柴达木盆地东部石炭系葡萄状灰岩缝洞的发现及成因分析

文章采用沉积学、岩石学、地球化学原理,对柴达木盆地石炭系葡萄状缝洞分布特征与成因机理进行了研究,并与四川盆地灯影组缝洞进行了对比分析。研究结果表明：柴达木盆地石炭系东部石炭系葡萄状缝洞与四川盆地灯影组葡萄状缝洞具相似的岩石学特征,可见复式纹层花边皮壳,网状泄水通道,以及大气淡水方解石、陆源砂屑、泥以及硅质自生矿物等缝洞内包卷物等岩石学标志。地化分析显示缝洞皮壳碳酸盐矿物成岩流体为海水,缝洞碳酸盐充填物的成岩流体为大气淡水。最终认为两地葡萄状缝洞皆为大气水作用的产物,柴东石炭系葡萄状灰岩缝洞是四川盆地灯影组葡萄状白云岩缝洞早期形式。二者演化过程如下：由于周期性海退使潮坪相等环境下形成的碳酸盐岩暴露而遭受溶蚀,海侵时溶蚀缝洞内形成针柱状方解石胶结,当海水进一步蒸发,胶结的针柱状方解石在海水中发生模仿交代,形成同生期白云石,这种周期性的海退海侵形成在剖面上的多套葡萄状缝洞旋回。     

沙尘天气过程对沈阳大气冰核浓度与尺度分布的影响

为研究沙尘天气对大气冰核浓度及尺度分布的影响,2010-2012年春季用FA-3型安德森采样器在沈阳地区开展了大气冰核观测,采样后的滤膜在中国气象科学研究院的静力扩散云室中进行统一检测分析。针对2011年5月11-12日一次典型沙尘天气过程,分析了沙尘过程前后大气冰核浓度和尺度分布与变化特征。结果表明：沈阳地区春季大气冰核的本底浓度较高,约为0.8个·L^-1（活化温度为-20℃）;沙尘天气出现时可使大气冰核浓度突增10倍以上。约2/3的大气冰核集中在>4.7μm粒径段;有沙尘影响时,2.11～5.80 μm粒径段的大气冰核浓度增加最明显。大气冰核浓度的粒子尺度谱近似服从幂指数n（D）=A·D^B分布,其中A和B的数值在沙尘日明显大于非沙尘日。根据观测,建议在沈阳乃至中国北方地区春季有沙尘天气影响时应慎重选择人工影响天气作业方案。     

基于HJ-CCD影像数据的新疆喀纳斯自然保护区植被叶面积指数估算

以新疆喀纳斯自然保护区为研究区, 评价了HJ-CCD影像数据估算植被叶面积指数(LAI)的能力及其对大气订正方法的敏感性.分别利用6S和FLAASH两种大气订正模型对HJ1B-CCD2影像进行大气订正, 比较了大气订正前后不同植被(针叶林、阔叶林、针阔混交林和草地)反射率及5种植被指数(NDVI、SR、SAVI、MSR、ARVI)的变化, 进而建立了4种植被类型LAI的遥感估算模型, 分析了LAI的空间分布格局.结果表明: 大气订正后可见光波段的反射率降低, 6S模型订正后近红外波段的反射率上升, 而FLAASH模型订正后近红外波段的反射率下降.大气订正后NDVI、SR、SAVI(除针叶林)和MSR上升, 6S模型订正后所有植被类型的ARVI下降, FLAASH模型订正后针叶林和阔叶林的ARVI上升, 而针阔混交林和草地的ARVI下降.大气订正提高了植被指数与LAI之间的相关性, 对于针叶林、阔叶林、针阔混交林而言, 利用6S模型订正后的反射率建立的模型优于FLAASH模型订正后的反射率建立的模型, 而草地却相反.经过大气订正, HJ-CCD影像数据可应用于研究区植被LAI的估算.研究区LAI的高值集中在湖泊和河流附近, 低值分布在海拔较高处.山地森林草原带、亚高山森林带、高山灌丛草甸带、高山冻原、高山冰川带植被LAI的平均值分别为2.6、3.9、2.5、1.7和1.0.     

2009/2010年我国西南秋冬春连旱特征及其大气环流异常分析

利用中国逐日站点降水资料、逐日季风监测指数及逐日副热带高压指数、74项环流指数及NCEP/NCAR再分析资料, 分析了2009年秋季至2010年春季的秋冬春西南特大干旱过程中各指数及大气环流异常特征.结果表明: 自2009年10月底东亚冬季风建立以来, 至2010年春季, 东亚冬季风强度持续偏强, 加之西太平洋副热带高压较常年偏西偏南, 西南地区长期受副高控制, 气温持续偏高, 加之冷空气虽然总体偏强, 但主要控制我国北方地区, 造成冷暖空气在西南地区少有交汇, 致使降水偏少, 干旱发生发展. 印缅槽强度较常年偏弱, 来自印度洋、孟加拉湾以及南海的水汽条件不足, 向西南地区输送的来自南海和孟加拉湾两条水汽通道的水汽通量均较常年偏弱很多, 加之西南地区、特别是云南地区自2009年秋季以来, 长期处于下沉运动的正距平区, 造成这段时间西南地区干旱少雨, 旱情持续. 2009年9月El Niño事件全面爆发, 南海-西太平洋地区形成异常反气旋流场, 该反气旋流场较常年偏西偏南, 造成副高位置偏西偏南, 从而使得云贵高原及其周边的印度季风区的降雨量明显偏少;高原地区及南海、菲律宾附近及热带辐合带地区OLR异常对西太平洋副热带高压的变化有一定影响, 进而影响西南地区降水, 其内在机制还有待深入研究.     

夏季青藏高原大气热源分布特征与对中国降水的影响

利用NECP/NCAR月平均再分析资料,研究1951～2010年夏季青藏高原主体大气热源分布、对东亚地区的环流影响及其与同期中国降水的关系.针对高原加热局地特征明显的特点,采用旋转经验正交函数等方法探讨不同类型的热源分布以及对东亚地区大气环流的影响.结果表明,当加热中心位于高原东南侧时,青藏高原夏季风加强,南亚高压偏南偏东,西太平洋副热带高压西伸加强,而东亚中高纬地区两脊一槽的经向环流分布形势明显,有利于中国长江流域的降水而不利于华南华北的降水发展.当加热中心位于高原中北部与西南地区时,青藏高原夏季风减弱,南亚高压偏西,西太副高明显偏东偏弱,中高纬环流的纬向特征明显,有利于中国地区北方降水而不利于南方地区的降水.     

龙泉驿地区降水的多尺度特征及集中性研究

针对强降水是龙泉驿地区滑坡泥石流等地质灾害产生的重要诱因的问题,通过趋势分析法、Morlet小波分析方法、统计分析等分析了龙泉驿地区降水整体趋势,年、季降水量及降水日数的多尺度变化特征,及月、旬、日降水的集中性特征。结果表明,龙泉驿地区年季降水量总体呈下降趋势,但2006年后降水量开始显示出增加趋势。年降水量显示出3年、9年左右的准周期震荡,降水13数周期震荡则比较复杂。2008年以后龙泉驿地区年、季降水处于丰水期,降水集中性显著,降水强度有增大趋势,夏秋季有发生地质灾害的可能性。可诱发龙泉驿地区地质灾害的主要降水时段和降水比重极值时段为7、8月,1980年代初中期降水集中性主要出现在7月份,1980年代中后期至2000年代主要出现在8月份。19--25旬是降水的集中性时段,而日降水高峰时段出现在0：00～7：00时段尤其是2：00～5：00时段。     

黄东海大气边界层高度季节变化特征及其成因

利用CFSR再分析资料,采用EOF的分析方法统计分析了黄东海边界层高度的季节变化特征,探讨了2个模态的分布型以及与之相联系的下垫面热通量和垂直环流,统计了ICOADS资料中近30a逐月低云发生频率和海雾发生频率,揭示了其与边界层高度分布特征的一致性。结果表明:盛行风的平流作用与下垫面特征相结合造成的低空稳定性的变化是黄东海边界层高度时间上夏季低、冬季高,空间上呈现东高西低、南高北低的重要因素。EOF分析中第一模态表现为整个黄东海区域具有一致性,主要是大尺度环流的影响;第二模态为春秋相反的2个分布型,与海洋锋、冷舌以及暖水团的季节变化有着密切关系。黄东海大气边界层高度的最大值出现时间以及其大小在空间上较为一致,而最小值以黄东海海洋锋为界,向北逐渐减小,以南差异性不大,出现时间上有较大的差异。,这主要由黄东海冷舌、暖水团以及海洋锋的季节变化所引起对边界层经向分布影响较大所引起的。春夏季节,南部(西部)低云发生频率高于北部(东部),海雾发生频率低于北部(东部);海雾高频区对应较低边界层高度,而低云高频区对应相对较高边界层高度。     

温江站气候资料非均一性检验及订正

为研究人为因素导致的"不连续点"对气候序列均一性的影响,以四川省温江地面观测站为例,结合历史沿革资料,采用标准正态均一性检验法(SNHT法)、Buishand均一性检验法、Pettitt均一性检验法分别对该站1960~2009年平均、最高和最低气温、气温日较差、相对湿度、降水、1mm雨日观测序列作均一性检验分析,并利用逐步回归法对不均一序列进行订正。发现迁站和城市化效应对气象要素的均一性产生影响,其中台站迁移对于气温、相对湿度序列的影响较明显,而对降水量的影响则不显著。订正后平均气温增温速率为0.116℃/(10a),变暖幅度增大;相对湿度订正后倾斜率为0.085/(10a),降幅减弱。研究表明不同要素的均一性受到迁站等因素影响程度各不相同,需要进一步区别分析。     

台风“莫拉克”降水观测与云物理特征的模拟研究

为了研究云中微物理量与台风降水的关系,选取0908号台风"莫拉克"作为个例,利用中国自主研发的全球区域同化预报系统对台风引起的暴雨过程进行了数值模拟。该模式系统中包含有详细的云微物理过程。结合TRMM卫星资料、MODIS云顶温度资料、FY-2卫星云图以及常规地面观测等资料与模式结果进行对比分析。分析结果表明,此次强降水主要发生在福建大部分地区以及浙江东南部地区,模拟6小时累积降水最大值超过90m,模式对此次暴雨的雨带位置及其走向都有较好的模拟。台风中云微物理量的垂直分布基本可以分为3层,由冰晶与雪组成的冰相层,一般位于100～400hPa;由云水和雨水组成的液相层,一般位于600hPa之下,以及由霰与云水、雨水形成的混合层,主要分布在400～600hPa。霰在暖区的融化以及云水、雨水的碰并是降水的主要来源。     

����GPS��InSAR�����ӳ�У�������о�

????GPS??InSAR????????????????????????????PSO(Particle Swarm Optimization)?????????LSSVM (Least Square Support Vector Machine)????????????GPS?????????в?????????GPS??InSAR????????????????????????????,????GPS????????InSAR??????????30 mm,?????????InSAR?????????