柴达木盆地盐类资源成矿构造环境及成矿预测

运用区域地质资料和地球重力测量资料的分析成果,对柴达木盆地新生代地层沉积建造的空间位置和基本构造形式进行了讨论;用实验对比和地质概化的方法,建立了新生代盆地的构造边界和构造系统;用地球动力成矿和层位耦合成矿的规律说明,新生代盆地内部存在共轭成矿作用,并可用来预测成盐成矿地段和筛选寻矿找矿靶区,为中国大陆盆地的盐类矿产资源的开发和研究提供依据。根据柴达木盆地基底构造的分析,在第四纪成矿作用的基础上,在新生代地层深部寻找新的盐类矿床是大有前景的。依据成矿环境条件,圈定出5个盐类矿床的成矿构造带,是今后找矿勘探的靶区及成矿远景地带。     

海冰数值预报在海洋开发中的应用

９０年代以来，海冰数值预报的产品被应用到多种领域，如海上石油开发，海上交通运输，海洋工程及海洋环境保护等，并创造了良好的社会和经济效益。本文叙述了海冰数值预报在海洋开发中的应用，特别侧重于局部海区的冰模式，为海洋工程服务以及结冰海区溢油行为和归宿的模拟研究。     

九黄公路水土保持方案的探讨

通过对九黄公路沿线水土流失的原因和特点的分析，对工程沿线的水土流失进行了预测，并对具体的防治措施进行了探讨。     

天津地区霾天气特征研究

基于2014~2017年天津地区PM_2.5质量浓度，能见度和相对湿度监测数据开展霾天气特征研究.结果表明：天津中度以上霾过程分为五类：高压后部型，北部弱高压型，低压槽型，均压场型和锋前低压型.在现行标准下，中度霾一般对应重度污染天气，重度霾对应重度到严重污染天气；五级重度污染天气一般有中-重度霾发生，六级严重污染天气有重度霾天气发生.2013年“大气污染防治行动计划”开展以后，天津PM_2.5质量浓度和霾日均显著减少，2017年相比2013年霾日减少了55%，中度及其以上霾日由2013年的41d下降到2017年的20d，下降幅度超过50%.基于实况监测的PM_2.5质量浓度，能见度和相对湿度，可以较好的构建区域能见度计算方程.统计数据显示，其估算的能见度和实况值相关系数为0.94，相对误差为18.6%，非霾日辨识准确率为85%，霾日辨识准确率为95.6%，轻微霾辨识准确率为83%，轻度霾辨识准确率为78%，中度霾辨识准确率为93%，重度及以上霾辨识准确率为94%，对于判断霾等级，有较强的适用性.将该方程与空气质量模式结合开展霾等级预报，2015~2017年24h预报产品检验显示：能见度预报值与实况值相关系数为0.75，预报均值13.9km，实况均值14.1km，相对误差为29.6%，FAC2（预报值在实况值两倍范围内百分比）为98.1%，霾日预报准确率81.4%，霾日漏报率18.6%，霾日空报率20.6%，如果容错1级，轻微霾日预报准确率为96%，轻度霾日预报准确率为85%，中度及以上霾日预报准确率为69%，可有效支撑天津霾等级预报的开展.     

空气污染预报污染物排放清单数据库的研究与建立

介绍了天津市空气污染预报污染源数据库建立的目的和方法，该数据库不同于常规的污染源数据库，要按模型需要对污染源信息进行了模式化处理，研究结果表明：该数据库应用于空气污染数值预报系统，预报结果达到课题设计的精度要求。     

船载雷达海冰监测及预报技术在辽东湾冰区油轮外输作业中的应用

渤海的辽东湾是世界上典型的海湾结冰区,位于冰区中的石油平台油轮外输作业中,流冰连续不断地漂移、聚集形成堆积冰,给海上油轮的外输作业安全带来严重危害。本文概述了在国内首次利用船载雷达,在该湾冰区石油平台上,现场采用雷达海冰监测预报技术系统,进行遥感海冰数据源的获取,图像的解译和数值化处理,得到流冰类型、冰厚度、流冰密集度、流冰速度、方向、流冰漂移轨迹等要素。同时首次现场实时计算出雷达冰漂流场矢量图,并开展了雷达海冰数值跟踪预报,在冰区油轮外输作业中得到很好应用,为雷达技术对水体和海冰监测和预报、遥感应用新领域提供科学依据。     

应用马尔可夫链分析预测福建以林为主的土地利用趋势

土地利用状况的研究是国土整治及林业发展规划的重要研究内容,本文根据森林资源连续清查的资料,应用马尔可夫链理论,建立预测模型,分析、预测土壤利用的动态状况,提出宏观控制的对策,为土地利用规划,林业生产决策提供科学的方法与依据。     

利用马尔柯夫过程预测锡林河流域草原退化格局的变化

以我国北方典型草原模式地段之一的锡林河流域草原为研究对象,根据研究区两个时期遥感影像解译的植被类型图衍生出草原植被退化图。在对草原退化图统一网格化后,计算各网格草原退化指数,并加以分级,确定不同草原退化等级之间转移概率,并应用马尔柯夫模型预测锡林河流域草原退化格局的演变趋势。结果表明:如果不采取防止草地退化的根本性措施,草原退化态势还将继续下去。以每个网格草原退化指数值为各网格草原退化状况划分依据,以3km×3km网格为统计单元,在流域总面积为10701km₂情况下,预测结果是:2005年,锡林河流域草原退化为3级的网格总面积是3776km₂,占流域总面积的35.29%;4、5级网格面积之和为5427km₂,达到流域总面积的50.71%。2025年,锡林河流域草原退化为3级的网格面积总和是3389km₂,占流域总面积的31.67%;4、5级网格面积之和为6406km₂,达到流域总面积的59.86%。     

利用人工神经网络对空气中O3浓度进行预测

将人工神经网络应用于对空气中O3的浓度预测,提出了完整的预测模型,选取风速、风向、相对湿度、云量、平均气温、最高气温等6项气象因子作为输入量,经过两个月的预测实验,结果表明,实测值与预测值的平均相对误差为21.49%,相关系数为0.837.表明人工神经网络对O3的浓度预测是一种有效的工具.     

Streamflow Forecasting Using Singular Value Decomposition and Support Vector Machine for the Upper Rio Grande River Basin

The current study improves streamflow forecast lead‐time by coupling climate information in a data‐driven modeling framework. The spatial–temporal correlation between streamflow and oceanic–atmospheric variability represented by sea surface temperature (SST), 500‐mbar geopotential height (Z₅₀₀), 500‐mbar specific humidity (SH₅₀₀), and 500‐mbar east–west wind (U₅₀₀) of the Pacific and the Atlantic Ocean is obtained through singular value decomposition (SVD). SVD significant regions are weighted using a nonparametric method and utilized as input in a support vector machine (SVM) framework. The Upper Rio Grande River Basin (URGRB) is selected to test the applicability of the proposed model for the period of 1965–2014. The April–August streamflow volume is forecasted using previous year climate variability, creating a lagged relationship of 1–13 months. SVD results showed the streamflow variability was better explained by SST and U₅₀₀ as compared to Z₅₀₀ and SH₅₀₀. The SVM model showed satisfactory forecasting ability with best results achieved using a one‐month lead to forecast the following four‐month period. Overall, the SVM results showed excellent predictive ability with average correlation coefficient of 0.89 and Nash–Sutcliffe efficiency of 0.79. This study contributes toward identifying new SVD significant regions and improving streamflow forecast lead‐time of the URGRB.