基于BP神经网络城市环境噪声预测及实证研究

城市噪声污染严重影响着人们的生活与工作,采用合适的方法对噪声污染进行评价并预测,进而提出有效的预防及治理措施是噪声污染防治的关键问题,文章利用灰色关联分析选取了影响环境噪声的主要因素,采用BP(Back propagation,BP)神经网络对北京市1994~2006年的环境噪声污染进行评价并预测,验证结果误差较小,说明基于灰色关联的BP神经网络能够有效地对城市环境噪声污染进行评价和预测。     

空气中PM_(10)浓度的BP神经网络预报研究

BP神经网络在空气污染预报领域的应用越来越广泛,本文建立了某市PM10浓度预报的分段BP神经网络模型。经验证所建立BP预报模型预测精度比较高,PM10日平均浓度误差大多数在-0.010～0.010mg/m3范围内,相对误差在-20%～20%范围内,表明BP神经网络对PM10的浓度预报是一种有效的工具。     

遗传神经网络在累积性环境风险评价中的应用

以太湖流域常州段为研究对象，构建了累积性水环境风险评价指标体系，利用主成分分析法选取输入变量，并应用MATLAB建立遗传神经网络综合评价模型。运用遗传算法对BP神经网络的权值和阈值进行优化，将遗传算法全局搜索能力和BP算法局部搜索能力相结合，提高了收敛速度和精度。应用模型对2004—2009年常州市累积性水环境风险进行了综合评价，结果表明：2004—2009年风险综合指数总体上处在中级与高级之间，累积性水环境风险较大；2008—2009年风险综合指数不断增大，趋于低级；农业和畜禽养殖业等面源风险源、污水处理和风险管理投资等控制机制以及人口和环境敏感目标等风险受体是造成太湖流域常州段累积性水环境风险较大的主要原因。     

基于人工蜂群算法的BP双隐含层神经网络水质模型

采用人工蜂群算法优化BP神经网络的初始权值和阈值,同时采用双隐含层来提高网络精度,选取DO、IMn、COD、BOD5和NH3-N作为评价指标,建立一个基于人工蜂群算法的BP双隐含层神经网络模型,并应用该模型对2012年黄河水系下河沿断面的各月监测数据进行水质评价,同时与BP神经网络、模糊层次评价方法作比较。结果表明:基于人工蜂群算法的BP双隐含层神经网络在水质评价时,均方误差小,多次运行的结果始终一致,评价结果合理有效。     

基于AGNES算法优化BP神经网络和GIS系统的大气污染物浓度预测

建立了大气污染物浓度与影响因子之间的BP神经网络,对城市中各监测点位的次日大气污染物浓度进行预测,采用GIS的插值分析进行污染物空间分布预测,其中BP神经网络的输入向量采用AGNES算法进行处理。以太原市区SO2、PM10浓度预测为例,选择气温、湿度、降水量、大气压强、风速和前5天的污染物浓度等10个参数训练BP神经网络,结果表明,BP神经网络的训练效果较好,预测结果与实际浓度显著相关,R2分别为0.988、0.976;结合太原市8个监测点位的污染物浓度预测值,运用GIS空间差值法绘出SO2、PM10的浓度分布预测图,该图与实际情况大体符合,并且与国控大气污染企业的分布显著相关,Pearson相关系数分别为0.969、0.949。     

基于小波分析与BP神经网络的PM_(10)浓度预测模型

应用小波分析和BP神经网络相结合的方法,建立大气污染物浓度预测模型。首先,利用静态小波分解将原始的大气污染物浓度序列分解为不同频段的小波系数序列;其次,将重要的气象因子和各尺度上的小波系数序列作为BP神经网络的输入;最后,对输出的各序列预测值重构,得到最终的预测结果。使用该模型对重庆市主城区某国控监测站点的PM_(10)浓度预测,结果表明,与传统的BP神经网络模型相比,该预测模型的推广能力强、预测精密度高,具有良好的应用前景。     

神经网络模型在环境监测机构编制管理中的应用研究

根据非线性化现代神经元理论 ,以湖北省三、四级环境监测站为例 ,建立了神经网络定量测算人员编制的模型。研究确立了反向传播 BP模型在测算人员编制中的应用方法及技术路线。采用所建模型对某部门、某单位人员编制测算具有操作方便灵活 ,准确可靠以及实用性、通用性和动态可操作性特点。不仅可指导环保系统机构实现科学化定编、定员 ,同时对其他事业单位编制的规范化管理亦有参考意义。     

BP神经网络改进算法预测水质浓度的应用

探讨了黄河兰州段地表水水质浓度预测的BP神经网络法，建立了一种动态的、及时的、超前的BP神经网络预测模型。并在标准算法的基础上用2种改进算法同时进行比较。结果表明，改进的BP算法在水质浓度预测中更能胜任，时间短、准确度高。     

大气环境数据分析预测方法对比研究

以西安市2006年9月27日至2008年5月3日每日的SO2平均浓度时间序列为例,应用时间序列分析对前555个数据进行拟合,得到合适的时间序列模型ARIMA(1,1,2);利用神经网络中的BP神经网络和RBF神经网络对同样的样本进行训练,用这三种方法对2008年4月4日至2008年5月3日的SO2日均浓度值进行了预测,并用同样的方法分析预测了同期PM10日均浓度值,最后比较了它们的预测效果。结果表明,利用这三种方法进行浓度预测都是可行的,其中RBF神经网络法的预测误差最小,效果最好。     

环境磁学在城市地表灰尘重金属污染研究中的应用

随着环境问题日渐突出,地表灰尘重金属污染日益成为研究热点。单纯采用化学方法监测重金属污染具有一定局限性,环境磁学方法以其简便、快捷、经济且无害化的特点在城市重金属污染研究中广为应用。通过文献调研,综述环境磁学在城市地表灰尘重金属污染研究中的应用与研究进展,阐明重金属的主要来源,简述环境磁学的诸多参数,分析磁学参数与重金属的关系,并通过对比不同的磁学分析方法,探讨环境磁学方法在城市地表灰尘重金属污染研究中存在的问题及其发展趋势。     

21世纪中国城市环境地质问题

从全球环境的角度对中国城市的环境地质问题进行了研究.文中分析了当今全球主要环境问题,探讨了全球环境变异对中国城市地质环境的影响,详细研究了现代城市工程经济建设中引起的环境工程地质问题.     

NARX神经网络模型在昆明市环境空气质量预测中的应用

神经网络模型作为一种重要的手段被广泛应用于数学计算、物理建模、水文模拟、环境预测、人工智能等研究领域。为验证神经网络模型在高原山地城市环境空气质量预测中的作用,以昆明市环境空气自动监测站气象因子和污染物浓度数据为基础,构建NARX神经网络模型,对污染物浓度进行预测。结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对环境空气6参数做出较为准确的预测,其预测浓度相对误差显著低于CMAQ、NAQPMS空气质量数值模式以及LSTM统计模型预测结果。优化后的NARX神经网络对污染物浓度变化趋势的预测较其他几个模式更为敏感。     

BP网络在环境评价中的应用

介绍ＢＰ网络算法，给出了在珲春河水质评价中的应用实例，并与其它方法作了对照。由结果可以看到，该方法科学合理。     

智能算法及其在环境预警中的应用

智能算法具有学习非线性问题的能力,可有效优化环境模型结构与参数,是环境预警的重要工具。重点分析了遗传算法和人工神经网络的相关特征,并以太湖蓝藻水华预报预警为例,介绍其在提高环境模型精度中的应用。     

基于BP神经网络的藻类水华预测模型研究

以宁波大学校内池塘2009年3—10月间30周的监测数据为基础,运用BP人工神经网络方法构建预测模型,探求颤藻生物量与总氮、总磷、透明度等6项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析。结果显示:①BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。②通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的pH是宁波大学校内池塘藻类水华防治工作的重点。     

数据融合技术在环境监测网络中的应用与思考

按照环境监测网络的信息处理结构,将网络划分为采集层、网络层和应用层,归纳了数据级融合、特征级融合、决策级融合3层融合级别,介绍了加权平均、卡尔曼滤波、人工神经网络、支持向量机、遗传算法、贝叶斯系统等在环境监测数据分析中的应用,指出当前面临的数据处理技术不成熟、评价体系不完善和数据质量监管能力不足等问题,提出优化网络结构、数据多元应用和强化决策支持等研究建议。     

我国生态环境监测网络建设成效与展望

2015年中央全面深化改革领导小组审议通过《生态环境监测网络建设方案》,推动全国生态环境监测网络建设取得重大成就。对照《生态环境监测网络建设方案》提出的"全面设点,完善生态环境监测网络"方面的任务与要求,对生态环境监测网络建设成效进行客观评估,并对生态环境监测面临的形势与不足进行了深入剖析。针对加强生态环境监测网络建设、探索生态环境监测多手段融合应用模式、强化生态环境监测数据智慧应用等方面提出了当前及今后中长期生态环境监测发展的相关建议。     

BP网络应用于大气颗粒物的源解析

应用BP网络对大气颗粒物进行源解析,将大气采集样本中的元素含量和大气颗粒物源成分谱构成训练样本集,用BP网络进行训练,由训练好的网络的权值可以计算出大气颗粒物的污染排放源的权重贡献率.将BP源解析法的计算结果与其它源解析法得到的结果比较,表明BP网络应用于大气颗粒物的源解析是可行的.