基于改进的PSO优化LSSVM参数的松花江哈尔滨段悬浮物的遥感反演

悬浮物是松花江水质和水环境评价的重要参数之一.利用在松花江哈尔滨段江面上29个采样点的实测高光谱和悬浮物浓度数据,用20个采样点数据为训练集,9个采样点数据为测试集.将机器学习和全局优化智能计算方法引入,应用改进的粒子群(PSO)优化最小二乘支持向量机(LSSVM)参数,以均方根误差RMSE为适应度函数,根据迭代得到LSSVM最优参数值,用700 nm和750 nm光谱反射率比值(R700/R750)为特征变量,悬浮物数据为目标变量,用训练集数据训练得到反演模型,使用测试集数据进行验证.结果表明,此模型收敛速度快,精度高,得到预测值的均方根误差RMSE为10.11 mg·L-1,平均绝对百分误差MAPE为10.72%,模型决定系数R2为0.952,该方法可用来对其它水质参数反演预测提供参照.     

基于扩散模式反演的橡胶轮胎制造行业VOCs排放特征

选取我国华北地区某轮胎制造企业为研究对象,针对其挥发性有机物(VOCs)排放,开展了VOCs外场观测试验,并通过ISC3模式反演获得该企业VOCs排放源强.观测结果表明,厂外上风向背景点和下风向受体点之间存在显著的VOCs浓度差异和化学组分差异. 20种潜在排放污染物在背景点和受体点TVOCs浓度平均值分别为53. 8μg·m~(-3)和127. 5μg·m~(-3),背景点化合物以丙烷(7. 2μg·m~(-3))、丙酮(7. 5μg·m~(-3))、壬醛(12. 7μg·m~(-3))、丁烷(4. 9μg·m~(-3))和乙醛(2. 7μg·m~(-3))为主;受体点化合物以壬醛(43. 5μg·m~(-3))、丙烷(11. 4μg·m~(-3))、乙醛(7. 4μg·m~(-3))、己烷(11. 9μg·m~(-3))和丁烷(7. 3μg·m~(-3))为主.背景点和受体点VOCs差异(Δc)为该企业潜在排放的VOCs贡献,以烷烃(31. 39%)和含氧挥发性有机物(33. 15%)为主.继而,本文利用ISC3模式,基于观测期间气象条件,获得了每次试验每个受体点的浓度与源强的关系系数,并基于该关系系数计算了该企业的VOCs排放源强.反演结果显示,该橡胶轮胎制造厂VOCs年排放量平均值为(152. 8±188. 2) t,以壬醛、甲苯、正己烷、丙烷和苯为主,折合VOCs排放因子约每条轮胎101. 9 g.本文反算的排放因子与AP42接近,远低于我国推荐的排放因子数值.以此排放因子计算,当前我国轮胎制造行业VOCs排放量约为62. 13 kt·a~(-1),主要分布在山东省28. 70 kt·a~(-1)和江浙沪地区20. 5 kt·a~(-1),该行业VOCs排放对O3存在较为重要的贡献,其臭氧生成潜势约为130. 87 kt·a~(-1),而对二次有机气溶胶生成潜势较小,仅为0. 86 kt·a~(-1).     

面向GOCI数据的太湖总磷浓度反演及其日内变化研究

总磷浓度是水质评价的一个重要指标,是水体富营养化、蓝藻水华暴发的重要影响因素,遥感技术具有范围广、时效高的优势,利用卫星遥感监测总磷浓度,对于水质和富营养化的研究有着重要意义.利用2013~2014年3次地面实验数据,构建了基于GOCI影像的总磷反演模型,为了检验模型的适用性,选取2014年春、夏、秋、冬各1日GOCI影像,对太湖总磷浓度的日内变化进行分析.结果表明,利用GOCI数据8个波段的波段组合作为变量,进行逐步回归分析所建立的模型具有较高的反演精度,模型的决定系数为0.898,平均绝对误差百分比为14.296%,均方根误差为0.026 mg·L~(-1).同时,利用地面实测样点与同步卫星影像对模型进行了精度分析,2014年8月5日和2014年10月24日同步影像的验证精度分别为:平均绝对误差百分比为33.642%和22.551%,均方根误差为0.076 mg·L~(-1)和0.028 mg·L~(-1).对4个季节中4 d的30幅影像对比分析表明,不同季节总磷浓度的绝对含量存在差异,但是,总磷浓度的时空分布及从早晨到下午的差异性存在相似性.从空间分布上看,梅梁湾、竺山湾、贡湖湾及西南部沿岸小梅港、长兜港总磷浓度长期偏高,各个区域的总磷浓度变化受到风向、风速等因素的影响;从时间变化上看,早上总磷浓度最高,随后逐渐降低,反映了总磷浓度受到温度和光照影响的效果.     

Two unbalanced segregation products due to a maternal t(7;16)inv(16)

We report a prenatal case of a maternally inherited abnormal chromosome 16, originally interpreted as a pericentric inversion only, but after family studies re-interpreted as a pericentric inversion (16) accompanied by an unbalanced (7;16) translocation. Because of the inversion 16 and an elder son with developmental delay and craniofacial dysmorphic features, in the past karyotyped as 46,XY, the chromosomes 16 of the mother and son were carefully re-examined. Using a whole chromosome 16 paint and sub-telomere probes of 16p and 16q, the karyotype of the mother was shown to be 46,XX,inv(16)(p11.2q23.2).ish t(7;16)(q36;p13.3)inv(16). Subsequently one chromosome 16 of the elder son appeared to be a der(16)t(7;16)(q36;p13.3). This is probably the result of a meiotic crossover between the chromosomes 16 in the mother. The prenatal karyotype was finally interpreted as 46,XY,inv(16)(p11.2q23.2).ish der(16)t(7;16)(q36;p13.3)inv(16). This is the same cytogenetic imbalance as his elder brother: a partial trisomy of chromosome 7 (q36→qter) and a partial monosomy of chromosome 16 (p13.3→pter). Copyright © 2001 John Wiley & Sons, Ltd.     

基于源反演和气溶胶同化方法天津空气质量模式预报能力改进

为提升天津空气质量数值模式精细化预报能力,基于高分辨率排放源清单,技术应用源反演技术和气溶胶三维变分同化方法开展2020年天津空气质量数值预测分析,评估不同技术对空气质量模式预报能力改进,并结合气象因素评估模式系统性误差,以期提升天津空气质量精细化预报能力,服务分区精细化大气污染防治.结果表明,基于高分辨率排放源清单、源反演技术和气溶胶三维变分同化方法,可有效改进天津空气质量模式预报能力,调整后天津PM_2.5、 PM₁₀、 SO₂、 NO₂和O₃浓度预报平均偏差均在2μg·m^-3以内,其中高分辨率排放源清单应用后PM_2.5平均偏差为1.80μg·m^-3,源反演技术和气溶胶三维变分同化技术应用后平均偏差分别为-1.45μg·m^-3和-3.98μg·m^-3,均显著小于原模式的18.75μg·m^-3; PM_2.5浓度预报和实况的相关...     

2014—2016年四川盆地重污染大气环流形势特征分析

利用2014—2016年四川盆地7个主要城市国家环境空气监测子站资料,结合2015—2016年MICAPS常规气象数据、NECP和ERA Interim再分析资料,统计分析四川盆地细颗粒物（PM_2.5）浓度时间分布特征及重污染期间的气象要素和环流背景.结果发现,2014—2016年四川盆地大气重污染主要发生在冬季,重污染日数分别为41、30和16 d,呈逐年降低的趋势.大气重污染期间,温度廓线出现多层逆温,逆温层大多出现在近地面925 hPa以下和700~600 hPa之间.四川盆地大气重污染主要对应两种环流形势,一种为500 hPa高空盛行西风气流,850 hPa高空等值线稀疏,另一种为四川盆地受到500 hPa高空槽后西北气流控制,地面为弱高压.以上两种环流形势下,四川盆地850 hPa高空附近气压梯度小,污染物不易扩散,导致重污染天气发生.本研究结论可为四川盆地大气重污染预报预警提供科学依据.     

西南涡对四川盆地PM2.5污染的影响研究

利用2015—2016年西南涡个例数据与同期的细颗粒物（PM_2.5）浓度数据进行时空匹配,对比分析西南涡过境前后四川盆地PM_2.5浓度变化,并结合温度、湿度、风等气象要素及逆温特征,深入研究西南涡对PM_2.5污染的影响机理.结果表明：①2015—2016年四川盆地共182个西南涡,其中,干涡72个（多集中在春季）,弱降水涡75个（多集中在春季和冬季）,强降水涡35个（多集中在夏季）.②总体而言,干涡过境使四川盆地PM_2.5浓度增加,降水涡使PM_2.5浓度减小,强降水涡的削减作用强于弱降水涡.全年来看,干涡过境使四川盆地PM_2.5浓度增加10.52%,强、弱降水涡过境分别使PM_2.5浓度减小29.72%、9.71%.③除降水外,3类西南涡对PM_2.5影响的主导气象要素和逆温条件为相对湿度、风速和逆温层底高.而主导季节差异的气象要素和逆温条件各异：干涡的主导因素是温度垂直变化和逆温强度,在温度随高度递减和逆温强度较小的春季和夏季,对PM_2.5浓度的增幅减小（甚至有削减作用）;弱降水涡的主导因素是湿度和风速、逆温强度和逆温层厚度,春季其过境时湿度和风速最小,逆温强度和逆温厚度仅次于冬季,甚至使PM_2.5浓度增加;强降水涡的主导因素是风速、湿度和逆温层底高,夏季其过境时风速和低层湿度最小,逆温层底高最低,对PM_2.5的削减作用远弱于其他季节.     

2013~2019年上海早晨接地逆温指标与PM2.5定量关系研究

利用2013~2019年上海宝山观象台08：00时高分辨率气象探空资料识别SBI并计算其3个指标（垂直温差、厚度、强度）,发现在易污染月份（11月、12月、1月、2月）上海早晨SBI的发生频次为35.7%,垂直温差、厚度、强度分别为3.7℃、118m、3.6℃/100m.2013~2019年出现接地逆温的频次有所下降,但其3个指标均没有显著的年变化趋势.当出现接地逆温（SBI）时,2019年易污染月份早晨的PM_2.5浓度高达61.9µg/m³,较无逆温（NTI）时偏高了79%,表明SBI是促发早晨PM_2.5污染的重要气象条件之一.SBI的大气动力热力条件呈现水平风速降低（69%）、边界层通风能力下降（18%~44%）、垂直层结稳定（Ri>0.25）和低温（降低42%）、高湿（上升10%）的特点,非常有利于PM_2.5的局地累积和二次非均相生成,使得2013~2019年早晨的PM_2.5浓度较NTI时偏高了20%~107%.PM_2.5浓度与SBI的垂直温差、厚度都显著正相关,分别拟合为二次非线性关系（P<0.05）,然而与强度的相关性不显著.当接地逆温的垂直温差大于4.6℃、或者厚度大于100m,PM_2.5浓度超过100µg/m³,可作为判别PM_2.5重污染天气的参考阈值.     

A meteorologically adjusted ensemble Kalman filter approach for inversing daily emissions: A case study in the Pearl River Delta, China

The conventional Ensemble Kalman filter (EnKF), which is now widely used to calibrate emission inventories and to improve air quality simulations, is susceptible to simulation errors of meteorological inputs, making accurate updates of high temporal-resolution emission inventories challenging. In this study, we developed a novel meteorologically adjusted inversion method (MAEInv) based on the EnKF to improve daily emission estimations. The new method combines sensitivity analysis and bias correction to alleviate the inversion biases caused by errors of meteorological inputs. For demonstration, we used the MAEInv to inverse daily carbon monoxide (CO) emissions in the Pearl River Delta (PRD) region, China. In the case study, 60% of the total CO simulation biases were associated with sensitive meteorological inputs, which would lead to the overestimation of daily variations of posterior emissions. Using the new inversion method, daily variations of emissions shrank dramatically, with the percentage change decreased by 30%. Also, the total amount of posterior CO emissions estimated by the MAEInv decreased by 14%, indicating that posterior CO emissions might be overestimated using the conventional EnKF. Model evaluations using independent observations revealed that daily CO emissions estimated by MAEInv better reproduce the magnitude and temporal patterns of ambient CO concentration, with a higher correlation coefficient (R, +37.0%) and lower normalized mean bias (NMB, -17.9%). Since errors of meteorological inputs are major sources of simulation biases for both low-reactive and reactive pollutants, the MAEInv is also applicable to improve the daily emission inversions of reactive pollutants.