高璟赟，楊寧，畢溫凱，肖致美，陳魁，李源

(天津市環(huán)境監(jiān)測(cè)中心，天津 300191)

·環(huán)境預(yù)警·

天津市基于新標(biāo)準(zhǔn)的空氣質(zhì)量預(yù)報(bào)模型效果評(píng)估

高璟赟，楊寧*，畢溫凱，肖致美，陳魁，李源

(天津市環(huán)境監(jiān)測(cè)中心，天津 300191)

利用2015年環(huán)境空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)，對(duì)天津市OPAQ空氣質(zhì)量統(tǒng)計(jì)預(yù)報(bào)模型預(yù)測(cè)效果進(jìn)行驗(yàn)證評(píng)估。結(jié)果表明，模型對(duì)天津市AQI和PM2.5、PM10、O3、NO2的預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果具有較好的趨勢(shì)一致性，且預(yù)測(cè)時(shí)間越臨近，擬合度越好，24 h預(yù)報(bào)的相關(guān)系數(shù)r全部達(dá)到0.8以上。對(duì)PM2.5的預(yù)報(bào)性能明顯優(yōu)于PM10、O3和NO2，PM2.5平均值預(yù)測(cè)略呈正偏差，但重污染預(yù)測(cè)值偏低約15%；O3和NO2預(yù)測(cè)值呈明顯負(fù)偏差，O3峰值預(yù)測(cè)不足，NO2預(yù)測(cè)值整體偏低，均以24 h預(yù)報(bào)趨勢(shì)性最好，但負(fù)偏差最為突出。

天津；空氣質(zhì)量預(yù)報(bào)；OPAQ模型；效果評(píng)估

近年來(lái)，我國(guó)中東部地區(qū)大氣污染嚴(yán)重，秋冬季極端重污染天氣頻發(fā)，污染區(qū)域不斷擴(kuò)大，呈現(xiàn)出以PM2.5和O3為典型污染物的大氣復(fù)合污染特征[1-6]。2012年國(guó)家環(huán)境保護(hù)部發(fā)布新《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》(GB 3095—2012)，將PM2.5、O3等污染物納入評(píng)價(jià)體系；2013年9月國(guó)務(wù)院頒布《大氣污染防治行動(dòng)計(jì)劃》，明確要求各地建立監(jiān)測(cè)預(yù)警應(yīng)急體系，開(kāi)展空氣質(zhì)量預(yù)報(bào)預(yù)警工作，妥善應(yīng)對(duì)重污染天氣，使針對(duì)新標(biāo)準(zhǔn)的空氣質(zhì)量預(yù)報(bào)逐漸向常態(tài)化和業(yè)務(wù)化方向發(fā)展。

天津市是京津冀區(qū)域重點(diǎn)城市之一，2013年作為首批實(shí)施環(huán)境空氣質(zhì)量新標(biāo)準(zhǔn)的城市，開(kāi)始開(kāi)展針對(duì)空氣質(zhì)量新標(biāo)準(zhǔn)的預(yù)測(cè)預(yù)報(bào)工作，陸續(xù)開(kāi)發(fā)引進(jìn)了OPAQ動(dòng)態(tài)統(tǒng)計(jì)預(yù)報(bào)模型、AURORA數(shù)值預(yù)報(bào)模型和多模式(CMAQ、CMAx和NAQPMS)數(shù)值預(yù)報(bào)模型系統(tǒng)，初步建立了天津市空氣質(zhì)量預(yù)報(bào)預(yù)警平臺(tái)，為空氣質(zhì)量預(yù)報(bào)預(yù)警提供客觀參考。

現(xiàn)基于OPAQ動(dòng)態(tài)統(tǒng)計(jì)預(yù)報(bào)模型，對(duì)天津市空氣質(zhì)量預(yù)報(bào)結(jié)果的穩(wěn)定性、準(zhǔn)確性和時(shí)效性進(jìn)行綜合評(píng)估，為模型的進(jìn)一步優(yōu)化改進(jìn)以及數(shù)值、統(tǒng)計(jì)等多模式集合預(yù)報(bào)的發(fā)展應(yīng)用奠定基礎(chǔ)，不斷提高天津市空氣質(zhì)量預(yù)報(bào)和重污染天氣預(yù)警的能力，更好地為天津市大氣污染防治和重污染天氣應(yīng)急減排提供技術(shù)支持。

1 模型簡(jiǎn)介及評(píng)估指標(biāo)的確立

1.1 模型原理

OPAQ空氣質(zhì)量預(yù)報(bào)模型是比利時(shí)法蘭德斯技術(shù)研究院(VITO)研發(fā)的基于神經(jīng)網(wǎng)絡(luò)算法的大氣質(zhì)量預(yù)測(cè)模型，作為比利時(shí)官方空氣質(zhì)量預(yù)報(bào)業(yè)務(wù)系統(tǒng)的一部分，在插值繪圖和高污染事件預(yù)測(cè)方面表現(xiàn)出優(yōu)越性能，在荷蘭、德國(guó)、意大利等多個(gè)國(guó)家得到廣泛應(yīng)用[7-9]?；谛聵?biāo)準(zhǔn)的空氣質(zhì)量預(yù)報(bào)業(yè)務(wù)推廣以來(lái)，國(guó)內(nèi)北京、揚(yáng)州、成都、重慶、南通等城市紛紛引進(jìn)該模型[10]，天津市于2014年引進(jìn)后進(jìn)行二次開(kāi)發(fā)完善，主要利用歷史污染物監(jiān)測(cè)數(shù)據(jù)與相關(guān)氣象因子對(duì)模型進(jìn)行訓(xùn)練，然后將實(shí)時(shí)的污染物數(shù)據(jù)與預(yù)測(cè)的氣象數(shù)據(jù)接入模型，預(yù)測(cè)未來(lái)24～96 h的污染物濃度及污染等級(jí)。

1.2 數(shù)據(jù)資料

選取2015年1月1日—12月15日OPAQ模型對(duì)天津市未來(lái)24～96 h主要污染物濃度和AQI預(yù)報(bào)結(jié)果進(jìn)行效果評(píng)估，實(shí)際觀測(cè)結(jié)果采用天津市每日00：00—24：00的國(guó)控點(diǎn)24 h平均值進(jìn)行驗(yàn)證。

1.3 評(píng)估指標(biāo)

參考?xì)庀?、環(huán)境模式研究領(lǐng)域通用的相關(guān)系數(shù)(r)、平均值(MM)、平均偏差(MB)、平均誤差(ME)、均方根誤差(RMSE)、標(biāo)準(zhǔn)化平均偏差(NMB)和標(biāo)準(zhǔn)化平均誤差(NME)7項(xiàng)統(tǒng)計(jì)指標(biāo)評(píng)價(jià)模式預(yù)報(bào)效果，具體指標(biāo)定義和計(jì)算公式參見(jiàn)文獻(xiàn)[11-13]。其中，r反映預(yù)報(bào)值與觀測(cè)值隨時(shí)間變化趨勢(shì)的相似程度，無(wú)量綱，r>0表示預(yù)報(bào)值與觀測(cè)值正相關(guān)，r<0表示負(fù)相關(guān)，通過(guò)統(tǒng)計(jì)顯著性檢驗(yàn)判定預(yù)報(bào)值和觀測(cè)值的相關(guān)性；MM、MB、ME和RMSE 4項(xiàng)指標(biāo)的單位是μg/m3，使用時(shí)需要結(jié)合觀測(cè)濃度大小進(jìn)行評(píng)估，比較適用于與觀測(cè)濃度值接近的情況；NMB 和NME 2項(xiàng)指標(biāo)體現(xiàn)了預(yù)報(bào)值和觀測(cè)值的平均偏離程度和平均絕對(duì)誤差，克服了上述4項(xiàng)指標(biāo)在觀測(cè)濃度差異較大時(shí)難以直接比較的缺點(diǎn)，越接近0表示預(yù)報(bào)效果越好[12]。

2 天津市環(huán)境空氣質(zhì)量狀況

全年AQI和首要污染物分布及各項(xiàng)污染物濃度變化規(guī)律對(duì)空氣質(zhì)量級(jí)別和首要污染物預(yù)報(bào)具有重要指導(dǎo)意義。截至12月15日，2015年天津市環(huán)境空氣質(zhì)量達(dá)標(biāo)216 d，達(dá)標(biāo)天數(shù)比例為62%；重污染20 d，重污染天數(shù)比例為5%。具體空氣質(zhì)量級(jí)別和首要污染物分布情況詳見(jiàn)圖1(a)(b)。

圖1 天津市空氣質(zhì)量級(jí)別和首要污染物分布

6項(xiàng)主要污染物中，PM2.5、PM10、SO2和NO2的平均值分別為67，112，28和40 μg/m3，CO 24 h平均值第95百分位數(shù)為3.0 mg/m3，O3日最大8 h平均值第90百分位數(shù)為143 μg/m3。SO2、NO2、PM10、PM2.5和CO值在一年中呈現(xiàn)兩頭高中間低的“凹”字形曲線，冬季濃度明顯高于夏季，但年末濃度和達(dá)標(biāo)率好于年初；O3則恰恰呈現(xiàn)相反的“凸”字形變化，其峰值基本出現(xiàn)在夏季。

從AQI逐日變化來(lái)看，全年AQI也整體呈現(xiàn)兩頭高、中間低的趨勢(shì)，五級(jí)以上重污染天主要出現(xiàn)在冬季采暖期的1—3月和10—12月，7—9月AQI指數(shù)相對(duì)較低。

從首要污染物來(lái)看，PM2.5是全年影響空氣質(zhì)量的最重要污染指標(biāo)，其為首要污染物的天數(shù)占全年一半以上且均勻分布于各個(gè)月份。

PM10為首要污染物的天數(shù)在6—8月較少，其余各月均有分布，且在3、4月PM10污染較重，AQI指數(shù)達(dá)到較高水平，這與6—8月降水集中和3、4月容易出現(xiàn)沙塵天氣有關(guān)。

圖2 2015年天津市AQI逐日變化

O3為首要污染物的季節(jié)主要出現(xiàn)在夏季，從5月份開(kāi)始出現(xiàn)，6、7月份O3濃度和AQI均處于較高水平，一般可達(dá)到三級(jí)輕度污染—四級(jí)中度污染，8、9月份以后以O(shè)3為首要污染物的天數(shù)明顯減少并逐漸消失；NO2為首要污染物的天數(shù)主要分布在采暖期，濃度水平并不高，二級(jí)良(AQI在51～100)時(shí)可能出現(xiàn)。圖2為2015年天津市AQI逐日變化(“一級(jí)優(yōu)”不考慮首要污染物)。

3 模型預(yù)報(bào)效果評(píng)估與討論

3.1 AQI預(yù)測(cè)結(jié)果評(píng)估

將未來(lái)24～96 h AQI預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果進(jìn)行長(zhǎng)時(shí)間序列變化趨勢(shì)比對(duì)分析，結(jié)果見(jiàn)圖3(a)(b)(c)(d)。

圖3 未來(lái)24～96 h AQI預(yù)測(cè)值與實(shí)測(cè)值結(jié)果比對(duì)

整體看來(lái)，OPAQ模型對(duì)AQI的預(yù)測(cè)結(jié)果與實(shí)測(cè)變化趨勢(shì)較為一致，且預(yù)測(cè)時(shí)間越短，趨勢(shì)越近似，擬合度越好。相關(guān)性分析也表明，從96 h到24 h預(yù)報(bào)，預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果相關(guān)性逐步上升，R2由0.245 3上升至0.680 9。從準(zhǔn)確度上看，不論是臨近預(yù)報(bào)還是長(zhǎng)時(shí)間預(yù)報(bào)，OPAQ模型都存在明顯的高值低估現(xiàn)象，特別是在AQI>200時(shí)預(yù)測(cè)結(jié)果常常偏低，24，48，72，96 h預(yù)報(bào)的平均低估程度分別為12.9%,20.6%，29.0%和32.2%。24 h預(yù)報(bào)的偏低程度明顯小于長(zhǎng)時(shí)間預(yù)報(bào)，可能與24 h預(yù)報(bào)中氣象預(yù)報(bào)更為準(zhǔn)確，且將前一日實(shí)測(cè)值作為初始值，引入初始場(chǎng)修正有關(guān)。回歸曲線與y=x觀測(cè)線的比較也表明，該模型的24～96 h預(yù)測(cè)普遍存在AQI<100時(shí)預(yù)測(cè)值偏低、AQI>100時(shí)預(yù)測(cè)值偏高的現(xiàn)象，且AQI與100差距越大，預(yù)測(cè)值與實(shí)測(cè)值偏差越大，見(jiàn)圖4(a)(b)(c)(d)。因此，從預(yù)測(cè)結(jié)果來(lái)看，一級(jí)優(yōu)和二級(jí)良時(shí)預(yù)測(cè)結(jié)果一般會(huì)略有偏高，五級(jí)以上重度污染時(shí)預(yù)測(cè)值嚴(yán)重不足，但從96 h到24 h預(yù)報(bào)結(jié)果，低估和高估的偏差明顯縮小。由此可見(jiàn)，重污染預(yù)測(cè)時(shí)應(yīng)在模式AQI預(yù)報(bào)基礎(chǔ)上適當(dāng)上調(diào)相應(yīng)偏差比例，當(dāng)模式24 h AQI預(yù)報(bào)>180，48～96 h AQI預(yù)報(bào)>150時(shí)即應(yīng)考慮未來(lái)空氣質(zhì)量達(dá)到重度污染以上的可能性。

3.2 污染物濃度預(yù)測(cè)評(píng)估

鑒于天津市全年首要污染物主要分布于PM2.5、PM10、O3和NO24項(xiàng)污染物，因此著重對(duì)這4項(xiàng)污染物的24 h預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。

從日均值24 h預(yù)測(cè)值與實(shí)測(cè)值的比對(duì)分析可以看出，PM2.5、PM10、O3和NO24 項(xiàng)污染物的預(yù)測(cè)趨勢(shì)與實(shí)際變化趨勢(shì)均一致，但其值存在一定的差距，見(jiàn)圖5(a)(b)(c)(d)。PM2.5和PM10的正負(fù)值偏差分布較為均勻，主要表現(xiàn)為低值高估和高值低估；O3值預(yù)測(cè)整體偏低，低值偏差相對(duì)較小，高值偏差較為明顯；NO2值預(yù)測(cè)結(jié)果全年明顯低于觀測(cè)結(jié)果，7、8月份偏差相對(duì)小于其他月份。

PM2.5、PM10、O3和NO224 h預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果回歸分析見(jiàn)圖6(a)(b)(c)(d)。由圖6可見(jiàn)，OPAQ模型對(duì)PM2.5的預(yù)測(cè)較為可靠，三級(jí)輕度污染以下(ρ<115 μg/m3)預(yù)測(cè)值較實(shí)測(cè)值偏高15%左右；五級(jí)重度污染以上(ρ>150 μg/m3)預(yù)測(cè)值較實(shí)測(cè)值略有偏低，約為實(shí)測(cè)值的85%；整體而言預(yù)測(cè)值與實(shí)測(cè)值具有顯著相關(guān)性，相關(guān)系數(shù)R2達(dá)到0.781 4。PM10與PM2.5類似，二級(jí)良以下(ρ<150 μg/m3)預(yù)測(cè)值較實(shí)測(cè)值偏高30%左右；三級(jí)輕度污染以上(即ρ>150 μg/m3)預(yù)測(cè)值約為實(shí)測(cè)值的70%；預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)性為0.7。O3和NO2則明顯低于實(shí)測(cè)結(jié)果，大部分預(yù)測(cè)值落在y=0.5x和y=x曲線之間，分別較實(shí)測(cè)結(jié)果偏低40%和65%，夏季O3和冬季NO2高值偏低情況嚴(yán)重。

圖4 未來(lái)24～96 h AQI預(yù)測(cè)值與實(shí)測(cè)值的回歸分析

3.3 預(yù)報(bào)效果統(tǒng)計(jì)指標(biāo)評(píng)估

PM2.5、PM10、O3和NO224～96 h預(yù)測(cè)結(jié)果統(tǒng)計(jì)分析見(jiàn)表1。從模式預(yù)報(bào)效果評(píng)估的各項(xiàng)統(tǒng)計(jì)指標(biāo)來(lái)看，PM2.5和PM10的預(yù)測(cè)濃度與實(shí)測(cè)濃度相比整體呈現(xiàn)正偏差，這與全年以二級(jí)良和三級(jí)輕度污染為主，而PM2.5和PM10預(yù)測(cè)結(jié)果在三級(jí)輕度污染以下時(shí)預(yù)測(cè)值相對(duì)偏高有關(guān)。偏差、誤差等MB、ME、RMSE、NMB、NME統(tǒng)計(jì)指標(biāo)均隨預(yù)測(cè)時(shí)間縮短而不斷減小，相關(guān)系數(shù)r逐漸增大，進(jìn)一步說(shuō)明受初始場(chǎng)可靠性影響，隨預(yù)報(bào)時(shí)間的縮短預(yù)報(bào)的趨勢(shì)預(yù)判和準(zhǔn)確性明顯增加。但PM2.5預(yù)測(cè)值的NMB和NME均低于PM10，特別是PM2.524～96 h預(yù)測(cè)結(jié)果的NMB均<20%，NME除96 h為51%外，均<50%，與國(guó)內(nèi)外數(shù)值模型的檢驗(yàn)參數(shù)相比處于同一水平[14-16]。

圖5 OPAQ模型對(duì)PM2.5、PM10、O3和NO2日均值的24 h預(yù)測(cè)結(jié)果

O3預(yù)測(cè)結(jié)果不同于PM10和PM2.5，與實(shí)測(cè)結(jié)果比較，O3的24 h預(yù)測(cè)為負(fù)偏差，48 h預(yù)測(cè)與實(shí)測(cè)相差不大，72和96 h預(yù)測(cè)為正偏差。從偏差和誤差等統(tǒng)計(jì)指標(biāo)來(lái)看，24～96 h預(yù)測(cè)結(jié)果的MB、ME以及r等差異不大。鑒于趨勢(shì)分析和散點(diǎn)分析中O324 h 預(yù)測(cè)結(jié)果高值低估現(xiàn)象嚴(yán)重，而48 h 預(yù)測(cè)結(jié)果與實(shí)測(cè)值較為接近，建議夏季高濃度O3預(yù)測(cè)時(shí)在重點(diǎn)關(guān)注24 h 預(yù)測(cè)結(jié)果的同時(shí)應(yīng)廣泛參考48，72和96 h預(yù)測(cè)結(jié)果，其中48 h 預(yù)測(cè)結(jié)果平均與實(shí)測(cè)值最為接近。

圖6 PM2.5、PM10、O3和NO224 h預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果回歸分析

表1 PM2.5、PM10、O3和NO2 24～96 h預(yù)測(cè)結(jié)果統(tǒng)計(jì)分析

NO2預(yù)測(cè)平均濃度整體低于實(shí)測(cè)平均，24 h預(yù)測(cè)負(fù)偏差最為突出，48～96 h預(yù)測(cè)結(jié)果負(fù)偏差逐漸減小，與實(shí)測(cè)平均濃度接近。

24 h預(yù)測(cè)的相關(guān)系數(shù)明顯高于48～96 h 預(yù)測(cè)，但四者的ME、RMSE、NMB和NME差異不顯著，考慮24 h預(yù)測(cè)結(jié)果雖然趨勢(shì)與實(shí)際變化較為一致，但預(yù)測(cè)值明顯低估。建議日常NO2預(yù)報(bào)，特別是空氣質(zhì)量相對(duì)較好、NO2可能成為首要污染物的情況下，充分參考48～96 h預(yù)測(cè)結(jié)果。

3.4 預(yù)報(bào)偏差原因分析

OPAQ模型對(duì)PM2.5、PM10、O3和NO24項(xiàng)污染物的濃度預(yù)報(bào)都存在明顯的高值低估現(xiàn)象，直接影響AQI預(yù)報(bào)結(jié)果及顆粒物、O3重污染天氣預(yù)報(bào)預(yù)警。

分析原因，一方面由于新標(biāo)準(zhǔn)實(shí)施以來(lái)歷史數(shù)據(jù)仍積累不足，重污染天高濃度值出現(xiàn)較少，有限的訓(xùn)練數(shù)據(jù)為高值預(yù)測(cè)帶來(lái)較大的不確定性；另一方面，統(tǒng)計(jì)模型主要依賴于氣象參數(shù)和歷史監(jiān)測(cè)數(shù)據(jù)的經(jīng)驗(yàn)公式，未能考慮大氣化學(xué)轉(zhuǎn)化、污染源排放變化以及區(qū)域傳輸過(guò)程，而PM2.5和O3濃度與前體物的二次轉(zhuǎn)化密切相關(guān)[17]，PM10容易受到局地?fù)P塵排放和區(qū)域沙塵傳輸影響，NO2則與產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和污染源排放變化有關(guān)，同時(shí)重污染期間外來(lái)源對(duì)污染物濃度也有顯著貢獻(xiàn)。

今后，應(yīng)不斷補(bǔ)充訓(xùn)練數(shù)據(jù)優(yōu)化模型算法，通過(guò)觀測(cè)值與預(yù)測(cè)值的比對(duì)驗(yàn)證進(jìn)行系數(shù)校正，并與數(shù)值模式相結(jié)合發(fā)展多模式集合預(yù)報(bào)方法，降低模型預(yù)測(cè)的不確定性。

4 結(jié)論

(1) 天津市全年AQI呈現(xiàn)冬季高、夏季低的趨勢(shì)，首要污染物主要分布于PM2.5、PM10、O3和NO24項(xiàng)污染物。其中，以PM2.5為首要污染物的天數(shù)占全年一半以上；PM10和O3分別是3—4月沙塵季和5—8月夏季的主要污染指標(biāo)；NO2僅在采暖期空氣質(zhì)量較好時(shí)可能成為首要污染物；

(2) OPAQ模型對(duì)天津市AQI的預(yù)測(cè)結(jié)果與實(shí)測(cè)變化趨勢(shì)較為一致，但存在明顯的高值低估現(xiàn)象， 重污染預(yù)測(cè)欠佳，24～96 h預(yù)測(cè)的平均低估程度達(dá)到12.9%～32.2%。預(yù)測(cè)時(shí)間越短，擬合度越好，24 h預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)R2可由96 h預(yù)報(bào)的0.245 3上升至0.680 9；

(3) PM2.5、PM10、O3和NO2濃度預(yù)測(cè)均具有較好的趨勢(shì)性，24 h預(yù)報(bào)相關(guān)系數(shù)均>0.8。PM2.5的預(yù)報(bào)性能優(yōu)于其他3項(xiàng)，平均濃度預(yù)測(cè)略呈現(xiàn)正偏差，但高濃度時(shí)預(yù)測(cè)值偏低。O3和NO2值預(yù)測(cè)呈明顯負(fù)偏差，O3峰值預(yù)測(cè)不足，NO2預(yù)測(cè)整體偏低，均以24 h預(yù)報(bào)趨勢(shì)性最好，但負(fù)偏差最突出；

(4) 預(yù)報(bào)偏差一方面與模型訓(xùn)練歷史數(shù)據(jù)不足有關(guān)，另一方面由于模型未能考慮大氣化學(xué)轉(zhuǎn)化、污染源排放變化以及區(qū)域傳輸過(guò)程導(dǎo)致。建議不斷補(bǔ)充訓(xùn)練數(shù)據(jù)，優(yōu)化模型算法，通過(guò)統(tǒng)計(jì)學(xué)校正和多模式集合預(yù)報(bào)手段，降低模型預(yù)測(cè)的不確定性。

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

[2] DENG X J， TIE X X， WU D， et al. Long-term trend of visibility and its characterizations in the Pearl River Delta (PRD) region， China[J]. Atmospheric Environment， 2008， 42(7)：1424-1435.

[3] FU Q Y， ZHUANG G S， WANG J， et al. Mechanism of formation of the heaviest pollution episode ever recorded in the Yangtze River Delta， China[J]. Atmospheric Environment， 2008， 42(9)：2023-2036.

[4] ZHAO P S， ZHANG X L， XU X F. Long-term visibility trends and characteristics in the region of Beijing， Tianjin， and Hebei， China[J]. Atmospheric Research， 2011， 101(3)：711-718.

[5] 周敏，陳長(zhǎng)虹，喬利平，等. 2013年1月中國(guó)中東部大氣重污染期間上海顆粒物的污染特征[J]. 環(huán)境科學(xué)學(xué)報(bào)， 2013， 33(11)：3118-3126.

[6] 解淑艷，劉冰，李健軍. 全國(guó)環(huán)境空氣質(zhì)量數(shù)值預(yù)報(bào)預(yù)警系統(tǒng)建立探析[J]. 環(huán)境監(jiān)控與預(yù)警， 2013， 5(4)：1-3，21.

[7] HOOYLBERGHS J， MENSINK C， DUMONT G， et al. A neural network forecast for daily average PM10concentrations in Belgium[J]. Atmospheric Environment， 2005， 39(18)： 3279-3289.

[8] JANSSEN S， DUMONT G， FIERENS F， et al. Spatial interpolation of air pollution measurements using CORINE land cover data[J]. Atmospheric Environment， 2008， 42(20)： 4884-4903.

[9] JANSSEN S， DUMONT G， FIERENS F， et al. Land use to characterize spatial representativeness of air quality monitoring stations and its relevance for model validation[J]. Atmospheric Environment， 2012， 59： 492-500.

[10] 王淑瑩，許榮，尹翠芳，等. 基于OPAQ的城市空氣質(zhì)量預(yù)報(bào)系統(tǒng)研究[J]. 中國(guó)環(huán)境監(jiān)測(cè)， 2016， 32(3)：13-20.

[11] BOYLAN J W， RUSSELL A G. PM and light extinction model performance metrics， goals， and criteria for three dimensional air quality models[J]. Atmospheric Environment， 2006， 40(23)： 4946-4959.

[12] 朱莉莉，晏平仲，王自發(fā)，等. 江蘇省級(jí)區(qū)域空氣質(zhì)量數(shù)值預(yù)報(bào)模式效果評(píng)估[J]. 中國(guó)環(huán)境監(jiān)測(cè)， 2015， 31(2)：17-23.

[13] 黃思，唐曉，徐文帥，等. 利用多模式集合和多元線性回歸改進(jìn)北京PM10預(yù)報(bào)[J]. 環(huán)境科學(xué)學(xué)報(bào)， 2015， 35(1)：56-64.

[14] 王占山，李云婷，孫峰，等. 北京市空氣質(zhì)量預(yù)報(bào)體系介紹及紅色預(yù)警支撐[J]. 環(huán)境科技， 2016， 29(2)：38-42.

[15] 王茜，伏晴艷，王自發(fā)，等. 集合數(shù)值預(yù)報(bào)系統(tǒng)在上海市空氣質(zhì)量預(yù)測(cè)預(yù)報(bào)中的應(yīng)用研究[J].環(huán)境監(jiān)控與預(yù)警， 2010， 2(4)：5-10，15.

[16] SHEN J， WANG X S， LI J F， et al. Evaluation and intercomparison of ozone simulations by Models-3 /CMAQ and CAMx over the Pearl River Delta[J]. Science China Chemistry， 2011， 54(11)： 1789-1800.

[17] 焦瑞，張金生，李麗華. 大氣中細(xì)顆粒物PM2.5中有機(jī)碳的研究進(jìn)展[J]. 環(huán)境科技， 2013， 26(2)：75-78.

Effect Evaluation of Air Quality Forecast Model based on New Standard in Tianjin

GAO Jing-yun， YANG Ning*， BI Wen-kai， XIAO Zhi-mei， CHEN Kui， LI Yuan

(TianjinEnvironmentalMonitoringCenter，Tianjin300191，China)

Based on the comparison of environmental air quality monitoring data in 2015， the effect of OPAQ air quality statistical forecast model in Tianjin was evaluated. The results showed that the prediction of AQI and PM2.5， PM10， O3， NO2concentrations were in good agreement with the monitoring data， and the correlation coefficient was higher with the prediction time nearer.The correlation coefficientrof 24-hour forecast all reached more than 0.8. The prediction performance of PM2.5was better than that of PM10， O3and NO2， with a minor positive deviation than the average value， but the forecast value of heavy pollution was 15% lower. The predictions of O3and NO2were significantly negatively deviated， with O3peak value prediction underestimated and NO2prediction value low. The 24-hour forecast had the best tendency but the negative bias was the most prominent.

Tianjin；Air quality forecast；OPAQ model；Effect evaluation

2016-06-25；

2016-08-16

國(guó)家科技支撐計(jì)劃基金資助項(xiàng)目(2014BAC23B01)；天津市重大科技專項(xiàng)基金資助項(xiàng)目(14ZCDGSF00027)

高璟赟(1985—)，女，工程師，碩士，主要從事大氣環(huán)境監(jiān)測(cè)和空氣質(zhì)量預(yù)報(bào)工作。

X823

B

1674-6732(2016)06-0009-06