引言

近年来，随着工业经济的发展和城市范围的扩大，北京的气候、大气环境(空气质量)和大气能见度也在不断发生变化，大气能见度及城市空气污染问题日益受到关注(王淑英等，2003；赵秀娟等，2016)。目前能见度预报业务不管是依赖于主观经验分析预测，还是回归建模，或是数值预报产品释用(吴彬贵等，2017)，预报效果及业务化程度均不理想，对大气能见度的预报研究仍然是近年来气象预报中的一个难点和热点(李沛等，2012；夏冬等，2014；周须文等，2014；倪江波等，2015；周广强等，2016；侯梦玲等，2017；夏凡和李昌义，2018)。北京市气象局基于北京地区快速更新循环同化预报系统、WRF-CHEM模式和优选的能见度参数化方案，建立了北京区域环境气象数值预报系统(RMAPS-CHEM)，该系统集空气质量、能见度和气象要素预报为一体，可提供环境气象预报所需的多种要素参考。其优势在于它是一个在线的、全耦合的包括多尺度、多过程的模式系统，既包含了大气化学过程，又避免了由离线模式引起的空气质量模拟误差。

根据全国智能网格气象预报业务发展有关要求，北京市气象台依托智能化无缝隙格点分析预报系统(Integrated Grid Analysis Prediction Systems，iGrAPS)建设，初步建立0~10 d智能网格预报产品体系，实现站点和格点一体化业务运行，并正式发布智能网格预报。目前，iGrAPS可以提供0~10 d空间分辨率达1 km的智能网格预报，最高时间分辨率为1 h(0~24 h：1 h，24~240 h：3 h)，预报要素包括天气现象、降水量、气温、风、相对湿度、能见度等共20种。RMAPS-CHEM虽然能对京津冀及周边地区能见度进行预报，但其预报准确度以及时空分辨率尚不足以满足精细化预报需求。为了满足北京iGrAPS应用需求，提供北京地区高时空分辨率的能见度格点预报产品，本研究基于RMAPS-CHEM模式0~96 h空间分辨率为3 km的逐小时能见度预报产品，以2016年数据为样本，考虑不同区域、不同时效、不同级别预报误差的不同，对各站点模式预报结果与观测进行比较和分时段逐级订正，并以2017年结果为检验，评估其预报效果，提供0~96 h时段内的高时空分辨率能见度网格预报产品(96~240 h能见度基于欧洲中心EC模式的输出采用多元动态统计模型预报方法，本文中不作介绍)，从而进一步为雾、霾等低能见度天气现象的预报提供支撑。

1 数据和方法 1.1 模型、数据介绍

新一代快速更新多尺度资料分析和预报系统(RMAPS)的化学子系统(RMAPS-CHEM)，在北京区域环境气象数值预报系统BREMPS V1.0的基础上建立而成，是以WRF-CHEM V3.3.1为积分主模式(Grell et al, 2005)，由RMAPS-ST提供气象预报场。由于其在线耦合运行模式可同步计算物理和化学过程，从而可有效减少由于时间和空间插值造成的误差。其采用Lambert地图投影方式，预报范围覆盖华北大部分地区，空间分辨率为9 km，同时还嵌套有3 km分辨率内层，覆盖京津冀地区，垂直方向分为30层，最低层中间高度距地面约18 m，1500 m以下13层，模式层顶为50 hPa。系统已经正式通过中国气象局业务准入，实现业务运行。

RMAPS-ST系统是北京市气象局基于WRF模式和WRFDA三维变分同化模块构建而成，在同化了大量常规气象观测资料、GPS水汽和飞机观测的气象数据基础上，进一步同化了华北地区6部多普勒天气雷达的径向风速度和反射率因子资料，采用新的陆面参数化方案，提高了对华北地区气象要素场的能力(陈敏等，2011；魏东等，2011；刘梦娟和陈敏，2014；闵晶晶，2014)，从而为RMAPS-CHEM提供更好的气象背景场，提高其对污染物时空演变的预报能力。RMAPS-CHEM系统选用的主要物理、化学过程方案设置：积云对流参数化方案采用Grell-3d方案，微物理过程采用WSM6显式方案，RRTM长波辐射方案，Goddard短波辐射方案，边界层方案为YSU方案，模式陆面过程采用Noah参数化方案。气相化学过程采用CBMZ方案(Zaveri and Peters, 1999)，光解过程由Fast-J方法在线计算(Wild et al, 2000)，气溶胶过程采用分档分类的MOSAIC模型(Zaveri et al, 2008)。

为了满足业务应用计算简单但精度高的需求，对于能见度的计算，通过调研、对比北京及周边地区的研究成果，选用Chen et al(2012)在天津武清地区通过野外试验观测建立的能见度参数化方案。该方法通过建立气溶胶消光系数与粒径分布之间的定量关系，在获得分粒径气溶胶吸湿增长函数变化的基础上，拟合得到PM_1.0以下的全谱气溶胶吸湿增长参数化方案(赵秀娟等，2019)，具体计算公式此处不作详细介绍。

1.2 订正方法

北京区域共设有20个国家级观测站(分布如图 1所示)，可以对能见度进行观测，而近年来由于观测技术的进步，20个站均已实现了能见度的自动观测。本研究首先下载2016—2017年20个站逐小时能见度自动观测数据，并对数据进行处理(将缺少数据和不合理值赋为缺省等)。同时获取RMAPS-CHEM模式2016—2017年能见度预报结果，其空间分辨率为3 km×3 km，每日20时起报，时效为4 d(0~96 h，00时对应20时实况，1~96 h对应1~4 d)，时间分辨率为1 h，并按就近原则提取20个观测站所在格点的能见度值。本研究选取2016年数据作为样本进行统计分析，订正2017年数据，并检验其效果。具体订正方案如图 2所示，考虑到不同站点特征不同，不同时效的误差不同，不同级别能见度的模拟误差也不同，因此分站点、分时效、分级别订正。本研究中具体分为20个站分别订正，时效分为24、48、72和96 h，能见度分级参考霾等级标准划分为四个级别：0~2、2~5、5~10 km和10 km以上。分别提取各站点、各时效、各级别模拟值与观测值，建立样本，假设二者之间为线性关系，建立统计模型y=Ax+B，其中y为订正后的能见度值，x为模式预报值，A和B为拟合系数，通过统计分析得到各站点、各时效、各级别能见度观测值与预报值间的拟合系数。并将统计关系用于2017年模拟数据，并进行检验，本研究中选用平均偏差(MBE)和均方根误差(RMSE)2个统计量以及预报准确率作为检验标准，其公式如下所示。

$ MBE = \frac{{\sum\limits_{i = 1}^N {\left({{x_i} - ob{s_i}} \right)} }}{N} $

(1)

$ RMSE = \sqrt {\frac{{\sum\limits_{i = 1}^N {{{\left({{x_i} - ob{s_i}} \right)}^2}} }}{N}} $

(2)

式中:x_i和obs_i分别表示第i时刻的预报值和对应的观测值。

2 结果与讨论 2.1 模式检验

图 3给出了24 h时效RMAPS-CHEM预报的北京地区2016年月平均能见度分布。由图可见，在空间分布上全年基本一致的表现为东部、南部能见度较低，西部、北部能见度较高的分布格局，这与北京的地理、气候特征有关。北京地势西北高、东南低，西部和北部为连绵不断的群山，东南部为一片缓缓向渤海湾倾斜的平原。东南部地区是人们生活、生产、交通相对集中的地区, 人为活动所产生的排放物，使大气中的气溶胶粒子不断增多，降低了城市大气能见度；同时由于气溶胶粒子增加，又为城市雾、降水的增多提供了有利条件，从而又影响了能见度，再加上地形造成的局地环流偏南风出现频率在一天中较其他地区要高，这样有利于周边城市污染物向北京地区输送，它们共同作用的结果使得该地区成为低能见度的高发区。而因北部、西部地区人口密度相对较低，东北部为密云水库，地势开阔；另外，官厅水库三峡河谷、八达岭、昌平风口等自然环境所形成的气象条件(即偏北风频率高)，且风速较大，因而发生低能见度的概率较少(赵习方等，2002)。因此，整体而言北京地区低能见度表现为由西北向东南递减的区域分布格局，这是与实况相符合的。从时间变化上来看，冬季能见度明显低于其他季节，这与北京地区冬季雾-霾多发密切相关。

图 4给出了北京地区20个国家级观测站2016年月平均能见度预报值与观测值的时间序列，通过对比可以看出预报值与观测值在月变化趋势上较为一致，但在量值上存在较大差异。对于高海拔地区，如佛爷顶、汤河口、上甸子观测站，存在较大的高估现象，而对于南部丰台、大兴、房山等观测站，虽然量值较为接近，但仍存在一定偏差，尤其是对于低能见度模拟偏高，这是由于目前模式对雾-霾期间的气溶胶浓度模拟偏低且对高相对湿度模拟偏干造成的(Wang et al，2012；2018)。另外，模式预报的能见度最大值为100 km，这与观测值的上限并不一致，在订正时需进行处理。

2.2 订正结果

提取各站点、各时效、各级别预报值与观测值，建立样本，假设二者之间为线性关系，通过建立统计模型，得到各站点、各时效、各级别能见度观测值与预报值间的拟合系数A和B。由于观测能见度一般设定35 km为上限，为方便比较，模式预报能见度高于35 km的统一设定为35 km。其中，以观象台为例，各系数如表 1所示。

图 5以观象台2017年1月为例，给出了观测能见度与预报值的逐日变化。可以看出，不管是24、48、72还是96 h时效，订正前和订正后的能见度均可以很好地反映出与观测能见度一致的趋势，但在数值和量级上存在偏差。图 6给出了观象台2017年1月观测能见度与预报值之间的平均偏差(MBE)和均方根误差(RMSE)，表 2统计了观象台2017年1月不同时段能见度分级预报准确率。对比可发现，不管订正前还是订正后，短时时效的能见度预报的MBE和RMSE总是低于更长时效的预报结果，因此，总体来看，短时时效能见度预报结果总是优于更长时效的预报结果。对于能见度大于10 km的情况，RMAPS-CHEM预报的准确率可达到80%，对于低于10 km的情况，预报准确率接近60%，随着能见度降低，准确率逐级下降。以24 h时效为例，2017年1月北京观象台站能见度订正后，MBE及RMSE都有所降低，MBE由2.71 km降为0.88 km，RMSE由16.79 km降为8.26 km。0~24 h分级预报准确率也均有所提高，0~2 km级别内准确率由0.38增至0.41，2~5 km级别内准确率由0.45增至0.51，5~10 km级别内准确率由0.58增至0.67，10~35 km级别内准确率由0.83增至0.84。值得注意的是，由于偏差订正很大程度上依赖于原模式预报结果，因此虽然订正后结果有一定改进，但数值上差异并不太大，改进能力仍然有限。

2.3 典型个例分析

2017年1月1—7日，北京地区高空为偏西气流控制，无明显冷空气活动，地面多偏南风，同时低层有明显的逆温，近地面层湿度大并长时间维持，风速小，不利于污染物的扩散。由于高低空形势场较为稳定，北京地区出现了持续低能见度天气，尤其是北京南部区域。图 7显示了2日21时至3日08时观象台、房山、大兴、通州四站的小时能见度，进一步对该时段的能见度预报进行检验。可以看出，订正前预报值虽也能反映该时段能见度低，但数值和级别上仍存在一定偏差，通过订正预报能见度可以很好地与观测值匹配，平均偏差大大降低，观象台、房山、大兴、通州四站的能见度平均偏差分别由0.88、0.83、1.03、0.98 km降到-0.02、0.02、0.16、0.11 km，订正后的结果可以更好、更准确地反映该时段的能见度情况。

2.4 全年应用分析

为了进一步对上述订正方法进行检验，将该订正方法应用于北京20个国家级观测站2017年全年的能见度预报。图 8给出各站24 h时效全年能见度预报的统计结果。可以看出，通过订正各站能见度平均偏差和均方根误差均有所降低，不仅可以降低对高海拔站能见度的高估，也可以改进对平原地区能见度的预报。

通过检验，上述订正方法可以改进模式对能见度的预报结果。因此将上述订正方法对每个时次的空间分辨率为3 km格点结果进行应用，这里将各观测站的拟合系数作为其所在区域所有格点的订正系数对原预报结果进行订正。由于克里金插值方法考虑了空间属性的变异分布，可以有效地消除由于采样不均匀造成的误差，使结果更符合实际要求(姜江等，2019)，这里采用克里金插值方法对空间结果进行插值，得到空间分辨率为1 km的能见度格点预报产品，以满足iGrAPS平台使用要求。图 9以24 h时效2017年1月平均值为例，给出了订正后格点产品示例。

3 结论

为了满足北京iGrAPS无缝隙智能网格预报分析系统应用需求，提供北京地区高时空分辨率的能见度格点预报产品，本研究基于RMAPS-CHEM空间分辨率为3 km的逐小时能见度预报产品考虑到不同区域、不同时效及不同级别的预报误差不同，对北京各站点能见度观测值与模式预报结果进行比较，进行分时段逐级偏差订正，以2016年数据为样本，以2017年数据为检验，主要结论如下：

(1) 总体来看，无论订正前后，短时时效能见度预报结果总是优于更长时效的预报结果。对于能见度大于10 km的情况，RMAPS-CHEM预报的准确率可达到80%，对于低于10 km的情况，预报准确率接近60%，随着能见度降低，准确率逐级下降。

(2) 该订正方案对2017年能见度预报有较好的订正效果，以24 h时效为例，2017年1月北京观象台站能见度订正后，MBE及RMSE都有所降低，MBE由2.71 km下降为0.88 km，RMSE由16.79 km下降为8.26 km，0~24 h分级预报准确率也均有所提高。

(3) 进一步对2017年1月1—7日低能见度个例进行分析，发现订正后，观象台、房山、大兴、通州南部四个站点的模式预报可以更好、更准确地反映该时段的能见度情况，更接近于观测值。

对优化后结果进行克里金插值，并应用于北京iGrAPS无缝隙智能网格预报分析系统，得到北京地区1 km空间分辨率的0~96 h时效能见度预报产品，从而为雾、霾等低能见度天气现象的预报提供支撑。值得注意的是，虽然偏差订正可以在一定程度上改进原模式对能见度的预报，但由于结果仍然依赖于模式性能，改进能力仍然有限。因此今后仍需在能见度参数化方案方面进行进一步研究。

致谢：本研究工作得到中国气象局北京城市气象研究院徐敬高级工程师的大力支持，在此表示感谢。