成模式.對于重污染天氣預報,3種集成模式的最大正負偏差均大于輕污染天氣,預報值普遍存在峰值預報偏低的現(xiàn)象;多元線性回歸集成模式的最大正偏差低于平均和遞歸正權綜合集成模式,最大負偏差基本上高于平均和遞歸正權綜合集成模式.

為更直觀地分析預報結果,繪制了對數(shù)坐標相關分析圖.由圖2可見,3種集成模式對于任何樣本任何時長的預報值主要集中在實測值附近,預報值和實測值較好的一致性說明3種集成模式均能較好地預報上海市PM2.5日均濃度.對于任何時長輕污染和重污染天氣的預報,多元線性回歸集成模式的預報效果優(yōu)于平均權重和遞歸正權綜合集成模式3種集成模式對于輕污染天氣任何時長的預報結果整體偏高于實測值,且平均權重和遞歸正權綜合集成模式的偏高程度較大;重污染天氣下,3種集成模式的預報結果出現(xiàn)低值偏高、高值偏低的現(xiàn)象;3種集成模式預報值和實測值離散度大于輕污染天氣的.

表2 3種集成模式的最大正負偏差(μg/m3)Table 2 Maximumpositive and negative deviation of three kinds of integration models (μg/m3)

圖2 上海市1d、2d和3d PM2.5日均濃度實測值與預報值的相關分析Fig.2 The correlation analysis of predicted values (Pre) and observed values (Obs) of PM2.5daily average concentration of the light pollution weather process based on the three MOS modes for one day (a1), two days (a2) and three days (a3) and the heavy pollution weather process for one day (b1) two days (b2) and three days (b3) in Shanghai

2.2.2 模式參數(shù)評價分析 首先本文對3種MOS模式和3種集成模式進行相關系數(shù)顯著性檢驗,在0.01顯著性水平上都顯著相關.為了更好地考察3種集成模式的整體預報效果,本文通過相關系數(shù)(COR)、均方根誤差(RMSE)和臨界成功指數(shù)(CSI)評價參數(shù)對3種MOS模式和3種集成模式進行分析(表3).

從相關系數(shù)(COR)看,3種MOS模式中, WRF-RTIM模式對任意樣本和時長的相關系數(shù)基本上最高;多模式平均和遞歸正權綜合集成模式對任意樣本和時長的相關系數(shù)基本上高于WRF-KALMAN和WRF-PLS模式,與WRFRTIM模式基本一致.而多元線性回歸集成模式對于輕污染天氣的任意時長均低于WRF-RTIM模式,對于重污染天氣的任意時長均高于WRF-RTIM模式.總體來看,3種MOS模式對輕污染天氣和重污染天氣預報的相關系數(shù)分別集中在0.70～0.85和0.50～0.65之間,而3種集成模式對輕污染天氣和重污染天氣預報的相關系數(shù)分別集中在0.75～0.85和0.60～0.70之間.因此說明3種集成模式的整體趨勢預報效果優(yōu)于3種MOS模式,且對輕污染天氣的趨勢預報結果較好.

從均方根誤差(RMSE)看,對于任意樣本和時長,3種集成模式的均方根誤差基本低于3種MOS模式,且多元線性回歸集成模式的均方根誤差最低.總體來看,3種MOS模式對輕污染天氣和重污染天氣預報的均方根誤差分別集體在23～30μg/m3和39.5～43μg/m3之間,而3種集成模式對輕污染天氣和重污染天氣預報的均方根誤差分別集中在19～24μg/m3和38～40μg/m3之間.因此說明3種集成模式的預報能力均優(yōu)于3種MOS模式,且3種集成模式對輕污染天氣的預報能力較好.

表3 3種MOS和3種集成模式預報值與實測值的統(tǒng)計參數(shù)分析Table 3 Analysis of statistic parameter for three kinds of MOS and three kinds of integration models predicted and observed values

從臨界成功指數(shù)(CSI)看,在3種MOS模式中,WRF-RTIM模式對任意樣本和時長的預報成功率都最高,3種集成模式對任何樣本和時長的預報成功率均高于WRF-KARMAN和WRFPLS模式.對于輕污染天氣和重污染天氣1d、2d預報,多元線性回歸集成模式的臨界成功指數(shù)分別為90%、83%、87%和83%,高于WRF-RTIM模式;對于輕污染天氣3d預報,3種集成模式的臨界成功指數(shù)都低于WRF-RTIM模式;對于重污染天氣3d預報,3種集成模式的臨界成功指數(shù)都高于WRF-RTIM模式.總體說明,3種集成模式的整體成功率優(yōu)于WRF-PLS和WRF-KALMAN模式,多元線性回歸集成模式的整體成功率好于與WRF-RTIM模式.

本文不足之處:本文建模時僅考慮了地面氣象條件對PM2.5污染物的影響,并未考慮高層氣象條件對PM2.5污染物的影響;除此之外,本文將上海市看作一點,僅研究了上海市PM2.5日均濃度時間變化,并未考慮其空間演變特征.

3 結論

3.1 從預報值和實測值偏差看,3種集成模式對輕污染天氣的預報多數(shù)時段高于實測值,對重污染天氣的預報多數(shù)時段低于實測值,且多元線性回歸集成模式的整體偏差低于另外2種集成模式,K-S和曼-惠特尼U檢驗也表明,多元線性回歸集成模式的穩(wěn)定性最好.

3.2 從均方根誤差和相關系數(shù)看,3種集成模式的預報能力和整體趨勢預報效果均優(yōu)于3種MOS模式,其中多元線性回歸集成模式的預報能力最優(yōu),且對輕污染天氣的集成預報最優(yōu);說明3種集成模式對任意污染天氣過程的預報能力都有所提升,且可有效降低決策風險.除此之外,3種集成模式對輕污染天氣的預報能力和趨勢預報均優(yōu)于重污染天氣預報,這也說明了重污染天氣的預報難度較高.

3.3 多模式平均和遞歸正權綜合集成模式的臨界成功指數(shù)對任意樣本和時長均好于WRFKALMAN和WRF-PLS模式,略差于WRF_ RTIM模式;多元線性回歸集成模式的臨界成功指數(shù)整體略好于3種MOS模式的.多元線性回歸集成模式最優(yōu).

[1] Chan C K, Yao X. Air pollution in mega cities in China [J]. Atmospheric Environment, 2008,42(1):1-42.

[2] Huang C, Chen C H, Li L, et al. Emission inventory of anthropogenic air pollutants and VOC species in the Yangtze River Delta region, China [J]. Atmospheric Chemistry & Physics, 2011,11(9):4105-4120.

[3] Hu J, Wang Y, Ying Q, et al. Spatial and temporal variability of PM2.5 and PM10 over the North China Plain and the Yangtze River Delta, China [J]. Atmospheric Environment, 2014,95(1):598-609.

[4] Du X, Kong Q, Ge W, et al. Characterization of personal exposure concentration of fine particles for adults and children exposed to high ambient concentrations in Beijing, China [J]. Journal of Environmental Sciences, 2010,22(11):1757-1764.

[5] Qiu H, Yu I T, Wang X, et al. Differential effects of fine and coarse particles on daily emergency cardiovascular hospitalizations in Hong Kong [J]. A tmospheric environment, 2013,64:296-302.

[6] Zhang H, Xie B, Zhao S Y, et al. PM2.5 and tropospheric O3 in China and an analysis of the impact of pollutant emission control[J]. Advances in Climate Change Research, 2014,5(3):136-141.

[7] Pilinis C, Seinfeld J H, Seigneur C. Mathematical modeling of the dynamics of multicomponent atmospheric aerosols [J].Atmospheric Environment (1967), 1987,21(4):943-955.

[8] 房小怡,蔣維楣,吳 澗,等.城市空氣質量數(shù)值預報模式系統(tǒng)及其應用 [J]. 環(huán)境科學學報, 2004,24(1):111-115.

[9] 歐陽琰,蔣維楣,劉紅年.城市空氣質量數(shù)值預報系統(tǒng)對PM2.5的數(shù)值模擬研究 [J]. 環(huán)境科學學報, 2007,27(5):838-845.

[10] Hubbard MC, Cobourn W G. Development of a regression model to forecast ground-level ozone concentration in Louisville, KY[J]. Atmospheric Environment, 1998,32(14):2637-2647.

[11] 談建國,陸國良,耿福海,等.上海夏季近地面臭氧濃度及其相關氣象因子的分析和預報 [J]. 熱帶氣象學報, 2007,23(5):515-520.

[12] 周瑤瑤,馬 嫣,鄭 軍,等.南京北郊冬季霾天PM2.5水溶性離子的污染特征與消光作用研究 [J]. 環(huán)境科學, 2015,30(6):1926-1934.

[13] Comrie A C. Comparing Neural Networks and Regression Models for Ozone Forecasting [J]. Journal of the Air & Waste Management Association, 1997,47(6):653-663.

[14] Lange N, Bishop C M, Ripley B D. Neural Networks for Pattern Recognition. [J]. Agricultural Engineering International the Cigr Journal of Scientific Research & Development Manuscript Pm, 1995,12(5):1235-1242.

[15] Cobourn W G, Dolcine L, French M, et al. A comparison of nonlinear regression and neural network models for ground-level ozone forecasting [J]. Journal of the Air & Waste Management Association, 2000,50(11):1999-2009.

[16] Kolehmainen M, Martikainen H, Ruuskanen J. Neural networks and periodic components used in air quality forecasting [J]. Atmospheric Environment, 2001,35(5):815-825.

[17] Feng X, Li Q, Zhu Y, et al. Artificial neural networks forecasting of PM2.5 pollution using air mass trajectory based geographic model and wavelet transformation [J]. Atmospheric Environment,2015,107:118-128.

[18] 劉春霞,周家斌.用卡爾曼濾波預報南海熱帶氣旋路徑的試驗[J]. 熱帶氣象學報, 1997,13(4):349-356.

[19] 朱 江,汪 萍.集合卡爾曼平滑和集合卡爾曼濾波在污染源反演中的應用 [J]. 大氣科學, 2006,30(5):871-882.

[20] D jalalova I, Monache L D, W ilczak J. PM2.5, analog forecast and Kalman filter post-processing for the Community Multiscale Air Quality (CMAQ) model [J]. Atmospheric Environment, 2015,108:76-87.

[21] 朱紅芳,王東勇.合肥市空氣質量預報方法 [J]. 氣象, 2002, 28(5):40-43.

[22] 許建明,徐祥德,劉 煜,等.CMAQ-MOS區(qū)域空氣質量統(tǒng)計修正模型預報途徑研究 [J]. 中國科學, 2005,35(A 01):131-144.

[23] Bian Lingen.北京城市大氣環(huán)境污染機理與調控原理 [J]. 應用氣象學報, 2006,17(6):815-828.

[24] 程念亮,李云婷,孫 峰,等.北京市空氣重污染天氣類型分析及預報方法簡介 [J]. 環(huán)境科學與技術, 2015,38(5):189-194.

[25] Byun D W, Ching J K S, Byun D W, et al. Science A lgorithms of the EPA Models - 3Community Multiscale Air Quality (CMAQ) Modeling System[M]. Environmental Protection Agency Office of Research & Development, 1999.

[26] K rishnamurti T N, Kishtawal C M, LaRowT, et al. Improved Weather and Seasonal Climate Forecasts fromMultimodel Superensemble [J]. Science, 1999,285(5433):1548-1550.

[27] K rishnamurti B T N, K ishtawal C M, LarowT et al. Multi-modelSuperensemble Forecasts for Weather and Seasonal Climate [J]. Science, 2012,285(5433):1548-1550.

[28] Ebert E E. Ability of a Poor Man's Ensemble to Predict the Probability and Distribution of Precipitation [J]. Monthly Weather Review, 2001,129(10):2461.

[29] Mylne K R, Evans R E, Clark R T. Multi-model multi-analysis ensembles in quasi-operational medium-range forecasting [J]. Quarterly Journal of the Royal Meteorological Society, 2002, 128(579):361—384.

[30] Vijaya Kumar T S V, Krishnamurti T N, Fiorino M, et al. Multimodel Superensemble Forecasting of Tropical Cyclones in the Pacific [J]. Monthly Weather Review, 2003,131(3):574.

[31] 馬 清,龔建東,李 莉,等.超級集合預報的誤差訂正與集成研究 [J]. 氣象, 2008,34(3):42-48.

[32] 崔慧慧,智協(xié)飛.基于TIGGE資料的地面氣溫延伸期多模式集成預報 [J]. 大氣科學學報, 2013,36(2):165-173.

[33] 張涵斌,智協(xié)飛,王亞男,等.基于TIGGE資料的西太平洋熱帶氣旋多模式集成預報方法比較 [J]. 氣象, 2015(9):1058-1067.

[34] 王自發(fā),吳其重,A lex,等.北京空氣質量多模式集成預報系統(tǒng)的建立及初步應用 [J]. 南京信息工程大學學報:自然科學版, 2009,1(1):19-26.

[35] 唐 曉,王自發(fā),朱 江,等.北京地面O3的集合預報試驗 [J].氣候與環(huán)境研究, 2010,15(5):677-684.

[36] 黃 思,唐 曉,徐文帥,等.利用多模式集合和多元線性回歸改進北京PM10預報 [J]. 環(huán)境科學學報, 2015,35(1):56-64.

[37] 陳煥盛,王自發(fā),吳其重,等.空氣質量多模式系統(tǒng)在廣州應用及對PM10預報效果評估 [J]. 氣候與環(huán)境研究, 2013,18(4): 427-435.

[38] 陸成偉,周來東,鄧 也,等.基于Models-3的自修正空氣質量預報系統(tǒng)及其效果檢驗 [J]. 中國環(huán)境管理, 2016,8(2):102-109.

[39] 徐文帥,李云婷,吳其重,等.AQI標準下北京市空氣質量數(shù)值預報系統(tǒng)及其在重大活動保障中的應用 [J]. 中國環(huán)境監(jiān)測, 2016,32(2):11-19.

[40] 佚 名.利用多模式集合和多元線性回歸改進北京PM預報 [J].環(huán)境科學學報, 2015,35(1):56-64.

[41] Monache L D, N ipen T, Deng X, et al. Ozone ensemble forecasts: 2. A Kalman filter predictor bias correction [J]. Journal of Geophysical Research A tmospheres, 2006,111(D5):769-785.

[42] 尤佳紅,束 炯,陳亦君,等.基于MOS的杭州秋冬季空氣污染預報和霾診斷 [J]. 中國環(huán)境科學, 2014,34(7):1660-1666.

[43] 陳亦君,尤佳紅,束 炯,等.基于WRF-RTIM的上海地區(qū)霾預報MOS方法研究 [J]. 環(huán)境科學學報, 2014,34(3):574-581.

[44] Cobourn W G, Dolcine L, French M, et al. A comparison of nonlinear regression and neural network models for ground-level ozone forecasting [J]. Journal of the Air & Waste Management Association, 2000,50(11):1999-2009.

[45] 談建國,陸國良,耿福海,等.上海夏季近地面臭氧濃度及其相關氣象因子的分析和預報 [J]. 熱帶氣象學報, 2007,23(5):515-520.

[46] Einicke G A. Smoothing, Filtering and Prediction: Estimating the Past, Present and Future. Rijeka, Croatia: Intech [R]. ISBN 2012: 978-953-307-752-9.

[47] Forina M, Lanteri S, Kowalski B R. Chemometrics. Mathematics and Statistics in Chemistry [J]. NATO ASI Series, Ser. C, 1984, 138:439-66.

[48] GB 3095-2012 環(huán)境空氣質量標準 [S].

致謝：李朝頤教授在論文撰寫時提出寶貴意見;模式的數(shù)值計算在華東師范大學高性能計算機曙光5000上完成.

Comprehensive integration approaches for PM2.5statistical interpretation in shanghai.

LI Ya-yun1, SHU Jiong1*,SHEN Yu2
(1.Key Laboratory of Geographic Information Science, Ministry of Education, East China Normal University, Shanghai 200241, China；2.Shanghai Climate Center, Shanghai 200030, China). China Environmental Science, 2017,37(2)：486～496

The comprehensive integration approaches for statistical interpretation were employed to predict PM2.5concentration in Shanghai. Three kinds of model output statistics (MOS) models were built up by combining WRF model output with kalman filtering (KALMAN), partial least squares regression (PLS) and real-time iterative model (RTIM) respectively. And then three types of integrated model, based on MOS model above Multi-model average integration, recursive positive weight synthesis and multivariate linear regression integration, were separately apply to three days prediction for daily average concentration of PM2.5fromDec. 2 to 31, 2014 (light pollution process) and Dec. 15, 2015 to Jan. 13, 2016 (heavy pollution process). The prediction ability of pollution weather process for these integration models was improved by providing reasonable information and reducing the systematic errors in comparison with a single MOS models, which reduced the risk of decision-making in the process of pollution. The multivariate linear regression integration model presented higher precision and stability by comparative analysis of light and heavy pollution prediction processes. In all, the comprehensive integration approaches for statistical interpretation have great potential to be applied to regional air pollution prediction in operational model.

PM2.5；Multiple Linear Regression；integrated model；recursive positive weight synthesis；WRF

X513

A

1000-6923(2017)02-0486-11

李亞云(1991-),女,河南商丘人,華東師范大學碩士研究生,研究方向為大氣污染模擬與控制.

2016-06-18

國家自然科學基金資助項目(41271055);國家社科基金重大項目(13&ZD161)

* 責任作者, 教授, jshu@geo.ecnu.edu.cn