湘西北一次大暴雨过程中尺度结构特征分析

利用常规观测资料、区域自动气象站资料、多普勒雷达资料、美国GFS及LAPS分析资料,对2012年6月下旬发生在湘西北的大暴雨过程的成因以及β中尺度系统的三维动力热力结构特征进行了分析,结果表明:此次过程属于典型的湖南盛夏低涡切变型暴雨过程,地面降水在时空分布上具有明显的中尺度特征。低空急流加强北推不但有利于水汽和不稳定能量向暴雨区的输送,也是β中尺度低涡发生发展和垂直上升运动加强的主要原因。地面中尺度辐合线的维持和地形的阻挡有利于暖湿气流的抬升,而上升的暖湿空气在中高层凝结释放潜热,对上升运动起到正反馈作用。产生暴雨的β中尺度系统具有明显的动力、热力结构特征。在暴雨发展的最强阶段,β中尺度系统的四周各有一个垂直环流圈,其中南北两侧的下沉补偿气流向暴雨区的分支不但有利于水汽和不稳定能量的输送,也加强了暴雨区低层的辐合;东西两侧下沉补偿气流向暴雨区的分支加强了暴雨区气流的气旋性弯曲,更进一步加强了β中尺度系统的辐合;基于上述研究成果,提炼了此次低涡切变线暴雨的三维物理结构示意图。      

条件非线性最优扰动方法在台风“风神”和“凤凰”相互作用过程中的应用研究

利用条件非线性最优扰动(CNOP)方法,对2002年发生在西太平洋上的台风“风神”和“凤凰”之间的相互作用进行研究。CNOP方法可揭示出“风神”对“凤凰”单向引导作用的过程,表现为若将“凤凰”所在区域作为验证区域,用CNOP方法识别的敏感区主要位于“风神”所在区域,呈现出环绕“风神”的半环状结构;若将“风神”所在区域作为验证区域,则CNOP方法所识别的敏感区主要位于“风神”与副高交界的地方,远离“凤凰”所在的区域,可见,“风神”主要受副高的影响。敏感性试验表明,CNOP所识别的敏感区内误差的发展要大于台风中心周围区域内初始误差的发展,且在全场误差的发展中占有较大的比重,说明CNOP所识别的敏感区对验证区域的预报有较大的影响。      

条件非线性最优扰动在南海台风中的应用研究

为了提高南海台风的数值预报,利用条件非线性最优扰动(CNOP)方法寻找对南海台风预报影响最大的区域(敏感区),并对该区域中会导致较大预报误差的初始扰动场进行了详细地分析.对两个南海台风个例地研究发现,CNOP的风场和温度场结构在各σ层上不完全一致.计算了CNOP各σ层上的干能量,并在垂直方向上做了积分,将积分后的能量大值区确定为敏感区.进一步对敏感区内温度场的垂直剖面进行分析,发现敏感区内,温度场呈现一定的斜压结构.研究还发现,敏感区与台风的对流活动区域不完全重合,这有利于台风适应性观测地实施.     

2019年湖南一次重污染天气过程成因分析

2019年12月12—17日,湖南省出现了一次首要污染物为PM2.5的持续时间长、影响范围大的重污染过程。本文综合应用湖南省环境监测站发布的AQI、逐小时主要污染物浓度和各类气象观测数据资料等,选取长沙为代表站,深入探究本次重污染天气过程气象条件、边界层演变特征等,并探讨污染物的来源和外来源气团移动路径。结果表明:此过程为输入叠加本地的复合型污染,污染积累阶段的弱冷空气打通了污染传输通道,有利于北方污染物南下,污染爆发阶段主要是本地静稳天气叠加上游外来源造成,污染清除阶段湖南地区地面主要是受较强冷空气影响,风力加大,污染物迅速稀释扩散,近地面逆温的存在是此次污染持续并爆发的重要条件。后向轨迹表明,此次重污染天气过程是外来源和本地源共同叠加的结果。     

湖南一次强降水天气过程分析

综合运用常规、非常规加密观测资料、风云卫星资料和1°×1°的NCEP/NCAR再分析资料,对2019年主汛期湖南一次强降雨过程进行分析及成因探讨。结果表明:此次降雨过程影响系统复杂多变,由暖区暴雨、中层冷平流入侵暴雨、锋面暴雨组成,冷空气入侵时降雨效率最高,小时雨强与累计降雨达到最强;副高明显偏强,较历年同期偏西24个经度,其边缘多短波槽活动,高空冷涡活动明显,冷涡与冷槽同位相叠加,槽底往南发展至30°N以南,其后部偏北气流引导冷空气渗透南下与副高边缘西南气流交绥,是持续强降水的大尺度环流背景;中小尺度系统活动频繁,多个中尺度对流复合体(MCC)发展合并,直接造成暴雨天气;雷达回波图可看出低质心降水的特征,降雨效率高;强降水发生时散度场空间分布和垂直速度对应较好,强上升中心与无辐散层相对明显。     

近40年长沙地区雷暴天气的气候特征分析

本文利用长沙区域4个气象站1971~2010年40年观测资料,研究了本区域雷暴的气候变化特征。研究结果表明:长沙区域雷暴日数呈东西山区多,中部平原少的空间分布特征,长沙东部和西部的浏阳、宁乡分别为最高和次高发区,年平均雷暴日数分别达62天和53天,而中部地区的马坡岭年平均雷暴日仅39天。在月变化特征上,长沙区域的雷暴主要出现在2~9月,且呈现出典型的双峰型结构,雷暴最多的月份分别出现在4月和8月。在6~9月,浏阳的雷暴日数要明显大于宁乡、望城和马坡岭的雷暴日数,而在其它月,4个观测站的雷暴日数相差不大。在日变化特征上,长沙区域4个测站的雷暴主要出现在午后到傍晚的时段其中以15~17时最多,在13~18时,浏阳的雷暴次数要比另外3个测站雷暴次数明显偏多。1971~2010年长沙区域4个测站的年雷暴日数均呈现出减少的趋势,其中以浏阳的减少趋势最为明显,2000年以后长沙区域4个测站的初雷日略有推迟,而终雷日明显提前。发生雷暴时,宁乡站对K指数及SI指数所代表的不稳定能量较其它3站略高。      

县级土地利用建库流程及方法研究

以南大港管理区为例,介绍了县级土地利用现状数据库的建库流程、一般方法及注意问题,并结合实践总结了自己的一些体会。     

Fourier频率域随机谱隐秘信息加载与增量补偿系统

提出一种基于光学原理的Fourier频率域随机谱隐秘信息加载与增量补偿系统,并给出一种隐秘信息的加载方式,可实现光学图像信息隐藏.宿主图像经过随机相位调制后进行Fourier变换得到频率域的随机谱,在此随机谱上加载隐秘信息,同时,系统对由隐秘信息的加入所产生的影响进行补偿.利用该系统所得到的载体图像未经正确的密钥-随机相位-调制时,隐秘信息将弥散在载体图像的Fourier频率域空间,具有较好的不可检测性.此外,即使攻击者知道隐秘信息的存在甚至知道隐藏方法,但在不知道密钥的情况下,依然无法破解隐秘信息的内容     

IR-MAD算法的遥感影像变化检测方法研究

变化检测技术是遥感图像处理的研究热点之一。针对目前多元变化检测方法不能有效地去除波段间相关性且检测结果对噪声敏感等问题,在深入研究迭代加权多元变化检测算法原理的基础上对黄河入海口区域的Landsat影像进行变化检测试验,选择了变化剧烈的黄河河道进行精度评价。其中迭代加权多元变化检测方法检测精度高达76.8%,直接相减法精度为50.5%,主成分分析法精度为13.2%,与这两种传统检测算法相比具有明显的提高。研究表明,IR-MAD算法能够有效地去除噪声和去相关,且检测精度高,同时也具有人工干预少、执行效率高等显著优点。     

THE APPLICATION OF CONDITIONAL NONLINEAR OPTIMAL PERTURBATION TO THE BINARY TYPHOONS INTERACTION —FENGSHEN AND FUNG-WONG

The interaction between the typhoons Fengshen and Fung-wong over the Western Pacific in 2002 is studied with the Conditional Nonlinear Optimal Perturbation (CNOP) method. The study discovered that the CNOP method reveals the process of one-way interaction between Fengshen and Fung-wong. Moreover, if the region of Fung-wong was selected for verification, the sensitivity area was mainly located in the region of Fengshen and presented a half-ring structure; if the region of Fengshen was selected for verification, most of the sensitivity areas were located in the region between the Fengshen and the subtropical high, far away from Fung-wong. This indicated that Fung-wong is mainly steered by Fengshen, but Fengshen is mainly affected by the subtropical high. The sensitivity experiment showed that the initial errors in the CNOP-identified sensitive areas have larger impacts on the verification-area prediction than those near the typhoon center and their developments take a large proportion in the whole domain. This suggests that the CNOP-identified sensitive areas do have large influence on the verification-area prediction.