对于任何扩散模型，可靠的气象数据都是必须的，这些气象数据应尽可能地在空间上代表受体的位置。在多年污染减排中，扩散模型中使用的气象数据也应尽可能代表多年的数据。如果这样的数据存在模拟浓度的不确定性，气象变量的干扰将被最小化。此外，重要的是在浓度模拟中使用的排放数据必须尽可能准确，通常情况下不准确的排放数据是模拟浓度值中较大不确定性的来源。

各种气象条件和因素对大气污染物的浓度有很大影响。在评估多年度污染源减排对污染物浓度影响的过程中，使用“有代表性的气象条件”进行空气质量模拟可以有效降低气象因素变化对空气质量分析结果的影响。对于不同的模型应用和模型工具，如何选择和准备有代表性的气象条件数据会有相应的变化。

应用扩散模型（比如AERMOD）评估近污染源空气质量影响时，气象条件的年度变化一般通过使用3到5年的气象数据运行扩散模型来控制。气象数据每年会有变化，但是平均来讲，每5年的时间段之间变化会比较小。因此，使用5年的气象数据运行扩散模型获得相对长期的空气质量数据进行分析，而不是只使用一两年的短期数据，能够确保模型结果可以更有代表性。需要注意的是，在应用AERMOD扩散模型分析空气质量时，选择能够代表当地气象条件的数据也非常重要。

应用大尺度光化学模型（比如CMAQ和CAMx）分析城市和区域性空气质量影响时，使用5年的气象数据一般不太可行（运行分析时间太长）。通常会根据过去几年的气象和空气质量条件，选择对应一个“代表年”的气象数据。评估气象数据的代表性可以根据比较长期（比如30年）的温度和降雨等气候条件数据。对应“代表年”的气象数据通常有代表性地反映历史气象条件和对应着未来会很有可能再发生的气象条件，而不是反映一些很反常的气象条件。在光化学模型中应用这样的“代表年”气象数据可以有效地评估过去多年或者未来多年排放控制对空气质量的影响。需要注意的是，模型分析中通常要把“代表年”的气象条件和比较高的污染物浓度联系起来，因为空气质量模型分析的一个重要目标就是确定排放措施能够在有利于高浓度污染（比如臭氧）形成的气象条件下有效。

总之，在空气质量模型分析中需要考虑如何反映季节性的气象变化， 比较理想的模型分析是能够应用整年的气象数据运行模型。如果有些情况下进行一整年的模型计算不太可行，应该分析对应有代表性的气象条件以及空气污染浓度较高的时间段。

目前应用较多的是采用敏感性实验的方法（如Huang et al., 2017等）。如评估B年相对于A年减排对于空气质量改善的影响，通常假设三种情景，即下图所示的情景1、2和4（红色箭头所示）。情景1和2模拟结果的差异表示在A年气象条件下减排的作用，而情景2和4模拟结果的差异表示B年排放条件下气象条件的改变对空气质量的影响。当然，也可以从另一条路径考虑（蓝色箭头所示），情景1和3模拟结果的差异表示A年排放条件下气象条件的改变对空气质量的影响，而情景3和4模拟结果的差异表示在B年气象条件下减排的作用。需要注意的是，情景1和2模拟结果的差异与情景3和4模拟结果的差异分别代表A年和B年气象条件下减排的作用，但两者之间通常并不相同，这也显示出不同气象条件下，减排措施对于空气质量的改善效果可以产生很大差异。当评估多年度污染源减排对环境空气质量浓度削减贡献时，需要选取基准气象条件，通常选取平均气象条件或最接近平均气象条件的某年气象条件为宜。