三峡库区大宁河2010年和2011年春季水华特征研究

本文以三峡库区大宁河水华敏感期(2010年3月和2011年3～5月)的调查数据为基础,运用数理统计分析方法,研究了水华的特征及其影响因素。结果表明:2010年大宁河春季水华敏感期藻密度值最高达210.75×105cells/L,其优势种为甲藻门的拟多甲藻;2011年春季水华敏感期Chl-a含量最大值约为最小值的19倍,藻密度值最高达51.94×105 cells/L,优势种为绿藻门的小球藻;2010年和2011年大宁河春季水华期间营养盐丰富,氮与磷质量浓度比高于7.2∶1,磷表现相对不足,是藻类生长的限制因子;经相关性分析表明,2010年春季水华期间Chl-a与TN、TP、pH呈显著正相关关系,与SD呈显著负相关关系,2011年春季水华期间Chl-a与TN、TP、DO呈显著正相关关系,与SD呈显著负相关关系。     

基于神经网络的喀斯特石漠化预警分析模型研究——以广西都安为例

阐述了人工神经网络的基本工作原理,分析BP算法在神经网络中的应用,并具体介绍了BP算法过程。在此基础上,以都安石漠化预警分析为例,提出了基于神经网络的石漠化预警模型的结构。人工神经网络模型实现了石漠化预警分析,确定石漠化危险性指数,并把分析的结果以专题图的形式来表现,从而验证石漠化预警分析模型的可靠性和可行性。     

基于神经网络的城市内湖水华预警综合建模方法研究

针对城市内湖水华产生过程存在复杂性、时变性、不确定性等特点,运用内集-外集、粗糙集约简和RBF神经网络模型,通过水华藻生物量阈值界定、风险概率计算、预警等级划分、预警因子识别和神经网络预测模型的研究,提出一种城市内湖水华预警综合建模方法.以天津清净湖为例,利用p H值、水温等12项水质指标监测数据,确定清净湖水华的叶绿素a浓度阈值为70.98?g/L,依据水华风险概率划分5个水华预警等级,并确定水温、溶解氧、高锰酸盐指数和TDS为水华预警因子.利用RBF神经网络技术构建清净湖水华预警模型,验证结果显示,模型预测精度达85.7%,表明该方法能较好地用于城市内湖水华预警模型构建.     

基于多源辅助数据和神经网络模型的稻田土壤砷空间分布预测

合适的方法和多源的辅助数据对于准确预测土壤重金属的空间分布具有重要意义.该研究提出一种径向基函数神经网络结合普通克里格法的模型(RBFNN_OK),由主成分分析(PCA)提取的地形因子、遥感数据和邻近信息等多源辅助数据作为自变量,预测江西省都昌县稻田土壤砷空间分布.为验证RBFNN_OK的可行性:首先在全县范围内采集144个稻田表层(0～20 cm)土壤样品,运用ArcGIS地统计模块随机抽取115个(80%)采样点作为测试集,29个(20%)采样点作为验证集.其次多源辅助数据包括地形因子、遥感数据和邻近信息等14个定量因子作为预测变量,将预测变量进行主成分分析,得到前10个主成分的累积贡献率达到97.62%.再次一个特定的RBFNN_OK被用来预测土壤砷空间分布.最后将RBFNN_OK模型的预测结果与径向基神经网络模型(RBFNN)、回归克里格模型(RK)和多元逐步线性回归模型(MSLR)进行比较.结果表明,RBFNN_OK的测量值标准偏差与均方根误差的比值(RPD)较其它3种方法分别提高了14.92%、35.71%和44.67%.此外,RBFNN_OK还提供了更加真实且有关土壤砷空间分布的细节信息.RBFNN_OK取得最优效果可能归因于引入多源辅助数据,考虑多源辅助数据和土壤砷之间的多重共线性和非线性关系.该方法可为稻田土壤砷调查与环境保护提供更为精准的信息.     

基于MODIS数据的洞庭湖水体和水华时空变化研究

为明确洞庭湖水华发生规律、水体面积的变化规律及其影响因子,利用MODIS传感器提供的MOD02HKM数据,采用多波段水体指数（MBWI）模型、浮游藻类指数（FAI）方法识别、提取洞庭湖水体、水华范围,并对2001~2015年洞庭湖水体、水华时空分布数据进行分析.结果表明：洞庭湖的水面范围在年内呈现明显的季节变化,在年际成缩减趋势.水域面积由大到小依次是夏季、秋季、春季、冬季,且2001~2015年丰水期水体的平均面积是枯水期的2.2倍;2001~2015年洞庭湖水域面积萎缩速率为-14.574km²/a,其中夏季的萎缩速率最大,达到-38.678km²/a;2001~2015年期间,洞庭湖区域均发生水华,水华主要集中发生在东洞庭湖的西部湖湾区,西洞庭湖和南洞庭湖的水华则沿河岸零星分布;洞庭湖水华存在明显的季节变化和年季变化.每年水华面积基本呈现正态分布,最小值出现在冬季,最大值出现在夏季和秋季,其值达到681.43km²;2001~2015年水华爆发面积最高占全湖面积的18.2%,水华面积年平均变化率为-8.657km²/a,水华爆发面积呈现缩小的趋势.     

基于BP神经网络的水环境承载力预警研究——以北运河为例

为了预测水环境承载力未来可能出现的超载状态并提出警告,达到水环境风险管控的目的,本文构建了基于BP神经网络的水环境承载力预警方法体系,并在北运河流域开展了实证研究.所构建预警模型包括COD、氨氮、总磷承载力预警子模型和水资源承载力预警子模型,且模型拟合效果较好(平均绝对百分比误差在20％左右).研究结果表明:朝阳区、海...     

基于水华风险控制的再生水景观水体水力停留时间阈值研究

再生水景观利用是解决城市景观用水短缺的有效途径之一。但较高氮磷浓度的再生水进入流动性较差的景观水体中极易发生水华现象。在现有再生水排放标准下,水力停留时间的调控是控制景观水体中微藻生物量的有效手段。根据微藻生长模型和水质动力学模型,提出了基于水力停留时间调控的景观水体水华控制方法及其阈值确定方法。通过计算,得到再生水氮、磷浓度执行GB 18918—2002《城镇污水处理厂污染物排放标准》A标准(总氮15 mg/L,总磷0.5 mg/L)对应的水力停留时间阈值为2.477 d;执行DB11/890—2012北京市《城镇污水处理厂水污染物排放标准》A(总氮10 mg/L,总磷0.2 mg/L)对应的水力停留时间阈值为5.034 d;执行昆明市地方标准DB5301/T43—2020《城镇污水处理厂主要污染物排放限值》A级(总氮5 mg/L,总磷0.05 mg/L)对应的水力停留时间阈值为21.659 d, B级(总氮10 mg/L,总磷0.3 mg/L)对应的水力停留时间阈值为3.783 d, C级(总氮15 mg/L,总磷0.4 mg/L)对应的水力停留时间阈值为2.811 d;执行91/...     

基于T-S模糊神经网络的颍河水质时空变化特征分析

基于T-S模糊神经网络分析颍河(河南段)2007-2010年5个监测断面的水质指标监测数据,克服了过去仅用各级评价标准作为训练样本,导致训练样本数过少和不能构建检测样本的缺点,对实测数据仿真有很好的效果。应用主成分分析法,选出溶解氧、高锰酸盐指数、生化需氧量、氨氮、化学需氧量、总磷、六价铬、阴离子表面活性剂8项对水质具有重要影响的指标,建立适用于颍河的T-S模糊神经网络水质评价模型,对颍河水质时空变化特征进行分析。结果显示:颍河水质在近几年呈改善趋势;白沙水库断面水质最优,且稳定;周口康店断面水质较差,西华址坊在2007年第2季度水质恶化严重;沈丘纸店断面水质逐渐改善。表明了T-S模糊神经网络对水质时空变化特征分析的效果显著,也反映了颍河水质状况,为颍河水质监测、管理与控制提供依据。     

基于时差相关分析和模糊神经网络的白洋淀流域水环境承载力评价预警

为实现水环境承载力评价和预警,运用耦合DPSR模型和时差分析方法构建了白洋淀流域水环境承载力监测预警指标体系,并结合神经网络与模糊数学构建了T-S模糊神经网络模型,根据控制图法确定了监测预警指标阈值,解决了水环境系统的随机性和模糊性问题,最终实现了白洋淀流域水环境承载力的有效评价和预警。结果表明:1)白洋淀流域水环境承载力在2012-2015年处于较弱承载状态,在2016,2017年处于中等承载状态,现状评价等级由Ⅳ级(橙色警灯)转变为Ⅲ级(黄色警灯);2)在现状发展趋势下,2018-2035年白洋淀流域水环境承载力整体呈先上升后下降趋势,自2026年以后流域水环境整体呈恶化状态,水环境承载力逐渐从中等承载(黄色警灯)向较弱承载(橙色警灯)和弱承载状态(红色警灯)转变;3)未来区域人口的增长和雄安新区的快速发展会给白洋淀流域水环境带来巨大压力,因此可加大区域水环境保护力度,实施基于空间单元的精细化环境管控方案,推动区域经济绿色转型,促进区域水环境质量全面改善和良性发展,以提高区域可持续发展水平。     

多元数理统计法研究太子河本溪城市段水体DOM紫外光谱特征

在太子河本溪城市段7个点位采集表层水样,应用多元数理统计法研究其DOM的来源、组成、结构及腐殖化水平.推导出9个紫外光谱指数(SUVA254、E_2/E_3、E_2/E_4、E_4/E_6、S_(275~295)、S_(350~400)、A_2/A_1、A_3/A_1和A_3/A_2)用于研究DOM的组成与结构特征,进一步评估DOM的腐殖化水平.研究表明:太子河本溪城市段水体中DOM的腐殖化程度呈现城市河段及工业废水排放分布特征,本溪钢铁厂排放废水所含的DOM为聚合程度低且相对分子质量较小的有机物;E_2/E_3与E_2/E_4呈现极显著性正相关(P0.01),与S_(275~295)、S_(350~400)和A2/A1呈显著负相关(P0.05),表明太子河本溪城市段水体DOM腐化程度不仅与有机物分子缩合度有关,同时与富里酸和胡敏酸比值密切相关;DOM组成结构特征与A_2/A_1、SUVA_(254)和S_(275~295)呈显著正相关,而与E_2/E_3和E_2/E_4呈显著负相关;得分图显示7个采样点分别位于3个35%置信度的椭圆内,进一步验证太子河本溪城市段水体中DOM组成与结构、腐殖化水平呈现城市河段及工业废水排放分布特征,表明太子河本溪城市段DOM深受人类活动的影响.     

三峡大宁河水体光学特征及其对藻类生物量的影响

基于2012-04-27—2013-01-19大宁河不同水文期的监测数据,确定大宁河水体光学特性的季节变化特征,并探究其对藻类生物量的影响. 结果表明:①不同水文期大宁河的D_eu(真光层深度)差异显著(P＜0.01),最高值出现在高水位运行期,为(5.22±2.70)～(8.71±5.20)m;最低值出现在汛限期,为(3.22±0.08)～(3.81±0.14)m. ②回归分析结果表明,ρ(SS)能较好地反演真光层深度的时空变化规律,而ρ(Chla)的解释度不高,仅用ρ(SS)即可有效地反推真光层深度. ③利用局部多项式回归拟合大宁河E_t(总能量密度)和浮游生物量的回归模型,结果表明,在100t≤300时,藻类生物量随着E_t的增加而增大;E_t>300时则出现“光抑制”现象,藻类生物量随着E_t的增加而减少,基本符合藻类生物量随光辐射强度而改变的响应机制.      

三峡库区水环境风险评估与预警平台总体设计与应用

为保障三峡库区水环境安全,提高环保部门的环境预警和应急科学处置能力,根据“平战结合”的平台建设思路,提出了基于面向服务(SOA)可扩展的架构、Webservice数据服务调用模式和模块化功能的平台构建技术,集成了地方环保业务系统的成果,设计和实施了一个体系、一张网、一张图、一张表、一个流程的“五个一”平台工程,研发了集污染源风险识别、环境预警监控、模拟预测、应急评估处置和信息发布5项功能为一体的三峡水环境风险评估与预警平台,并在重庆市环保部门实现了业务化运行应用. 平台研究成果可支撑应急管理和日常管理,并在一系列突发性事件中得到业务应用验证和应用,环境应急响应时间从1~2 h缩短至10~20 min,应急处置时间从原来的1~2 d缩短至1~2 h,显著提高了三峡库区水环境风险评估、预警和防范能力.      

基于动态滑动窗口BP神经网络的水质时间序列预测

为提高BP神经网络（BPNN）模型对具有时间序列特征水质的预测精准度,采用主成分分析法对原始样本数据进行特征提取和降维,选取溶解性有机碳（DOC）浓度、总氮（TN）浓度和浊度作为水质预测指标,构建了具有3层网络结构的BPNN模型进行预测,并分析其预测性能。结果表明：DOC浓度、TN浓度和浊度的最佳训练集尺寸分别为60、60和90 d,最佳BPNN拓扑结构分别为9-12-1、8-6-1和7-13-1,经优化后的BPNN模型对DOC浓度、TN浓度和浊度的变化趋势整体预测效果较好;相比之下,BPNN模型对水中DOC浓度的预测效果显著优于TN浓度和浊度,其均方根误差（RMSE）、平均绝对百分比误差（MAPE）和相关系数（R）分别为0.040、0.66%和0.867。该模型对具有非线性特征的地表水水质预测具有较好的适用性,预测精度较高。

     

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区(水源地)为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM(长短期记忆神经网络)3种时间序列模型在藻华(日平均叶绿素a大于15μg·L^-1)预测方面的效果.结果表明：(1)时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;(2)基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;(3)输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于...     

Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission

Vehicle emission has been the major source of air pollution in urban areas in the past two decades. This article proposes an artificial neural network model for identifying the taxi gross emitters based on the remote sensing data. After carrying out the field test in Guangzhou and analyzing various factors from the emission data, the artificial neural network modeling was proved to be an advisable method of identifying the gross emitters. On the basis of the principal component analysis and the selection of algorithm and architecture, the Back-Propagation neural network model with 8-17-1 architecture was established as the optimal approach for this purpose. It gave a percentage of hits of 93%. Our previous research result and the result from aggression analysis were compared, and they provided respectively the percentage of hits of 81.63% and 75%. This comparison demonstrates the potentiality and validity of the proposed method in the identification of taxi gross emitters.     

基于风险神经网络的大气能见度预测

针对空气污染导致大气能见度降低的预测研究,构建了一个风险神经网络模型,模型以6个气象因子、3种主要污染物(SO2,NO2,PM10)浓度和能见度作为输入因子,输出为24h后能见度的预测值.该模型对低能见度情况的数据给予相对较高的风险值,而对高能见度情况的数据则给予相对较低的风险值.以天津市2003~2007年的气象数据对模型进行检验,结果表明该风险神经网络模型优于传统神经网络模型和线性回归模型.     

基于BP神经网络的污泥水解液合成PHA的多参数敏感性分析

本文采用多参数敏感性分析方法对影响污泥水解液合成PHA产量的参数进行分析.在实验数据的基础上,利用BP神经网络建立了PHA的产量预测模型.通过与真实试验结果的对比,验证了预测模型的精确度.根据训练完成的神经网络模型中的各参数变量到目标的权值和阈值,利用Garson算法定量得到各参数变量对于目标的参数敏感性系数数值.结论表明：基于BP神经网络技术建立的预测模型具有较高的可信度,多参数敏感性分析方法可评估多因素同时变化对PHA产量的影响,具有较高的实用价值.     

地气解耦的Himawari-8卫星PM2.5浓度估算深度神经网络方法

现阶段大气PM_2.5遥感反演方法大多数都基于卫星气溶胶光学厚度（aerosol optical depth,AOD）产品,这些产品通常是从表观反射率（top-of-atmosphere reflectance,TOA）中反演而来.直接建立TOA产品和地面站点监测的PM_2.5浓度间的反演模型能够有效降低由AOD反演所带来的误差传递,但是现阶段反演PM_2.5所用到的TOA同时耦合了地表反射率和大气贡献值,想要进一步提升反演精度则需要设法将二者分离.基于此,本文利用Himawari-8（H8）卫星数据,由6S模型进行大气校正,继而统计得到H8前6个波段之间的地表反射率关系式,再运用卫星第六波段表观反射率与地表反射率接近的特性,估算得到前5个波段的地表反射率,并扣除地表反射率得到大气贡献值,以此来达到地气解耦的目的.随后,本文基于深度神经网络构建了PM_2.5、大气贡献值、卫星亮温数据、观测角等之间的关系.以安徽省为例,反演结果表明,与不考虑地气解耦的TOA-PM_2.5方法相比,本文提出的ATM-PM_2.5方法精度更高,在未参与训练的验证站点上,ATM-PM_2.5的R²和RMSE值为0.87和13.77 μg·m^-3,相对于未经过地气解耦的TOA-PM_2.5,R²提高了20%,RMSE值降低了5.24 μg·m^-3.另外,利用H8卫星时间分辨率较高的特点,本文对安徽省域范围内进行了逐小时的PM_2.5监测,显示本文方法有潜力为PM_2.5实时监测提供数据支撑.