2003年1—12月全国发生死亡10人以上重大、特大事故回眸（六）

9月20日22时左右，福建省永泰县嵩口镇与长庆镇的13个行政村遭遇特大山洪暴发灾害事故。截止21日20时，已造成死亡7人．失踪5人．受伤1人，房屋倒塌140多幢，桥梁被毁9座。     

数字视频监控系统在某国税局大楼中的应用

本文简单介绍了视频监控系统从最初的模拟视频监控系统发展到现在的数字视频监控系统的发展历程,并指出了数字视频监控系统的优点.然后对在视频网络中的协议和传输协议进行了详细的讨论,讨论了协议的层次结构和传输协议的内部机制,并介绍了在视频监控系统中采用的多播传输方式,最后结合实际应用给出了其在国税局中的实际应用.     

宁西铁路的开通与沿线区域经济发展

宁西铁路的建成与开通对加强我国东西部地区之间的联系和促进沿线地区的资源开发、经济发展将产生重要的影响,沿线经济带正在逐步形成.从区域经济的角度,运用点-轴理论探讨了宁西铁路线与沿线经济发展区域一体化和形成经济带应注意的几个问题:加快沿线城镇建设,完善综合交通通道,强化铁路为地方经济服务功能,建立沿线区域经济协作体系.     

极谱法测定水和污水中的铜

采用JP-2型示波极谱仪在醋酸-醋酸钠底液中测定水和污水中铜的含量,具有灵敏度高、检出限低的优点.     

聚合硅酸硫酸铝铁的制备与应用

在n(Fe A1)／n(Si)为0．5～1．0、n(Al)／n(Fe)为2．5～3．0、SiO2质量分数为2．3％、硅酸钠溶液的活化pH为5．5、硅酸钠溶液的活化时间为12min或SiO2的质量分数为2．0％、硅酸钠溶液的活化pH为6．0、硅酸钠溶液的活化时间为3min的条件下，制备出的聚合硅酸硫酸铝铁对废水的除浊效果最佳，除浊率大于98％。     

基于哨兵-3A卫星OLCI数据的最大叶绿素指数在太湖蓝藻水华监测中的应用

欧洲航天局于2016年2月16日成功发射哨兵-3A卫星,搭载的水色遥感仪器(OLCI)提供了很好的海洋和内陆水体生态指标观测反演能力。基于OLCI获取的太湖L1b级遥感数据产品,利用OLCI Oa10、Oa11、Oa12波段计算了重要的水色/水生态遥感指标,即最大叶绿素指数(MCI),在此基础上初步分析了MCI在太湖蓝藻水华监测预警中应用效果。研究表明:(1)哨兵-3A卫星OLCI影像质量清晰,构建的MCI能够反映太湖水体叶绿素信号强度;(2)与常用的归一化植被指数相比,在蓝藻没有明显积聚的藻-水混悬水域,MCI与叶绿素浓度有很好的关联,可更灵敏地反映叶绿素浓度的空间分布特征。MCI将在蓝藻监测上具有更好的适用性,可有效提高富营养湖泊蓝藻水华的预警预报精度。     

直接进样-高效液相色谱-串联质谱分析水中微囊藻毒素

建立了直接进样-高效液相色谱-串联四极杆质谱分析环境水样中微囊藻毒素-LR的分析方法。方法使用C18反相柱为分离柱,柱温40℃,流速0.7 mL/min,乙腈和甲酸水溶液(0.1%)作流动相,采用梯度洗脱,保留时间4.13 min。串联质谱采用多反应监测模式,使用ESI(+)源电离水样。在上述条件下,水样过粒径为0.45μm的滤头后可直接进样,进样体积25μL时检出限可达0.04μg/L,在0.10~200μg/L范围内线性良好(R=0.999 8);样品加标回收率为96.6%~106%,相对标准偏差为1.3%~5.6%。同时方法应用到实际环境水样分析中也具有令人满意的结果。该方法灵敏度高,快速简单,适用于环境水样中MC-LR的分析。     

超声辅助离子液体微萃取-液相色谱-串联质谱法测水中六溴环十二烷

建立了超声辅助离子液体液-液微萃取(USA-IL-DLLME)结合液相色谱-串联质谱测定水中六溴环十二烷3种异构体(α-HBCD、β-HBCD、γ-HBCD)的分析方法。实验中分别考察了离子液体萃取剂的种类及体积、超声时间、样品p H及盐浓度等因素的影响。在最佳条件下,HBCDs 3种异构体在0.5~100μg/L质量浓度条件下有较好的线性关系,相关系数大于0.998,最低检出限分别为156.4、84.6、85.5 ng/L,测定下限分别为0.626、0.339、0.342μg/L。相对标准偏差(n=5)为5.3%~9.7%。采用该方法对实际环境水样进行了检测与加标回收实验,在1、20μg/L 2个添加水平下,加标回收率为71%~102%。方法具有简单快速、有机溶剂用量少、绿色环保的特点。     

基于机器学习分类算法解析EIS数据的有机涂层性能评价方法

目的 基于机器学习分类算法快速评估有机涂层的防腐性能。方法 通过实验室加速试验模拟涂层真实的退化过程,并根据测得的电化学数据,分析不同退化阶段的等效电路元件参数。随后,采用随机抽样方法获取大量数据,用于机器学习模型训练。通过对比支持向量机(SVM)、k最近邻(k-NN)和随机森林(RF)3种不同的机器学习算法,以及多种输入特征集训练的涂层性能分类器模型的准确率,分析最适合用于涂层性能快速评估的机器学习算法和电化学特征。结果 根据不同输入特征训练的k-NN和RF模型均表现出良好的预测效果,而SVM模型的预测效果相对较差。根据不同频率范围训练的分类器模型中,在低频区表现最佳,而在高频区表现较差。结论 基于阻抗虚部、虚部+实部和阻抗模值3种输入特征训练的RF分类器模型的预测效果最准确。不同频率区间内,低频区的阻抗特征更能准确表征涂层性能。