基于注意力机制优化的BiLSTM珠江口水质预测模型

为提高珠江口水质预测精度和稳定性,提出了基于时间和特征双注意力机制优化的BiLSTM水质预测模型,引入特征注意力机制强化模型捕获参数重要特征能力,加入时间注意力机制提高对时间序列相关性信息及水质波动细节信息的挖掘能力.将新模型应用于珠江8个入海口水质预测,开展预测性能试验、泛化能力试验和特征参数扩展性试验.结果表明:①新模型在珠海大桥水质预测取得了较高的预测精度,预测值与实测值的均方根误差RMSE为0.004 1 mg·L^-1,决定系数R²为98.3 %.与Multi-BiLSTM、Multi-LSTM、BiLSTM和LSTM对比,表明新模型预测精度最高,验证了模型的精准性.②训练样本数量和预测步数均对模型预测精度产生影响,模型预测精度随着训练样本的增加而提升,海珠大桥断面总磷预测时,240组以上训练样本可获得较高预测精度;增加预测步数,会使模型预测精度迅速下降,预测步数大于5步时无法保障模型预测的可靠性.③将新模型应用于珠江8个入海口不同水质指标预测,预测结果均取得较高精度,模型具有较强的泛化能力;输入对象断面预测指标相关联的上游来水、降雨量等特征参数,能够提高模型预测精度.通过多方面多次试验,结果表明新模型能够较好地满足珠江口水质预测精度、适用性和扩展性要求,为复杂水动力环境水体水质高精度预测进行了新的探索.     

基于XGBoost选择迁移条件提升LSTM模型河流水质预测能力

准确预测河流水质变化是流域水环境管理的重要基础。目前常用的基于数据驱动的深度学习模型依赖大量的监测数据训练,然而很多河流数据缺乏,无法满足水质预测精度要求。提出了一种基于极端梯度提升模型(XGBoost)的迁移条件选择方法,利用全国河流自动监测站点的水质参数(水温、pH、溶解氧、总氮)数据集,研究建立长短期记忆神经网络(LSTM)模型库,通过迁移学习条件的优化,提升LSTM模型的预测能力。结果表明：1)采用不同源域和迁移方式训练出的模型,其预测精度有很大差异;2)基于XGBoost模型选择最佳迁移条件,迁移模型的预测误差(RMSE)降低了9.6%～28.9%,LSTM模型预测精度明显提升;3)选取合适的迁移方式、选用性质接近的源域数据、增加训练数据量均可以提升迁移模型的预测精度。该建模方法可应用于实测数据少的河流水质预测,为流域水环境精细化管理提供技术支持。     

基于LSTM的跨海桥梁危化品车辆行驶轨迹预测

我国沿海地区气象环境复杂,跨海桥梁上车辆混杂密集,车流量大、车辆混杂和侧风环境等因素都对跨海桥梁危化品车辆的安全行驶产生了极大的影响,因此跨海桥梁危化品车辆行驶轨迹研究对于加强危化品运输安全管理具有重要的现实意义。针对跨海桥梁危化品运输车辆的轨迹预测问题,利用深度学习方法,建立了一种基于长短时记忆网络(LSTM)与注意力机制的跨海桥梁危化品车辆行驶轨迹预测模型,该预测模型包括信息输入模块、注意力层和轨迹输出模块,并利用沿海一座跨海大桥上危化品车辆行驶环境实测轨迹数据对预测模型的预测性能进行了分析与验证。结果表明：LSTM能适应长时域的车辆行驶轨迹预测,注意力机制提高了预测模型的训练速度;由于考虑了车辆间交互影响因素,该预测模型具有更高的准确性和计算效率,同时LSTM也减少了预测模型在时域较长情况下车辆行驶轨迹预测的误差。     

基于注意力机制的HDC-BiGRU海表温度预测模型

海表温度（sea surface temperature,SST）是研究全球气候变化的重要地球物理参数,SST的精确预测对全球气候变化、海洋环境和渔业发展具有重要意义。为了提高SST的预测精度,基于时空特征的提取方法,本文提出具有注意力机制的HDC-BiGRU混合模型（HDC-BiGRU-AT,由编码器和解码器构成）,可以预测7天的SST。在模型编码阶段,混合空洞卷积（hybrid dilated convolution,HDC）能够提取SST的空间特征,双向门控循环神经网络（bidirectional gated recurrentunit,BiGRU）能够捕获SST的时序特征。通过加入注意力机制,对输出信息分配不同的权重（重要信息分配更高的权重系数）,进而实现信息编码,在解码阶段可以提高模型的预测精度。选取我国东海和南海海域的二维SST数据进行建模,实验结果表明,HDC-BiGRU-AT模型的误差指标值均低于已有的方法,充分验证了所提方法的可行性、有效性。     

多特征融合与注意力机制的中文文本关系抽取

在中文关系抽取任务中,数据稀疏和噪声传播问题是其研究难点。基于此,提出了在文本特征组织方面融合位置特征、最短依存特征和N-gram特征等多元特征,并提升关键性特征的权重,以缓解传统词特征的数据稀疏问题。这种组合特征进一步改善了文本中噪声传播问题,提高了句法特征在稀疏性问题下的可靠性。此外,在传统的双向LSTM神经网络中加入注意力机制,使模型更关注较为重要的特征,降低噪声对抽取任务的影响。在人物关系公开语料集上进行实验,结果表明采用该方法进行中文文本关系抽取的效果较好,并为信息抽取、知识图谱等领域提供了方法支持。     

基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型

海表面温度（sea surface temperature, SST）是海洋与大气之间相互作用的关键因素,海温控制着全球大气和海洋生态系统的变化。准确预测海表面温度的演变对治理全球大气系统和海洋生态系统都具有重要的意义。为了对SST数据的空间自相关性准确建模,本文提出了基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型（deep neural network based on global cross-scale spatiotemporal attention, GCSA-DNN）。模型分为3个部分,从长时序数据中提取时序依赖特征的时序建模模块,从SST序列均值中提取空间分布规律特征的多尺度局部空间建模模块和基于全局跨尺度的时空注意力融合模块,实现每个网格点对全局自相关性的建模。本研究选择空间分布规律不同的东海和南海海域数据,对1981年9月1日至2022年4月7日美国国家海洋和大气管理局（nationaloceanicand atmospheric administration,NOAA）的数据进行了预测分析,共14829条数据,其中1981年9月1日至2021年8月31日的...     

基于LSTM模型的中国交通运输业碳排放预测

为助力交通运输业实现碳达峰、碳中和目标,本研究基于拓展的STIRPAT模型选取人口、机动车保有量和能源强度等8个变量作为中国交通运输业碳排放量影响因素,并根据1990-2019年指标数据建立LSTM碳排放模型,在低碳、基准及高碳3种情景下对交通运输业碳排放进行预测.结果表明:1990-2019年间中国交通运输业碳排放量总体呈现上升趋势.低碳、基准及高碳情景下,碳排放达峰时间分别为2033年、2035年及2038年,峰值量分别为1145.64,1218.68,1308.40百万t.中国应积极采取节能降碳措施,优化交通运输业结构,推进清洁能源应用,促进中国交通碳排放向低碳情景发展,助力达峰目标早日实现.     

融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测

精准的PM_2.5小时浓度短期预测,可以有效地提高空气污染的预报预警能力.针对传统的PM_2.5预测模型中存在的影响因素考虑不全面且影响因素选择方法适用性不强等问题,本文提出一种融合栈式稀疏自编码器（Stack Sparse Auto-Encoder,SSAE）和长短期记忆神经网络（Long-Short Term Memory,LSTM）的PM_2.5小时浓度预测模型.SSAE-LSTM模型综合考虑了时间因素、空间因素、气象因素和空气污染物因素等多种因素对PM_2.5的影响,采用SSAE以无监督方式自动提取PM_2.5抽象影响特征,实现特征的压缩和降维;然后以提取的抽象特征作为LSTM模型的输入,建立PM_2.5时间序列预测模型,挖掘PM_2.5历史序列中的长期依赖特征.为了验证方法的有效性,本文基于2016—2018年京津冀城市群71个空气监测站点的空气数据和气象数据,建立SSAE-LSTM模型对各个站点的PM_2.5浓度进行离线训练和预测实验.预测结果表明,SSAE-LSTM模型预测精度高于其它预测模型,在所有测试集上的一致性指数（IA）高达0.99,均方根误差RMSE与平均绝对误差MAE降到了13.98和7.90.此外,分析了SSAE-LSTM模型在不同季节的适用性,71个空气监测站点在春、夏、秋、冬4个季节测试集的预测值和实测值均有很好的线性关系,决定系数分别是0.86、0.92、0.96、0.93.对北京市万寿西宫站点的预测结果表明,SSAE-LSTM模型可以用于不同空气质量情况下的PM_2.5小时浓度预报,且具有应用上的可行性和可靠性.     

基于Informer的PM2.5浓度预测

针对现有PM_2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了1个Seq2Seq的单站点PM_2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM_2.5浓度的预测。所构建模型基于ProbSparse (概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度。采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM_2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测。     

基于生态足迹改进模型的生态安全及其预测研究

由William Rees提出的生态足迹模型已经成为近年来生态可持续发展的重要的度量工具,但是该模型仅考虑了土地的基本生产功能,忽视了土地生态系统的服务功能。文章借鉴生态系统服务功能理论改进了传统的生态足迹模型,将生态系统服务功能价值当量因子引入生态足迹模型均衡因子和产量因子的计算中,改进后的模型体现了生态系统功能的完整性;同时,文章以江苏省2010年的统计数据为基础,应用改进模型计算了其2010年生态压力指数,结果表明,江苏省生态压力指数达到1.495,其安全状况已经超过了极不安全边界,处于极不安全状态;最后利用灰色理论GM(1,1)模型对其2011-2015年的生态安全状况进行了预测,发现江苏省未来5年生态压力指数快速增大,年平均增长速度为6.89%,表明江苏省未来5年生态安全状况将继续恶化,这将严重影响其生态可持续发展和经济可持续发展。     

针对高溶解氧、高锰酸盐指数的地表水水质评估方法研究

在进行水体研究的过程中,选择适当的评估方法对水体进行评估必不可少。为寻找更加适用于高溶解氧、高锰酸盐指数较高的水体的水质评估模式,在分析现有水质评估方法的基础上,对评价安全性最高的单因子评价法和最能体现生态修复能力的有机污染综合指数评价法进行了比较分析,建立了单因子-有机污染综合指数耦合方法,建立了基于两种方法联合使用的水质分析模式。利用监测数据,分析了该模型应用于高溶解氧与高锰酸盐指数的地表水水质评估的可行性。结果表明,该方法适用于高溶解氧、高锰酸盐指数的地表水水质评估。     

融合Lamb-Jenkinson分型法和LSTM神经网络的PM2.5预测研究

文章采用NCEP/NCAR逐日海平面气压场资料,利用Lamb-Jenkinson环流分型法对张家口大气环流进行分型,分析环流型与PM_(2.5)质量浓度之间的关系,并针对PM_(2.5)浓度的预测,提出一种融合Lamb-Jenkinson环流分型和LSTM神经网络混合模型的方法,即以环流指数为预测因子基于LSTM方法搭建PM_(2.5)质量浓度的预测模型。结果表明:影响张家口地区的主要环流型有反气旋型、气旋型、偏北平直型、西南平直型、偏西平直型、东北平直型等、西北平直型、偏东平直型。PM_(2.5)污染日出现的主要环流型为南气旋平直型、东南平直型、偏南平直型、偏东气旋型、西南气旋平直型、偏东平直型、气旋型等,而反气旋型和反气旋式平直环流型不利于污染出现。张家口地区的PM_(2.5)污染与地面环流有着密切的联系,当存在PM_(2.5)污染时,张家口地区处于日本海高压后部的均压场区域,污染越严重,日本海高压中心强度越强。模型预测结果的均方根误差为9.88、平均绝对误差为5.84、拟合优度达0.80,表明该模型具有一定的预报能力。     

包埋固定化硝化菌在不同DO下的硝化规律研究

在流化床反应器中使用包埋固定化硝化菌进行高氨氮废水的降解实验,在不同DO下考察和比较氨氮,亚硝酸氮和硝酸氮浓度随时间的变化规律和反应速率大小,以及亚硝酸氮和硝酸氮的反应速率随底物浓度的变化,认为DO=4.0mg/L时,亚硝酸氮的生成速率和积累率最大,平均速率为26.3mg/L.h。     

四氯化碳显色目视比色法测定溶解氧方法的研究

本文介绍了四氯化碳显色目视比色法测定溶解氧方法的研究过程,通过时分析方法中,标准试剂的选择,萃取剂的选择,碘化钾（K1）用量的选择,及稳定性实验,消除干扰实验,环境温度实验,方法准确度及精密度实验,表明此方法快速、准确、分析结果直观、适合应急监测。     

福建省流域-近海溶解氧时空格局与低氧调控机制

溶解氧是衡量水环境质量和生态系统健康的关键参数,当前我国海岸带地区的低氧问题突出,但缺乏对流域-近海溶解氧时空格局与低氧调控机制的研究.基于2011~2020年福建省135个地表水（含河口）和66个近岸海域监测点位数据,系统分析了年际和季节两个时间尺度溶解氧的时空演变规律,选取低氧（溶解氧饱和度位于10%分位之内）站位数据,采用数理统计和随机森林模型分析方法,重点研究了河流、水库、河口和近海这4种类型水体的低氧特征及其调控机制.结果表明,溶解氧饱和度近海最高［（98.2±10.2）%］,河口最低［（79.2±17.9）%］.与"十二五"（2011~2015年）相比, "十三五" （2016~2020年）河流和水库的低氧检出频率有明显降低,但河口变化不大.统计有低氧检出的点位,河流和水库的多年平均低氧检出频率在秋季最高,河口在夏季最高.水库和河口低氧问题最为突出但机制不同,水库河段的低氧与夏季径流携带大量有机质输入、层化导致底层水持续耗氧、秋季混合上涌或通过大坝泄流有关,河口的低氧与污染输入、潮水顶托和还原性物质耗氧有关.需要建立系统治理与分区管控制度,进一步加强流域-近海污染控制有助于减缓水体富营养化和低氧问题.     

基于Matlab编程实现Arrhenius模型寿命预测

Arrhenius模型广泛应用于加速试验寿命预测,利用Matlab语言编程,对Arrhenius模型寿命预测过程数据进行处理。给出了Matlab数值分析程序,计算寿命预测值及相关统计检验参数,并利用HG/T 3087—2001标准中示例的试验数据演示了该程序的计算过程。利用Matlab语言编程进行数据处理可方便快捷地计算出相关预测结果,具有一定的应用价值。     

基于分区供氧与溶解氧调控的低C/N比污水短程硝化反硝化

针对城镇污水中碳源不足、C/N比低导致脱氮性能不佳的问题,建立了A2/O中试装置,通过调整系统缺氧/好氧分区比例及好氧区溶解氧水平,探究亚硝氮积累率及氮类污染物去除情况.结果表明,在DO为2. 0～2. 5 mg·L~(-1)条件下,改变缺氧/好氧分区比例对系统的影响较小,难以实现短程硝化;当控制DO为0. 5～0. 8 mg·L~(-1)、V_缺∶V_好=1∶1时为系统最优工况,此时系统好氧区末端亚硝氮积累率稳定在62%以上,出水总氮降至9. 0 mg·L~(-1),能够实现深度脱氮的目标.分析硝化菌表观活性可知,最优工况下SAOR与SNOR分别(以N/VSS计)为0. 14 g·(g·d)~(-1)和0. 04 g·(g·d)~(-1),二者差值较试验其他阶段更为明显,即NOB活性受到更高程度抑制是提高亚硝氮积累率的直接原因. Illumina MiSeq测序结果表明,该阶段NOB数量显著低于其他阶段.通过间歇OUR法分析缺氧区进出口碳源组成情况,结果表明最优工况下系统通过短程硝化节约碳源27. 3%,可生化性COD在缺氧区消耗63. 6%,远高于其他阶段,是低C/N比城市污水实现深度脱氮的碳源有力保障.     

基于三维荧光及平行因子分析的川西高原河流水体CDOM特征

川西高原草甸和高寒湿地是青藏高原重要土壤碳库之一,高原河流水体溶解性有机碳特征及其与土壤碳库关系研究,对于理解高寒区域土壤碳输出通量及强度具有重要意义.本文对川西高原高山峡谷区河流(岷江上游、杂谷脑河、抚边河)和高原夷平面河流(白河)水体有色溶解性有机质(CDOM)采用三维荧光及平行因子法(EEM-PARAFAC)进行了分析.结果表明:(1)高原河流中CDOM主要有3种组分,即C_1(260/480,UVC类腐殖质)、C_2[310/420(570),UVA类腐殖质]和C_3(280/370,类色氨酸);(2)河流沿程变化特征显示,高山峡谷区河流总荧光强度值较低,变化范围窄,高原夷平面河流(白河)与其相反;同时白河类腐殖质(C_1、C_2)荧光强度远高于其他3条河流,表明白河中源于沿岸草甸和湿地的陆源腐殖质高,而其余高山峡谷区3条河流陆源腐殖质输入相对低;(3)水体荧光特征参数(荧光指数FI、自生源指数BIX、腐殖化系数HIXb、新鲜度指数β:α)表明,高山峡谷区河流CDOM来源具有外源兼内源双重特征,腐殖化程度低;高原夷平面河流CDOM腐殖化程度相对较高且降解程度低;(4)相关性分析发现4条河流中C_1、C_2极显著正相关,且白河C_1、C_2、C_3呈极显著正相关;所有河流β:α与BIX呈极显著正相关,溶解性有机碳(DOC)与355 nm处吸收系数[a(355)]相关性不显著.