土壤温、湿度是陆面过程的重要参数，也是大气数值模式下边界条件的重要物理参量。由于土壤湿度的观测站点较少，土壤温湿度的空间资料较少，另外，土壤温湿度作为干旱预测的主要内容，需要知道未来时刻的土壤温湿度变化。因此，如何获得未来时刻土壤温湿度的时空变化具有重要意义。本文根据土壤湿度的记忆性特点，通过机器学习方法试图获得模式中土壤湿度的时空变化。采用卷积神经网络算法（Convolutional Neural Networks，CNN），考虑土壤温度对土壤湿度的影响，选取ERA5 0~7、7~28、28~100、100~289 cm深度层土壤温、湿度作为预测因子，对月、季尺度上土壤湿度变化进行预测。结果表明，本方法能提前6个月对土壤湿度进行可靠有效地预测；预测的浅层（0~28 cm）与深层（28~289 cm）土壤湿度平均偏差分别小于0.05、0.02 m³·m^-3；在湿润区，平均偏差基本在0.03 m³·m^-3以内，表现出较好的效果。本文的预测方法和结果，既可用于土壤干旱的预测，也可作为数值模式初边界场的形成。

利用酒泉地区4 个测风塔( 2009 年10 月至2010 年9 月) 一年的近地层风场观测资料，对该地区近地层风场的月平均风速及方差、风场日变化特征、垂直变化、风向玫瑰、最大风速、风速威布尔分布、低空风切变等特征进行了分析。结果表明: 酒泉地区一年中近地层平均风速最大出现在夏季或春季，对应的风向最多为东风或西风方向，最小出现在冬季; 近地层平均风速具有上层风速夜晚大，白天小，中间存在一个日变化较小的转换层; 近地层平均风速廓线，不论冬夏底层风速均随高度的增高而增大，且夜晚比白天增大得快。近地层风垂直切变8 月份白天风速垂直切变较夜晚小，最靠近地面一层的风切变最大，存在一个风切变最小的中间层; 冬季表现出和夏季不一致的特征。夏季近地层主频风向东风方向占多数，冬季近地层主频风向为东、西风方向占多数，存在较大季节差异。