张伟 杨淑敏 周向玲*

根据1980~2012年喀什平原地区3个气象站的逐日气象资料,采用统计分析探讨了日平均温度、气温日较差、地温日较差、地-气温差、日平均风速、日平均气压、气压日较差及日相对湿度8个气象因子对浮尘天气变化的影响。结果表明:在年、月季节三个序列上,影响喀什平原地区浮尘天气发生的主要影响因子基本上是一致的,分别是日平均风速、日相对湿度、气温日较差、地-气温差及气压日较差5个因子。各因子对浮尘出现日数的影响有显著的季节差异,在春、秋、冬三季浮尘天气的发生受气温日较差和日相对湿度的影响显著;气温日较差越大,相对湿度越大,越不易发生浮尘天气。夏季动力因子占主导地位,日平均风速为主要因子。在秋、冬两季冷高气压对浮尘天气的发生有一定促进作用。     

北部湾海雾气候特征及变化初步解释

利用广西北部湾典型地面气象观测站数据,全面分析广西北部湾地区轻雾、大雾的年际、年代际、逐月变化规律;并在此基础上利用气温和相对湿度多个气候因子分析北部湾海雾气候特征变化的可能原因。结果表明:广西北部湾地区多数站点轻雾发生频次呈增加趋势,其发生频次经过不同次数和幅度的波动。总体来说,多数站点轻雾20世纪70年代前为降低趋势,70年代后为增加趋势;各站点轻雾年代际变化规律波动较大。北部湾地区多数站点大雾发生频次呈减少趋势,较之于轻雾而言,其波动更频繁,周期更短。多数站点20世纪80年代前为增加趋势,80年代后为减少趋势;各站点大雾年代际变化规律波动也较大。各站点轻雾、大雾主要集中发生在每年在1~4月和12月,这5个月轻雾出现概率达53.9%~83.3%、大雾出现概率达80.1%~98.4%。北部湾地区温度的升高和大气湿度的降低是其轻雾日数增加和大雾日数减少的可能原因。     

基于Elman神经网络的污染源数据预测

为了给环境保护决策提供有价值的预测数据,提出利用Elman神经网络建立污染源数据预测模型的方法,以大气中的主要污染物SO2为例,用预测模型表征SO2的浓度和气温、相对湿度、风速、时间等影响因子及其历史数据之间的复杂关系.使用训练后的模型对数据进行模拟仿真,结果表明所建立模型的计算输出值与实际样本数据有着较好的一致性,模型预测效果优于基于BP神经网络的预测模型.     

广汉机场冬季连续大雾天气主要影响因子分析

2012年12月11日至13日广汉机场连续3d早晨出现大雾天气.利用常规天气图和自动气象站时时观测数据等资料对这次过程进行了分析.结果表明,大雾天气发生有以下特征:①高空形式稳定,没有强冷空气入侵;②夜间天空无云;③前一天基础能见度差,相对湿度大;④近地面风速小于3 m/s,晴天风向转为偏北风;⑤露点温度接近气温;⑥气温和露点温度值在大雾天气中变化较小;⑦近地层逆温.     

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

基于灰色关联分析的“白屋顶计划”评价模型

在已知人为热释放、风速、日照时数和相对湿度的前提下,以芜湖市为例,运用灰色关联分析求出以上四个影响因素对行为因子(城市热岛效应)的关联影响程度,算出日照时数在四个环境因子中的比重,从而将白色屋顶计划对城市热岛效应的作用量化,建立了灰色预测模型。通过回归分析计算白屋顶计划对城市温度的影响,最后将预测数据与真实数据进行对比,模型结果表明"白屋顶计划"是合理且可行的。     

基于江西省站点资料对智能网格实况分析产品的检验评估

利用江西省2019年3月～2020年2月气象站观测资料,在小时尺度上,对中国气象局下发的智能网格实况的2 m气温、湿度、风速、降水等多个气象要素产品进行检验评估.研究分析各类产品的数据误差及其时空变化规律,验证该产品在研究区的适用性.研究结果表明:2 m气温、相对湿度产品与站点观测较为一致,其相关系数均可达0.9以上,2 m气温均方根误差在1.0 ℃左右,准确率可达80%以上,相对湿度均方根误差小于10%,准确率可达90%以上.风速产品的数据精度较低,相比站点观测风速明显偏弱,70%站点的风向准确率小于50%,风向准确率仅为40%左右.降水产品能准确反映年内逐小时变化趋势,但存在一定程度低估,相关系数基本在0.8以上,平均误差为-0.1～0.1 mm·h^-1,平均绝对误差小于0.2 mm·h^-1.与站点观测相比,降水产品对强降水明显偏弱.地形对实况网格产品准确性有较大影响,产品误差在地形复杂山区中比在平原地区中明显偏大.总体上,2 m气温、相对湿度产品质量较高,基本可满足业务服务需求.风速产品及降水产品在大降水量级下的误差较大,与业务服务需求有一定差距.     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

塔里木盆地沙尘天气的气候特征

利用塔里木盆地周边28个气象站1961—2003年逐日地面观测资料,分析了沙尘天气 的空间分布特征和时间演变规律,在构建多元线性回归影响因子模型的基础上,探讨了气温 、地温日较差、气压、平均风速、降水量5个气候因子对沙尘天气的影响程度,建立了沙尘 指数。塔里木盆地沙尘天气有着明显的地域分布特征和季节变化,春季是高发期,沙尘日数 与气候因子季节变化的关系非常密切。沙尘日数年际变化呈明显的减少趋势,具有6～9 a的 振荡周期。3—9月盆地沙尘天气的主要影响因子依次是平均风速、降水量和地温日较差。春 季降水量占主导地位,6—9月平均风速占主导地位。选取各月对沙尘天气影响有意义的气候 因子建立了沙尘指数,它在时间序列上对沙尘天气有很好的反映,可用来做沙尘天气出现日 数的气候预测。     

耦合植被与T639模式的森林火险气象潜势预报

 利用中国2425个测站地面观测资料和T639数值预报资料，以下垫面地理信息、森林植被分布特征为理论依据，通过分析大气降水、地表气温、湿度、风速等气象要素与可燃物状况之间的关联性，建立森林火险气象预报模型。预报结果表明，模型结果能够较好地反映出局地森林火险气象等级较高的区域，对预报有很好的指导作用。     

基于BP神经网络的公路风吹雪雪深预测模型

公路风吹雪雪深预测作为国际雪冰学领域的研究热点和难点问题一直未能很好解决.以白茫雪山防雪走廊段安装的自动气象站和当地气象局提供的气象资料为基础,提取了对公路风吹雪雪深有影响的4种因素(降雪量、大气温度、风速和湿度)的指标值,建立了基于BP(back propagation)神经网络的公路风吹雪雪深预测模型.对研究区5次降雪过程中所记录的199组数据进行训练学习,用20组数据来验证建立的模型,验证结果表明20h累计雪深预测值的误差在10%以内,85%的雪深预测值误差在20%以内,因此所建立的模型具有很强的泛化能力和较高的精度.并对降雪量、大气温度、风速和湿度这4个因素进行了敏感性分析,表明雪深与降雪量成正比,与其他3个因素成反比,其中降雪量对雪深的影响最大,风速次之,湿度最小.     

营口雾霾的地面形势和风速特征

利用2005~2012年辽宁省营口市的能见度、相对湿度、降水、地面形势场资料,对雾霾天气时的地面形势和风速进行了统计分析。结果表明:雾霾发生时地面形势分为倒槽型、锋面气旋型、地形槽型、冷高压前部型、低压内部型、鞍型场型、均压场型和高压内部型8种类型。雾霾天气在高压内部型、鞍型场型、冷高压前部型和均压场型出现频率较高,分别占26.3%、17.6%、12.9%和12.5%。在高压内部、地面倒槽和冷高压前部容易出现雾;而轻雾易出现在鞍型场、高压内部和均压场;霾出现在高压内部型、鞍型场型、冷高压前部型和锋面气旋型的概率较高。雾霾时风速都较小,冷高压前部型、高压内部型、均压场型和倒槽型的雾霾易在风速小(0~4 m/s)的情况下形成和维持;鞍型场型和低压内部型的雾霾易在风速较小(1~5 m/s)的情况下形成和维持;锋面气旋型雾霾易在风速适中(2~6 m/s)的情况下形成和维持。     

川渝地区雾霾时空分布特征及影响因子分析

利用1981-2014年川渝地面气象观测资料,分析了川渝地区雾霾的时空分布特征及影响因子,结果表明:川渝地区雾日变化总体呈下降趋势,两种雾日观测资料的倾向率分别为-6d/10a和-8.2d/10a,研究时段内未出现突变点,80年代到90年代初,雾日变化周期以2~4a为主,21世纪后以8~10a为主.霾日总体趋势与雾日变化相反,呈上升趋势,倾向率为8.2d/10a,1997年开始发生突变,90年代变化周期以2~4a为主,2000年后4~10a周期变化较显著.在对雾霾与风速和空气相对湿度的关系讨论中发现,整个川渝地区雾与风速的变化趋势一致,与相对湿度呈正相关;霾与风速的变化趋势相反,与相对湿度呈负相关.     

特高压直流输电线路合成电场的天气影响因素及预测模型

特高压直流输电线路电离周围空气产生的离子和线路电场叠加形成合成电场,并在环境因素的作用下使得地面的合成场强发生变化。研究了天气因素对地面合成场强的影响,并提出了基于天气因素的电场预测模型。利用高压直流电场测量装置测量地面合成电场值及环境监测系统所测的天气参数,分析了风速、湿度、气压、温度、PM₁₀、PM_2.5、PM_1.0与场强的相关性。利用基于树形结构Parzen估计器(tree-structured Parzen estimator, TPE)优化的CatBoost建立地面场强在天气因素下的预测模型,并基于所测数据进行模型的训练和预测。结果表明：天气因素对场强的影响权重由高到低为湿度、风速、气压、温度、PM_1.0、PM_2.5、PM₁₀。通过特征排序选取前5个特征和所有特征预测所得到的均方根误差分别为0.83 kV/m和0.85 kV/m,实现了相对准确的预测。研究结果可为特高压直流输电工程环境评估提供有用的合成电场分析方法。     

基于人工神经网络算法的某机场雾的模式识别预报

基于人工神经网络（ANN）误差后传算法（BP模型），通过对100个有雾天气个例和50个无雾天气个例进行模式识别训练，用前期（前日08、14、20时实测资料）的温、压、湿、风等要素指标建立起了某机场雾的ANN识别预报模型。该模型具有很好的拟合效果，独立样本的试验和检测结果均达到较为精确的预报效果，具有实际应用意义。     

自动站与人工站相对湿度观测在不同气象条件下的对比分析

自2000年以来,相对湿度等常规气象要素的人工观测逐渐被自动观测所取代,为了了解两者具体的偏差情况,文章选取全国8个长期保留人工观测的国家基准站2007—2014年的相对湿度平行观测资料对其多年平均偏差、偏差标准差等进行了统计分析,并详细分析对比差值在不同气温、湿度及风速条件下的差异特征.研究发现,大多数站点的自动观测与人工观测相比,两者有一定的"系统偏差",相对湿度的自动观测存在偏干的现象,年平均在4%以内,但两者的稳定性较好.低温条件下,两种观测的对比差值最大,高温次之,中等温度条件下,二者之间的差值较小.相对湿度小于80%时,两者的差均为正,自动观测相对湿度偏干,整体差异不大,最大在7%左右.相对湿度35%时差异达到最大,之后该较大差值一直持续到90%左右,差异变化不明显,相对湿度达到95%以后差异明显减小甚至为负;风速对两种观测对比差值的影响比气温、相对湿度的影响小,随着风速的增加,两者之间的差异减小,整体差异基本以正值为主,人工观测的相对湿度值更大一些.     

近3年南京霾天气特征及与气象要素的关系

本文利用2008-2010年南京站的逐日地面观测资料,分析了近3年南京霾天气特征及其与气象要素的关系。结果表明：南京的霾以轻微和轻度为主,一年四季均出现较多,其中冬季最强;一天中11时出现霾最多,05时出现最少;风速在1—4m／s时霾出现得最为集中,约占82．3％,出现霾时东到东南风的概率最大;霾出现时相对湿度在70％～80％之间的最多,较严重的霾天气的发生需要较大的相对湿度条件。API指数与霾天气的关系分析表明,非霾日的API指数主要集中在空气质量优秀和良好等级,霾日的API指数主要集中在良好和轻微污染等级,达到污染级别的霾日仅占总霾日的24％。     

南京地区PM2.5和PM10浓度分布特征及与相关气象条件的关系

利用2014年12月至2015年5月南京市PM_(2.5)和PM_(10)的质量浓度以及天气观测数据,研究南京市颗粒物浓度空间、时间分布特征及其与相关气象因子的关系。研究表明PM_(2.5)和PM_(10)同季节内高度线性相关,时间分布具有明显的季节性差异;PM_(2.5)与风速呈负相关关系,与降雨清除量呈正相关关系;相对湿度达到75%左右时污染最严重。研究首次将其他污染气体和相关气象因子结合起来,用逐步回归法建立PM_(2.5)预测模型,能较好地拟合冬春两季PM_(2.5)变化趋势,较准确地反映南京市PM_(2.5)的污染特征,具有一定的理论和实用价值。