大气热力学(6)——位温和假相当位温

本篇文章源自我在 2021 年暑假自学大气物理相关知识时手写的笔记,现转化为电子版本以作存档。相较于手写笔记,电子版的部分内容有补充和修改。笔记内容大部分为公式的推导过程。

文章目录

  • 6.1 位温
  • 6.2 斜 T-lnP 图(Skew T-lnP)
    • 6.2.1 等温线的绘制
    • 6.2.2 干绝热线的绘制
  • 6.3 假相当位温

6.1 位温

空气块在干绝热过程中,其温度是变化的,同一气块处于不同的气压(高度)时,其温度值常常是不同的,这就给处在不同高度上的两气块进行热状态的比较带来一定困难。

为此,假设把气块都按干绝热过程移到同一高度(或等压面上),就可以进行比较了。把各层中的气块循着干绝热的程序订正到一个标准高度:1000hPa 处,这时所具有的温度称为位温,以 θ \theta θ 表示。以下是位温表达式的推导。

先写出干绝热方程(泊松方程)得:

T T 0 = ( p p 0 ) 0.286 \frac{T}{T_0} = \bigg(\frac{p}{p_0} \bigg)^{0.286} T0T=(p0p)0.286

T = θ , p = 1000 T = \theta,p = 1000 T=θp=1000 代入,即可得到位温的表达式:

θ = T 0 ( 1000 p 0 ) 0.286 \theta = T_0 \bigg(\frac{1000}{p_0} \bigg)^{0.286} θ=T0(p01000)0.286

式中, T 0 T_0 T0 p 0 p_0 p0 是干绝热过程起始时刻的温度和气压。此式表明,气块沿干绝热线升降时,位温恒定不变(或者说位温守恒),因此干绝热线也称为等位温线

我们把上式整理成:

p 0 0.286 = ( 100 0 0.286 θ ) T 0 p_0^{0.286} = \bigg( \frac{1000^{0.286}} {\theta} \bigg) T_0 p00.286=(θ10000.286)T0

我们发现,对任一 θ \theta θ 常数值,上式符合一个正比例函数 y = k x y=kx y=kx

  • y y y 对应 p 0 0.286 p_0^{0.286} p00.286
  • k k k 对应 ( 100 0 0.286 θ ) ( \frac{1000^{0.286}} {\theta} ) (θ10000.286)
  • x x x 对应 T 0 T_0 T0

每个 θ \theta θ 值都可以用一条干绝热线表示,且一定通过点 p 0 = 0 , T 0 = 0 p_0=0,T_0=0 p0=0T0=0。若使用前文所述的 T-lnP 图,则不同 θ \theta θ 值对应的干绝热线如下图所示:

在这里插入图片描述

在这张图中,等温线是垂直的(即垂直于 x x x 轴),干绝热线相对于等温线成锐角。注意,此处使用的 T-lnP 图并不是常用的 T-lnP 图,因为其纵坐标的尺度是 − 0.286 ln ⁡ p -0.286 \ln p 0.286lnp

在国内气象台中,T-lnP 图是比较常用的。但在国外,他们却并不使用这种图,原因是大多数探空数据都集中于上图的灰色狭小区域,不便使用。于是人们对上图进行了改良,将等温线变成倾斜的直线,从而产生了斜 T-lnP(skew T-lnP)图

6.2 斜 T-lnP 图(Skew T-lnP)

6.2.1 等温线的绘制

在斜 T-lnP 图中,纵坐标依然为 y = − ln ⁡ p y = -\ln p y=lnp,横坐标为:

x = T + m y = T − m ln ⁡ p x = T + my = T - m\ln p x=T+my=Tmlnp

其中 m m m 是一个可人为设定的常数, T T T 是等温过程的温度。上式又可写成:

y = x − T m y = \frac{x - T}{m} y=mxT

即:

− ln ⁡ p = 1 m x − T m -\ln p = \frac{1}{m} x - \frac{T}{m} lnp=m1xmT

注意,这个 T T T 是等温过程的温度,是一个常数,所以上式可视为一个一次方程:

− ln ⁡ p = c 1 x + c 2 ( T ) -\ln p = c_1x + c_2(T) lnp=c1x+c2(T)

其中, c 1 c_1 c1 是人为设定的常数,无论什么等温过程都不会变化;而 c 2 ( T ) c_2(T) c2(T) 为对每个等温过程的不同常数,是关于 T T T 的常数。我们一般令 c 1 = 1 c_1=1 c1=1,因此,等温线在斜 T-lnP 图上是一条从左到右的倾斜 45° 的直线,如下图的黑色实线所示:

在这里插入图片描述

6.2.2 干绝热线的绘制

为了说明斜 T-lnP 图是怎样表示干绝热线的,我们先写出位温的表达式:

p 0.286 = ( 100 0 0.286 θ ) T p^{0.286} = \bigg( \frac{1000^{0.286}} {\theta} \bigg) T p0.286=(θ10000.286)T

如果对上式两边取对数:

0.286 ln ⁡ p = ( 0.286 ln ⁡ 1000 − ln ⁡ θ ) + ln ⁡ T 整理得: − ln ⁡ p = − 1 0.286 ln ⁡ T − 0.286 ln ⁡ 1000 − ln ⁡ θ 0.286 0.286 \ln p = (0.286 \ln 1000 - \ln \theta) + \ln T \\ 整理得:-\ln p = -\frac{1}{0.286} \ln T - \frac{0.286 \ln 1000 - \ln \theta}{0.286} 0.286lnp=(0.286ln1000lnθ)+lnT整理得:lnp=0.2861lnT0.2860.286ln1000lnθ

把上式视为一次函数,自变量为 ln ⁡ T \ln T lnT,因变量为 − ln ⁡ p -\ln p lnp,则变成:

− ln ⁡ p = c 1 ln ⁡ T − c 2 ( θ ) -\ln p = c_1 \ln T - c_2(\theta) lnp=c1lnTc2(θ)

其中, c 1 c_1 c1 是常数, c 2 ( θ ) c_2(\theta) c2(θ) 是关于 θ \theta θ 的常数。如果在一个以 ln ⁡ T \ln T lnT 为横坐标、以 − ln ⁡ p -\ln p lnp 为纵坐标的图上绘制这条曲线,则干绝热线就是直线。

但是,在斜 T-lnP 图中,纵坐标依然为 − ln ⁡ p -\ln p lnp,但横坐标不是 ln ⁡ T \ln T lnT,而是 T T T。所以在斜 T-lnP 图上,干绝热线起始于图的右下方,终止于图的左上方,是稍有向下弯曲的一组线,在下图中淡淡的虚线即为一组干绝热线(可能很难看得清):

在这里插入图片描述

干空气团的上升过程,在图中可以表现为:沿着某条干绝热线从底部一直往上,随着高度的上升而降温,直到其相对湿度变为 100%(即空气变得饱和)后不再适用该线,而是使用湿绝热线。比如,若某团干空气的位温为 θ = 273 K \theta = 273 \mathrm{K} θ=273K,则该气团的上升相当于沿着位温为 273 K 273 \mathrm{K} 273K 的干绝热线向上画。

6.3 假相当位温

在气块的假绝热过程中,当气块中含有的水汽全部凝结降落时,所释放的潜热,就使原气块的位温提高到了极值(提升的大小即为 L q s C p , m \frac{L q_s}{C_{p,m}} Cp,mLqs),这个数值称为假相当位温,用 θ s e \theta_{se} θse 表示,定义如下:

θ s e = θ + L q s C p , m = T 0 ( 1000 p 0 ) 0.286 + L q s C p , m \begin{aligned} \theta_{se} &= \theta + \frac{L q_s}{C_{p,m}} \\ &= T_0 \bigg(\frac{1000}{p_0} \bigg)^{0.286} + \frac{L q_s}{C_{p,m}} \end{aligned} θse=θ+Cp,mLqs=T0(p01000)0.286+Cp,mLqs

式中, q s q_s qs 是气块在 1000hPa 处,1g 湿空气所含水汽量。由上式可以看出 θ s e \theta_{se} θse 是气压、温度和湿度的函数。

我们可以从 T-lnP 图中求得某气块的假相当位温。如下图所示,设有一气块,其温、压、湿分别为 ( p , T , q ) (p, T, q) (p,T,q)

在这里插入图片描述

  • 在图上温度、压力始于 A 点,这时气块是未饱和的,令其沿干绝热线上升到达凝结高度 B 点,这时气块达到饱和;
  • 当气块再继续上升时,就不断地有水汽凝结,这时它将沿湿绝热线上升降温,到达 C 点(这个 C 点如何确定?后面文章将会详细提及);
  • 在 C 点处,气块内水汽已全部凝结降落,再令其沿干绝热线下沉到 1000hPa(D 点),此时气块的温度(需沿着等温线读数)就是假相当位温 θ s e \theta_{se} θse

假相当位温不仅考虑了气压对温度的影响,而且也考虑了水汽对温度的影响,实际上是关于温度、压力、湿度的综合特征量,对于干绝热、假绝热和湿绝热过程都具有保守性

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/42976.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

第二课使用域名dns ping通www.baidu.com

需要一台dns服务器,实现域名解析,把对应的网址变为Ip地址。 首先按照之前博客的配置,自动分配给PC1和PC2的IP地址等相关配置。 然后增加一台server交换机连接到交换机上,配置好ip地址,192.168.1.100。在dnsServer中。…

CAD应用程序开发工具CST CAD Navigator 1.4.0.1 正式发布—— 带来了 G 代码生成功能

CST CAD Navigator是一款兼容Windows和Linux的CAD应用程序。在其简单的界面下,有一个可以快速查看2D图纸和3D模型的强大核心。软件可以轻松地导入和导出文件,获取尺寸,并创建截面视图。 下载最新版CST CAD Navigatorhttps://www.evget.com/p…

全网最全的接口文档速成

文章目录 接口文档内容前言1. 前后端分离开发1.1 介绍1.2 开发流程1.3 前端技术栈 2. Yapi2.1 介绍2.2 使用2.2.1 准备2.2.2 定义接口2.2.3 导出接口文档2.2.4 导入接口文档 3. Swagger3.1 介绍3.2 使用方式3.3 查看接口文档3.4 常用注解3.4.1 问题说明3.4.2 注解介绍3.4.3 注解…

Redis实战—秒杀优化(Redis消息队列)

回顾 我们回顾一下前文下单的流程,当用户发起请求,此时会请求nginx,nginx会访问到tomcat,而tomcat中的程序,会进行串行操作,分成如下几个步骤。 1、查询优惠卷 2、判断秒杀库存是否足够 …

文献笔记|综述|When Large Language Model Meets Optimization

When Large Language Model Meets Optimization 题目:当大型语言模型遇到优化时 作者:Sen Huang , Kaixiang Yang , Sheng Qi and Rui Wang 来源:arXiv 单位:华南理工大学 文章目录 When Large Language Model Meets Optimization…

IT审计必看!对比旧版,CISA考试改版升级亮点和重点内容是什么?

官方通知,今年8月1日,CISA新版考纲正式上线,旧版在7月23日后就无法约考了。 艾威培训邀请了国内知名的IT审计CISA授课老师吴老师来为大家详细讲解CISA新版考纲的变化 目前第28th版教材只有英文版,中文版尚未发布。我们艾威经验丰…

Jetson-AGX-Orin多网卡绑定网卡名

Jetson-AGX-Orin多网卡绑定网卡名 ​ Jetson-AGX-Orin当通过USB接口或者Type-C口插入网卡设备后,重新上电Orin设备后,网卡设备的网卡名与Orin本身的以太网网卡名会发生交换。导致两个网卡设备配置发生错乱,两个网卡都将不通。 可以通过将网…

出道即包揽多项荣誉,Shokz韶音OpenFit Air拿下日本VGP金奖

说到盛夏的日本,你会想到什么?花火大会?但对于消费电子行业来讲,日本每年发布的VGP Summer奖项,才是每年盛夏时节行业内最大的庆典。而在今年的VGP 2024 Summer评选中,Shokz韶音在今年4月份刚发布的开放式耳…

开放式耳机音质哪个品牌的好?盘点几款音质好品牌

在音乐的世界里,每一分贝的振动都承载着情感与故事。对于追求极致音质体验的我们来说,耳机不仅是聆听的工具,更是通往音乐灵魂深处的桥梁。而开放式耳机,以其独有的声学构造和听觉享受,引领我们进入一个更为开阔的音乐…

vue中,图片在div中按照图片原来大小等比例显示

图片在div中按照图片原来大小等比例显示&#xff0c;可以保证web上显示的图片和实际图片形状一样&#xff0c;保留原始图片效果 实现代码如下&#xff1a; <div style"padding: 0; width:400px;height:400px;position: absolute;border: 1px solid #eff2f6;">…

如何探索高效知识管理:FlowUs知识库体验很好

在当今信息爆炸的时代&#xff0c;有效的知识管理对于个人和团队的发展至关重要。FlowUs 知识库作为一款创新的知识管理工具&#xff0c;正逐渐成为众多用户的首选&#xff0c;为他们带来了高效、便捷和有条理的知识管理体验。 FlowUs 知识库的一大特色在于其简洁直观的界面设计…

【ai_agent】从零写一个agent框架(五)基于egui制作一个agent/workflow在线编辑器

前言 上篇我们实现了基础节点&#xff0c;并暴露出grpc服务&#xff0c;但是手动编辑文本制作一个workflow实在强人所难。 所以本文我们做个webui自动生成workflow。 开搞之前先看看别人怎么做的。 Dify 的ui 效果如下图示&#xff1a; 支持多种功能节点 但只能打开一个节…

【spark】Exception in thread “main“ ExitCodeException exitCode=-1073741701

在window上运行spark程序写到本地文件的时候报错。 val rdd sc.sparkContext.parallelize(list)val arr rdd.collect()arr.foreach(println)rdd.saveAsTextFile("test1")sc.close()错误信息: zhangsan lisi wangwu Exception in thread "main" ExitCode…

红日靶场----(三)漏洞利用

上期已经信息收集阶段已经完成&#xff0c;接下来是漏洞利用。 靶场思路 通过信息收集得到两个吧靶场的思路 1、http://192.168.195.33/phpmyadmin/&#xff08;数据库的管理界面&#xff09; root/root 2、http://192.168.195.33/yxcms/index.php?radmin/index/login&am…

阿里云通义千问开源两款语音基座模型分别是SenseVoice和CosyVoice

阿里巴巴近期发布了开源语音大模型项目FunAudioLLM&#xff0c;该项目包含了两个核心模型&#xff1a;SenseVoice和CosyVoice。可以精准多语言识别并且进行语音克隆。 SenseVoice&#xff1a;精准多语言识别与情感辨识 SenseVoice主要致力于高精度多语言语音识别、情感辨识和…

使用八股搭建神经网络

神经网络搭建八股 使用tf.keras 六步法搭建模型 1.import 2.train, test 指定输入特征/标签 3.model tf.keras.model.Sequential 在Squential,搭建神经网络 4.model.compile 配置训练方法&#xff0c;选择哪种优化器、损失函数、评测指标 5.model.fit 执行训练过程&a…

数据结构双向循环链表

主程序 #include "fun.h" int main(int argc, const char *argv[]) { double_p Hcreate_head(); insert_head(H,10); insert_head(H,20); insert_head(H,30); insert_head(H,40); insert_tail(H,50); show_link(H); del_tail(H); …

Python 传递参数和返回值

Python是一种功能强大的编程语言&#xff0c;它以其简洁和易用性而广受欢迎。在Python编程中&#xff0c;参数传递和返回值是函数调用中两个非常重要的概念。理解这些概念对于编写高效且可维护的代码至关重要。 一、参数传递 在Python中&#xff0c;函数参数可以通过以下几种…

Golang期末作业之电子商城(源码)

作品介绍 1.网页作品简介方面 &#xff1a;主要有&#xff1a;首页 商品详情 购物车 订单 评价 支付 总共 5个页面 2.作品使用的技术:这个作品基于Golang语言&#xff0c;并且结合一些前端的知识&#xff0c;例如:HTML、CSS、JS、AJAX等等知识点&#xff0c;同时连接数据库的&…

统信UOS软件包标识化工具deepin-sbom-tools使用

原文链接&#xff1a;统信UOS上使用软件包标识化工具deepin-sbom-tools Hello&#xff0c;大家好啊&#xff01;今天给大家带来一篇关于在统信UOS上使用软件包标识化工具deepin-sbom-tools的文章。deepin-sbom-tools是一个强大的工具&#xff0c;可以帮助开发者和系统管理员更好…