排序方式: 共有15条查询结果,搜索用时 15 毫秒
1.
2.
利用1961—2012年江苏省69个地面气象站观测资料和2012年苏州市大气气溶胶观测资料,在对霾日进行判识和筛选的基础上,分析江苏省霾日的时空变化特征及霾与气象条件和污染物的关系。结果表明:1961—2012年江苏省各站年总霾日数均呈上升趋势,85%的台站呈极显著上升趋势;江苏省年平均霾日数呈显著上升趋势,其中2011—2012年呈急剧上升趋势;1980年前霾日的空间分布差异不明显,1980年后,沿江和苏南地区为霾的高发区,东部沿海大部地区霾日较少。霾天气主要发生在冬季和春季,以12月和1月发生最多。降水少和风速小有利于霾天气的发生;除SO2外,PM10、PM2.5和NO2等污染物浓度随着霾等级的增加而增大,其中PM2.5浓度增大明显。 相似文献
3.
江苏省近百年汛期旱涝变化的诊断分析 总被引:8,自引:2,他引:6
本文应用历史气候资料和现代降水记录,对近百年来汛期江苏省各区域各年代进行旱涝诊断分析,采用滑动平均方法探讨其变化趋势,并用最大搞谱方法提取显著周期。得出以下三个比较有意义的结论:(1)近百年来,汛期全省较易发生旱的灾害,20-30年代为旱灾濒发期;(2)淮北地区近年有向早年发展的趋势,江淮之间及苏南地区进入90年代以来向旱年发展的趋势则愈来愈明显;(3)全省具有2-3年、5-6年的旱涝周期。 相似文献
4.
气象预报服务效益评估方法研究——以暴雨预报服务为例 总被引:6,自引:3,他引:3
暴雨是江苏的重要气象灾害之一,为了对暴雨预报气象服务效益作出恰当的评估,我们设计了预报准确率V、预报服务覆盖率P、预报服务时效率N、可能预防能力Z等四个指标,给出了定量评估暴雨预报气象服务效益的数学模型,并且用实例说明了该模型的实用性和可操作性.预报服务覆盖率、预报服务时效和预报准确率与服务效益成正比,各个因子都会很大程度上影响服务效益值.预防能力越强,气象服务的效益越大,这也说明了气象预报只是一种信息,信息价值的体现还在于应用信息群体的决策和防御能力. 相似文献
5.
“气象台站数据分析著录应用系统”由台站数据处理和数据管理组成。数据处理部分依据国家档案标准著录规则[1][2]、中国气象局要求[3][4],并充分考虑台站档案内容的特殊性,对台站档案进行广泛收集,经过筛选、比较、核实、分类、归纳和演绎、分析综合、动态分析、文献计量等方法确定标准著录格式,并完成台站数据著录及著录结果的录入工作。数据管理部分按照气象档案管理要求和用户需求设计相应的功能模块、各类数据库结构,程序全部采用Visual FoxPro6.0关系型管理数据库语言编程,对江苏省所有地面、高空、农气台站数据进行综合管理,设置了数据采集、单站查询、总体统计查询、数据更新、标准输出等5大项功能,较好地满足了现行台站历史沿革数据的管理和应用需求。 相似文献
6.
气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著。为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果。结果表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象。 相似文献
7.
8.
以江苏1961—2020年夏季(6—9月)强降水事件的监测为例,分析评估了多种强降水事件的判定指标,如以百分位法、Gamma分布法和重现期法为代表的频率匹配阈值法及考虑偏离气候态程度的异常度法。结果表明,由于降水事件的区域差异和季节内变化特征,强(极端强)降水事件判定指标的设计应分区域分时段讨论,且能定量反映降水强度大、相对气候态异常显著且发生概率少(极少)的特点。不同判定方法所强调的强(极端强)降水事件的特点不同,如百分位法Type-Ⅱ强调了降水极值的极少发生,异常度法突出反映大幅度偏离气候态的程度。不同指标所确立的阈值大小也存在明显差别,如对于江苏夏季极端强降水事件的判定,百分位法Type-Ⅱ阈值最高,其次是异常度法,分别相当于20、10 a一遇最大降水量,百分位法Type-Ⅲ和Gamma分布法则相当于5 a一遇最大降水量。在与降水相关的服务工作中,不同地区需制定更详细的地方标准来明确强降水事件的定义,增强服务用语的规范性。 相似文献
9.
10.
基于2014—2016年南京市常规气象逐时观测数据、逐日用电量和逐时用电负荷数据,分析南京市用电量变化及其与气象因子的关系。结果表明:南京市用电量7—8月、12月至翌年1月为两个峰值,4月和10月为两个谷值,年变化明显。四季均呈现显著“周末效应”。用电负荷一天内有两个峰值,分别出现在10时和20时;两个谷值,一个谷值冬夏季在04时,另一谷值冬季在14时,夏季在18时。南京市用电量与气象条件的变化密切相关,气象因子与用电量的关系在不同月份有所不同,如夏(秋、冬)季气温日较差越大(小),用电量越大;7月、8月(10月至翌年3月)气温越高(低),用电量越大;冬季用电量受气象要素的影响程度总体低于夏季。冬季用电量主要受气温制约;夏季用电量受气象要素的影响更为复杂,除了气温,还需综合考虑水汽、日照等因子。利用逐步回归法,建立冬、夏季逐月日用电量气象预测方程,方程中入选气象因子的存在明显的月际差异。不同月份分别针对性地考量入选气象因子的预报值,做出用电量预估,可为电力调度提供参考。 相似文献