初夏一次特大暴雨的诊断分析

对新疆1996年5月28－30日一次特大暴雨过程的诊断分析，给出了暴雨产生的原因。     

T106产品中700hPa垂直速度和水汽能量与塔城大降水关系的探讨

对塔城盆地1998－1999年15个大降水个例进行了诊断分析，发现了T106产品700hPa垂直速度和水汽通量与塔城盆地大降水量级呈正相关，并给出了定量预报指标。     

中尺度模式中的边界层特征量分析

在中尺度数值天气预报模式MM4中，用level3及E-ε-l两种湍流闭合方法对原总体边界层参数化方案进行改进，使得中尺度模式中可以直接输出有关湍流量，并对地表通量参数化方案进行改进，进而对不同下势需如沙漠，植被上的有关湍流量和边界层特征量进行分析。研究中尺度系统中边界层结构的特征，本文主要从地表通量，湍流交换系数，湍流动能（q^2)，温度脉动方差（θ^2)及风温廓线等几个方面进行研究，结果表明，新方案能更好地反映边界层特征。     

青藏高原东部牧区雪灾的环流型及水汽场分析

冬、春季雪灾是青藏高原东部牧区重要的灾害性天气。本文利用历史天气图和国家气象中心T106L19全球模式的分析值格点资料，分析了青藏高原东部牧区近20年来冬，冬季降雨的天气形势和水汽场。结果表明，北脊南槽型、乌山脊型、阶梯槽型和国境槽型是造成高原东部牧区降雪的四类主要环流型；在高原东部牧区强降雪天气过程时气柱可降水量有明显增加，记要降雪区与水汽通量辐合区吻合，主要水汽来自孟加拉湾地区。     

东南极Lambert冰川-Amery冰架系统平衡通量分布的计算

通过对Lambert冰川盆地(LGB)考察路线上约1 700 km长的LGB剖面和距冰架末端约50 km、长150 km的A剖面, 分别利用GPS冰流速值及雷达测厚值进行冰通量的计算得出:每年流过LGB剖面的冰通量为43.95 Gta-1, 而通过A剖面的冰通量仅为26. 42 Gt*a-1, Amery冰架底部净融化量为7.8 Gt*a-1. 整个Lambert冰川-Amery冰架系统(LAS)地区的表面净物质平衡总量约为90 Gt*a-1; LGB地区的表面净物质平衡总量为46 Gt*a-1. 通过分析得出, 整个LAS地区及LGB地区均处于物质正平衡状态, 而LAS流域的上游区域S'则处于物质负平衡状态.     

H2O-CH4-H2-CO2-CO-O2在高温、高压和高密度条件下的状态方程

为了计算高温，高压和高密度流体的热力学性质，提出了一个具有19个参数的维里型状态方程，其中参数与温度间的函数关系采用由Sutherland位能函数导出的维里系数近似式。除临界点附近以外，在已报道的pVT数据所覆盖的大部分超临界区域内，该方程均可适用。用该方程对H2O，CH4，H2，CO2，CO和O2等流体pVT关系的计算结果令人满意，其中pVT上限分别为：91-610GPa,1.6-11.0cm^3/mol,4000-5000K。计算体积的平均偏 小于0．8％，最大偏差小于5．4％。     

冰后期长江三角洲沉积通量的初步研究

在265个长江三角洲钻孔地层资料中识别出了冰后期海侵旋回底界面和(或)最大海侵面, 分别记录了它们的埋深值. 由此绘制出了长江三角洲冰后期沉积物等厚图及冰后期最大海侵以来的沉积物等厚图, 计算了冰后期沉积旋回及其海侵和海退层序的沉积物数量, 并且分析了其分布特征. 结果表明, 长江三角洲在冰后期及其海侵和海退期间的沉积物数量分别为17742.2×10⁸ , 9791.9×10⁸和7950.3×10⁸ t. 其中, 下切河谷沉积量超过三角洲两翼, 海侵期沉积量大于海退期, 南翼沉积量大于北翼, 两翼前缘沉积量大于后缘. 综合考虑冰后期滞留于现今三角洲地区的沉积物数量与长江输沙量之间比值的变化以及输沙量本身可能的变化, 可以认为冰后期长江年均输沙量应当在2.36×108~4.86×10⁸ t之间, 总量约为35400×10⁸~70800×10⁸ t; 年均输向外海和相邻岸段的泥沙在1.18×10⁸~3.54×10⁸ t之间, 总量约为17700×10⁸~53100×10⁸ t.     

油气化探中甲烷碳同位素应用、存在问题与对策研究

阐述了在地表油气化探实践当中甲烷碳同位素对地表土壤烃气成因判别的有效性，但有时也会遇到判断错误的情况。通过对应用实例的分析，指出因忽略了土壤中异常甲烷是一种混合成因甲烷，从而导致判断失误。为全面解决这一问题，提出了同时选送数量相当的背景土壤样品和异常样品进行甲烷同位素测定，然后通过教学方法计算出真实反映来源于油气藏中的甲烷的碳同位素值的对策方案。     

张集煤矿13—l煤层甲烷含量的逐步回归分析

以淮南煤田张集煤矿13—1煤层为例，对甲烷含量进行了多因素逐步回归分析，结果表明：逐步回归模型不仅符合瓦斯地质理论，而且比单因素回归模型具有更高的预测精度，从而具有更大的实用价值。