基于CMONOC的GNSS水汽短时频域特征研究

利用2016年中国大陆构造环境监测网络的GNSS数据开展水汽短时频域特征研究,按气候类型将中国大陆地区划分为5个区域,并在每个区域中随机抽取若干个站点采用快速傅里叶变换方法进行分析,提取不同季节的GNSS水汽周期特征。结果表明,各类站点的水汽频域特征存在明显的区域性变化和季节性差异;高原山地气候、热带季风气候和亚热带季风气候类型的GNSS站点的周期性变化显著;热带季风地区、亚热带季风地区及沿海地区水汽振幅较大,高原山地和温带大陆地区水汽振幅较小。     

基于小波变换与RBF神经网络的GNSS水汽值预测研究

利用小波变换与RBF神经网络方法预测河北省GNSS水汽值。首先对GNSS测站水汽序列进行小波分解,然后利用RBF神经网络对小波分解的高频与低频信号进行预测,最后通过实验选择合适的高频与低频信号结果重构获得GNSS水汽值预测值。以实测GNSS水汽值为标准,基于小波变换与RBF神经网络预测的GNSS水汽值精度高于单一RBF神经网络预测精度,但预测结果的精度随着预测时长的增加而降低。     

基于小波变换的河北省GPS PWV与PM2.5的相关性分析研究

以2014-01~03的河北省GPS和PM2.5观测数据为例,利用小波变换方法开展GPS水汽和PM2.5浓度的相关性分析。结果表明,低频系数重构的GPS水汽与PM2.5浓度序列较好地反映了两者之间的正相关特性;D7高频信号（128~256 h）及D7与D6高频信号（64~256 h）重构的GPS水汽与PM2.5浓度的相关性较原始序列的相关性有较大提高;对于持续7 d的重度雾霾过程,由第7层和第6层高频系数重构的GPS水汽序列与PM2.5浓度序列的相关性达到0.890;不同时刻水汽变化对PM2.5浓度观测的影响,在水汽变化波动较大时段,水汽与PM2.5浓度的相关性为正;对于水汽变化波动较小时段,由于水汽与PM2.5浓度峰值时刻的差异,水汽与PM2.5浓度序列的相关性则不明显。     

基于FFT与小波变换的SOI与GNSS ZTD的周期变化影响研究

为探究ENSO事件对GNSSZTD(水汽)周期变化的影响及其相互关系,以河北省为例开展ENSO事件对GNSSZTD及其周期变化的影响研究.首先利用快速傅里叶变换方法筛选出南方涛动指数(SOI)与GNSS水汽的共同周期,再利用小波变换提取GNSS水汽与SOI共同周期所在的高频项,并将重构的高频项与SOI进行相关性分析.结...     

基于注意力常微分方程的PM2.5浓度预测及其可解释性分析

可解释的准确预测PM_2.5浓度变化可以有助于人类规避暴露风险,对人类健康风险评估和政策实施具有重要意义。目前已有PM_2.5浓度预测模型过多专注于提升模型预测精度,但忽略了模型的可解释性,造成模型可复用性和可信任度较差。鉴于此,本文提出了一种兼顾模型预测精度与模型可解释性的注意力时空常微分方程模型(Attentional SpatioTemporal Ordinary Differential Equation,ASTODE)用于PM_2.5浓度预测任务。具体而言,本文将神经常微分方程集成至PM_2.5浓度预测任务中,以提升预测模型的可解释性。此外,针对传统神经常微分方程难以挖掘PM_2.5浓度数据中空间依赖关系的挑战,本文提出了一种新颖时空导数网络将传统神经常微分方程扩展到了时空常微分方程。针对传统神经常微分方程难以挖掘PM_2.5浓度数据中长期依赖关系的挑战,本文设计了一种时空注意力机制去融合多个时间节点的隐藏状态。本文采用真实的PM_2.5...     

典型人类活动对关中平原城市群PM2.5浓度的影响

为应对突发公共卫生事件而采取的流动限制性措施,为研究人类活动对PM_2.5浓度的影响提供了一个独特的自然实验环境,但该期间关中平原城市群PM_2.5浓度分布及驱动力有何变化尚缺乏关注。基于2018～2020年PM_2.5遥感反演数据,采用空间自相关分析、地理探测器和多尺度地理加权回归(MGWR)模型,分析2020年2月至3月实施流动限制性措施期间关中平原城市群PM_2.5浓度及驱动因子的时空演变特征。结果表明：(1)2020年2月至3月PM_2.5浓度显著下降,2020年2月热点减少,3月冷点减少。(2)相比历年同期,所有人为因素单因子在2020年2月对关中平原城市群PM_2.5浓度的解释力最低,自然因素解释力较高。其中,工厂兴趣点分布(POI＿D)及路网分布(RD)解释力相比历年同期平均解释力降幅最大,分别为20.3%和38.6%。所有人为因素双因子交互影响解释力在2020年2月最低。(3)所有人为因素在2020年2月对关中平原城市群PM_2.5...     

基于Spearman秩相关系数的PWV与PM2.5相关性研究

在讨论大气可降水量(PWV)与细颗粒物(PM 2.5)之间的相关性时,传统方法未能很好地顾及连续数据中包含的非雾霾天气信息的影响,为此本文提出2个数据选取标准——时间标准和空气质量指数(AQI)等级标准,用于获取雾霾期间对应的PWV和PM 2.5序列。为解决数据筛选后不连续的问题,引入一种非参数性质的Spearman秩相关系数ρ,在北京市2014~2016年雾霾多发期,分析不同AQI等级对应时段的非连续等距的PWV和PM 2.5序列的相关性可知,筛选后3 a的ρ在第1、4季度的均值分别为0.6613和0.6280,整体均值为0.6447,表明雾霾天气下PWV和PM 2.5序列具有单调正向的相关性,而传统分析方法(未筛选)下两者的相关系数均较小,表明在对数据进行选取后的分析结果更具针对性和准确性。     

不同季节的北京市GPS可降水量与PM_(2.5)/PM_(10)的比较研究

通过北京市2013年的PM2.5/PM10资料与GPS可降水量资料比较发现,在秋冬春季节,PM2.5/PM10与GPS可降水量呈明显的正相关性,相关系数大于0.5,在个别时段达到了0.89,而这一相关性在降水较多的夏季并不明显;水汽含量的上升是秋冬春季节雾霾天气过程发生的重要因素。     

利用张衡一号卫星电场数据研究吉林松原、河北唐山MS5.1地震前后空间电场时空演化特征

利用我国第一颗电磁监测试验卫星张衡一号电场探测仪（EFD）载荷记录到的ULF/ELF频段电场功率谱密度（PSD）数据,限制Dst≥－30 nT和K_p＜3排除空间磁环境扰动后,分4个频段对2020年唐山古冶M_S5.1地震和2019年吉林松原M_S5.1地震前后空间电场时空演化特征进行研究。结果发现,2020年唐山古冶M_S5.1地震4个频段扰动幅度均显示出震前先抬升至最高点超过2倍均方差,而后在下降过程中发震,震后恢复的规律,且第2频段异常尤为明显;4个频段扰动幅度时间序列特征相似,且震前均超过2倍均方差。2019年吉林松原M_S5.1地震不同频段的扰动幅度时间序列特征不同,仅有第2频段超过2倍均方差。2次地震均在第2频段（371~879 Hz）出现震前异常扰动,认为该频段是地震异常提取的优势频段。     

Measurement and Scenario Simulation of Effect of Urbanisation on Regional CO2 Emissions Based on UEC-SD Model:A Case Study in Liaoning Province,China

Based on the logical causal relationship and taking Liaoning Province, China, which is the Chinese traditional industrial base and is in the stage of accelerated urbanisation, as a case study, this study builds the ′Urbanisation-Energy Consumption-CO2 Emissions System Dynamics(UEC-SD)′ model using a system dynamics method. The UEC-SD model is applied to analyse the effect of the urbanisation process on the regional energy structure and CO2 emissions, followed by simulation of future production and living energy consumption structure as well as the evolutionary trend of CO2 emissions of three urbanisation scenarios(low speed, intermediate speed and high speed) under the assumed boundary conditions in urban and rural areas of Liaoning Province, China. The results show that the urbanisation process can alter production and the living energy consumption structure and thereby change regional CO2 emissions. An increase in the urbanisation rate in case area will lead to regional CO2 emissions rising in the short term, but when the urbanisation rate approaches 80%, CO2 emissions will reach a peak value and then decrease. Comparison of different urbanisation rates showed that production and living energy consumption exhibit different directions of change and rules in urban and rural areas. The effect of urbanisation on CO2 emissions and energy structure is not direct, and urbanisation can increase the differences in energy and CO2 emissions between urban and rural areas caused by the industrial structure, technical level and other factors.