基于后向轨迹模式的区域大气污染及传输特征分析

选取南京市2017年PM2.5逐时观测数据,分析其颗粒物污染特征,并利用聚类分析、潜在源贡献因子法和GDAS气象数据,分析不同高度、季节下南京市主要气流输送路径及PM2.5污染的主要潜在源区。结果表明：南京市PM2.5污染冬季最严重,夏季最轻,逐时PM2.5浓度变化范围夏季小于冬季;夏季气流轨迹主要来自东南方向,秋冬春等季节以偏西和西北路径为主,且随着高度的增加,气流输送速度逐渐加快;冬季对南京市PM2.5污染的贡献最为显著,低层PM2.5污染贡献源区主要集中在近地区域,且贡献率较高,随着高度的增加,贡献源区由研究区域向四周辐散,贡献范围广,贡献率降低。     

1980~2012年江苏省城市霾日的时空分布及成因分析

利用1980~2012年江苏省气象观测资料,对江苏省城市霾时空分布及成因进行了分析.结果表明,1980~2012年江苏省霾日增加,重度和中度霾增加显著,苏北和沿海城市霾日增加显著.秋季和冬季霾日最多,夏季最少.秋、冬季霾主要在内陆,沿海略少.除苏南三城市,6月其他城市霾日都比较多.80年代霾日较为均匀,90年代苏南、苏西南增加,2000年代江淮之间和苏北增加,2010~2012年苏北霾日增加显著,苏南地区霾日略有减少.全省连续性霾日、区域性霾日及连续性区域霾都呈增加趋势.城市建成区面积逐年扩大、由工业及汽车尾气排放的污染物逐年增加,导致区域气温升高、空气相对湿度下降,形成城市热岛和干岛效应,加上污染物的增多,增强了霾形成和维持的条件,持续性霾、区域性霾和持续性区域霾也增加较为显著.     

ENSO对我国东部极端降水的季节影响

利用百分位法定义极端降水阈值,对我国东部地区极端降水在不同季节对ENSO的响应特征加以研究,并以湿位涡作为切入点从大气性质角度出发分析其可能成因。结果表明：暖、冷年当年夏季极端降水对比显著区域主要在华北地区东部,分别表现为负距平区和正距平区;在暖年次年夏季和春季分布形有相似之处,北方多极端降水,南方分布形势较为复杂,江南地区也有极端降水大值区;次年秋季,与春夏季相比,极端降水大值区主要分布在北方;到了次年冬季,整个东部地区以极端降水负距平为主,冷年次年四季极端降水基本呈相反的分布形势;对应的湿位涡场能很好的反映北方地区尤其是华北地区的大气稳定性,而在低纬度地区还不能作为很好预测极端降水分布情况的依据     

化工厂雷击灾害风险评估

针对雷击灾害对某化学公司可能造成的损失进行雷击风险评估,并根据《建筑物防雷设计规范》( GB50057 -2010)中的要求提出具有针对性的安全解决方案,供化工行业的单位在预防雷击灾害和安全生产方面作为参考.某化学公司建设项目的生产原材料、中间产品、成品存在多种对环境和对人体健康有害的成份,若该项目防雷防静电措施达不到防护等级要求,一旦遭受雷击,极易引起火灾、爆炸、中毒、腐蚀等事故.对其进行雷电灾害风险评估,目的是分析建设项目遭受雷击损害的可能性,计算雷击人员生命损失风险,并与风险允许值比较,判断是否需要采取防雷措施,以及防雷措施应达到的防护等级,提出科学、经济、符合项目特性的防雷措施,以降低雷击风险,使雷击风险在可接受的范围内,确保建筑物内的人员生命及财产的防雷安全.     

基于机器学习的大雾天气背景下特强浓雾本地化诊断研究

低能见度的大雾天气是造成许多交通事故的重要气象灾害。极低能见度的强浓雾预报预测是气象工作中的难点问题。利用连云港地区2014-2016年逐小时气象观测资料,选取大雾发生时次,基于机器学习中的多种算法对能见度低于50 m特强浓雾建立气象要素诊断模型。结果表明:基于CART决策树算法的诊断模型能够较为直观准确的对强浓雾进行诊断,并且该模型具有较高的泛化能力,利用约占研究样本75%的数据进行学习,模型的学习准确率为90.04%,剩余25%左右的样本数据对模型的泛化能力进行测试,测试准确率为82.25%;5种机器学习算法中LSVM算法对于特强浓雾的诊断模型测试效果最好,但算法可理解度较低、复杂度较高,不如CART算法易于使用。     

确定单季稻纹枯病防治适期的灰色局势决策

本文应用灰色局势决策(也称灰色系统决策)确定单季稻纹枯病最佳防治适期,在考虑通过防治达到纹枯病病情指数低、成本省和亩产高三个目标前提下,对分蘖期、拔节期、孕穗期和齐穗期分别使用C—125(简称C药)和井岗霉素(简称井药)两种农药采取防治一次、二次、三次三种方案,结果表明:井药的防治效果比C药好;孕穗期使用井药一次,防治效果最好;用药一次比用药二次,三次,防治效果显著。     

中国典型城市大气污染物浓度时空变化特征分析

利用2014年3月1日至2015年2月28日北京、广州和南京三市6种污染物浓度(PM_(2.5)、PM_(10)、SO_2、CO、NO_2、O_3)的日平均数据,统计分析了三市各污染物浓度的变化特征及其与气象条件的关系。结果表明:(1)3个城市中,广州空气质量最好,南京次之,北京最差。广州优、良出现的天数最多,分别为98和222天,占全年的26.8%和60.8%,没有出现重度污染和严重污染的现象。北京优出现的天数为55天,高于南京的29天,但是中度污染、重度污染和严重污染天数要高于南京,分别为61、34和8天;南京则为30、14和0天,南京没有出现过严重污染。(2)整个1年间,北京PM_(2.5)、PM_(10)、SO_2、NO_2、O_3年平均浓度分别为80.5、112.9、16.8、53.4和57.3μg/m~3,广州平均浓度分别为45.9、67.2、16.6、45.7和47.9μg/m~3,南京平均浓度分别为70.6、120.1、21.5、50.3和54.9μg/m~3,北京、广州和南京CO年平均浓度分别为1.2、1.0和0.9mg/m~3。(3)上述三个城市PM_(2.5)日均值超标率分别为42.7%、7.9%和38.4%,而PM_(10)日均值超标率分别为23.0%、1.6%和25.2%,NO_2日均值超标率分别为14.0%、3.8%和7.1%,CO浓度仅北京超标,超标率为1.4%,3个城市SO_2无超标现象。(4)3个城市SO_2和NO_2均随风速的增大而减小。风速对广州CO浓度影响不大,而北京和南京CO浓度则随风速的增大而减小。风速越大,南京PM_(2.5)和PM_(10)浓度越小,但当风速≥4m/s时,北京PM_(10)和广州PM_(2.5)与PM_(10)浓度增加。此外,风向对污染物的传输也有影响。     

基于深度学习的人工智能空气质量预报系统构建

针对现有空气质量预报系统存在预报精度低、人工经验辅助、适用范围单一等问题,利用深度学习方法在分析数据内在特征方面表现出的优异性能,结合多源数据融合技术,设计了基于深度学习的空气质量预报系统实现方案。通过对多源数据集的实时制作更新、分析空气质量演变的时空特性、定义和拟合深度学习模型并部署于服务器等关键技术的研究,最终实现了空气质量的多尺度、高精度实时预报服务和预报结果可视化服务。应用结果表明,基于深度学习的空气质量预报系统具有更高的预报精度和更优良的应用效果,可提高预报效率,为空气质量预报服务提供一种新型、高效的实现方式。     

气候变化情景下地表O3对水稻产量的潜在风险评估

利用2013~2015年水稻生长季期间气象因子、O₃浓度和气孔导度的实测数据,分析了O₃浓度与AOT40的变化,引入并修订了水稻气孔导度模型,模拟了水稻气孔O₃吸收通量的动态变化,评估了当前和未来气候变化情景下O₃污染所造成的水稻产量损失.结果表明：2013~2015年水稻生长季期间的白天时段,平均O₃浓度分别为35.8,42.0,47.9nL/L,AOT40值分别为5.33,9.03,11.25μL/（L·h）.修订后的模型可用于本地区水稻气孔导度的模拟,2013~2015年水稻气孔O₃通量AF_st02分别为2.02,6.42,7.79mmol/m².2013~2015年地表O₃造成水稻平均相对产量损失分别为4.9%、11.7%和14.3%.在未来气候变化情景下若不考虑O₃浓度的变化,O₃对水稻的胁迫效应将会降低,若考虑未来O₃浓度的变化,O₃造成水稻产量的损失将增加4.7~5.7%.