Abstract A dataset of 282 meteorological stations including all of the ordinary and national basic/reference surface stations of north China is used to analyze the urbanization effect on surface air temperature trends. These stations are classified into rural, small city, medium city, large city, and metropolis based on the updated information of total population and specific station locations. The significance of urban warming effects on regional average temperature trends is estimated using monthly mean temperature series of the station group datasets, which undergo inhomogeneity adjustment. The authors found that the largest effect of urbanization on annual mean surface air temperature trends occurs for the large-city station group, with the urban warming being 0.16°C (10 yr)−1, and the effect is the smallest for the small-city station group with urban warming being only 0.07°C (10 yr)−1. A similar assessment is made for the dataset of national basic/reference stations, which has been widely used in regional climate change analyses in China. The results indicate that the regional average annual mean temperature series, as calculated using the data from the national basic/reference stations, is significantly impacted by urban warming, and the trend of urban warming is estimated to be 0.11°C (10 yr)−1. The contribution of urban warming to total annual mean surface air temperature change as estimated with the national basic/reference station dataset reaches 37.9%. It is therefore obvious that, in the current regional average surface air temperature series in north China, or probably in the country as a whole, there still remain large effects from urban warming. The urban warming bias for the regional average temperature anomaly series is corrected. After that, the increasing rate of the regional annual mean temperature is brought down from 0.29°C (10 yr)−1 to 0.18°C (10 yr)−1, and the total change in temperature approaches 0.72°C for the period analyzed.

The atmospheric flow field and weather processes exhibit complex and variable characteristics at small scales, involving interactions between terrain features and atmospheric physics. To investigate the mechanisms of these process further, this study employs a Lagrangian particle motion model combined with a Euler background field approach to construct a small-scale atmospheric flow field model. The model streamlines the modeling process by combining the benefits of the Lagrangian dynamics model and the Eulerian integration scheme. To verify the effectiveness of the Euler–Lagrange hybrid model, experiments using the Fluent wind field model were conducted for comparison. The results show that both models have their advantages in handling terrain-induced wind fields. The Fluent model excels in simulating the general characteristics of wind fields under specific terrain, while the Euler–Lagrange hybrid model is better at capturing the upstream and downstream disturbances of the terrain on the atmospheric flow field. These findings provide powerful tools for in-depth diagnostic analysis of atmospheric flow simulation and convective precipitation processes. Notably, the Euler–Lagrange hybrid model demonstrates excellent computational efficiency, with an average computation time of approximately 2 s per time step in a Python environment, enabling rapid simulation of 40 time steps within approximately 90 s.

Abstract Biphasic system not only presents a promising opportunity for complex catalytic processes, but also is a grand challenge in efficient tandem reactions. As an emerging solar‐to‐chemical conversion, the visible‐light‐driven and water‐donating hydrogenation combines the sustainability of photocatalysis and economic‐value of hydrogenation. However, the key and challenging point is to couple water‐soluble photocatalytic hydrogen evolution reaction (HER) with oil‐soluble hydrogenation. Herein, we employed metal–organic frameworks (MOFs) and CdS nanorods to construct a MOF‐CdS dual‐layer Pickering emulsion (water in oil, W/O), which compartmented aqueous phase for photocatalytic HER and oil phase for hydrogenation. The hydrophobic MOF and hydrophilic CdS were isolated at the inner and outer layers of W/O emulsion, respectively. The molecularly regulated hydrophobicity of MOF controlled the water delivery onto CdS photocatalysts, which realized the synergistic regulation of HER and hydrogenation. In the photocatalytic hydrogenation of cinnamaldehyde, the highest yield of MOF‐CdS Pickering emulsion reached 187.37 mmol ⋅ g −1 ⋅ h −1 , 30 times that of the counterpart without emulsion (6.44 mmol ⋅ g −1 ⋅ h −1 ). Its apparent quantum yield reached 43.24 % without co‐catalysts. To our knowledge, this performance is at a top‐level so far. Our work realized the precise regulation of water‐oil interface to effectively couple two reactions in different phases, providing new perspective for challenging tandem catalysis.

Simulating wind turbine blade icing quickly is important for wind farms to issue early warnings and effectively deal with the adverse effects of cold weather. However, current numerical simulation methods suffer from high computational costs and lack straightforward acceleration techniques for practical ice prediction. Here, we developed a fast and simple blade icing simulation method via an integrated physical simulation and statistical analysis method. This method consists of two steps: firstly, numerical simulation with CFD, and secondly, table look-up calculations. Over 10,000 sets of wind turbine blade icing simulations based on FENSAP-ICE and an NACA64-A17 wing were conducted to develop this method and analyze the influences of environmental factors on blade icing. The results show that ice thickness generally increases with an increase in wind speed, a decrease in temperature, and an increase in liquid water content (LWC), but there is a nonlinear relationship between them. For example, ice thickness has a linear relationship with the LWC within a certain range but hardly changes with a LWC beyond that range. The validation results show that the fast simulation method established in this paper has good consistency with the original numerical simulation method. It can greatly improve the computational efficiency of icing simulations while retaining the accuracy of numerical simulations. It takes less than 1 s to complete over 1000 sets of icing simulations, which offers potential for the fast prediction of wind turbine blade icing in the future.

Hydropower generation is influenced by various factors such as precipitation, temperature, and installed capacity, with hydrometeorological factors exhibiting significant temporal variability. This study proposes a hydropower generation forecasting method based on Transformer and SE-Attention for different provinces. In the model, the outputs of the Transformer and SE-Attention modules are fed into an LSTM layer to capture long-term data dependencies. The SE-Attention module is reintroduced to enhance the model’s focus on important temporal features, and a linear layer maps the hidden state of the last time step to the final output. The proposed Transformer-LSTM-SE model was tested using provincial hydropower generation data from Yunnan, Sichuan, and Chongqing. The experimental results demonstrate that this model achieves high accuracy and stability in medium- and long-term hydropower forecasting at the provincial level, with an average accuracy improvement of 33.79% over the LSTM model and 24.30% over the Transformer-LSTM model.