山地水田土壤环境质量评价及重金属来源解析

选择以非传统重点关注农区——广东省东部山地水田土壤作为研究对象，调查土壤中Cd、Hg、As、Pb、Cr、Cu等6种重金属的质量分数水平及空间分布情况，评价环境质量现状并进行重金属来源解析.研究结果表明:该区水田土壤环境中各重金属的平均质量分数未超过国家标准中的农田土壤污染风险管制值；基于筛选值的样本超标率均在10%以下，土壤环境质量总体良好，农产品重金属超标风险低；土壤中重金属的来源可能主要包括受人为干扰的土壤成土母质因素、工业污染因素、无干扰的土壤成土母质因素和交通污染因素，分别影响土壤中Cd、As、Cr、Cu、Hg、Pb的质量分数和空间变化特征，是导致土壤环境污染的潜在因素.建议该区在发展农业经济、工业经济、公共服务体系等时，注意做好环境规划、管理及污染防治；对超筛选值的轻度和中度污染土壤采取进一步的生态风险评估和农产品协同监测机制，对极少数重度污染土壤采取改种非食用农作物的措施.     

SeaWinds散射计海面风场模糊去除方法研究

利用最大似然法（MLE）对SeaWinds散射计数据反演得出的风矢量,一般存在2～4个模糊解,故需采用圆中数滤波法进行模糊去除。根据SeaWinds散射计第一模糊解的空间分布特性,归纳出一套适合SeaWinds散射计的模糊去除方法,并在理论上探讨了其适应性。该方法的圆中数定义简单,计算量小,且易于收敛。利用美国NASA提供的部分L2A原始数据对该方法进行验证的结果表明,对于简单风场分布情况,该方法在没有其他参考数据进行初始化的条件下,能有效解决SeaWinds轨道边缘区域的块状模糊问题。     

人工神经网络在星载散射计海面风场反演建模中的应用

地球物理模型函数(GMF)是散射计风场反演的基础及算法有效运行的前提条件。采用传统的统计方法建立GMF往往需要大量的、多种参数条件下的雷达后向散射测量数据。以圆锥扫描散射计SeaWinds为例,根据其特点,建立了一个两种极化方式下统一的神经网络模型函数(NN GMF),并对风速、相对风向采样间隔和测量值数目对模型精度的影响进行了详细分析。通过与Qscat-1模型进行比较,发现该神经网络模型在采样间隔较大或测量值数目较少的情况下,仍能较好地体现SeaWinds散射计的海面后向散射特性。