《表4 长三角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；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）。