中国冬季干、湿低温灾害的时空分布特征

基于1980~2019年11月至翌年3月全国低温灾害性天气文字记录,结合高精度再分析资料NASA MERRA2,构建了我国低温灾害(低温、降温、冰冻、雨雪、雪灾)的精细化格点数据,采用线性趋势分析、集合经验模态分解(EEMD)和小波分析等方法研究了我国低温灾害的时空分布特征,初步描绘了我国低温灾害图谱。研究表明:干低温灾害(低温、降温、冰冻)往往不是单一灾种致灾,而湿低温灾害(雨雪、雪灾)多为单一灾种致灾。不同灾种的发生频次具有显著的区域和季节内差异:1月低温的致灾范围最广,发生频次由南向北呈现“高—低—次高”的三极型分布;降温灾害在12月发生频次最多,呈“东高西低”分布;雨雪灾害在1~2月的南方地区发生最多;雪灾发生频次明显多于前四个灾种,多分布在牧区等高敏感地带。就全国而言,干低温和雨雪灾害的发生频次和受灾面积呈现长期上升趋势,而雪灾则在前后冬有相反趋势,其受灾面积的上升趋势主要来自1月,发生频次的减少趋势来自3月;干低温和雨雪灾害的灾情指数年代际变率在2000年之后波动增加,而雪灾则在2000年之前变率较大;大部分低温灾种(除雪灾)发生频次的年际变率在2005年后均有显著增加。单一灾种中,仅降温受灾面积有显著的上升趋势,主要归因于1月。复合灾种中,降温与湿低温的组合呈显著上升趋势。

基于深度学习的音乐特征提取及流派分类

音乐特征的正确提取对于音乐派别分类具有重要的指示作用。针对目前深度学习对于音乐分类的准确性较低的问题,首先从音乐特征角度进行改进,根据声学、信号学的基本理论,提出音乐特征指标体系。进一步,基于自适应粒子群优化神经网络的算法,提出音乐分类与鉴赏评价模型。最后,对涵盖六种音乐流派的600首音乐进行分类,以证明该模型的有效性。结果表明该模型对音乐类别的识别率较之前的研究有一定的提升,尤其对流行乐的识别效果最显著。