基于孔压静力触探的岩土参数正态性检验方法对比

岩土参数的正态分布是岩土工程可靠分析的基本假定之一。目前,岩土工程参数的正态性检验以KS （Kolmogorov-Smirnov）检验为主,然而诸多研究表明,对于小样本数据,KS检验的正态性检验结果并不可靠。本文以废黄河泛滥沉积相粉土中的孔压静力触探（CPTU）锥尖阻力q_t数据为研究对象,首先采用ANOVA （方差分析）检验,从CPTU测试资料中进行总体的样本筛选,然后应用SW （Shapiro-Wilk）检验、KS检验、LF （Lilliefors）检验和AD （Anderson-Darling）检验等4种正态性检验方法,在不同样本容量条件下,对测试数据进行正态性检验评价。当测试数据的样本容量充足时,分析结果表明：SW检验结果最为严格,KS检验结果最不保守,而LF检验和AD检验的严格性介于两者之间;对于常规岩土工程设计,采用KS检验结果即可满足稳定性分析要求,对于复杂岩土工程设计,采用SW检验对设计参数进行正态性检验,可降低设计的不确定性。     

北京山区突发性地质灾害易发性评价

北京山区地质环境条件复杂,发育大量突发地质灾害隐患,既直接威胁山区村庄、道路、景区的人员及设施的安全,又会对城镇的规划建设构成威胁。通过开展地质灾害易发性评价工作,划分出地质灾害易发区,以评价结果指导城镇建设规划,减轻地质灾害的威胁,这是一项十分重要的工作。文章在阐述北京山区崩塌、滑坡及泥石流突发地质灾害发育情况的基础上,选取了坡度、起伏度、工程地质岩组、地质构造、地貌类型及降水等6个影响因子,采用综合信息量模型方法,分别对北京山区斜坡类灾害（崩塌、滑坡）和泥石流灾害的易发性进行评价,并根据“就高不就低”的原则,叠加各灾种的易发性评价结果划分出北京山区突发地质灾害易发性分区图,为城镇建设适宜性评价、编制国土空间规划及完善空间治理提供科学的依据。     

机器学习模型在滑坡易发性评价中的应用

机器学习在滑坡的易发性评价中面临两个难点,一是评价指标的客观量化,二是训练样本的选择。鉴于此,采用频率比法实现了评价指标的客观量化,利用k均值聚类算法实现了非滑坡样本数据的筛选。结果表明,以k均值聚类算法筛选非滑坡为前提,神经网络的训练精度由73%提升到了97%,支持向量机的训练精度由75%提升到了96%。基于GIS平台,将神经网络和支持向量机模型计算的全区易发性指数按自然断点法分为五个区域,分区图与历史灾害点的叠加分析统计结果显示,神经网络在全局范围内的评价结果优于支持向量机模型,全局精度分别为76%和74%。研究结果可为南江县的防灾减灾工作提供参考。     

中国中部典型高山气象站风速的均一性检验及其变化特点

采用二相回归方法并结合台站历史沿革信息,在对中国中部典型高山站南岳和庐山1960-2017年平均风速资料进行均一性检验和订正的基础上,分析其变化特征及其与周边低海拔台站的差异,并利用NCEP/NCAR再分析风速资料对其差异进行验证。结果表明：南岳站平均风速序列存在一个由测风仪器变更而导致的非均一点,而庐山站不存在非均一点;南岳和庐山年及四季平均风速均显著高于周边台站,且高山站以春季和夏季风速最大,而低海拔台站各季节风速差异较小;近58 a高山站及周边低海拔台站的年及四季平均风速均呈显著的减小趋势,但高山站的减小速率显著高于低海拔台站;同区域NCEP/NCAR的1000 hPa和850 hPa平均风速变化的差异与高山站和低海拔台站的差异基本一致,说明中低空和地面风速的这种差异在中国中部地区具有一定的普遍性。     

青海高原致灾性对流天气时空分布特征

利用2005-2016年青海高原地面观测、灾情和卫星云图等资料,对青海高原致灾性对流天气进行筛选和分类,在此基础上分析了各类致灾性对流天气的时空分布特征及与地形的关系。结果表明:(1)青海高原致灾性对流主要有雷暴、短时强降水、冰雹以及混合类四种,集中分布于高原东部。(2)地形对致灾性对流的落区、频次和强度起关键作用。雷暴多产生于山区,短时强降水和冰雹主要产生在迎风坡、河谷和地势较开阔的低地。其中,青东农区以混合类和冰雹居多,青南牧区以混合类居多,环湖与祁连地区和柴达木盆地以短时强降水居多。(3)近12 a青海高原致灾性对流整体呈波动式减少,2005-2010年(前期)致灾性对流日数和次数较多,2011-2016年(后期)显著减少,但不同类型年际变化特征略有差异。其中,冰雹和雷暴日数前期较大,后期显著减少;混合类和短时强降水日数无明显变化趋势,但前者年际波动幅度较后者大。(4)致灾性对流主要产生于5-9月,各类型均呈现典型的单峰型月分布,混合类和冰雹日数及次数的峰值均在8月,雷暴日数和次数的峰值均在6月,而短时强降水日数和次数的峰值分别在8月、7月。(5)致灾性对流集中产生于13:00至次日01:00,高峰时段(16:00-20:00)以冰雹和混合类居多,而夜间时段以短时强降水居多。     

线性化物理过程对GRAPES 4DVAR同化的影响

线性化物理过程能够改善四维变分同化中极小化收敛的稳定性和增加极小化过程中对大气物理过程和动力更加精确的描述,它是四维变分同化中非常重要的一部分。通过在GRAPES全球模式中研究线性化物理过程,尤其是两个湿线性化物理过程,改善切线性模式预报精度,来提高GRAPES全球四维变分同化的分析和预报效果。线性化物理过程的开发首先需要简化原非线性化物理过程中的强非线性项,然后对线性化物理过程进行规约化,以抑制切线性扰动的异常增长。目前GRAEPS全球模式中的线性化物理过程主要包括次网格尺度地形参数化、垂直扩散、积云深对流和大尺度凝结。线性化物理过程预报精度的检验方法是通过选择合适大小的初始扰动（同化分析增量）,来比较非线性模式和切线性模式中的扰动演化的纬向平均误差。然后以绝热版本的切线性模式为基础,通过冬、夏两个个例试验来分别检验4个线性化物理过程的12 h预报效果。试验结果表明,通过添加次网格地形参数化和垂直扩散两个干线性化物理过程方案,可以有效抑制住绝热版本切线性模式低层扰动的异常增长,大幅度改善切线性模式预报效果。通过添加积云深对流和大尺度凝结两个湿线性化物理过程,可以在热带区域和中、高纬度地区提高切线性模式中湿变量和温度变量的近似精度,提高GRAPES全球四维变分同化的分析和预报效果。      

GRAPES全球奇异向量方法改进及试验分析

基于总能量模的奇异向量扰动常用于构造集合预报的初始条件。以建立GRAPES（Global and Regional Assimilation PrEdiction System）全球集合预报系统为目的,基于前期研发的GRAPES全球模式奇异向量方法,在GRAPES全球切线性模式和伴随模式2.0版的框架下,开展了引入线性化边界层方案来改善奇异向量结构,并提高奇异向量计算效率的研究。通过连续试验,从奇异向量的扰动能量结构、扰动能量谱及扰动空间分布等方面,综合分析改进GRAPES全球奇异向量的结构及演变特征。试验结果表明,改进后的GRAPES奇异向量方法有效抑制了之前扰动能量在近地面层不合理的快速增长,同时,奇异向量最优扰动的结构更客观地体现了中高纬度区域大气初始条件中的斜压不稳定扰动及其演变,如在初始时刻奇异向量扰动能量主要位于对流层中层,并呈现出随高度向西倾斜的大气斜压特征;经过线性化演变,扰动能量向较大水平尺度转移,并在垂直结构上表现出向对流层高层上传及向对流层低层下传的特征等。针对GRAPES奇异向量迭代求解中伴随模式计算耗时为主的情况,改进伴随模式中广义共轭余差方案的调用方式,并采用大内存存储法来提高其计算效率,进而将奇异向量总计算时间缩短了25%。总之,改进后的GRAPES奇异向量方法,可应用于构建面向业务应用的GRAPES全球集合预报系统。      

10~30 d延伸期可预报性与预报方法研究进展

10~30 d延伸期的可预报性既依赖于初始条件,也与缓变的下垫面有关,寻找延伸期时段内可预报性较高的低频特征,识别延伸期的可预报性来源及影响的物理机制是提高延伸期预报水平的关键。近年延伸期可预报性来源、热带大气季节内振荡监测预测和影响等领域的研究取得较大进展,提出和应用了动力统计相结合以及大气低频信号释用等新的延伸期预报方法。对延伸期可预报性来源及其与初值和外强迫异常的关系分析表明,海气相互作用能提高亚洲和西太平洋区域延伸期时段大气环流和要素的可预报性。热带大气季节内振荡、平流层爆发性增温以及各种次季节尺度的海气、陆气耦合作用和大气响应均为延伸期预报提供了重要的可预报性来源。由于数值模式延伸期时段的预报性能与实际业务需求还存在一定距离,基于动力统计相结合和物理统计的延伸期预报方法被广泛应用于业务预报,表现出一定的预报技巧。     

喀什站高空温度资料均一性检验与订正

利用加拿大环境部气候研究中心研发的RHtest均一化检验方法,结合历史台站沿革信息对喀什站各标准等压面高空温度资料进行了均一性检验和分析。结果表明:850～300 hPa共6个层次的高空日温度观测资料序列完整性较好。08时100 hPa月平均温度的缺测率3%,完整性较差,20时100 hPa的完整性最差,缺测率高达11.44%,其他层次的完整性则较好。喀什站温度资料的非均一性主要是由于台站位置变动、观测仪器换型、观测规范变更和辐射误差订正方法的变化引起的。在订正过程中发现,为了保证订正序列的可信度,需要充分考虑到原始观测序列的缺测率。08时年温度序列的断点数量要明显多于20时,08时序列的订正率达到了85.71%,而20时仅有100 h Pa一条序列做了订正。