《表2 京津冀实时逐月霾污染预测模型的性能指标》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《近几年我国霾污染实时季节预测概要》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:年际增量指标:RMSE/MAE是均方根误差/绝对误差；LCC是年际增量预测和观测的相关系数；EV是解释方差。距平指标:PSSano是距平同号百分比；LCCano和DCCano分别是相关系数和去趋势后相关系数.

相比而言，由表2可见，12月霾污染预测模型的性能最好，能够解释年际增量46%的变化，均方根误差仅有1.56 d。叠加前一年监测信息后，年际变化异常同号率能达到86%，对长期趋势（相关系数0.71）和年际变化（去除线性趋势后，相关系数0.65）的把握也是比较好的。次年2月的模型性能次之，能够解释年际增量58%的变化，均方根误差仅有1.73 d，年际变化异常同号率为81%。次年1月的模型性仅能解释年际增量37%的变化，均方根误差为2.24 d，但同号率保持在83%。将3个月份的预测结果相加后，即可得到冬季平均的预测结果，不仅优于3个分月的预测性能，而且优于直接用冬季平均霾日数建模的性能。冬季预测结果能够解释年际增量66%的方差。叠加前一年监测信息后，同号率能达到91.7%，对长期趋势（相关系数0.81）和年际变化（去除线性趋势后，相关系数0.77）的把握也是最好的。