第4篇 | GRL-2023 | 基于深度学习的地表臭氧污染集合预报和可预报性评估

GRL-2023

基于深度学习的地表臭氧污染集合预报和可预报性评估

1Abstract

目前的空气质量预报系统尚未对天气预报不确定性的影响进行量化。为了解决这个问题，我们利用二维卷积神经网络和天气集合预报，开发了一个高效的二维地表臭氧集合预报系统(2DCNN-SOEF) ，并将该系统应用于中国深圳216小时（即9天）臭氧卷积神经网络预报。

2DCNN-SOEF 展示了与现有运行预报系统相当的性能，并且达到了中国当局要求的空气质量水平预报精度，最长提前144小时（即6天）。天气预报的不确定性在24小时及以后的臭氧预报误差中占38% -54% 。2DCNN-SOEF 使用了“臭氧超标概率”指标，该指标更好地反映了考虑到可能的天气形势范围内的空气污染风险。我们的集合预报框架可以扩展到全球其他与气象有关的环境风险的业务预报，使其成为一个有价值的环境管理工具。

Key Points

• 建立了一个基于深度学习的地面臭氧集合预报系统，以量化可能的天气形势范围内的污染风险(built a deep-learning surface ozone ensemble forecast system to quantify pollution risks given the range of possible weather outcomes)
• 深度学习模型强调天气的空间模式，有效地表示了臭氧与气象之间的关系(Deep-learning models accentuating the spatial patterns of weather effectively represented the ozone-meteorology relationship)
• 深圳 24 小时臭氧预报误差中，天气预报的不确定性贡献了 38%–54%(Weather forecast uncertainties contributed 38%–54% of the ozone forecast errors at 24-hr lead time in Shenzhen)

work flow

• 利用2D卷积神经网络构建深度学习模型
• 通过扰动具有广泛天气-中尺度气象变化的区域空气质量模式WRF-GC，生成了一个大型的训练数据集，并使用了集合预报的思想来量化由天气预报的不确定性导致的臭氧预报的不确定性(WRF-GC is an online coupling of the Weather Research and Forecasting (WRF) meteorological model (v3.9.1.1) (Skamarock et al., 2008, 2019) and the GEOS-Chem chemical transport model (v12.8.2) (Bey et al., 2001).)

model

分白天、黑夜两个模型是为了分别考虑白天光化学和夜间边界层动力学对地表臭氧浓度的影响。

data

用了回报和预报以及不同来源的数据，增强模型的普适性

some results

1）WRF-GC模型模拟的臭氧-气象关系评估及其在2DCNN中的表现

模式和观测较为一致

模式和观测较为一致

DL模型与模式较为一致

测试改变单个输入因子对模型的影响

2DCNN模型很好的捕捉了臭氧-气象的关系

2）2DCNN-表面臭氧集合预报 (2DCNN-SOEF) 的性能

DL模型集合预报的指标

3）受气象预报不确定性限制的地表臭氧浓度的可预测性

用“臭氧超标概率”来表示臭氧污染预报的气象不确定性(即预测地表臭氧超标的集合成员的百分比)。

将不确定性拆解为两部分

2Citation

Zhang, A., Fu, T.-M., Feng, X., Guo, J., Liu, C., Chen, J., et al. (2023). Deep learning-based ensemble forecasts and predictability assessments for surface ozone pollution. Geophysical Research Letters, 50, e2022GL102611.

3Download

https://agupubs.onlinelibrary.wiley.com/doi/epdf/10.1029/2022GL102611

4About GRL