首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  完全免费   5篇
  综合类   7篇
  2020年   4篇
  2019年   1篇
  2018年   1篇
  2013年   1篇
排序方式: 共有7条查询结果,搜索用时 26 毫秒
1
1.
流域水质管理优化决策模型研究   总被引:5,自引:3,他引:2       下载免费PDF全文
针对目前流域水污染难以有效控制的局面,依据已有的流域水文、水动力、水质、水生态相关机理模拟模型的研究,在考虑了流域社会经济发展条件的基础上,构建了流域水质管理优化决策模型框架体系.基于该框架体系,本文从简单流域系统优化模型、模拟与优化联合模型和时空尺度复杂优化模型3个方面对流域优化决策模型的研究发展历程进行综述,并指出其各自在发展过程中所出现的问题.最后,提出了优化决策模型面临的瓶颈问题,并从模型结构简化和适应性管理两个方面提出了相关的解决思路.  相似文献
2.
在马拉松运动中,生态文明城建设与运动成绩具有直接性的关联关系,为了定量分析生态文明程度指数对马拉松运动成绩的影响,提出一种基于相空间重构和机器学的马拉松运动中环境污染指数与运动成绩的关联模型。采用统计分析方法进行马拉松体育成绩数据采集,结合主成分特征提取方法进行生态文明程度指数提取,对环境污染指数序列进行相对空间重构,在重构的相对空间中与马拉松运动成绩进行机器学匹配,实现两者关系的准确定量分析。  相似文献
3.
提出了基于CART回归树的氮氧化物(NO_x)浓度预测模型,利用杭州市延安路路边空气质量监测站2016年6—9月空气污染物监测数据和同期延安路路段车辆抓拍识别数据,通过数据处理、影响因素分析及CART回归树构造,搭建了NO_x浓度预测模型.实验分析结果表明,相对于支持向量机和BP神经网络预测模型,基于CART回归树的NO_x浓度预测模型的预测精度有大幅度提升,可决系数在0.92以上;同时,对环境条件差异较大的G20会议期间NO_x浓度进行预测分析,结果表明,CART回归树方法的预测精度比其它方法更高,能够适应不同条件下的预测需求.  相似文献
4.
流域水环境质量空间分布特征分析是推进流域精细化管理的基础.本研究基于流域特征指标与水质的关联性,以子流域为分析单元,利用自组织映射人工神经网络模型(SOM)对苕溪流域水质数据聚类分析为3类后与随机森林模型(RF)进行耦合,对全流域水质进行了空间差异性评估.研究结果显示,上游山地区域水质较好,而平原河网人口集聚区的CODMn、NH3-N及TP浓度较高,山地与平原过渡地带水质则主要受到CODMn和TN的影响.采用自然环境、社会经济及土地利用/覆盖指标作为流域特征进行水质分级模式识别,SOM与RF模型耦合模型的准确率稳定在80%左右;在对强相关性特征进行筛选识别后,将蒸发蒸腾量、坡度、人口密度、大于10℃积温、旱地占比、城镇用地占比及景观多样性指数为作为输入特征,准确率可达83%,可以有效地开展全流域水质分级评估.  相似文献
5.
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PM2.5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PM2.5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PM2.5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PM2.5浓度的大气污染预报能力提供有益参考.  相似文献
6.
张猛  张博 《地球环境学报》2020,11(4):447-455
在过去的几十年里,快速的经济发展以及工业化、城镇化进程加速使得中国的资源环境承担的压力不断加大。作为影响空气质量的首要污染物,PM2.5和PM10(记为PM2.5/10)直接影响着广大人民群众的身体健康。因此,针对PM2.5/10浓度进行遥感反演研究,对环境监测和控制改善全国空气环境质量具有重要的意义。近些年来,随着对近地面PM2.5/10浓度研究的不断深入,基于遥感影像数据进行PM2.5/10浓度的反演方法也日益增多。本文利用Google Earth engine(GEE)平台获取了海量的Landsat 8 OLI遥感影像数据,并结合气象信息、空间特征等参数,采用机器学习中常用的多层映射反向传播神经网络构建了波段反射率与PM2.5/10浓度之间的反演模型,以获得PM2.5/10在研究区域的连续分布。为了提高基础PM2.5/10反演模型的反演精度,还从影响因素和前溯时间两个维度出发,探寻了模型的最优化输入参数组合,并最终实现了对PM2.5/10浓度的精准反演。以北京市地区为例,模型的PM2.5和PM10的反演精度R2分别达到0.814和0.796,均方根误差RMSE分别为19.21 μg∙m−3和28.31 μg∙m−3。鉴于该反演结果具有较高的准确性和可靠性,本文所建立的方法模型为研究PM2.5/10在空间上的连续分布特征提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。  相似文献
7.
全球变暖预期下不同区域的未来降水变化,是政府和公众都关心的重要问题,也是全球变化研究的前沿科学问题。预测模型的建立是预测/预估研究的重点和难点,现今不稳定的气候背景对预测模型的精准度提出了更高的要求。为了解决传统方法对长期时间序列预测效果欠佳的问题,本文以泰国南部洞穴石笋δ18O重建的过去270多年(公元1773—2004年)的降水记录为数据集,提出了SSA-XGBoost预测模型。对原始数据去趋势预处理后,采用奇异谱分析法(SSA)提取前部分数据(1773—1964年)的振荡成分以确定数据的最佳谐波个数,并进行准确的周期信号分量分解;之后用去趋势数据减去周期信号得到随机信号,再利用XGBoost模型对随机项进行预测;最后将预测的序列、趋势曲线和周期信号延拓结果相叠加得到最终的预测数据(1965—2004年)。与其他四种模型(XGBoost、ARIMA、SSA-ARIMA、LightGBM)的预测结果相比,SSA-XGBoost的预测结果与真实值最相近,且MAE和RMSE均最小,R2也更接近1,说明该模型具有更高的精度和稳定性。该研究对于泰国南部等热带地区未来的降水变化趋势预测具有较好的指导意义,也可为其他长时间序列的预估研究提供借鉴。  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号