排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
利用揭西县8个大气负氧离子自动监测站数据,对揭西县大气负氧离子浓度空间分布与时间变化特征进行分析。结果表明:揭西县大气负氧离子资源十分丰富,负氧离子浓度呈现从西往东、从北往南逐渐增加的趋势,东部生态区负氧离子浓度普遍较高,年平均浓度基本超过1 000 cm~(-3),全县年平均为1 609 cm~(-3),揭西县坪上镇石内村最高,高达2 609.1 cm~(-3)。在居住区,一天之中负氧离子浓度在清晨前后最高,并有夜间高、白天低的变化规律;在生态区,负氧离子浓度有白天高、夜间低的变化规律,且最高浓度出现在上午。揭西县京溪园镇粗坑村夏季正午负氧离子浓度最高,有明显的年变化波动,1月负氧离子浓度最高,达2 728 cm~(-3)。大北山森林公园冬季午后负氧离子最盛,年变化波动较小,12月负氧离子浓度最高,8、9月负氧离子浓度处于较低水平。 相似文献
2.
3.
基于2012—2019年自动站雷暴大风观测实况和对应雷达回波,利用传统机器学习方法(决策树)和深度学习方法(CNN、YOLO)等三种机器学习方法分别建立雷暴大风自动识别模型。根据广东雷暴大风回波特征,选取50 dBZ高度、反射率因子强度梯度等5个回波参量作为决策树的特征因子;将1~9 km高度的雷达回波分为11层,作为YOLOv3的输入层,使其由原3个特征层扩展到11层,训练优化后的YOLOv3可更合理刻画雷暴大风的空间结构特征。经批量测试和业务试运行试验,检验结果表明:三种模型中基于决策树的模型虚警最高,基于CNN的模型漏报最多,基于YOLO的模型识别效果最好,其POD和CSI均最高。通过对广东2020年汛期5次系统性和5次局地性雷暴大风过程进行分类型自动识别效果评估,并选取任意天气下长达30天连续时段进行不间断识别检验,结果表明该算法对于不同类型的雷暴大风均有较好的识别能力,具备业务化应用前景。 相似文献
4.
利用MODIS地表温度数据,计算城市热岛强度指数,分析近15年广州市城市热岛的时空分布特征及演变规律,并结合气象观测数据、社会统计数据定性分析其主要影响因素。结果表明:广州市城市热岛的空间分布受地形地貌影响明显,负热岛区主要分布于森林密集的北部山区,无热岛区主要分布于中部低山丘陵区域,热岛区主要分布于高度城市化的中南部平原区。关于城市热岛的日变化规律,白天热岛区、负热岛区面积均小于夜间,但白天热岛区强度、负热岛区强度大于夜间。关于城市热岛的季节变化规律,冬季热岛区面积最大,热岛强度最小,夏季热岛区面积最小,热岛强度最大;冬季负热岛区面积最小,负热岛强度最小,夏季负热岛区面积最大,负热岛强度最大。对于城市热岛的年际变化规律,近15年来广州市的热岛区、负热岛区占全市总面积的百分比呈上升趋势,无热岛区所占百分比呈下降趋势,人为热排放在城市中心区域的持续增长,加上区内建筑物密度大、植被覆盖度低,导致了热岛区的增加,而北部山区至中部丘陵山区的植被的持续好转,加上地理特征限制了该区域的城市化发展,导致了负热岛区的增加。 相似文献
1