[论文解读] 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 29

一句话总结

本研究提出一种基于集合模型输出统计（EMOS）的动态校准策略（D-EMOS+4r），以提升意大利利古里亚大区CAMS多模式空气质量预报在PM10、PM2.5、O3、NO2和CO方面的性能。通过整合实时观测数据，经校准的预报显著优于原始CAMS模型及更高分辨率模型，同时提供可靠的不确定性估计，从而增强区域空气污染的早期预警能力。

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.

研究动机与目标

• 提升CAMS多模式空气质量预报在意大利利古里亚大区区域空气污染监测中的准确性与可靠性。
• 评估基于实时观测的动态校准是否相较于静态或无观测策略能显著提升预报性能。
• 评估CAMS多模式预报相较于更高分辨率、更高排放清单模型的附加价值。
• 开发一种校准系统，不仅提供改进的点预测，还提供可靠的概率不确定性估计。
• 通过统计后处理支持设计成本效益高、可靠的空气污染早期预警系统。

提出的方法

• 应用基于集合模型输出统计（EMOS）的动态校准策略D-EMOS+4r，将原始CAMS集合预报转化为校准后的预测概率密度函数。
• 利用利古里亚大区监测网络（2019–2020年）的历史观测数据训练校准模型，并在每个预报步骤中实时摄入观测数据。
• 通过EMOS实现时变偏差校正与离散误差调整，确保预报的可靠性与精确性。
• 采用概率积分变换（PIT）和验证分位数（VR）直方图评估预报校准程度与可靠性。
• 采用对称化技能评分（SS）及标准误差指标（NMAE、NBI、HH、C、∆）定量比较原始预报与校准预报相对于持续性模型及更高分辨率模型的表现。
• 评估CAMS各单个模型成员及集合中位数/均值，以基准校准系统性能。

实验结果

研究问题

• RQ1 在利古里亚这类复杂地形区域，动态校准策略是否能显著提升CAMS多模式空气质量预报的可靠性与准确性？
• RQ2 在校准过程中整合实时观测数据是否能带来可测量的性能提升，特别是在短提前期预报中？
• RQ3 经校准的CAMS系统在预报技能上相较于依赖更详细排放清单的更高分辨率原始模型表现如何？
• RQ4 该校准方法能否同时校正偏差并提供可靠的模型不确定性概率预报？
• RQ5 动态校准在多大程度上提升了CAMS预报在操作性空气污染早期预警系统中的实用性？

主要发现

• D-EMOS+4r动态校准策略在前24小时预报期内显著优于原始CAMS预报与持续性预报，尤其在短时预报中表现突出。
• 经校准的CAMS预报在技能上超过依赖更详细排放清单的更高分辨率原始模型，表明当正确校准时，多模式集合方法具有内在优势。
• 实时观测在校准过程中发挥关键作用，尤其在短提前期预报中，显著提升了偏差校正与不确定性估计的性能，体现出明确的附加价值。
• 校准系统提供校准良好的概率预报，PIT直方图显示均匀分布，可靠性指数∆接近零，证实预报具有良好的校准性。
• 对称化技能评分（SS）分析表明，校准后的CAMS系统在关键指标上SS > 1，表明其性能优于持续性预报与原始更高分辨率模型。
• 本研究建立了一套面向利古里亚大区的新操作性空气质量预测系统，证明了通过统计后处理实现成本效益高、高可靠性的早期预警系统的可行性。