一种基于小波变换和LSTM的大气污染物浓度预测模型

针对现有大气污染物浓度预测模型存在预测精度不高、污染物种类单一等不足的问题,通过小波分解将高维大气污染物数据转换为低维数据,再对分解序列建立长短期记忆网络（LSTM）预测模型,最后通过小波重构将分解序列重构为污染物时间序列,建立了1种基于小波变换（WT）的LSTM大气污染物预测模型（WT-LSTM）,用以预测目标区域内的次日平均ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（O₃）。采用长沙市2015—2018年10处国控站点的数据进行验证,结果表明:相对于LSTM、多元线性回归（MLR）和基于WT的WT-MLR模型,WT-LSTM的均方根误差和绝对平均误差均下降了50%,其对PM_2.5、PM₁₀、SO₂、NO₂和O₃的污染等级预测准确率均在80%以上。     

锰超富集植物种质资源及耐性机制研究进展

工矿业引起的土壤和水体锰污染问题正引起人们的重视,利用超富集植物清除土壤和水体环境中的重金属和类金属污染的植物修复技术因其潜在的高效、廉价及环境友好性获得政府和企业的广泛关注.超富集植物是植物修复的基础.文章对国内外文献报道的重金属和类金属超富集植物种质资源进行了分类整理,迄今发现超富集植物492种,但绝大多数属于镍超...