融合Lamb-Jenkinson分型法和LSTM神经网络的PM2.5预测研究

文章采用NCEP/NCAR逐日海平面气压场资料,利用Lamb-Jenkinson环流分型法对张家口大气环流进行分型,分析环流型与PM_(2.5)质量浓度之间的关系,并针对PM_(2.5)浓度的预测,提出一种融合Lamb-Jenkinson环流分型和LSTM神经网络混合模型的方法,即以环流指数为预测因子基于LSTM方法搭建PM_(2.5)质量浓度的预测模型。结果表明:影响张家口地区的主要环流型有反气旋型、气旋型、偏北平直型、西南平直型、偏西平直型、东北平直型等、西北平直型、偏东平直型。PM_(2.5)污染日出现的主要环流型为南气旋平直型、东南平直型、偏南平直型、偏东气旋型、西南气旋平直型、偏东平直型、气旋型等,而反气旋型和反气旋式平直环流型不利于污染出现。张家口地区的PM_(2.5)污染与地面环流有着密切的联系,当存在PM_(2.5)污染时,张家口地区处于日本海高压后部的均压场区域,污染越严重,日本海高压中心强度越强。模型预测结果的均方根误差为9.88、平均绝对误差为5.84、拟合优度达0.80,表明该模型具有一定的预报能力。     

二十多年来中国近代灾荒史研究综述

自20世纪80年代以来,中国近代灾荒史被学者们逐渐熟悉并加以研究,二十多年来也取得了非常多的研究成果。本文将对中国近代灾荒史的研究现状作以陈述,对这些研究成果分别从整体性研究、区域性研究、扩展性研究三个方面作了学术回顾。     

2015～2017年上海郊区大气新粒子生成特征

本研究利用扫描电迁移率粒径谱仪(SMPS)对上海郊区2015～2017年期间大气新粒子生成进行长期连续观测,结合气象要素、气态污染物和PM_(2.5)化学组分等数据,分析上海郊区新粒子生成特征.结果表明,上海郊区新粒子生成天(NPF)为172 d,占有效天数(942 d)的18. 3%;其中典型新粒子生成天(Event)和新粒子增长-缩小天(Shrinkage)分别为150 d和32 d;NPF天占比春、夏季最高,秋季次之,冬季最低.高温低湿、太阳辐射强、风速大和降雨量少的气象条件有利于新粒子生成;南风、西南风和西风期间Event天占比高,气团主要来自环太湖流域植被覆盖和农业种植区,而Non-NPF和Shrinkage天主导风向为东北、东到东南风.与非新粒子生成天(Non-NPF)相比,Event天各季度SO_2和O_3均高,表明气态硫酸和光化学反应为新粒子生成的关键因素; PM_(2.5)浓度并不均低于Non-NPF天,但PM_(10)值均更高,可能与多相光催化反应有关.Shrinkage天除O_3外,其他污染物浓度均最低,较低的气态前体物导致新粒子增长程度有限.PM_(2.5)化学组分显示,Event天NH_4~+、SO_4~(2-)和NO_3~-无机组分秋季平均浓度高于Non-NPF天,其他季节则相反;有机碳各季节平均浓度均高于Non-NPF天; Shrinkage天各组分浓度最低,但春、夏、冬季有机碳占比均高于Non-NPF天;因此有机物在上海郊区新粒子生成及增长过程中有重要贡献.