彗星等离子体某些特征的讨论

本文讨论了彗星中尘埃粒子的充电机制 ,带电特性和平衡电势的变化规律 ,分析了彗星尘埃的破碎特性和临界半径 ,得出了很有意义的结果     

应用KDD技术分析气象地质灾害与降水的关系

应用人工智能技术——数据库中知识发现(KDD)技术,分析研究发生在云南省境内造成重大损失的气象地质灾害的发生与当日及前期降水的关系。结果表明,绝大多数气象地质灾害都是由强降水诱发的,云南气象地质灾害与发生当日及前期降水的关系主要有3种类型,即暴雨诱发型、多日中大雨诱发型和连阴雨诱发型。所得到的云南气象地质灾害与当日及前期降水的定量关系,为云南地质灾害的气象监测、预报模式的建立提供了依据。     

农田尺度土壤水分的监测

根据田间试验实测资料分析了田间土壤水分的空间变化特征和时间动态变化,探索了监测农田水分变化时如何确定其合理的取样数目,讨论了农田尺度的土壤水分应如何监测,为节水灌溉,提高田间用水管理水平提供科学依据。     

不同降水天气系统自然降水特征及火箭人工增雨潜力分析

统计分析了1981~2000年20年中15种降水天气系统影响下河北地区自然降水特征,并对火箭人工增雨的潜力进行了初步分析。统计分析表明:西来槽类、高空低涡类、冷锋、切变线和副高后部等天气系统是影响河北地区的主要降水系统,其降雨量和降雨日数占到了90%以上;不同的天气系统在不同季节对降水的贡献有所不同,其中西来槽类的降雨量和降雨日数均居首位,开展人工增雨催化作业机会最多;夏季降水系统最强,云水资源最为丰富,人工增雨潜力很大,是开展火箭人工增雨催化作业的最佳季节,春秋两季增雨潜力明显比夏季小,冬季最小;倒槽、副高后部、台风低压、高空低涡类和气旋类等系统最强,日降雨量和单位面积降雨量明显比其它系统大,尤其对蓄水型火箭增雨作业十分有利。     

广州市城市电力消费对气候变化的响应

低纬度地区的城市电力消费对气候变化有较为敏感的响应。该文引入了气候变化对农业产量和能源影响的研究方法, 分别建立了气候变化对电力消费影响强度的动态评估模型和降温度日模型, 对广州市城市电力消费对气候变化的响应作了深入分析。结果表明:广州市城市电力消费量主要受到气温、湿度、风速等气象因子的影响, 其中气温为关键性因子; 综合考虑各气候因子和气候变化的稳定性, 1956—2005年的近50年, 广州市气候变化对城市电力消费影响强度是持续稳定增加的, 正强度出现的概率呈现出增大趋势, 以10%/10a的速度增长; 通过对广州市降温度日的分析可知, 5—10月为主要的降温时期, 其气温的升高对降温度日强度变化影响很大, 达到46.6%/ ℃, 同时, 广州市的降温期长度变率也呈递增趋势, 因此, 气温的升高引发的降温度日的增加对广州市城市电力消费有深刻影响; 在未来气候变暖情景下, 夏季平均最高气温每升高1 ℃, 广州市全年单位工业产值耗电将增加2.02%, 5—10月的平均气温每升高1 ℃, 居民生活用电量的百分比将增加1.25%。在未来, 气候变暖将使城市用电压力有继续增大的趋势。     

Heavy metals in particulate and colloidal matter from atmospheric deposition of urban Guangzhou,South China

Suspended particulate matter (SPM) and colloidal matter (COM) in annual dry and wet deposition samples in urban Guangzhou were for the first time collected, and their trace metals were investigated by using inductively coupled plasma mass spectrometry (ICP-MS). The deposition flux of SPM and of metal elements varied largely among the investigated seasons, and reached the maximum in spring. The correlation analysis indicated that significant correlations existed among some of the metal elements in the deposition samples. The enrichment factors (EF) of metals in COM in the deposition ranging from 79.66 to 130,000 were much higher than those of SPM ranging from 1.65 to 286.48, indicating the important role of COM. The factor analysis showed that emissions from street dust, non-ferrous metal production, and heavy fuel oil were major sources of the trace metals. Positive matrix factorization (PMF) model was used to quantitatively estimate anthropogenic source.