2. 上海市气象与健康重点实验室, 上海 200030;
3. 德国马普气象研究所, 汉堡 20095
2. Shanghai Key Laboratory of Health and Meteorology, Shanghai 200030;
3. Max Planck Institute for Meteorology, Hamburg 20095
空气质量数值模式是开展大气污染预报预警的重要工具.近几十年来随着计算机技术的飞速发展, 全球(比如GEOS-Chem、MOZART等)-区域(WRF-Chem、CMAQ、CAMX、NAQPMS等)尺度的空气质量数值模式系统取得明显进步(Boylan et al., 2006;侯雪伟等, 2013;Grell et al., 2005;Wang et al., 2006;白永清等, 2016), 在大气污染治理调控、气候变化应对等领域得到深入应用(Wang et al., 2006).空气质量数值模式利用数值方法解析物质的质量守恒方程得到污染物的空间分布和时间变化.在建立质量守恒方程时需要准确刻画污染物在大气中经历的各种物理、化学过程, 比如平流、垂直扩散、湿沉降、气相化学、气溶胶动力化学等.目前天气模式、大气化学传输模式对上述过程的描述及对关键影响因子的计算还不完善, 人为和自然排放清单都存在巨大的不确定性并且难以实现动态更新(钟方潜等, 2017;曹国良等, 2011;于燕等, 2017), 模式的初始和边界条件需要利用卫星和地面观测资料进行优化, 这些都是制约空气质量数值模式水平的因素.周广强等(2016)评估了华东区域环境气象数值模式(RAEMS)对2014—2015年中国东部183个城市PM2.5的预报性能, 发现只有1/3城市的标准偏差低于10%.为了提高空气质量模式预报结果的可用性, 很多学者采用数学方法对模式的输出结果进行修正, 降低模式的预报偏差.其中借鉴天气集合预报的思路, 基于多个空气质量模式的集合预报技术近年来得到重视和发展.如王自发等(2009)建立了北京空气质量多模式集成预报系统(EMS-Beijing), 对3个模式进行算术平均的效果优于单模式.但一些学者的研究则发现算术平均集成在趋势预报和偏差上都低于个别单模式, 而采用多元线性回归、BP神经网络等方法集成则明显提高了预报效果(张伟等, 2010;黄思等, 2015).陈焕盛等(2013)在广州的试验也获得类似的结论, 并提出采用更好的集成方法是改进多模式预报的途径.
多模式最优集成方法(Optimal Consensus Forecast, OCF)首先由Woodcock(2005)提出, 其优势是能够综合体现各模式预报结果的优势, 又不会因为其中一个或者两个模式的性能变化使得集成预报发生较大改变, 因而被广泛应用于气象要素的集成预报并取得很好效果.漆梁波等(2007)采用不同方法对多个模式的要素预报进行集成, 发现OCF对温度和相对湿度的预报准确率较卡尔曼滤波提高约2%, 而且预报水平已经与主观预报相当.朱占云等(2016)利用OCF集成预报浙江的面雨量同样取得较好的评分.吴剑斌等(2017)基于4个空气质量模式(NAQPMS、CMAQ、CAMX、WRF-Chem), 将此方法应用于臭氧数值预报的效果明显优于单模式.本文利用PANDA空气质量数值模式系统(7个模式)对长三角6个城市(上海、合肥、南京、苏州、杭州、宁波)的PM2.5质量浓度预报进行OCF集成, 通过和单模式及算术平均集成预报结果进行对比, 评估OCF对城市PM2.5质量浓度预报、等级预报和趋势预报的性能, 以期提升预报的准确率, 在实际业务中为我国城市空气质量预报提供新的思路和方法.
2 资料与方法(Data and methodology) 2.1 观测资料来源上海逐小时和逐日的PM2.5质量浓度资料由上海市环境监测中心提供, 合肥、南京、苏州、杭州、宁波5个城市的PM2.5质量浓度数据来自全国城市空气质量实时发布平台(http://113.108.142.147:20035/emcpublish/).降雨日数据由上海市气候中心提供, 时间段为2016年6月—2017年5月.
2.2 数值模式2014年欧盟第七科技框架计划(FP7)设立了MarcoPolo-Panda项目, 中国和欧洲的科学家合作研究中国的空气质量问题.其中MarcoPolo项目侧重于利用卫星数据估算排放清单、不同行业的贡献、改善其空间分配方法;PANDA项目侧重于建立数值模式系统, 提供全球和区域尺度空气质量的预报工具, 为地方部门改进大气污染治理提供科学依据.自2016年5月开始, PANDA项目建立了空气质量多模式预报系统包括7个模式, 分别为欧洲中期天气预报中心(ECWMF)的IFS、荷兰气象研究所(KNMI)的CHIMERE、德国马普气象研究所(MPI-M)的WRF-Chem-MPI、芬兰气象研究所(FMI)的SLAM、挪威气象局(MetNo)的EMEP、荷兰应用科学研究组织(TNO)的LOTOS、上海市气象局(SMS)的WRF-Chem-SMS.除IFS是全球模式, 其余均为区域模式.每天7个模式的预报数据上传到KNMI统一处理, 预报结果通过http://www.marcopolo-panda.eu/sample-page/网站显示查询.KNMI为本研究提供了7个模式对2016年6月—2017年5月长三角上海、合肥、南京、苏州、杭州、宁波6个城市PM2.5质量浓度逐小时预报数据.
2.3 OCF方法OCF的基本思路是对预报成员进行权重平均.首先对各模式的预报结果进行滚动检验, 根据检验结果赋予每个模式不同的权重系数, 然后对每个模式进行加权平均.采取滚动检验的目的是考虑各模式在不同阶段的预报表现可能存在差异.OCF主要分两步:
第一步, 对各模式的预报结果进行偏差校正.根据式(1)计算各模式在过去一段时间的平均偏差(MBsw), 然后根据MBsw对各模式的预报结果进行校正(式(2)), 目的是减小各模式之间预报性能的差异.式中FCT为预报值, OBS为观测值, k为向后滑动天数, FA为偏差校正后的预报值.前期试验结果表明在上海平滑窗以10 d为最佳, 故本文m取为10 d.吴剑斌等(2017)在计算平均偏差时, 为剔除极端值和缺测值影响, 选取四分位数和中位数作为计算样本, 本文平滑窗相对较短且模式缺测值较少, 因此计算中只是剔除了极端值(极大值和极小值).
第二步, 进行权重平均集成.首先根据式(3)计算各模式(偏差校正后)在过去一段时间的平均绝对误差E, 然后根据式(4)计算各模式的权重系数W, 绝对误差越大, 则权重系数越小.最后根据式(5)对各模式进行加权平均获得集成预报结果FOCF, 式中, n为模式样本数.
(1) |
(2) |
(3) |
(4) |
(5) |
参照周广强等(2016)对PM2.5质量浓度预报的评估方法, 选取平均偏差(MB)和均方根误差(RMSE)分别表征预报值与观测值的绝对差异、预报偏差的集中度(式(6)、式(7)).
(6) |
(7) |
污染预报的准确性是空气质量预报水平的重要指标.选择漏报率、空报率和TS评分作为污染预报的评估指标.我国《环境空气质量标准》(GB3095-2012)规定, 判别PM2.5污染日的阈值是日均质量浓度为75 μg·m-3.漏报率PO表示没有预报出的污染日数占实际污染日数的比率(式(8)).空报率FAR表示预报的污染日中没有发生的比率(式(9)), TS评分反映污染日有效预报的准确程度(式(10)).式中的参数说明见表 1.漏报率和空报率越低、TS评分越高, 表示污染日预报性能越好.
(8) |
(9) |
(10) |
在城市空气质量预报业务中, 除了要求预报员准确预报污染等级, 同时要求准确预报平均质量浓度, 目的是提高空气质量预报的精准度, 为公众提供更加精细的服务.本文采用胡鸣等(2015)提出的方法对日均质量浓度的预报精度进行评分(式(11)).
在空气质量预报业务中, PM2.5预报精度评分TI根据预报值与实况值之间的差别计算得到.如果差别过大出现得分为负数的情况, 则以0分代替;若实况为优(日均质量浓度小于等于35 μg·m-3), 则分母以优等级的最大值(35 μg·m-3)代替.f0为污染预报附加分(胡鸣等, 2015), 如实况和预报值都为中度污染, 则TI相应加4分.
(11) |
由于PANDA系统中每个模式采用的排放清单、气象初始场、物理化学方案等都存在差异, 因此不同模式的预报结果必然存在一定偏差.图 1统计了2016年6月—2017年5月各模式预报上海PM2.5日均质量浓度的平均偏差分布, 可见除了SMS和LOTOS, 其余模式均存在明显的系统偏差, 其中EMEP、MPI、CHIMMER和SLAM的中位数都偏高5 μg·m-3以上(EMEP偏高了30 μg·m-3), 而IFS则偏低8 μg·m-3, 说明OCF校正各模式系统偏差的必要性.此外, 从各模式偏差的箱体长度(1/4~3/4的分位数)可以看出, SMS、LOTOS和CHIMMER的离散度较小, 尤其是SMS和LOTOS基本集中在-10~10 μg·m-3之间.相比之下, IFS、SLAM和MPI预报偏差的离散度较大, 1/4~3/4的分位数相差15 μg·m-3以上.对比7个模式的偏差分布可见, SMS和LOTUS的预报表现较好.
图 2显示了7个模式预报值和观测值的散点分布, 图中黑色实线表示1:1线, 虚线分别表示1:1/2和1:2线.散点集中在实线附近表示预报值和观测更加逼近.两根虚线之间代表观测值的0.5~2倍范围区间.由图可见, SMS和LOTUS的预报值和观测更加一致, 90%以上的预报值分布在观测的0.5~2倍区间范围内.CHIMMER、EMEP和MPI的预报值较观测偏高, 散点基本位于黑色实线上方, 尤其CHIMMER和EMEP偏高更加明显, 95%以上的预报值位于黑色实线上方.7个模式中, IFS的预报值分布最为离散, 其中50%的预报值分布在观测值的0.5~2倍区间范围之外, 表明预报偏差最大.计算7个模式预报和观测的相关系数发现, LOTOS的相关系数最高为0.82, IFS最低为0.32.
图 3显示了OCF预报PM2.5日均质量浓度偏差的频数分布, 可见42%的预报偏差位于-5~5 μg·m-3范围内, 明显好于7个模式中预报效果较好的LOTUS(35%)和SMS(31%).偏差大于20 μg·m-3的预报结果只占11%.从分布形态看, OCF的偏差分布略向右偏, 表明预报较观测略偏高(偏高的样本数占57%).OCF预报和观测的散点基本集中在1:1线附近(图略), 相关系数达到0.86, 预报值未落在在观测值0.5~2倍区间范围之外的散点只占3%, 集中度好于单个模式.
表 3统计了OCF和单个模式的预报指标, 同时也对比OCF和集合平均(AVE)的预报效果.在7个预报模式中, 对于PM2.5的预报, SMS和LOTUS的平均偏差和均方根误差明显小于其他模式;除了IFS和MPI, 其他模式的相关系数都在0.7以上, 其中LOTUS最高;对于污染等级的预报, SMS的空报率最低(45%), 其次为LOTUS为50%, 而其他模式的空报率都在65%以上.EMEP、CHIMMER和SLAM的漏报率较低, 且明显低于空报率, 表明上述3个模式的预报结果明显偏高, 这和前文的结论一致.综合空报率、漏报率和TS评分3项指标可见, SMS对污染等级的预报效果最好, 表现为空报、漏报少, TS评分高.对于精度预报评分TI, LOTOS最高(78.5), 其次为SMS.综上可以看出SMS和LOTUS对上海PM2.5的预报性能明显优于其他模式.
将OCF的结果和单个模式对比发现, 除了平均偏差和漏报率, OCF的各项指标都优于单个模式, 其中TS评分达到0.66, 空报率降至25%, 明显提高了对污染等级的预报技巧.而且OCF精度评分TI达到80.9, 均方根误差降至12 μg·m-3, 相关系数达到0.86, 表明OCF预报的PM2.5日均质量浓度、变化趋势和实况更加接近.综上可见, 采用OCF对PANDA系统中各模式进行权重平均后, 明显减小了PM2.5质量浓度的预报偏差, 提高了趋势预报和等级预报的技巧, 预报性能优于单个模式.表 3也将OCF和另一种经常使用的集合方法AVE进行对比, 发现AVE除了漏报率略低于OCF, 其余各项检验指标较OCF都明显偏差, 而且也不如模式中表现较好的SMS和LOTUS.这和黄思等(2015)的结论相一致, 即当模式之间的预报性能有明显差异时, 算术平均并不能有效提升系统的预报效果.相比之下OCF能够根据前期的滚动检验降低个别模式的权重, 使预报结果偏向好的模式, 从而克服了AVE的缺点.需要指出的是, 集合系统的整体预报性能越高, 各模式的预报水平越接近, OCF的效果才会越好(漆梁波等, 2007).
3.3 OCF在冬夏两季的预报效果对比PM2.5具有明显的季节变化, 一般表现为冬季高、夏季低的特点.表 4统计了PANDA系统各模式及OCF对冬夏两季PM2.5预报的平均偏差、相关系数、均方根误差和精度TI评分.首先除了EMEP和MPI, 其他模式夏季的TI评分都高于冬季, 主要是因为高污染事件一般都发生在冬季, 增加了预报难度(许建明等, 2016).值得注意的是, 除了IFS和SLAM其他模式夏季的相关系数反而低于冬季, 即夏季的趋势预报效果较冬季偏差, 可能的原因是夏季PM2.5逐日变化幅度较小导致趋势预报的难度增大.对比OCF和各模式发现, 冬夏两季OCF预报的相关系数和TI评分都高于单个模式, 其中在冬季的提高更加显著, 和最优单模式LOTUS相比, 相关系数从0.81提高到0.87, TI评分从74.1提高到77.1.另外OCF在冬季的污染TS评分为0.78, 同样优于单个模式.但OCF在冬夏两季的预报偏差分别为-1.2和4 μg·m-3, 要高于LOTUS和SMS, 显然是受到了其他模式的影响, 说明OCF仅依据绝对偏差计算权重系数的方法存在局限.
降雨日的PM2.5预报一直是业务中的难点.降雨对气溶胶具有湿清除作用(赵海波等, 2005;周广强等, 2017).许建明等(2017)通过观测发现上海降雨日的PM2.5质量浓度较非降雨日下降约30%.但降雨对PM2.5的清除效率却非常复杂, 和雨滴谱、气溶胶粒径谱等因素有关.而且降雨时温度、风速的变化会改变PM2.5的平流和扩散过程, 从而抵消或者增强其湿清除效应.大约50%的降雨过程结束后PM2.5不降反升, 因此给实际预报带来很大困难.本节分别检验有降雨和无降雨两种情况下OCF的表现, 期望为降雨日的PM2.5预报提供参考.图 4计算了降雨日和非降雨日各模式和OCF预报的日均PM2.5质量浓度的平均偏差、均方根误差和TI评分.可见, 和非降雨日相比, 降雨日各模式预报的PM2.5平均偏差、均方根误差都明显偏高, TI评分偏低, 表明有降雨时模式的预报技巧较低, 一方面是因为模式对降雨预报的准确率较低, 另外也说明模式采用的湿沉降方案并不完善.OCF对降雨日的PM2.5预报有一定改进, 和最优单模式LOTUS相比, 降雨日OCF预报的PM2.5均方根误差降低了10.9%, TI评分分别提高了1.8%, 可为业务预报提供更好的参考.但相比之下, 非降雨日OCF预报性能提高更加显著, 和LOTOS相比均方根误差分别降低了17.3%, TI评分分别提高了3.9%.可见OCF对降雨日PM2.5的预报虽然有所改进, 但幅度较小, 没有非降雨日明显.这主要受目前模式对降雨时PM2.5的预报水平较低限制.
前面的分析表明基于PANDA系统的OCF试验对上海PM2.5的精度预报、趋势预报和等级预报都有明显改进.考虑到城市大气污染除了和本地排放、地理位置有关, 还受大气环流形势变化影响(Pasch et al., 2011;赵敬国等, 2015;吴蒙等, 2015).为了进一步考察OCF的适用性, 本节选择了长三角其他5个城市(南京、杭州、合肥、苏州和宁波)进行类似的对比检验.图 5用箱体图表示5个模式和OCF预报不同城市PM2.5质量浓度的偏差分布.由图可见PANDA系统各模式在不同城市的表现有所差异, 相比而言对内陆城市南京、合肥的预报偏差较大, 中值约为10~25 μg·m-3;杭州和苏州的预报偏差和上海接近(小于10 μg·m-3);各模式对宁波的预报偏差最小.单个模式中LOTUS的预报偏差和离散度最小, SMS和LOTUS的偏差相当, 但离散度要大于LOTUS.相比而言, OCF的平均偏差基本小于5 μg·m-3, 对南京、合肥的改进尤其明显, 此外离散度也明显减小, 除了宁波, 对其余4个城市都有明显改进, 可提高长三角地区的预报水平.
表 5统计了OCF对5个城市预报的均方根误差、相关系数、TI评分和TS评分.结果显示:OCF对南京、杭州、合肥、苏州、宁波5个城市预报的PM2.5均方根误差为13~17 μg·m-3, 和最优单模式相比, 降幅都超过了15%;TI评分都大于75, 较最优单模式提高了7%.除合肥以外OCF对其他4个城市预报的相关系数都超过0.7, 较最优单模式提高了6%.对于TS评分而言, 杭州、苏州和宁波的改进比较明显.总体而言, 采用OCF后不但降低了均方根误差, 且提高了相关系数和预报评分.可以看出, 虽然各模式对于不同城市的表现有所差异, 但OCF对每个城市的预报较最优单个模式都有明显改进, 取得较好的预报效果.
1) OCF显著提高了城市PM2.5污染等级预报、趋势预报和精度预报的技巧和最优单模式, 均方根误差降低1.9~5.2 μg·m-3, 相关系数提高0.04~0.12(合肥除外), TS评分提高0.04~0.16(南京除外), 精度评分TI提高2.4~9.5, 综合预报水平显著提高.
2) 和夏季相比(以上海为例), OCF在冬季的提高更加显著, 和最优单模式(LOTUS)相比, 相关系数从0.81提高到0.87, 精度评分TI从74.1提高到77.1.OCF在冬季的污染TS评分为0.78, 同样优于单个模式.
3) 由于目前模式对降雨时PM2.5的预报水平较低, OCF对降雨日的PM2.5预报有一定改进(以上海为例), 和最优单模式相比, PM2.5均方根误差分别降低了2.21 μg·m-3, 精度评分TI分别提高了1.4, 可为业务预报提供参考.但改进幅度较小, 没有非降雨日明显.
4) OCF采用权重平均的方法集成各模式的预报结果, 从而克服了平均集成方法的缺点.另外采用滚动检验的方法考虑了不同模式在不同阶段的表现存在差异, 使得OCF优于任一模式的预报.通过本文试验对未来OCF的应用提出两点建议, 首先仅采用绝对误差计算权重系数的方法存在局限, 导致对精度预报的改进很显著, 但对趋势预报和等级预报的改进有限;其次是系统偏差校正时需要选择最合适的时间长度, 本文中平滑窗为10 d, 但该值在其它城市和不同季节需针对性探讨.最后需要指出的是, 集合系统的整体预报性能越高, 各模式的预报水平越接近, OCF的效果才会越好.
Boylan J, Russell A. 2006. PM and light extinction model performance metrics, goals, and criteria for three-dimensional air quality models[J]. Atmospheric Environment, 40(26): 4946–4959.
DOI:10.1016/j.atmosenv.2005.09.087
|
白永清, 祁海霞, 刘琳, 等. 2016. 华中区域环境气象数值预报系统及其初步应用[J]. 高原气象, 2016, 35(6): 1671–1682.
|
曹国良, 张小曳, 龚山陵, 等. 2011. 中国区域主要颗粒物及污染气体的排放源清单[J]. 科学通报, 2011, 56(3): 261–268.
|
陈焕盛, 王自发, 吴其重, 等. 2013. 空气质量多模式系统在广州应用及对PM10预报效果评估[J]. 气候与环境研究, 2013, 18(4): 427–435.
|
Grell G, Peckham S, Schmitz R, et al. 2005. Fully coupled "online" chemistry within the WRF model[J]. Atmospheric Environment, 39: 6957–6975.
DOI:10.1016/j.atmosenv.2005.04.027
|
侯雪伟, 朱彬, 康汉青, 等. 2013. MOZART-4大气化学模式模拟东亚季风对对流层污染物的影响:模式验证[J]. 高原气象, 2013, 32(2): 2387–2401.
|
胡鸣, 赵倩彪, 伏晴艳. 2015. 上海环境空气质量预报考核评分方法研究和应用[J]. 中国环境监测, 2015, 31(4): 54–57.
DOI:10.3969/j.issn.1002-6002.2015.04.009 |
黄思, 唐晓, 徐文帅, 等. 2015. 利用多模式集合和多元线性回归改进北京PM10预报[J]. 环境科学学报, 2015, 35(1): 56–64.
|
黄晓波, 殷晓鸿, 黄志炯, 等. 2016. 不同模式对珠三角地区细颗粒物污染模拟效果对比评估[J]. 环境科学学报, 2016, 36(10): 3505–3514.
|
Jeffery A, Clifford F. 2005. Performance of national weather service forecasts compared to operational, consensus, and weighted model output statistics[J]. Weather and Forecasting, 20: 1034–1407.
DOI:10.1175/WAF896.1
|
Pasch A N, Macdonald C P, Gilliam R C, et al. 2011. Meteorological characteristics associated with PM2.5 air pollution in Cleveland, Ohio, during the 2009-2010 Cleveland multiple air pollutants study[J]. Atmospheric Environment, 45(39): 7026–7035.
|
漆梁波, 曹晓岗, 夏立, 等. 2007. 上海区域要素客观预报方法效果检验[J]. 气象, 2007, 33(9): 9–18.
DOI:10.3969/j.issn.1000-0526.2007.09.002 |
王自发, 吴其重, 等. 2009. 北京空气质量多模式集成预报系统的建立及初步应用[J]. 南京信息工程大学学报(自然科学版), 2009, 1(1): 19–26.
|
吴剑斌, 肖林鸿, 晏平仲, 等. 2017. 最优化集成方法在城市臭氧数值预报中的应用研究[J]. 中国环境监测, 2017, 33(4): 213–220.
|
吴蒙, 吴兑, 范绍佳. 2015. 基于风廓线仪等资料的珠江三角洲污染气象条件研究[J]. 环境科学学报, 2015, 35(3): 619–629.
|
Wang Z F, Xie F Y, Wang X Q, et al. 2006. Development and application of nested air quality prediction modeling system[J]. Chinese Journal of Atmospheric Sciences-Chinese Edition, 30(5): 680–689.
|
Woodcock F, Engel C. 2005. Operational Consensus Forecast[J]. Weather and Forecasting, 20: 101–111.
DOI:10.1175/WAF-831.1
|
许建明, 常炉予, 马井会, 等. 2016. 上海秋冬季PM2.5污染天气形势的客观分型研究[J]. 环境科学学报, 2016, 36(12): 4303–4314.
|
许建明, 高伟, 瞿元昊. 2017. 上海地区降雨清除PM2.5的观测研究[J]. 环境科学学报, 2017, 37(9): 3271–3279.
|
于燕, 廖礼, 崔雪东, 等. 2017. 不同人为源排放清单对大气污染物浓度数值模拟的影响:以浙江省为例[J]. 气候与环境研究, 2017, 22(5): 519–537.
|
张伟, 王自发, 安俊岭, 等. 2010. 利用BP神经网络提高奥运会空气质量实时预报系统预报效果[J]. 气候与环境研究, 2010, 15(5): 595–601.
DOI:10.3878/j.issn.1006-9585.2010.05.08 |
赵海波, 郑楚光. 2005. 降雨过程中气溶胶湿沉降的数值模拟[J]. 环境科学学报, 2005, 25(12): 1590–1596.
DOI:10.3321/j.issn:0253-2468.2005.12.004 |
赵敬国, 王式功, 张天宇, 等. 2015. 兰州市大气重污染气象成因分析[J]. 环境科学学报, 2015, 35(5): 1547–1555.
|
钟方潜, 苏琪骅, 周任君, 等. 2017. 秸秆焚烧对区域城市空气质量影响的模拟分析[J]. 气候与环境研究, 2017, 22(2): 149–161.
|
周广强, 高伟, 谷怡萱, 等. 2017. WRF-Chem模式降水对上海PM2.5预报的影响[J]. 环境科学学报, 2017, 37(12): 4476–4482.
|
周广强, 谢英, 吴剑斌, 等. 2016. 基于WRF-Chem模式的华东区域PM2.5预报及偏差原因[J]. 中国环境科学, 2016, 36(8): 2251–2259.
DOI:10.3969/j.issn.1000-6923.2016.08.002 |
朱占云, 陈光宇, 姜瑜君, 等. 2016. 浙江省六大水库流域面雨量模式预报效果检验[J]. 气象与环境学报, 2016, 32(3): 28–33.
DOI:10.3969/j.issn.1673-503X.2016.03.004 |