STRONG LAPSE CONDITION (LOOPING)
WEAK LAPSE CONDITION (CONING)
INVERSION CONDITION (FANNING)
Examples of Atmospheric Stability (attribution)
在天气预报中，预测模型用于根据气候系统从初始状态随时间的变化情况来预测大气的未来状态。
虽然预测模型相当复杂（并且确实需要强大的科学和工程能力），但通过将实际经验观察结果与预测值进行比较来分析这些预测模型并验证其准确性的科学却非常简单。
对于空气质量领域，就像天气预报一样，可以定义用于预测未来大气污染的模型。实际上有很多这样的模型，通常称为大气扩散模型。就像天气预报一样，同样的精度分析概念也可以应用于大气污染预测。
本文是空气质量预测系列文章的第一篇。
--
PM 2.5空气污染预测已在亚洲、欧洲以及全世界的世界空气质量指数项目中提供。
但用于预测模型的数据主要基于卫星观测（请参阅本文），而不是地面站读数。
Using satellite data has the advantage of being able to cover any part of the globe, including oceans, provided there are no cloud. But, on the other hand, satellite data is also inherently less accurate, and only available twice a day, compared to 24 times (every hour) for terrestrial observations. Considering the dynamics of Air Pollution in Asia, having only two readings a day might introduced a significant true forecast error in the prediction, following Rosanne Cole's classification[2]:
观测到的预测误差可能包含两种数据误差：(1) 用于构建预测的数据中的测量误差；(2) 实现值中的测量误差。第一类数据误差将成为真实预测误差的组成部分
类型 2 的误差与预测所使用的离散模型有关。由于不同的国家和大洲使用不同的模型（目前世界空气质量指数项目就是这种情况），因此需要对每个模型进行精度分析。因此，首先，本文将重点讨论亚洲大陆使用的模型。在后面的文章中，我们将把分析扩展到更多的大陆。
--
回到关于预测准确性的最初问题，分析中要考虑的最后一项是计算机预测提前多长时间。提前量越少，模型可能越准确。所以，首先，下面的分析图是基于“天+1”的预测（例如第二天的预测，或者如果你是周二，那么预测是周三）。
有多种表示准确性的方法，最明显的一种是一个简单的数字，表示预测与实际观测值匹配的百分比。但因为我们确实相信图形可视化比数字更强大，所以我们更愿意呈现亚洲几个城市的叠加预测/观测匹配。顶部的方块是经验观察值，底部的方块是预测值。
通过检查下面的所有图表，人们可以注意到广州、成都和韩国的结果相当令人失望……以至于亚洲使用的模型几乎失去了公共使用的资格。这是我们将在空气质量预报系列的第二篇文章中写的内容。
--
--
对于那些有兴趣了解预测准确性的人来说，有一些有趣的链接：
