廖國蓮，曾 鵬，莫雨淳，鄭鳳琴

(1.廣西氣象臺(tái),南寧 530022；2.廣西氣象災(zāi)害防御技術(shù)中心，南寧 530022；3.廣西氣候中心，南寧 530022)

引 言

精準(zhǔn)的空氣質(zhì)量預(yù)報(bào)是有效應(yīng)對(duì)重污染天氣的重要前提和基礎(chǔ)。目前空氣質(zhì)量預(yù)報(bào)領(lǐng)域使用的模型主要有統(tǒng)計(jì)模型與數(shù)值模式兩類[1]。常用空氣質(zhì)量預(yù)報(bào)統(tǒng)計(jì)模型有回歸模型[2-5]、聚類分析模型[6]、BP神經(jīng)網(wǎng)絡(luò)模型等[7-11]。數(shù)值模式預(yù)報(bào)是定量研究大氣污染問題的一種重要手段[12]，經(jīng)過數(shù)十年的發(fā)展，國內(nèi)外被廣泛應(yīng)用的空氣質(zhì)量模式能夠較好地模擬區(qū)域大氣污染物濃度的時(shí)空分布[13-17]，但由于排放源清單的不確定性及物理過程參數(shù)化和化學(xué)機(jī)制極其復(fù)雜，數(shù)值模式的預(yù)報(bào)誤差仍較大。以CUACE模式為例，何金梅等[18]指出該模式產(chǎn)品對(duì)PM2.5和NO2的等級(jí)預(yù)報(bào)準(zhǔn)確率不足50%。楊關(guān)盈等[19]發(fā)現(xiàn)，CUACE模式對(duì)合肥地區(qū)O3濃度的預(yù)報(bào)值明顯偏大。李曼等[20]指出，當(dāng)烏魯木齊市污染達(dá)到重度或嚴(yán)重時(shí)，CUACE模式預(yù)報(bào)效果較差。王曉敏等[21]認(rèn)為，CUACE模式對(duì)PM10、PM2.5和SO2濃度的預(yù)報(bào)值較實(shí)況明顯偏大。因此，需要結(jié)合統(tǒng)計(jì)方法對(duì)模式預(yù)報(bào)結(jié)果進(jìn)行客觀訂正，以改進(jìn)污染物濃度預(yù)報(bào)，提高空氣質(zhì)量預(yù)報(bào)水平。

近年來，很多學(xué)者采用線性回歸、神經(jīng)網(wǎng)絡(luò)、偏最小二乘回歸等統(tǒng)計(jì)方法訂正模式輸出結(jié)果[17，22-26]，這些方法可顯著降低模式系統(tǒng)誤差。本文采用線性回歸和神經(jīng)網(wǎng)絡(luò)方法對(duì)CUACE 模式空氣質(zhì)量預(yù)報(bào)產(chǎn)品進(jìn)行訂正，并比較兩種方法在廣西14個(gè)地市的預(yù)報(bào)效果，研究基于CUACE模式指導(dǎo)產(chǎn)品的空氣質(zhì)量短期預(yù)報(bào)模型，用以提高廣西空氣質(zhì)量預(yù)測(cè)水平。

1 資料及方法

文中所用空氣質(zhì)量實(shí)況監(jiān)測(cè)資料來自廣西生態(tài)環(huán)境監(jiān)測(cè)中心，包括2016年廣西14個(gè)地市6種污染物濃度(SO2、NO2、CO、PM2.5、PM10、O3-8 h)的逐日實(shí)況資料。氣象資料來自廣西氣象信息中心CIMISS數(shù)據(jù)庫，資料包括2015年11月至2016年12月廣西14個(gè)地市逐日02時(shí)、08時(shí)、14時(shí)、20時(shí)的地面風(fēng)速、氣壓、溫度、相對(duì)濕度、露點(diǎn)、總云量、水平能見度資料，以及08時(shí)的24 h變壓、24 h累積降水量資料。

CUACE模式空氣質(zhì)量預(yù)報(bào)產(chǎn)品來自2016年中國氣象局業(yè)務(wù)化運(yùn)行并下發(fā)的基于CUACE模式的城市6種污染物濃度和AQI指數(shù)預(yù)報(bào)指導(dǎo)產(chǎn)品，預(yù)報(bào)時(shí)效為72 h，文中采用24 h、48 h及72 h 6種污染物濃度的預(yù)報(bào)值。

本文利用主成分分析方法(PCA)，分析預(yù)報(bào)要素(SO2、NO2、CO、PM2.5、PM10、O3-8 h)前期的氣象因素、污染特征和擴(kuò)散條件等相關(guān)預(yù)報(bào)因子，選取與預(yù)報(bào)要素相關(guān)顯著且方差貢獻(xiàn)大的主成分作為綜合預(yù)報(bào)因子。以此為基礎(chǔ)，結(jié)合線性回歸和非線性神經(jīng)網(wǎng)絡(luò)方法，建立廣西各地市空氣質(zhì)量統(tǒng)計(jì)預(yù)報(bào)模型，并比較神經(jīng)網(wǎng)絡(luò)模型與回歸模型的預(yù)報(bào)效果。

2 統(tǒng)計(jì)預(yù)報(bào)模型的建立

2.1 預(yù)報(bào)因子的主成分分析

大氣污染的形成與前期的污染特征、氣象因素、擴(kuò)散條件及大氣環(huán)流形勢(shì)密切相關(guān)。文中選取了前期常規(guī)地面氣象觀測(cè)要素、空氣污染物濃度監(jiān)測(cè)資料等30個(gè)要素作為初選預(yù)報(bào)因子：前日20時(shí)、當(dāng)日02時(shí)、當(dāng)日08時(shí)、當(dāng)日14時(shí)的地面風(fēng)速、地面氣壓、地面溫度、地面濕度、地面露點(diǎn)、水平能見度資料，前日20時(shí)、當(dāng)日08時(shí)、當(dāng)日14時(shí)的總云量資料，當(dāng)日08時(shí)的24 h累積降水量和24 h變壓資料，以及前日某項(xiàng)污染物濃度實(shí)況資料。

先對(duì)每一個(gè)預(yù)報(bào)日每一種污染物前60天的初選預(yù)報(bào)因子場(chǎng)作標(biāo)準(zhǔn)化處理，再對(duì)這些預(yù)報(bào)因子作主成分分解，取累積方差貢獻(xiàn)率大于80%的前n個(gè)主成分序列作為最終的預(yù)報(bào)因子場(chǎng)。

2.2 預(yù)報(bào)模型的建立

對(duì)經(jīng)過主成分分析所得的前n個(gè)主成分序列、空氣質(zhì)量預(yù)報(bào)模式產(chǎn)品和對(duì)應(yīng)的污染物濃度實(shí)況值，分別動(dòng)態(tài)建立24 h多元回歸模型和神經(jīng)網(wǎng)絡(luò)模型，把預(yù)報(bào)日當(dāng)天24 h的CUACE模式預(yù)報(bào)產(chǎn)品及預(yù)報(bào)因子場(chǎng)數(shù)據(jù)代入方程，最終計(jì)算得出污染物濃度多元回歸模型和神經(jīng)網(wǎng)絡(luò)模型的24 h預(yù)報(bào)值。48 h和72 h的多元回歸和神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型建立步驟以此類推。本文預(yù)報(bào)日為2016年1月1日至2016年12月30日，每一個(gè)城市每一個(gè)預(yù)報(bào)日針對(duì)每一種污染物濃度(SO2、NO2、CO、PM2.5、PM10、O3-8 h)分別建立24 h、48 h、72 h的多元回歸預(yù)報(bào)模型和神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型。

3 結(jié)果與討論

3.1 南寧市預(yù)報(bào)模型的擬合情況

圖1為2016年南寧市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、CUACE模式O3濃度24 h預(yù)報(bào)圖。從圖1可以看到，對(duì)于南寧市O3濃度的24 h預(yù)報(bào)，CUACE模式預(yù)報(bào)值明顯偏低，在O3濃度較高的夏半年，預(yù)報(bào)結(jié)果與實(shí)況值有較大的誤差。線性回歸和神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的擬合情況與實(shí)況較為接近，但線性回歸預(yù)報(bào)產(chǎn)品波動(dòng)更大。

圖1 2016年南寧市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、CUACE模式O3濃度24 h預(yù)報(bào)圖

圖2為2016年南寧市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、CUACE模式PM10濃度24 h預(yù)報(bào)圖。從圖2可知，總體上，3種預(yù)報(bào)產(chǎn)品均能預(yù)報(bào)出PM10濃度的大致變化，基本能報(bào)出每一個(gè)污染過程，但1至3月波動(dòng)較大。

圖2 2016年南寧市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、CUACE模式PM10濃度24 h預(yù)報(bào)圖

從2016年南寧市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、CUACE模式PM2.5濃度24 h預(yù)報(bào)圖可知(圖3)，3種預(yù)報(bào)產(chǎn)品與PM2.5濃度實(shí)況值的變化趨勢(shì)較一致。PM2.5濃度24 h預(yù)報(bào)同樣存在1至3月波動(dòng)較大的情況，且該段時(shí)間CUACE模式對(duì)PM2.5濃度的預(yù)報(bào)值大部分偏高，線性回歸對(duì)PM2.5濃度的預(yù)報(bào)值大部分偏低。

圖3 2016年南寧市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、CUACE模式PM2.5濃度24 h預(yù)報(bào)圖

3.2 廣西14個(gè)地市污染物濃度預(yù)報(bào)誤差

3.2.1 O3濃度預(yù)報(bào)絕對(duì)誤差

圖4為2016年廣西14個(gè)地市線性回歸、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式對(duì)O3濃度24 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比圖。由圖4可看出，誤差最大的是CUACE模式對(duì)北海的預(yù)報(bào)，平均絕對(duì)誤差為53.5 μg·m-3。線性回歸和神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)的平均絕對(duì)誤差均明顯小于CUACE模式預(yù)報(bào)。梧州和河池這兩個(gè)城市的線性回歸模型預(yù)報(bào)誤差小于神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差，而這兩種預(yù)報(bào)在柳州和桂林的平均誤差基本一致，在其他地市則是神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差較小。

圖4 2016年廣西14個(gè)地市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式對(duì)O3濃度24 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比圖

從2016年廣西14個(gè)地市O3濃度48 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比圖(圖略)可見，線性回歸僅在河池預(yù)報(bào)誤差較小，梧州和賀州的線性回歸和神經(jīng)網(wǎng)絡(luò)模型的預(yù)報(bào)誤差基本一致，其他城市則是神經(jīng)網(wǎng)絡(luò)模型的預(yù)報(bào)誤差較小，而CUACE模式預(yù)報(bào)在各地市的預(yù)報(bào)性能均不如其他兩種模式的預(yù)報(bào)性能。

線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式對(duì)O3濃度72 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比特征與48 h的基本一致(圖略)?？梢妼?duì)于污染物O3而言，神經(jīng)網(wǎng)絡(luò)模型在24-72 h預(yù)報(bào)時(shí)次均有著較優(yōu)秀的預(yù)報(bào)能力，適合作為廣西大部分地市的空氣質(zhì)量預(yù)報(bào)指導(dǎo)產(chǎn)品。

3.2.2 PM10濃度預(yù)報(bào)絕對(duì)誤差

圖5為2016年廣西14個(gè)地市線性回歸、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式對(duì)PM10濃度24 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比圖。由圖5可看出，誤差最大的是CUACE模式對(duì)柳州的預(yù)報(bào)，絕對(duì)誤差為31.4 μg·m-3。線性回歸和神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)均優(yōu)于CUACE模式預(yù)報(bào)；對(duì)于河池而言，線性回歸模型預(yù)報(bào)誤差小于神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差，其余城市則是神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)效果更好。

圖5 2016年廣西14個(gè)地市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式對(duì)PM10濃度24 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比圖

PM10濃度的48 h預(yù)報(bào)，平均絕對(duì)誤差最大的是柳州的CUACE模式預(yù)報(bào)(圖略)。與CUACE模式預(yù)報(bào)相比，線性回歸預(yù)報(bào)性能下降，在北海、南寧、玉林和欽州這4個(gè)地市其誤差均大于CUACE模式預(yù)報(bào)誤差，而神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)性能在各地市依然較好，適宜作為廣西大部地區(qū)的參考指導(dǎo)產(chǎn)品。

PM10濃度的72 h預(yù)報(bào)(圖略)，線性回歸預(yù)報(bào)的誤差繼續(xù)有所增大，在北海、南寧、玉林、欽州和防城港這5個(gè)城市均不如CUACE模式預(yù)報(bào)性能。總體而言，對(duì)于24-72 h預(yù)報(bào)時(shí)效，神經(jīng)網(wǎng)絡(luò)模型對(duì)PM10濃度的預(yù)報(bào)效果穩(wěn)定，有較好的業(yè)務(wù)參考價(jià)值。

3.2.3 PM2.5濃度預(yù)報(bào)絕對(duì)誤差

圖6為2016年廣西14個(gè)地市的線性回歸、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式對(duì)PM2.5濃度24 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比圖。由圖6可看出，誤差最大的是CUACE模式對(duì)桂林的預(yù)報(bào)，絕對(duì)誤差為21.3 μg·m-3。通過各城市對(duì)比分析可知，除了河池的神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差大于CUACE模式預(yù)報(bào)誤差外，其他城市均是線性回歸和神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差小于CUACE模式預(yù)報(bào)的誤差；對(duì)于河池，仍然存在線性回歸模型預(yù)報(bào)誤差小于神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差，其余城市仍是神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)效果更好。

圖6 2016年廣西14個(gè)地市線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式對(duì)PM2.5濃度24 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比圖

從2016年廣西14個(gè)地市PM2.5濃度48 h預(yù)報(bào)的平均絕對(duì)誤差對(duì)比圖(圖略)可知，線性回歸、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式48 h預(yù)報(bào)誤差對(duì)比特征與24 h的基本一致，仍存在河池線性回歸模型預(yù)報(bào)誤差小于神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差，其余城市仍是神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差更小。預(yù)報(bào)誤差最大的是CUACE模式對(duì)柳州和桂林的預(yù)報(bào)。

對(duì)于河池市，線性回歸、神經(jīng)網(wǎng)絡(luò)模型和CUACE模式對(duì)PM2.5濃度72 h預(yù)報(bào)的平均絕對(duì)誤差相差不大(圖略)，而其他地市均是神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)誤差較小。與24 h及48 h PM2.5濃度預(yù)報(bào)相比，線性回歸模型預(yù)報(bào)誤差有較明顯增長(zhǎng)，在南寧、柳州、玉林、賀州、欽州和防城港線性回歸模型預(yù)報(bào)誤差均高于CUACE模式預(yù)報(bào)的誤差。

可見對(duì)于污染物PM2.5而言，神經(jīng)網(wǎng)絡(luò)模型在24-72 h預(yù)報(bào)時(shí)次均有著較優(yōu)秀的預(yù)報(bào)能力，適合作為廣西各地市預(yù)報(bào)的指導(dǎo)產(chǎn)品。

3.3 廣西14個(gè)地市AQI預(yù)報(bào)評(píng)分

根據(jù)中國氣象局《城市空氣質(zhì)量預(yù)報(bào)檢驗(yàn)評(píng)估和考核辦法(試行)》的評(píng)分內(nèi)容，表1列出2016年廣西14個(gè)地市CUACE模式、神經(jīng)網(wǎng)絡(luò)模型、線性回歸模型的預(yù)報(bào)評(píng)分。從表1可以看出，預(yù)報(bào)評(píng)分值為57～70，3種模式的預(yù)報(bào)效果主要有以下特征：

表1 2016年廣西14個(gè)地市CUACE模式、神經(jīng)網(wǎng)絡(luò)模型和線性回歸模型的預(yù)報(bào)評(píng)分

(1)從預(yù)報(bào)地市分析，南寧、崇左、來賓、貴港、賀州這5個(gè)地市的神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)評(píng)分最高(24 h)，而柳州、梧州、河池、玉林則是線性回歸模型預(yù)報(bào)評(píng)分最高(24 h)，3種模式在北海和百色預(yù)報(bào)評(píng)分一致，在桂林是CUACE模式預(yù)報(bào)和線性回歸模型預(yù)報(bào)評(píng)分相同，而欽州和防城港則是神經(jīng)網(wǎng)絡(luò)模型和CUACE模式預(yù)報(bào)性能一致。

(2)從預(yù)報(bào)時(shí)效分析，CUACE模式預(yù)報(bào)效果最穩(wěn)定，其評(píng)分基本不隨預(yù)報(bào)時(shí)效的延長(zhǎng)而明顯降低，變化幅度一般約為0～1分；神經(jīng)網(wǎng)絡(luò)模型的預(yù)報(bào)效果在崇左、來賓、梧州、貴港隨預(yù)報(bào)時(shí)效明顯下降(5～7分)，在其他地市變化不大(0～4分)；線性回歸模型在來賓、桂林、百色、貴港和賀州等市預(yù)報(bào)效果隨時(shí)效略有下降(1～3分)，在其他地市則有3～9分的下降幅度。在24 h預(yù)報(bào)時(shí)效內(nèi)，神經(jīng)網(wǎng)絡(luò)或線性回歸模型表現(xiàn)較優(yōu)異的崇左、柳州、梧州、河池、玉林等地市，隨著預(yù)報(bào)時(shí)效延長(zhǎng)至72 h，其評(píng)分均低于CUACE模式預(yù)報(bào)評(píng)分。

(3)從預(yù)報(bào)評(píng)分極值分析，預(yù)報(bào)評(píng)分最高的是神經(jīng)網(wǎng)絡(luò)和線性回歸模型對(duì)防城港的24 h預(yù)報(bào)(70分)，最低的是神經(jīng)網(wǎng)絡(luò)模型對(duì)河池的72 h預(yù)報(bào)(57分)；神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)的高分值區(qū)域主要在桂西南和沿海地市(欽州、防城港、南寧和崇左)，線性回歸模型預(yù)報(bào)的高分值區(qū)域主要在沿海和桂東部分城市(防城港、欽州、梧州和賀州)，CUACE模式預(yù)報(bào)的高分值區(qū)域主要位于沿海三市(北海、欽州、防城港)。

表2為2016年南寧市CUACE模式、神經(jīng)網(wǎng)絡(luò)模型和線性回歸模型24 h預(yù)報(bào)的逐月評(píng)分。由表2可見，在南寧24 h空氣質(zhì)量預(yù)報(bào)中，線性回歸預(yù)報(bào)分?jǐn)?shù)為55～71，各月預(yù)報(bào)分?jǐn)?shù)差別較大，低分月份主要出現(xiàn)在夏秋季節(jié)。6月和10月的CUACE模式預(yù)報(bào)分?jǐn)?shù)均高于神經(jīng)網(wǎng)絡(luò)和線性回歸模型的預(yù)報(bào)分?jǐn)?shù)。而1-5月、8-9月及12月均是神經(jīng)網(wǎng)絡(luò)模型的預(yù)報(bào)分?jǐn)?shù)最高，各月均在66分以上，預(yù)報(bào)分?jǐn)?shù)較穩(wěn)定。由此可見，神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型對(duì)CUACE模式24 h預(yù)報(bào)產(chǎn)品的訂正效果最明顯，神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型可作為南寧市空氣質(zhì)量預(yù)報(bào)業(yè)務(wù)的重要參考。

表2 2016年南寧市CUACE模式、神經(jīng)網(wǎng)絡(luò)模型和線性回歸模型24 h預(yù)報(bào)的逐月評(píng)分

4 結(jié) 論

(1)線性回歸對(duì)南寧的預(yù)報(bào)分?jǐn)?shù)為55～71，各月預(yù)報(bào)分?jǐn)?shù)差別較大，低分月份主要出現(xiàn)在夏秋季節(jié)。神經(jīng)網(wǎng)絡(luò)模型對(duì)南寧各月的預(yù)報(bào)分?jǐn)?shù)均在66分以上，對(duì)CUACE模式24 h預(yù)報(bào)產(chǎn)品的訂正效果最明顯，可作為南寧市空氣質(zhì)量預(yù)報(bào)業(yè)務(wù)的重要參考。

(2)在顆粒物(PM10和PM2.5)濃度的預(yù)報(bào)業(yè)務(wù)中，神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)在廣西大部分城市預(yù)報(bào)誤差較小，具有較高參考價(jià)值；河池和梧州可利用線性回歸模型對(duì)O3濃度進(jìn)行預(yù)報(bào)，廣西其他地市則可采用神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)O3濃度。

(3)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型適用于桂南和桂中的大部分城市，線性回歸適用于桂北的柳州、百色、河池及桂東的梧州等市，沿海三市可同時(shí)參考神經(jīng)網(wǎng)絡(luò)和線性回歸模型的預(yù)報(bào)結(jié)果。

(4)CUACE模式預(yù)報(bào)效果最穩(wěn)定，其評(píng)分基本不隨預(yù)報(bào)時(shí)效的延長(zhǎng)而明顯降低，因此在時(shí)效較長(zhǎng)的趨勢(shì)預(yù)報(bào)上，可以重點(diǎn)關(guān)注CUACE模式預(yù)報(bào)。

總體來說，通過應(yīng)用線性回歸和神經(jīng)網(wǎng)絡(luò)方法對(duì)CUACE模式指導(dǎo)產(chǎn)品重新建模后，各類污染物預(yù)報(bào)性能均得到了一定程度的改進(jìn)和提高，可以為業(yè)務(wù)提供有意義的指導(dǎo)依據(jù)。在實(shí)際的預(yù)報(bào)業(yè)務(wù)中，針對(duì)不同地市、不同預(yù)報(bào)時(shí)效和污染物類別分別采用合適的預(yù)報(bào)方法，可以更有效地提高大氣污染物的預(yù)報(bào)質(zhì)量。