佛山市PM_(2.5)污染特征及诱发其高污染过程天气系统分析

利用2013年佛山市8个国控大气自动监测站点ρ(PM_(2.5))监测数据,分析佛山市PM_(2.5)污染的时空分布特征,并诊断诱发PM_(2.5)高污染过程的关键天气类型。结果表明,佛山市2013年PM_(2.5)年均值为53μg/m3,高于国家二级标准,污染主要集中在三水区中部、南海区中部和禅城区北部。佛山市ρ(PM_(2.5))表现出明显的季节变化和日变化特征,秋、冬季是PM_(2.5)的高污染季节,其值夜间略高于白天,呈典型的双峰型分布,08:00—09:00短暂出现一个浓度的小峰值,推测与上班交通高峰有关。对PM_(2.5)持续高污染发生的地面天气形势分析表明,高压出海是诱发佛山市PM_(2.5)高污染事件最主要的天气类型。     

2022年持续高温期四川盆地臭氧污染气象条件分析

对2022年8月6～28日持续高温期四川盆地臭氧污染气象条件进行分析，可为该地区今后根据气象条件进行夏季臭氧污染防治提供相关的理论依据。利用地面臭氧和气象要素观测数据计算该时期各要素平均值，并与2019～2021年同期进行比较，得出以下结果：(1)2022年分析时段四川盆地的平均臭氧浓度和臭氧污染日数高于2019～2021年同期，各区域分布趋势为成都平原>川南>川东北；(2)同时期地面气温和辐射空间上呈东高西低特征，2022年为历年峰值，降水和相对湿度空间上呈西高东低特征，2022年为历年谷值，气象条件分布能较好的与臭氧实况分布相对应；(3)2022年分析时段地面气温和辐射的区域分布趋势为川南>川东北>成都平原，累积降水量和相对湿度的区域分布趋势为川南<川东北<成都平原，与臭氧污染分布趋势略有差异，这可能是因为气象条件是臭氧污染发生的重要影响因素之一，但不是唯一影响因素，臭氧污染的发生还受前体物排放等因素影响。对典型臭氧污染过程及气象条件进行分析，有助于为区域臭氧污染防治提供科学依据，同时为其他地区进行相关研究提供借鉴作用。     

深度学习在危险天气自动识别中的应用研究

基于机器视觉的危险天气自动识别技术近年来已成为研究热点，但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题，提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法，有效解决了数据集数据量不足、数据类型不平衡的问题。同时，还提出了一种三通道融合卷积神经网络(3-Channel Convolutional Neural Network, 3C-CNN),该网络主干分支采用迁移学习的技术方案，并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明，利用CycleGAN网络扩充的WeatherDataset-6Plus数据集能够有效改善深度学习模型的训练性能，3C-CNN模型的6类天气现象综合识别准确率达到了98.99%,识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化，有利于其在嵌入式设备中部署。     

逆行而上 护林为民——宜兴市森林消防大队护航平安二三事

山火,考验森林卫士逆行而上的勇气,考验森林卫士护林为民的智慧……3月份以来,晴好天气增多,天干物燥,森林防火形势严峻。在大山密林间,“森林卫士”们用行动诠释什么是火场“铁军”。