欧几里德(Euclid)贴近度评价法在城市大气环境质量评价中的应用

近年来,采用模糊综合评判法进行环境质量评价取得一些进展。但是,如许多报导中所指 出,该方法存在着几方面的不足:①在建立单因素隶属函数时,需要同时对每一个级别诸一建立隶属函数,过程较繁;②复合过程的基本运算规则是取小取大,强调极值的作用,造成丢失信息较多;③评价结果主要受控于个别项目,往往出现误判。笔者认为,采用模糊数学中的另一种方法,欧几里德(Euclid)贴近度评价法,可以有效地弥补模糊综合评价法的上述不足。     

湖泊富营养化评价的Euclid贴近度评价法──兼与《湖泊营养状态的Hamming贴近度评价法》作者商榷

针对湖泊富营养状态Ｈａｍｍｉｎｇ贴近度评价模型存在的“阈值漂移”问题,重新构造了评价参数隶属函数,提出了一种湖泊营养状态Ｅｕｃｌｉｄ贴近度评价模型,经过对全国２３个湖泊富营养状态的实例分析,证明这种评价模型结构合理,评价过程简单,模型通用性好。     

活性污泥过程反应池与二沉池耦合模型与模拟

将二沉池一维通量模型与反应池活性污泥2号模型(ASM2)耦合,建立了活性污泥过程模型.模型应用于重庆某污水处理厂,结果表明,该模型可以较好地对出水中COD、SS、TN及TP进行模拟.针对该污水处理厂现行运行条件,分析了影响活性污泥系统的因素,提出优化运行参数,将二沉池污泥回流比由原来的0.75减至0.20～0.25,剩余污泥排放量从原来的591m³/d至204～249m³/d;将反应池污泥浓度由原来的1.2g/L增加至2.8g/L,可提高系统抗负荷冲击和抗低温的能力,改善系统出水水质.     

三维变分在PM2.5重污染数值模拟中的应用研究

为了探讨三维变分法(3DVAR)对成渝城市群冬季PM2.5重污染模拟的改善效果,采用3DVAR对成渝城市群2017年12月至2018年1月的空气质量数值模拟结果进行资料同化,对比评估嵌套网格空气质量预报模式(NAQPMS)原始数据与同化再分析数据的准确率,并分析成渝重污染特征。研究结果显示,3DVAR在PM2.5、PM10和NO2的同化实验中均取得较好的改善效果,成渝地区检验站点各污染物相关系数(r)的平均提升比例依次为44%、90%和332%,r改善的站点占检验站点总数的比例分别为98%、100%和82%;检验站点均方根误差(RMSE)的平均下降比例分别为15%、37%和31%,RMSE改善的站点占检验站点总数的比例为65%、98%和84%。与原始模拟结果相比,同化结果能够更准确地反映成渝地区冬季重污染期间的PM2.5和PM10空间分布特征。     

基于TUD模型模拟优化MSBR工艺反硝化脱氮除磷

基于TUD模型（delftuniversityoftechnologymodel）对实验室MSBR（modifiedsequencingbatchreactor）工艺进行了模拟与优化，强化反硝化除磷，以提高系统脱氮除磷效率。结果表明，工艺运行参数为厌氧池90min、好氧池90min、SBR池缺氧段150min、污泥回流比1．0和污泥龄15d时，MSBR工艺COD、TN以及磷酸盐去除效率达95％，92％和83％；SBR池缺氧段吸磷量达到23．20mg／L，占系统总吸磷量43％左右；好氧池和SBR池缺氧段平均吸磷速率分别为0．35—0．42和0．12～0．17mgPO4^3-P／（L·min）。TUD模型能够较好模拟各水质组分在MSBR工艺空间和时间上的浓度分布，COD和NH4＋-N的模拟误差低于15％，PO4^3-P模拟值高于实测值5％左右。     

水质距离评价法及其在红水河、黔江水质评价中的应用

本文针对模糊类评价法存在的弊端,提出一种水质距离评价法.应用实例证明,水质距离评价法具有两个特点:1.原理直观,方法简单,易于推广使用,2.评价结果精确度高,区分性、可比性好.     

Euclid贴近度评价法及其在大气环境质量评价中的应用

模糊综合评判法能够比较合理地解决环境污染评价中所具有的模糊性。但是,这种评价法的评价结果往往分辨性较差,为了探讨既能较好地反映出环境质量评价分级过程中所具有的模糊性和中间过渡性;又能适当提高评价结果的分辨性。本文提出一种用模糊数学中欧几里德(Euclid)距离(或称帖近度)综合评价     

水质污染评价中的Hamming贴近度评价法

本文结合实例介绍一种用模糊数学中的Hamming贴近度评价水质污染的方法,评价结果采用双指标表示。文中还对水质污染隶属函数的构造问题作了初步探索,提出一种用线性插值构造水质污染中各评价因子的隶属函数的方法。     

基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究

空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式（WRF）和空气质量数值预报模式（CMAQ）的预报产品,采用2018年4个代表月份（1、4、7、10月,分别代表冬、春、夏和秋季）成渝地区22个观测站点的PM_2.5浓度和气象要素观测数据,建立基础特征变量数据集（包括训练数据集和测试数据集）,通过调整模型参数,并利用训练数据集采用机器学习方法（Lasso回归、随机森林回归、深度学习RNN-LSTM）进行模型训练,订正了成渝地区PM_2.5数值预报.其中,通过Lasso回归算法对成渝地区4个区域分别进行变量优选,优化模型,利用测试数据集对模型进行测试并检验评估.结果表明,基于3种机器学习方法订正后的PM_2.5小时浓度相比CMAQ模式模拟预报结果,偏差显著降低,相关系数显著提高.其中,随机森林回归和RNN-LSTM的订正效果优于Lasso回归,区域统计与站点统计结果较为一致;Lasso回归订正后的均方根误差减小50%左右,相关系数达70%,随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右,相关系数达90%,随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄,最大概率分布更集中;3种方法对不同季节的订正效果与全年一致,其中,冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM_2.5浓度的大气污染预报能力提供有益参考.