基于L-M神经网络的道路交通噪声预测研究

神经网络具有很强的预测功能.根据石家庄公路交通噪声的实测数据,利用L-M优化算法的多层神经网络预测模型进行道路交通噪声的预测,经检验,计算值与实测值接近,预测精度令人满意.     

无线传感器网络在环境监测中的应用

介绍了一种基于无线传感器网络的环境监测系统组成及架构,讨论了系统网络节点、网关的硬件设计,并对基于TinyOS的应用程序组件结构和节点工作流程做了说明。     

“十二五”新疆环境监测能力建设之展望

依据全疆当前环境监测体系能力建设现状,从监测机构发展和监测网络能力发展的角度上较深刻分析了当前全疆环境监测体系存在的主要问题,提出了“十二五”新疆环境监测能力建设的设想和展望,共同行参考。     

城市合流制管网降雨径流污染特征分析

对北京市老城区合流制管网排除系统下游干管进行降雨径流监测,分析降雨径流和生活污水混合后的水质变化特征,以便为合流制管网污染控制提供数据依据。结果表明北京市合流制管网污染程度较高,其污染过程受降雨过程、管道汇流过程、地表径流污染特征和管道沉积物冲刷等综合影响。     

万峰湖总有机碳空间分布特征

于2012年9月对万峰湖(水库)的总有机碳(TOC)空间分布特征进行研究,结果显示:TOC含量范围为0.41~3.94 mg/L。TOC在纵向分布上的差异不显著,在垂向分布上,总体呈现出上层中层下层的趋势。TOC在垂向上的分布差异主要源于万峰湖属于深水水库,不同深度水层因光照和温度差异所导致生物量的多寡是致使万峰湖出现上层TOC浓度明显高于中层和下层的主要因素。     

构建覆盖国家环境监测网的质量控制体系

"十二五"期间,中国将全面完成国家环境监测网的布局与建设,环境管理将开始由以环境污染控制为目标导向,向以环境质量改善为目标导向转变,以全面考核空气、水环境和土壤等环境质量的新环境管理时代即将来临。从现有环境监测质控体系所发挥的作用、存在的问题以及环境管理的需求出发,提出构建覆盖国家环境监测网的质量控制体系,论述各级环境监测站的质控职责,尤其是省级监测站作为地区质量控制中心,应该和国家站一起加大自身质控能力建设,为提高环境监测数据的可信度做好质控工作。     

山区土壤重金属空间插值性能的改进

山区土壤重金属监测中,密集均匀的布点采样困难大,成本高。根据稀疏非均匀样本数据准确预测山区土壤重金属空间分布,对可视化描述检测元素的分布及趋势具有重要意义。基于云南省楚雄市南部山区表层土壤中重金属锰、钒的采样数据,对集成径向基函数神经网络(IRBFANNs)和传统插值方法:反距离(IDW)、普通克里格(OK)、径向基函数神经网络(RBFANNs),进行了不同等级采样密度下的插值性能比较。结果表明,样本点数量减少时,传统预测方法的插值精度都有所下降,而IRBFANNs算法在样本点较少情况下能够保持最好的插值精确度和稳定性,有效改进了空间插值性能。     

大数据解析技术在大气环境监测中的应用研究

针对近年来新兴的大数据及挖掘、分析技术,对大数据解析技术在环境科学研究中的应用进行了分析和探析。以城市局部地区大气细颗粒污染物PM2.5浓度计算为例,筛选了PM2.5浓度历史数据、气象条件、交通状况、人群活动情况、网格道路状况等数据为影响特征量,分析了用神经网络法进行大数据解析和推演的原理和数学过程,是用数学、计算机、统计等方法研究解决多元、非线性复杂环境问题的一种新的探索。     

人工神经网络在化学和环境科学中应用的若干问题

讨论了人工神经网络中最常用的多层前馈网络 ( BP网络 )及误差反向传播算法应用于化学和环境科学时要考虑的几个问题 :网络的输入与数据的归一化 ;隐含层数、隐含层节数和学习速率 ;训练集与监控集 ;网络误差 ;初始权重     

Artificial neural network based carbon monoxide persistence models for episodic urban air quality management

This paper describes the development of artificial neural network (ANN) based carbon monoxide (CO) persistence (ANNCOP) models to forecast 8-h average CO concentration using 1-h maximum predicted CO data for the critical (winter) period (November–March). The models have been developed for three 8-h groupings of 10 p.m. to 6 a.m., 6 a.m. to 2 p.m. and 2–10 p.m., at two air quality control regions (AQCRs) in Delhi city, representing an urban intersection and an arterial road consisting heterogeneous traffic flows. The result indicates that time grouping of 2–10 pm is dominantly affected by inversion conditions and peak traffic flow. The ANNCOP model corresponding to this grouping predicts the 8-h average CO concentrations within the accuracy range of 68–71%. The CO persistence values derived from ANNCOP model are comparable with the persistence values as suggested by the Environmental Protection Agency (EPA), USA. This work demonstrates that ANN based model is capable of describing winter period CO persistence phenomena.