下载文档原格式
天津市基于新标准的空气质量预报模型效果评估高璟赟;杨宁;毕温凯;肖致美;陈魁;李源【期刊名称】《环境监控与预警》【年(卷),期】2016(008)006【摘要】利用2015年环境空气质量监测数据，对天津市OPAQ空气质量统计预报模型预测效果进行验证评估。
结果表明，模型对天津市AQI和PM2．5、PM10、O3、NO2的预测结果与实测结果具有较好的趋势一致性，且预测时间越临近，拟合度越好，24 h预报的相关系数r全部达到0．8以上。
对PM2．5的预报性能明显优于PM10、O3和NO2，PM2．5平均值预测略呈正偏差，但重污染预测值偏低约15％；O3和NO2预测值呈明显负偏差，O3峰值预测不足，NO2预测值整体偏低，均以24 h预报趋势性最好，但负偏差最为突出。
【总页数】6页(P9-14)【作者】高璟赟;杨宁;毕温凯;肖致美;陈魁;李源【作者单位】天津市环境监测中心，天津 300191;天津市环境监测中心，天津300191;天津市环境监测中心，天津 300191;天津市环境监测中心，天津 300191;天津市环境监测中心，天津 300191;天津市环境监测中心，天津 300191【正文语种】中文【中图分类】X823【相关文献】1.基于云模型的推理规则在空气质量预报中的应用 [J], 王洁;吴坚;史婕2.基于云模型的推理规则在空气质量预报中的应用 [J], 王洁;吴坚;史婕3.汕头市基于改进Markov链的空气质量预报模型的研究 [J], 陈婷婷4.基于GRAPES-CMAQ的中山市空气质量预报系统预报效果评估 [J], 麦健华;于玲玲;邓涛;蒋争明;汤沛;刘江顺5.动力学模型在天津市肺结核发病率预测及防控策略效果评估中的应用 [J], 俞社根;贾忠伟因版权原因，仅展示原文概要，查看原文内容请购买。
2016年秋季新乡市空气质量模式预报效果评估马琳;魏巍;张稳定;晏平仲【期刊名称】《中国环境监测》【年(卷),期】2017(033)005【摘要】基于新乡市空气质量数值预报平台,采用相关系数(r)、标准化平均偏差(NMB等统计指标,系统评估2016年秋季新乡市嵌套网格空气质量预报模式(NAQPMS)和通用多尺度空气质量模式(CMAQ)的预报效果,对比分析2套模式不同预报时效和不同水平分辨率的空气质量等级预报准确率.结果显示:2套模式均较好地表征了各主要污染物的浓度变化特征,2套模式的等级预报准确率高于60％,其中CMAQ对中度及重度的预报等级准确率达到70％.对比模式24、48、72 h3种预报时效效果,24h预报时效的统计数据最优,说明24h预报时效模拟结果可作为业务预报重要的支撑.【总页数】6页(P89-94)【作者】马琳;魏巍;张稳定;晏平仲【作者单位】新乡市环境保护监测站,河南新乡453003;中国科学院大气物理研究所,北京100029;中国科学院大气物理研究所,北京100029;中国科学院大气物理研究所,北京100029【正文语种】中文【中图分类】X823【相关文献】1.江苏省级区域空气质量数值预报模式效果评估 [J], 朱莉莉;晏平仲;王自发;李杰;张祥志;汤莉莉;李健军;刘冰2.空气质量多模式系统在广州应用及对PM10预报效果评估 [J], 陈焕盛;王自发;吴其重;吴剑斌;晏平仲;唐晓;王哲3.贵阳市空气质量多模式预报系统PM2.5预报效果评估 [J], 张春辉;王琴;钟敏文;赵晓韵;徐徐;刘群4.成都市空气质量预报系统的应用及预报效果评估 [J], 张恬月;杨欣悦;谭钦文;宋丹林;贾亚俊5.基于GRAPES-CMAQ的中山市空气质量预报系统预报效果评估 [J], 麦健华;于玲玲;邓涛;蒋争明;汤沛;刘江顺因版权原因，仅展示原文概要，查看原文内容请购买。
镇江市环境空气质量数值预报模式的选择作者：张先宝来源：《海峡科技与产业》2016年第05期摘要：本文针对《环境空气质量预报预警方法技术指南》推荐的中国的NAQPMS、美国的CMAQ、CAMx和WRF-Chem以及法国的Polyphemus五个模式，分别从区域位置、地形地貌、气象气候、污染源特点、颗粒物等质量因子特点以及所需的条件五个指标进行分析，并提出模式选择的思路与方法；最后，结合镇江市区域、地形、气候、污染源和PM成分等影响因素，综合性比较分析，对镇江环境空气质量数值预报模式进行的选择。
关键词：空气质量；数值预报；模式；选择近年来，我国京津冀和长三角等地区雾霾天气多发，雾霾发生的特点不仅日数多，而且影响范围广。
从污染因子分析，PM2.5已成为影响我国大气环境质量的首要污染物，并呈现典型的区域性、复合型污染特征[1-3]。
预报模式运用主要经历经验预报、潜式预报、统计预报、数值预报、集合预报、多模式集合预报、资料同化等阶段[4]。
目前，地级城市还处于潜式预报或统计预报阶段，正着手进行数值预报开发研究工作，数值预报模式有很多种，因此，如何选择适合当地的预报模式，是开发空气质量数值预报工作首要问题。
1 空气质量数值预报特点空气质量数值预报模型均应具有以下共同优点：（1）应充分考虑了各种大气物理过程和各污染物间的化学反应及气固两相转化过程，可模拟多污染物间的协同效应；（2）应基于嵌套网格设计，可用于模拟局地、区域等多种尺度的大气环境问题；（3）应基于“一个大气”的设计理念，通过一次工作可以同时模拟各种大气环境问题，特别适用于模拟03、PM、酸雨等区域性复合型大气污染过程[5]。
但是不同的数值模式针对区域位置，预测范围，适用条件和预报方式存在差别。
因此，在构建空气质量数值预报模式时，应根据当地的情况、基础资料的占有量、预报精度的要求以及经济性等指标选择合适的模式。
2 通用的空气质量数值预报模式及其特点2014年3月，中国环境监测总站发布《环境空气质量预报预警方法技术指南》，推荐环境空气质量数值预报模式5种，主要为中国的NAQPMS模式、美国的CMAQ模式、CAMx模式和WRF-Chem模式以及法国的Polyphemus模式。
岳艳霞, 任芝花, 刘娜, 等. 2022. 中国区域3种数值模式的地面气象要素预报初步评估[J]. 气候与环境研究, 27(2): 299−314. YUE Yanxia,REN Zhihua, LIU Na, et al. 2022. Preliminary Evaluation of Surface Meteorological Elements Prediction Using Three Numerical Models in China [J].Climatic and Environmental Research (in Chinese), 27 (2): 299−314. doi:10.3878/j.issn.1006-9585.2021.20064中国区域3种数值模式的地面气象要素预报初步评估岳艳霞 1 任芝花 2 刘娜 2 石岩21 石家庄市气象局，石家庄 0500812 国家气象信息中心，北京 100081摘 要 ECMWF 和GRAPES （Global/Regional Assimilation and Prediction System ）预报产品是国内目前主要的应用服务产品。
为了了解ECMWF 和GRAPES 预报产品的性能，使用户在实际应用中，根据需求可选择性地应用上述预报产品，本文利用中国气象局2421个国家级自动站和8155个地面天气站（骨干站）逐时观测资料对2017年7月和11月、2018年1月和4月的ECMWF 确定性预报模式（C1D ）和我国研发的区域数值预报模式GRAPES_MESO 、全球数值预报模式GRAPES_GFS 的气温、地表温度、湿度、风速预报资料在中国区域的适用性进行了评估。
结果表明：与各观测要素实况相比，3个模式均存在系统误差。
地表温度预报易低估、风速预报易高估；3个模式预报能力普遍存在明显的区域差异、季节差异和昼夜变化。
青藏地区3个模式预报能力明显低于其他地区。
收稿日期：2023-03-22基金项目：中国气象局沈阳大气环境研究所联合开放基金项目（2021SYIAEKFZD05）；国家重点研发计划项目（2017YFD0301704；2016YFD0300307）；公益性行业科研专项（20150312705）作者简介：王井利（1971-），男，黑龙江鹤岗人，教授，硕士，主要从事精密工程测量岩土工程监测、道路铁道工程精密测量技术、卫星定位、地理信息与遥感技术集成应用等研究，（电话）189****5858（电子信箱）****************；通信作者，蔡福，男，研究员，主要从事植物干旱响应机理及模拟、陆气相互作用及模拟研究，（电子信箱）**************。
王井利，余鹏程，蔡福，等.基于多时相RSEI 的生态环境质量评价——以新民市为例［J ］.湖北农业科学，2024，63（4）：56-60．基于多时相RSEI 的生态环境质量评价——以新民市为例王井利1，余鹏程1，蔡福2，刘慧楠1，高天娇1（1.沈阳建筑大学，沈阳110168；2.中国气象局沈阳大气环境研究所，沈阳110166）摘要：以辽宁省新民市作为研究对象，基于2014年、2017年、2020年的相近月份（5—6月）Landsat 8OLI_TRIS 数据，提取4个生态因子［绿度（NDVI ）、湿度（WET ）、干度（NDBSI ）、热度（LST ）］，采用主成分分析法构建遥感生态指数（RSEI ），对研究区域生态环境质量时空演变特征进行评价。
结果表明，2014年、2017年、2020年新民市RSEI 的均值分别为0.397、0.348、0.506，呈先降后升的趋势。
2014—2020年，生态环境质量等级为差和较差的区域主要分布在西北区域，面积占比由62.5%降至33.2%；生态环境质量等级为较好和好的区域主要分布在东南区域，面积占比呈明显的先降低后升高趋势，由21.3%先下降到18.4%后上升到37.0%。
基于CUACE模式的宁波地区空气质量预报评估和订正分析基于CUACE模式的宁波地区空气质量预报评估和订正分析近年来，由于工业化和城市化的快速发展，空气质量问题成为了全球各地面临的共同难题。
特别是对于宁波地区这样的发达城市而言，由于工业活动、能源消耗和汽车尾气等因素的影响，空气质量问题日益凸显。
针对此问题，科学家和研究人员开展了许多研究工作，并应用了各种模型进行空气质量预报。
其中，CUACE模式是一种常用的数值模式，被广泛运用于空气质量预报和评估中。
宁波地区的空气质量问题是一个复杂的系统性问题，涉及到多个因素的综合作用。
为了更好地理解宁波地区的空气污染状况，研究人员使用CUACE模式进行了空气质量预报和评估。
通过收集宁波地区的实测数据和气象条件等信息，研究人员建立了基于CUACE模式的数值模拟系统，模拟了不同污染物在宁波地区的传输和扩散过程，进而预测了宁波地区的空气质量。
在进行空气质量预报的过程中，研究人员还对模型进行了订正和优化。
根据实测数据，他们调整了模型参数，提高了模拟结果的准确性。
此外，他们还通过对比观测值和模拟结果，发现了模型的一些不足之处，并对其进行了订正。
通过不断地修正和优化，研究人员得到了较为准确的空气质量预报结果。
根据预报结果和评估分析，研究人员发现宁波地区的空气质量受到多个因素的影响。
一方面，宁波地区的工业活动和交通运输是主要的污染源，工厂排放的废气和汽车尾气对空气质量的贡献非常大；另一方面，气象条件也对空气质量产生了重要影响，如风速、风向、湿度等都会影响污染物在大气中的传输和扩散。
通过对模拟结果的评估分析，研究人员还发现了宁波地区的空气质量改善措施。
他们提出了一系列建议和政策措施，如加强工业废气控制、优化交通管理、提倡清洁能源等，以减少污染物的排放和扩散，进而改善宁波地区的空气质量。
综上所述，基于CUACE模式的宁波地区空气质量预报评估和订正分析为我们更好地理解和改善宁波地区的空气质量提供了重要的参考。
合肥地区PM2.5季节特征及气象影响因素分析张怡文;倪标;郭傲东;费久龙;陈家丽;吴海龙【期刊名称】《黄山学院学报》【年(卷),期】2018(020)003【摘要】气象因素能够对PM2.5浓度产生显著影响,气象因素的改变会减轻或加剧PM2.5浓度值.气象因素和PM2.5浓度值随着季节的变化而变化,并且具有明显的区域性特征,所以对全年的PM2.5和气象相关因素进行分析,不能准确反映PM2.5和气象因素之间的相关性.选择合肥市2015年全年的PM2.5和气象影响因素,并对全年数据按春、夏、秋、冬四季进行划分,按季节对PM2.5特征及气象影响因素进行相关性分析讨论.结果表明,春、夏、秋3个季节的气象首要影响因素为风速,且负相关,说明风有利于PM2.5的扩散;在PM2.5污染严重的冬季,气象首要影响因素为温度,且呈正相关,说明气温较低的冬季逆温层较厚,不利于PM2.5的扩散;降水量和相对湿度对PM2.5的影响随季节呈正负相关变化,说明由于不同季节降水量的不同,对PM2.5的影响随季节变化特征显著;气压、风向对PM2.5影响较小,相关系数随季节变化特征显著.【总页数】5页(P69-73)【作者】张怡文;倪标;郭傲东;费久龙;陈家丽;吴海龙【作者单位】安徽新华学院信息工程学院,安徽合肥230088;火箭指挥学院,湖北武汉430012;安徽新华学院信息工程学院,安徽合肥230088;安徽新华学院信息工程学院,安徽合肥230088;安徽新华学院信息工程学院,安徽合肥230088;安徽新华学院信息工程学院,安徽合肥230088【正文语种】中文【中图分类】X823【相关文献】1.合肥地区PM2.5及污染物季节相关性分析 [J], 张怡文;倪标;郭傲东;费久龙;陈家丽;吴海龙2.大理洱海东岸山区天文气象条件初步统计分析:2016至2017年大气季节特征[J], 王晶星;刘煜;宋腾飞;李忠木;张雪飞;李小波3.基于多元统计的PM2.5分析与预测——以合肥地区为例 [J], 敖希琴;费久龙;陈家丽;郑阳;汪金婷4.合肥地区大学生PM2.5暴露水平研究 [J], 陈靖宜;耿标;景晨思;汪洋;赵卫平;;;;;5.合肥地区2013年春节期间PM2.5质量浓度演变特征 [J], 董德保;祝颂;芮斌因版权原因，仅展示原文概要，查看原文内容请购买。
Value Engineering0引言随着近年来社会对空气污染问题关注度不断增强，空气质量预测问题成为当下讨论的热点问题，受到了广泛的研究。
众所周知，城市空气质量预测，是一种比较典型的时间序列预测问题，一般可以采用统计学模型。
然而，深入研究发现，空气中的污染物浓度受到气象条件、城市地理位置、人类社会活动等多种因素影响，很难直接建立相应的统计学模型，进行准确的数值预测。
目前，随着机器学习和深度学习方法的普及，以人工神经网络为代表的机器学习目前是空气质量预测领域最高效以及被认可度最高的研究方法。
人工神经网络具有广泛的适应、学习及应用能力，在数值预测领域有广泛的应用。
国家近年来逐步加强了对空气污染物排放的控制，我国大部分地区日均空气质量已经有了明显的改善。
与此同时，因为雾霾问题与每个人的健康状况息息相关，社会也逐渐增强了空气质量意识。
在这种背景下，空气质量预测的核心问题逐步从高等级、重污染天气的预报及时性与准确性，转向了低等级空气质量较好情况下的精确的PM2.5浓度预测。
我们选取的模型首先要保证预测准确性，对不同应用场景、在不同条件下我们的模型都应具备较好的预测效果。
空气质量预测，通常可获取的数据无外乎是空气污染物、气象条件等历史数据。
而对于任何一个空气质量监测站周边的经济发展情况和人类活动数据往往无法获取，从而成为了影响预测效果的隐变量。
一个良好的预测模型应该尽量减少这些因素的影响，即在使用相同的输入特征预测不同地点的空气质量时，仍然可以达到相对稳定的预测精度。
基于上述分析，本文提出的一种基于LSTM的空气质量预测模型，长短期记忆网络LSTM对于多维时间序列预测问题已被实验证明比传统的反向传播神经网络、支持向量机等经典算法模型更加有效，而且具有更强的泛化能力，特别适合解决空气质量预测问题。
本文将按如下的结构展开，第一节回顾了国内外空气质量预测的相关研究，以及LSTM在预测领域应用的文献综述；第二节介绍了长短期记忆网络LSTM预测模型；第三节从时间、空间、空气质量等级等不同维度，交叉验证了LSTM模型的有效性和效率；第四节总结了全文。
NAQPMS模型预报合肥、蚌埠和芜湖空气质量的效果评估季冕;尚晶晶;张稳定【摘要】评估了NAQPMS模式预报的合肥、蚌埠和芜湖2017年3月1日-2018年2月28日PM2.5、PM10和O3地面浓度及预报准确率,发现模式对物种的预报能力依次为:O3＞ PM2.5＞PM10;对城市的预报能力依次为:合肥＞芜湖＞蚌埠.模式对PM2.5和PM10的预报能力在春季较弱,对O3的预报全年均较强.整体而言,评估地区的空气质量以优良为主,等级准确率在秋季最高,冬季最低,年均值为69％;首要污染物以PM2.5、O3、PM10和NO2为主,其准确率在冬季最高,春季最低,年均值为62％.【期刊名称】《中国环境管理干部学院学报》【年(卷),期】2018(028)005【总页数】6页(P62-66,74)【关键词】空气质量模式;模式评估;安徽【作者】季冕;尚晶晶;张稳定【作者单位】安徽省环境监测中心站,安徽合肥230071;中国科学院大气物理研究所大气边界层物理和化学国家重点实验室,北京100029;中科三清科技有限公司,北京100029【正文语种】中文【中图分类】X51近年来，我国频繁发生空气质量污染现象，为了预报空气质量，我国大部分地区建立了空气质量预报系统，开展空气质量预报业务。
关于空气质量预报业务国外开始的较早，20世纪70年代，研发的空气质量模型有：美国的CMAQ（综合空气质量模型）、CAMx（三维空气质量模型）、WRFChem模型，加拿大的MC2-CALGRID模型，德国的EURAD模型；到2001年中国自主开发了NAQPMS （嵌套空气质量预报系统）模型。
目前我国已开展了一些针对空气质量建立预报业务系统的工作，如针对广州和珠三角的多模式（NAQPMS、CMAQ和CAMx）系统[1-2]；上海市的Model-3/CMAQ模式[3]；江苏省、山东省和京津冀地区的NAQPMS模式[4-6]。
但是以上的评估工作多数只是针对某些个例、某项污染物评估参数或模式预报准确率，缺少对多种污染物、长时间序列及其模式预报准确率等一系列指标的综合评估。
本研究选取安徽省合肥、蚌埠和芜湖市2017年3月1日—2018年2月28日（一年） NAQPMS模式预报和观测的24 h PM2.5、PM10和O3的地面浓度数据，通过不同的指标综合评估模式的预报能力，为安徽省空气质量预报提供建议。
1 研究方法1.1 预报模式介绍NAQPMS模式主要包括气象场、化学模块和排放源，其中气象场由WRF模式输出结果提供；排放源由SMOKE模型实时输出结果提供；气象模式WRF的初始条件和边界条件由美国国家环境预报中心的NCEP/NCAR再分析数据提供。
排放清单的污染物主要包括无机污染物和有机污染物两大类。
无机污染物包括颗粒物PM10、PM2.5，气态污染物SO2、NOx、CO和NH3等，其中PM10和PM2.5特指由污染源直接排放的一次颗粒物；有机污染物主要指VOC。
NAQPMS模式采用3重嵌套区域（D01、D02和D03）设置，区域范围分别为中国区域、中国东部和安徽省全境，其水平分辨率分别为27 km、9 km和3 km。
模式垂直分辨率为29层。
1.2 观测数据介绍观测数据来源于中国环境监测总站实时发布的国家环境空气质量监测网PM2.5和O3的监测数据。
若多个观测站点位于同一模式网格，则采用网格内观测数据的站点平均值与网格预报值进行验证。
如果每日参与计算的小时浓度数据小于20 h，当日浓度平均值记为缺测。
1.3 评估指标本研究使用的评估指标的具体作用如下：（1）利用平均偏差（MB）、平均标准差（NMB）、相关系数（R）和均方根误差（RMSE）评估模式对单一污染物地面浓度的预报能力。
（2）根据王晓彦等[7]定义的等级预报准确率计算方法和《环境空气质量指数（AQI）技术规定》（试行）（HJ 633—2012）中定义的首要污染物预报准确率计算方法，综合评估模式的预报能力。
影响等级预报准确率和首要污染物预报准确率的因素较多，即使模式能够准确预报每一种污染物的浓度，也不一定能够准确预报空气污染等级和首要污染物，因此通过这两个指标可评估模式的综合预报能力。
2 预报效果评估2.1 PM2.5、PM10和 O3日平均浓度图1是2017年3月1日—2018年2月28日合肥PM2.5、PM10和O3的日均浓度时间序列图（蚌埠和芜湖的图略）。
从图1可以看出，整体上，模式能够较准确预报PM2.5和O3的变化趋势，PM10的缺测和模式低估现象较严重。
通过统计2017年3月1日—2018年2月28日观测和预报的合肥、蚌埠和芜湖PM2.5、PM10和O3地面浓度（表1），可以看出这三个站观测和模拟的PM2.5、PM10和 O3浓度差分别为-14～0 μg·m-3、-20～-48 μg·m-3和-4～1μg·m-3，模式明显低估了PM10的浓度。
同时可以看出，相比于蚌埠，NAQPMS模式对合肥和芜湖的预报能力较强。
图2是2017年3月1日—2018年2月28日合肥、蚌埠和芜湖预报和观测的PM2.5、PM10和O3的日均浓度散点图。
从图2可以看出，模式对这三个城市的O3预报能力均较强；对PM10的预报能力较差。
对合肥的污染物预报能力较强，对蚌埠的预报能力较差。
综上所述，NAQPMS对不同污染物的预报能力是O3＞PM2.5＞PM10；对不同城市的预报能力是合肥＞芜湖＞蚌埠。
图1 合肥市PM2.5、PM10和O3的日均浓度时间序列表1 合肥、蚌埠和芜湖PM2.5、PM10和O3的日均浓度统计注：其中MO为观测值，MP为预报值，MB是平均偏差。
污染物城市MO/(μg·m-3)MP/(μg·m-3)MB/(μg·m-3)NMB/% R RMSE合肥蚌埠芜湖54 60 54 54 46 47 00 PM2.5-14-7 23-13 0.7 0.73 0.78 29 32 26 PM10合肥蚌埠芜湖83 100 80 63 52 51-20-48-29-24-48-37 0.53 0.51 0.43 44 70 48 36 31 38 O3合肥蚌埠芜湖101 106 100 97 107 99-4 1-1 31-1 0.71 0.75 0.712.2 PM2.5、PM10和 O3季平均浓度表2～表4分别是观测和预报的合肥、蚌埠和芜湖PM2.5、PM10和O3的不同季节地面浓度值和统计参数值。
表2 2017年合肥、蚌埠和芜湖各季PM2.5质量浓度预报统计季节城市MO/(μg·m-3)MP/(μg·m-3)MB/(μg·m-3)NMB/% R RMSE春夏秋冬合肥54.43 33.8 47.22 83.6 42.3 28.71 49.5 98.17-12.13-5.09 2.28 14.57-22-15 5 17 0.31 0.46 0.71 0.61 26.51 17.1 22.32 45.49春夏秋冬蚌埠60.16 39.57 52.09 90.46 34.3 21.18 39.57 92.53-25.86-18.39-12.52 2.07-43-46-24 2 0.35 0.46 0.66 0.72 37.12 23.13 24.96 38.58春夏秋冬芜湖47.61 29.57 46.32 96.06 37.59 24.01 44.01 84.38-10.02-5.56-2.31-11.68-21-19-5-12 0.14 0.45 0.770.75 27.19 17.4 18.23 36.96图2 合肥、蚌埠和芜湖预报和观测的PM2.5、PM10和O3日均浓度散点图通过对比表2中观测和预报的三个城市的PM2.5地面浓度值，可以看出观测的PM2.5浓度变化为冬季＞春季＞秋季＞夏季，预报的PM2.5浓度变化为冬季＞秋季＞春季＞夏季，产生差异的主要原因是春季PM2.5的地面浓度值被低估，相关性较差，合肥、蚌埠和芜湖春季PM2.5的NMB分别是-22%、-43%和-21%，R 为 0.31，0.35和0.14。
同时可以看出，PM2.5的地面浓度在冬季最高，夏季最低，这主要是与冬季采暖燃煤人为排放增加和夏季降水冲刷[8]作用有关。
对比统计参数值（MB、NMB、R和RMSE）可以看出，模式在秋冬季的预报能力较强，在春夏季的预报能力较弱，尤其是春季预报能力明显较其他季节差，这可能与春季自然排放的沙尘较多，模式中缺少沙尘排放项有关。
观测和预报合肥、蚌埠和芜湖的PM10地面浓度值及其统计参数如表3所示。
对比统计的PM10和PM2.5浓度（表3和表2），可以看出二者有较多的相似之处，例如不同季节观测和预报的PM10和PM2.5浓度变化趋势相同，春季PM10和PM2.5的浓度均被低估。
整体而言，模式对PM10的预报能力较PM2.5的差，尤其是春季PM10地面浓度，合肥、蚌埠和芜湖春季PM10的NMB分别是-43%、-67%和-54%，R为0.10，0.14和0.12。
表3 2017年合肥、蚌埠和芜湖各季PM10质量浓度预报统计季节城市MO/(μg·m-3)MP/(μg·m-3)MB/(μg·m-3)NMB/% R RMSE春夏秋冬合肥96.59 57.91 78.34 115 54.69 41.19 65.46 109.57-41.89-16.72-12.88-5.43-43-29-16-5 0.1 0.38 0.72 0.37 63.26 29.48 32.21 47.11春夏秋冬蚌埠118.22 69.4 85.91 129.58 39.14 25.4 44.41 100.53-79.08-44-41.5-29.05-67-63-48-220.14 0.38 0.69 0.61 103.44 50.72 53.49 58.55春夏秋冬芜湖103.74 52.7671.77 98.85 48.12 33.68 54.56 77.96-55.62-19.08-17.22-20.89-54-36-24-210.12 0.3 0.72 0.34 69.79 33.71 30.34 42.88观测和预报的合肥、蚌埠和芜湖O3的地面浓度值及其统计参数如表4所示，观测的O3浓度变化趋势是春夏季较高，秋冬季较低，这主要是由于夏季光化学作用较强，秋冬季光化学作用较弱，模式能够准确预报O3地面浓度的季节变化趋势。
模式对O3的预报能力在各季节均较好，NMB在±14%以内。
表4 2017年合肥、蚌埠和芜湖各季O3质量浓度预报统计季节城市MO/(μg·m-3)MP/(μg·m-3)MB/(μg·m-3)NMB/% R RMSE春夏秋冬-13合肥123.26 129.17 87.26 61.7 107.79 137.92 88.45 52.76-15.47 8.74 1.19-8.94 71-14 0.73 0.59 0.47 0.04 33.32 43.5 39.21 26.97春夏秋冬蚌埠132.54 127.72 96.36 96.36 118.82 145.92 95.88 95.88-13.71 18.2-0.48-0.48-10 14-1-1 0.75 0.69 0.61 0.61 29.52 39.3 30.65 30.65春夏秋冬-10芜湖120.44 133.31 87.84 87.84 108.09 135.21 95.4 95.4-12.35 1.9 7.56 7.56 199 0.76 0.55 0.58 0.58 35.11 47.29 37.33 37.332.3 等级预报准确率2.3.1 年等级预报准确率2017年合肥、蚌埠、芜湖市D01（D02和D03）区域的等级预报准确率分别是：60%（68%和69%）、62%（72%和72%）、69%（66%和67%）。
