静压桩承载力时间效应的研究进展

由于静压桩沉桩后桩周土重塑,静压桩承载力表现出随着休止期的延长而增长的特性。本文从静压桩沉桩后桩周土体内孔隙水消散固结的角度出发,对静压桩承载力时间效应的理论和试验分别进行归纳,结合孔隙水消散路径及固结模型,对桩周土体初始超静孔隙水压力大小及其分布特征进行总结,分析承载力各种测试方法的优缺点,对静压桩承载力的时效性进行深化研究,并探讨了不同地质条件、不同桩的类型对休止期内静压桩承载力的影响,进一步对基于实测数据得出的经验公式进行总结。讨论了基于不同本构关系模型的应力场及位移场解答和沉桩后孔隙水压力消散解答,在此基础上总结了桩基极限承载力理论公式;探讨了黏性土、砂土条件下,考虑超固结比、不排水抗剪强度和塑性指数比对桩基极限承载力系数A的影响,在此基础上归纳了桩基极限承载力经验公式。建议在经验公式基础上设置多重参数,以提升经验公式的精确度,并完善对不同桩、土类型的参数解答;利用BP神经网络,导入静压桩承载力相关参数,以得到针对不同地质条件、桩型、休止期的承载力最优解。     

我国华南江南春季雷暴气候特征分析

基于我国华南江南地区274个基本地面气象观测站数据、全国闪电定位数据以及欧洲中心的全球大气再分析数据(ERA-Interim),对1981—2017年华南江南地区的春季雷暴日采用经验正交函数分解方法(EOF),并与气象要素场做回归分析。得出以下主要结论:(1)我国华南江南地区春季雷暴活动高发区主要在广西东部至广东西部;其高峰期在下午18:00和凌晨4:00左右,且大多数雷暴活动持续时间不超过3 h;山区雷暴活动主要在傍晚至夜间;平原雷暴活动主要在白天,高峰在17:00及06:00前后;(2)华南江南地区的雷暴活动存在着3~5年的短周期和16年左右的长周期变化;(3)雷暴日距平EOF分析的前3个主成分累计方差贡献达到72.3%。按其向量场的方差贡献分型,Ⅰ型表现为华南江南雷暴活跃特征呈现较统一的变化规律。深厚西南低涡槽前、上干下湿的水汽层结、上冷下暖的温度层结为华南江南地区发生大范围雷暴天气提供良好的动力、水汽和位势不稳定条件,是华南江南雷暴活跃异常的主要模态;Ⅱ型表现为从华南南部到江西与浙江南部有一条西南-东北向、下宽上窄的雷暴活跃正距平异常区,而两侧为负距平异常区。其环流特征表现为温度整层偏冷,水汽整层偏湿,而西南槽前动力抬升有利于水汽抬升凝结触发对流形成雷暴;Ⅲ型表现为华南和江南地区雷暴活跃特征呈南北反位相异常,其分界线在26 °N附近。其环流特征表现为较强的干冷空气南下与南方暖湿空气在南岭山区对峙形成异常的垂直环流圈。在其上升支,低层干冷空气被卷入中高层使得中高层暖湿空气凝结释放潜热形成对流,造成华南地区多雷暴发生,而江南地区处于垂直环流的下沉支,整层湿度偏干,造成江南地区雷暴相对偏少。      

基于NDVI的新疆荒漠地区植被覆盖度遥感估算经验模型研究

新疆荒漠地区植被覆盖度遥感估算模型十分缺乏,给荒漠化监测等相关工作带来很大不便,开展植被覆盖度遥感估算经验模型研究,对于促进和完善相关地区的生态监测及研究工作具有积极的现实意义。通过对阜康市北部沙漠南缘和克拉玛依市中部平原荒漠进行无人机航拍,利用无人机遥感提取（光合）植被信息,并将无人机航拍影像的植被覆盖度统计单元与高分辨率卫星影像像元在空间上直接相对应,获取在高分辨率卫星影像像元尺度上的植被盖度,然后通过植被覆盖度和空间上与其相对应的源自高分辨率卫星影像的NDVI数据的拟合关系,建立基于源自高分二号影像的NDVI的阜康北部沙漠植被覆盖度遥感估算线性模型以及基于源自ZY1-02C影像的NDVI的克拉玛依平原荒漠植被覆盖度遥感估算二次多项式模型。研究中所采用的无人机遥感与卫星遥感相结合、植被覆盖度统计单元与卫星像元在空间上直接对应的方法,可避免以往相关工作中常以点位测量数据代表卫星像元数据所带来的不确定性。由于所用卫星影像的NDVI数据稳定性相对不足等原因,所建立的遥感估算模型的估算精度尚相对偏低,有待于今后进一步的工作加以改进。     

Monte-Carlo模拟与经验路径模型预测台风极值风速的对比

台风是我国东南沿海区域每年发生的严重自然灾害之一。本文分别采用传统的Monte-Carlo模拟方法以及较为先进的经验路径模拟方法预测中国东南沿海区域台风的极值风速(10 m高度处10 min平均值),并对两种方法的预测结果进行了对比。本文将东南海岸线向内陆扩展约200 km的区域划分为0.25°×0.25°的网格,以每个网格点作为研究点。首先采用Monte-Carlo模拟方法产生每个研究点1 000年间的虚拟台风事件。然后采用经验路径模型方法构建了西北太平洋1 000年的热带气旋事件集,采用模拟圆方法从中提取对各个研究站点有影响的台风事件。接着采用Yan Meng风场模型计算每个研究点台风的最大风速,构成极值风速序列。最后采用极值分布模型预测每个研究点不同重现期的极值风速,并对两种不同方法预测的结果进行了对比。研究发现在研究区域的内陆侧经验路径方法预测的风速略高于Monte-Carlo模拟方法预测的结果,而在海岸沿线一带经验路径方法预测的结果略低,这主要是由两种方法构造的虚拟台风的中心压强存在差异以及模型本身的不确定性造成的。本文的研究结果可以为防灾减灾系统提供有益的参考。     

基于EMD方法的地心运动时间序列分析

针对时间序列混有的高频信息会影响地心运动规律分析的问题,采用网平移法对IGS提供的GNSS周解进行解算,得到2007-2017年地心运动时间序列,对其进行分解重构,剔除高频项,并利用重构时序对地心运动规律作进一步分析探讨。结果表明：本文解算的地心运动在T_x、T_y和T_z方向的精度均为毫米级。EMD方法重构的时序保留了原序列的基本信息,且抑制了高频项的影响,提高了周期贡献率,3个方向的贡献率分别提高了12.3%、16.7%及6.3%。通过分析重构后的时序发现,周年项振幅为各周期对应振幅的最大值,分别为2.32、1.89和2.07 mm;T_y和T_z方向长期变化趋势较T_x更为明显,分别为0.13和-0.27 mm/a;半年项较小,且在T_x和T_y方向上具有时变性。此外,还发现了一些其他较小的年际变化。     

时间尺度重构EEMD-GRNN改进模型预测PM2.5的研究

合理构建PM_2.5浓度预测模型是科学、准确地预测PM_2.5浓度变化的关键。传统PM_2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM_2.5浓度时间序列数据,分析PM_2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM_2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度（天际、月际）构建GRNN模型更具有现实意义;同时,PM_2.5对PM₁₀、NO₂、O₃、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM_2.5浓度预测精度,MAE、MAPE、RMSE和R²分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天（PM_2.5浓度大于100 μg/m³）的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。     

声速剖面EOF表示的第一模态解析

为实现对声速剖面EOF表示后第一模态时间系数和空间函数变化规律的解析,提出了一种简化的声速剖面变化模型,即"拐点"深度值和声速值的变化;声速梯度的变化和表层海水温度周期性变化所引起的海水声速变化,通过将4种因素所引起的第一模态空间函数的变化规律与实际声速剖面簇第一模态空间函数的变化规律对比,分析引起实测声速剖面变化的主要因素,最后,分别用深海和浅海实测声速剖面数据对其进行验证。     

梅雨降水季节预测的多方法比较

基于1961—2000年逐月降水观测资料和全球大气再分析资料,分析了6—7月长江中下游(108°～123°E,27°～33°N)梅雨的时空分布特征。通过观测诊断和数值试验确定了影响梅雨异常偏多的3个前期因子:4—5月平均的西北太平洋海平面气压正异常;3月至5月北大西洋海平面气压负变压倾向;1月至4月西伯利亚的2 m温度负倾向。利用这3个具有物理意义的影响因子构建了梅雨季节预测模型,该模型在训练期(1961—2000年)和独立预测期(2001—2022年)均具有显著的预测技巧(相关系数分别为0.79和0.77,均方根误差分别为0.59和0.68)。同时,基于相似的潜在预测因子,对比了利用偏最小二乘回归方法和5种机器学习方法(随机森林、轻量级梯度提升机、自适应提升、类别型特征提升、极端梯度提升)建立的预测模型的技巧。虽然训练期(1961—2000年)偏最小二乘回归和机器学习建模拟合效果更高,但在独立预测期(2001—2022年)上述模型的预测技巧显著降低(相关系数均低于0.44,均方根误差均大于0.93),出现了明显的过拟合问题。本研究强调梅雨的短期气候预测应建立在物理机制基础之上,而使用机器学习方法需谨慎。     

Statistical analysis and forecasts of long-term sandbank evolution at Great Yarmouth, UK

A data-driven model has been developed to analyse the long-term evolution of a sandbank system and to make ensemble predictions in a period of 8 years. The method uses a combination of empirical orthogonal function (EOF) analysis, (to define spatial and temporal patterns of variability), jack-knife resampling, (to generate an ensemble of EOFs), a causal auto-regression technique, (to extrapolate the temporal eigenfunctions), and straightforward statistical analysis of the resulting ensemble of predictions to determine a ‘forecast’ and associated uncertainty. The methodology has been applied to a very demanding site which includes a curved shoreline and a group of mobile nearshore sandbanks. The site is on the eastern coast of the UK and includes the Great Yarmouth sandbanks and neighbouring shoreline. A sequence of 33 high quality historical survey charts reaching back to 1848 have been used to analyse the patterns and to predict morphological evolution of the sandbank system. The forecasts demonstrate an improved skill relative to an assumption of persistence, but suffer in locations where there are propagating features in the morphology that are not well-described by EOFs.     

Water level variations in the Neuse and Pamlico Estuaries,North Carolina due to local and remote forcing

Water level time series records from the Neuse and Pamlico River Estuaries were statistically compared to local and distant wind field data, water level records within the Pamlico Sound and also coastal ocean sites to determine the relative contribution of each time series to water levels in the Neuse and Pamlico Estuaries. The objectives of this study were to examine these time series data using various statistical methods (i.e. autoregressive, empirical orthogonal function analysis (EOF), exploratory data analysis (EDA)) to determine short- and long-time-scale variability, and to develop predictive statistical models that can be used to estimate past water level fluctuations in both the Neuse Estuary (NE) and Pamlico Estuary (PE). Short- and long-time-scale similarities were observed in all time series of estuarine, Pamlico Sound and subtidal coastal ocean water level and wind component data, due to events (nor'easters, fronts and tropical systems) and seasonality. Empirical orthogonal function analyses revealed a strong coastal ocean and wind field contribution to water level in the NE and PE. Approximately 95% of the variation was captured in the first two EOF components for water level data from the NE, sound and coastal ocean, and 70% for the PE, sound and coastal ocean. Spectral density plots revealed strong diurnal signals in both wind and water level data, and a strong cross correlation and coherency between the NE water level and the North/South wind component. There was good agreement between data and predictions using autoregressive statistical models for the NE (R² = 0.92) and PE (R² = 0.76). These methods also revealed significant autoregressive lags for the NE (days 1 and 3) and for the PE (days 1, 2 and 3). Significant departures from predictions are attributed to local meteorological and hydrological events. The autoregressive techniques showed significant predictive improvement over ordinary least squares methods. The results are considered within the context of providing long time-scale hindcast data for the two estuaries, and the importance of these data for multidisciplinary researchers and managers.