全球气候变化背景下,精确模拟区域碳通量及CO_(2)浓度分布有着十分重要的现实意义.本文基于WRF-GHG(Weather Research and Forecasting Model with Greenhouse Gases Module)模式,综合考虑人为碳排放、陆地生态系统碳交换、海洋碳交换...全球气候变化背景下,精确模拟区域碳通量及CO_(2)浓度分布有着十分重要的现实意义.本文基于WRF-GHG(Weather Research and Forecasting Model with Greenhouse Gases Module)模式,综合考虑人为碳排放、陆地生态系统碳交换、海洋碳交换和生物质燃烧碳排放的影响,对2022年中国及其周边地区陆地生态系统碳通量及大气CO_(2)浓度进行在线模拟,并利用OCO-2/OCO-3卫星观测资料评估模式性能.结果表明:(1)WRF-GHG模式整体模拟效果良好(R=0.7424,BIAS=1.3860×10^(-6)),但在低纬度地区的模拟效果略差于中纬度地区,表明该模式目前在亚热带和热带的适用性有限,需要进一步优化;(2)中国区域内,人为碳排放和陆地生态系统源碳交换呈现出显著的季节性特征,其中,人为源CO_(2)排放(全年11031 Tg)在各个排放源中占据主导地位,陆地生态系统(全年-900 Tg)可以吸收约8.2%的全年人为源排放,生物质燃烧源(全年65 Tg)排放则仅为人为源排放的0.6%;(3)模拟区域内,CO_(2)浓度高值区主要分布在我国胡焕庸线以东地区、日本和南亚地区等,在各排放源对CO_(2)浓度的贡献中,人为源排放的贡献量级(1×10^(-6)~100×10^(-6))最高,因而其主导了CO_(2)浓度的空间分布特征.展开更多
在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-W...在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-Winters模型和深度自回归模型(DeepAR)的组合预测模型STL-DeepAR-HW。先采用快速傅里叶变换和自相关函数提取数据的周期性特征,以提取到的最优周期对数据做STL分解,将数据分解为趋势项、季节项和余项;并用DeepAR和Holt-Winters分别预测趋势项和季节项,最后组合得到预测结果。在公开数据集AzurePublicDataset上进行实验,结果表明,与Transformer、Stacked-LSTM以及Prophet等模型相比,该组合模型在负载预测中具有更高的准确性和适用性。展开更多
文摘全球气候变化背景下,精确模拟区域碳通量及CO_(2)浓度分布有着十分重要的现实意义.本文基于WRF-GHG(Weather Research and Forecasting Model with Greenhouse Gases Module)模式,综合考虑人为碳排放、陆地生态系统碳交换、海洋碳交换和生物质燃烧碳排放的影响,对2022年中国及其周边地区陆地生态系统碳通量及大气CO_(2)浓度进行在线模拟,并利用OCO-2/OCO-3卫星观测资料评估模式性能.结果表明:(1)WRF-GHG模式整体模拟效果良好(R=0.7424,BIAS=1.3860×10^(-6)),但在低纬度地区的模拟效果略差于中纬度地区,表明该模式目前在亚热带和热带的适用性有限,需要进一步优化;(2)中国区域内,人为碳排放和陆地生态系统源碳交换呈现出显著的季节性特征,其中,人为源CO_(2)排放(全年11031 Tg)在各个排放源中占据主导地位,陆地生态系统(全年-900 Tg)可以吸收约8.2%的全年人为源排放,生物质燃烧源(全年65 Tg)排放则仅为人为源排放的0.6%;(3)模拟区域内,CO_(2)浓度高值区主要分布在我国胡焕庸线以东地区、日本和南亚地区等,在各排放源对CO_(2)浓度的贡献中,人为源排放的贡献量级(1×10^(-6)~100×10^(-6))最高,因而其主导了CO_(2)浓度的空间分布特征.
文摘在信息化蓬勃发展的今日,大量云计算资源的高效管理是运维领域的重要难题。准确的负载预测是应对这一难题的关键技术。针对该问题提出一种基于局部加权回归周期趋势分解算法(Seasonal and Trend decomposition using Loess,STL)、Holt-Winters模型和深度自回归模型(DeepAR)的组合预测模型STL-DeepAR-HW。先采用快速傅里叶变换和自相关函数提取数据的周期性特征,以提取到的最优周期对数据做STL分解,将数据分解为趋势项、季节项和余项;并用DeepAR和Holt-Winters分别预测趋势项和季节项,最后组合得到预测结果。在公开数据集AzurePublicDataset上进行实验,结果表明,与Transformer、Stacked-LSTM以及Prophet等模型相比,该组合模型在负载预测中具有更高的准确性和适用性。
文摘挥发性有机物VOCs (Volatile Organic Compounds)是对流层O_(3)以及二次细颗粒物(PM_(2.5),Fine Particulate Matter)的重要前体物,资料同化系统对VOCs浓度及源排放的处理策略会显著影响空气污染物预报的准确性.提出了一种基于相关性的VOCs指数,用于定量筛选资料同化过程中由观测数据更新的VOCs模式变量及源排放清单项.采用WRF-Chem (Weather Research and Forecasting model coupled with Chemistry)模式以及EnSRF (Ensemble Square Root Filter)资料同化算法,针对2022年7-8月长三角地区极端高温事件进行了个例分析,结果表明:在源排放反演上,通过VOCs指数筛选更新变量,后验总VOCs源排放具有与O_(3)观测相似的日间峰值,这样的日间峰值使该模式能更好地修正其对O_(3)预报偏低的系统性误差;在对O_(3)和PM_(2.5)的预报中,通过VOCs指数筛选更新变量的同化策略的表现最优,与未进行更新变量筛选的同化策略相比,其72 h预报的均方根误差分别下降了5.5%和7.2%.
