广东气象信息网_广东气象影响因子一览表
1.Frontiers of Earth Science 的SCI影响因子多少
2.请问气象水文海洋仪器是核心期刊么？
3.极端气温、降雨-洪水模型(BP神经网络)的建立
影响水面蒸发的因素主要有：水的温度，因为温度越高，水分子运动越剧烈，蒸发越快。水的表面积，水的表面积越大，水分子挣脱束缚的能力就越强。水周围空气流动的速度，周围空气流动的速度越快，蒸发越快。
自然条件下的蒸发是水分和热量的综合反映，一般来说，蒸发的发生取决于两个条件：一个是将水由液态变为气态的热能；另一个是是否有水分的供应，以及水分供应的状况。
水面蒸发是最简单的蒸发形式，属于水分供应不受限制的蒸发面。因此蒸发主要受制于水面所接受的太阳辐射能量。
水体蒸发的意义：
水体蒸发表面是水分子汽化时必经的通道，一般来说，水面面积越大，则蒸发量越大，蒸发作用进行得越快。对于局部区域来说，水面面积越大，其上空的水汽越不易被带离水面区域，水面上空的水汽含量越多，越不利于水面蒸发的进行。
水面蒸发不仅会受水量影响，而且还受到水质的影响，即水中溶解溶质多少的影响。一般来说，水中溶质的浓度越大，水体蒸发量越小，比如海水比淡水的蒸发量就小2%～3%。
这是由于溶质的存在而减小了单位水面面积内水分子的数量，即在本质上减小了纯水面蒸发面积，从而减小了水体的蒸发量。
Frontiers of Earth Science 的SCI影响因子多少
以北京雾霾为例，我们谈一下个人的观点，与大家一起讨论这个科学问题！
北京大闹雾霾十几年来，北京治了十几年，千治万理还是霾；然后，京津冀，千治万理还是霾；然后，华北地区，千治万理还是霾！其根本原因是治标不治本，大建污水处理厂才是引发雾霾爆发的根本原因！以前我们已经多次谈过我们的这个观点，今天我们再来证明我们的观点；这个观点是否正确希望您来反证！
1、雾霾的分布与污水处理的分布具有很强的正相关性
a.右上角的区域为什雾霾很重？经查该区域为密云水库上游区域，自2003开始进行污水治理；到2007年共建设村污水处理站35座，乡镇污水处理厂4座，污水处理厂的具体位置很难一一标注，闹雾霾与污水处理厂建设还是非常正相关的！
b.有图顶部有一个点雾霾非常重，非常具有代表性，经查该区域为汤河口镇，2004年10月建成污水处理厂并开始运行，处理能力300t/d！
c、延庆区八达岭工业区有污水处理厂但该区域没有雾霾；可能与该区域海拔高度高860米、大气湿度低、风力较大扩算条件比较好有关；欢迎补充这方面的气象资料！
d.从这个图可以看出雾霾分布与污水处理厂分布具有很强的正相关性，但看不出雾霾分布与养殖户、工厂、汽车、燃煤有任何相关性！
2、北京雾霾爆表与大建污水处理厂在时间上正相关
上图是北京市区1954-2014年污水处理数据总汇，从图表可以看出在2007年北京市市区的污水处理率达到了100%,而北京是从2007年开始大闹雾霾！雾霾爆表，这种时间上的正相关性我们没有看到官方给出任何合理的解释！
3、污水处理厂的尾气成分与专家所说雾霾的成分正相关！
污水处理厂尾气的主要成分是：H2S 、NH3、挥发性有机物。H2S与氧气反应形成SO2，SO2遇水形成硫酸根离子；而NH3遇水形成铵根离子。也就是说污水处理厂的尾气遇水（雾气）要形成大量的硫酸铵。
按照专家测试的北京雾霾的主要成分是硫酸铵，硝酸铵，挥发性有机物；这就是说污水处理厂的尾气是形成雾霾的主要因素，也就是说污水处理厂的尾气与雾霾的主要成分100%正相关！
4、大建污水处理厂使pm2.5浓度增加！
大气湿度与PM2.5浓度成反比！国内多位多地的学者根据当地的气象数据已经发表了多篇结论相同的文章：大气湿度与PM2.5浓度成反比！。资料显示北京的年均空气湿度是逐年降低的，不完整的资料统计从1999年的年均空气湿度是56,2000年54、2003年53、2008年52、2009年51、到2011年降到49；这与图表显示的北京市的污水能力想吻合；即污水处理率越高年均大气湿度越低，PM2.5的浓度就会越大，也就是说PM2.5的浓度升高与大建污水厂正相关！
5、雾霾不是飘来的、铵离子的来源是关键！
雾霾发生在无风或者微风天气，显然雾霾不是飘来的而是来自当地，尤其NH4+的来源具有唯一性那就是污水处理厂，因为北京市区没有化工厂、化肥厂、没有养殖场、没有农场，不仅污水处理厂的尾气会排放气态的NH3，,而且污水厂排除的中水里也含有大量离子态的NH4+,在阳光的作用下也会变成气态的NH3挥发到大气中，显然污水处理厂是雾霾的的主要成分硫酸铵中的铵离子的主要来源。
6、汽车尾气、燃煤与雾霾只是部分相关！
燃煤和汽车会产生二氧化硫、氮氧化物，遇水会产生硫酸、硝酸，原来的主要危害是酸雨；燃煤、汽车与雾霾的爆发在化学成分上有相关性，但只是部分相关，再者燃煤、和汽车已经有百年史了，雾霾大规模爆发是近十年的事，所以，燃煤与汽车与雾霾的爆发在时间上是不相关的！
7、别向农民泼脏水，雾霾是因用化肥
雾霾的爆发的气候特征是微风或者无风的天气，雾霾是飘来的观点显然是不成立的，因为雾霾主要发生在城市，所以雾霾的主要来源也在城市！也就是铵离子的来源在城市，以北京为例，几乎所有排尾气的工厂都搬迁了，铵离子的几乎唯一来源就是污水处理厂！
8、污水厂才是引发雾霾爆发的根本因素
总之，雾霾爆发与大建污水厂在时间、地点上、分布上正相关、在雾霾的化学成分上完全正相关；由此看来 大建污水处理厂是雾霾大规模爆发的根本因素！就像大建污水厂引发蓝藻、浒苔灾害一样！
参考资料：
1.密云水库水源保护区水污染及防治--《北京水务》2007年03期?://.cnki.cn/Article/CJFDTOTAL-BJSL200703016.htm
2.北京地区雾霾气候特征及影响因子分析_百度文库?s://wenku.baidu/view/7cf404787fd5360cba1adb5a.html
3.北京市污水处理厂(站)一览表(至2010年)_图文_百度文库 .s://wenku.baidu/view/38c298282af90242a895e5d7.html
4. 高德地图?s://.amap/fes
5. 北京怀柔深山区汤河口镇将建污水处理厂-中国水网 ://.h2o-china/news/29137.html
6.污水处理厂生物气溶胶中微生物种群及化学成分特征研究
请问气象水文海洋仪器是核心期刊么？
Impact Factor 0.88 2014年影响因子 0.88
Frontiers of Earth Science in China是由教育部主管、高等教育出版社主办和出版、德国Springer公司海外发行的Frontiers in China系列英文学术期刊之一，以网络版和印刷版两种形式出版，于2007年1月创刊，季刊。《Frontiers of Earth Science》编辑部设于华东师范大学地理信息科学教育部重点实验室，实验室主任高炜教授担任主编。涉及领域包括地质学、自然地理学、地球化学、地球物理学、地球生物学、地息学、地球技术科学、气候遥感等，特别关注地球科学和其他学科的交叉融合，聚焦于一些蓬勃发展的领域。得到中国地质大学、华东师范大学、北京师范大学、兰州大学、国家气象局、美国科罗拉多州立大学等多所知名高校和科研机构的联合支持。本刊已被INSPEC和SCOPUS等收录。2010年11月被收录为"中国科技论文统计源期刊"(中国科技核心期刊)。2012年被美国科学引文索引(SCI)收录。
极端气温、降雨-洪水模型(BP神经网络)的建立
气象水文海洋仪器：经查证，不是2011版北大核心
复合影响因子：0.179
综合影响因子：0.094
主办： 长春气象仪器研究所;中国仪器仪表学会气象水文海洋仪器分会
周期： 季刊
出版地：吉林春市
语种： 中文;
开本： 16开
ISSN： 1006-009X
CN： 22-1135/TH
历史沿革：
现用刊名：气象水文海洋仪器
创刊时间：1988
极端气温、降雨与洪水之间有一定的联系。根据1958～2007年广西西江流域极端气温、极端降雨和梧州水文站洪水数据，以第5章相关分析所确定的显著影响梧州水文站年最大流量的测站的相应极端气候因素(表4.22)为输入，建立人工神经网络模型。
4.5.1.1 BP神经网络概述
(1)基于BP算法的多层前馈网络模型
用BP算法的多层前馈网络是至今为止应用最广泛的神经网络，在多层的前馈网的应用中，如图4.20所示的三层前馈网的应用最为普遍，其包括了输入层、隐层和输出层。
图4.20 典型的三层BP神经网络结构
在正向传播中，输入信息从输入层经隐含层逐层处理，并传向输出层。如果输出层不能得到期望的输出结果，则转入反向传播，将误差信号沿原来的连同通路返回，通过修改各层神经元的权值，使得误差最小。BP算法流程如图4.21所示。
图4.21 BP算法流程图
容易看出，BP学习算法中，各层权值调整均由3个因素决定，即学习率、本层输出的误差信号以及本层输入信号y(或x)。其中，输出层误差信号同网络的期望输出与实际输出之差有关，直接反映了输出误差，而各隐层的误差信号与前面各层的误差信号都有关，是从输出层开始逐层反传过来的。
1988年，Cybenko指出两个隐含层就可表示输入图形的任意输出函数。如果BP网络只有两个隐层，且输入层、第一隐含层、第二隐层和输出层的单元个数分别为n，p，q，m，则该网络可表示为BP(n，p，q，m)。
(2)研究区极端气温、极端降雨影响年最大流量过程概化
极端气温、极端降雨影响年最大流量的过程极其复杂，从极端降雨到年最大流量，中间要经过蒸散发、分流、下渗等环节，受到地形、地貌、下垫面、土壤地质以及人类活动等多种因素的影响。可将一个极端气候-年最大流量间复杂的水过程概化为小尺度的水系统，该水系统的主要影响因子可通过对年最大流量影响显著的站点的极端气温和极端降雨体现出来，而其中影响不明显的站点可忽略，从而使问题得以简化。
BP神经网络是一个非线形系统，可用于逼近非线形映射关系，也可用于逼近一个极为复杂的函数关系。极端气候-年最大流量水系统是一个非常复杂的映射关系，可将之概化为一个系统。BP神经网络与研究流域的极端气候-年最大流量水系统的结构是相似的，利用BP神经网络，对之进行模拟逼近。
(3)隐含层单元数的确定
隐含层单元数q与所研究的具体问题有关，目前尚无统一的确定方法，通常根据网络训练情况用试错法确定。在训练中网络的收敛用输出值Ykp与实测值tp的误差平方和进行控制
变环境条件下的水保护与可持续利用研究
作者认为，虽然现今的BP神经网络还是一个黑箱模型，其参数没有水文物理意义，在本节的研究过程中，将尝试着利用极端气候空间分析的结果来指导隐含层神经元个数的选取。
(4)传递函数的选择
BP神经网络模型算法存在需要较长的训练时间、完全不能训练、易陷入局部极小值等缺点，可通过对模型附加动量项或设置自适应学习速率来改良。本节用MATLAB工具箱中带有自适应学习速率进行反向传播训练的traingdm( )函数来实现。
(5)模型数据的归一化处理
由于BP网络的输入层物理量及数值相差甚远，为了加快网络收敛的速度，使网络在训练过程中易于收敛，对输入数据进行归一化处理，即将输入的原始数据都化为0～1之间的数。本节将年极端最高气温的数据乘以0.01;将极端最低气温的数据乘以0.1;年最大1d、3d、7d降雨量的数据乘以0.001;梧州水文站年最大流量的数据乘以0.00001，其他输入数据也按类似的方法进行归一化处理。
(6)年最大流量的修正
梧州水文站以上的流域集水面积为32.70万km2，广西境内流域集水面积为20.24万km2，广西境内流域集水面积占梧州水文站以上的流域集水面积的61.91%。因此，选取2003～2007年梧州水文站年最大流量和红水河的天峨水文站年最大流量，分别按式4.10计算每年的贡献率(表4.25)，取其平均值作为广西西江流域极端降雨对梧州水文站年最大流量的平均贡献率，最后确定平均贡献率为76.88%。
变环境条件下的水保护与可持续利用研究
表4.25 2003～2007年极端降雨对梧州水文站年最大流量的贡献率
建立“年极端气温、降雨与梧州年最大流量模型”时，应把平均贡献率与梧州水文站年最大流量的乘积作为模型输入的修正年最大流量，而预测的年最大流量应该为输出的年最大流量除以平均贡献率76.88%，以克服极端气温和降雨研究范围与梧州水文站集水面积不一致的问题。
4.5.1.2年极端气温、年最大1d降雨与梧州年最大流量的BP神经网络模型
(1)模型的建立
以1958～19年年极端最高气温、年极端最低气温、年最大1d降雨量与梧州水文站年最大流量作为学习样本拟合、建立“年极端气温、年最大1d降雨-梧州年最大流量BP神经网络模型”。以梧州气象站的年极端最高气温，桂林、钦州气象站的年极端最低气温，榜圩、马陇、三门、黄冕、沙街、勾滩、天河、百寿、河池、贵港、金田、平南、大化、桂林、修仁、五将雨量站的年最大1d降雨量为输入，梧州水文站年最大流量为输出，隐含层层数取2，建立(19，p，q，1)BP神经网络模型，其中神经元数目p，q经试算分别取16和3，第一隐层、第二隐层的神经元用tansig传递函数，输出层的神经元用线性传递函数，训练函数选用traingdm，学习率取0.1，动量项取0.9，目标取0.0001，最大训练次数取200000。BP网络模型参数见表4.26，结构如图4.22所示。
图4.22年极端气温、年最大1d降雨-梧州年最大流量BP模型结构图
表4.26 BP网络模型参数一览表
从结构上分析，梧州水文站年最大流量产生过程中，年最高气温、年最低气温和各支流相应的流量都有其阈值，而极端气温和极端降雨是其输入，年最大流量是其输出，这类似于人工神经元模型中的阈值、激活值、输出等器件。输入年最大1d降雨时选用的雨量站分布在14条支流上(表4.27)，极端降雨发生后，流经14条支流汇入梧州，在这一过程中极端气温的变化影响极端降雨的蒸散发，选用的雨量站分布在年最大1d降雨四个自然分区的Ⅱ、Ⅲ、Ⅳ3个区。该过程可与BP神经网络结构进行类比(表4.28)，其中， 14条支流相当于第一隐含层中的14个神经元，年最高气温和年最低气温相当于第一隐含层中的2个神经元，年最大1d降雨所在的3个分区相当于第二隐含层的3个神经元，年最高气温、年最低气温的影响值和各支流流量的奉献值相当于隐含层中人工神经元的阈值，从整体上来说，BP神经网络的结构已经灰箱化。
表4.27 选用雨量站所在支流一览表
表4.28 BP神经网络构件物理意义一览表
(2)训练效果分析
训练样本为40个，经过113617次训练，达到精度要求。在命令窗口执行运行命令，网络开始学习和训练，其训练过程如图4.23所示，训练结果见表4.29和图4.24。
表4.29年最大流量训练结果
图4.23 神经网络训练过程图
图4.24年最大流量神经网络模型训练结果
从图4.26可知，训练后的BP网络能较好地逼近给定的目标函数。从训练样本检验结果(表4.5)可得:1958～19年40年中年最大流量模拟值与实测值的相对误差小于10%和20%的分别为39年，40年，合格率为100%。说明“年极端气温、年最大1d降雨- 梧州年最大流量预测模型”的实际输出与实测结果误差很小，该模型的泛化能力较好，模拟结果较可靠。
(3)模型预测检验
把1998～2007年梧州气象站的年极端最高气温，桂林、钦州气象站的年极端最低气温，榜圩、马陇、三门、黄冕、沙街、勾滩、天河、百寿、河池、贵港、金田、平南、大化、桂林、修仁、五将雨量站的年最大1d降雨量输入到“年极端气温、年最大1d降雨梧州年最大流量BP神经网络模型”。程序运行后网络输出预测值与已知的实际值进行比较，其预测检验结果见图4.25，表4.30。
图4.25年最大流量神经网络模型预测检验结果
表4.30 神经网络模型预测结果与实际结果比较
从预测检验结果可知:1998～2007年10年中年最大流量模拟值与实测值的相对误差小于20%的为9年，合格率为90%，效果较好。
4.5.1.3年极端气温、年最大7d降雨与梧州年最大流量的BP神经网络模型
(1)模型的建立
以1958～19年年极端最高气温、年极端最低气温、年最大7d降雨量和梧州水文站年最大流量作为学习样本来拟合、建立“年极端气温、年最大7d降雨- 梧州年最大流量BP神经网络模型”。以梧州气象站的年极端最高气温，桂林、钦州气象站的年极端最低气温，凤山、都安、马陇、沙街、大湟江口、大安、大化、阳朔、五将雨量站的年最大7d降雨量为输入，梧州水文站年最大流量为输出，隐含层层数取2，建立(12，p，q，1)BP神经网络模型，其中，神经元数目p，q经试算分别取10和4，第一隐层、第二隐层的神经元用tansig传递函数，输出层的神经元用线性传递函数，训练函数选用traingdm，学习率取0.1，动量项取0.9，目标取0.0001，最大训练次数取200000。BP网络模型参数见表4.31，结构如图4.26所示。
表4.31 BP网络模型参数一览表
图4.26年极端气温、年最大7d降雨-梧州年最大流量BP模型结构图
本节输入年最大7d降雨时选用的雨量站分布在8条支流上(表4.32)，在发生极端降雨后，流经8条支流汇入梧州，在这一过程中极端气温的变化影响极端降雨的蒸散发，且选用的雨量站分布在年最大7d降雨四个自然分区的Ⅰ、Ⅱ、Ⅲ、Ⅳ4个区中。该过程可与BP神经网络结构进行类比(表4.33)，其中，8条支流相当于第一隐含层中的8个神经元，年最高气温和年最低气温相当于第一隐含层中的2个神经元，年最大7d降雨所在的4个分区相当于第二隐含层的4个神经元，整体上来说，BP神经网络的结构已经灰箱化。
表4.32 选用雨量站所在支流一览表
表4.33 BP神经网络构件物理意义一览表
(2)训练效果分析
训练样本为40个，经过160876次的训练，达到精度要求，在命令窗口执行运行命令，网络开始学习和训练，其训练过程如图4.27所示，训练结果见表4.34，图4.28。
图4.27 神经网络训练过程图
表4.34年最大流量训练结果
图4.28年最大流量神经网络模型训练结果
从图4.28可知，训练后的BP网络能较好地逼近给定的目标函数。由训练样本检验结果(表4.34)可得:1958～19年40年中年最大流量模拟值与实测值的相对误差小于10%和20%的，分别为38年、40年，合格率为100%。说明“年极端气温、年最大7d降雨-梧州年最大流量BP神经网络模型”的泛化能力较好，模拟的结果较可靠。
(3)模型预测检验
把1998～2007年梧州气象站的年极端最高气温，桂林、钦州气象站的年极端最低气温，凤山、都安、马陇、沙街、大湟江口、大安、大化、阳朔、五将雨量站的年最大7d降雨量输入到“年极端气温、年最大7d降雨- 梧州年最大流量BP神经网络模型”。程序运行后网络输出预测值与已知的实际值进行比较，其预测结果见图4.29和表4.35。
图4.29年最大流量神经网络模型预测检验结果
表4.35 神经网络模型预测结果与实际结果比较
由预测检验结果可知:1998～2007年10年中年最大流量模拟值与实测值的相对误差小于20%的为7年，合格率为70%，效果较好。
4.5.1.4 梧州年最大流量-年最高水位的BP神经网络模型
(1)模型的建立
以1941～19年梧州水文站的年最大流量与年最高水位作为学习样本来拟合、建立梧州水文站的“年最大流量-年最高水位BP神经网络模型”。以年最大流量为输入，年最高水位为输出，隐含层层数取1，建立(1，q，1)BP神经网络模型，其中，神经元数目q经试算取7，隐含层、输出层的神经元用线性传递函数，训练函数选用traingdm，学习率取0.1，动量项取0.9，目标取0.00001，最大训练次数取200000。BP网络模型参数见表4.36，结构如图4.30所示。
表4.36 BP网络模型参数一览表
图4.30 梧州年最大流量—年最高水位BP模型结构图
广西西江流域主要河流有南盘江、红水河、黔浔江、郁江、柳江、桂江、贺江。7条主要河流相当于隐含层中的7个神经元(表4.37)，整体上来说，BP神经网络的结构已经灰箱化。
表4.37 BP神经网络构件物理意义一览表
(2)训练效果分析
训练样本为57个，经过3327次训练，误差下降梯度已达到最小值，但误差为3.00605×10-5，未达到精度要求。在命令窗口执行运行命令，网络开始学习和训练，其训练过程如图4.31所示，训练结果见图4.32和表4.38。
表4.38年最高水位训练结果
从图4.32和表4.19可看出，训练后的BP网络能较好地逼近给定的目标函数。对于训练样本，从检验结果可知:1941～19年57年中年最高水位模拟值与实测值的相对误差小于10%和20%的分别为56a，57a，合格率为100%。说明“年最大流量-年最高水位BP神经网络模型”的实际输出与实测结果误差很小，该模型的泛化能力较好，模拟的结果比较可靠。
图4.31 神经网络训练过程图
图4.32年最高水位神经网络模型训练结果
(3)模型预测检验
把1998～2007年梧州水文站年最大流量输入到“年最大流量-年最高水位BP神经网络模型”。程序运行后网络输出预测值与已知的实际值进行比较，其预测结果见图4.33，表4.39。
表4.39 神经网络模型预测结果与实际结果比较
从预测检验结果可知:1998～2007年10年中，年最高水位模拟值与实测值的相对误差小于20%的为10年，合格率为100%，效果较好。
图4.33年最高水位量神经网络模型预测检验结果