基于云水资源积分推导公式,选取50年的气象站资料研究三江源地区(the Three River Headwaters Region,TRHR)云量与降水时空演变规律及其统计关系,并对降水效率(Precipitation Efficiency,PE)时空特征深入分析,挖掘人工增雨试验潜力.结...基于云水资源积分推导公式,选取50年的气象站资料研究三江源地区(the Three River Headwaters Region,TRHR)云量与降水时空演变规律及其统计关系,并对降水效率(Precipitation Efficiency,PE)时空特征深入分析,挖掘人工增雨试验潜力.结果表明:①总、低云量分别以长江源区的治多、清水河为高值中心向西呈"经向型"分布,向东呈"纬向型"分布.低云量与降水量呈增加趋势且通过了α=0.005显著性检验,总云量呈减少趋势并通过了α=0.01显著性检验;②各源区总、低云量与降水的突变年份不同步.降水年际波动较云量变化大且低云与降水相关性较好.低云量随总云量增加而增加,当总云量增加1.7%时,低云量将增加1%,同期降水增加10mm,年降雨频率最高出现在400mm;③TRHR多年PE空间分布与降水、云量一致,整体表现出自东南向西北方向递减空间分布,PE高、低值区分布在34°N以南和34°N以北.④TRHR多年平均PE为40.3%且增幅变化不大,长江源区西部和黄河源区东北部增雨潜力(Precipitation Enhancement Potential,PEP)最大,最佳开发时间在3~4月和10~11月.展开更多
研究2017—2019年北京市大气细颗粒物(PM_(2.5))的时空分布特征,并探讨降水过程对PM_(2.5)的湿清除作用。结果表明:(1)研究期间北京市PM_(2.5)逐年下降,2019年(41.79μg/m^(3))达到最低;冬、春季更易出现严重污染,其中冬季更易发生PM_(2...研究2017—2019年北京市大气细颗粒物(PM_(2.5))的时空分布特征,并探讨降水过程对PM_(2.5)的湿清除作用。结果表明:(1)研究期间北京市PM_(2.5)逐年下降,2019年(41.79μg/m^(3))达到最低;冬、春季更易出现严重污染,其中冬季更易发生PM_(2.5)污染。(2)北京市PM_(2.5)浓度呈现南部>北部的空间分布特征,其中南部郊区站点污染最严重。(3)影响PM_(2.5)湿清除的首要因素是降水前3 h PM_(2.5)浓度,其次是过程累积降水量和最大小时降水量。降水前3 h PM_(2.5)质量浓度为>75~115μg/m^(3)、过程累积降水量为>25~50 mm、最大小时降水量为>10~25 mm时的降水过程对PM_(2.5)湿清除效果最佳。降水持续时间对PM_(2.5)湿清除的影响相对最低且为负影响。展开更多
利用1967—2009年的逐月海表温度(Sea Surface Temperature,SST)资料和降水资料,以及经验正交函数(Empirical Orthogonal Function,EOF)和相关分析方法,探讨了亚印太交汇区(Joining Area of Asia and Indian-Pacific Ocean,AIPO)SST的...利用1967—2009年的逐月海表温度(Sea Surface Temperature,SST)资料和降水资料,以及经验正交函数(Empirical Orthogonal Function,EOF)和相关分析方法,探讨了亚印太交汇区(Joining Area of Asia and Indian-Pacific Ocean,AIPO)SST的时空分布及其对中国降水的影响。结果表明:海表温度EOF分析第1主分量(即EOF1)的空间分布在整个AIPO区为均一分布,时间系数呈现出明显的年代际变化特征。在年代际尺度上,当AIPO区的SST升高后,北太平洋地区SST开始降低,在11个月后达到最低。另外,AIPO区的SST升高会使南海季风区和东亚季风区的降水增加,使青藏高原西部降水减少。第2主分量(即EOF2)的空间分布在西太平洋基本与东印度洋(包括南海地区)为反相变化,时间系数呈现出明显的2 a和4～5 a为主的年际振荡周期。当Ni o 3.4区SST出现正异常后4个月左右,东印度洋地区有SST正异常,而西太平洋地区有SST负异常。西太平洋地区的SST升高及东印度洋地区的SST降低将导致西北太平洋地区降水增加,东北和华北地区降水减少。而且,AIPO区SST第二模态影响华北和东北的降水要比西北太平洋地区至少超前3个月。展开更多
文摘基于云水资源积分推导公式,选取50年的气象站资料研究三江源地区(the Three River Headwaters Region,TRHR)云量与降水时空演变规律及其统计关系,并对降水效率(Precipitation Efficiency,PE)时空特征深入分析,挖掘人工增雨试验潜力.结果表明:①总、低云量分别以长江源区的治多、清水河为高值中心向西呈"经向型"分布,向东呈"纬向型"分布.低云量与降水量呈增加趋势且通过了α=0.005显著性检验,总云量呈减少趋势并通过了α=0.01显著性检验;②各源区总、低云量与降水的突变年份不同步.降水年际波动较云量变化大且低云与降水相关性较好.低云量随总云量增加而增加,当总云量增加1.7%时,低云量将增加1%,同期降水增加10mm,年降雨频率最高出现在400mm;③TRHR多年PE空间分布与降水、云量一致,整体表现出自东南向西北方向递减空间分布,PE高、低值区分布在34°N以南和34°N以北.④TRHR多年平均PE为40.3%且增幅变化不大,长江源区西部和黄河源区东北部增雨潜力(Precipitation Enhancement Potential,PEP)最大,最佳开发时间在3~4月和10~11月.
文摘研究2017—2019年北京市大气细颗粒物(PM_(2.5))的时空分布特征,并探讨降水过程对PM_(2.5)的湿清除作用。结果表明:(1)研究期间北京市PM_(2.5)逐年下降,2019年(41.79μg/m^(3))达到最低;冬、春季更易出现严重污染,其中冬季更易发生PM_(2.5)污染。(2)北京市PM_(2.5)浓度呈现南部>北部的空间分布特征,其中南部郊区站点污染最严重。(3)影响PM_(2.5)湿清除的首要因素是降水前3 h PM_(2.5)浓度,其次是过程累积降水量和最大小时降水量。降水前3 h PM_(2.5)质量浓度为>75~115μg/m^(3)、过程累积降水量为>25~50 mm、最大小时降水量为>10~25 mm时的降水过程对PM_(2.5)湿清除效果最佳。降水持续时间对PM_(2.5)湿清除的影响相对最低且为负影响。
文摘利用1967—2009年的逐月海表温度(Sea Surface Temperature,SST)资料和降水资料,以及经验正交函数(Empirical Orthogonal Function,EOF)和相关分析方法,探讨了亚印太交汇区(Joining Area of Asia and Indian-Pacific Ocean,AIPO)SST的时空分布及其对中国降水的影响。结果表明:海表温度EOF分析第1主分量(即EOF1)的空间分布在整个AIPO区为均一分布,时间系数呈现出明显的年代际变化特征。在年代际尺度上,当AIPO区的SST升高后,北太平洋地区SST开始降低,在11个月后达到最低。另外,AIPO区的SST升高会使南海季风区和东亚季风区的降水增加,使青藏高原西部降水减少。第2主分量(即EOF2)的空间分布在西太平洋基本与东印度洋(包括南海地区)为反相变化,时间系数呈现出明显的2 a和4～5 a为主的年际振荡周期。当Ni o 3.4区SST出现正异常后4个月左右,东印度洋地区有SST正异常,而西太平洋地区有SST负异常。西太平洋地区的SST升高及东印度洋地区的SST降低将导致西北太平洋地区降水增加,东北和华北地区降水减少。而且,AIPO区SST第二模态影响华北和东北的降水要比西北太平洋地区至少超前3个月。
