1971—2008年内蒙古地区雷暴天气时空变化特征分析

文章利用1971—2008年内蒙古地区117个测站的雷暴资料,采用常规数理统计分析方法、经验正交函数分析方法(EOF)对全区雷暴天气的时空分布进行了分析。结果表明:内蒙古年平均雷暴日数为26.6d,内蒙古雷暴发生的次数在波动中呈减少趋势,雷暴月分布呈单峰型,全年中6—8月为雷暴集中期,占78.5%,雷暴高发集中在午后;内蒙古年平均雷暴日数总体上呈东南多西北少的特点,出现3个雷暴中心,分别位于中南、东南和东北地区,中南和西部的年平均雷暴日数变化较大,而东部的年平均雷暴日数变化较小;通过EOF分解将内蒙古雷暴异常划分为全区一致型、东南—西北型、纬向型三种类型。     

1960—2012年呼伦贝尔市雷暴天气气候特征分析

文章利用呼伦贝尔市1960—2012年逐日雷暴资料,对雷暴的时空分布特征进行总结分析。结果表明:呼伦贝尔市雷暴每年集中发生在4—10月份,6月份最多;雷暴的日分布主要集中在13—19时,占总数59.8%,14—17时为峰值,占主要集中时段(13—19时)的65%。年际变化不大。空间分布是大兴安岭东部雷暴日多于西部地区。EOF分解的第一特征向量表明呼伦贝尔市雷暴日的变化呈现一致性,从1988年雷暴日呈减少趋势,第二特征向量表明以大兴安岭为界,东西呈现相反的变化趋势。     

多种观测资料在一次弱降水雷暴大风分析中的综合应用

利用多普勒天气雷达、宝坻和西青两部风廓线雷达、天津250m气象铁塔观测资料,结合NCEP再分析资料、探空资料、地面加密自动站和自动站分钟资料,对2014年6月8日发生在天津地区的一次弱降水雷暴大风过程进行分析。结果表明:(1)此次过程属于西北气流型雷暴大风,低层强垂直风切变和较大的温度直减率为雷暴大风的出现提供有利环境条件;(2)此过程共经历弓形回波复合体、阵风锋和单体弓形回波3个阶段,雷暴大风的强度与强回波核伸展高度以及下落时间有关,回波核伸展高度越高,下落时间越短,雷暴大风强度越强;(3)强冷池的快速移动是弓形回波复合体阶段雷暴大风的直接原因,冷空气首先从2.3km高度入侵,10min后地面出现雷暴大风。天津南部具有不稳定能量高值中心,配合地面中尺度辐合线的触发作用导致单体弓形回波阶段雷暴大风;(4)阵风锋阶段上升与下沉气流共存,下沉速度峰值的下传特征较地面雷暴大风的出现提前20min,2km以上的对流层中低层为上升运动。     

径向速度资料在预报工作中的应用

就首都机场ＴＤＲ－３６００多普勒雷达探测资料分析了超级单体,飑线,切变线等中小尺度强对流天气的径向速度图特征,解释其提供的风场信息。     

时空多元协同克立格的理论研究

本文结合地质统计学的最新成果,在空间协同区域化理论的基础上,对时空域中多元信息的协同克立格（ＳＴＣＯＫ）理论进行了较为详细的研究。主要研究内容有：（１）ＳＴＣＯＫ中的互变异函数与互协方差函数;（２）ＳＴＣＯＫ方程组及求解估值权因子的三种方法：①传统普通协同克立格法（ＳＴＴＯＣＯＫ）,②标准普通协同克立格法（ＳＴＳＯＣＯＫ）,③简单协同克立格法（ＳＴＳＣＯＫ）;（３）排列协同克立格（ＳＴＣＯＬＣＯＫ）;（４）指示协同克立格（ＳＴＩＫＣＯＫ）。     

2019年北京市PM2.5人群暴露剂量特征分析

近年来,PM_2.5已成为雾霾爆发的主要污染物之一,人口长期暴露在高浓度的PM_2.5中可能会大大的提高居民患病的几率,危害居民身心健康。本研究以空气污染严重且人口高度集中的北京市作为研究区,以2019年北京市的PM_2.5浓度监测数据、人口空间分布栅格数据及不同人群的长期呼吸量等为数据基础,构建了“污染物浓度—暴露人口—呼吸量”的PM_2.5人口暴露剂量评估模型,进而对北京市2019年的PM_2.5人口暴露强度空间分异特征及不同人群的暴露剂量差异进行分析。结果表明：① 2019年北京市的PM_2.5浓度在冬季时最高,日均浓度达48.89 μg/m³,并均呈现出北低南高的整体态势;② PM_2.5人口暴露量存在显著的空间分异特征,不同人群的PM_2.5暴露量均呈现出由城中心向周边减弱的整体态势,高暴露区主要集中于城区地带;③ 不同性别、年龄组人群的PM_2.5人口暴露强度存在明显的空间分异特征,且城市内部不同人群的PM_2.5暴露剂量也存在明显差异;④ PM_2.5的暴露风险并非完全取决于污染物浓度的大小,而是由污染源浓度和暴露受体的空间分布特征等多方面共同决定,北京城区的高PM_2.5人口暴露区才是高风险区,是未来政府有效防控污染物危害的核心区。     

结合HASM和GWR方法的省级尺度近地表气温估算

卫星遥感反演得到的地表温度可用于近地表气温的估算,但现有方法的估算精度仍有进一步提升的空间。为了获取空间上连续且精度较高的近地表气温,本研究以四川省为例,首次将高精度曲面建模（HASM）用于遥感和气温实测数据的融合,并将综合了气温、地表温度、海拔、坡度、坡向的地理加权回归（GWR）拟合结果作为HASM模型的初始温度场,进而采用此种结合HASM和GWR的求解算法（HASM-GWR）,融合MOD11C3地表温度产品与190个气象台站的气温实测数据,开展省级尺度近地表气温估算,并通过比较HASM-GWR、GWR以及普通线性回归（OLS）3种方法的估算精度,评估各模型对近地表气温的估算效果。结果表明,相比于传统估算模型,采用HASM-GWR数据融合方法能有效提高近地表气温的估算精度。采用该方法的近地表气温估算残差,72%介于-1~1 ℃,90%介于-2~2 ℃;且与GWR和OLS模型相比,估算结果的均方根误差（RMSE）分别降低了25.42%和39.83%。     

三种机器学习方法在广东雷暴大风自动识别的应用效果评估

基于2012—2019年自动站雷暴大风观测实况和对应雷达回波,利用传统机器学习方法(决策树)和深度学习方法(CNN、YOLO)等三种机器学习方法分别建立雷暴大风自动识别模型。根据广东雷暴大风回波特征,选取50 dBZ高度、反射率因子强度梯度等5个回波参量作为决策树的特征因子;将1～9 km高度的雷达回波分为11层,作为YOLOv3的输入层,使其由原3个特征层扩展到11层,训练优化后的YOLOv3可更合理刻画雷暴大风的空间结构特征。经批量测试和业务试运行试验,检验结果表明：三种模型中基于决策树的模型虚警最高,基于CNN的模型漏报最多,基于YOLO的模型识别效果最好,其POD和CSI均最高。通过对广东2020年汛期5次系统性和5次局地性雷暴大风过程进行分类型自动识别效果评估,并选取任意天气下长达30天连续时段进行不间断识别检验,结果表明该算法对于不同类型的雷暴大风均有较好的识别能力,具备业务化应用前景。     

六、P24 测量仪器

CH20080508 GPS接收机内噪声水平的评价与检测方法=The Evaluation and Test on Interior Noise Level of GPS- Receiver/戴水财,朱建军,张学庄,唐利民(中南大学信息物理工程学院)//测绘科学.-2007,32(5).-17～20结合某品牌GPS接收机检测实例,提出了GPS接收