膜界面探测器在有机污染场地调查中的应用研究进展

膜界面探测器(membrane interface probe,MIP)是一种有机污染物的高分辨检测器,已广泛用于污染场地土壤和地下水中挥发性有机污染物污染特征与空间分布的实时原位调查检测. 当前,我国在污染场地土壤的高精度快速筛查技术和装备方面存在较大的需求,但在该领域的自主研发与应用还处于起步阶段. 本文在系统梳理MIP在国内外有机污染场地应用案例的基础上,从文献计量学的角度分析了该领域的研究现状与未来发展态势. 结果表明:自1996年首次有文献报道MIP的应用以来,该领域的发文数量呈逐年增加趋势. 当前,国际上对MIP的研究和应用较多的国家主要为美国和中国. 从已有应用案例来看,MIP主要应用于污染场地中苯系物、卤代烃、石油烃等多种污染物的原位实时检测. MIP的发展主要经历了3个阶段,分别为挥发性有机污染物传感器的研发、场地土壤及含水层污染物的测定,以及探头的联合应用. 其中,MIP与其他多功能探头的有机耦合技术及装备的研发将成为该领域未来研发的重要方向. 基于MIP在场地有机污染物检测中的局限性,并结合我国场地土壤调查的现实需求与关键科学问题,分别从阐明污染物界面传质与扩散机制、设计高性能半透膜材料、研发高精度钻测一体化装备,以及建立相关标准与技术指南等四方面,对我国污染场地土层钻进探测一体化技术与装备的研发需求与发展方向提出了展望.      

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.      

环境因素数据质量审核方法研究

目的 解决大气环境试验站的气象数据报表存在数据缺失、数据超过边界、数据内部不一致、数据时间不一致等问题,采用数据质量审核技术找出缺失、可疑或错误的数据,对科研人员进行警示,使其能够追根溯源,分析存在问题的原因。方法 参照相关规程和标准,建立环境因素数据质量审核算法和审核流程,并使用计算机语言编程固化流程和算法,利用多线程算法对数据进行扫描,实现大批量气象数据的并行审核。结果 利用Python语言设计了环境因素质量控制软件,通过该软件的应用证明了该方法合理、有效,能够快速、准确地标注气象数据报表中存在质量问题的数据。利用软件统计了存在问题数据的数量和正确率。结论 通过加载数据测试,证明了环境因素数据质量审核方法和审核流程合理有效,利用设计的审核软件实现了气象数据报表快速审核,提高了审核效率,减少了科研人员的劳动强度,为进一步填补、修正和利用数据奠定了基础。     

基于BP神经网络的天线识别

本文比较研究了BP神经网络中的几种常用算法,针对这些不同算法下的BP神经网络进行训练,并得出了各自网络的性能。在此基础上,针对经典BP算法和LM算法进行对比研究,找到LM算法的改进之处。此外,在实际的应用中表明,不仅不同的BP算法对网络的运算速度、泛化能力等有较大的影响,而且BP神经网络对隐含层神经元数目也很敏感。我们希望在BP神经网络的基础上,构建一种合适的天线模型,来应用于天线的分类识别,这将具有很大的现实意义。     

基于LBM的集中涌出瓦斯在通风网络中蔓延仿真

应用速度-浓度双分布格子Boltzmann模型建立了基于LBM的瓦斯蔓延速度模型和浓度模型,并通过Boussinesq方程将2个模型有机耦合起来.采用基于分块耦合算法的速度-浓度LBM模型将巷道分成若干规则的块,对各块分别独立计算,仅在边界处交换数据,从而去除冗余网格,简化了网格计算,提高了系统资源利用效率.模拟实例结果表明,通过该模型可得到集中涌出瓦斯在通风网络中蔓延的直观信息和其速度、体积分数、压力等大量数据,还可以得到每条巷道内瓦斯体积分数峰值及其个数、位置和到达时间,从而能提供有效避开高浓度瓦斯的方案.集中涌出瓦斯在通风网络中蔓延一段时间后总体体积分数会降低,但是由于某些位置(如巷道拐角、巷道风流交汇处)的风流处于紊流状态,其瓦斯体积分数相对比较高,人员进入矿井时应尽量避免在这些地方停留.     

船舶区域溢油风险程度甄别的人工神经网络方法

利用误差反向传播 (BP)人工神经网络 ,建立了海域船舶溢油风险程度甄别的评价模型。该模型能够反映出研究海域各区域发生船舶溢油事件的风险等级差别 ,具有一定的客观性和实用性。     

气溶胶等效复折射率反演的免疫进化算法

通过Mie散射理论公式构建目标函数,利用免疫进化算法对气溶胶等效复折射率的实部和虚部进行协同优化,据此创新性地提出了气溶胶等效复折射率反演的新途径.基于成都市2017年9~12月逐时的气溶胶散射系数和吸收系数观测数据以及该时段同时次GRIMM180大气颗粒物监测仪的连续监测资料,研究结果表明,气溶胶等效复折射率反演的免疫进化算法不仅是普适的,而且还具有收敛速度快、计算稳定和求解精度高等特点.通过与其它气溶胶等效复折射率反演方法的对比分析,进一步论证了新方法的优势,这为气溶胶等效复折射率演变机理以及气溶胶吸湿性增长模型的后续研究提供了算法保障.     

基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于随机森林算法与农户视角的村落级农业面源污染风险分析

当前农业面源污染问题依然严峻,村落级尺度下各地块的污染风险状态精细识别有待进一步研究.本文针对三峡库区典型村落重庆市涪陵区南沱镇睦和村进行研究,结合无人机多光谱技术、农户行为调研、随机森林算法等进行地物识别及泛地块网格划分,通过测算总氮(total nitrogen,TN)、总磷(total phosphorus,TP...