目前，我国有143个国家基准气候站和577个基本气象站进行总云量、低云量的人工观测。气象站人工观测资料为全年每日8次总云量、低云量资料^[7]。

环境保护部环境工程评估中心已通过卫星遥感技术获取到总云量数据。卫星观测总云量（cloud total amount retrieved by satellite, CTAS）以多颗卫星反演结果为基础，基于大气辐射传输理论，在平行大气、单一云层的假设下，利用卫星的可见光及红外通道，进行总云量估算。总云量估算算法由晴空像元辐射值、全云像元辐射值获取以及总云量估算3部分组成。经过数据校核、多星数据融合、地面视角云量模拟和时序空缺插值等处理，生成全国189×159个网格（分辨率27 km×27 km）的逐小时数据。卫星遥感数据反演结果为全年每日逐时总云量资料^[8]。

采用导则推荐的AERMOD模式对不同云量数据进行研究，即运用AERMOD模式，针对不同云量数据，计算受污染源影响的评价区域内各敏感点的小时、日均和年均最大浓度值，并对预测结果进行统计学分析检验^[9-11]。

点源排放的大气污染物主要为SO₂，源强参数见表1。根据《环境空气质量标准：GB 3095—2012》^[12]确定SO₂的1 h平均浓度限值为0.5 mg/m³。

定义距离点源所在地38.30 km的基本站全部气象数据为标准情景，标准情景地面气象数据包括基本站观测得到的风向、风速、总云量、低云量和干球温度，共计5项。

为研究不同云量数据对点源污染物大气扩散预测结果的影响，控制地面气象数据中的风向、风速和干球温度3项数据不变，用不同云量数据替换标准情景云量数据，共设置2种对比方案，参考文献[13-14]具体方案设置如下。

（1）方案1：地面数据包括距点源所在地21.80 km的卫星反演总云量1项，基本站的风向、风速、干球温度3项，低云量数据缺失；

（2）方案2：地面数据包括距点源所在地53.46 km的基准站的总云量、低云量2项，基本站的风向、风速、干球温度3项。

标准情景与2个对比方案的总云量、低云量数据分布情况见图1和图2。

图1和2可见，方案2的总云量、低云量数据分布情况与标准情景较为符合，方案1总云量数据与标准情景符合度较差。

预测区域以点源所在位置为基准点，预测范围为10 km×6.6 km。为分析各方案替代标准情景的可行性，需对同一点位的浓度预测值与标准情景值进行比较，并进行差异性分析。因此，拟在区域下风向选取8个关心点，距离点源分别0.5 km（P1）、1.0 km（P2）、1.5 km（P3）、2.0 km（P4）、2.5 km（P5）、3.0 km（P6）、3.5 km（P7）和4.0 km（P8）。考虑点源所在地全年主导风向为东北风，点源所在地西南部地形高差明显，确定8个关心点呈西南-东北方向布设。各关心点与大气污染点源位置关系见图2。

利用AERMOD模式预测污染物浓度时不考虑建筑物下洗、化学衰变、化学转化及干湿沉降作用。预测内容为：在SO₂排放源强、地形数据和高空气象数据不变的情况下，预测各关心点SO₂最大地面小时浓度、最大地面日均浓度和最大地面年均浓度。

利用误差和相对误差、相关性分析法等统计方法进行两对比方案与标准情景的SO₂地面浓度预测结果比较分析。

误差是对比方案预测值与标准情景预测值之间的差，见式（1）。

式（1）中，e为对比方案与标准情景间SO₂地面预测浓度值的误差；P为对比方案SO₂地面预测浓度值；O为标准情景SO₂地面预测浓度值。

相对误差是各对比方案预测值的绝对误差与标准情景预测值的比率，常用百分数表示。相对误差在一定程度上比误差能更好地反映出各对比方案与标准情景地面浓度预测值的接近程度。参考国世友^[15]对相对误差的相关规定，规定中各方案情景SO₂最大地面浓度预测值的相对误差e_r在25%以内，认为预测结果接近实际情况，见式（2）。

利用SPSS19.0对预测结果进行处理，计算得出相关系数r进行相关性分析。r>0代表两变量正相关，r<0代表两变量负相关；|r|≥0.8时，可以认为两变量间高度相关；0.8<|r|≥0.5时，可以认为两变量中度相关；0.5<|r|≥0.3时，可以认为两变量低度相关；|r|<0.3说明相关程度弱，基本不相关^[16]。

参考文献[15]的研究方法，用符合度d结合均方差MSE来检验对比情景的浓度预测值与标准情景值的一致性。d值在0.0与1.0之间，越接近于1，均方误差MSE越小，说明预测的对比气象情景值与标准情景值越符合，d=1表明对比情景值与标准情景值完全吻合。

符合度指数d由下式定义：

均方误差MSE由式（6）描述。

式（6）中，n为实测点总数；P_i为对比情景点的预测浓度；O_i为标准情景点的浓度；$\bar O$为标准情景点的浓度平均值。

通过一系列点的预测值分析符合度，对比情景值与标准情景值的相符程度在80%以上为优秀，符合程度在60%以上为良好，在40%以上认为是基本可信。

运用AERMOD模式分别计算点源在标准情景和两对比方案下SO₂的小时值、日均值、年均值落地浓度，参考[17]的分析方法，统计分析两对比方案预测值与标准情景值的误差、相对误差、相关性和符合性。具体试验结果，统计见表2和图3～5。

表2和图3分析可知，与方案1相比，方案2预测值和标准情景值之间的相关系数r和符合度d更接近1，均方误差MSE更接近0.0。图4和图5分析可知，方案1以正偏差为主，方案2以负偏差为主，两方案与标准情景的小时均值浓度偏差较接近，方案1的日均值浓度、年均值浓度偏差量大于方案2。

图4和图5可见，方案2与标准情景的云量数据符合度和预测结果符合度均更好，即利用距离污染源大于50 km的基准站云量代替基本站云量数据进行点源污染物大气扩散预测，预测结果优于利用卫星反演总云量数据的预测结果。

李传丰等^[18]的研究成果表明，在不考虑沉降的时候，众多地表气象参数中，只有低云量、干球温度、站点压力以及风速影响边界层参数影响模型运算结果，其他参数并不影响模型运算结果。其中，AERMOD模型在考虑低云量对边界层参数的影响时，不稳定条件和稳定条件下影响机制不同，具体估算机制如下。

1）不稳定条件下边界层参数的估算^[19]。从地表能量平衡开始，显热通量可用每一小时的净辐射和波文率来计算。净辐射通过太阳辐射、气温和不透明云量（低云）进行计算。如果没有太阳辐射实测值，则用云量、地表温度、波文率和正午反照率来计算。通常有云量时，总入射的太阳辐射R可用Kasten和Czeplak（1980）方法估算见式（7）。

式（7）中，R₀为晴天地面总太阳辐射；n为低云量；b₁、b₂为经验系数，设为−0.75和3.4（Holtslag和van Ulden，1983）。

则净辐射R_n可参数化为温度和云量的函数：

式中，σ_SB为Stefan-Boltzmann常数，σ_SB=5.67×10⁻⁸W/（m²·K⁴）；c₁、c₂、c₃为经验系数，分别为：c₁=5.31×10⁻¹³W/（m²·K⁶），c₂=60 W/m²，c₃=0.12；r（φ）为地表反照率与太阳高度角（φ）的函数；I_N为地表的净长波辐射；T为环境温度；N为低云量。

计算出热通量以后，即可采用迭代法计算出对流边界层（CBL）的地表摩擦速度u^*、莫尼霍夫长度L等其余边界层参数。

2）稳定条件下边界层参数的估算。地表摩擦速度u^*和温度尺度θ_*，可用云量、风速和气温来计算，反过来计算结果可用来计算热通量。其中，温度尺度θ_*（K）的计算公式为：

式（10）中，n为低云量。

因此，低云量是影响地面接收太阳辐射的关键性参数，对于区域污染物的扩散有很大的影响，尤其是在小静风条件下影响更为突出。同时，刘瑞霞等^[20]的研究成果表明：在由卫星接收的辐射值到总云量的计算过程中，受定标、定位和云检测等很多算法精度的影响，引入误差是难以避免的。由于卫星反演的云量数据仅为总云量数据，无法区分总云量和低云量，同时卫星反演总云量数据过程中存在算法精度的影响，导致方案1预测值和标准情景值间的相关性和符合度较差。

1）设置了1种标准情景，同时设置2种对比方案进行对比，分别利用卫星反演总云量代替标准情景云量、50 km外基准站云量代替标准情景云量进行点源污染物大气扩散预测。在SO₂排放源强、地形数据和高空气象数据不变的情况下，利用AERMOD模式预测不同情景下SO₂地面浓度，进而对不同对比方案代替标准情景的可能性进行分析研究。研究发现，方案2预测值和标准情景值之间相关系数r和符合度d更接近1，均方误差MSE更接近0.0。因此，利用距离污染源较近的基准站云量代替基本站云量数据进行点源污染物大气扩散预测，预测结果优于利用卫星反演总云量数据的预测结果。

2）卫星反演的云量数据仅为区域总云量数据，无法区分总云量和低云量，而低云量在小静风条件下对地面接收太阳辐射的影响较为突出。因此，利用卫星反演总云量数据代替标准情景云量数据，预测结果的相关性和符合度较差。

3）通过研究可知，当距离项目较近的地面一般气象观测站缺少云量数据时，利用距离项目较近的气象站（基准站或基本站）云量数据或卫星反演总云量数据能填补云量数据缺失的空白，且大气环境影响预测的结果可信。同时，相比于卫星反演的云量数据，利用气象站（基准站或基本站）云量数据预测出的结果的相关性和符合度更好。