基于BP神经网络算法的密云水库水质参数反演研究

密云水库是北京市重要的地表饮用水源地,在保障首都水源安全方面起着重要作用,而密云水库水质参数的区域监测已成为当前亟待解决的问题。为了实现密云水库水质参数大范围、实时获取,该文基于遥感和GIS技术,采用BP神经网络算法,结合地面监测数据和Landsat 8遥感影像,分别建立了反演总磷、总氮、氨氮和COD(化学需氧量)4个水质参数的BP神经网络模型,并反演了密云水库2013-2018年非结冰期主要水质参数,分析了密云水库主要水质参数的年际变化特征、季节变化特征和空间分异特征。结果表明,(1)水质参数的Landsat 8敏感波段分别为:总氮为1、4波段,氨氮为1-7波段,总磷为1、3-7波段,COD为2-5波段。(2)密云水库主要水质参数在2013-2018年总体呈下降趋势,氨氮和COD为Ⅰ类水质,总磷为Ⅱ类水质,总氮为Ⅲ类水质。(3)4个水质参数指标春季最高、秋季次之、夏季最低,总氮、总磷、氨氮和COD的春季值分别是夏季值的1.08、1.36、1.6、1.45倍。(4)密云水库不同水质参数的空间差异性较大,总体来看,水库北部和东部的4个水质参数含量相对较高,这种分布与北部和东部村庄密集以及密云水库两大入库河流有关。综上所述,基于BP神经网络算法的密云水库水质反演研究是可行的,且得到了较为可信的研究结果,该研究可为密云水库水质管理与政策制定提供重要的科学依据。     

拓扑指数在定量结构生物降解性关系中的应用

本文采用二氧化碳生成量实验，对训练组有机物，利用逐步回归分析程序，从计算和十四种分子连接性指数中筛选出与生物降解性最为相关的分子结构描述参数，建立定量结构－生物降解性关系模型，其相关系数为０．９３１，利用该模型对预测组质的预测结果表明，此模型对芳香化合物的好氧生物降解性具有良好的预测能力，其正确预测率达８３．３％。     

河流营养物参照状态的建立方法研究进展

建立营养物参照状态是河流水污染控制的关键问题之一。系统论述了参照状态的各种内涵,重点分析了国外建立河流营养物参照状态的各种方法及优缺点,并分析了其在中国的适用性。最后,提出了河流营养物参照状态的进一步研究的重点。参照状态根据允许人类活动影响的程度可有多种含义:最小干扰状态、历史状态、最少干扰状态和最佳可达成状态。其中,最少干扰状态和最佳可达成状态在现实管理中具有一定程度的可操作性。参照河流百分比法是建立营养物参照状态的首选方法,但中国水环境污染形势严峻,参照点变得越来越少。当参照点不存在时,一般河流百分比法是参照河流百分比法的替代方法,然而一般河流百分比法和参照河流百分比法的匹配性关系并不完全保持一致。由于栖息地退化等因素对生物完整性的影响程度可能比营养物浓度更大,生物响应法在实际应用中是非常困难的。流域模型法虽然有众多优点,但是数据要求较高,并且常用流域模型的机理与中国有较大差距,在中国应用的结果具有较大的不确定性。综合考虑中国水环境污染现状和数据要求,以多元线性回归模型为代表的简易模型方法在中国应有最大的适用性。然而,环境因素与营养物质间的关系往往都是非线性的,今后应着重研究建立河流营养物参照状态的多元非线性回归模型方法。此外,还应加强季风河流营养物参照状态的季节性差异与年际差异研究,并在全国层面上根据自然因素划分适当规模的生态区,分区确定各生态区的河流营养物参照状态。     

西宁市供水量的预测模型探讨

以西宁市供水量各规划水平年值为基础,在分析原始数据序列的基础上,进行供水量的预测模型研究。提出两种供水量预测方法,即一元线性回归模型及灰色预测模型,并分别进行了实例计算与分析,同时与西宁市规划部门供水量预测值进行了比较。研究结果表明,灰色预测模型较一元线性回归模型为优,可作为西宁市规划水平年的供水量预测模型     

人工神经网络方法用于城市环境空气质量综合评价

采用人工神经网络技术,建立了城市环境空气质量综合评价的ANN模型,并通过实例对建立的评价模型进行验证。结果证明,ANN模型用于区域环境空气质量评价,其评价结果比较直观。同时,对在建立和应用ANN模型时应注意的一些问题进行了讨论。     

人工神经网络在道路交通噪声预测中的应用

人工神经网络具有很强的预测功能，根据某公路交通噪声的实测数据，应用人工神经网络进行道路交通噪声的预测，经检验，计算值与实测值接近，从而为道路交通噪声的预测提供了一种新的途径。     

城市绿地生态系统功能简述

国内外的实践和研究表明,以改善生态环境为绿化的主要目标,是城市现代化建设的必然要求;建成以林木为主、多种植物、多种效益的绿色系统,是城市绿色建设的必然选择;而回归大自然,回到森林环境之中,则是人类社会的共同愿望.     

三维铝型材挤压模多参数优化

以一个导流组合模为例,利用神经网络建立模具参数的数学模型,用遗传算法对参数优化。其中由正交法设计得到实验样本,由软试模提取模具的SDV值,将其作为优化目标。最终实验结果与优化值吻合,为建立和控制挤压模参数提供了一种行之有效的手段。     

基于机器学习的电热防除冰表面温度变化趋势预测

针对飞机部件周期控制律电加热防除冰的应用,提出基于机器学习以预测电加热防除冰表面温度的变化趋势.依靠大型结冰风洞及其电加热防除冰控制系统完成防除冰试验,获得有效的试验数据,以通、断电周期为分割单元,将试验数据划分成验证集和训练集.根据电热防除冰过程的换热情况,构建样本的特征参数,利用机器学习的有监督学习方式,选择KNN近邻回归算法和局部线性加权回归算法预测温度变化率,再转换为温度,得到的温度变化与测量数据的线性相关性达到80％以上的高相似度结果,表明使用机器学习可快速预测电热防除冰部件的表面温度变化趋势,且不同的回归算法针对模型不同测温点位置的预测效果存在差异.