提高GPS定位精度的群调度滤波算法*

为解决现行安全生产科技领域中全球定位系统（GPS）/惯性导航系统（INS）融合系统容易产生较大时变误差的关键问题，满足GPS定位信号的精度和信号数据处理时间的要求，提出1种群调度滤波算法，通过实验仿真，分别与模糊算法、机器学习算法及卡尔曼滤波网络算法进行比较研究。结果表明:群调度滤波算法兼顾了定位精度与数据处理时间，具有较大优势，可在航空安全、船舶安全、应急监测、灾后抢险等安全科技领域广泛应用。     

CLUE-S模型对村镇土地利用变化的模拟与精度评价

利用航片、IKONOS和Quickbird影像得到研究区3期（1991、2001和2009年）土地利用历史数据，运用CLUE S模型，基于1991、2001年的土地利用数据对2009年土地利用格局进行模拟预测，并将模拟结果与2009年真实土地利用数据进行比较。类型水平上，选择ROC曲线统计和偏离度指数分别对各地类的Logistic回归拟合精度和CLUE S模型模拟精度进行评价；景观水平上，采用景观指数和Kappa指数系列方法，从综合预测能力、景观格局、数量和空间位置等方面对CLUE S模型的模拟精度进行全面评估。结果表明:①CLUE S模型对各土地利用类型的模拟精度均较高，各地类的Logistic回归的拟合精度随着模拟分辨率的提高而逐渐增加；②随着模拟时间的缩短，CLUE S模型对整体景观格局的模拟精度提高；③该模型对土地利用数量的模拟精度明显优于其对空间位置的模拟精度。总体而言，CLUE S模型在村镇尺度的模拟效果良好，预测精度较高，但在空间位置和景观格局精度方面还有待提高     

分光光度法测定总氮的准确度研究

采用碱性过硫酸钾消解紫外分光光度法测定水中总氮时常出现空白值偏高、样品平行性较差、实验准确度不高等现象.为此,从总氮的测定过程出发,探讨了影响总氮测定的主要因素,有利于提高水质总氮测定的准确度.结果表明,分析试剂纯度、实验用水水质、器皿的清洗程度等对总氮的测定均有一定影响,适当延长消解时间与提高消解温度也有利于降低总氮的空白值.因此可通过优化各实验条件来提高实验的准确性,以保证实验室的设备仪器、检测人员和环境等条件满足分析要求.     

烟气排放连续监测系统的数据准确性研究

随着全国环境自动监控建设任务的完成,“十二五”期间要把探索环境监控数据的应用摆在突出位置,使环境监控数据在环境质量监管、排污费征收、污染物总量减排核查核算、环境执法和环境决策等方面发挥最大效能,最重要的是保证环境监控数据的真实性和准确性。CEMS作为废气自动监控系统,结合CEMS数据应用到环境管理的需求,探讨确保CEMS数据真实性和准确性应注意的事项,通过运用这些注意事项分析实时在线监控数据,能发现CEMS数据中存在的问题,提高CEMS数据的准确性和真实性。     

提高快速法测定C OD准确度及精密度的方法

介绍了用快速法测定COD分析中提高准确度及精密度的方法。     

浅谈水质中氟化物的分析方法

经过长期的工作实践，笔者总结出能够大大提高水中氟化物测定效率及准确度的操作方法。即在使用离子选择电极法测量水中氟化物时，首先要保证试验用的去离子水的纯净度，同时确保电极清洗到260mv以上，再开始试验，最后在绘制标准曲线时保证斜率的绝对值在（58±1）之间。     

便携式气相色谱质谱测定水中挥发性有机物再现性和准确度研究

建立了便携式顶空-气相色谱-质谱（HS-GC-MS）测定水中挥发性有机物的方法。以水中苯系物、卤代烃和氯代苯等VOCs为研究对象，在同一实验室内，使用3台便携式HS-GC-MS模拟现场应急监测环境开展检测活动，研究测定结果的再现性和准确度。实验结果表明，检测结果的相对标准偏差为0.7%~13%；绝大多数目标化合物测定结果的回收率为80%~120%。综合来看，方法的精密度和准确度基本满意，能够满足应急监测工作的需要。     

影响上海地区热带气旋频数的预测水平评估

在文献「１」研究的基础上，探讨了热带气旋频数预测水平的评估方法，定义了三个更适合于评估每年热带气旋预测性能的参数，对影响上海地区热带气旋频数的预测水平进行了评估，并与“九五”攻关前的业务预测性进行了比较。     

Prediction of effluent concentration in a wastewater treatment plant using machine learning models

Of growing amount of food waste, the integrated food waste and waste water treatment was regarded as one of the efficient modeling method. However, the load of food waste to the conventional waste treatment process might lead to the high concentration of total nitrogen(T-N) impact on the effluent water quality. The objective of this study is to establish two machine learning models—artificial neural networks(ANNs) and support vector machines(SVMs), in order to predict 1-day interval T-N concentration of effluent from a wastewater treatment plant in Ulsan, Korea. Daily water quality data and meteorological data were used and the performance of both models was evaluated in terms of the coefficient of determination(R~2), Nash–Sutcliff efficiency(NSE), relative efficiency criteria(d rel). Additionally, Latin-Hypercube one-factor-at-a-time(LH-OAT) and a pattern search algorithm were applied to sensitivity analysis and model parameter optimization, respectively. Results showed that both models could be effectively applied to the 1-day interval prediction of T-N concentration of effluent. SVM model showed a higher prediction accuracy in the training stage and similar result in the validation stage.However, the sensitivity analysis demonstrated that the ANN model was a superior model for 1-day interval T-N concentration prediction in terms of the cause-and-effect relationship between T-N concentration and modeling input values to integrated food waste and waste water treatment. This study suggested the efficient and robust nonlinear time-series modeling method for an early prediction of the water quality of integrated food waste and waste water treatment process.