一种基于卷积神经网络的源解析因子识别方法

为解决源解析因子识别过程中人为参与及判定过程复杂的问题,提高源解析因子识别工作的效率,提出基于卷积神经网络(CNN)的源解析因子识别方法.通过文献调研,构造可供CNN模型训练的因子识别数据集,对因子识别模型进行训练与调试,并以北京市南部采样点的PM_2.5组分观测数据对模型进行验证.同时,利用正定矩阵分解模型(PMF)解析得到不同因子数时的源谱矩阵,输入因子识别模型并与人工分析比对.结果表明,9个因子时模型的识别效果最佳,可以实现既无重复识别又无“无法判定”的情况,与源解析因子人工识别结果吻合,证明了所提出方法的合理性与可行性.该方法不仅对源解析中因子识别问题具有一定的实用价值,同时对减排策略的制定与动态调整也具有积极意义.     

基于SWAT-FLUS的采煤沉陷区水文过程情景模拟

采煤区沉陷不仅会影响地表结构,还会显著改变流域水文循环,从而影响区域水资源供给。以淮南西淝河流域为研究对象,利用SWAT-FLUS集成模型模拟流域水文过程及未来情景。结果表明:1)该集成模型能准确模拟由土地利用变化带来的水文情势演变过程,并用于情景预测。2)对未来不同塌陷速率情景模拟结果显示,各情景下流域蒸散发均呈增加趋势,其中无修复模式主要为水面蒸散增加,2种修复模式主要为陆面蒸散增加;无修复模式增加了流域入渗量,2种修复模式则相反。3)从典型水文年内径流分布来看,无修复模式显著影响了地表径流的年内分布规律及径流峰值,普通修复及生态修复模式则无明显影响。4)从年际间水文变化来看,若无修复措施,流域内水文关系将在2020-2022年发生根本性转变;至2030年,地表径流将减少27.1%,普通修复模式下地表径流将减少2.5%,而生态修复可使流域地表径流增加4.4%。     

北京市城区夏季VOCs变化特征分析与来源解析

精细化的挥发性有机物（VOCs）组分特征和来源分析,可以为科学有效地进行臭氧（O₃）污染防控提供支持.利用2020年夏季7~8月北京城区点位监测的小时分辨率VOCs在线数据,分析高O₃浓度时段和低O₃浓度时段环境受体中VOCs化学特征和臭氧生成潜势（OFP）,并利用正定矩阵因子分解（PMF）模型进行精细化源解析.结果表明,观测期间监测点φ［总大气挥发性有机物（TVOCs）］平均值为12.65×10^-9,高O₃时段和低O₃时段φ（TVOCs）平均值分别为13.44×10^-9和12.33×10^-9,OFP分别为107.6μg·m^-3和99.2μg·m^-3.观测期间O₃生成受VOCs控制,芳香烃的反应活性最高,对OFP贡献排名前三的组分均为异戊二烯、甲苯和间/对-二甲苯.低O₃时段环境受体中VOCs的主要来源包括汽车排放（26.4%）、背景排放（15.7%）、溶剂使用（13.0%）、汽修（12.8%）、二次生成源（9.7%）、生物质燃烧（6.1%）、印刷行业（5.7%）、液化天然气（LNG）燃料车（5.5%）和植被排放（5.0%）,其中背景排放、二次生成和印刷行业源在近年来北京VOCs源解析研究中少有讨论.高O₃时段汽修源和二次生成源贡献分别较低O₃时段上升了3.4%和2.6%,汽车排放仍是北京城区最主要的VOCs贡献源.植被排放源从07：00开始上升,在午后达到最高;背景排放源的贡献变化较小;汽车排放和LNG燃料车排放源呈现早晚高峰特征,下午时贡献相对较低.