鄱阳湖流域多尺度C、N输送通量及其水质参数变化特征

本文选取鄱阳湖流域内从初级支流到最大干流再到湖区(香溪→架竹河→赣江→鄱阳湖)这一联通水系线路为研究对象,通过对丰水期和枯水期内各级河流对应流域及鄱阳湖湖区内水体中的各形态C、N浓度进行监测,计算各级河流间C、N元素运移通量,探讨鄱阳湖流域水体C、N迁移过程机制和水质参数变化特征,为鄱阳湖流域生态系统的综合健康管理提供科学依据.结果表明:(1)鄱阳湖通江流域的C、N浓度呈明显季节变化,其中TIC、TOC、TC浓度丰水期较高,而NO_3~--N和DTN浓度枯水期较高.丰水期TC增加的主要原因是TIC增加,丰水期TN主要以非溶解态存在,而枯水期TN主要以DTN中的NO_3~--N形式存在.(2)鄱阳湖通江流域的C、N输出通量呈明显季节变化,其中香溪各形态C丰水期通量较枯水期小,架竹河、赣江各形态C丰水期通量较枯水期大,香溪、架竹河、赣江流域各形态N在丰水期通量大多较枯水期小,各形态C、N通量与径流量在99%的置信水平上呈极显著正相关关系.(3)鄱阳湖流域水体参数丰水期COND、TDS、pH小于枯水期,丰水期ORP大于枯水期.     

基于阶段式时序注意力网络的PM2.5鲁棒预测

PM_2.5浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM_2.5预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM_2.5的相关性分析,提出阶段式时序注意力网络模型（staged temporal-attention network,STAN）,该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM_2.5浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1）对比广泛使用的单一类模型支持向量机（support vector machine,SVM）、长短期时序记忆方法（long short-term memory,LSTM）和多层感知机（multilayer perceptron,MLP）,STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络（U-net）,STAN领先了7%的优势。2）以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM_2.5变化规律并抑制噪声数据,且STAN模型可以进行PM_2.5浓度的鲁棒预测。     

鄱阳湖多尺度流域磷源输送特征及其生态效应

本文选取鄱阳湖梯级流域内从初级支流到湖区(香溪→架竹河→赣江→鄱阳湖)连通水系线路为研究对象,通过对鄱阳湖流域磷(P)湿沉降及径流过程进行监测,探讨鄱阳湖多尺度流域磷源输送特征及其对浮游植物群落结构的影响.结果表明:①鄱阳湖流域的P浓度呈明显的季节变化,除香溪流域外,其余流域的总磷(TP)、可溶性总磷(DTP)和磷酸根(PO_4~(3-))浓度均为枯水期较高,丰水期较低;丰水期时,TP浓度与硅藻密度存在极显著的相关关系,枯水期时,TP浓度与隐藻有极显著的相关关系.②次降雨过程研究表明:不同降雨强度下TP和PO_4~(3-)的浓度及地表径流通量的大小顺序均为:小雨中雨大雨.③丰水年和枯水年的沉降通量存在显著差异,丰水年约为枯水年的2.8倍,P的输出通量呈明显的季节性变化,丰水期大于枯水期;随流域逐级增大,但P输出贡献率未显著增加,说明逐级支流P输送并不是各级流域P的主要来源.     

大型体育场馆水-能-碳足迹关联模型与不确定性分析

为构建适用于体育场馆类微观建筑水系统的水-能-碳足迹关联模型,分析了各类体育场馆的特点,采用排放因子法对体育场馆开展包括生活水系统、空调水系统及体育水系统在内的模型搭建,解析了取水、给水、用水及排水的能源消耗与碳排放过程。采用数据质量评价与随机分析相结合的方法进行数值不确定性分析;采用情景分析法与敏感性分析法进行情景不确定性分析,识别并量化影响因素。以2022年北京冬奥会延庆赛区的国家雪车雪橇中心场馆为例的分析结果表明:水在全生命周期中制冰项与供暖项碳排放量最高,分别为161.2,114.3 t CO₂,在先进技术+清洁能源情景下可减少65.4%的碳排放量,变异系数为0.183~0.187。使用绿色电力、采用节水器具、中水回用、提高能源利用效率等措施可达到稳定的减排效果。