霾过程大气消光系数时间序列混沌特性分析

霾是气溶胶与特定多尺度过程（大气边界层、天气和气候过程以及大气化学过程）复杂相互作用的结果 .利用成都市2015—2017年地面能见度、PM2.5质量浓度和相对湿度的逐时观测数据,通过Koschmieder’s公式反演了研究时段内6次霾过程大气消光系数时间序列.在分析霾过程统计特征基础上,基于相空间重构理论,分别计算了6次霾过程大气消光系数时间序列的最佳嵌入维数m和最佳延迟时间τ,探讨了不同时间序列非线性特征量（饱和关联维数、Kolmogorov熵以及最大Lyapunov指数）的指示意义.结果表明,霾过程大气消光系数为（1.83±0.77）km-1,其中轻微霾及轻度霾、中度霾和重度霾的样本占比分别为34.2%、20.8%和45.0%.霾过程大气消光系数时间序列有弱混沌特性,对应的最大可预报时间尺度介于7～25 h.上述成果深化了对霾系统演化不确定性的认知,并为霾过程大气消光系数预报及演化机理的后续研究奠定了基础.     

气溶胶散射吸湿增长因子的BP神经网络模型

气溶胶组分、结构以及形态的复杂性对高湿条件下气溶胶散射吸湿增长因子统计模型的适用性提出了挑战。基于成都市2017年10—12月浊度计和黑碳仪的逐时观测资料，结合同时次的环境气象监测数据，利用“光学综合法”计算气溶胶散射吸湿增长因子。以相对湿度(RH)、C_BC、C_BC/C₍PM_2.5)、C_PM1/C₍PM_2.5)以及C₍PM_2.5)/C₍PM₁₀)作为输入因子[C_BC、C_PM1、C₍PM_2.5)、C₍PM₁₀)分别为黑碳(BC)、PM₁、PM_2.5、PM₁₀的质量浓度],构建了气溶胶散射吸湿增长因子的BP神经网络...