上海地区不良天气条件与交通事故之关系研究

上海地区逐日交通事故资料含事故次数、死亡人数、受伤人数、直接物损四项，四项单位不同，数据范围相差很大，为了免去上述引起的计算不准，我们用分级加权方法，先对每项进行分级，再赋予每项一个权重系数，然后计算出每日的日交通事故指数，以此代表每日交通事故状态。     

江苏盐城地区一次持续雾-霾天气过程的综合分析

2013年12月上旬江苏盐城地区出现了一次历史罕见的持续重度雾-霾天气,利用盐城市常规气象观测资料、NCEP再分析资料(1°×1°)及环境监测中心站的污染物浓度资料等,对此次过程的环流背景、气象要素、大气层结特征以及动力条件、污染情况等进行了综合性分析。结果发现:12月上旬中高层冷空气势力弱,以纬向环流为主;低层弱的水平风场为雾-霾的发生发展提供了有利的环流背景;稳定的层结特征,近地面高强度的贴地逆温和持续较低的混合层高度是此次雾-霾天气长时间维持的重要因素;边界层内弱正散度及负涡度是此次雾-霾天气得以维持发展的动力因子;通过后向轨迹分型和火点监测资料分析发现:污染物的长距离输送在此次重污染天气的形成过程中起到了一定作用。最后,文中建立了能见度和PM_(2.5)浓度、相对湿度的非线性回归方程,对能见度的预报效果较好,为实际业务应用中雾-霾的预报提供了有利的依据。     

多尺度空间分析技术遥感影像去雾方法

基于多尺度空间分析技术构建了两种影像去雾方法。多时相参考影像去雾方法利用同一地区没有雾的影像作为参考,运用多尺度空间分析技术获取地面低频信息将雾去除。自动影像去雾方法是基于拓扑分析的多尺度空间分析技术,分析影像的纹理和特征信息,将同一场景中的雾和地面信息分离,从而获得去雾后影像。通过青岛地区大量遥感影像数据测试,证明该方法是非常有效的。     

四川地区雾的气候特征及变化趋势研究

利用1961~2011年四川142个代表站的逐月雾日数资料,通过一元回归线性倾向趋势分析等方法,研究了四川雾日数的时空分布特征及变化趋势,得出以下结论:(1)四川雾日数分布有明显的区域地理特征,川西高原雾日明显比四川盆地少,高原大部地区整年无雾出现(平均雾日<1d),四川盆地平均雾日达到37d,其中峨眉山常年处于雾的笼罩之中(平均雾日达311.8d);(2)雾日数季节变化与下垫面地理特征也有密切关系,盆地雾日最多的季节是冬季,高原雾日最多的季节是秋季;(3)四川雾日数具有明显的年代际变化特征,经历了偏少-偏多-偏少的过程,总体呈现随时间增加的趋势;(4)四川年均雾日变化趋势的分布具有明显的地理特征,高原为负变化趋势,盆地为正变化趋势。      

2018年常州一次罕见持续性雾-霾天气分析

利用常规气象观测资料、探空资料、污染物浓度及AQI资料、NCEP再分析资料等,对2018年11月24日至12月3日夜间常州持续11 d的强浓雾和严重霾天气过程进行了分析。结果表明：（1）此次雾-霾过程持续时间长、范围广、强度大、污染重。（2）中纬度地区高层持续纬向环流控制、中低层暖脊稳定存在,地面持续受均压场或弱倒槽顶部、弱冷锋前部影响,是这次持续性雾-霾过程的重要天气条件。（3）边界层内弱辐散、负涡度及弱的下沉气流是此次雾-霾天气得以长时间维持、发展的动力因子。近地层长时间水汽饱和且维持小风速利于雾-霾的长时间维持。（4）近地面高强度的贴地逆温长时间维持和持续较低的混合层高度是此次雾-霾形成、发展和长时间维持的重要热力条件。雾比霾的平均混合层高度明显偏低且霾等级越高混合层高度越低,混合层高度的变化先于能见度变化,对雾-霾临近预警有较好的指导作用。（5）弱冷空气渗透、风速适当增加、混合层高度的先期快速下降、负净辐射曝辐量绝对值的明显增大是雾爆发性增强的主要原因。     

基于机器学习的重庆长江航道雾图像特征识别研究

基于重庆市境内长江航道雷达站拍摄的雾天气过程影像资料,利用K最近邻、支持向量机、BP神经网络、随机森林等机器学习算法,对无雾和5类有雾天气个例进行图像识别训练,构建雾图像识别模型,并检验了识别准确率。结果表明：机器学习能够有效识别雾图像,随机森林算法的识别效果优于其余3种算法。对于能见度超过1500 m的无雾天气,模型的识别准确率为100%,对于能见度在1000—1500 m范围内的轻雾、能见度低于50 m的强浓雾,模型的识别准确率在90%以上,对于能见度在50—1000 m范围内的雾、大雾和浓雾,识别准确率超过70%。     

基于旋翼无人机观测的雾天和霾天VOCs垂直分布特征研究

为研究雾和霾天气下VOCs时空变化特征,于2020年11月19日—2021年1月15日在江苏省东海国家气象观测站进行为期58 d的外场观测试验。利用自主研发的多旋翼无人机捕获2次辐射雾和2次霾天气过程,获得气温、气压、相对湿度、风向、风速、VOCs、O₃等7种要素100多条垂直廓线。结果表明：时间上,霾过程夜间VOCs体积浓度(0.225～0.253 ppm(parts per million, 1 ppm=10^-6))明显高于白天(0.191～0.205 ppm),雾形成前体积浓度(0.121～0.239 ppm)显著高于雾过程(0.056～0.209 ppm)。雾过程中VOCs体积浓度与雾强度变化相反,雾层高度与VOCs体积浓度剧烈变化高度一致,雾层(<200 m)中VOCs体积浓度(0.172～0.178 ppm)明显减小,显著低于雾形成前(0.195～0.240 ppm),雾层以上浓度变化大,雾结束后1 h内保持雾过程中分布特点。雾对逆温层中的水溶性污染物有清除作用,VOCs体积浓度和O₃质量浓度均下降。     

成都地区雾的气候时空特征及其与近年空气质量的关系

利用成都市1980—2021年14个国家气象站的雾日、平均气温、最低气温、相对湿度等观测资料,结合PM_2.5、PM₁₀、NO₂及SO₂等环境监测以及人口数据,对成都地区雾的气候特征及其与城市化进程、空气质量的关系进行分析。结果表明：成都地区雾日气候分布呈现中心最多、东部次之、西北部最少的区域特征;冬季最多,秋季次之,夏季最少的季节特征。且雾日整体呈下降趋势,中心地区雾日的年际变化较大。雾日数与相对湿度、气温、城市化进展密切相关。成都的发展变迁导致了各地区雾日突变年的不同,西部比东部发展更早,因而雾日突变年西部早于东部。大雾影响下,成都地区更容易出现PM_2.5污染。近年来,成都地区雾日越多,空气污染物浓度就会越大,尤其是PM_2.5浓度增大最为显著。     

基于YOLOv3深度学习的海雾气象条件下海上船只实时检测

海雾气象条件下船只高精度检测识别面临较大困难,传统的目标识别、定位方法效果差强人意。作者围绕海雾气象条件下不同类型船只的实时检测问题,提出一种基于YOLOv3深度学习的实时海上船只检测新思路。首先构建清晰图片和模糊图片（海雾、雨）的判别方法,实现图片清晰度分类处理;其次为提高海雾气象条件下海上船只的实时检测精度,消除海雾遮挡对目标识别的影响,运用暗通道先验去雾方法对含有海雾的图像实行去雾;最后基于YOLOv3深度学习算法对精细处理后的图像进行船只实时检测。实验结果表明该方法能够在海雾气象条件下高效、准确地检测到船只,对海上复杂环境条件下的船只实时检测研究具有一定的理论指导意义。     

人工冻土观测的冻点对应的土壤温度研究

基于2018年12月至2020年3月喀左、沈阳、辽阳、满洲里4个国家级地面气象站人工冻土器与测温式冻土自动观测仪观测的资料,对人工冻土观测获得的冻点与测温式冻土自动观测仪获得的相应深度的温度进行对比分析.结果表明:人工冻土器获取的冻点对应的土壤温度与0℃总体一致,又不完全重合;0—35 cm深度范围,冻点对应的温度变化...