随着我国经济的快速发展，工业化和城市化进程加快，在取得举世瞩目的经济成就的同时，由于大量的能源消耗引发了诸多的大气污染问题。从排放源空间分布情况来看，我国人为污染排放主要集中在中东部地区，特别是以京津冀、长三角和珠三角为代表的城市群地区，伴随着城市密度的增加，大气污染的区域性影响也变得日益突出^[1-3]。区域内多种排放共存，使我国大气污染已由单一煤烟型污染转化为煤烟型与光化学污染并存的复合型污染，而区域大气复合污染直接导致了区域性雾霾天气的发生^[4-5]。

在我国东部地区三大城市群中以京津冀污染最为严重，2013年1月在极端不利的气象条件下，京津冀区域出现了5次重度霾过程，北京和石家庄一些监测点PM_2.5日平均浓度超过了500 μg·m^-3[6-7]，已成为严重威胁人体健康和生态安全的重大社会问题，引起了政府和公众的高度关注。

区域空气质量模式在研究大气污染演变规律、空气质量预报预警及大气污染控制管理决策等方面发挥着越来越重要的作用。目前国际上应用较为广泛的空气质量模式主要有美国环保署 (EPA) 开发的通用多尺度空气质量模式 (CMAQ)^[8]、美国Environ公司可扩展的综合空气质量模式 (CAMx)^[9]，这些模式在国内的空气质量预报和大气污染研究中得到了广泛应用^[10-11]。国内发展和应用较好的空气质量模式主要有中国科学院大气物理研究所的嵌套网格空气质量预报系统 (NAQPMS)、南京大学区域大气环境模式系统 (RegAEMS) 等^[12-13]。其中，NAQPMS已在国内多家环保监测部门进行了业务应用。然而上述大部分空气质量模式和气象模式为离线 (即用气象模式获得的气象场驱动大气化学模式)，气象要素由于时空插值造成气象场的误差增大，从而引起空气质量模拟的误差随之增加。因此，一个在线的、全耦合的包括多尺度、多过程的模式系统是大气污染模式向区域空气质量实时预报发展的趋势，由美国国家大气研究中心 (NCAR)、美国国家海洋及大气管理局 (NOAA) 和美国太平洋西北国家实验室 (UCAR) 等多家组织联合开发的气象-化学耦合模式WRF-Chem即为此类，其目前已成为国内外空气质量模拟研究和业务应用的主要模式之一。南京大学则基于RegAEMS和WRF-Chem模式，在长三角地区建立了霾和空气质量预报系统，并在上海市得到了很好的应用^[13]。同时，中国气象科学研究院正在研发的CUACE-fog/haze模式，也是一个气象-化学在线耦合的模式系统，并在气象部门得到较好应用。

通过引进WRF-Chem模式，并与北京市气象局多年业务上不断改进的北京地区快速更新循环同化预报系统 (BJ-RUC) 有机结合，京津冀环境气象预报预警中心建立了北京区域环境气象数值预报系统 (Beijing Regional Environmental Meteorology Prediction System, BREMPS), 该系统集空气质量、能见度和气象要素预报为一体，可提供环境气象预报所需的多种要素参考，并在北京市和周边省市气象部门得到较好应用。本文重点介绍该系统的框架及主要组成部分、采用的能见度计算方案，并对2014年全年BREMPS系统在北京及周边地区PM_2.5浓度和能见度的预报效果进行检验评估，为下一步模式系统改进和业务应用提供科学参考。

BREMPS是以WRF-Chem V3.3.1为积分主模式^[14]，由BJ-RUC提供气象预报场。因为它由空气质量模式也就是大气化学模式 (Chem) 与气象模式 (WRF) 在线耦合而成，可同步计算物理和化学过程，从而可有效减少由于时间和空间插值造成的误差。总体上来说，WRF-Chem模式较为全面地考虑了物理和化学过程，包括大气污染物的平流和对流输送、湍流扩散、干湿沉降、辐射传输等主要大气物理过程，生物质排放与人为排放、多相化学、气溶胶化学和动力学等大气化学过程。此外，该模式还能够实现大气动力、辐射和化学过程之间的耦合和反馈过程。

BJ-RUC系统是北京市气象局基于WRF模式和WRFDA三维变分同化模块构建的。系统在流程框架、资料同化及物理方案等方面进行了大量更新，在同化了大量常规气象观测资料、GPS水汽和飞机观测的气象数据基础上，进一步同化了华北地区6部多普勒天气雷达的径向风速度和反射率因子资料，采用新的陆面参数化方案，使华北地区气象场的预报性能得到明显提升^[15-18]。因此，BJ-RUC为BREMPS提供了更好的气象背景场，进而提高其对污染物时空演变的预报能力。

目前BREMPS为第1版 (BREMPS V1.0)，其预报范围覆盖华北大部分地区，采用Lambert地图投影方式，中心点为39.2°N，116°E，经向格点数为133，纬向格点数为124，水平分辨率为9 km，垂直方向分为30层，最低层中间高度距地面约18 m，1500 m以下13层，模式层顶为50 hPa。预报区域及检验所用观测站点如图 1所示。系统选用的主要物理、化学过程方案设置如下：积云对流参数化方案采用Grell-3d方案，微物理过程采用WSM6显式方案，RRTM长波辐射方案，Goddard短波辐射方案，边界层方案为YSU方案，模式陆面过程采用Noah参数化方案。气相化学过程采用CBMZ方案^[19]，光解过程由Fast-J方法在线计算^[20]，气溶胶过程采用分档分类的MOSAIC模型^[21]。

图 1

图 1. 预报区域及检验所用环境监测站点示例 Fig 1. Forecast region and the location of monitoring stations

该系统自2013年9月实现自动化运行，每日20：00(北京时，下同) 起报，运行1次，预报积分时间为72 h。预报系统总体分为5部分，即基础数据准备、前处理系统、排放源处理、WRF-Chem主模式计算和预报结果分析。同时，为保障预报系统的连续性，减小每日污染预报“磨合”时间，以前一日24 h预报结果为当日污染物模拟预报提供初始条件。图 2为该系统的框架图。

图 2

图 2. 北京区域环境气象数值预报系统 (BREMPS) 的主要架构 Fig 2. Main frame of Beijing regional environmental meteorology prediction system

水平能见度是霾预报的一项重要参考指标，因此，开展霾天气的精细化预报亟需开发能见度的客观预报产品。目前，对于霾天水平能见度的参数化方案主要是如何考虑气溶胶的吸湿增长效应，通用的方法分为两类：一类是基于米散射理论和气溶胶吸湿增长原理计算气溶胶消光系数后得到能见度的物理计算方案^[22-23]，另一类是基于气溶胶化学组分吸湿增长计算消光系数的化学方案，代表性工作为美国的IMPROVE方程^[24-25]，二者均需获得精细的气溶胶分粒径化学组分信息，且计算方法相对复杂。由于模式对于气溶胶精细理化特性的预报能力有限，但对于干PM_2.5质量浓度预报效果较好，为了满足业务应用计算简单但精度高的需求，通过调研、对比北京及周边地区的研究成果，最终选用Chen等^[26]在天津武清地区通过野外试验观测建立的霾天能见度参数化方案。该方法在获得分粒径气溶胶吸湿增长函数变化的基础上，拟合得到PM_1.0以下的全谱气溶胶吸湿增长参数化方案，具体计算公式如下：

(1)

(2)

其中, K_ex为气溶胶消光系数 (单位：M·m^-1)，V为PM_1.0以下干气溶胶体积浓度 (单位：μm³·cm^-3)，H_R为相对湿度 (单位：%)，V_is为能见度 (单位:km)。式 (1) 中k代表的是平均体积消光系数 (单位：M·m^-1(μm³·cm^-3)^-1)，k, a和b为拟合参数，分别为9.08，0.944和0.475^[26]。

排放源的不确定性是限制当前空气质量模式研究的主要因素之一。清华大学多年来一直在开展中国人为排放源清单的制定和研究工作^{[2, 27-28]}。BREMPS系统目前采用的是清华大学基于INTEX_B2006排放源清单进行更新的2008年清单数据，水平分辨率为0.1°×0.1°。随着近些年北京及区域城市化进程的加快，能源消耗仍在逐年增加，但同时污染源减排工作也在同步开展，与新发布的2012年排放源清单数据比较 (http://www.meicmodel.org)，京津冀区域NO_x和PM_2.5的排放量整体呈增加趋势，而CO和SO₂的排放量在河北省明显降低，在北京和天津变化不大，因此，模式采用的排放源与2014年实际情况存在一定差异，这会造成污染物浓度预报的系统性偏差。

PM_2.5浓度的观测数据来自中华人民共和国环境保护部全国城市空气质量实时监测数据 (http://113.108.142.147:20035/emcpublish)，预报区域内共119个站，北京地区共12个国控点，其中8个城区站分别为奥林匹克体育中心、海淀区万柳、农业展览馆、东四、官园、古城、天坛和万寿西宫，4个郊区站是怀柔镇、昌平镇、顺义新城和定陵，定陵作为城市清洁对照点。

能见度数据来自北京市地面气象观测站逐3 h观测结果。本研究选用北京市观象台 (区站号为54511) 和海淀站作为模式系统检验对比点。

检验PM_2.5浓度时，主要选用了相关系数、平均误差和归一化平均偏差3个统计量。归一化平均偏差 (normalized mean bias)

(3)

其表征的是预报相对观测的偏差率, 其中P_i和O_i分别为第i天的预报与观测。

图 3为整个区域24 h预报与观测的年平均PM_2.5日平均浓度相关系数和归一化平均偏差的空间分布图，预报与观测在整个区域上呈正相关，且除去模式靠近边界的地区，大部分站点的相关系数均在0.6以上 (本文给出的相关系数均达到0.01显著性水平)，特别是北京有些站点相关系数可达0.8以上。从归一化平均偏差来看，BREMPS V1.0的预报结果相比观测总体上偏低，区域平均偏低15%左右，靠近区域中心地区预报的归一化平均偏差较小，区域边界以及海陆交界处则偏差较大，北京和河北中南部地区的归一化平均偏差可在-20%以内，总体上预报效果最好。

图 3

图 3. 24 h预报的PM2.5日平均浓度与观测的检验统计值空间分布 (a) 相关系数，(b) 归一化平均偏差 Fig 3. Spatial distribution of correlation coefficient (a) and normalized mean bias (b) between 24 h forecasted and observed daily mean PM2.5 concentration

表 1给出了区域内重点城市及主要地区年平均的PM_2.5日平均浓度不同预报时效的预报与观测值之间的检验统计量。其中，北京城区和郊区以1.3节中给出的站点划分，天津和石家庄分别是两个城市范围内的站点，由于河北省大气污染状况存在明显的南北差异，因此，以39.8°N为界，将河北省分为两部分进行统计检验，整个区域则为BREMPS预报范围内所有站点的检验统计情况。由表 1可见，2014年BREMPS预报区域内观测的PM_2.5浓度年平均值为74.3 μg·m^-3, 空气污染形势依然严峻。PM_2.5浓度存在明显的空间差异，其中河北北部浓度最低，约为55.6 μg·m^-3，石家庄市浓度最高为132.5 μg·m^-3，其次河北中南部为117.5 μg·m^-3，北京和天津介于中间，为76.7~88.0 μg·m^-3。BREMPS对于这种空间上的分布特点给出了较好的预报，预报最高是石家庄为91.8 μg·m^-3，其次是河北中南部的82.5 μg·m^-3，最低也出现在河北北部为44.5 μg·m^-3，但预报结果相比观测普遍偏低，特别是北京郊区和天津市的预报结果偏低明显。通过模拟分析，目前模式预报范围偏小造成区域输送量偏低以及水平分辨率不够是其中的一个重要原因。如1.3节所述，系统采用的排放源清单数据相对较早，对PM_2.5排放量的低估是造成预报系统性偏低的另外一个原因。目前模式中大气物理化学过程描述不完善可能也是造成预报偏低的原因之一。但总体上，BREMPS V1.0的预报结果具有可靠性，并在业务预报服务中得到了很好的应用。

表 1

表 1 年平均PM2.5日平均浓度的预报与观测检验统计 Table 1 Test statistics for forecasted and observed annual mean daily average PM2.5 concentration 区域 浓度/(μg·m-3) 相关系数 归一化平均偏差/% 平均误差/(μg·m-3) 观测 24 h 48 h 72 h 24 h 48 h 72 h 24 h 48 h 72 h 24 h 48 h 72 h 北京城区 88.0 78.9 69.7 65.2 0.77 0.77 0.69 -10.3 -20.8 -25.9 -9.0 -18.2 -22.7 北京郊区 76.7 49.2 45.8 43.1 0.83 0.79 0.75 -35.8 -40.1 -43.7 -27.4 -30.6 -33.4 天津 85.4 59.0 49.8 45.7 0.69 0.64 0.56 -30.9 -41.7 -46.5 -26.4 -35.6 -39.7 石家庄 132.5 91.6 81.5 77.0 0.68 0.62 0.53 -30.9 -38.5 -41.8 -40.9 -51.0 -55.4 河北中南部 117.5 82.5 71.3 67.8 0.73 0.66 0.57 -29.8 -39.3 -42.3 -35.0 -46.2 -49.7 河北北部 55.6 44.5 39.5 37.5 0.77 0.76 0.73 -20.0 -28.9 -32.4 -11.1 -16.1 -18.0 整个区域 74.3 51.8 45.2 43.0 0.73 0.69 0.65 -30.2 -39.2 -42.1 -22.5 -29.1 -31.3

表 1 年平均PM2.5日平均浓度的预报与观测检验统计 Table 1 Test statistics for forecasted and observed annual mean daily average PM2.5 concentration

综合相关系数和偏差统计结果可见，随预报时效的延长，模式系统的预报性能逐渐降低，从24 h到72 h预报，相关系数降低的幅度在0.15以内，而平均误差可相差15 μg·m^-3，归一化平均偏差可相差16%左右。以区域平均的统计结果作为基准，则北京城区和河北北部预报效果最佳，48 h以内预报与观测之间的相关系数约为0.77，72 h的相关也可达到0.69以上，归一化平均偏差基本在-30%以内。其次分别是北京郊区和河北中南部，BREMPS对北京郊区PM_2.5浓度的变化趋势预报在区域中相对最好，72 h以内的相关系数超过0.75，24 h预报相关达到0.83，但相比北京城区和区域平均而言，预报偏差相对较大，24 h预报与观测的归一化平均偏差和平均误差分别达到-35.8%和-27.4 μg·m^-3，这可能是城区的排放源清单在排放量的统计上更为精准的缘故，但由于城区排放源时空变化差异更大，而模式水平分辨率较低，对这种精细的时空变化体现相对较差，因此, 预报与观测的相关性较郊区反而低一些。这种现象与已有北京地区的模拟研究工作结果一致^[29-30]。河北中南部24 h预报相关系数与区域平均持平为0.73，随着预报时效增加降低较为明显，预报的平均误差虽然相比区域平均偏大，但由于该地区观测浓度较高，归一化平均偏差与区域平均比较接近。而在天津市和石家庄市BREMPS预报的性能总体较区域平均偏低，其原因除了上述提到的排放源估计偏低和模式分辨率有待提高的原因之外，可能与这两个地方特殊的地理地形位置有关，天津市靠近渤海湾，PM_2.5中会含有部分海盐成分，该成分随着天气条件变化贡献不一，但在模式中由于未考虑海盐等自然源的贡献，可能是造成天津地区预报性能相对区域其他地区偏差的一个原因。石家庄由于地处太行山脚下，特别是静稳天气条件下，地形引起的局地环流影响会更加明显，由于模式分辨率较粗，对于局地环流特征的精细刻画不够，可能造成了该地区预报效果偏差。此外，模式系统采用的排放源中并未考虑扬尘排放源，在经常出现以PM₁₀为首要污染物的河北中南部城市地区，该类源的缺失一方面可能造成了模式系统预报的颗粒物浓度偏低明显 (包括PM₁₀和PM_2.5)，另外，这类源的时空多变性可能造成对有些站点颗粒物浓度趋势的预报效果较差。

通过上述区域预报效果的检验可见，总体上BREMPS系统在北京地区的预报效果最佳，本节以北京地区为例，对PM_2.5浓度的预报效果进行更加深入的分析。图 4为2014年北京城区和郊区观测与24 h预报的PM_2.5日平均浓度变化曲线。总体上，预报结果在城区和郊区与观测均具有较好的一致性，但预报较观测总体偏低。BREMPS预报系统对于主要的污染过程有较好体现，但对于日平均浓度高于200 μg·m^-3的过程，预报的浓度通常偏低，这也是目前大部分大气化学模式的共同特征。从北京城区逐月预报统计结果来看 (图 5)，BREMPS在春季、秋季和冬季的预报效果均优于夏季，前3个季节，48 h以内预报与观测相关总体在0.7~0.9之间，归一化平均偏差在±20%以内，特别是9—12月，72 h以内预报偏差变化不大，预报结果比较稳定。但夏季相关系数有所降低，预报与观测之间的偏差也显著增大，相关系数降低可能与夏季降水过程增多、模式对降水过程预报的偏差造成个别过程浓度变化趋势差异较大有关。同时，夏季偏南风过程增多，由于区域偏小，边界上输送量偏少可能使得预报浓度相比其他季节偏低。另外，由于夏季光化学反应增强，二次气溶胶组分在颗粒物中所占比例明显增加^[31]，但模式对二次气溶胶形成过程的描述普遍存在不足。由于模式对这些过程在不同季节的体现程度有所不同，造成了预报效果的季节差异。在后期模式系统改进过程中还需进一步明确原因，改进预报效果。

图 4

图 4. 北京城区 (a) 和郊区 (b) PM2.5日平均浓度观测与24 h预报对比 Fig 4. Comparison between observation and 24 h forecast of daily mean PM2.5 concentration in Beijing urban (a) and rural (b) areas

图 5

图 5. 北京城区PM2.5观测与预报检验统计量逐月变化 Fig 5. Monthly test statistic for observation and forecast of PM2.5 in Beijing urban area

2013年开始，能见度观测逐步由人工观测更换为能见度仪自动观测，由于更新进度不同，目前，区域上两种观测方式在同时采用。然而器测能见度普遍低于人工观测结果^[32]，鉴于两种观测方式获得的能见度本身存在系统性偏差，区域内站点间可比性较差，考虑观测数据对于模式预报效果检验的一致性，本文分别选取了采用仪器自动观测的北京市观象台和人工观测的海淀站能见度观测资料进行预报统计检验。由于观测能见度一般设定30 km为上限，为方便比较，模式预报能见度高于30 km的统一设定为30 km。图 6和图 7是2014年北京市观象台和海淀站观测与24 h预报日平均能见度的时序图和散点拟合图。由图 6和图 7可见，BREMPS对能见度的时间演变趋势预报很好，对10 km以下的低能见度，预报在北京市观象台相比观测略偏高，而在海淀站却明显偏低，对于一些持续性的低能见度过程，除夏季以外，模式系统基本能够给出较好的预报。预报能见度与观测值相关在北京市观象台可达到0.83，而在海淀相关性则降低为0.63。结果表明，模式预报结果与器测能见度更加接近，相关更好。因此，本文选用北京市观象台的结果进一步进行能见度分级检验的统计，由表 2可见，对于小时能见度大于10 km的情况，BREMPS预报的准确率可达到80.5%，对于低于10 km的情况，预报准确率接近77.1%，随着能见度降低，准确率逐级下降，5 km以下为62.2%，2 km以下为40.7%。如将低于10 km以下的能见度进行分段统计，其准确率为33.3%~40.7%。日平均能见度的统计结果与小时能见度总体类似，随着能见度降低准确率逐渐下降，但对于2~5 km和5~10 km以及10 km以上分段检验结果要优于小时能见度，差别最大的是低于2 km的情况，预报的日平均能见度准确率明显低于小时统计结果。但基于小时能见度的检验对于业务预报来讲更为适用，特别是低能见度出现的时间和维持。因此，能见度预报效果的检验评估方法仍需进一步探讨。

图 6

图 6. 2014年观测与24 h预报的日平均能见度 (a) 北京市观象台，(b) 海淀站 Fig 6. Observation and 24 h forecast of daily mean visibility (a) Beijing Weather Observatory, (b) Haidian Station

图 7

图 7. 2014年观测与24 h预报的日平均能见度散点拟合 (a) 北京市观象台, (b) 海淀站 Fig 7. Linear fitting between observation and 24 h forecast of daily mean visibility (a) Beijing Weather Observatory, (b) Haidian Station

表 2

表 2 北京市观象台能见度分级检验统计表 Table 2 Classification statistics of forecasted visibility at Beijing Weather Observatory 分级/km 小时样本量 准确率/% 日样本量 准确率/% 观测 预报 观测 预报 [10，30) 1333 1073 80.5 200 179 89.5 [0，10) 1424 1098 77.1 165 111 67.3 [0，5) 903 562 62.2 89 50 56.2 [0，2) 307 125 40.7 24 2 8.3 [2，5) 597 229 38.4 66 29 43.9 [5，10) 522 174 33.3 77 29 37.7

表 2 北京市观象台能见度分级检验统计表 Table 2 Classification statistics of forecasted visibility at Beijing Weather Observatory

2014年APEC峰会已于11月10—11日在北京怀柔雁栖湖举行，根据APEC峰会空气质量保障及系列活动服务需要，APEC峰会重点保障时段为11月1—12日。图 8为APEC期间及前后模式系统对于北京地区空气质量指数 (AQI) 实况与24 h预报的对比情况，由图 8可见，预报与实况吻合良好，模式能够很好的预报出AQI的逐日变化趋势和AQI的等级，逐日AQI的预报与实况值相关系数达0.9，归一化平均偏差仅为4.2%。与2014年10月模式预报总体偏低不同的是，自11月3日开始模式预报的结果总体较实测值偏高，这与北京和周边开始实施不同力度污染源减排措施的时间一致，而这部分差值也在一定程度上反映了污染源减排对空气质量改善的影响。利用11月6—10日 (区域污染源减排严格控制时段) 预报结果与实况差值比较估算区域减排对北京城区空气质量改善的效果约为30%，与北京市环保局公布的APEC期间空气质量保障措施对北京地区主要污染物PM_2.5浓度降低贡献率33.6%非常接近 (http://www.bjepb.gov.cn/bjepb/332423/332446/416697/index.html)。

图 8

图 8. 2014年10月26日—11月13日北京地区观测AQI与海淀站和官园站预报AQI对比 (a) 逐日AQI对比，(b) 观测与海淀站预报AQI拟合，(c) 观测与官园站预报AQI拟合 Fig 8. Comparison between observed AQI in Beijing area and forecasted AQI at Haidian and Guanyuan stations from 26 Oct to 13 Nov in 2014 (a) daily AQI, (b) linear regression between the observed and the forecasted AQI at Haidian Station, (c) linear regression between the observed and the forecasted AQI at Guanyuan Station

由AQI实况可知，11月7日北京地区空气质量开始转差，至11日该过程结束，模式系统较好地预报出了这次污染过程的时空演变情况。以PM_2.5浓度为例 (图 9)，11月7日模式预报北京以南的河北大部、山东西部和河南省东北部PM_2.5浓度已经增加，由于模式系统实时预报未进行污染源的减排，因此, 较实况偏高，但随着不利气象条件的维持，区域上PM_2.5浓度开始累积，该过程后期影响北京南部地区，10日下午至夜间向北京输送的趋势非常明显，造成10日夜间北京地区PM_2.5浓度增加，高浓度区于11日上午整体向东移动，对北京地区的影响结束，模式系统预报结果与实况吻合较好，预报出此次污染过程的时空演变特征。此外，能见度对比 (图 10) 表明，模式系统的预报结果与实况也较吻合，对APEC期间霾的预报提供了很好的参考。APEC期间，BREMPS整体表现优异，对于主要污染物浓度变化趋势、高浓度落区及影响程度的预报与实况均符合较好，预报产品具有较高的参考价值。

图 9

图 9. 2014年11月7日08：00—11日02：00观测与预报PM2.5小时浓度空间分布 (填色为24 h预报结果，实心圆点代表观测结果) Fig 9. Spatial distributions of observed and forecasted hourly concentrations of PM2.5from 7 Nov to 11 Nov in 2014

图 10

图 10. 2014年11月1—13日北京市观象台观测与预报小时能见度对比 Fig 10. Comparison of hourly visibility between observation and 24 h forecast at Beijing Weather Observatory from 1 Nov to 13 Nov in 2014

本文对北京区域环境气象数值预报系统 (BREMPS) 进行了介绍，并对2014年预报的PM_2.5浓度、能见度和APEC期间系统的预报效果进行检验，主要结论如下：

1) 通过实现BJ-RUC与WRF-Chem模式的有机衔接，建立了BREMPS，实现了京津冀及周边省市水平分辨率为9 km、预报时效为72 h的多种污染物浓度和能见度的预报。对预报区域内PM_2.5浓度的预报效果较好，大部分站点的相关系数均在0.6以上，但预报结果相比观测总体偏低，区域平均偏低15%左右。

2) 北京地区PM_2.5浓度的预报结果与实况变化趋势基本一致，城区48 h以内预报与观测的相关可达到0.77，城区的归一化平均偏差在-26%以内，郊区预报与观测之间的相关更高，72 h以内的相关系数都在0.75以上，但预报偏差相对较大，可能是郊区排放源信息精度不够所致。统计结果表明：系统在春季、秋季和冬季的预报效果优于夏季。

3) BREMPS对能见度的趋势预报很好，对持续低能见度过程预报较为准确，预报与器测能见度更加接近。对于能见度大于10 km的情况，预报准确率可达80%，对于能见度低于10 km的情况，预报准确率从77%左右逐级下降，2 km以下为40.7%。

4) 2014年APEC期间，BREMPS很好地预报出AQI的逐日变化趋势和AQI的等级，预报与观测相关系数高达0.9。PM_2.5的时空变化也与观测吻合较好，为APEC期间环境气象预报服务提供了有力的技术支撑。