NLGTM（1,1^s）灰色模型及其应用

基于灰色ＧＭ（１，１）模型，研究和提出了带有时间限制项的灰色非线性模型－ＮＬＧＴＭ（１，１＾ｓ），初步应用表明，灰色ＮＬＧＴＭ（１，１＾ｓ）模型具有较高精度，进一步拓宽了ＧＭ（１，１）模型在环境系统中的应用范围。     

DM（1）模型用于地表水COD浓度预测

常规ＧＭ（１，１）是一个指数模型，应用于多样环境系统有一定的局限性。本文根据某地表水中ＣＯＤ浓度的时序数据，建立了ＧＰＭ（１）预测模型。结果表明ＧＰＭ（１）模型优于常规ＧＭ（１，１）模型。它拓宽了ＧＭ（１，１）模型在环境单变量时序系统中的应用范围，为环境系统的拟合、预测和决策提供了新的途径。     

灰色生长曲线与万元产值废水量预测

基于ＧＩＭ（１）灰色线性幂函数曲线，研究开发出ＧＰＭ（１）这一新的灰色生长曲线，并建立了ＧＰＭ（１）简捷的参数辨别方法。研究表明，ＧＰＭ（１）概念明确，结论可信，精度令人满意，比传统的皮尔生长曲线在应用上有着更大的优越性。为具有生长规律的非线性灰色环境系统的分析、预测和决策提供了新途径。     

GIM（1）灰色模型预测环保投资趋势的可行性探析

环保投资作为环保系统的一个子系统，并不一定具有指数函数规律。本文利用ＧＩＭ（１）灰色模型，探析了它在环保投资趋势预测应用中的可行性。初步应用表明，在序列不完全满足光滑化条件时，ＧＩＭ（１）灰色模型对系统变量的“白化”能力较ＧＭ（１，１）强，而与ＧＳＭ（１）灰色模型相当，信息利用率高，是分析、预测环保投资动态发展趋势一条切实可行的途径。     

非等间隔GM（1,1）模型及其预测应用

ＧＭ（１，１）模型是常用的一种时序环境预测方法，但非等间隔灰色模型（ＮＥＧＭ（１，１））预测的先例却较少。本文简介了ＮＥＧＭ（１，１）之建模思想，并以山东省１９８５￣１９９３年工业废水排放量为例，探讨其应用效果。结果表明，该方法对估计已逝时序值与预测未来时序值，都是可行的。     

环保投资的GSM（1）预测模型初探

基于灰色ＧＭ（１，１）模型，本文研究和提出了环保投资的ＧＳＭ（１）预测模型．初步应用表明，该模型误差小、精度高，可以满足环保投资预测要求．     

煤矸石综合利用趋势灰色预测新探

本文基于ＧＰＭ（１）曲线，研究并提出了由幂函数与线性函数组成ＧＰＩＭ（１）预测模型。煤矸石综合利用趋势灰色预测的初步应用表明，该模型无论是序列仿真度，还是系统同态性，均大大优于常规ＧＭ（１，１）模型，是研究煤矸石综合利用客观规律的一种新的认识方法。     

稳健GIM（1）预测模型及其应用

结合某水域地面水ＢＯＤ５的预测实践，研究提出了稳健ＧＩＭ（１）预测模型。该模型的参数估计运用最小残差绝对和算法，并探讨了其较常规最小二乘法在处理含异常值的系统的优点。实例表明，稳健ＧＩＭ（１）模型比常规ＧＩＭ（１）模型的预测更可行。     

工业废气年排放量的灰色GM（1,1）预测

本文根据灰色理论ＧＭ（１，１）预测方法，以保山地区１９９３－１９９７年度工业废气年排放量数据为基础，建立了保山地区工业废气年排放量的ＧＭ（１，１）预测模型。模型精度为一级，用该模型进行预测，能反映出保山地区工业废气年排放量的发展变化情况。     

预测工业废渣综合利用量的GIM（1）模型

利用灰色ＧＩＭ（１）模型，预测了某地１９９５－２００４个间工业废渣综合利用的发展变化趋势。实例表明，ＧＩＭ（１）和ＧＭ（１，１）更能反映原始资料提供的信息，精度优良，结论可靠，可以作为一种研究环境系统客观规律的新的认识方法。     

Comparison between linear and non-linear forms of pseudo-first-order and pseudo-second-order adsorption kinetic models for the removal of methylene blue by activated carbon

The best-fit equations of linear and non-linear forms of the two widely used kinetic models, namely pseudo-first-order and pseudo-second-order equations, were compared in this study. The experimental kinetics of methylene blue adsorption on activated carbon was used for this research. Both the correlation coefficient (R ²) and the normalized standard deviation Δq(%) were employed as error analysis methods to determine the best-fitting equations. The results show that the non-linear forms of pseudo-first-order and pseudo-second-order models were more suitable than the linear forms for fitting the experimental data. The experimental kinetics may have been distorted by linearization of the linear kinetic equations, and thus, the non-linear forms of kinetic equations should be primarily used to obtain the adsorption parameters. In addition, the Δq(%) method for error analysis may be better to determine the best-fitting model in this case.     

考虑非线性吸附时溶质在有限厚度粘土中的一维扩散解

在采用非线性分段式吸附等温模式的基础上,建立了溶质在粘土中的一维扩散模型,在考虑有限厚度边界及土中溶质背景浓度的条件下得到了相应的解.模型引入了移动边界以说明当溶质在粘土孔隙水中的浓度达到某一较高值后,阻滞因子将发生显著变化.算例分析表明,该模型和考虑经典非线性吸附等温线得到的结果相差不大,这进一步说明了该模型的合理性.考虑非线性吸附效应对溶质迁移有重要影响.在较高溶质浓度下采用线性吸附等温模式会得到偏不安全的结果.该解相对较简单,并可用于验证各种数值模型、拟合试验数据等.     

多氯联苯在土壤中的吸附行为

对多氯联苯在多组分体系中的吸附行为进行了初步研究, 考察了多氯联苯在土壤中的 吸附动力学及在5种不同性质土壤中的吸附行为.结果表明,多氯联苯在5种土壤上的吸附等温 线无法用线性、Freundlich或Langmuir中的一个方程来描述,而本实验建立的组合模型可以 很好地反映多氯联苯在各种土壤中的吸附行为,其数据拟合结果明显优于其他3种模型.多氯 联苯在土壤中的吸附分为两个部分,一部分是线性吸附,另一部分是Langmuir非线性吸附.随 着土壤有机碳含量的增加, 非线性吸附愈明显.     

信息理论指数及其在有机磷农药毒性预测研究中的应用

为探讨化合物结构与毒性关系研究方法,将定量描述分子结构特征的信息理论指数、价分子连续性指数应用于有机磷农药毒性预测研究,提出了基团信息参数。运用判别分析、多元非线性回归分析,依据１１４种有机磷农药急性毒性数据资料,按动物不同给药途径,分别建立定性、定量预测模型,定性判别回代符合率均在８３．３３％以上,定量回归方程相关指数Ｒ＾２均在０．８１以上,回归残差呈正态分布。预测分析,预测值均在ＬＤ５０测定值     

Influencing factors and prediction of ambient Peroxyacetyl nitrate concentration in Beijing, China

Peroxyacyl nitrates (PANs) are important secondary pollutants in ground-level atmosphere. Accurate prediction of atmospheric pollutant concentrations is crucial to guide effective precautions for before and during specific pollution events. In this study, four models based on the back-propagation (BP) artificial neural network (ANN) and multiple linear regression (MLR) methods were used to predict the hourly average PAN concentrations at Peking University, Beijing, in 2014. The model inputs were atmospheric pollutant data and meteorological parameters. Model 3 using a BP-ANN based on the original variables achieved the best prediction results among the four models, with a correlation coefficient (R) of 0.7089, mean bias error of ? 0.0043 ppb, mean absolute error of 0.4836?ppb, root mean squared error of 0.5320?ppb, and Willmott's index of agreement of 0.8214. Based on a comparison of the performance indices of the MLR and BP-ANN models, we concluded that the BP-ANN model was able to capture the highly non-linear relationships between PAN concentration and the conventional atmospheric pollutant and meteorological parameters, providing more accurate results than the traditional MLR models did, with a markedly higher goodness of R. The selected meteorological and atmospheric pollutant parameters described a sufficient amount of PAN variation, and thus provided satisfactory prediction results. More specifically, the BP-ANN model performed very well for capturing the variation pattern when PAN concentrations were low. The findings of this study address some of the existing knowledge gaps in this research field and provide a theoretical basis for future regional air pollution control.     

河流水质大系统灰色非线性规划的分解协调方法

对多排污口和复杂河系排污的水质规划问题进行了研究,探讨了河流水质系统的广义不确定性,建立了河水质灰色非线性规划模型。针对河流复杂排污体系的灰色非线性规划面临的高阶、高维和非线性问题,提出运用大系统理论分解协调方法解决上述问题。在此基础上,定义了灰凸集,灰凸函数,灰凸规划,证明了灰色非线性规划模型的厂广Ｋｕｈｎ－Ｔｕｃｋｅｒ条件。实例研究表明,本模型与方法合理、可信、适合于一般含灰参数非线性规划问题     

基于Landsat8影像的Himawari-8叶绿素a空间降尺度研究

新型地球静止气象卫星Himawari-8由于空间分辨率较低,其叶绿素a产品难以满足空间异质性高的近岸海域水质监测要求。为了克服这个限制,基于非线性的随机森林算法,利用陆地资源卫星Landsat8的波段反射率数据和Himawari-8的叶绿素a产品,通过构建降尺度模型,以提高Himawari-8的叶绿素a数据的空间分辨率。结果表明,2个秋季模型和2个冬季模型的模型决定系数(R²)分别达到0.6、0.72、0.71和0.85;均方根误差(RMSE)为别为1.47,1.05,1.89,0.76mg/m³。通过实测站点数据对比分析表明,降尺度模型生成的叶绿素a与葵花叶绿素a数据具有较高的一致性,R²达到了0.81,能较好的反映近岸海域叶绿素a浓度的空间变化特征。     

若尔盖亚高山草甸地上生物量与植被指数关系研究

为探讨亚高山草甸地上生物量和植被指数的关系,更好服务于草地生态建设,论文利用2008年7月覆盖若尔盖地区的TM影像,分别建立了7种植被指数（NDVI、RVI、DVI、SAVI、MSAVI、PVI、GVI）与地上生物量的线性和4种非线性（二次多项式、三次多项式、对数、幂函数）回归模型。研究结果表明植被指数（NDVI、DVI、SAVI、MSAVI、PVI、GVI）与地上生物量模型表现出三次多项式回归模型最优,再次是二次多项式模型、线性模型,相对较差的是指数模型;而基于RVI的地上生物量模型表现为指数模型最优,其次为三次多项式模型、二次多项式模型、线性模型。分析表明,基于RVI的地上生物量幂函数模型的模拟效果最好,复相关系数R²=0.817 7,精度检验结果表明该模型的平均误差为6.80%,拟合精度达93.20%,根据此模型模拟出若尔盖县草地地上生物量分布图,表明该县草地生物量东南部较高而西北部较低。     

非参数模型在河湖富营养化研究领域应用进展

河湖富营养化过程受流域水污染、生境破坏和闸坝控制等多因素非线性叠加影响,在一定程度上限制了常规水生态机理模型的模拟精度.非参数模型以其强大的数据分析能力在河湖水生态问题诊断和预测方面得到了广泛应用,该文系统梳理了国内外近20年来河湖富营养化非参数模型的相关研究成果,通过Citespace开展基于WoS与CNKI数据库的相关文献大数据可视化分析,全面阐明了结构方程模型（SEM）、贝叶斯网络（BN）、支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）、梯度推进机（GBM）、广义相加模型（GAM）等主流非参数模型在河湖富养化营研究中的适用性与局限性,对具有相似特征的模型进行对比分析并提出展望,以期为水生态模拟相关研究提供科学有效的方法支撑.结果表明:非参数模型在河湖富营养化研究领域中的应用呈指数增长趋势,其中SEM、BN、RF、GBM和GAM模型适用于河湖富营养化问题的诊断和驱动要素识别,BN、ANN、SVM、RF、GBM和GAM具有良好的非线性拟合预测能力.非参数模型将是今后一段时期内开展水生态大数据分析诊断和预测管控的关键技术手段.综合考虑区域异质性与多重环境因子在不同时空尺度上响应关系及强人类活动干扰下的河流水生态退化风险,利用生态机理模型与非参数模型耦合求解与优化算法引入,精准识别水生态健康退化的环境压力阈值,开展变化环境下的水生态退化风险预测预警,将是未来非参数模型在河湖富营养化应用研究的重要方向.      

Prediction of the concentration of chlorophyll-a for Liuhai urban lakes in Beijing City

The weekly water quality monitor data of Liuhai lakes between April 2003 and November 2004 in Beijing City were used as an example to build an artificial neural networks （ANN） model and a multi-varieties regression model respectively for predicting the fresh water algae bloom. The different predicted abilities of the two methods in Liuhai lakes were compared. A principle analysis method was first used to select the input variables of the models to avoid the phenomenon of collinearity in the data. The results showed that the input variables for the artificial neural networks were T, TP, transparency（SD）, DO, chlorophyll-a （Chl-a）,pH and the output variable was Chl-a. A three layer Levenberg-Marguardt feed forward leaming algorithm in ANN was used to model the eutrophication process of Liuhai lakes. 20 nodes in hidden layer and 1 node of output for the ANN model had been optimized by trial and error method. A sensitivity analysis of the input variables was performed to evaluate their relative significance in determining the predicted values. The correlation coefficient between predicted value and observed value in all data and in test data were 0.717 and 0.816 respectively in the artificial neural networks. The stepwise regression method was used to simulate the linear relation between Chl-a and temperature, of which the correlation coefficient was 0.213. By comparing the results of the two models, it was found that neural network models were able to simulate non-linear behavior in the water eutrophication process of Liuhai lakes reasonably and could successfully estimate some extreme values from calibration and test data sets.