排序方式: 共有18条查询结果,搜索用时 15 毫秒
1.
选用大雾观测资料测算城市地区的雾灾危险性指数,以规则网格作为评估单元,逐网格计算网格区域内的路网密度,以此作为雾灾的空间脆弱性指标,并针对重点设施的分布情况对脆弱性指数进行空间叠加订正;选用网格内的人口密度作为雾灾的易损性指标;危险性、脆弱性及易损性3项指标按5:2:1的分配比例综合测算雾灾的风险指数。实例研究选用北京地区1996年1月—2006年12月的大雾资料,按空间网格化方法对大雾灾害风险进行评估,结果表明:北京地区雾灾脆弱性指数的高值区域与高速路及环城路延伸方向一致,城市中心为人口集中分布地区,其综合风险指数高,与高速路段、环城路及机场等地段均为雾灾的高风险区域,北京东南部地区年平均雾日数相对较多,危险性指数值也较高,是雾灾较高风险区域。 相似文献
2.
北京市奥运期间气象灾害风险承受与控制能力分析 总被引:4,自引:0,他引:4
针对北京市奥运会期间的7种主要气象灾害(雷电、冰雹、大风、高温、暴雨、大雾和霾灾害),建立了气象灾害风险承受能力与风险控制能力评价的指标体系.经过专家评分,获取7种气象灾害的评价指标所对应的分值.利用层次分析法,计算评价指标的权重系数.最后得到7种气象灾害评价指标的加权平均值作为其风险承受能力与风险控制能力系数.利用灾害模数、经济易损模数、生命易损模数3个指标进行北京市奥运期间18个区县空间易损度区划分析.结果表明:北京市奥运会期间,高温灾害和暴雨灾害的风险承受能力与风险控制能力最弱;雷电灾害和大雾灾害的承受与控制能力中等;冰雹灾害和霾灾害较强;大风灾害最强.易损度空间差异分析表明,城区(东城区、西城区、崇文区和宣武区)、朝阳区和海淀区为高易损性区域;丰台区、石景山区、房山区、昌平区、顺义区和大兴区为中易损性区域;门头沟区、通州区、平谷区、怀柔区、密云县和延庆县为低易损性区域. 相似文献
3.
青藏铁路沿线闪电活动的时空分布特征 总被引:6,自引:4,他引:2
利用搭载于卫星上的闪电探测仪所获取的8年闪电资料,对青藏铁路沿线闪电活动的时空分布进行了研究。结果表明,青藏铁路沿线的闪电活动呈现出明显的季节变化和日变化。青藏铁路沿线的闪电活动主要发生在4~9月,其中以5~7月最为频繁,到10月份迅速消亡,而且闪电分布在南北向上变化较明显;青藏铁路沿线闪电活动在12:00~16:00(地方时,下同)最易发生。日闪电密度峰值出现在15:00左右。闪电密度的空间分布以那曲为最大,分别向南、北减小。另外,2003年夏季的地面观测资料还表明,那曲地区在傍晚还有一闪电活动峰值。 相似文献
4.
2013年1月10-14日,北京平原地区出现了水平能见度在2 km以下、以PM2.5为首要污染物、空气质量持续5 d维持在重度以上污染水平的霾天气。综合分析此次霾天气过程的天气形势、北京地区常规和加密气象资料以及城郊连续观测的PM2.5浓度资料。结果表明:此霾过程期间,北京高空以平直纬向环流为主,受西北偏西气流控制,没有明显冷空气南下影响北京地区,地面多为不利于污染物扩散和稀释的弱气压场;大气层结稳定、风速小(日平均风速小于2 m·s-1)、相对湿度较大(日平均相对湿度在70 %以上)、逆温频率高强度大,边界层内污染物的水平和垂直扩散能力差;北京城区及南部的京津冀地区人类活动排放污染物强度大,在相对稳定和高湿的天气背景下,受地形和城市局地环流的影响,北京本地污染物累积和区域污染物输送以及PM2.5细粒子在高湿条件下的物理化学转化等过程共同作用造成此次北京城区及平原地区污染物浓度快速增长并持续偏高,高浓度PM2.5对大气消光有显著影响,造成低能见度和持续霾天气。 相似文献
5.
北京奥运期间冰雹灾害风险评估 总被引:9,自引:2,他引:7
采用空间信息技术的评估方法对北京地区奥运期间的冰雹灾害进行风险评估,并从原理、方法及过程3个方面作了系统的论述.冰雹灾害风险评估基于空间评估模型,综合叠加了以地形为外界敏感性因素的敏感度因子、以出现概率为主的危险性评估结果及考虑下垫面的人口、经济、人文分布情况的脆弱性评估结果.评估结果所展现的北京地区奥运期问的冰雹灾害的风险情况表明:冰雹灾害风险除了与雹源分布有密切关系外,还与城市人口及社会、经济情况关联,其权重组合计算结果显示北部山区及北京市的中心地带为易受冰雹灾害影响的高风险或较高风险区域. 相似文献
6.
介绍了中国气象科学研究院研发的雷电临近预警系统(CAMSLNWS)在北京地区开展的业务运行试验.通过运行测试以及预警结果与闪电监测结果的对比评估,表明:CAMS.LNWS能够稳定运行,定时读取多种探测资料、自动生成并循环显示雷电发生概率、雷电活动区域移动趋势和重点区域雷电危险度等级三种雷电临近预警产品;CAMS.LNWS的雷电发生概率预警产品具有较高的命中率,能够较好地对0~30min内可能发生闪电的区域进行有效预警;随着预警时间的延长,CAMS.LNWS的预警效果会有所降低. 相似文献
7.
KNN数据挖掘算法在北京地区霾等级预报中的应用 总被引:6,自引:1,他引:5
利用北京地区2013年气象数据以及PM2.5浓度数据与能见度数据进行对比分析,结果发现气温、气压、相对湿度、露点温度、地面U风、地面V风以及PM2.5小时浓度这7个要素是影响北京地区霾等级的关键因素。利用气温、地面气压、相对湿度、露点温度、U风、V风分量以及PM2.5浓度作为7个属性特征,以霾等级做为标志量构建训练样本集,结合KNN(K Nearest Neighbor)数据挖掘算法构建霾等级预报分类器,并开展霾等级客观识别实验。结果表明K=3时该分类器的分类预报效果最佳,其13个站点的分类准确率高达88.2%。基于该算法构建的KNN模型预报无霾时的漏报概率很小,准确率高达91.8%;预报有轻度霾、中度霾以及重度霾时,空报的概率仅分别为4.7%、1.4%和2.6%。2014年8月29日至9月2日北京地区一次霾天气过程的预报结果表明:南郊观象台、密云和延庆3站的预报准确率分别达到74%、64%和84%,但霾等级的精度方面还有待于进一步提高。 相似文献
8.
9.
10.