基于机器学习和情景分析的我国焦化行业企业用地污染预测

针对焦化行业企业用地缺乏时序连续监测数据而无法预测其污染趋势的问题,从企业特征、企业管理水平、污染物特征和自然地理要素等4个方面选取13个影响企业用地污染的指标,识别焦化行业企业用地污染主控因子,在此基础上构建基于机器学习的焦化行业企业用地污染预测模型,并在不同情境下,对2025年和2030年焦化行业企业用地污染状况进行预测.结果表明,生产经营活动时间、建厂时间、企业环境监管记录、土壤黏粒和年均风速是焦化行业企业用地污染的主控因子;相对于支持向量机模型、BP神经网络模型和决策树模型,逻辑斯蒂模型预测价值高、性能指标稳健,其预测精度受试者工作曲线面积为0.91,模型准确率和召回率分别为84%和88%.在乐观情境下,2025年和2030年焦化行业高概率污染地块数量分别为1599块和1695块;在悲观情境下,2025年和2030年焦化行业高概率污染地块数量分别为1671块和1715块.研究结果可为焦化行业企业用地的修复治理和生态环境的宏观决策提供科学依据.     

污水处理系统中N2O的生产利用及数据驱动模拟研究进展

氧化亚氮(N₂O)是一种温室气体,同时也是具有能源回收潜力的强氧化性物质。综述了促进N₂O产生的新兴污水脱氮过程及提高N₂O产生的方法,比较了不同方法的运行条件及N₂O转化率,并指出了各种方法的不足之处。从识别N₂O产生的关键影响因素和预测N₂O产量2个方面综述了污水处理过程中N₂O数据驱动模型的研究进展。目前N₂O的增产方法主要包括耦合好氧-缺氧氮分解过程、单反应器生产过程及基因工程菌和半导体修饰菌增产过程。收集污水处理厂中的大数据可以建立N₂O数据驱动模型,但是现有的数据驱动模型仅仅关注N₂O减排。开发N₂O的新型增产过程,优化控制增产过程的功能菌种,建立N₂O数据驱动模型与N₂O增产方法之间的关联性是未来N₂O生产利用技术的发展方向。     

机器学习方法在污水处理系统中的应用

由于污水处理系统一般较为复杂且受外界因素影响较多,对其进行精准调控一直是环境领域的难题之一。传统方法无法满足日益复杂的工程项目需求。近年来发展起来的机器学习方法为此类问题提供了一系列有效的解决方案。介绍了人工神经网络、支持向量机、随机森林等机器学习方法的特点,并从水质预测预警、污水处理系统故障诊断和智能控制3个方面阐述了机器学习方法在污水处理领域的应用,分析了机器学习方法相较于传统方法的优势及其应用于污水处理系统中存在的问题,展望了机器学习方法未来在污水处理领域应用的前景和趋势。     

基于机器学习和非参数估计的PM2.5风险评估

为开展区域风险评估,融合手机信令、气象和地理信息等多源数据,引入随机森林机器学习、非参数估计分位数图示法和非监督学习K-mean等方法,构建了区域PM_2.5风险评估及特征识别评价框架,在南京市区以0.3km分辨率网格为基础单元开展了案例研究.结果表明,该技术既可有效模拟PM_2.5浓度时空分布,十折交叉验证R²达到0.76,证明了准确度较高,并基于此识别出4种主要污染特征;也可有效捕捉短期人口流动导致的风险,在污染浓度不变的情况下短期人口流动会导致风险增加0.30~0.97倍.综合PM_2.5浓度和人口分布,识别出4种主要暴露风险模式,其中,研究区域6.5%的面积为高风险地区,23.0%的面积为低风险地区.“十四五”期间应加快现代科学技术在环境保护领域的应用,实施网格化和差异化的风险控制政策,维护人群健康.     

基于自组织神经网络和K-means的场地地下水污染特征分析与分区管控研究

该研究基于自组织神经网络(SOM)和K-means方法,以华中地区某铬渣污染场地为研究对象,探讨了SOM+K-means方法应用于场地地下水污染分区管控的可能性。通过监测数据的描述性统计分析场地地下水污染特征,发现Cr (Ⅵ)、COD_Mn、SO₄2-、TDS、NO₃-、NH₃-N、Mn为研究区的主要污染物。基于SOM+K-means分析挖掘,并基于空间插值方法,将研究区地下水分为4类区域,并识别出每类区域需重点关注的污染指标。结果显示:类别Ⅰ需关注NO₃-;类别Ⅱ需关注Cr (Ⅵ)、COD_Mn、NO₃、TDS、NH₃--N;类别Ⅲ需关注SO₄2-;类别Ⅳ需关注Mn。该方法可较好地应用于地下水污染分区管控,对场地地下水污染防治具有指导意义。     

大气环境分类的SVM联合决策方法

目的实现城市大气环境的精准快速归类预测。方法基于支持向量机(SVM)构建多分类问题的联合决策算法,将大量城市环境因素数据的主成分聚类结果作为输入,通过机器学习训练,组建大气环境的SVM联合决策模型。结果该模型根据大气环境因素将数据集91个城市划分为9类,其中河内与海防环境相似度最高,巴东与格尔木差异最大。9个SVM二分类器组建的联合决策模型通过逐点预测在主成分数据空间形成了分区预测云图。结论SVM联合决策模型可实现城市环境的快速分类辨识,分类预测结果精度高于95%。     

基于随机森林模型的辽河高时间分辨率氮、磷浓度模拟与预测

随着环境信息获取技术的飞速发展,水质监测数据逐渐呈现出高时间分辨率的特点.针对传统方法在模拟高频检测数据时的不足,本文基于随机森林建立了河流氮、磷逐日浓度预测模型,识别了影响辽河干流马虎山断面氮、磷浓度变化的主要因素,并预测了未来不同情景下氮、磷浓度变化特征.结果表明：①马虎山断面氮、磷浓度变化的主要影响因素是上游珠尔山断面的来水水质和本断面的流量;②随机森林模型在高时间分辨率的水质指标模拟中具有误差低和拟合优度高的特点,其中,TN浓度预测模型的RMSE为0.40 mg·L^-1,R²为0.95,TP浓度预测模型的RMSE为0.01 mg·L^-1,R²为0.96;③在不同水文、污染控制和来水水质的变化情景下,未来马虎山断面氮、磷浓度变化主要取决于上游 来水水质,加强全流域营养盐控制是确保断面水质稳定达标的重要基础.     

基于SVM⁃RF的泥石流窗口坝闭塞度判别研究∗

为了研究野外泥石流防治工程中窗口坝的开口闭塞类别,基于量纲分析理论,以室内水槽试验模拟实际工程,分析模型试验与实际工程的相关物理量及对应的相似准数;引入支持向量机和随机森林分类模型,在开源机器学习工具Scikit-Learn中,采用python编程实现算法;以室内水槽试验数据作为支持向量机和随机森林的训练样本,进行机器学习得到分类模型,提出一种用于判别泥石流窗口坝闭塞类型的新方法;将测试结果与经验公式中闭塞度判别值F的分类结果进行正确率对比,结果表明,F值的分类准确率为88%,而支持向量机为92%,随机森林为94%,随机森林分类效果最好,机器学习理论为泥石流窗口坝在实践中的设计提供了新思路。     

基于特征选择和机器学习的阳澄湖叶绿素a遥感反演研究

利用2016-2020年Sentinel-2多光谱遥感影像和同步实测叶绿素a浓度数据,提出了一种基于特征选择和机器学习的叶绿素a遥感反演方法,并应用于阳澄湖.结果表明,特征选择方法在反演模型的自变量选取上具有较好的应用效果,基于此建立的随机森林模型在阳澄湖叶绿素a反演上具有较优的验证精度;2016-2020年阳澄湖叶绿...