2017年广东省台风期间O3污染过程特征及影响因素分析

2017年7月25日至8月2日台风"纳沙"和"海棠"影响期间,广东省出现大范围O_3污染过程,分析了其变化特征和影响因素。结果表明,台风登陆前城市O_3污染逐渐加重,而台风登陆后O_3污染逐渐缓解,污染较重城市集中分布在广东省中部,主要是广州市、佛山市、江门市、东莞市、中山市、汕尾市和清远市。造成台风期间O_3污染的主要原因是:(1)双台风影响期间,广东省总体受海平面高压控制,以高温晴热天气为主,太阳辐射强、气温高、降水少,相对湿度较低,有利于本地光化学反应进行;(2)受台风外围下沉气流影响,垂直方向扩散条件不利,而平流层O_3有可能向下运输;(3)台风登陆阶段,近地面风向以偏北风为主导,且风速小,导致O_3浓度出现明显的上升。     

云南突发灾害现场应急气象服务体系的构建

近年来极端天气、气候事件频发,影响日趋广泛,为制定防灾、减灾、抗灾决策,更好地保护人民生命财产安全,迫切需要气象服务为地震、山洪泥石流等自然灾害现场提供更具针对性、准确性的基础保障。该文对2014年云南鲁旬6.5级地震现场应急气象保障服务过程回顾,总结应急现场气象服务的不足,分析应急现场气象服务的需求和特点,提出满足云南省突发灾害应急现场气象服务体系的主要功能,并具体分析系统各功能部分的设计技术要点。     

冬季高速公路逐时路表温度LSTM预测模型

为提高冬季路表温度的预测精度,提出一种基于多维长短时记忆(LSTM)神经网络的冬季路表温度逐时预测模型,以小时路表温度为模型输出,综合考虑多维气象因素的累积影响和路表温度的周期性,采用滑动窗口构造输入特征矩阵;构建路表温度LSTM逐时预测模型,通过深度学习高效逼近具有复杂非线性和不确定性的路表温度,并以江苏省宁宿徐高速公路、云南省麻昭高速公路为实例进行验证。结果表明：与随机森林(RF)模型和BP神经网络相比,LSTM路表温度逐时预测模型的准确率得到显著提高,在宁宿徐高速、麻昭高速的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别为0.303、0.295、0.543和0.581、0.694、0.833,预测值与观测值绝对误差位于[0, 1)℃之间的占比为93%和89%。LSTM模型能准确捕捉路表温度的周期性和不确定性,在阴雨天和晴朗天的预测值与实测值基本一致,模型鲁棒性较好。     

高空气象和地形数据对ADMS模型预测结果的影响

以某钢铁厂烧结单元SO2评价因子为例,对比分析ADMS模型在高空气象、地形数据等不同取值条件下的预测结果。结果表明:高空气象数据和地形数据对区域网格点最大预测值均有一定影响,复杂地形对预测结果的影响很大,且影响大于高空气象的影响;高空气象数据和地形数据对敏感点预测结果均有一定影响,但变化规律不明显,敏感点预测值有增加和降低两种趋势。     

国外天气保险略览

<正>近年来,由于全球气候变暖,极端气候事件增多,各种气象灾害日趋严重。这不仅影响了人们的正常生活,还给农业、旅游业、娱乐业等对天气敏感的行业带来了不小的经济损失。为了减少气象灾害带来的损失,一种新的保险种类"天气保险"便应运而生。     

2011年10月珠江三角洲一次区域性空气污染过程特征分析

2011年10月18—25日珠江三角洲地区出现了一次区域性空气污染过程,重污染区域集中在西部,后期向中部转移,PM₁₀为首要污染物.针对本次空气污染过程的研究发现,此次珠江三角洲地区空气污染过程主要受大尺度冷高压活动的影响,一直为下沉气流所控制,500 m以下近地层风速很小,边界层高度较低,存在贴地逆温层,非常不利于污染物的输送和扩散.PM₁₀浓度与风速、能见度呈显著的负相关关系,与温度相关性不显著;且与风速和温度的相关性存在滞后性.稳定天气形势、大范围下沉气流、近地层静小风和贴地逆温是导致这次区域性空气污染过程的气象原因,PM₁₀浓度增加导致珠江三角洲能见度下降.     

基于标准化降水蒸散指数的陕西省近50 a干旱特征分析

基于陕西省18 个气象站点1961-2010 年实测气象资料,利用标准化降水蒸散指数(SPEI),通过计算各站历年逐月的SPEI 指数值,统计近50 a 各站点出现的干旱过程,分析了陕西省历年、历年各季及月尺度上的干旱发生频率、覆盖面积和干旱发生强度,揭示了陕西省干旱发生的时空和强度演变特征。研究结果表明,近50 a 来陕西省干旱发生频率呈明显的增长趋势,尤其是1990 年以来的近20 a;陕西省在年、春、夏、秋、冬及月尺度上均有干旱发生。其中,秋季干旱最为严重,春季次之。在年代际变化方面,全省以20 世纪90 年代干旱最为严重,2000 年以来的干旱次之;干旱出现既有全省性的大范围干旱,也有区域性的局部干旱,分布极不均匀,总体分布特征是北多南少;干旱发生强度分布呈现出关中最强、陕南次之、陕北最弱的特点。     

GAM的区域PM_(2.5)浓度影响因子识别及关联关系分析

区域PM_(2.5)浓度影响因子及显著程度对区域PM_(2.5)浓度模拟和污染控制具有重要意义。该研究应用广义加性模型(GAM)建立模型分析2013年京津冀区域PM_(2.5)浓度与AOD、气象因子(相对湿度、温度、降雨量、大气压、风速)和土地利用类型(水体、林地、耕地、建设用地、裸地)之间的相关关系。结果表明,温度、大气压、AOD、林地、建设用地和裸地显著的影响PM_(2.5)浓度;且温度、AOD、裸地、林地与PM_(2.5)存在复杂相关关系,大气压、建设用地与PM_(2.5)浓度存在线性相关关系。GAM模型R~2为0.952,拟合结果与实测结果的线性回归方程系数为0.959,模型交叉验证后得到R2为0.792。结果表明,利用GAM能有效的识别区域PM_(2.5)浓度的影响因子,根据影响因子进行PM_(2.5)浓度拟合并得到可靠的拟合结果。     

成都及周边城市一次区域性空气污染过程特征分析

2013年12月1-9日成都及周边城市出现了一次较为严重的区域大气污染过程,重污染区域集中在成都市,其API值最高达到225,首要污染物为PM2.5。对成都地区PM2.5源解析可得出本次污染过程是以机动车尾气和煤烟污染的混合型污染过程,贡献比重之和为42.8%。同时探讨了研究期间造成污染持续累积的相关因素:高空500hPa的大气环流形势处于弱高压前部以下层气流为主;主导风向西南风和东南风,平均风速分别为1.46m/s和0.99m/s,无降水,气温日较差较往年偏高7.1℃的气象条件;高湿及"双逆温"效应的大气结构均不利于污染物扩散。研究表明逆温强度变化与颗粒物浓度的消长具有显著的滞后一致性。研究结果可为成都平原地区发生重污染过程的预警预报及污染防治提供理论依据和研究参考。     

BP 神经网络模型在环境气象灾害预测中的应用研究--以湖南省为例

依据环境气象数据与自然灾害统计数据,建立BP神经网络模型,对湖南主要气象灾害（洪灾、旱灾、冰冻灾）及受灾经济损失进行实例预测,将在MATLAB7软件中的仿真结果与传统的多元线性回归模型分析结果进行比较和误差分析。结果表明,BP神经网络模型在洪灾、旱灾受灾率方面的预测效果和精度优于多元回归模型,而由于冰灾训练样本不足及经济损失与输入因子的线性相关程度高,在冰灾与受灾经济损失率方面稍逊于多元回归模型。