排序方式: 共有20条查询结果,搜索用时 31 毫秒
12.
以苯、甲苯、乙苯、间/对二甲苯和邻二甲苯为代表(简称BTEX)的单环芳烃是大气中挥发性有机物(VOCs)的重要组分,它们对臭氧(O3)和二次有机气溶胶(SOA)的生成具有重要作用.于2020年10月分析了长江口及邻近海域海水和大气中BTEX的分布特征,并评估了其海-气通量及大气环境效应.结果表明,研究海域表层海水中苯、甲苯、乙苯、间/对二甲苯和邻二甲苯的浓度平均值分别为(17.4±21.9)、(91.2±64.0)、(25.9±16.9)、(52.9±34.9)和(26.7±19.3) ng·L-1.BTEX浓度总体呈现近岸高、外海低的分布趋势,底层海水浓度略高于表层.大气中苯、甲苯、乙苯、间/对二甲苯和邻二甲苯的平均浓度分别为(90.4±46.6)×10-12、(255±284)×10-12、(139±115)×10-12、(196±202)×10-12和(131±116)×10-12,在舟山群岛附近海域浓度较高.大气中乙苯和二甲苯... 相似文献
13.
挥发性有机物(VOCs)排放导致一系列环境问题,而生物法是一项绿色处理技术.本实验选取3种VOCs(甲苯、邻二甲苯、二氯甲烷)作为模型污染物,利用甲苯、邻二甲苯降解菌Zoogloea resiniphila HJ1(菌株HJ1)及二氯甲烷降解菌Methylobacterium rhodesianum H13(菌株H13)构建复合菌株,采用“专属菌+综合菌”模式以复合菌株和驯化污泥构建复合强化菌群.研究表明,复合菌株可完全降解400 mg·L-1甲苯、256 mg·L-1邻二甲苯、200 mg·L-1二氯甲烷,矿化率分别为74.3%、61.1%、82.7%.复合菌株可完全降解480 mg·L-1混合污染物(3种污染物浓度比为1∶1∶1),降解速率依次为甲苯>邻二甲苯>二氯甲烷.经过优化,菌株HJ1和菌株H13最佳配比被确定为1∶5.复合强化菌群不仅大幅提高了 邻二甲苯、二氯甲烷降解速率,还提高了混合污染物矿化率.甲苯、邻二甲苯的存在对二氯甲烷降解产生明显抑制效应,而低浓度二氯甲烷 (< 240 mg·L-1)对甲苯、邻二甲苯降解无明显抑制作用.本研究为VOCs生物净化过程中菌群构建提供数据支撑. 相似文献
14.
15.
16.
17.
为解决因城镇燃气事故调查报告标注样本缺乏,从而影响命名实体识别性能这一问题,提出基于BiLSTM-CRF+强化学习的燃气事故领域命名实体识别方法。首先在数据预处理阶段,采用基于文本结构的主旨段落抽取方法,识别事故调查报告的关键段落;其次在模型训练阶段,采用BiLSTM-CRF+强化学习模型,实现城镇燃气事故命名实体识别模型训练;最后利用城镇燃气事故调查报告作为试验数据进行验证。研究结果表明:经由强化学习模型降噪后,实体识别模型的综合评价指标提高5.76%,主旨段落识别方法相比Word2vec特征表示方法,使模型的综合评价指标提升7.17%。 相似文献
18.
吉林西部草地生态系统不同退化演替阶段土壤有机碳变化研究 总被引:2,自引:0,他引:2
草地盐碱化是吉林西部典型的生态环境问题。针对吉林西部具有"羊草群落(Leymus chinense)→羊草-虎尾草群落(Carex duiuscula)→羊草-碱茅群落(Puccinellia distans)→碱蓬群落(Suaeda glauca)"直至退化为盐碱地的逆向演替规律,本文选取大安市姜家甸草场为典型区进行野外样地调查,收集不同演替阶段植物样品30份,土壤剖面样品100份,表土样品40份,监测群落生态特征、土壤理化性质,计算土壤有机碳储量。分析结果表明:随着退化演替的进行,羊草-虎尾草群落的多样性指数、植被生物量、土壤有机质最高,土壤含水率及全N指数逐渐降低,土壤的pH值及土壤容重升高,土壤有机碳含量在0~100cm各土层呈现出先升高再降低的趋势,其中0~40cm内变化显著,50~100cm内相差不大,1m土壤有机碳密度从羊草群落的75.37t·hm-2升高到羊草-虎尾草群落的76.11t·hm-2,至盐碱地减少到52.21t·hm-2,约减少30%。研究结果对吉林省合理放牧、草地固碳量的增加和土壤碳储量的提高都有指导意义。 相似文献
19.
根据工业生态学原理,以新疆沙雅县为例,通过分析当地棉花产业的发展现状,研究构建了沙雅县棉花生态产业链,对于当地产业结构调整和农民增收具有重要的现实意义。 相似文献
20.
针对当前燃驱压缩机组故障诊断效率低下、故障知识分散、共享和重复使用困难等问题,提出了一种基于本体和故障模式、影响及危害性分析(Failure Mode, Effects and Criticality Analysis, FMECA)的燃驱压缩机组故障诊断方法。首先,该方法以机组FMECA数据为知识源,通过本体建模从知识源中提取深层知识和浅层知识。然后,使用本体开发软件Protégé5.5将抽取得到的类、属性和实例构建故障知识库。在此基础上,通过JESS(Java Expert Shell System)规则进行故障诊断推理,维修人员可以快速找到机组故障原因,并选择合适的处理方法。最后,以某型燃驱压缩机组为对象验证该故障诊断方法的有效性,结果表明,该方法提高了故障诊断的能力和故障知识的利用率,能够为诊断决策提供良好的知识支持。 相似文献