《表4 长三角实时逐月霾污染预测模型的性能指标》
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;Bias15和Bias16是对2015和2016年独立预测的误差。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.
从“去一法”交叉检验(1980—2014年)和独立预测实验(2015和2016年)的结果来看,在引入前一年的观测值之后,预测值对霾污染的长期趋势都有比较好的把握能力。同时,模型对霾日数变化的年际-年代际分量也能够成功再现(图7),但略差于对长期趋势的反映能力。具体到每一个月的预测性能(表4),次年2月霾日数预测模型的性能最好,能够解释年际增量54.8%的变化,均方根误差仅有1.76 d,年际变化异常同号率为86.1%,对2015和2016年的独立预测误差分别为-0.44和-2.22 d。12月和1月霾污染的预测模型性能相仿,分别能够解释年际增量47.6%和41%的变化,均方根误差在2 d左右,年际变化异常同号率均在83.3%。但是,1月独立预测检验的误差明显大于12月。与京津冀区域实时逐月霾污染预测模型对比来看,两者的预测性能大体处于相似的水平,均方根误差在2 d左右,对距平符号的捕捉率在80%以上,对霾日数变化的长期趋势(相关系数0.7左右)具有很好的再现能力,能够投入实时预测应用。区别是,京津冀区域实时逐月霾污染预测模型对年际-年代际分量的把握能力(相关系数0.6左右)要优于长三角地区的预测模型(相关系数0.5左右)。
图表编号 | XD0038393800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.28 |
作者 | 尹志聪、王会军、段明铿 |
绘制单位 | 南京信息工程大学气象灾害预报预警与评估协同创新中心、气象灾害教育部重点实验室、大气科学学院、中国科学院大气物理研究所竺可桢-南森国际研究中心、南京信息工程大学气象灾害预报预警与评估协同创新中心、气象灾害教育部重点实验室、大气科学学院、中国科学院大气物理研究所竺可桢-南森国际研究中心、南京信息工程大学气象灾害预报预警与评估协同创新中心、气象灾害教育部重点实验室、大气科学学院 |
更多格式 | 高清、无水印(增值服务) |