农业产业化与农村剩余劳动力转移研究--以芜湖市为例

文章通过对安徽省芜湖市农业产业化促进剩余劳动力转移的实证研究，分析农业产业化的不同模式对农村剩余劳动力转移的作用机制，探求以农业产业化促进剩余劳动力转移的地域模式，为农村经济发展及剩余劳动力转移提供新的思路。     

辽宁近百年气温变化基本特征分析

选用沈阳、大连、丹东、营口4站1905～2001年近百年月平均气温资料,建立辽宁近百年气温变化序列,以此序列为基础分析了辽宁近百年气温的季节和年变化特点     

辽宁近百年气温变化基本特征分析

选用沈阳、大连、丹东、营口4站1905～2001年近百年月平均气温资料，建立辽宁近百年气温变化序列，以此序列为基础分析了辽宁近百年气温的季节和年变化特点。     

辽宁气候资源变化及评估系统

介绍了以Windows 98为操作平台的辽宁气候资源变化及评估系统的设计思路和主要功能     

东北夏季气温和降水场的客观区划

REOF方法;东北夏季气温;东北夏季降水;区划     

景观生态质量评价研究——以吴江市为例

从土地生态学的角度探讨景观生态质量的评价理论和方法。景观生态质量(LsEQ)是景观生态系统维持自身结构与功能稳定性的能力,因此,景观生态质量的衡量标准是景观生态系统的稳定性,其稳定性取决于景观生态系统的自身稳定程度与外部生态学干扰程度的对比。以吴江市为例进行实证研究,结果表明,吴江市景观生态质量等级呈西南高、东北低的空间分布态势,评价结果与实际情况吻合,表明该评价方法有一定可行性。     

1961-2007年辽宁省降雪量和降雪日数的气候变化特征

利用辽宁省52个站1961—2008年的逐日降水量、降雪天气现象资料提取出了逐日降雪数据,分析了近47a（1981—2007年）的年降雪量和降雪日数的空间分布、长期变化状况、突变和周期性特征．结果表明：辽宁的降雪量和降雪日数是在1月达到最大值．近47a降雪量没有明显的长期变化趋势,降雪日数明显减少,平均每10a减少1．...     

不同升温情景下中国东北地区平均气候和极端气候事件变化预估

利用区域气候模式RegCM4的逐日气温和降水资料,预估1.5℃和2.0℃升温情景下,东北地区平均气候和极端气候事件的变化。结果表明：RCP4.5排放情景下,模式预计在2030年和2044年左右稳定达到1.5℃和2.0℃升温;两种升温情景下,东北地区气温、积温、生长季长度均呈增加趋势,且增幅随着升温阈值的升高而增加;1.5℃升温情景下,年平均气温增幅为1.19℃,年平均降水距平百分率增幅为5.78%,积温增加247.1℃·d,生长季长度延长7.0 d;2.0℃升温情景下气温、积温、生长季长度增幅较1.5℃升温情景下显著,但是年和四季降水普遍减少,年降水距平百分率减小1.96%。两种升温情景下,极端高温事件显著增加,极端低温事件显著减少,极端降水事件普遍增加。霜冻日数、结冰日数均呈显著减少趋势,热浪持续指数呈显著增加趋势;未来东北地区降水极端性增强,不仅单次降水过程的量级增大,极端降水过程的量级也明显增大,随着升温阈值的增大,极端降水的强度也逐渐增大。     

分析Nudging对辽宁地区降尺度的影响

利用分析Nudging方法,选取辽宁省2015年7月和10月作为夏季和秋季代表月份,开展不同分辨率嵌套网格上的分析同化试验,研究在不同分辨率的嵌套网格上使用分析Nudging对地面要素降尺度模拟的影响。结果表明,采用分析Nudging后,可以明显减小WRF模式模拟高空要素与大尺度背景场的差异,使模式在长时间的积分过程中能够与大尺度背景场保持很好的一致性,且在12 km和4 km分辨率上均采用分析Nudging相对于仅在36 km分辨率嵌套上采用分析Nudging效果更好。对于地面要素影响方面,不同分辨率嵌套网格采用分析Nudging相对于控制试验均可以提高地面2 m温度、相对湿度、10 m风速和降水的模拟准确度。总体来看,分析Nudging应用于12 km分辨率上的降尺度效果整体最优,当进一步在4 km分辨率嵌套上使用分析Nudging后,反而使得模式对温度、降水的模拟变差,说明在区域气候降尺度中,考虑大尺度背景场本身的分辨率,不宜在高分辨率嵌套网格上进一步采用分析Nudging。     

基于机器学习方法的辽宁省初霜冻日期预测模型研究

基于前期ERA5逐月再分析数据, 应用3种机器学习算法(Lasso回归、随机森林和神经网络)对辽宁省初霜冻日期进行预测评估。Lasso回归算法提取对初霜冻日期预测有重要指示意义的气象要素特征集, 通过交叉验证和超参数调优建立初霜冻日期预测模型, 利用均方根误差(RMSE)和距平同号率方法定量定性地评估模型的预测效果。结果表明: 特征选择后的气象要素特征集建模提升了模型的泛化能力、可解释性和稳定性; Lasso回归模型在4月起报的预测效果最好(RMSE为6—8 d), 神经网络模型在5月起报性能最好(RMSE为6—9 d), 随机森林模型在3月起报性能最好(RMSE为8—9 d); 辽宁全省大部分站点距平同号率为50%—70%, 其中Lasso回归和神经网络模型为5月起报最高(约为68%), 随机森林算法为3月起报最高(约为62%)。特征选择和敏感性实验结果发现, 低植被覆盖比例是初霜冻日期预测关键预测因子, 植被覆盖率越高越有利于地表含水量保持, 降温容易产生霜冻, 初霜冻日期也就越易提前, 去掉低植被覆盖比例因子后模型预测效果显著下降, 也表明该因子是模型建模的前期关键因子。