[論文レビュー] Calibrating the CAMS European multi-model air quality forecasts for regional air pollution monitoring

Gabriele Casciaro, Mattia Cavaiola+1 more|arXiv (Cornell University)|Jan 31, 2022

Air Quality Monitoring and Forecasting参考文献 31被引用数 29

ひとこと要約

本研究では、イタリアのリグーリア地方におけるPM10、PM2.5、O3、NO2、COのCAMS複数モデル大気質予報を改善するため、アンサンブルモデル出力統計（EMOS）を用いた動的キャリブレーション戦略（D-EMOS+4r）を開発した。リアルタイム観測データを統合することで、生のCAMS予報および高分解能モデルよりも顕著に優れた性能を発揮し、信頼性の高い不確実性推定を提供する。これにより、地域的大気汚染の早期警戒システムが強化される。

ABSTRACT

The CAMS air quality multi-model forecasts have been assessed and calibrated for PM10, PM2.5, O3, NO2, and CO against observations collected by the Regional Monitoring Network of the Liguria region (northwestern Italy) in the years 2019 and 2020. The calibration strategy used in the present work has its roots in the well-established Ensemble Model Output Statistics (EMOS) through which a raw ensemble forecast can be accurately transformed into a predictive probability density function, with a simultaneous correction of biases and dispersion errors. The strategy also provides a calibrated forecast of model uncertainties. As a result of our analysis, the key role of pollutant real-time observations to be ingested in the calibration strategy clearly emerge especially in the shorter look-ahead forecast hours. Our dynamic calibration strategy turns out to be superior with respect to its analogous where real-time data are not taken into account. The best calibration strategy we have identified makes the CAMS multi-model forecast system more reliable than other raw air quality models running at higher spatial resolution which exploit more detailed information from inventory emission. We expect positive impacts of our research for identifying and set up reliable and economic air pollution early warning systems.

研究の動機と目的

• イタリアのリグーリアにおける地域的大気汚染監視のため、CAMS複数モデル大気質予報の精度と信頼性を向上させること。
• リアルタイム観測データを用いた動的キャリブレーションが、静的または観測なしの戦略と比較して予報性能を向上させるかどうかを評価すること。
• より詳細な排出量インventryを用いる高分解能・高排出量インベントリモデルと比較して、CAMS複数モデル予報がどの程度の追加価値を提供するかを評価すること。
• 点予報の改善に加え、信頼性のある確率的不確実性推定を提供するキャリブレーションシステムを開発すること。
• 統計的後処理を用いて、費用対効果が高く信頼性の高い大気汚染早期警戒システムの設計を支援すること。

提案手法

• 生のCAMSアンサンブル予報を、予測確率密度関数に変換するため、アンサンブルモデル出力統計（EMOS）に基づく動的キャリブレーション戦略であるD-EMOS+4rの適用。
• 2019年から2020年のリグーリア地域監視ネットワークの過去観測データを用いてキャリブレーションモデルを訓練し、各予報ステップでリアルタイム観測データを統合。
• EMOSによる時変化するバイアス補正および分散誤差補正の統合により、予報の信頼性と鋭さを確保。
• 予報のキャリブレーションおよび信頼性の評価に、確率積分変換（PIT）および検証順位（VR）ヒストグラムの使用。
• 生の予報とキャリブレーション済み予報を、パーシステンスおよび高分解能モデルと比較する定量的指標として、対称化されたスコア（SS）および標準誤差インデックス（NMAE、NBI、HH、C、∆）の使用。
• 個々のCAMSモデルメンバーおよびアンサンブル中央値／平均の評価により、キャリブレーションシステムの性能をベンチマーク化。

実験結果

リサーチクエスチョン

• RQ1 リグーリアのような複雑な地形的要因を有する地域において、動的キャリブレーション戦略がCAMS複数モデル大気質予報の信頼性および精度を顕著に向上させることができるか？
• RQ2 キャリブレーションプロセス中にリアルタイム観測データを統合することで、特に短リードタイム予報において測定可能な性能向上が達成されるか？
• RQ3 より詳細な排出量インベントリを用いる高分解能モデルと比較して、キャリブレーション済みCAMSシステムのスキルはどの程度か？
• RQ4 キャリブレーション手法が同時にバイアスを是正し、モデル不確実性の信頼性のある確率的予報を提供できるか？
• RQ5 動的キャリブレーションが、CAMS予報の運用的汚染早期警戒システムにおける有用性をどの程度向上させるか？

主な発見

• D-EMOS+4rの動的キャリブレーション戦略は、生のCAMS予報およびパーシステンスを著しく上回り、特に予報開始後24時間以内に顕著な優位性を示す。
• キャリブレーション済みCAMS予報は、より詳細な排出量インベントリを用いる生の高分解能モデルを上回るスキルを達成しており、適切にキャリブレーションされた場合に、複数モデルアンサンブルアプローチの本質的強みが顕在化することを示している。
• リアルタイム観測データはキャリブレーションプロセスにおいて極めて重要な役割を果たし、特に短リードタイム予報において明確な追加価値を提供する。これにより、バイアス補正および不確実性推定の精度が向上する。
• キャリブレーション済みシステムは、良好にキャリブレーションされた確率的予報を提供しており、PITヒストограмが一様性を示し、信頼性インデックス∆がほぼゼロに近いことから、予報のキャリブレーションが確認された。
• 対称化されたスコア（SS）分析により、キャリブレーション済みCAMSシステムが、パーシステンスおよび生の高分解能モデルを上回るSS > 1を達成していることが確認され、優れた性能を示している。
• 本研究では、リグーリアにおける新しい運用型大気質予測システムを確立し、統計的後処理を用いた費用対効果が高く信頼性の高い早期警戒システムの実現可能性を示した。