基于卫星遥感资料(MODIS-NDVI)、地面气象观测资料以及净生态系统生产力估算模型,对2000—2022年江西省净初级生产力(NPP)和植被碳汇的时空分布进行研究,并分析了植被碳汇对气候变化的响应情况。结果表明:(1)2000—2022年1—12月江西省...基于卫星遥感资料(MODIS-NDVI)、地面气象观测资料以及净生态系统生产力估算模型,对2000—2022年江西省净初级生产力(NPP)和植被碳汇的时空分布进行研究,并分析了植被碳汇对气候变化的响应情况。结果表明:(1)2000—2022年1—12月江西省NPP和植被碳汇月度平均值均呈现先增加后减少的趋势,植被碳汇的年平均值呈现出波动上升趋势,增速为13.4 g C/(m^(2)·10 a),最小值为411.2 g C/m^(2)(2022年),最大值为614.8 g C/m^(2)(2018年);(2)植被碳汇的分布情况与地形、植被类型等密切相关,高碳汇区处于省境边陲附近,中、低碳汇区处于丘陵、河谷、湿地和盆地,碳源区相对较少,基本处于鄱阳湖和城区附近;(3)植被碳汇和降水量、气温均呈极显著正相关,并受到两者的协同影响,但降水量对植被碳汇的影响要弱于气温,其中“暖湿型”气候背景最有利于植被碳汇。异常的天气气候条件明显不利于植被的生长发育,造成光合能力减弱,从而导致碳汇显著下降。受异常气候条件影响,2003、2019和2022年江西省碳汇的排位分别为历史第二低位、第三低位和第一低位。展开更多
基于2020-2021年的中国气象局(CMA)陆面数据同化系统(CLDAS)逐小时地面气温(T2m)产品,融合CMA上海快速更新循环数值预报(CMA-SH3)的T2m预报数据,构建深度学习语义分割模型(MT-Cunet),实现逐小时滚动更新的24 h T2m网格预报,并对2022年...基于2020-2021年的中国气象局(CMA)陆面数据同化系统(CLDAS)逐小时地面气温(T2m)产品,融合CMA上海快速更新循环数值预报(CMA-SH3)的T2m预报数据,构建深度学习语义分割模型(MT-Cunet),实现逐小时滚动更新的24 h T2m网格预报,并对2022年预报结果进行了检验评估。结果表明,在研究范围内,MT-Cunet在3~9 h时效订正效果最好,平均MAE和平均RMSE分别降低42.4%、40.89%;10~24 h时效的订正效果较好,平均MAE和平均RMSE分别下降26.7%、26.3%。低温(≤0℃)和高温(≥35℃)事件检验评估表明,MT-Cunet在高温预报整体表现为正偏差,而低温整体为负偏差,但误差幅度远低于CMA-SH3;空间尺度上,MT-Cunet能较大幅度减少复杂地形下的T2m预报误差,降低CMA-SH3的MAE离散度,使预报误差分布较为稳定。通过对2022年2月和3月的区域性增温、寒潮过程分别进行检验评估发现,MT-Cunet能较好预报出增(降)温转折时间和增(降)温幅度。在增温和寒潮过程中,MT-Cunet的MAE比CMA-SH3分别降低28.9%和33.8%,表明MT-Cunet模型在转折性天气过程中同样具有较好的预报能力。因此,利用可以快速增加预报样本数量的快速更新循环数值预报,经过语义分割深度学习模型客观方法订正,就能较大幅度降低数值模式预报误差,解决常规数值预报由于数据量太少,深度学习训练效果较差的问题,这对充分利用国产模式资源,更广泛地开展国产模式后处理和应用提出了一个新的思路。展开更多
文摘基于卫星遥感资料(MODIS-NDVI)、地面气象观测资料以及净生态系统生产力估算模型,对2000—2022年江西省净初级生产力(NPP)和植被碳汇的时空分布进行研究,并分析了植被碳汇对气候变化的响应情况。结果表明:(1)2000—2022年1—12月江西省NPP和植被碳汇月度平均值均呈现先增加后减少的趋势,植被碳汇的年平均值呈现出波动上升趋势,增速为13.4 g C/(m^(2)·10 a),最小值为411.2 g C/m^(2)(2022年),最大值为614.8 g C/m^(2)(2018年);(2)植被碳汇的分布情况与地形、植被类型等密切相关,高碳汇区处于省境边陲附近,中、低碳汇区处于丘陵、河谷、湿地和盆地,碳源区相对较少,基本处于鄱阳湖和城区附近;(3)植被碳汇和降水量、气温均呈极显著正相关,并受到两者的协同影响,但降水量对植被碳汇的影响要弱于气温,其中“暖湿型”气候背景最有利于植被碳汇。异常的天气气候条件明显不利于植被的生长发育,造成光合能力减弱,从而导致碳汇显著下降。受异常气候条件影响,2003、2019和2022年江西省碳汇的排位分别为历史第二低位、第三低位和第一低位。
文摘基于2020-2021年的中国气象局(CMA)陆面数据同化系统(CLDAS)逐小时地面气温(T2m)产品,融合CMA上海快速更新循环数值预报(CMA-SH3)的T2m预报数据,构建深度学习语义分割模型(MT-Cunet),实现逐小时滚动更新的24 h T2m网格预报,并对2022年预报结果进行了检验评估。结果表明,在研究范围内,MT-Cunet在3~9 h时效订正效果最好,平均MAE和平均RMSE分别降低42.4%、40.89%;10~24 h时效的订正效果较好,平均MAE和平均RMSE分别下降26.7%、26.3%。低温(≤0℃)和高温(≥35℃)事件检验评估表明,MT-Cunet在高温预报整体表现为正偏差,而低温整体为负偏差,但误差幅度远低于CMA-SH3;空间尺度上,MT-Cunet能较大幅度减少复杂地形下的T2m预报误差,降低CMA-SH3的MAE离散度,使预报误差分布较为稳定。通过对2022年2月和3月的区域性增温、寒潮过程分别进行检验评估发现,MT-Cunet能较好预报出增(降)温转折时间和增(降)温幅度。在增温和寒潮过程中,MT-Cunet的MAE比CMA-SH3分别降低28.9%和33.8%,表明MT-Cunet模型在转折性天气过程中同样具有较好的预报能力。因此,利用可以快速增加预报样本数量的快速更新循环数值预报,经过语义分割深度学习模型客观方法订正,就能较大幅度降低数值模式预报误差,解决常规数值预报由于数据量太少,深度学习训练效果较差的问题,这对充分利用国产模式资源,更广泛地开展国产模式后处理和应用提出了一个新的思路。