霾污染会严重影响居民的身体和心理健康，也会制约社会经济的高质量发展。准确的预测霾污染（PM2.5浓度）对大气污染治理和风险规避有着重要的现实意义。提前1-7天的PM2.5浓度预测方法和技术已经受到广泛关注和研究。但是，能否提前1-3个月预测出冬季的PM2.5浓度？这依然是一项重大科学挑战，也是大气科学和环境科学研究的重要交叉点之一。
中国东部的霾污染变化受到人为排放、政策减排和气候条件的共同影响。尹志聪等（ACP, 2016; JAMC, 2017; AOSL, 2022）成功预测了霾日数的变化，但仅考虑了气候条件的变化，预测对象也不是PM2.5浓度。也有一些工作采用数学方法，考虑排放的变化，开展了PM2.5浓度的预测，但这些方法都类似于外推，很难达到较高的准确率。中心中高纬气候系统变化团队王会军院士、尹志聪教授等人综合排放源变化和气候条件研发了PM2.5浓度的高分辨率格点化预测模型，在11月即可成功预测出中国东部冬季PM2.5浓度（10×10km）。相关研究成果发表在国际期刊Atmos. Chem. Phys.。
研究分析了排放源变化和气候条件对PM2.5浓度季节性预测的贡献。排放源预测因子可以很好地模拟出2001-2012年冬季 PM2.5浓度逐渐增加和 2013年以来的急剧下降趋势。气候条件因子可以成功地模拟出PM2.5浓度的年际变化。基于年际增量法，综合排放和气候预测因子建立了中国东部网格化冬季PM2.5浓度季节预测模型。在留一法交叉验证中，2001-2019年PM2.5浓度相同符号的面积平均百分比为 81.4 %，三个人口稠密重污染地区的相关系数分别为0.93（华北）、0.95（长三角）和0.87（珠三角），均方根误差分别为6.8、4.2和4.7 µg m−3。在独立循环预报中，开发的预测模型也保持了较高的准确性和稳定性。
图1 SP-EC模型独立循环预测的PM2.5浓度（单位：µg m−3）时间序列：（上）华北，（中）长江三角洲和（下）珠江三角洲。
图2 SP-EC模型预测（阴影）和观测（散点）PM2.5 浓度（单位：µg m−3）：（a）2014年、（b） 2015年、（c）2016年、（d）2017年、（e）2018年和（f）2019年。
论文信息：
Yin, Z. C, Duan, M. K., Li, Y. Y., Xu, T. B., Wang, H. J. 2022. Predicting gridded winter PM2.5 concentration in east of China, Atmos. Chem. Phys., 22, 11173–11185.
相关论文：
Yin Z. C., Wang H. J., 2016, Seasonal Prediction of Winter Haze Days in the North-Central North China Plain，Atmos. Chem. Phys.，60 (15): 1395-1400.
Yin Z. C., Wang H J. 2017. Statistical Prediction of Winter Haze Days in the North China Plain Using the Generalized Additive Model. Journal of Applied Meteorology and Climatology. 56:2411-2419.
Yin, Z. C., Wang, H. J., Liao, H., Fan, K., Zhou B. t., 2022. Seasonal to Interannual Prediction of Air Pollution in China: Review and Insight, Atmospheric and Oceanic Science Letters, 100131.