本文研制建立了一个预测青海省夏季降水的动力—统计相结合的组合降尺度预测方法(Hybrid Statistical Downscaling Prediction,HSDP),该方法综合利用了 气候模式 Climate Forecast System 2.0版本(CFSv2)实时预测的高可预报性环流信息及前期观测的与青海夏季降水具有高相关性的气候因子,采用年际增量方法,基于气候变量的年际增量规律建立统计模型,从而实现对青海夏季降水进行动力—统计相结合的气候预测.根据全球气候因子的年际增量与青海省夏季降水年际增量的相关系数,以及CFSv2预测产品对实况模拟能力的评估,选取以下关键区气候变量的年际增量作为预测因子:(1)CFSv2模式预测当年夏季包含贝加尔湖脊、乌拉尔山脊和新疆脊区域的500 hPa高度场;(2)CFSv2模式预测青藏高原以西200 hPa纬向风场;(3)观测资料中前1 a秋、冬季热带太平洋地区海表面温度场;(4)观测资料中前1 a秋、冬季西伯利亚地区的海平面气压场,对青海省夏季降水进行统计降尺度预测.统计降尺度模型利用1983-2011年进行建模,回报2012-2018年夏季青海省降水的空间分布和时间变化,并对该模型对1983-2011年的夏季青海省降水的回报能力进行了交叉检验.回报结果表明该统计降尺度模型对CFSv2的青海省夏季降水预测能力有显著的提高,能够很好地再现青海省夏季降水西北部的高原地区偏少,而在东南部偏多的特点.该模型预测所得2012-2018年夏季青海省降水的时间变化也与实况有着较高的相关系数(0.76),对于降水显著偏少的年份(如2015年)和显著偏多的年份(如2012、2018年)的降水预测都有很好的表现.对于建模时段的交叉检验结果(相关系数为0.46,比模型回报结果与实况的相关系数0.48略低)表明,该模型具有较高的稳定性和可靠性.

多源遥感信息和特征优选是提高农作物识别精度的重要支撑,高分六号(GF-6)卫星作为首次引入红边波段的国产卫星,其丰富的光谱信息为作物识别提供了新的思路和解决途径.该研究基于宁夏回族自治区银川市永宁县2018年6月—2019年3月的GF-6数据,充分利用红边优势提取光谱特征、纹理特征和植被指数特征,构建多种特征组合方案,并根据随机森林算法对特征重要性进行度量,选取最优特征组合对酿酒葡萄进行精准识别.结果表明,与单一特征相比,多源遥感特征的增加显著改善了酿酒葡萄分类效果,其中,植被指数贡献程度最大,光谱特征次之;基于随机森林的优选特征组合分类效果最佳,其中,总体分类精度为94.15％,酿酒葡萄用户精度为94.23％,制图精度为92.59％;以实地调查的4个酒庄为验证区,将酿酒葡萄提取结果与统计数据进行对比,面积相对精度均在70％以上,其中优选特征结果相对精度在90％以上,研究结果将为国产卫星红边波段在植被分类和识别方面的应用提供数据参考.