基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料,利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值,与原始 WRF 预报相比,利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上,利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

A simulation study of the role of raindrop erosion in the formation of desert pavements

A simple model of raindrop erosion—the combined effects of the detachment of sediment by raindrops and its transport by splash or by overland flow—is developed to examine the role of this process in the formation of desert pavements. Application of the model to soils in areas of existing pavement initially simulates the formation of pavements, but the changing sediment size distributions lead to the subsequent destruction of these modelled surfaces. An improved model that accounts for the feedback effects of the changing size distributions on infiltration and microtopography is then developed. Incorporating these effects allows simulated pavements to be maintained over longer periods. The model yields desert pavements whose particle size compositions differ in response to differences in initial soil characteristics, slope and rainfall intensity. This model is tested against empirical data from a site where there is intershrub pavement and associated mounds of fines beneath desert shrubs. The results successfully predict the accumulation of fines under shrubs but underestimate the development of the pavement between shrubs. These findings suggest that the raindrop erosion mechanism on its own cannot account for the development of the pavement and that some other mechanism leading to the surface concentration of coarse particles must also be operating.     

全球及区域模式中陆面过程的地表植被覆盖分类方法

全球和区域尺度上陆面生态系统与气候密切相关。全球和区域模式的发展对于我们认识气候与陆地生态的变化起到重要作用。在这些模型中,植被覆盖是影响大气-植被间热量、水分和CO2等交换的重要陆面参数。在分析了陆地植被覆盖分类原理基础上,介绍了目前全球不同植被覆盖分类方案,包括基于地基观测的植被分布、基于生物气候特征的分类方案（如：Holdridge的方案）;特别近年来陆面过程试验表明,各种遥感数据源（如：NOAA—AVHRR,EOS—MODIS,Landsat—TM）等为我们提供了有利的工具来监测全球植被动态,完善植被分类,并且采用高时空分辨率的全球土地覆盖状况特征,在不同时空尺度揭示植被-大气相互作用。本文分析了代表性的3种基于卫星遥感技术的陆面植被分类方案,分别是BATS（18类）、SIB（9类）、SIB2（12类）和BIOME—BGC（31类）陆地模式的植被覆盖分类方案．最后分析了目前可用于全球植被覆盖分类的新的遥感数据库。     

Changes in air pollutants during the COVID-19 lockdown in Beijing:Insights from a machine-learning technique and implications for future control policy

基于2015-2020年北京35个环境空气站和20个气象站观测资料,应用机器学习方法(随机森林算法)分离了气象条件和源排放对大气污染物浓度的影响.结果发现,为应对疫情采取的隔离措施使北京2020年春节期间大气污染物浓度降低了35.1％-51.8％;其中,背景站氮氧化物和一氧化碳浓度的降幅最大,超过了以往报道较多的交通站...     

2001-2015年中国植被覆盖人为影响的时空格局

基于MODIS-NDVI和气温、降水数据,使用基于变异系数的人为影响模型定量计算了2001-2015年中国植被覆盖人为影响,辅以趋势分析、Hurst指数等方法探讨了中国植被覆盖人为影响的时空变化特征及未来演变趋势。研究发现：① 2001-2015年,中国植被覆盖人为影响由南向北空间分异愈发明显,年均值为-0.0102,植被覆盖在人类活动影响下轻微减少,负影响面积占51.59%,略大于正影响面积。② 中国植被覆盖人为影响年际变化特征明显,整体呈负影响波动减少趋势,降速为0.5%/10a,其中正影响、负影响均呈增大趋势,正影响增速（0.3%/10a）远大于负影响（0.02%/10a）。③ 2001-2015年间,中国植被覆盖人为正影响重心向东北方向移动,负影响重心向西南方向移动,东北部植被覆盖在人为影响下不断改善,西南部人类活动对植被破坏程度不断增大。④ 中国植被覆盖人为影响主要呈负影响减少和正影响增大趋势,面积占比分别为28.14%和25.21%,生态环境趋于改善。⑤ Hurst指数分析表明,中国植被覆盖人为影响未来演变趋势的反向特征强于正向特征,主要呈人为负影响先减少后增大趋势,面积占比15.59%。     

中国碳强度关键影响因子的机器学习识别及其演进

碳强度影响因子数量众多,通过在众多因子中评估其重要性以识别出关键影响因子进而解析碳强度关键因子的变化规律,是中国2030年碳强度能否实现比2005年下降60%~65%目标的科学基础。传统的回归分析方法对于评估众多因子的重要性存在多重共线性等问题,而机器学习处理海量数据则具有较好的稳健性等优点。本文从能源结构、产业结构、技术进步和居民消费等方面选取了56个中国碳强度影响因子指标,采用随机森林算法基于信息熵评估了1980-2014年逐年各项因子的重要性,通过指标数量与信息熵的对应关系统一筛选出每年重要性最大的前22个指标作为相应年度关键影响因子,最终依据关键影响因子的变化趋势划分了3个阶段作了演进分析。结果发现：1980-1991年,碳强度的关键因子主要以高耗能产业规模及占比、化石能源占比和技术进步为主;1992-2007年,中国经济进入快车道增长时期,服务业占比和化石能源价格对碳强度的影响作用开始显现,居民传统消费的影响作用在增大;2008年全球金融危机后,中国进入经济结构深化调整时期,节能减排力度大大增强,新能源占比和居民新兴消费的影响作用迅速显现。为实现2030年碳强度下降60%~65%目标,优化能源结构和产业结构,促进技术进步,提倡绿色消费,强化政策调控是未来需要采取的主要措施。     

基于旅游开发影响的五台山植被景观特征分析

以往旅游对植被影响的评价成果较多,但是旅游影响下植被景观与地理因子之间的关系报道较少。本文利用多种数量生态学方法探讨了五台山旅游开发与植被景观之间的生态关系。结果表明：① 旅游开发影响下五台山植被景观可分为单优乔木区、草本区、差级乔草区、中级乔草区、中级灌草区、良级灌草区、良级乔灌草区、优级乔灌草区、以及寺庙区、商业区或居民区9种类型。② 在除趋势对应分析中,第一轴与所有因子的相关性都较大,第二轴与旅游干扰度和海拔呈显著的负相关性。各植被景观类型的空间分布在一定程度上取决于关键性指标的空间格局。③ 除趋势典范对应分析方法能够大大提高植被景观特征与地理因子间的相关性,并将其直观地表达于排序图中。在植被景观特征与地理因子的关系上,第一轴上的相关系数是0.858_DCCA>0.828_DCA,第二轴上的相关系数是0.583_DCCA>0.501_DCA,这说明除趋势典范对应分析方法更优。     

近15a陕西省植被时空变化与影响因素分析

利用2000—2014年MODIS/NDVI时间序列数据,采用栅格像元趋势分析、稳定性评价的方法,研究了陕西省近15 a植被的时空变化特征和规律;利用Hurst指数对陕西省植被未来变化趋势进行了预测;并利用相关性分析法分析了NDVI与年均温度和降雨量的关系。结果表明,2000年、2015年陕西省NDVI均值分别为0.4273、0.4942, 15 a来增加了0.067,增长了16.0%,其中陕北地区NDVI增加明显,关中部分地区出现负增长,陕南地区NDVI总体依旧维持在较高水平。陕西省植被变化趋势具有明显的空间差异性,全省植被未变化的占52.0 %,改善部分占44.27 %,退化部分占3.73%,说明15 a间陕西省植被覆盖改善面积大于退化面积,植被状况有所改善;其中陕北地区植被呈明显改善区域面积较大,关中地区植被覆盖面积有所减少,陕南地区植被变化幅度较小。陕西省植被稳定区域占50%以上（0 0.2),说明15a间陕西省植被较为稳定,变化程度不大;其中陕西省植被最稳定地区主要集中在陕南、延安南部,榆林部分、西安、渭南少部地区变化幅度较大。Hurst指数分析表明陕西省44.54%面积的植被未来有可能面临退化,主要分布在陕北和关中地区的北部,植被未来有可能退化也有可能改善的面积占49.78%,主要分布在延安和陕南地区。陕西省近15 a气温和降水量总体呈增加趋势,增加速率分别为0.48 ℃·(10 a)-1和69.5 mm ( a)-1;相关性分析结果表明,年均降雨量是影响NDVI的主要气象因子,同时陕西省植被变化也受到了退耕还林还草、防沙治沙、生态政治等人为因素的影响。     

石羊河下游人工梭梭林土壤呼吸变化特征及其与水热因子的关系

土壤呼吸不仅是反映土壤生物活性的重要指标,也是全球碳循环研究中备受关注的热点问题。在地处典型干旱区的石羊河下游,以流动沙丘和去除土壤结皮人工梭梭林为对照,采用LI-8100土壤碳通量监测系统研究了栽植约40 a、30 a、10 a和5 a的人工梭梭林生长季和非生长季的土壤呼吸日变化,并分析了土壤水分和温度对土壤呼吸的影响。结果表明：（1）不同林龄梭梭林生长季和非生长季土壤呼吸速率的日变化均为明显的单峰曲线,且呈现出一定的波动性,日最大排放速率出现在12:00～14:00时,最小值出现在8:00时左右。（2）梭梭林营造和去结皮处理显著提高了沙漠土壤呼吸速率,而且不同林龄土壤呼吸速率大体上随着种植年限的增加而递增,表现为MC >40 a>30 a>10 a>MS >5 a,非生长季表现为MC >40 a>10 a>5 a>30 a>MS。（3）不同林龄梭梭林土壤呼吸速率均具有明显的季节变化特征,生长季（8 月）的土壤呼吸作用明显强于非生长季（1月）。（4）相关性分析表明,生长季和非生长季土壤呼吸均与0～5 cm土壤水分显著相关,且均呈二次曲线关系,分别为Y =-0.205 8X ²+0.946 5X-0.316 6（R ² =0.506 ²,P= 0.041 7）和Y= 0.118 7 X ²+0.156 3X+0.118 8（R ²=0.675 7,P =0.001 1）;但与10 cm土壤温度的相关性不显著,土壤水分是影响人工梭梭林土壤呼吸的关键因素。该研究进一步证明了人工梭梭林的营造有效改善了沙漠土壤的生物活性,提高了土壤碳通量水平,以土壤结皮破坏为基本特征的人工梭梭林退化和沙漠化必然在短期内加剧碳排放。因此,需要在沙漠地区合理营造人工林,并在造林和林业管理过程中注意保护土壤结皮,以减少CO²排放。     

金沙江干热河谷不同植被坡面土壤水分时空分布特征

于2016年7~12月和2017年4月的旱、雨季期间,以金沙江干热河谷苴那小流域内的银合欢（Leucaena Benth）林地、车桑子（Dodonaea angustifolia）灌丛地和扭黄茅（Heteropogon cantortus）草地为研究对象,通过网格法和土钻法采集并测定了（0~100 cm）土层的土壤含水量,应用经典统计法和地统计学方法分析该区域不同林草植被下坡面土壤水分的动态变化特征。结果表明：（1）研究区土壤含水量总体较低,雨季显著大于旱季,旱、雨季均表现为灌丛地>草地>林地,呈中度至强度变异（0.07~0.28之间）。（2）不同林草植被下旱、雨季土壤水分具有相似的空间自相关性,自相关系数均由正向负转变,但由正向负转变的滞后距离有所不同,且雨季大于旱季,呈中等或强等空间自相关性。（3）不同林草植被下的土壤水分空间结构不同,林地、灌丛地和草地旱雨季最佳拟合模型均为球状模型;相同林草植被下各土层旱、雨季土壤水分的空间分布特征相似,但旱季的分布格局差异更显著,不同林草植被下深层土壤水分分布比表层土壤水分的分布更为复杂,土壤水分呈明显的斑块或条带状分布,含水量高值区和低值区位置不固定。总之不同林草植被类型会改变局部地段土壤水分空间分布,降雨会加强这种差异的趋势,但土壤水分仍具一定空间连续性。