全文获取类型
收费全文 | 56篇 |
免费 | 2篇 |
国内免费 | 16篇 |
专业分类
安全科学 | 9篇 |
废物处理 | 3篇 |
环保管理 | 3篇 |
综合类 | 32篇 |
基础理论 | 10篇 |
污染及防治 | 11篇 |
评价与监测 | 2篇 |
社会与环境 | 4篇 |
出版年
2023年 | 2篇 |
2022年 | 2篇 |
2021年 | 2篇 |
2020年 | 4篇 |
2019年 | 2篇 |
2018年 | 5篇 |
2017年 | 2篇 |
2016年 | 1篇 |
2015年 | 2篇 |
2014年 | 3篇 |
2013年 | 6篇 |
2012年 | 1篇 |
2011年 | 1篇 |
2010年 | 3篇 |
2009年 | 4篇 |
2008年 | 3篇 |
2007年 | 3篇 |
2006年 | 7篇 |
2005年 | 3篇 |
2004年 | 2篇 |
2003年 | 8篇 |
2002年 | 3篇 |
1999年 | 1篇 |
1996年 | 2篇 |
1995年 | 1篇 |
1988年 | 1篇 |
排序方式: 共有74条查询结果,搜索用时 0 毫秒
71.
为考察全氟辛烷磺酸(PFOS)和全氟辛酸(PFOA)在倒置A2O污水处理厂各工艺段的浓度分布规律与去除效率,采用固相萃取(SPE)和高效液相色谱-质谱联用(LC-MS/MS)技术,检测分析了北京市卢沟桥污水处理厂夏季和冬季各工艺段污水和污泥中PFOS和PFOA的浓度.结果显示,PFOS在污水与污泥中的浓度均大于PFOA;进水中PFOS和PFOA的浓度分别为113.9~160.6 ng·L-1和14.7~68.1 ng·L-1,出水中的浓度分别为60.1~232.6 ng·L-1和29.9~71.5 ng·L-1;PFOS和PFOA在倒置A2O工艺没有得到有效去除.同时发现,PFOS在污泥中的浓度随季节变化较大,且其在污泥中的分配比高于PFOA;PFOS的质量流在工艺流程的各阶段变化较大,而PFOA没有明显的变化和差别.进水中PFOS和PFOA的质量流经过污水处理厂处理后反而升高,有可能是由于前驱物质降解产生. 相似文献
72.
石漠化治理对岩溶地下水水化学和溶解无机碳稳定同位素的影响 总被引:3,自引:1,他引:3
以贵州关岭-贞丰花江岩溶石漠化综合治理示范区不同土地利用类型和不同石漠化治理模式的5个泉点为研究对象,分析泉水水化学特征及溶解无机碳(DIC)稳定同位素(δ13CDIC)的分布和变化,揭示石漠化治理的岩溶效应和水质效应.结果表明,研究区地下水水化学类型为重碳酸-钙型(HCO3-Ca),人类活动干预相对较少的水井湾、戈贝和毛家湾泉水的水质较好,而受农业活动影响较多的吊井和谭家寨泉水主要离子浓度和电导率都较高,水质相对较差;泉水p H值、方解石饱和指数(SIc)和二氧化碳分压(p CO2)对土地利用或石漠化治理反应敏感,表现为水井湾、吊井、谭家寨和戈贝泉水中的p H值和SIc小于毛家湾泉水,相反p CO2明显大于毛家湾泉水;水井湾、毛家湾、戈贝泉水中的(Ca2++Mg2+)/HCO-3当量比接近1∶1,以碳酸风化碳酸盐岩为主,吊井和谭家寨泉水中(Ca2++Mg2+)相对HCO-3明显偏高,主要是因为受到农业活动强烈影响,可能有硫酸和硝酸参与了碳酸盐岩的溶蚀;此外,雨季由于生物旺盛,泉水中的δ13CDIC值较旱季偏轻;不同泉水中δ13CDIC平均值大小顺序为吊井(-12.79‰)水井湾(-12.48‰)戈贝(-10.76‰)毛家湾(-10.30‰)谭家寨(-6.70‰),反映了石漠化和农业施肥影响下的地下水的δ13CDIC值偏重,石漠化治理后泉水的δ13CDIC值则偏轻. 相似文献
73.
西安市及周边地区MODIS气溶胶光学厚度与PM10浓度关系模型研究简 总被引:2,自引:0,他引:2
西安是空气污染监控和防治有代表性的西部大型城市。研究了西安市及周边地区上空气溶胶光学厚度与PM10浓度的关系模型。利用2011—2012年MODIS卫星气溶胶光学厚度(AOD)遥感产品,通过数据匹配,利用地面气象观测站点的能见度数据和相对湿度数据对AOD产品进行垂直标高订正和湿度订正,2项订正显著提高了AOD和地面PM10浓度的相关性,相关系数从0.36提高到0.65,按季节分类统计和订正春至冬四季的相关系数分别为0.57、0.71、0.62和0.87,夏季和冬季的订正更为有效,可用性更高,这可能由于受到不同季节气溶胶来源和特征的影响。为研究中国西部大型城市,特别是西安市空气环境监测和区域联防联控提供了一种有效方法。 相似文献
74.
为提高疲劳驾驶状态的识别精度,应考虑驾驶人之间的个体差异。以实车驾驶试验条件下车道保持行为中的车速和车道偏离值为输入,以方向盘转角为输出,基于径向基(RBF)神经网络针对每个驾驶人构建正常驾驶状态下的车道保持行为模型,并根据残差对模型的拟合及预测效果进行评价;将疲劳驾驶状态下的车速和车道偏离值输入到上述驾驶行为模型中,可得到模型预测的方向盘转角值,通过分析预测值与实际方向盘转角之间的差异,研究疲劳对驾驶人行为的影响;将预测残差作为输入,建立基于支持向量机(SVM)的疲劳驾驶状态辨识模型。结果表明:所建立的RBF神经网络-SVM识别模型对不同驾驶人疲劳驾驶状态的平均识别率达85%。 相似文献