黄河流域PM_(2.5)时空分布格局及人口暴露研究

文章基于PM_(2.5)遥感反演数据和人口格网分布数据,构建人口暴露风险指数模型,采用Theil-SenMedian与MannKendall检验法,识别2000-2020年间黄河流域PM_(2.5)质量浓度值和人口暴露风险指数时间演化特征,通过空间探索工具,刻画其空间变化特征。研究结果表明:(1)PM_(2.5)质量浓度平均值为46.53μg/m^(3),研究期内呈现出“快速增长—波动变化—持续下降”的态势。PM_(2.5)污染不同等级面积比例变化明显,总体呈现出高浓度区域减少、低浓度区域增加的态势。(2)PM_(2.5)年均质量浓度空间上东高西低。历年PM_(2.5)年均质量浓度空间局部自相关显著。低值区域主要分布在青海、甘肃、宁夏、内蒙古等省份。高值区域集中分布在山西南部、陕西关中地区、河南中部、山东北部区域。(3)除2000年和2020年外,研究时段内均有90%以上人口暴露于PM_(2.5)年均质量浓度35μg/m^(3)限值以上,且高密度人口区域暴露风险等级较高。人口暴露风险极显著增加区域主要包含青海省东南部、宁夏平原地区、内蒙古西部、汾渭平原以及河南中部等地区。(4)PM_(2.5)人口暴露风险分布格局变化不显著。高等级风险区在空间上呈现片状、带状以及点状分布共存的特征,主要为黄河中下游冲积平原以及中游汾渭盆地。

基于地理加权随机森林的长三角PM_(2.5)建模

采用随机森林(RF)和地理加权随机森林(GWRF)对长三角地区2003~2019年的PM_(2.5)浓度及其驱动因素数据进行训练、校验与测试,并探讨它们之间的关系.结果表明:(1)相比RF模型,GWRF模型对PM_(2.5)浓度的训练和预测更优,其各项模型评估指标均优于RF模型,且GWRF模型残差的空间自相关性更低.(2)GWRF模型预测2019年PM_(2.5)浓度分布优于RF模型,与实际观测浓度分布基本一致,但两个模型均存在北部高估南部低估的情况,且高估区域大于低估区域.(3)RF模型在研究PM_(2.5)浓度分布最重要且显著的驱动因子方面是全局性的,而GWRF模型得到干旱、气温、温差、风速以及人类干扰对PM_(2.5)分布的影响是局部性的.在大尺度下,这种局部性的效应对于PM_(2.5)精细化防控更具实际性的指导意义.此外,在全球气候暖干化和区域气候空间异质性的背景下,把干旱融入PM_(2.5)预测并建立具有局部效应的模型有助于环境监管机构及决策者制定防控措施.

京津冀地区PM_(2.5)污染区域及人口暴露风险研究

为缓解京津冀地区面临的严峻PM_(2.5)污染,本研究利用公里级高分辨率PM_(2.5)数据集对京津冀地区的PM_(2.5)时空分布格局进行分析,利用超标频数法和人口相对暴露风险模型评估京津冀地区的区域暴露风险和人口暴露风险,并预测未来的人口暴露风险。结果表明,京津冀地区PM_(2.5)浓度在2001至2013年间呈波动上升趋势,在2014至2020年间呈显著下降趋势,到2020年时下降至38.43μg/m^(3)。京津冀的东南部地区PM_(2.5)浓度大于西北部地区。对于区域暴露风险,承德市和张家口市较低,邯郸市、衡水市、廊坊市、石家庄市和邢台市较高。对于人口暴露风险,承德市、张家口市和秦皇岛市较低,北京市、邯郸市、天津市、廊坊市、邢台市和石家庄市较高。综合来看承德市和张家口市的暴露风险最低,邯郸市、廊坊市、邢台市和石家庄市的暴露风险最高。京津冀地区在2030、2035、2060年的人口暴露风险较低(0级)。本研究将区域暴露风险和人口暴露风险结合,避免了单一评价指标带来的误差,对暴露风险得到了更准确的理解。

渭河流域PM_(2.5)时空演化及人口暴露风险

研究PM_(2.5)时空演化及人口暴露风险,对于环境风险评价及人居环境改善、政府环保部门制定针对性的空气污染防控政策具有重要意义。渭河流域是国家重要工业基地,也是国家级城市群和关中—天水国家级经济区的核心区域,降低该区域PM_(2.5)人口暴露风险是实现高质量发展的必然途径。基于渭河流域2000-2020年PM_(2.5)遥感反演数据和人口格网分布数据,测算人口暴露风险指数。采用Theil-Sen Median与Mann Kendall检验法,分别识别PM_(2.5)质量浓度值和人口暴露风险指数时间演化特征,并通过GIS空间探索工具,分析其空间变化特征。结果表明,(1)2000-2020年渭河流域PM_(2.5)年均质量浓度为47.2μg·m^(-3),最高值为2013年的57.6μg·m^(-3),最低值为2020年的31.8μg·m^(-3),呈现先上升后下降的变化趋势。趋势显著性检验发现,渭河流域PM_(2.5)污染情况呈现好转趋势。(2)PM_(2.5)年均质量浓度空间分布呈东高西低特征,高值主要集中在流域下游地区,如西安市、咸阳市和渭南市等。低值主要分布在流域中上游地区,如天水市、定西市、平凉市等。(3)2000-2020年渭河流域PM_(2.5)人口暴露风险等级总体呈下降趋势,但历年暴露于35μg·m^(-3)以上人数占比均值高达96.2%。2000-2003年,2005-2014年间,渭河流域100%人口暴露于浓度值35μg·m^(-3)以上。但高风险区域面积从2000年的20.6%下降为2020年的17.1%。(4)2000-2020年渭河流域历年PM_(2.5)人口暴露风险等级均呈现东高西低的空间格局,且空间差异较大,“热点”型主要集中渭城区、秦都区、未央区等城市建成区单元,“冷点”型主要分布在定西市、天水市、平凉市等流域西部海拔较高区域。研究结论可为渭河流域制定联防联控的PM_(2.5)污染治理政策提供科学依据。

重庆市绿色空间景观格局与PM_(2.5)浓度时空相关性

空气中的细颗粒物对人民群众身体健康产生严重威胁,探究绿色空间景观格局对PM_(2.5)浓度的影响,有助于通过调整绿色空间格局降低PM_(2.5)浓度。以重庆市1980~2020年土地利用遥感监测数据和PM_(2.5)浓度数据作为基础数据,通过景观格局指数法、空间自相关分析研究绿色空间景观格局及PM_(2.5)浓度变化特征,再通过时空地理加权回归(GTWR)模型研究绿色空间景观格局指数变化对PM_(2.5)浓度的影响及其时空异质性。结果表明:①重庆市PM_(2.5)浓度从1980年至2010年逐渐上升,2010年至今逐渐降低;同时,其空间分布具有显著聚集特征,主要显示为东部低-低聚集、西部高-高聚集的特征。②林地、草地和耕地的面积指数(TA)、斑块密度指数(PD)和斑块连接度指数(COHESION)与PM_(2.5)浓度具有显著的相关性。其中,林地面积指数呈负影响,耕地、草地面积指数呈正影响;林地、草地斑块密度指数呈正影响,耕地斑块密度指数呈负影响;林地、草地和耕地斑块连接度指数均呈负影响。③主城都市区内,草地面积指数和耕地斑块密度指数对PM_(2.5)浓度的负影响较强。渝东北三峡库区城镇群和渝东南武陵山区城镇群内,林地聚合度指数(AI)、斑块密度指数和斑块连接度指数以及耕地面积指数对PM_(2.5)浓度的影响较强。

基于GTWR模型的3 km京津冀PM_(2.5)时空分布和影响因素分析

PM_(2.5)与空气质量和公众健康密切相关,许多研究使用遥感结合其他辅助数据的模型反演PM_(2.5)的浓度,以捕捉各地区PM_(2.5)时空分布。本文针对京津冀地区数据分辨率较低的问题,采用3 km分辨率的气溶胶光学厚度(AOD)数据及12个辅助变量,建立时间地理加权回归模型(GTWR),估算3 km京津冀地区2020—2022年PM_(2.5)浓度分布。结果表明:①GTWR模型数据的R^(2)(0.86)均优于OLS模型数据的R^(2)(0.66)和GWR模型数据的R^(2)(0.78)。②在时空分布上,2020—2022年京津冀PM_(2.5)浓度的空间分布与地形呈负相关。低值区主要分布在地势较高的山区;高值区主要分布在地势较低的平原。③2020—2022年京津冀PM_(2.5)季节平均浓度差异显著,由高至低依次为冬季(60.88μg/m^(3))、秋季(37.78μg/m^(3))、春季(31.75μg/m^(3))、夏季(22.16μg/m^(3))。④PM_(2.5)浓度与AOD的相关性最强。研究得出3 km分辨率的AOD数据与GTWR模型相结合在反演PM_(2.5)浓度方面具有较好的适用性。

关中平原城市群PM_(2.5)人口暴露风险时空演变特征研究

经济的快速发展导致关中平原城市群环境逐渐恶化,越来越多的人口逐渐暴露于大气高污染地区。研究利用2000年-2020年PM_(2.5)浓度和人口分布数据,采用人口暴露风险模型,分析关中平原城市群PM_(2.5)浓度、人口数量和人口暴露风险的时空演变特征。结果表明:2000年-2020年,关中平原城市群PM_(2.5)浓度总体呈下降趋势,各年份人口逐年增加。时间上,2000年-2020年各年份PM_(2.5)人口暴露风险变化较小,空间上,风险高值区主要集中在西安中部、商洛地区,风险低值区集中在平凉、天水地区。

典型人类活动对关中平原城市群PM_(2.5)浓度的影响

为应对突发公共卫生事件而采取的流动限制性措施,为研究人类活动对PM_(2.5)浓度的影响提供了一个独特的自然实验环境,但该期间关中平原城市群PM_(2.5)浓度分布及驱动力有何变化尚缺乏关注。基于2018~2020年PM_(2.5)遥感反演数据,采用空间自相关分析、地理探测器和多尺度地理加权回归(MGWR)模型,分析2020年2月至3月实施流动限制性措施期间关中平原城市群PM_(2.5)浓度及驱动因子的时空演变特征。结果表明:①2020年2月至3月PM_(2.5)浓度显著下降,2020年2月热点减少,3月冷点减少。②相比历年同期,所有人为因素单因子在2020年2月对关中平原城市群PM_(2.5)浓度的解释力最低,自然因素解释力较高。其中,工厂兴趣点分布(POI_D)及路网分布(RD)解释力相比历年同期平均解释力降幅最大,分别为20.3%和38.6%。所有人为因素双因子交互影响解释力在2020年2月最低。③所有人为因素在2020年2月对关中平原城市群PM_(2.5)浓度的作用尺度最小,当不同时期人为因素强度处于平均水平时,实施流动限制性措施期间的PM_(2.5)浓度更易降低,但东部地区的PM_(2.5)浓度防治强度还需增大。

中国黑碳和PM_(2.5)人群暴露风险评估

利用全国范围(除港澳台)PM_(2.5)(2015—2020年)和黑碳(2015—2017年)的浓度监测数据,并结合人口分布资料,测算我国人群大气污染物人口加权平均浓度(population-weighted concentration,PWC),对人群大气污染暴露风险和特征做了定性与定量评估。结果表明:(1)2015—2020年,我国人群PM_(2.5)平均暴露浓度达标率为48%,其间全部达标的省和自治区有云南、海南、广东和西藏;(2)2015—2017年,我国人群的平均黑碳暴露浓度空间分布不平衡,出现西低东高的形势,黑碳污染严重的地区主要为华中(湖南、河南、江西)和西南(四川、重庆)等地;(3)2015—2017年,我国人群黑碳和PM_(2.5)的年均暴露浓度比为0.01~0.16,比值呈逐年下降趋势。本研究为全面认识我国PM_(2.5)和黑碳的环境健康效应提供参考,也为制订预防措施和政策提供科学依据。

黑龙江省PM_(2.5)浓度与土地利用的相关性分析

基于2010-2020年黑龙江省PM_(2.5)浓度数据及土地利用/覆被变化(LUCC)数据,对该省PM_(2.5)及LUCC进行了时空分布特征分析,并利用Arc GIS空间分析、地理加权回归等手段探讨PM_(2.5)变化与LUCC的相关性。结果表明,(1)黑龙江省11年来PM_(2.5)年均浓度的空间格局均为西南高、东北低。时间格局呈先上升、后下降的趋势;(2)2010-2020年黑龙江省土地利用类型/覆被以耕地、林地为主。土地利用类型面积变化主要为林地、草地转为人造地表;(3)通过GWR进行响应分析发现,PM_(2.5)变化对土地利用/覆被变化有显著的响应作用。当林地草地转化为人造地表时PM_(2.5)浓度上升,而耕地及人造地表转为林地草地时PM_(2.5)浓度降低。因此,增加绿地面积对于防止PM_(2.5)浓度上升具有重要作用。

2001—2016年中国PM_(2.5)暴露风险的时空演变、时空聚类与风险防控

构建耦合人口加权的空气污染暴露风险(PPM_(2.5))评估体系,基于探索性时空分析方法开展中国PM_(2.5)及其人群暴露风险的时空演变和时空聚类研究。结果表明,基于时间-空间演变特征分析,发现耦合人口加权的空气污染暴露风险(PPM_(2.5))格局与PM_(2.5)浓度分布存在空间错位现象;PPM_(2.5)风险等级随区域中心向外围梯度递减,但研究期内其人群暴露的东高西低总体格局不变;其均衡性时空演变呈整体不均衡性加强而局部更趋于均衡的趋势。基于时空扫描统计的K-means聚类分析,划定4种暴露风险类型,分别为稳定低风险型、持续增长风险型、持续高风险型、低-高风险渐变型,各类型分布差异显著且具备不同人口经济特征。针对不同PM_(2.5)人群暴露风险的时空聚类分区制定差异化的空气污染预警和防治策略,有助于提升城市韧性,为“健康中国”发展战略实施提供理论与实践基础。

基于人口加权的中国省级PM_(2.5)和PM_(10)浓度分布

基于算术平均法的传统PM2.5和PM10浓度指标没有考虑空气污染对公众健康和暴露人口的影响。文章从大气污染的公众受体出发,采用基于城市暴露人口加权的算法,计算了31个省份和全国的PPM2.5和PPM10年均值。研究发现,2015年,大部分省份人口加权平均法的PPM2.5与算术平均法的PM2.5均有显著差异,其中黑龙江与新疆的差异度最大;从20132015年,基于74个城市的全国PPM2.5都要高于PM2.5,而且PPM2.5和PM2.5之间的差异度逐年上升。虽然2004至2015年期间PPM10与PM10都呈下降趋势,但每年的PPM10都要高于PM10。所以与算术平均法相比较,基于人口加权的PPM2.5和PPM10更能反映空气污染对暴露人口的影响。

长三角居民PM_(2.5)暴露水平下降的健康效益评估

为评估长三角地区居民PM_(2.5)降低的健康经济效益,基于时间加权PM_(2.5)暴露水平,通过综合暴露反应关系模型和支付意愿法等,分析了2011~2019年长三角地区居民PM_(2.5)暴露水平下降趋势及其健康和经济协同效益.结果表明:2011~2019年间,长三角地区的PM_(2.5)暴露浓度从45.06μg/m^(3)下降至37.39μg/m^(3),降幅为17.03%;同时归因于PM_(2.5)暴露导致的过早死亡人数从139962(95%CI:87306~192619)人下降至105461(95%CI:66306~14416)人,降幅为24.65%.从敏感性分析的年际变化看,归因于PM_(2.5)暴露导致的过早死亡在2012年政策实施后呈逐年下降趋势,表明我国各项PM_(2.5)控制政策卓有成效.产生的累积协同效益为40.55亿美元;2018年开始PM_(2.5)减排健康协同经济效益有所降低.因此在降碳的同时还需继续加强减污协同控制,以减少可归因死亡和健康经济损失.

基于MCD19-A2数据和GWR模型的2011-2020年中国大气PM_(2.5)质量浓度反演

为探究MODIS高时空分辨率气溶胶产品数据在长时间序列下对于反演中国陆地PM_(2.5)质量浓度的适用性和准确性。该研究基于MCD19-A2数据研究2011-2020年中国陆地气溶胶光学厚度(aerosol optical depth,AOD)的时空分布特征,以降水、风速等8个气象要素为辅助变量建立反演PM_(2.5)的地理加权回归模型(geographically weighted regression,GWR)并分析中国陆地PM_(2.5)的空间分布。结果表明:1)2011-2020年中国陆地气溶胶时空分布基本符合“西低东高、逐年下降”的规律且10 a间AOD值存在较大季节差异,春季(0.294)>夏季(0.262)>冬季(0.223)>秋季(0.194)。2)利用方差膨胀系数(variance expansion coefficient,VIF)对变量进行多重共线性检验,建立并分析2011-2020年GWR模型,发现建模集决定系数均大于0.760,验证集决定系数均大于0.740,且均方根误差均小于7.070μg/m3,模型拟合效果良好。3)将GWR模型预测的PM_(2.5)浓度值分别通过样条函数插值法、反距离加权插值法、克里金插值法和自然邻近插值法进行空间插值,发现4种插值方法决定系数均大于0.910,均方根误差均小于7.030μg/m3,插值结果十分可靠,并与国家地球系统科学数据中心所提供的“1km高质量中国PM_(2.5)分布”数据一致。该研究表明结合MCD19-A2数据与GWR模型反演PM_(2.5)浓度具有较好的适用性。

长江经济带PM_(2.5)时空演变及健康经济效益评估

系统分析了《大气污染防治行动计划》考核为优秀、良好、合格的36个城市在2017—2019年细颗粒物(PM_(2.5))浓度的时空分布情况,借助BenMAP解析控制PM_(2.5)污染带来的健康经济收益,对PM_(2.5)浓度和气象因素进行Pearson相关分析,同时利用地理加权回归确定控制PM_(2.5)污染带来的经济收益的多种社会经济驱动力。结果表明:(1)2017—2019年长江经济带PM_(2.5)年均浓度降低了17%;(2)长江经济带因PM_(2.5)浓度降低而减少的全因死亡人数为67943人,获得经济收益1548.18亿元;(3)2017—2019年长三角城市群空气质量改善获得的经济收益为558.62亿元,占长江经济带经济收益的36.08%,长江中游城市群空气质量改善获得的经济收益为554.71亿元,占长江经济带经济收益的35.83%,成渝城市群空气质量改善获得的经济收益为430.71亿元,占长江经济带经济收益的27.82%;(4)平均气温与PM_(2.5)浓度有显著相关性,人口密度对控制PM_(2.5)的经济收益影响最大。根据以上分析,提出对成都、重庆、南昌、合肥、扬州、黄石、武汉、九江、上海、黄冈等经济效益大的城市优先管控,并提出了分区分类治理区域大气污染和对人口密度高、城镇化率高的地区严格把控等政策建议。

Himawari-8气溶胶变分同化对PM_(2.5)污染模拟的改进

利用地球静止轨道卫星Himawari-8气溶胶光学厚度(AOD)产品能够估算空间覆盖范围广、时间分辨率高的近地表PM_(2.5)浓度。基于三维变分同化系统将AOD估算得到的PM_(2.5)资料同化进入WRF-Chem大气化学模式中,通过控制实验与同化实验的对比与分析,探讨了AOD估算得到的PM_(2.5)资料同化对PM_(2.5)污染模拟的改进作用。实验结果表明:(1)AOD估算得到的PM_(2.5)资料同化能够改进PM_(2.5)污染模拟效果;(2)PM_(2.5)污染模拟改进效果存在时空差异。此外,与其他研究中使用AOD观测算子直接同化AOD的方法相比,该方法的操作更加简单。

京津冀地区PM_(2.5)空间分布特征及其影响因素分析

文章选取2016—2020年京津冀地区的PM_(2.5)监测站点数据为研究对象,分析京津冀地区PM_(2.5)浓度的时空分布特征,并构建地理加权回归模型(GWR)分析PM_(2.5)浓度受各因素影响的空间变化特征。结果表明:(1)2016—2020年京津冀地区的PM_(2.5)浓度基本呈下降趋势,2018与2020年的PM_(2.5)浓度最低且污染区域最少;PM_(2.5)浓度表现出明显的季节变化特征,春夏季节较低,冬季最高。(2)京津冀北部的张家口、承德和秦皇岛为PM_(2.5)浓度低值区,南部的石家庄、邢台、邯郸、保定和衡水为PM_(2.5)浓度高值区。(3)京津冀地区PM_(2.5)浓度空间分布存在明显的聚集特征,北部保持“低-低”聚集,南部保持“高-高”聚集,非显著区域在中间位置,呈现倒“U”型分布。(4)不同的影响因素对于PM_(2.5)浓度的影响程度有着较为明显的空间差异性。

全球PM_(2.5)人口暴露风险时空格局

基于PM_(2.5)遥感数据和人口格网数据,利用污染物人口暴露风险模型、Theil-Sen Media和Mann-Kendall等方法,分析了2000~2016年全球PM_(2.5)人口暴露风险时空分布特征,并识别出暴露高风险区域.结果表明,PM_(2.5)遥感数据和人口格网数据可以客观地评价暴露风险程度.全球PM_(2.5)平均浓度在各大洲差异显著,PM_(2.5)污染的高值区域主要分布在东亚、南亚和东南亚.PM_(2.5)质量浓度的多年平均值从高到低分别是亚洲14.7μg/m^(3)、非洲8.1μg/m^(3)、欧洲8.03μg/m^(3)、南美洲5.69μg/m^(3)、北美洲4.41μg/m^(3)和大洋洲1.27μg/m^(3).2000~2016年,全球PM_(2.5)人口暴露风险在宏观尺度上呈逐渐减少的趋势,而在区域内则呈现出差异性.空间上,全球PM_(2.5)人口暴露风险各大洲从高到低依次为亚洲5.94、非洲0.62、欧洲0.45、南美洲0.32、北美洲0.27和大洋洲0.01.时间上,2000~2016年,亚洲和非洲PM_(2.5)人口暴露风险呈增长趋势,欧洲和北美洲呈减少趋势,大洋洲和南美洲变化幅度较小.

河南省PM_(2.5)暴露人口时空特征及影响因素研究

研究河南省2000、2005、2010、2015年4年的PM_(2.5)质量浓度和人口密度的栅格数据,计算得出PM_(2.5)暴露人口;借助全局空间自相关、热点分析等方法,在对河南省PM_(2.5)暴露人口的时空特征进行分析的基础上,使用面板数据模型探讨其影响因素.结果显示:河南省暴露人口规模表现为先增后减的变化特征,整体规模上升,空间呈现扩散和向中部移动的特征.对河南省PM_(2.5)暴露人口具有影响的指标主要为:房屋竣工面积、公路客货运总量和气温.

全球气温–相对湿度–人口驱动型制冷度日数时空演变、影响因素及模拟

制冷度日数(Cooling degree days,CDDs)可指示空间制冷能耗与室外热环境,但在全球栅格尺度上同时考虑气温、相对湿度与人口的CDDs分析鲜见报道。据此,本文利用气象、人口、遥感等数据,曼−肯德尔法、相对重要性分析、机器学习等方法在全球0.25°栅格尺度上开展气温−相对湿度−人口驱动型CDDs时空变化、影响因素与模拟研究。结果表明,①全球基于湿球温度计算的CDDs(CDDs_(wb),CDDs based on wet bulb temperature)在30°N~30°S间除北非与西亚外的不少地区均高于567(℃·d),极高值[1469~2677(℃·d)]主要分布在亚马孙平原、东南亚中南半岛南侧及其以南地区。基于湿球温度与人口计算的CDDs(CDDs based on wet bulb temperature and population,CDDs_(wb_pop))大多低于17×10^(6)(℃·d·人),高值[277×10^(6)~2144×10^(6)(℃·d·人)]主要在恒河平原与印度南端、尼日利亚沿海、越南南北平原与爪哇岛。②1970—2018年CDDs_(wb)与2000—2018年CDDs_(wb_pop)在中高纬度呈现极高年际间变异,全球未来变化趋势多与过去保持强一致性。CDDs_(wb)显著增加(P<0.05)地区主要分布在北非与西亚、澳大利亚、里海东部、印尼西部的一些地区,显著降低区域主要分布在拉美、撒哈拉以南非洲、中国胡焕庸线以南及中南半岛的一些地区。CDDs_(wb_pop)在一些地区显著增加,速率基本小于8×10^(6)(℃·d·人)/a,集中发布在北非、西亚与里海东部的一些地区。③纬度与高程均分别与CDDs_(wb)及其变异系数呈现显著负向与正向偏相关关系(P<0.05);在不同大洲内,年降水量、夏季反照率、增强型植被指数与PM_(2.5)对CDDs_(wb)影响不同,夜间灯光影响不大。CDDs_(wb)实际值与模拟值间R2大多高于0.935,平均绝对误差百分比多小于6.77%,均方根误差在15.63~184.51(℃·d)。