利用探空秒数据估算北京地区日最大混合层高度

研究利用北京地区L波段探空秒数据和地面日最大位温,采用气块法反演北京地区日最大混合层高度(MMH)的可行性。将08时探空秒数据以及常规探空数据反演结果分别与对应的微脉冲激光雷达反演结果相比较,发现前者与激光雷达反演结果的一致性好于后者,常规探空数据垂直空间分辨率低可能是导致其反演结果误差较大的原因。分别用春夏秋冬的探空秒数据反演结果与激光雷达反演结果相比较,发现春夏秋反演结果的一致性较好,而冬季较差。利用08时探空秒数据结合地面日最大位温,采用气块法反演北京地区2010—2017年的MMH,发现MMH每年均表现出春夏秋冬逐次递减的分布特征。通过对长期资料的统计分析发现,北京地区日地面最高气温与850 hPa温度差定义的热力稳定度与MMH之间存在较强的正相关性。     

地基微波辐射计反演温/湿度廓线的BP神经网络训练方案对比

为提高地基微波辐射计反演大气温/湿度廓线的精度,提出了一种直接利用高垂直分辨率探空资料与地基微波辐射计观测亮温训练反演温/湿度廓线BP神经网络方案.基于地基微波辐射计的观测特点,提出了一种基于微波辐射计地面观测资料和探空资料的观测亮温综合质量控制方案,利用质量控制后的观测亮温训练BP神经网络(OBS-BP),并与基于MonoRTM辐射传输模式模拟亮温训练BP神经网络(SIM-BP)的方法进行了对比.结果表明, OBS-BP反演温度廓线的均方根误差随高度逐渐增大,范围为0.62～2.81 K,偏差范围为-0.67～0.43 K,相关系数随高度的升高逐渐减小,变化范围为0.92～0.99;相对湿度廓线的均方根误差在0～4.75 km随高度升高而增大,在4.75 km以上随高度升高而减小,范围为8.21%～24.37%,偏差范围为-3.87%～4.54%,相关系数随高度升高逐渐减小,变化范围为0.13～0.94.将OBS-BP和SIM-BP反演高时间频次的温/湿度廓线的效果进行了对比,得出OBS-BP的反演结果能更好地反映对流层内大气温/湿度演变过程,相对于利用SIM-BP的反演结果, OBS-BP反演温/湿廓线在各个高度层上均优于SIM-BP,与探空资料具有更好的一致性,更适用于实际观测中地基微波辐射计温/湿度廓线的反演.     

基于激光雷达数据对混合层高度与细颗粒物浓度关系的研究

利用微脉冲激光雷达观测资料, 运用人工辅助算法, 获得2016―2019年白天混合层高度(MLH), 并分析其变化特征及其与空气污染物PM_2.5浓度的关系。结果表明, 混合层高度表现出明显的季节变化和日变化, 春季高度明显大于其他季节, 最大值均发生在 5月。混合层高度在08:00―15:00 BJT的变化趋势与PM_2.5浓度负相关。线性拟合结果表明, 当考虑风速的影响时, 通风指数与 PM_2.5具有更强的负相关关系; 当考虑风向的影响时, 西南风情况下, 混合层高度与PM_2.5具有更强的负相关关系。对天气分型后, 每个天气类型的PM_2.5浓度与混合层高度的相关性更加显著。     

基于微波辐射计的大气温湿廓线遥感探测

利用2010年1-6月甘肃省榆中站(52983)逐日的探空资料和兰州大学半干旱气候与环境观测站(SACOL)的地基微波辐射计反演资料,对榆中所在的半干旱地区大气的温度和相对湿度的垂直分布特征进行了分析.通过对比探空资料,讨论了微波辐射计的探测性能和反演效果,并对2013年1-3月微波辐射计反演的温度进行了偏差订正.结果表明微波辐射计反演资料与探空资料反映的温湿垂直分布趋势基本一致,温度的拟合效果优于相对湿度.近地层反演效果较好,温度的相关系数大于0.90,相对湿度的相关系数大于0.80,均通过了显著性水平为0.01的相关性检验.距地2~7km之间,微波辐射计反演的温度小于探空观测值,相对湿度大于探空观测值.温度订正效果显著,但仍存在一定的偏差.     

三明市大气混合层高度变化特征分析

利用三明市1960~2013年逐日02时、08时、14时和20时四个时次的地面气象资料,采用罗氏法计算得出逐日四个时次的混合层高度,分析了混合层高度年变化、月变化、日变化等规律及与有关气象要素的关系。结果表明,54a来,年平均混合层高度呈现先平稳、后缓慢下降、再明显升高的趋势;年平均混合层高度和年降水日数存在一定的负相关关系,相关系数为-0.45。02时、08时、20时年平均混合层高度月变化较小,14时年平均混合层高度月变化较大,该时次能较好地反映夏季整体湍流强,冬季湍流弱的特点;平均混合层高度月变化中,5月500~600m高度占比最大,其他各月600~700m高度占比最大。混合层高度日变化特征为白天高、夜间低,与湍流活动日变化特征吻合较好。相对湿度与混合层高度有明显的负相关关系,相关系数-0.83;风速与混合层高度中度相关,相关系数0.52。     

兴义市顶效经济技术开发区边界层温度场结构特征研究

兴义市顶效地区进行的低空探空试验，旨在获得边界层内气温随高度变化的探测数据及不同条件下温度层结的资料，并确定该地区逆温层的特征和混合层厚度。该地区大气环境影响评价中已部分应用此结果。     

拉曼-米激光雷达测温通道残余几何因子修正

拉曼-米激光雷达高低阶拉曼通道的几何因子因不同通道光学器件和探测器的性能差异并非完全一致,会引入近地面温度测量误差,针对这一问题,提出一种修正测温通道残余几何因子的方法. 该方法首先通过探空温度和标定的归一化光谱透过率计算得到高低阶拉曼信号的有效微分散射截面之比,然后从拉曼信号比值中求解出残余几何因子廓线. 利用北京理工大学激光雷达实验室研制的转动拉曼-米激光雷达系统的探测数据,实验验证了该方法的有效性. 结果表明,该方法能较好地修正残余几何因子对温度探测的影响,显著提高近地面1.5 km探测高度内温度反演精度,有助于提高拉曼-米激光雷达对边界层大气的探测能力.      

地基12通道微波辐射计反演大气温湿廓线及估算雷达路径积分衰减

利用TP/WVP-3000型地基微波辐射计12通道亮温观测资料,发展了一套大气温湿及液态水廓线反演算法.首先对近20年历史探空数据进行数据转换、插值等处理后,分无云和有云两种类型,运用MWMOD微波辐射传输模式,计算无云情况下的微波亮温集,根据相对湿度廓线,利用模式的绝热液水含量分析方法,模拟计算出液态水廓线及对应的微波亮温数据集,利用改进BP神经网络计算模型,通过神经网络学习训练,获取代表该地区的神经网络系数,用于反演计算大气温度、水汽密度、相对湿度和液态水廓线.与GPS探空数据对比,反演的大气温度廓线在7 km以下误差均在3 K以内,水汽密度廓线在6 km以下误差均在3 g/m2以内,部分底层廓线的反演值与GPS探空观测接近,获得了较好的反演结果.同时,通过模式分析出云水廓线,弥补GPS探空不足,利用微波辐射计观测进行验证,估算雷达路径积分衰减,用于试验降水雷达反演分析.     

COSMIC掩星反演数据质量分析

利用2007?2010年的中国探空资料评估GPS掩星探测系统COSMIC (constellation observing system for meteorology, ionosphere, and climate)反演产品, 对比数据在空间上限定掩星事件发生地和探空站的水平距离在100 km以内, 在时间上相差不超过1小时, 对比高度范围为925~10 hPa。对比结果表明, COSMIC反演大气温度略低于探空仪测量值, 平均绝对偏差为?0.08 K, 标准差为1.67 K。两者水汽资料在200 hPa以上高度有系统性偏差; 在200 hPa以下, 比湿的平均偏差约为+0.080 g/kg, 标准差为0.692 g/kg, 水汽压平均相对误差约为+69.6%, 标准差为160.0%, 水汽压存在极端低值的异常情况。通过对全球不同区域6种探空仪的对 比, COSMIC反演产品在700 hPa以下高度显著受背景场影响, 由于背景场误差随区域改变, 因此, 只有在精度要求不高的情况下, COSMIC反演产品才适合用于评估其他资料。     

COSMIC掩星反演数据质量分析

利用2007—2010年的中国探空资料评估GPS掩星探测系统COSMIC(constellation observing system formeteorology,ionosphere,and climate)反演产品,对比数据在空间上限定掩星事件发生地和探空站的水平距离在100 km以内,在时间上相差不超过1小时,对比高度范围为925~10 hPa。对比结果表明,COSMIC反演大气温度略低于探空仪测量值,平均绝对偏差为0.08 K,标准差为1.67 K。两者水汽资料在200 hPa以上高度有系统性偏差;在200 hPa以下,比湿的平均偏差约为+0.080 g/kg,标准差为0.692 g/kg,水汽压平均相对误差约为+69.6%,标准差为160.0%,水汽压存在极端低值的异常情况。通过对全球不同区域6种探空仪的对比,COSMIC反演产品在700 hPa以下高度显著受背景场影响,由于背景场误差随区域改变,因此,只有在精度要求不高的情况下,COSMIC反演产品才适合用于评估其他资料。     

“2010.6.26”云南东部特大暴雨天气过程分析

利用NCEP资料、常规气象资料和云南省闪电定位系统资料,对2010年6月25日20时～26日08时发生在云南东部的特大暴雨天气过程进行分析.结果表明:700 hPa的暖式切变是主要影响天气系统;高空风切变和中低层的水汽辐合是造成云南东部特大暴雨天气过程的主要原因;气层上冷下暖、上干下湿的位势不稳定区,是云南东部短时强对流天气的有利条件;卫星云图、云南闪电定位资料与特大暴雨天气过程有着较好的对应关系.     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。     

场次降水与日降水差异对比

基于我国中东部18个气象站逐分钟降水数据,整理得到日降水与场次降水资料,统计日降水与场次降水的对应关系,并对比不同级别降水量的差异;同时,基于全国811个气象站08:00-20:00与20:00-08:00逐半日降水数据,按气象站(20:00-20:00)与水文站(08:00-08:00)2种日界标准整理出2套日降水资料,分析降水日界对日降水资料的影响.结果表明:大部分场次降水过程发生在同1日或者跨1日;场次降水量均值、90百分位、95百分位以及最大值4个指标的计算结果分别为日降水对应指标的1.2、1.2、1.3和1.5倍;将日降水资料计算得到的10、20、50、100a一遇重现期降水量分别乘以转换系数1.39、1.42、1.44和1.45,可与基于场次降水资料计算所得结果相当.气象站和水文站降水日界对大暴雨及其以下级别雨日数无显著影响,但对特大暴雨级别,气象站雨日数显著多于水文站;长江流域、珠江流域及西北大部,气象站标准重现期日降水量普遍大于水文站标准,而东南沿海地区、华北北部和东北北部,水文站标准重现期日降水量普遍大于气象站标准.      

毫米波雷达数据驱动的桥梁挠度预测

为监测公路桥梁健康状况从而保证车辆行驶桥面的安全性,基于毫米波雷达监测的桥梁挠度数据,结合深度学习理论,提出了一种基于卷积神经网络（convolutional neural network, CNN）与门控制循环单元（gate recurrent unit, GRU）组合的桥梁挠度预测模型。首先,获取高速公路大桥高精度挠度数据,通过数据预处理,在保留原始数据特征的基础上,修复部分噪声数据;其次,将处理后的样本数据、时间步长和特征数的三维数据,以桥梁挠度数据序列构造的输入矩阵作为输入层,经过CNN-GRU组合模型的密集连接层后,输出预测桥梁挠度值。最后,选取具有代表性的监测点数据,利用均方根误差 (root mean square error, RMSE)、平均绝对误差 (mean absolute error, MAE)、平均百分比误差 (mean absolute percentage error, MAPE)进行预测效果验证。结果表明,CNN-GRU模型的精度更高：较于传统LSTM（long short-term memory）模型在RMSE上提升了59.65%,MAE提升了61.30%;较于CNN-LSTM模型在RMSE上提升了2.48%,MAE提升了4.87%。其对于桥梁挠度极值及趋势的判断基本准确,可以作为桥梁健康状况预测的科学依据。     

北京地区大气气溶胶的激光雷达观测及反演算法研究

利用微脉冲激光雷达在北京地区的观测, 研究两种避开利用高空信号的反演算法。算法一,根据Fernald的反演算法把边界取在混合层中间某处, 并结合太阳光度计的观测进行反演。通过激光雷达与同一地点自动气象站的地面观测比较验证了反演结果, 表明该方案用于激光雷达的气溶胶消光系数反演是可行的。算法二,由于激光雷达近端处的信号和地面气溶胶消光系数线性相关, 从而利用地面气溶胶观测数据反演雷达常数和观测期间气溶胶平均后向散射比, 结果与第一种方案一致, 表明利用该方法反演是可行的。最后利用这次激光雷达的观测, 分析北京地区冬季一次西伯利亚高压过境时的气溶胶演变过程, 将激光雷达观测与南郊观测站地面观测进行比较, 并验证了激光雷达的反演结果和算法的可靠性。     

塔里木盆地浮尘影响因子的强度变化

根据塔里木盆地周边27个气象观测站1961—2003年逐日地面观测资料,整理得到40个气象要素,相关分析表明同类气象要素之间存在一致性。剔除一致性要素后共得到海平面气压、气温、风速的日平均及其6h变化,日平均相对湿度,日降水量,日最大冻土深度等15个浮尘影响因子,各月15个因子与浮尘天气的相关程度明显不同。多元线性回归浮尘影响因子模型的分析结果表明,各因子对浮尘天气的影响程度有着明显的季节特征,08—14时变温和日平均相对湿度对浮尘天气的影响始终是首要的,14—20时变压在春、夏季和08—14时风速差在秋季对浮尘天气的影响程度位居其后。日平均风速的影响虽然也贯穿始终,但影响程度变化较大,以春季和冬季最为明显。     

塔里木盆地浮尘影响因子的强度变化

根据塔里木盆地周边27个气象观测站1961—2003年逐日地面观测资料,整理得到40个气象要素,相关分析表明同类气象要素之间存在一致性。剔除一致性要素后共得到海平面气压、气温、风速的日平均及其6h变化,日平均相对湿度,日降水量,日最大冻土深度等15个浮尘影响因子,各月15个因子与浮尘天气的相关程度明显不同。多元线性回归浮尘影响因子模型的分析结果表明,各因子对浮尘天气的影响程度有着明显的季节特征,08—14时变温和日平均相对湿度对浮尘天气的影响始终是首要的,14—20时变压在春、夏季和08—14时风速差在秋季对浮尘天气的影响程度位居其后。日平均风速的影响虽然也贯穿始终,但影响程度变化较大,以春季和冬季最为明显。     

基于机器学习的地下水水质预测研究

基于实测的地下水水质数据（pH、总硬度、溶解性总固体、硫酸盐、氯化物、Fe、Mn 7种）和气象数据（平均气温、最低气温、最高气温、平均最低气温、平均最高气温、20:00—20:00降水量、日降水量≥0.1 mm的时间、最大日降水量8种）,分别使用BP神经网络、随机森林（RF）和支持向量机（SVM）构建了地下水水质参数的机器学习预测模型．对于每一种水质参数,分别使用不同的机器学习算法基于不同滞后期的数据进行模拟,将结果与实测水质进行对比,选择精度最高的机器学习模型及其对应的滞后期作为该水质参数的最优模型和最佳滞后期．结果表明,不同机器学习方法和滞后期的选择对预测精度影响很大,BP神经网络对pH（R2=0.225,RMSE为2.411）、总硬度（R2=0.503,RMSE为47.973 mg·L?1）、氯化物（R2=0.994,RMSE为0.544 mg·L?1）和Fe（R2=0.302,RMSE为7.772 mg·L?1）的预测精度最高,RF对硫酸盐（R2=0.908,RMSE为3.788 mg·L?1）和Mn（R2=0.522,RMSE为0.429 mg·L?1）的预测精度最高,BP神经网络、RF和SVM对溶解性总固体的预测性能均较好（R2=0.994~0.996,RMSE为674.660~950.470 mg·L?1）．此外,硫酸盐和Mn预测模型对应的最佳滞后期为0个月,溶解性总固体和氯化物预测模型对应的最佳滞后期为1个月,pH、总硬度和Fe预测模型对应的最佳滞后期为2个月．