北京浅山区绿色空间及生态环境质量变化研究

北京浅山区作为首都重要的生态源地和生态屏障,承载着带动山区经济发展和城市可持续发展的任务。研究北京浅山区绿色空间结构,可为推动浅山区绿化建设提供参考,以改善浅山区生态环境质量。以北京浅山区为研究区,基于面向对象分类方法,提取北京浅山区2015—2021年的绿色空间,分析其分布和变化特征,并探讨绿色空间变化对水土流失的改善效果及对生态环境质量的影响。结果表明:北京浅山区2015—2021年绿色空间面积总体呈现增加趋势,面积增加了8.00%,共增加了30867.39 hm^(2);2015—2021年北京浅山区水土流失状况改善明显,绿色空间面积的增加对水土流失的改善具有较大贡献;2015—2021年北京浅山区绿色空间面积的增加使得2021年的浅山区生态环境质量总体呈现较好状态,生态环境质量评价等级为好的地区面积增加63877.19 hm^(2),2021年北京浅山区生态环境质量远远高于2015年。

太湖流域降水量变化及其与组合大气环流的关系

【目的】探明太湖流域降水量变化及与大气环流的多尺度效应。【方法】采用Mann Kendall(MK)、Modified Mann Kendall(MMK)趋势检验法以及小波相干分析(Wavelet Coherence,WTC)、多小波相干分析(Multiple Wavelet Coherence,MWC),对太湖流域1960—2020年30个气象站的降水量变化及其与单个和组合大气环流因子的多尺度振荡关系进行分析。【结果】①MMK及MK的趋势值在年尺度降水量及季节尺度降水量的空间分布相似,但显著性存在差异。年降水量上升趋势最大,而冬季降水量上升趋势最小。MMK可以检测出MK无法检测出的显著性,尤其是对于春季降水量。②WTC分析结果表明,太湖流域降水量与大气环流因子具有复杂的非线性关系,不同时域具有明显差异。③从单要素来看,EASM是太湖流域最具影响力的遥相关;在多要素组合中,Prep-AO-PDO-ENSO-EASM-DMI组合对流域降水量影响最大。【结论】单独的主导遥相关并不能很好地解释降水量与大气环流的关系,具有最高显著功率数百分比(POSP)的大气环流组合可作为解释降水量变化的最佳组合。

基于GIS的洪涝灾害风险评估及区划——以浙江省为例

以自然灾害风险评估理论和方法为指导,气象数据、基础地理信息数据、社会经济数据为基础数据,构建浙江省洪涝灾害评估指标体系,采用层次分析法及综合法建立洪涝灾害风险评估模型;借助GIS技术,计算浙江省洪涝灾害孕灾环境敏感性、致灾因子危险性、承灾体暴露性、防灾减灾能力以及综合风险指数,并对浙江省洪涝灾害进行风险区划。采用相关性分析法将浙江省洪涝灾害风险结果与浙江历史洪涝灾情数据进行对比验证,研究结果表明,浙江省洪涝风险分布与洪涝灾情损失的空间分析基本吻合,东部沿海地区及西部部分地区风险性较高,西北地区风险性较低。

基于小波变换的长江中下游地区极端降水与大气环流响应关系研究

在气候变暖背景下,探讨极端降水对大气环流的响应规律,对区域洪涝灾害防护以及科学管理极为重要。基于长江中下游地区435个气象站点1980-2018年的日降水数据,以连续小波变换为基础,采用交叉小波变换与小波相干方法分析了长江中下游地区近40年来极端降水指数以及大气环流指数的振荡周期特征及其之间在时频域中的共同特征和相关关系。结果表明:极端降水指数均存在多尺度周期性震荡,这些指标的周期性震荡趋向于高时频尺度,这意味着从1980年到2018年,极端降水各个指标“增加-减少”变化更加频繁;大气环流指数在20世纪80年代中期至90年代中期均出现显著周期;大气环流指数与极端降水之间的相互影响主要体现在年际尺度上,不同时域中存在明显差异,但是EASM与PDO在高能量谱区对长江中下游地区极端降水的影响较弱,IOD在低能量谱区对极端降水指数影响较弱。

中国三大城市群PM_(2.5)浓度非线性变化分析

以三大城市群为研究区,基于PM_(2.5)浓度数据,利用ITA和Beast方法定量分析PM_(2.5)时间序列的非线性变化过程.结果表明:①三大城市群PM_(2.5)污染程度下降明显,高浓度区域明显缩小;PM_(2.5)浓度空间极化程度降低,空间差异缩小.大多数地区的PM_(2.5)浓度都具有下降的趋势,但变化程度并不相同.京津冀PM_(2.5)浓度相较于长三角和珠三角,仍处于较高水平.②三大城市群PM_(2.5)浓度具有冬春季高、夏秋季低的季节变化特征.冬季与夏季PM_(2.5)浓度差异明显,PM_(2.5)浓度在夏季的收敛性大于冬季.PM_(2.5)浓度高的区域下降趋势明显,但珠三角的PM_(2.5)浓度下降趋势相较于长三角和京津冀不明显.③三大城市群PM_(2.5)浓度时间序列均具有显著下降趋势,且京津冀>长三角>珠三角;PM_(2.5)浓度在冬季下降趋势最大.PM_(2.5)污染等级越高,下降趋势越明显.④京津冀PM_(2.5)浓度时间序列趋势分量具有两个突变点,季节分量中具有一个突变点;长三角PM_(2.5)浓度时间序列的趋势分量和季节分量均无突变点;珠三角PM_(2.5)浓度时间序列的季节分量无突变点,趋势分量具有一个突变点.结果可为区域空气污染治理相关工作的开展提供科学的参考.

长三角城市群PM_(2.5)时空变化和影响因素分析

为协调经济发展与环境污染之间的矛盾,实现经济社会的可持续发展.以长三角城市群为研究区,基于PM_(2.5)浓度和气象数据,分析PM_(2.5)浓度的时空变化规律,并利用小波相干(WTC)、偏小波相干(PWC)和多小波相干(MWC),评估PM_(2.5)与气象因子在时频域中的多尺度耦合振荡.结果表明:①长三角城市群PM_(2.5)浓度年均值由西北向东南梯度递减,高值区域空间范围逐年缩小.PM_(2.5)浓度季节均值与年均值的空间分布特征相似,并且具有冬季最高,夏季最低,春秋过渡的特点.②PM_(2.5)浓度从2015~2021年逐年下降,达标率逐年上升.PM_(2.5)浓度差异逐年缩小,具有动态收敛性特征.PM_(2.5)浓度在夏季的收敛性大于冬季.PM_(2.5)浓度日均值具有U型振荡特征,整个研究期间PM_(2.5)浓度等级为优和良的天数占比分别为49.72%和41.45%.③PM_(2.5)与气象因子的相干性在不同时频域上存在差异.时频尺度不同,影响PM_(2.5)的主控因子也不尽相同.在所有时频尺度上,WTC结果表明风速可作为解释PM_(2.5)变化的最佳变量,PWC结果表明温度可作为解释PM_(2.5)变化的最佳变量.④时频尺度越大,多变量组合解释PM_(2.5)变化的相互作用越强,而温度和风速的协同作用可以更好地解释PM_(2.5)变化.结果可为长三角城市群空气污染防治提供参考.

“2+26”城市PM2.5与气象因子的尺度依存关系及影响因素分析

基于“2+26”城市的PM_(2.5)浓度和气象数据,通过连续小波变换(CWT)和离散小波变换(DWT)分析PM_(2.5)时间序列的变化,利用小波相干(WTC)和多小波相干(MWC)量化PM_(2.5)与单个、多个气象因子在时频域中的响应关系,并结合偏小波相干(PWC)定量评估大气遥相关因子对响应关系的影响.结果表明:(1)“2+26”城市的PM_(2.5)浓度具有中间高、外围低的空间分布特征.PM_(2.5)突变事件主要发生于气象条件稳定的冬季,并且集中在2018年以前.256~512 d的年尺度周期特征较稳定,同时也是PM_(2.5)时间序列的主导周期.(2)PM_(2.5)与气象因子的相干性取决于时频尺度和变量组合.在所有时频尺度上,PM_(2.5)与相对湿度、温度的相干性较强;在小、中时频尺度上,PM_(2.5)与风速相干性较强;在大时频尺度上,PM_(2.5)与温度的相干性较强.降水、温度和相对湿度的组合可作为解释PM_(2.5)在所有时频尺度上变化的最佳变量组合.(3)时频尺度不同,大气遥相关因子对响应关系的增强/削弱作用不尽相同.在所有时频尺度上,厄尔尼诺-南方涛动(ENSO)对PM_(2.5)与降水、温度之间响应关系的影响较大,太平洋年代际涛动(PDO)对PM_(2.5)与相对湿度、风速之间响应关系的影响较大.结果可为区域大气污染治理提供参考.