降水和风对大气PM2.5、PM10的清除作用分析

对合肥2015—2017年的降水、风和PM_(2.5)、PM_(10)浓度观测数据统计研究发现,降水对PM_(2.5)、PM_(10)有一定的清除作用,尤其在秋冬季节.秋冬季节小雨、中雨分别导致PM_(2.5)和PM_(10)浓度降低23.1%、40.4%和32.0%、63.7%.雨日PM_(2.5)/PM_(10)比例上升8.4%,表明降水对PM_(10)清除作用更显著.降水前后PM_(2.5)浓度变化与降水前PM_(2.5)浓度、降水强度、降水时长密切相关.当降水强度大于4 mm·h~(-1)或PM_(2.5)初始浓度高于115μg·m~(-3)时,降水对PM_(2.5)产生明显清除作用;而降水强度小于1 mm·h~(-1)或PM_(2.5)初始浓度低于115μg·m~(-3)时由于吸湿增长作用极易造成PM_(2.5)浓度反弹升高;且持续3 h以上雨强介于1～4 mm·h~(-1)的降水也对PM_(2.5)产生清除作用.降水前后PM_(10)浓度变化与初始浓度密切相关,而与雨强相关性较弱.当PM_(10)初始浓度大于50μg·m~(-3),降水就对PM_(10)产生明显清除作用,且PM_(10)初始浓度越高,降水后PM_(10)浓度下降越多.风速大于2 m·s~(-1)可显著降低PM_(2.5)浓度,因此,当风速大于4 m·s~(-1)时合肥较少出现中度及以上污染,但易造成地面起尘,使PM_(10)浓度不降反升.合肥冬季严重污染主要出现在西北风向,夏季中度以上污染天气较少,主要出现在风速低于3 m·s~(-1)的东南风向.     

基于MODIS数据的安徽区域日蒸散量估算与分析

蒸散的估算在区域能量平衡和水资源研究中具有重要意义，遥感技术发展促进了区域蒸散的研究。利用安徽省气象资料、MODIS数据产品及GIS背景信息，基于SEBAL模型，按1 km空间分辨率进行了面尺度的安徽省日蒸散量估算，并在GIS空间分析模块的支持下对不同土地覆盖类型的日蒸散量进行统计分析。结果表明：遥感估算的蒸散量与利用Penman Monteith公式计算的蒸散量比较，两者之间具有较好的相关性，遥感蒸散估算值整体偏小，不同土地利用类型的日蒸散量间差异显著。遥感蒸散估算方法在安徽省具有一定的实用性，需优化模型参数，以提高其进一步技术推广的前景     

基于MODIS气溶胶产品的安徽省颗粒物浓度反演研究

基于MODIS level2的气溶胶产品,分别利用地面气象观测和ECMWF再分析资料进行垂直订正和地面水汽订正,建立MODIS气溶胶光学厚度与地面颗粒物浓度间的关系模型,并分析了颗粒物浓度的时间变化特征。结果表明:(1)MODIS光学厚度与地面PM_(2.5)和PM_(10)浓度相关性较差,经过垂直订正得到的地面消光系数与PM_(2.5)和PM_(10)浓度的相关性增强,水汽订正后的干消光系数与PM_(2.5)和PM_(10)浓度的相关性进一步提高。(2)ECMWF再分析格点数据中边界层厚度和相对湿度产品适用于MODIS光学厚度的垂直订正和水汽订正。(3)利用MODIS光学厚度历史数据反演的合肥市月平均PM_(2.5)浓度自2000年以来呈震荡增长趋势,PM_(2.5)浓度冬季较高,春秋次之,夏季最低。     

铜陵市空气污染物浓度与大气混合层高度的关系

以长三角地区典型工业城市为研究对象,利用气象探空站观测数据,采用干绝热曲线法计算代表大气垂直方向上大气混合能力的最大混合层高度,并与地面观测的空气污染物浓度观测结果进行对比分析。分析结果表明,2-4月和7-10月是月均最大混合层高度较高的2个时期;在季节变化上呈现出春季到冬季依次下降的特征,东亚季风气候是造成这些特征的主要原因之一。总体而言,随着最大混合层高度的增大,各污染物的最大可能浓度呈现出不同的降低趋势。最大混合层高度对颗粒态污染物(PM_(10),PM_(2.5))日均浓度的影响最为显著,主要原因是颗粒态污染物相对稳定、且生命周期长。对于气态污染物而言,化学性质稳定的CO的最大日均浓度与最大混合层厚度之间关系最好,其次为SO_2和NO_2。O_3由于化学性质不稳定且受太阳辐射影响显著,其最大日均浓度与最大混合层高度之间关系相对较差,但也存在着-0.692的负相关。     

全球增温1.5℃和2.0℃对淮河中上游径流影响预估

论文应用第5次耦合模式比较计划(Coupled Model Intercomparison Project Phase 5,CMIP5)中5个全球气候模式(Global Climate Models,GCMs)和3种典型浓度路径(Representative Concentration Pathways,RCPs)在全球增温1.5℃和2.0℃下的预估结果,分析了淮河中上游地区未来的气候变化特征。进一步基于SWAT(Soil and Water Assessment Tool)水文模型定量预估了气候变化对该区域径流量的影响,并量化了预估结果的不确定性。结果表明:SWAT模型在淮河中上游对月径流量具有较好的模拟能力。在全球增温1.5℃和2.0℃下,淮河中上游年平均气温分别较基准期(1986—2005年)增加1.1℃和1.7℃;年降水量较基准期分别相应增加4%和7%;基于SWAT模型预估的年径流量较基准期分别增加5%和8%。未来气候变化不会改变月径流分布特征,年内径流仍集中在盛夏和初秋(6—9月)。预估的月丰水流量明显增加,尤其当全球增温达到2.0℃后,出现洪涝的风险明显增大。未来降水量和径流量预估都存在较大的不确定性,不确定性主要来源于GCMs,在全球增温2.0℃下预估的不确定性更大。     

多模式集成方法在安徽地区PM2.5预报中的应用研究

分别采用算术平均、权重平均、多元线性回归和神经网络的集成方法,对3种空气质量模式在安徽地区2017年2月-2018年2月PM_2.5预报结果进行集成释用.结果表明：各模式和订正产品的预报值与实况值之间均能达到显著相关,相较于WRF-Chem,多元线性回归的均方根误差（RMSE）下降了21.7%,归一化平均偏差（NMB）下降了6%,且在16个地市中NMB均下降至-25%~25%之间;从不同时次的预报效果来看,在3个代表性城市（淮北、合肥和芜湖）,多元线性回归均能大幅度降低RMSE和NMB,但从时间和空间效果来看,其对于提升预报值与实况值之间的相关性方面,略差于权重平均的集成方法;多元线性回归方法对于重污染天气PM_2.5预报评分（TS）最高,为0.46.该方法能较为有效地提升不同模式的预报效果,可为重污染天气预报预警提供参考.     

安徽省沿江地区棉花生长季气候变化特征及其对产量的影响

为进一步了解安徽省沿江地区棉花生长季气候变化特征及其对产量的影响，以安徽省沿江地区12个棉花主产市、县气象观测站1961～2010年逐日平均气温、降水量和日照时数气象数据为基础，采用线性趋势法和Mann Kendall非参数检验法，分析了平均气温、≥10℃积温、降水量、日照时数等气象要素的变化特征，并讨论其变化对棉花气象产量的影响。结果表明：近50 a，安徽省沿江地区棉花生长季平均气温和≥10℃积温均呈明显增加趋势(P<001)，平均每10 a分别增加016℃和3713℃·d；降水量无明显变化趋势(P>005)；日照时数显著减少(P<001)，平均每10 a减少4692 h。棉花气象产量与生长季降水量、日照时数呈极显著相关关系，与平均气温、≥10℃积温相关不明显；平均气温、≥10℃积温和日照时数的增加均有利于棉花产量的提高，而降水过多不利于棉花产量的形成     

基于MODIS和GIS的洪水识别及淹没区土地利用信息的提取

介绍了MODIS数据晴空和薄云下水体的有效识别算法——CH2/CH1比值方案,并应用于2007年淮河流域大洪水事件,选取泄洪前、泄洪期和退水期3时相的MODIS数据进行水体识别分析,有效确定洪水淹没区。利用GIS技术提取洪水淹没区土地利用信息,进一步统计安徽省沿淮县市淹没区土地利用各类型的面积,从而为区域洪水灾害评估提供参考依据。相关研究成果已在ArcGIS中建成模型,为洪水监测业务服务。     

近38年安徽省夏季降水日数和强度的分布与变化特征

选用1971～2008年安徽省78个地面气象站的观测资料，分析夏季降水和暴雨的气候变化规律。从结果来看安徽省夏季降水主要受到地理位置、地形地貌和风、温、湿等气象因素的影响。根据主要影响因子的不同，按照降水特性以及行政边界将安徽省划分成了10个区，不同区域内降水特征和分布结构各有差异。在时间变化上，雨日出现概率有下降的趋势，但暴雨日比重和降水量均有升高的变化特征。综合而言，安徽省的降水朝着具有局地性、突发性的强降水过程方面发展，从而导致部分区域内突发性暴雨过程频发     

1970~2009年安徽省大雾气候特征分析

为了弄清安徽省大雾时空演变规律,利用安徽地面气象站1970~2009年40a的气象观测资料,对安徽省大雾的气候特征进行了系统的分析。研究发现安徽省大雾具有显著的年代际、季节性和区域性变化特征,结果表明:(1)年代际变化,安徽省雾日数在80年代达到最高,由于城市发展和气候变化的影响,雾日数不断减少。同时,雾生时间年代际变化不大,而雾消时间则不断后延,直接导致雾的持续时间不断增加,40a间雾的持续时间增加将近1h;(2)安徽省大雾四季特征分明,空间分布不均。冬季是安徽大雾的高发期,大雾日数最多,持续时间最长,雾中最小能见度最低,雾的影响最为严重。在夏季,大雾日数最少,持续时间最短,雾中最小能见度最大,雾的影响最弱;(3)空间分布上,皖北和皖南山区雾日数和雾的持续时间都较长,雾中最小能见度都较低。而在中部地区则相反,雾的影响较弱。