乾安地区盐碱地显热通量的测量

文中给出了用大孔径闪烁仪在 2 0 0 0年生长季观测到的盐碱地区显热通量的主要结果 ,并初步计算了当地的水热平衡状况。结果表明 :乾安盐碱地区显热通量占净辐射量的百分比在干旱、非生长季达到 6 5 % ,在多雨、植被生长季仅为 11% ;显热通量因降水而明显降低 ,幅度与降水强度有关 ,反映了当地的气候和土壤特征。文中还把LAS的测量结果与传统的梯度法作了比较 ,结果基本一致。     

T106产品中700hPa垂直速度和水汽能量与塔城大降水关系的探讨

对塔城盆地1998－1999年15个大降水个例进行了诊断分析，发现了T106产品700hPa垂直速度和水汽通量与塔城盆地大降水量级呈正相关，并给出了定量预报指标。     

中尺度模式中的边界层特征量分析

在中尺度数值天气预报模式MM4中，用level3及E-ε-l两种湍流闭合方法对原总体边界层参数化方案进行改进，使得中尺度模式中可以直接输出有关湍流量，并对地表通量参数化方案进行改进，进而对不同下势需如沙漠，植被上的有关湍流量和边界层特征量进行分析。研究中尺度系统中边界层结构的特征，本文主要从地表通量，湍流交换系数，湍流动能（q^2)，温度脉动方差（θ^2)及风温廓线等几个方面进行研究，结果表明，新方案能更好地反映边界层特征。     

青藏高原东部牧区雪灾的环流型及水汽场分析

冬、春季雪灾是青藏高原东部牧区重要的灾害性天气。本文利用历史天气图和国家气象中心T106L19全球模式的分析值格点资料，分析了青藏高原东部牧区近20年来冬，冬季降雨的天气形势和水汽场。结果表明，北脊南槽型、乌山脊型、阶梯槽型和国境槽型是造成高原东部牧区降雪的四类主要环流型；在高原东部牧区强降雪天气过程时气柱可降水量有明显增加，记要降雪区与水汽通量辐合区吻合，主要水汽来自孟加拉湾地区。     

典型干旱地区陆面特征的模拟及分析

运用NCAR -LSM (Landsurfacemodel)模式对典型干旱区—沙漠站进行了独立试验 (Off line) ,检验了LSM模式在典型干旱地区的性能 ,并分析了典型干旱地区的陆面特征。结果表明 :LSM模式对干旱地区有较好的模拟性能。在不同的季节 ,典型干旱地区的感热和潜热有着不同的特征 ,4月份的感热通量较大 ,约为 4 0 0W·m-2 ;1月和 8月相对较小 ,约为 2 30W·m-2 。 1月和 4月的潜热通量很小 ,约为 4～ 6W·m-2 ,可以忽略 ;但 8月份的潜热通量大 ,平均最大约为 12 0W·m-2 ,当有降水发生时 ,潜热通量可达 5 70W·m-2 ,与感热通量相当。     

GPS观测在气象中的应用

简述了GPS的组成及发展概况，以及如何利用地面GPS观测探测大气可降水汽量（PWV），从而可以得到高精度，几乎连续和实时的水汽序列，骤报降水量以及监测恶劣天气，为天气预报和气候分析作出贡献。     

用940 nm通道遥感水汽总量的可行性试验

在940 nm水汽弱吸收带和其附近窗区选取若干探测通道, 采取不同通道组合, 模拟计算通道反射率比值, 并建立了该比值与水汽含量之间的统计关系。用探空观测独立样本检验水汽含量模拟计算结果, 相对误差小于6%。     

东南极Lambert冰川-Amery冰架系统平衡通量分布的计算

通过对Lambert冰川盆地(LGB)考察路线上约1 700 km长的LGB剖面和距冰架末端约50 km、长150 km的A剖面, 分别利用GPS冰流速值及雷达测厚值进行冰通量的计算得出:每年流过LGB剖面的冰通量为43.95 Gta-1, 而通过A剖面的冰通量仅为26. 42 Gt*a-1, Amery冰架底部净融化量为7.8 Gt*a-1. 整个Lambert冰川-Amery冰架系统(LAS)地区的表面净物质平衡总量约为90 Gt*a-1; LGB地区的表面净物质平衡总量为46 Gt*a-1. 通过分析得出, 整个LAS地区及LGB地区均处于物质正平衡状态, 而LAS流域的上游区域S'则处于物质负平衡状态.     

DNDC模型对我国旱地N2O释放的拟合对比分析

本文根据贵州省玉米－油菜轮作田、休耕地和大豆－冬小麦轮作田的N2O释放通量及其影响因子季节变化的是观测结果，对比分析了DNDC模型计算与三试验田田间观测在N2O释放通量及其主要影响因子季节变化上的拟合程度。结果表明，对N2O释放通量、土壤NO3^-和NH4^ 含量、土壤湿度和土温，模型计算结果与田间观测具有相似的季节变化模式和相近的数值，模型较好地反映了上述参数的动态变化过程。据此，推算出贵州省农业土壤N2O年释放量，并分析了气候变化和农业活动对释放量的潜在影响。     

Combination of Dependent Realizations Within the Gradual Deformation Method

Gradual deformation is a parameterization method that reduces considerably the unknown parameter space of stochastic models. This method can be used in an iterative optimization procedure for constraining stochastic simulations to data that are complex, nonanalytical functions of the simulated variables. This method is based on the fact that linear combinations of multi-Gaussian random functions remain multi-Gaussian random functions. During the past few years, we developed the gradual deformation method by combining independent realizations. This paper investigates another alternative: the combination of dependent realizations. One of our motivations for combining dependent realizations was to improve the numerical stability of the gradual deformation method. Because of limitations both in the size of simulation grids and in the precision of simulation algorithms, numerical realizations of a stochastic model are never perfectly independent. It was shown that the accumulation of very small dependence between realizations might result in significant structural drift from the initial stochastic model. From the combination of random functions whose covariance and cross-covariance are proportional to each other, we derived a new formulation of the gradual deformation method that can explicitly take into account the numerical dependence between realizations. This new formulation allows us to reduce the structural deterioration during the iterative optimization. The problem of combining dependent realizations also arises when deforming conditional realizations of a stochastic model. As opposed to the combination of independent realizations, combining conditional realizations avoids the additional conditioning step during the optimization process. However, this procedure is limited to global deformations with fixed structural parameters.