印度洋冬季风异常海气环流耦合模态分析

本文对印度洋冬季风异常海气环流耦合主要模态做了分析和讨论,得到以下结果:第一模态海面和低空大气环流的异常主要发生在东印度洋海域上空,而上层大洋环流的异常则主要反映了印度洋冬季风环流的异常,并主要体现在西向赤道暖流和东向赤道逆流上。第二模态的大气环流相应异常主要发生在孟加拉湾、阿拉伯海和赤道印度洋上空,而上层大洋环流异常除与第一模态类似外,还包括索马里暖流的明显异常。第一、二模态分别是印度洋冬季风的偏东、偏西模态,也是其主、次模态;均有约4年的年际变化,还分别有约18、22年的年代际变化;该主、次模态分别在1976年及1976、1986年有突变发生;这样印度洋冬季风有约4年的年际变化,并在1976年出现明显突变。该主、次模态的年代际变化周期也是冬季北太平洋海气联合复EOF分解第二、第一模态的年代际变化周期,这反映两大洋之间有密切联系,这是因冬季蒙古西伯利亚高压是南亚、东亚冬季风的共同源头,对两大洋的大气环流异常都有明显影响。南亚冬季风偏强时印度洋的Hadley环流和赤道辐合带上的对流均偏强,反之亦然;且该冬季风的主、次模态都如此;这也反映了南亚冬季风大气环流异常与冬季热带大气环流异常之间的耦合关系。当该主、次模态发生正、负异常变化时,近表层热带印度洋海温异常分别呈现横贯大洋的南北向跷跷板变化以及大洋东、西向的跷跷板变化;但前者是主要的。印度洋冬季风对印度洋偶极子起着抑制作用,这是该偶极子在冬季最弱的原因。在热带印度洋,大气低空垂直运动下沉、上升区域都分别大致位于该大洋近表层的下沉、上升运动区域之上,这构成了海气相互作用的负反馈机制,并有助于南亚冬季风、Hadley环流、赤道辐合带以及印度洋中冬季风环流的维持和稳定。     

云南夏季旱涝与前期冬季环流变化的关系

夏季气候异常的前期信号特征分析一直是短期气候预测工作的重点。利用1948—2004年NCEP/NCAR月平均再分析资料、1961—2004年云南124个站的月平均降水和1948—2003年英国Hadley中心的月平均海温资料, 分析了云南夏季旱涝的时空特征, 探讨了云南夏季旱涝与前期大气环流和大气热力状态变化的关系, 发现云南夏季旱涝前冬12月—1月, 特别是1月东亚中高纬度地区的大气环流变化和赤道附近高低层大气的热力状态对云南夏季旱涝有重要的指示意义, 当前冬东亚大槽强 (弱), 冬季风强 (弱), 赤道附近高低层大气温度偏低 (高) 时, 后期云南夏季降水偏多 (少)。同时, 初步探讨了东亚冬夏季风环流变化的相互联系及热带海温变化的可能影响, 指出冬季到夏季印度洋和赤道西太平洋地区持续的海温异常有可能通过改变夏季海陆的热力对比, 进而影响夏季风活动和云南夏季降水的变化。     

网箱养殖大黄鱼越冬期间脂肪酸的相对含量变化

利用气-质法(GC-MS)对越冬期间海水平均温度在20,16,12,10和8 ℃条件下的2龄大黄鱼肌肉和肝脏组织中脂肪酸组成及相对含量进行分析,结果表明:随着海水水温的降低,机体会增加不饱和脂肪酸含量,尤其是EPA[C20:5(n-3)],EPA在肌肉中的含量从20 ℃时5.71%增至8 ℃时8.06%,在肝脏中从20 ℃时6.76%增至8 ℃时8.44%。由此可见,在越冬禁食条件下,大黄鱼机体通过自身的脂肪酸动态转化和代谢,减少饱和脂肪酸含量,而增加不饱和脂肪酸含量,以此增加膜的流动性,抵御寒冷。     

半干旱区春小麦受条锈菌侵染后光合作用和蒸腾作用的变化规律

采用美国CI-301PS型便携式光合作用测定仪,对半干旱区大田春小麦的健康叶片和受条锈菌侵染后病叶的光合作用和蒸腾作用进行活体监测。结果表明：在干旱环境下。受条锈菌侵染后小麦叶片的光合作用和蒸腾作用发生了明显变化,其光合速率比健叶明显降低,而病叶细胞间隙CO2浓度、气孔导度、蒸腾速率等有所升高,且日变化随病叶严重度的不同而明显不同。受干旱和病原物侵染的双重胁迫,小麦叶片的光合效率显著降低,水分利用率也随之下降。不仅与叶绿素含量的明显下降有关,而且与干旱造成的水分亏缺对小麦体内生理生化代谢造成损伤,碳同化过程受到抑制等有着密切的关系。     

河南夏季高温日数的时空分布特征及500 hPa环流型

对河南省40个代表站1961-2005年夏季≥35℃高温日数进行经验正交函数(EOF)展开分析,结果显示,前3个典型场基本能反映河南夏季高温日数分布的主要特征,前3个模态的累积方差贡献率达85%.据此,得出河南夏季≥35℃高温日数的时空分布类型为全省一致型、西北至东南差异型和西南至东北差异型.第一模态对应的时间系数序列的变化幅度最大,第二模态对应的时间系数序列的变化幅度比前一个时间序列要小.第一模态的时间系数演变显示,河南夏季高温日数平均呈减少趋势,且存在2～4 a、8～14 a的周期变化,目前河南夏季高温日数正处于偏多状态中.应用逐日20时500 hPa ECMWF北半球格点资料,对1991-2005年河南典型的大面积持续高温下的环流形势进行普查、分类,分别求各种类型下的环流平均场,从而得到河南省高温的两种环流型,即贝加尔湖高压型和副热带高压型.     

通过软硬变化检测识别冬小麦

提出一种软硬变化检测的作物识别方法 SHLUCD(Soft and Hard Land Use/Cover Change Detection Method)。该方法利用多期遥感影像能够有效表达作物的生长物候特征,以达到在离散变化区(即纯净像元区,包括完全转换成作物的突变区域和非作物区域)和连续变化区(即渐变区,混合像元区,是部分转化为作物的区域)准确进行作物的识别。在北京市选择一个研究区,以冬小麦为研究对象,选用2011年10月6日(播种期)和2012年4月16日(拔节期)两期环境减灾1号卫星影像,分别采用硬变化检测方法 HLUCD(Hard Land Use/Cover Change Detection Method)、软变化检测方法 SLUCD(Soft Land Use/Cover Change Detection Method)和SHLUCD进行冬小麦的识别。实验结果表明:在不同尺度窗口下,SHLUCD较传统方法表现出较明显的优势,具有更低的均方根误差RMSE(SHLUCD为[0.14,0.07],HLUCD为[0.15,0.07],SLUCD为[0.16,0.08])和偏差bias(SHLUCD为-0.0008,HLUCD为-0.007,SLUCD为0.014)和更高的决定系数R2(SHLUCD为[0.68,0.86],HLUCD为[0.62,0.86],SLUCD为[0.60,0.86])。针对冬小麦突变区域、冬小麦渐变区域和非冬小麦区域分别进行评价,表明SHLUCD识别精度接近各区最佳的识别方法,进一步验证了SHLUCD的灵活性和适用性。SHLUCD方法在离散变化区能够通过土地覆盖类型状态变化来有效地识别出冬小麦,在连续变化区可识别出土地覆盖的状态变化程度定量表达冬小麦的丰度,是其他作物多时相遥感变化检测的前期实验基础。     

近300a来古里雅与长江下游温度变化所受太阳活动、火山活动的影响分析

分析了近300a来古里雅冰芯δ¹⁸O值和长江下游温度变化与太阳活动、火山活动的关系.结果表明,无论在年际尺度,还是在10a尺度上,西昆仑山的古里雅冰芯和中国东部的长江下游地区的温度与以太阳辐照和太阳黑子周期长度为代用指标的太阳活动有良好的相关关系.火山活动对古里雅、合肥冬温和杭州春温有明显的降温作用.1810’s—1830’s时段不仅合肥冬温和杭州春温发生了剧烈的变化,而且处于高亚洲中西部的古里雅冰芯δ¹⁸O值也急剧下降,同时在北半球温度重建曲线上这一时段也是一个冷谷,表明该时段的气候变化可能具有全球性,而强烈的火山活动和微弱的太阳活动可能对温度的快速降低起触发作用。     

小秦岭金矿区小麦和玉米重金属的健康风险评价

重金属污染引发的农产品质量安全问题已成为全社会关注的焦点。为了解小秦岭金矿开发引起的重金属污染风险,采集了同点位的农田土壤、小麦和玉米籽粒样品,测定了其中Hg、Pb、Cd、Cr、As、Cu和Zn的含量及其在土壤中的形态;采用指数法和RAC风险评价法分析了土壤重金属的污染风险,采用转移因子和目标风险指数法评价了小麦、玉米籽粒中重金属的健康风险。结果表明:小秦岭金矿区土壤中Hg、Pb、Cd、Cu、Zn含量受矿业活动影响强度大,在土壤中累积明显;土壤中Hg、Cd、Pb、Cu总量超过了国家限值,呈现污染;Cd、Hg、Cu具有潜在生态风险。小麦和玉米籽粒中Pb以及玉米籽粒中的Cd的平均含量高于国家标准,呈现一定程度的污染;部分小麦样品中的Hg、Cd和部分玉米样品中的Cd超过WHO/FAO安全限值,小麦和玉米籽粒中度Pb平均含量超过欧盟安全标准,说明具有潜在的健康风险。重金属的转移因子表明Cd、Zn及Cu比其他重金属更容易从土壤转移到小麦和玉米籽粒中;通过小麦对重金属的摄入量略高于玉米,远低于WHO/FAO推荐剂量;目标风险指数评价表明,只消费小麦或玉米基本不产生健康风险,但同时消费矿区生长的小麦和玉米具有较高的Pb健康风险。     

河北省冬麦区土壤水分监测预测系统及其应用

河北省冬小麦生育阶段正值少雨时期,一般年份只有在灌溉的情况下才能满足小麦生长发育的需求,麦区土壤水分实时监测预测对于灌溉决策十分重要。在冬小麦单站多层次土壤水分动态模型(VSMB模型)的基础上,根据河北省麦区从南到北冬小麦发育期和土壤类型的不同进行参数调整和修正,并对数据库进行设计,形成河北省整个冬麦区麦田土壤水分监测预测系统(RSM-MFS)。文中介绍了该系统的基本原理和功能,并对实际应用进行了效果分析。从近年在河北省冬麦区土壤水分的监测预测结果来看,监测相对误差在10%左右,风险预测相对误差在20%左右。