气候变化背景下北京市极端降水时序特征研究

基于NEX-GDDP数据集,采用气候倾向率法、Mann-Kendall突变检验和小波分析法对北京市2006—2099年极端降水时序变化特征进行分析。结果表明:在RCP4.5和RCP8.5情景下,本世纪内北京地区极端降水呈现增加趋势,世纪末期有较大幅度增加,RCP8.5情景下极端降水增加程度更大。在RCP4.5情景下,年降水量、大雨日数、SDII等多数极端降水指数在2040年前后发生增加突变,而在RCP8.5情景下极端降水表现出更为稳定的上升趋势。极端降水事件在RCP4.5和RCP8.5情景下的主周期均为56年,在该特征尺度下各指标呈现少→多→少→多→少的循环交替,RCP8.5情景下降水量、降水频率和降水强度震荡更加明显。

基于IREQ模型的低温环境应急救援人员冷应激分析

为更准确地评估低温环境下应急救援人员冷应激情况,避免低温伤害。基于国家推荐性标准GB/T 24254—2009确定我国低温冰冻灾害应急救援作业工作服装热阻(IREQ),并引入适合描述我国低温冰冻灾害高强度应急救援作业的人体储热率参数,对所需IREQ模型进行改进。计算分析低温冰冻灾害环境下应急救援人员的修正服装热阻、有限持续暴露时间、体温恢复时间。研究结果表明:改进的IREQ模型计算所得的基本需求热阻更高,有限持续暴露时间更低,对提高低温环境下的应急救援作业安全性具有一定的科学意义。

基于机器学习的城市暴雨内涝时空快速预测模型

暴雨内涝的快速预测对于提升灾害应急处置能力具有重要意义。针对传统数值模拟复杂耗时导致难以满足暴雨内涝预测时限要求的问题,该文基于机器学习方法构建城市暴雨内涝时空快速预测模型。利用城市综合流域排水模型(InfoWorks ICM)模拟的高精度网格结果作为数据驱动,综合考虑降雨因素、地理数据以及排水管网的分布情况,分别基于随机森林、极限梯度提升(XGBoost)、K最近邻以及长短期记忆(LSTM)神经网络建立城市暴雨内涝快速预测模型。以北京市某区域为例,开展算例研究,结果表明:随机森林模型的空间预测效果最佳,淹没范围预测准确率可达99.51%,积水深度平均预测误差3.55%;LSTM神经网络模型能准确预测内涝点积涝过程的水深时序变化。在该算例场景下,所构建的机器学习模型可实现s级的暴雨内涝时空快速预测。