检索结果-南通市图书馆

成都夏季臭氧光化学反应控制气象因子的概率分布特征

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

生态与农村环境学报 2022年第3期38卷 334-342页

作者：任至涵倪长健花瑞阳杜云松成都信息工程大学大气科学学院四川成都610225 高原大气与环境四川省重点实验室四川成都610225 四川省生态环境监测总站四川成都610091

太阳辐射、气温和相对湿度是O_(3)光化学反应的控制气象因子,其数据分布形态在很大程度上决定了O_(3)的非线性演化进程。采用成都市2016—2019年6—8月O_(3)逐时监测数据,以及该时段同时次地面气象观测资料,基于极大似然估计法进行参数... 详细信息

太阳辐射、气温和相对湿度是O_(3)光化学反应的控制气象因子,其数据分布形态在很大程度上决定了O_(3)的非线性演化进程。采用成都市2016—2019年6—8月O_(3)逐时监测数据,以及该时段同时次地面气象观测资料,基于极大似然估计法进行参数估计,并借助Kolmogorov-Smirnov检验(K-S检验)、均方根误差(RMSE值)、赤池信息准则(AIC值)和贝叶斯信息量(BIC值)分析了多种概率分布函数对O_(3)光化学反应控制气象因子的拟合优度。结果表明:(1)Johnson SB分布函数对研究区太阳辐射和相对湿度的拟合效果最优,不同O_(3)浓度等级条件下太阳辐射和相对湿度均服从Johnson SB分布,且通过显著性水平α=0.05的K-S检验。(2)Johnson SU分布函数对气温的拟合效果最优,不同O_(3)浓度等级条件下气温亦均服从Johnson SU分布,且通过显著性水平α=0.05的K-S检验。(3)太阳辐射、气温和相对湿度的概率分布特征随O_(3)浓度等级变化而呈现显著规律性差异。上述结论为成都地区夏季O_(3)污染潜势模型的构建提供了技术支持。

关键词： O_(3) 光化学反应控制气象因子概率分布成都

长沙地区O_(3)污染潜势广义可加模型的季节分异性

在线全文

学校读者我要写书评

暂无评论

中国环境监测 2023年第5期39卷 125-133页

作者：花瑞阳倪长健李蔚叶成志石荞语成都信息工程大学大气科学学院四川成都610225 长春市气象台吉林长春130051 湖南省气象台湖南长沙410000 中国气象局成都高原气象研究所四川成都610072

基于长沙市2016—2019年臭氧(O_(3))浓度的逐时监测资料以及该时段同时次的气象观测数据,首先利用相关性分析和方差膨胀因子相结合的方法排除了相对湿度、太阳辐射、气温、风速、气压之间存在多重共线性问题,进而构建了春、夏、秋、冬四... 详细信息

基于长沙市2016—2019年臭氧(O_(3))浓度的逐时监测资料以及该时段同时次的气象观测数据,首先利用相关性分析和方差膨胀因子相结合的方法排除了相对湿度、太阳辐射、气温、风速、气压之间存在多重共线性问题,进而构建了春、夏、秋、冬四季O_(3)日最大8 h滑动平均质量浓度(O_(3)-8 h)与上述气象因子的广义可加模型(GAMs),分析了O_(3)污染潜势GAMs模型的季节分异特征。结果表明:(1)春、夏、秋、冬四季O_(3)与相对湿度、太阳辐射、气温、风速、气压各变量之间多呈现出非线性关系(自由度大于1)。(2)春、夏、秋、冬四季多变量GAMs模型方差解释率(IRV)分别为80.7%、60.2%、83.0%、81.4%,调整判定系数R2分别为0.795、0.564、0.819、0.795,即不同季节气象因子在GAMs模型中对O_(3)的解释能力存在显著差异,秋季最好,冬春季次之,夏季最差。(3)相对湿度、太阳辐射、气温是决定春、夏、秋、冬四季O_(3)浓度变化最重要的气象要素,但其重要性排序随季节有所变化,对应的太阳辐射的F统计值分别为140.841、36.606、14.16、46.377,相对湿度的F统计值分别为3.291、4.158、15.82、8.105,气温的F统计值分别为7.030、2.113、15.79、3.340。该结论揭示了气象因子对O_(3)演化影响的复杂性,并为后续O_(3)污染潜势的预报奠定了基础。

关键词：臭氧污染潜势 GAMs模型季节分异性

成都O_(3)逐日污染潜势关键时段优选的GAM模型

在线全文

学校读者我要写书评

暂无评论

中国环境科学 2021年第11期41卷 5079-5085页

利用成都市2016~2018年O_(3)逐时监测数据以及该时段同时次的地面气象观测资料,通过对O_(3)日变化特征的分析,确定了表征研究区O_(3)逐日污染潜势的四个关键时段,即全天时段(00:00~24:00)、日间时段(05:00~20:00)、O_(3)超标时段(11:00~... 详细信息

利用成都市2016~2018年O_(3)逐时监测数据以及该时段同时次的地面气象观测资料,通过对O_(3)日变化特征的分析,确定了表征研究区O_(3)逐日污染潜势的四个关键时段,即全天时段(00:00~24:00)、日间时段(05:00~20:00)、O_(3)超标时段(11:00~19:00)以及O_(3)峰值时段(15:00~16:00).基于广义可加模型(Generalized Additive Model,GAM)分别构建了O_(3)日最大8h滑动平均浓度(O_(3-8h))与上述四个时段气象要素之间的函数关系,分析了时间尺度变化对O_(3)逐日污染潜势的影响.结果表明:GAM模型可以很好地表征O_(3-8h)与不同时段多气象要素之间的非线性关系.O_(3)超标时段气象要素对O_(3)逐日污染潜势具有最佳的指示意义,对应GAM模型的调整判定系数R^(2)和方差解释率IRV分别为0.81和81.4%,模型模拟值与观测值的压轴回归决定系数R^(2)为0.805.太阳辐射、相对湿度和气温是决定O_(3)逐日污染潜势最重要的气象要素,但三者在GAM模型中的重要性排序会因时间尺度的变化而有所差异.

关键词：臭氧逐日污染潜势关键时段 GAM模型成都

2016—2019年长沙市O_(3)浓度变化特征及其影响因子分析

在线全文

学校读者我要写书评

暂无评论

气象与环境学报 2023年第2期39卷 44-52页

作者：花瑞阳李蔚叶成志倪长健成都信息工程大学大气科学学院高原大气与环境四川省重点实验室四川成都610225 湖南省气象台湖南长沙410000

利用2016—2019年长沙市O_(3)、NO_(2)和CO逐时监测数据以及同期气象要素观测资料,分析O_(3)浓度的时空分布特征及气象因子对O_(3)浓度的影响。结果表明:2016—2019年长沙市O_(3)日最大8 h滑动平均浓度各年平均值分别为(52.81±26.61)μ... 详细信息

利用2016—2019年长沙市O_(3)、NO_(2)和CO逐时监测数据以及同期气象要素观测资料,分析O_(3)浓度的时空分布特征及气象因子对O_(3)浓度的影响。结果表明:2016—2019年长沙市O_(3)日最大8 h滑动平均浓度各年平均值分别为(52.81±26.61)μg·m^(-3)、(55.89±25.42)μg·m^(-3)、(61.74±29.56)μg·m^(-3)和(60.77±31.68)μg·m^(-3),呈逐年升高趋势。夏季O_(3)浓度最高(均值为74.56μg·m^(-3)),冬季O_(3)浓度最低(均值为33.64μg·m^(-3))。O_(3)浓度日变化呈显著的单峰特征,峰值出现在16时左右,超标时段为12—18时。2016—2019年长沙市O_(3)浓度空间分布非均匀性表现为城区外围站点大于市中心站点,其中冬季非均匀性最大(不均匀度为0.12),夏季非均匀性最小(不均匀度为0.04)。长沙市城区O_(3)浓度与温度、太阳辐射呈正相关(相关系数分别为0.61、0.65),与相对湿度、NO_(2)和CO呈负相关(相关系数分别为-0.42、-0.35、-0.27)。

关键词： O_(3)浓度气象因子广义相加模型

在线全文

学校读者我要写书评

暂无评论

长沙市近地面臭氧污染天气形势的客观分型

生态与农村环境学报 2021年第11期37卷 1386-1393页

作者：杨萌花瑞阳李蔚叶成志倪长健成都信息工程大学大气科学学院四川成都610225 高原大气与环境四川省重点实验室四川成都610225 湖南省气象台湖南长沙410000

天气分型是近地面臭氧(O_(3))空气污染潜势研究的基础,是夏季大气环境管理的关键技术支撑。基于2016—2018年ERA-interim再分析资料,以及同期长沙市O_(3)逐时监测资料和地面常规气象观测资料,采用PCT(principal component analysis in T... 详细信息

天气分型是近地面臭氧(O_(3))空气污染潜势研究的基础,是夏季大气环境管理的关键技术支撑。基于2016—2018年ERA-interim再分析资料,以及同期长沙市O_(3)逐时监测资料和地面常规气象观测资料,采用PCT(principal component analysis in T-mode)客观分型方法将长沙市海平面气压场分为均压场型(T1)、高压底部型(T2)、高压边缘型(T3)、高压西侧型(T4)、高压后部型(T5)和两高切变型(T6)6种天气型。针对不同天气型下O_(3)超标率的进一步分析指出,T1、T4和T6型为O_(3)污染型天气类型,对应O_(3)超标率分别为20.39%、8.59%和8.40%。在污染型天气类型下,气象要素均表现为辐射强、气温高和相对湿度低,有利于本地O_(3)的光化学生成。长沙地区O_(3)污染不仅源于本地O_(3)的光化学生成,还可能与西北方城市O_(3)及其前体物的输送效应密切相关。

关键词： O_(3)污染客观天气分型 PCT 气象要素长沙

2018年8月2日~4日海东暴雨天气过程分析

在线全文

学校读者我要写书评

暂无评论

自然科学 2020年第4期8卷 319-333页

作者：赵海玲毛文书花瑞阳成都信息工程大学大气科学学院四川成都

2018年8月2日~4日,受西亚大槽分裂的短波槽影响,青海东部出现了一次大降水天气过程,此次降水过程持续时间较长,降水强度以及总降水量都属历史同期罕见。利用MICAPS实时观测资料和NCEP再分析资料(2.5˚ ×2.5˚)对本次降水过程的降水实况,... 详细信息

2018年8月2日~4日,受西亚大槽分裂的短波槽影响,青海东部出现了一次大降水天气过程,此次降水过程持续时间较长,降水强度以及总降水量都属历史同期罕见。利用MICAPS实时观测资料和NCEP再分析资料(2.5˚ ×2.5˚)对本次降水过程的降水实况,天气环流形势,水汽条件,动力条件,不稳定条件和卫星云图等几方面进行分析。结果表明:本次降水过程主要受青海北部西亚大槽分裂的短波槽以及青海出现的低涡及切变线等天气系统的影响,是典型的北槽南涡型大降水天气;暴雨过程的水汽输送主要分为两路,一路是从孟加拉湾和南海途经四川盆地到青海东部,另一路是从东海向东直接输送到青海。输送来的大量水汽在低层辐合并向上输送,形成深厚的湿层,为暴雨的发生提供水汽条件。低空辐合,高空辐散以及从低空到高空的垂直上升运动为暴雨的发生发展提供了动力条件;低层中西亚大槽断裂的短波槽携带的槽后干冷空气和西太平洋副热带高压西南侧输送的偏南暖湿气流交汇,大气处于不稳定的状态;β中尺度对流云团在700 hPa切变线附近发展,表明此次降水过程有中小尺度系统的参与。

关键词：海东暴雨槽低涡

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

吉林省冬季极端低温变化特征

自然科学 2020年第6期8卷 521-536页

作者：花瑞阳毛文书赵海玲成都信息工程大学大气科学学院四川成都

为研究吉林冬季极端低温的变化规律,利用吉林省15个气象观测站1970~2009年逐日平均、日最高气温及日最低气温观测资料,采用气候变化检监测与指数专家组(ETCCDI)推荐的极端低温指数方法,计算出寒潮持续日数、冷昼日数、冷夜日数、霜冻日... 详细信息

为研究吉林冬季极端低温的变化规律,利用吉林省15个气象观测站1970~2009年逐日平均、日最高气温及日最低气温观测资料,采用气候变化检监测与指数专家组(ETCCDI)推荐的极端低温指数方法,计算出寒潮持续日数、冷昼日数、冷夜日数、霜冻日数、结冰日数、月最低气温极大值和月最低气温极小值等7个极端低温指数的年际序列。应用线性倾向估计法、Mann-Kendall检验和小波分析等方法分析了1970~2009年吉林省冬季极端低温变化特征。结果表明,空间上霜冻日数和结冰日数都从南到北呈递减趋势,冷夜日数、寒潮持续日数的高值区和月最低气温极小值低值区都在白山市、柳河一带,最低气温极大值又从北向西南成递增趋势,符合南暖背冷的特点;时间演变特征表现为:结冰日数、冷夜日数、冷昼日数、寒潮持续日数都分别以1.7 d/10a、1.9 d/10a、0.9 d/10a、0.2 d/10a显著下降,月最低气温极大值和月最低气温极小值以0.6℃/10a、0.8℃/10a显著上升;极端指数的突变基本发生在20世纪80年代到90左右;各极端指数1970~2009年时间尺度周期变化都显著集中在20~24a。

关键词：吉林省极端指数空间分布 M-K检验

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

水位涨落时钓鱼的技巧

老友 2010年第7期 44-44页

作者：花瑞阳

夏秋季节,河道的水位常常会出现暴涨和骤降的现象。在这种情况下,对钓鱼影响最大的来自于水位的变化,因而钓点的选择至关重要。首先是高水位时的选点问题。水边大多有野生芦苇、蒲草等。

关键词：夏秋季节钓鱼水位下降鱼类高水位河道涨水芦苇枯水期水位涨落

Multi-GAT:基于多度量衡构建图的故障诊断方法

在线全文

学校读者我要写书评

暂无评论

控制理论与应用 2024年第5期41卷 931-940页

作者：曹洁陈泽阳王进花兰州理工大学计算机与通信学院甘肃兰州730050 兰州城市学院信息工程学院甘肃兰州730050 兰州理工大学电气工程与信息工程学院甘肃兰州730050

基于图神经网络的故障诊断方法,通常需要根据度量衡确定样本之间的相似性,进而构建图的拓扑结构.然而,根据单一度量衡可能无法准确衡量数据样本之间的相似性,进而导致无法准确表征样本之间的关系.因此,选用不同的度量衡会极大地影响图... 详细信息

基于图神经网络的故障诊断方法,通常需要根据度量衡确定样本之间的相似性,进而构建图的拓扑结构.然而,根据单一度量衡可能无法准确衡量数据样本之间的相似性,进而导致无法准确表征样本之间的关系.因此,选用不同的度量衡会极大地影响图神经网络的诊断性能.为了解决通过单一度量衡无法准确表征数据样本之间相关性的问题,本文提出了一种基于多度量衡构造图的故障诊断模型——Multi-GAT.通过结合3种度量衡的计算结果,从而判断数据样本之间相关性的强弱.本文改进了图注意力网络的评分函数,使其能够依据样本之间相关性的强弱更准确地确定数据样本之间的相似性.在本文基准数据集上的实验表明, Multi-GAT能够提升模型的诊断精度,且拥有较好的稳定性.

关键词：图卷积神经网络故障诊断图注意力机制深度学习

维普期刊数据库博看期刊