气候变暖对吉林省降雪量与新增雪深关系的影响

降雪量和积雪深度的关系是降雪预报及水文气候模拟中的重要参数。本文利用吉林省50个站点1961—2021年的降水量、积雪深度、气温、风速和天气现象等气象观测资料,分析了降雪量和新增积雪深度的关系及主要气候影响因子。结果表明,在中等及以上强度的降雪过程中,吉林省新增积雪深度(D)与降雪量(S)的比值(深量比,Rds)平均为0.96 cm·mm^(-1);该比值存在空间差异,呈西部小东部大的分布特征,且存在明显的月际、年际和年代际变化特征,其中月际变化呈现不对称的抛物线型,12月和1月为大值时段;近60年来Rds呈减小趋势,变化速率为-0.01 cm·mm^(-1)·(10a)^(-1);降雪日Rds与气温呈明显反相关关系,其中在-12~0℃的温度区间,Rds随气温上升呈明显减小趋势。气候变暖、降水量增加和风速的减小是降雪过程中降雪量与新增雪深关系年代际变化的直接原因。揭示降雪量和新增雪深的关系对于认识东北亚中高纬度降雪积雪特征及其成因具有重要意义。

基于RBF网络的新疆特重雪灾区最大积雪深度预测研究

基于建立的雪灾灾损指数,确定新疆特重雪灾区域;进一步聚焦特重雪灾区的8个县(市),包括阿勒泰市、福海县、青河县、塔城市、托里县、沙湾市、尼勒克县和伊宁县,分别建立县域RBF网络模型,预测2021—2050年年最大积雪深度。结果表明:该模型可用于新疆特重雪灾区最大积雪深度预测,但预测精度仍有待提升;塔城市、尼勒克县将于2025—2029年连续出现最大积雪深度偏高事件,2039年青河县将出现最大积雪深度的极大值,因此应关注可能发生雪灾的年份与县(市),积极做好雪灾的防御工作。

青藏高原地区积雪与雪线高度时空变化研究

积雪对气候变化具有高度敏感性,研究积雪变化对区域水循环及生态环境演变具有重要意义。基于遥感数据和河流水系分布情况,将青藏高原划分为12个子流域,分析了青藏高原及其子流域的积雪深度、积雪覆盖率、雪线高度的时空变化特征。结果表明:①1979—2020年青藏高原积雪深度呈明显降低趋势,空间上积雪深度由中心区域向四周递增,阿姆河流域多年平均积雪深度最大,印度河流域的次之。②2000-2015年青藏高原多年平均积雪覆盖率为29.66%,呈平缓的下降趋势,印度河流域的积雪覆盖率最大,高达39.83%,塔里木河的次之。③青藏高原雪线高度的变化范围为[4700,5000]m,夏季的雪线高度整体偏高,在8月达到最大值;各子流域雪线高度由大到小的排序依次为雅鲁藏布江流域、印度河流域、河西流域、恒河流域、长江流域、怒江流域、阿姆河流域、塔里木河流域、柴达木河流域、内河流域、黄河流域、澜沧江流域。研究结果对寒区水资源管理和生态环境可持续发展具有重要意义。

山东深秋一次暴雪过程雪水比影响因子分析

利用地面气象观测站资料、加密地面观测资料和欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)第五代大气再分析数据(ECMWF Reanalysis v5,ERA5;分辨率为0.25°×0.25°)逐小时资料,对山东2021年11月6—8日极端暴雪过程雪水比影响因子进行研究。结果显示:此次暴雪过程平均雪水比分布总体呈“北大南小、西大东小”的分布特征,降雪初期产生的雪水比小,降雪中后期产生的雪水比大;温度偏高、云内液态水含量较高的地区雪水比较小,温度偏低、云内液态水含量较低的地区雪水比较大;雪水比与地面气温、地表温度呈负相关,地面气温与雪水比的相关性最大,积雪产生之后地表温度与雪水比变化无明显相关。

1961—2020年黑龙江省最大雪深时空变化及其影响因素分析

积雪作为重要的地表覆盖类型,其变化对当地的水文环境、物候变化均有重要的反馈和调节作用。基于1961—2020年黑龙江省62个气象观测站逐日积雪深度观测资料,利用Mann-Kendall检验、经验正交函数(EOF)、相关分析等方法分析了黑龙江省最大积雪深度时空变化特征及其与大气环流、气温和降雪量要素的关系。结果表明:1961—2020年黑龙江省年、冬季、春季和秋季平均最大积雪深度分别为16 cm、14 cm、10 cm和8 cm;其中年、冬季和春季最大积雪深度呈显著增加趋势,增加速率分别为1.40 cm·(10a)^(-1)(P<0.01)、1.51 cm·(10a)^(-1)(P<0.01)、0.76 cm·(10a)^(-1)(P<0.05),秋季呈不显著增加趋势。1961—2020年黑龙江省年及各季节最大积雪深度均在20世纪末至21世纪初发生突变,突变后最大积雪深度均表现出年际变幅增大。黑龙江省最大积雪深度呈现出山地(大小兴安岭地区、完达山)大于平原(松嫩平原、三江平原)的空间分布特征,而变化速率为平原大于山地,其中松嫩平原最大积雪深度增速最明显。黑龙江省最大积雪深度存在东-西反向型、东南-西北反向型两种主要变化形式。气温、降雪量、北半球极涡强度、东亚槽强度均影响黑龙江省冬季最大积雪深度,其中降雪量和北半球极涡强度的影响大于气温和东亚槽强度的影响。随着气候变暖,气温和北半球极涡强度对冬季最大积雪深度的影响更加显著。

基于FY-3B被动微波数据的青藏高原降尺度机器学习雪深反演

作为中国三大积雪区之一,青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题,不适用于青藏高原复杂的山区地形。因此,本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型,利用机器学习算法,将筛选后的亮温差作为参数输入,同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征,最终进行了500 m分辨率的青藏高原雪深制图。结果显示,极端梯度提升XGBoost算法的决定系数(R^(2))和均方根误差(root mean square error,RMSE)分别为0.762和5.732 cm,明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化,结果表明,在积雪天数为30~60 d时,模型表现良好,平均相对误差(mean relative error,MRE)最低为36.79%,RMSE为2.78 cm;随着积雪覆盖度的增加,模型的RMSE逐渐增大,在积雪覆盖度为0.25~0.50时,MRE和RMSE分别达到39.97%和3.12 cm;植被覆盖度对模型精度的影响较为复杂,可能与具体的土地覆盖类型相关,在0.25~0.50范围内模型表现出较高的精度,MRE和RMSE分别为32.77%和2.94 cm。

流体加热融雪系统运行对道路结构温度分布特性影响分析

为了明确流体加热道路融雪系统运行对道路结构短期/长期温度分布特性的影响,利用室外足尺试验系统对比分析了普通水泥混凝土路面结构与流体加热道路融雪系统道路结构在温度、温变速率及温度梯度分布特性等方面的差异,阐明了系统运行对道路结构短期/长期温度分布特性的影响规律。结果表明:融雪系统运行初期,快速上升的流体温度对管壁-路面材料界面存在强烈的温度冲击作用;随着系统持续运行,管壁-路面材料界面的温变速率逐渐减小并趋于稳定,且小于普通路面最大温变速率;同时,融雪系统的运行增大了路面结构内部的温度梯度,改变了路面结构一定深度范围内的热量传递方向。融雪系统道路结构年周期温度分布的观测结果表明:融雪系统的运行可在较短的时间内释放大量热能,降低了道路结构内部热量的散失,有效延缓了季节性冰冻地区冬季道路结构温度的降低及冻结深度的发展。

“23·12”山东半岛特大海效应暴雪特征及成因

采用地面气象观测站、多普勒天气雷达、闪电、积雪深度人工加密观测资料、常规观测及欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)第五代大气再分析(ECMWF Reanalysis v5,ERA5)资料,对2023年12月15—22日山东半岛特大海效应暴雪过程的降雪特征及极端性成因进行了分析。结果表明:(1)此次过程有4站积雪深度突破本站历史极值,有1站2 d的日降雪量为山东半岛海效应降雪有气象记录以来的最大值,文登积雪深度达74 cm,超过山东所有国家级地面气象观测站纪录,是一次极端海效应暴雪事件。(2)欧亚中高纬度阻塞形势下两次异常强冷空气持续影响渤海和山东半岛地区,850 hPa温度最低降至-21~-20℃,冷空气强度明显强于往年12月海效应暴雪过程,造成降雪持续时间长、累计降雪量大。异常强冷空气是此次极端暴雪过程产生的关键因素,渤海海面温度(简称“海温”)异常偏高是有利的海温背景。(3)冷空气强、海温偏高造成海气温差偏大,700 hPa以下产生对流不稳定,使得降雪强度大;强降雪发生在海气温差快速增大阶段。(4)925 hPa以下存在来自渤海的北—东北风与内陆地区的西北风构成的切变线,产生强上升运动,切变线长时间维持形成“列车效应”。(5)主要降雪时段强垂直上升运动、高相对湿度层的温度为-20~-12℃,适宜树枝状冰晶形成和维持,有利于产生大的积雪和降雪含水比;2 m气温持续低于-5℃,0 cm地温在降雪开始时即降至0℃以下,且两次强降雪过程仅间隔1 d,均有利于降雪累积产生极端积雪深度。

基于积雪数据的HBV模型改进及应用

大渡河流域内站点分布较少,历史观测数据不足,给该地区的融雪径流预报带来困难。基于欧洲中期天气预报中心提供的最新一代高分辨率陆面再分析数据集ERA5-Land,将积雪覆盖率和积雪平均深度引入度日因子雪量计算公式中,对HBV模型的积融雪模块进行改进,以提升融雪径流计算的可靠性。以大渡河上游为研究对象,选取1961—2018年的水文气象资料对模型进行率定和验证,并以2019年为例进行试预报研究。结果表明,通过引入ERA5-Land再分析数据,以及对积融雪模块进行改进,发挥了其在模拟积融雪上的优势,有效提升了融雪径流预报精度,对大渡河流域具有适用性。研究成果可为稀缺资料地区融雪径流模拟预报提供经验。

基于MODIS积雪覆盖度数据的青藏高原两套被动微波雪深产品降尺度对比研究

积雪深度(雪深)是流域水量平衡、融雪径流模拟等模型的重要输入参数,被动微波雪深遥感产品被广泛用于雪深监测。然而,由于山区积雪时空异质性强,这些空间分辨率较粗的雪深产品受到极大限制。本研究基于MODIS积雪覆盖度数据,根据经验融合规则以及积雪衰退曲线对“中国雪深长时间序列数据集”的两套雪深产品(由SMMR、SSMI和SSMI/S反演的称为Che_SSMI/S产品;由AMSR-2反演称为Che_AMSR2产品)进行空间降尺度,最终获得青藏高原500 m降尺度雪深数据(Che_SSMI/S_NSD和Che_AMSR2_NSD)。利用6景Landsat-8影像对两套降尺度雪深数据进行对比分析,结果发现两套降尺度数据与Landsat-8影像积雪空间分布吻合度均较高。与29个气象站点雪深数据相比,Che_AMSR2_NSD与实测雪深更为接近,相关系数(R)达到0.72,均方根误差(RMSE)为3.21 cm;而Che_SSMI/S_NSD精度较低(R=0.67,RMSE=4.44 cm),可能是由于采用不同传感器亮温数据的两套原始雪深产品精度不同所致。除此之外,实验表明被动微波雪深产品降尺度精度还受积雪深度、积雪期等因素的影响。当积雪深度小于10 cm且在积雪稳定期时,两套雪深产品降尺度精度均最高;当积雪深度大于30 cm且在积雪消融期时,两套雪深产品降尺度精度均最低。通过对比两套降尺度雪深产品,有助于全面地了解青藏高原雪深时空分布变化及其应用提供数据支持。

基于GPS-IR的复杂寒区地表冻融状态监测研究

针对复杂寒区地表冻融状态情况,基于GPS-IR(Global Positioning System-Interference Reflectometry)技术进行地表冻融状态监测精度研究。采用2017—2022年PBO(The Plate Boundary Observatory)GPS站点数据,结合SNOTEL气象站地表实测数据,充分考虑了复杂寒区地表积雪深度、土壤湿度和地表冻融状态对GPS(Global Positioning System)多路径观测值的影响,基于GPS-IR技术利用卫星反射信号来进行地表冻融状态监测。结果表明:在积雪深度和土壤湿度时间序列平稳的状态下,GPS-IR技术的冻融监测精度为90.63%,积雪深度和土壤湿度的波动都会导致监测精度下降。实验表明GPS-IR技术的监测精度会受到积雪深度和土壤湿度的影响,在地球物理参数小范围变化的情况下监测精度较好,对地表冻融状态响应敏感,是一种有效监测复杂寒区冻融特性的有效手段。

“12 ·14”山东暴雪过程积雪深度特征及成因

利用常规观测、积雪深度逐时加密观测资料和欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)第五代大气再分析(ECMWF Reanalysis v5,ERA5)资料,对2023年12月13—15日山东一次极端暴雪天气过程积雪特征及其成因进行分析,得到以下结论:(1)此次过程是一次江淮气旋暴雪天气过程,具有持续时间长、降水相态复杂、基础温度低、降温幅度大和积雪深度厚等特征。(2)最大小时新增积雪深度可达8 cm;过程平均雪水比为0.7 cm·mm^(-1),呈“西大东小”的分布特征。(3)有积雪的站近地面温度从开始降雪到地面产生积雪,气温和雪面温度均呈下降趋势,0 cm地温在降雪前期降温明显,积雪形成后地温不再明显变化。无积雪的站在整个降雪时段内近地面温度可分为4种情况。(4)雪水比随气温变化最明显;积雪形成之后地温对雪水比大小影响不大;当雪水比小于0.75 cm·mm^(-1)时,雪水比随雪面温度降低而增大,当雪水比大于0.76 cm·mm^(-1)后,雪面温度不再有明显变化。

基于VMD-MA的GNSS-MR雪深反演方法

针对利用全球卫星导航系统多径反射(GNSS-MR)技术反演雪深过程中信噪比(SNR)序列趋势项分离不佳和反演结果波动较大的问题,提出一种基于变分模态分解(VMD)和移动平均(MA)的雪深反演方法。VMD算法通过自适应高通滤波有效分离SNR序列的趋势项,MA算法对初始反演结果进行平滑处理从而减少随机波动。选用瑞典KIRU站2021年前5个月GLONASS不同频段的SNR观测值开展实验,研究所提方法的可行性。结果表明:基于VMD算法的反演结果与气象站原位雪深相关系数超过0.95,均方根误差(RMSE)最低约5 cm,较传统算法减少近40%;经MA算法平滑处理后,反演精度进一步提高。考虑到GNSS站和气象站之间的差异性,选取GPS SNR反演结果作为参考数据源,不同参考数据源取得了一致的实验结论,验证了所提方法的可行性和有效性。

GNSS反射信号陆面遥感应用综述

全球卫星导航系统(GNSS)发展至今已有半个多世纪,不仅可以为用户提供导航、定位和授时(PNT)服务,还可用于地球遥感,其应用超乎想象.本文基于GNSS反射信号(GNSS-R)的应用,系统介绍了GNSS-R的基本概念和信号特征,重点针对陆面遥感应用进行了综述,并就未来可能的发展方向做出分析,可为GNSS-R的应用提供一个重要的参考.

基于GNSS-R技术的阿拉斯加州积雪深度反演及其应用

利用GNSS-R(全球导航卫星系统反射测量)技术进行准确的雪深监测已成为传统雪深测量的重要补充手段。本文使用GNSS-R技术反演了2012—2018年美国阿拉斯加州4个GPS观测站附近的雪深结果,结合加拿大气象中心(Canadian Meteorological Centre,CMC)提供的雪深模型数据产品,以PBO(Plate Boundary Observatory)H2O项目组提供的雪深资料为参考值,分析了不同手段获取的雪深值在不同时间尺度上的变化特征,同时评估了GNSS-R反演雪深结果作为独立数据集验证CMC模型数据的能力。结果表明:GNSS-R、CMC和PBO得到的长时间序列雪深结果均具有较为一致的明显周期性变化,整体上GNSS-R反演结果比CMC数据精度更高,更能反映雪深的年际变化情况。GNSS-R反演值和CMC模拟值均能够反映各测站PBO雪深值的逐月变化规律,但GNSS-R反演值的精度和稳定性总体上优于CMC模拟值。GNSS-R反演结果比CMC模拟值与PBO雪深值的季节性变化更具一致性,且对于本文研究的4个测站,GNSS-R反演雪深的精度和稳定性在雪深值较大的春季和冬季较高,雪深值较小的秋季略差。此外,本文还证实了GNSS-R反演的雪深结果可用于评估CMC模拟雪深值的精度,且评估效果在冬春季优于秋季。

青藏高原雪深变化特征及其与气象要素的偏相关分析

为探析第三极地区积雪时空变化规律,基于中国雪深长时间序列数据集(1979—2021)及中国区域地面气象要素驱动数据集(1979—2018),分析了青藏高原地区近40年雪深的时空变化特征及其与近地面气温、降水的偏相关性。时空变化分析结果显示,青藏高原地区雪深在年尺度上呈现出以内部三大区域的雪深减少为主的变化趋势,而这种趋势在月尺度及秋冬两季更为显著;高原东部是雪深显著增加的主要区域。偏相关分析发现,雪深在月、季和年尺度上均与气温有着较大的负相关性,最大负偏相关系数约为−0.8;雪深与降水在年、月尺度上有着以正相关为主且相似的空间分布,在春、夏两季二者呈“东正西负”的相关性,而大范围的正相关性(偏相关系数在0.4以上)集中在秋季。在日尺度上,气温与延迟10 d后的雪深呈现出最大负相关性(偏相关系数为−0.733);而降水则与延迟3 d后的雪深呈现出最高的正相关性(偏相关系数为0.064)。青藏高原雪深与气象要素的相关性表现出明显的时空异质性,地形、融积时间乃至高原周围的季风与西风都可能是导致这种时空差异性的原因。

黄河源区积雪时空变化特征

黄河源区积雪量丰富,积雪变化对黄河水文及生态影响深远。利用国家青藏高原科学数据中心逐日中国雪深长时间序列数据集,对1988—2017年黄河源区平均积雪深度、积雪天数、积雪初日、积雪终日进行了时空变化分析。结果表明:黄河源区积雪变化与海拔相关,海拔越高积雪深度、积雪天数越大,积雪初日越早、积雪终日越晚;平均积雪深度以-0.187 cm/(10 a)的速率在0.01水平呈显著减小趋势,1997年最大(2.7 cm)、2003年最小(0.3 cm);积雪天数以-9.763 d/(10 a)的速率在0.01水平呈显著减小趋势,1992年达到最大值158.8 d、2003年达到最小值62.9 d;积雪初日以1.745 d/(10 a)的速率在0.1水平呈延后趋势,最早出现日期为1992年8月12日,最晚出现日期为2003年11月16日;积雪终日以5.006 d/(10 a)的速率在0.05水平呈明显提前趋势,最早出现日期为2009年3月18日,最晚出现日期为1992年5月2日。

基于星载被动微波的中国东北森林雪深反演

针对受森林地区复杂地形和植被冠层结构的影响,基于被动微波遥感数据的森林地区雪深反演精度普遍较低的问题,在代表性半经验雪深反演算法的基础上,结合森林气象站观测数据建立了中国东北森林地区半经验雪深反演优化算法。该算法考虑了森林植被介电常数随气温变化的特性,使森林地区的雪深反演精度得到了较大的提高。与其他代表性半经验雪深算法相比,该算法的均方根误差(RMSE:Root-Mean-Square Error)平均减小了2.3 cm,偏差(Bias)平均减小了3.7 cm,相关系数(R)平均提升了0.11;与常用的机器学习雪深反演算法对比,该算法的RMSE平均减小了2.17 cm,Bias平均减小了1.67 cm,R平均提升了0.22。

青藏高原冬春季雪深异常对云南夏季降水的影响及可能机制

基于中国区域长时间序列雪深资料和CN05中国区域格点降水资料,利用奇异向量分解和相关分析方法考察了云南地区夏季降水与前期青藏高原雪深的联系。结果表明,冬、春季高原中西部雪深偏多对应云南大部夏季降水的偏多,特别是云南北部金沙江流域和西南部区域降水偏多显著;且这种影响关系独立于ENSO对云南夏季降水的影响。结合ERA5再分析资料进一步揭示了高原关键区雪深异常对云南夏季降水的影响机制,指出前期高原中西部关键区积雪偏多时,通过积雪的反照率效应可导致春季高原中西部及附近区域近地面气温偏低,有利于南亚夏季风爆发偏晚,南亚夏季风偏弱,对应南亚季风低压偏弱,高原南侧为异常西风,有利于云南大部地区降水偏多。此外,高原关键区前期积雪偏多还可激发高低空波列,影响到东亚及我国西南的大气环流异常,其中高层200 hPa波列沿中高纬西风急流传播,自高原西部经蒙古到达东北亚呈现明显的“负—正—负”位势高度异常传播,东北亚为气旋性环流异常,气旋性环流西侧的偏北气流有利于中高纬冷空气南下;850 hPa低层波列自高原西南侧往南海传播,南海为异常反气旋环流。高原南侧西风和南海反气旋西北侧的西南风在云南上空形成低空切变,有利于云南地区夏季降水;同时冷空气南下到云南地区,与暖湿气流汇合,也有利云南地区夏季降水偏多。

2018年1月江苏省两次暴雪过程积雪效率差异及其机理

2018年1月3~5日江苏省第一次暴雪过程中降雪量大、积雪效率偏低,而1月24~28日第二次暴雪过程降雪量小、积雪效率高。基于ERA-Interim再分析资料和中国气象局积雪、近地气温等观测资料,利用等熵大气质量环流理论从温度、水汽条件差异对2018年1月江苏省两次暴雪过程积雪效率差异进行了深入分析。研究表明:(1)第一次过程前期,深厚且强盛的向极地暖支将大量暖空气输送至江苏南部,导致该地区整层增温;第二次过程中,低层强大的向赤道冷支输送使地面温度在整个降雪期间均低于0°C,低温条件使得积雪效率偏高。(2)第一次过程,江苏地区深厚、强盛的水汽质量流入层配合大范围上升运动,将水汽携带至高层产生更大降雪量,低层经向水汽质量输送强,纬向水汽质量流出较弱,使得近地面比湿相应增加,积雪效率偏低;第二次过程,低层深厚的水汽质量流出层不利于水汽在江苏省汇聚,低湿条件利于积雪累积,贡献于偏高的积雪效率。因此,异常强的经向干冷空气质量输送和弱的经向和纬向水汽质量输送引起的低温、低湿环境条件是造成第二次暴雪过程比第一次过程积雪效率偏高的主要原因。积雪效率与温度和湿度空间分布型的对比分析还表明:在相对高温、高湿的环境条件下,积雪效率对局地温度和湿度的响应更为敏感。