黄土塬面保护区潜在蒸发量时空变化及其与气象、环流因子关系分析

黄土塬面是黄土高原地区主要的农业分布区和人口聚居地,地位十分重要。黄土塬面潜在蒸发量（ET₀）的研究对于区域水循环研究、水土流失防治及农业的可持续发展具有重要意义。基于黄土塬面保护区1960—2017年的气象数据,利用Penman-Monteith模型、小波分析、Mann-Kendall非参数检验等方法研究了黄土塬面保护区ET₀的变化规律及其与气象、环流因子间的关系。结果表明：（1）黄土塬面保护区多年平均ET₀为1173.4 mm,总体呈现增长趋势,增长率为21.1 mm/10 a;其生长季平均ET₀值及增长率均高于非生长季平均ET₀。（2）该区多年平均ET₀空间分布特征表现为东部高西部低,西部甘肃塬区多年平均ET₀远低于东部山西塬区。（3）过去58年来,区域年均、生长季、非生长季ET₀均呈现出增长趋势,但空间差异明显;研究区年均ET₀存在着10年、30年和50年的震荡周期,其中以30年周期为主周期。（4）气温是控制区域ET₀变化的最重要的气象因子,但气温对ET₀的影响具有明显的空间差异,在整个研究区内最低气温影响最显著;而甘肃塬区和陕西塬区的ET₀变化主要受平均气温变化的控制,在山西塬区最高气温的变化是区域ET₀变化的主要控制因子。（5）遥相关分析结果显示太平洋/北美指数（PNA）与北大西洋年代尺度振荡（AMO）对该区域ET₀变化有一定影响,西太平洋海温指数（WPI）的变化影响区域非生长季ET₀变化。     

影响山东参考作物蒸散量变化的气象因素定量分析

根据山东省1961-2010 年90 个气象站的逐日气象观测数据,采用计算参考作物蒸散量(ET₀)的Penman-Monteith 模型方法,分析了山东省ET₀对最高气温、最低气温、风速、日照时数、相对湿度的敏感性,并结合各气象要素的多年相对变化定量探讨了影响ET₀变化的主导因素。结果表明:近50 a 来,山东平均ET₀以-1.818 mm/a的趋势减少,夏季减少趋势最显著,1983 年前后ET₀发生突变。各气象要素对ET₀变化的敏感区域、与ET₀相关性地域差异明显。虽然平均风速和日照时数的敏感系数较低,但其减小趋势极显著,多年相对变化较大,使平均风速成为ET₀变化负贡献最大的气象要素,日照时数次之,最高气温贡献最低,相对湿度在沿海地区的正贡献较大。年、春、秋和冬季对ET₀变化的主导因子是平均风速,夏季是日照时数,半岛大部分地区一年四季的主导因子是相对湿度。突变后主导因子是平均风速的站点明显减少,主导因子为相对湿度的站点明显增多,由于夏季日照时数极显著减少,导致突变后夏季大多数站点对ET₀变化的主导因子为日照时数。     

基于临近台站气象数据的参考作物蒸散量估算方法

参考作物蒸散量（ET₀）是评估区域植被耗水进而指导水资源优化管理所需的主要参数之一,但我国大部分地区标准化气象台站稀疏、部分研究点的气象资料通常难以获取,给ET₀的计算带来了很大困难。以地处内陆旱区的内蒙古河套灌区为例,利用该区4个标准气象站1981-2006年的气象资料,讨论了研究点在没有历史气象数据且现有气象数据不完备的情况下,采用临近台站气象数据估算ET₀的可靠性。估算方法分别为估算未知气象数据的FAO56 Penman-Monteith方程（PM56）、基于临近台站气象数据校正的经验公式以及利用临近台站气象数据训练的人工神经网络模型。结果表明：（1）在完全没有气象数据的条件下,可采用临近站点的气象数据估算研究点的ET₀,平均绝对误差（MAE）为0.43~0.52 mm d^-1,均方根误差（RMSE）为0.56~0.63 mm d^-1;估算精度与台站间的距离有关,利用维度信息校正太阳辐射值可提高估算精度。（2）仅有最高和最低气温数据时,估算气象数据的PM56方程计算误差较大,且站点之间表现不稳定,人工神经网络模型的估算精度最高,MAE和RMSE分别为0.14~0.22 mm d^-1和0.17~0.29 mm d^-1;校正后的Hargreaves公式的估算效果次之,MAE和RMSE分别为0.23~0.26 mm d^-1和0.30~0.31 mm d^-1。（3）在已知温度和辐射数据时,利用临近台站气象数据训练的人工神经网络模型依然表现最好,MAE和RMSE分别为0.13~0.19 mm d^-1和0.17~0.25 mm d^-1,其他两种方法误差较大。在内陆干旱条件下,利用研究点的气温数据结合临近台站的历史气象信息可有效估算参考作物蒸散发。     

黑河流域参考蒸散量的时空变化特征及影响因素的定量分析

利用黑河流域及周边地区14个气象站的1960—2009年逐日气象资料,基于FAO推荐的 Penman-Monteith模型分析了黑河流域近50 a来潜在年、 季参考蒸散量ET₀的时空分布特征,同时利用敏感分析计算了流域内不同区域典型气象站ET₀对各气候要素的敏感系数,并结合各气候要素的多年相对变化定量探讨了导致ET₀变化的主导因素。结果表明:黑河流域年ET₀表现出明显的南北差异,亦即从南到北呈增大趋势,上游祁连山区年ET₀约568~700 mm,中游走廊平原约800~900 mm,下游的金塔、 鼎新一带约1 000 mm,额济纳地区则高达1 150 mm以上。各季节ET₀亦呈北多南少特征,且ET₀的年内分布以夏季最多,春季次之,秋冬最少。近50 a来,黑河流域年、 季平均ET₀整体呈减小趋势,但亦存在区域差异,其中上游ET₀略有增加,而中下游以减小趋势为主。就年平均敏感系数而言,上游的托勒站和中游的高台站皆对相对湿度敏感性最强,而下游的额济纳旗对平均风速最为敏感。不同站点各季节/月ET₀对气候要素的敏感性有所差异。风速是引起ET₀变化的主导因素,相对湿度和日照时数的贡献则较小。     

基于LME/BME的珠江三角洲PM2.5星地融合技术研究

收集并处理了遥感反演的气溶胶光学厚度（AOD）、归一化植被指数（NDVI）和气象数据,采用贝叶斯最大熵（BME）结合线性混合模型（LME）估算了2015年10月~2016年3月珠江三角洲地区近地表旬平均PM_2.5质量浓度.结果表明,LME+BME模型的预测精度比LME模型有较大提升,LME+BME模型的交叉验证结果R²为0.751,RMSE为6.886μg/m³,MAE为4.52μg/m³,而LME模型的交叉验证结果R²为0.703,RMSE为7.546μg/m³,MAE为4.927μg/m³.空间分布看,PM_2.5高浓度地区主要集中在广州、佛山、东莞等地区,低浓度地区主要集中在肇庆、惠州、江门的南部等地区;时间变化看,PM_2.5污染比较严重的时间为2015年10月中旬、2015年11月下旬以及2016年3月下旬,而2015年10月上旬、2015年12月上旬和2016年1月下旬污染则相对较低.     

基于混合效应模型的京津冀地区PM2.5日浓度估算

利用2016年182d的MODIS 3km AOD数据与地面监测数据,评估了混合效应模型不同参数组合的模拟性能,得出模型在解释AOD-PM_2.5关系时,对时间序列变异的解释能力要比空间差异更佳.在此基础上,利用混合效应模型建立京津冀地区每日的AOD-PM_2.5关系,模型拟合R²为0.92,交叉验证调整R²为0.85,均方根误差（RMSE）为12.30 μg/m³,平均绝对误差（MAE）为9.73 μg/m³,说明模型拟合精度较高.基于此模型估算的2016年京津冀地区年均PM_2.5浓度为42.98 μg/m³,暖季（4月1日~10月31日）为43.35 μg/m³,冷季（11月1日~3月31日）为38.52 μg/m³,与同时期的地面监测数据差值分别为0.59,0.7,5.29 μg/m³.空间上,京津冀地区的PM_2.5浓度呈现南高北低的特征,有一条明显的西南-东北走向的高值区.研究结果表明,基于每日混合效应模型可以准确评估京津冀地区的地面PM_2.5浓度,且模型估算的PM_2.5浓度分布状况为区域大气污染防治提供了基础的数据支撑.     

基于支持向量机回归和小波变换的O3预报方法

使用南京工业区2016年6月1日~8月15日的臭氧（O₃）、O₃前体物及常规气象数据，结合多元线性回归（MLR）方法和小波变换（WT）改进支持向量机回归（SVR）对O₃小时浓度的预报精度.结果表明，通过WT方法将一个高变异性的序列转化为多个低变异性的序列后再处理可提高预报精度，M-WT-SVR预报的决定系数（R²）达到0.90，平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为3.86×10^-9、28.26%和5.57×10^-9，优于M-SVR和SVR.低层细节序列主要与NO、NO₂和芳香烃有关，而更高层的近似序列受到气象条件、前体物和O₃前期浓度共同影响.与经典的MLR方法相比，M-WT-SVR对O₃小时浓度的预报有明显优势.     

基于机器学习方法的小麦镉富集因子预测

应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查,构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测,验证不同模型的预测精度并评估其不确定性.结果表明,RF(R²=0.583)和BPNN(R²=0.490)模型预测性能均优于Freundlich转移方程(R²=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近,但RF(R²为0.527～0.601)较BPNN(R²为0.432～0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性,其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.     

基于NPP/VIIRS夜光遥感数据的淮安市夜间PM2.5浓度估算研究

PM_2.5是大气的重要污染物,掌握其空间分布对于大气污染防控具有重要意义．目前,PM_2.5遥感监测主要围绕卫星反演的日间AOD数据开展,无法反映夜间大气污染的空间格局．以2019年9—12月NPP/VIIRS夜间灯光影像和空气质量站点PM_2.5观测数据对江苏省淮安市夜间PM_2.5浓度进行估算研究．基于辐射传输方程分析夜间灯光辐射与PM_2.5浓度之间的关系,在此基础上综合考虑灯光辐射直接衰减和散射补偿确定了计算夜间PM_2.5浓度的空间自变量,运用多元线性回归模型（MLR）、随机森林（RF）、Cubist、极端梯度提升树（XGBoost）、神经网络（NNet）、支持向量机（SVM）及最近邻法（KNN）算法构建夜间PM_2.5浓度遥感估算模型．结果表明,多元线性归回模型精度明显低于各个机器学习模型,所有模型中SVM模型精度最高,决定系数R²为0.77,平均绝对误差MAE为20.83μg·m^-3,均方...     

基于GTWR-XGBoost模型的四川省PM2.5小时浓度估算

卫星气溶胶光学厚度(AOD)和气象数据已被广泛用于估算空气动力学直径≤2.5μm的地表颗粒物(PM_2.5)浓度.研究高时间分辨率、高精度的PM_2.5浓度估算方法,对及时准确的空气质量预报和大气污染的预防及缓解具有重要意义.使用Himawari-8 AOD小时产品和ERA5气象再分析资料作为估算变量,提出GTWR-XGBoost组合模型,对四川省PM_2.5小时浓度进行估算.结果表明：(1)提出的组合模型运用于全数据集的性能优于KNN、 RF、 AdaBoost、 GTWR、 GTWR-KNN、 GTWR-RF和GTWR-AdaBoost模型,拟合精度指标R²、 MAE和RMSE分别为0.96、 3.43μg·m^-3和5.52μg·m^-3,验证精度指标R²、 MAE和RMSE分别为0.9、 4.98μg·m^-3和7.92μg·m^-3.(2)该模型作用于PM_2.5浓度小时估算...     

基于岭估计的青海省东部农业区ET_0遥感反演研究

论文利用青海东部农业区内的12个气象站2003—2005年气象资料,应用Penman-Monteith公式计算得到各站逐旬的ET_0值,并进一步研究其与高程(DEM)、地表温度(LST)及归一化植被指数(NDVI)3个因子之间的关系,提取遥感数据并耦合到时间分辨率为旬,空间分辨率为1 km,将其与计算所得ET_0建立多元反演模型。由于3个自变量因子之间存在着很强的相关关系,LST与NDVI间判定系数R2平均在0.7左右,不能直接用最小二乘回归方法建立模型。为有效避免自变量间相关性对模型的影响,研究中采用岭估计方法建模。结果表明,通过岭估计建立2003年10~33旬区域二元模型反演最低精度达76.19%,区域三元模型反演最低精度也有83.54%。与传统方法所建模型相比,检查点均方根误差减小约1.1,反演最低精度提高11%左右,能满足实际应用需求。     

基于优化参数的陕西省气温、降水栅格化方法分析

基于统计、地统计基本原理,运用传统插值法、地统计插值法、多元回归法和模拟气象站点法4 大类11 种方法,对陕西省2003-2012 年平均气温、降水量数据进行栅格化。结果表明:① 多元回归法和模拟气象站点法均能大幅提高气温数据的估测准确度,且多元回归法对气温的表示更加精细,其中以“回归+残差IDW(Inverse Distance Weighting)”法精度最高,MAE、RMSE、R²分别为0.498、0.775 和0.954 8;② OK(Ordinary Kriging)法对降水数据的估测准确度最高,MAE、RMSE、R²为46.934、69.251 和0.947 8;③ 气温、降水栅格化方法具有明显的区域性,不存在绝对普适的最优方法,应根据数据类型、地域特征对原始数据进行探索性分析,从而获得区域最适合的栅格化方法;④ 陕西2003-2012 年多年平均气温为10.925 ℃,标准差2.221 ℃,气温随纬度、海拔的增加而降低,具有鲜明的纬度和垂直地带性;平均降水量为664.446 mm,标准差213.226 mm,降水呈现由南向北逐渐递减的趋势,纬度地带性较强。     

1957—2012年中国参考作物蒸散量时空变化及其影响因子分析

根据1957—2012年全国608个气象站的逐日气象资料,利用Penman-Monteith公式计算作物潜在蒸散量,对全国及水资源一级分区潜在蒸散量时空分布特征、变化趋势进行分析;基于Arc GIS及SPSS软件,采用主成分分析方法,对潜在作物蒸散量的影响因子及其分布特征进行探讨。结果表明:近56 a来,全国年潜在蒸散量在616~2 128 mm之间,河西走廊、南部岭南地区、海南岛以及华南沿海作物潜在蒸散量较大,而在黑龙江一带、四川盆地及西南地区东部,潜在蒸发量较小。各分区年均潜在蒸发量均呈现减少趋势,西北诸河区倾向率最大,为-12.22 mm/10 a;影响潜在蒸散量的因子中,第1主成分为热力学因子,第2主成分为水分因子和辐射因子,第3主成分为地理因子和空气动力学因子,第4主成分为高程因子。     

基于梯度提升回归树算法的地面臭氧浓度估算

将机器学习中的梯度提升回归树（GBRT）算法应用到中国地区地面O₃浓度制图中,利用地面O₃浓度观测数据,结合WRF气象数据、MODIS植被归一化指数以及高程人口数据建立训练预测数据集.通过反向变量选择法选取模型最佳特征变量对其进行训练,十折交叉验证结果：决定系数R²=0.89、均方根误差RMSE=4.75μg/m³.同时对全国O₃人口暴露水平进行评估.结果表明：在暴露强度上,我国人口加权O₃浓度值排在前5的省依次是山东、河南、江苏、河北、上海,均值浓度为94.48μg/m³.在暴露持续时间上,非达标天数最多的5个省依次是河南、山东、河北、宁夏、北京,一年内有42%的天数处于非达标的状态.     

四川盆地PM2.5与PM10高分辨率时空分布及关联分析

为深入了解四川盆地PM_2.5与PM₁₀污染情况，通过机器学习的方法，基于卫星遥感气溶胶产品（MAIAC）与国家环境空气质量监测网数据以及气象、地理、社会经济变量等，构建2个随机森林机器学习模型（R²均为0.86），反演四川盆地2013~2017年间1km网格逐日PM_2.5与PM₁₀浓度时空分布，并分析两者的时空关联性.结果表明：2013~2017年四川盆地地面PM_2.5与PM₁₀平均浓度分别为47.8，75.2μg/m³.PM_2.5与PM₁₀浓度空间上均整体呈现"倒月牙"状分布，西部与南部区域浓度值较高.5a间，区域颗粒物浓度逐年递减，总降幅均达到27%，季节上则均具有"冬高夏低"的特点；PM_2.5与PM₁₀浓度空间相关性显著（相关系数0.96），呈现"内强外弱"的格局，春夏季相关系数（0.91、0.90）低于秋冬季（0.96、0.96）.盆地西南部PM_2.5与PM₁₀比值较高，比值高低的季节性排序为冬季 > 秋季 > 夏季 > 春季.