全文获取类型
收费全文 | 169篇 |
免费 | 5篇 |
国内免费 | 8篇 |
专业分类
安全科学 | 58篇 |
废物处理 | 2篇 |
环保管理 | 11篇 |
综合类 | 55篇 |
基础理论 | 12篇 |
污染及防治 | 7篇 |
评价与监测 | 15篇 |
社会与环境 | 3篇 |
灾害及防治 | 19篇 |
出版年
2023年 | 7篇 |
2022年 | 4篇 |
2021年 | 1篇 |
2020年 | 6篇 |
2018年 | 1篇 |
2017年 | 4篇 |
2016年 | 3篇 |
2015年 | 7篇 |
2014年 | 6篇 |
2013年 | 6篇 |
2012年 | 9篇 |
2011年 | 7篇 |
2010年 | 4篇 |
2009年 | 7篇 |
2008年 | 6篇 |
2007年 | 5篇 |
2006年 | 6篇 |
2005年 | 5篇 |
2004年 | 13篇 |
2003年 | 7篇 |
2002年 | 5篇 |
2001年 | 6篇 |
2000年 | 8篇 |
1999年 | 5篇 |
1998年 | 6篇 |
1997年 | 12篇 |
1996年 | 8篇 |
1995年 | 4篇 |
1994年 | 4篇 |
1993年 | 3篇 |
1992年 | 1篇 |
1991年 | 3篇 |
1990年 | 2篇 |
1986年 | 1篇 |
排序方式: 共有182条查询结果,搜索用时 31 毫秒
111.
Yirong Hu Wenjie Du Cheng Yang Yang Wang Tianyin Huang Xiaoyi Xu Wenwei Li 《Frontiers of Environmental Science & Engineering》2023,17(5):55
112.
采煤工作面瓦斯涌出量预测的神经网络模型 总被引:15,自引:3,他引:12
朱川曲 《中国安全科学学报》1999,9(2):42-45
正确预测瓦斯涌出量,对于指导矿井设计和安全生产有重要意义。为此,应用神经网络理论,建立了采煤工作面瓦斯涌出量的预测模型,对其影响因素进行了权重排序,并确定了关键因素。实际应用表明,预测模型可信,精度能满足要求。 相似文献
113.
114.
Ashfaq Ahmad Changan Zhu Iqra Javed M. Waqar Akram Noman Ali Buttar 《International Journal of Green Energy》2020,17(3):219-232
ABSTRACTThe uncertainty in the output power of the photovoltaic (PV) power generation station due to variation in meteorological parameters is of serious concern. An accurate output power prediction of a PV system helps in better design and planning. The present study is carried out for the prediction of output power of PV generating station by using Support Vector Machines. Two cases are considered in the present study for prediction. Case-I deals with the prediction of PV module parameters such as Voc, Ish, Rs, Rsh, Imax, Vmax, Pmax, and case-II deals with the prediction of power generation parameters such as PDC, PAC, and system efficiency. Historical data of PV power station with an installed capacity of 10 MW and weather information are used as input to develop four different seasons-based SVM models for all parameters. The performance results of the models are presented in terms of Mean Relative Error (MRE) and Root Mean Square Error (RMSE). Additionally, the performance results obtained with polynomial and Radial Based Function kernel are also compared to show that which kernel has better prediction accuracy, and practicability. The result shows that the minimum average RMSE and MRE for case-I with Radial Based Function kernel are 0.034%, 0.055%, 0.002%, 1.726%, 0.044%, 0.047%, 2.342%, and 0.005%, 0.014%, 0.079%, 0.885%, 0.005%, 0.007%, 0.013%, and for case-II with poly kernel are 0.014%, 0.016%, 0.149% and 0.011%, 0.0175, 1.03%, respectively. The present study will be helpful to provide technical guidance to the prediction of the PV power System. 相似文献
115.
CALRoads模式在上海市典型道路CO扩散预测中的应用 总被引:2,自引:0,他引:2
根据上海市市区、郊区典型主干道的气象条件、车流量、车型比例,以及CO小时质量浓度的监测资料,采用CALRoads模式中CALINE4和CAL3QHC模块,对郊区主干道和市区典型路口的适用条件分别进行了验证.结果表明,在稳定的气象条件下,CALINE4模式在模拟周围相对空旷主干道附近的CO质量浓度时,具有较好的结果,将CAL3QHC模式应用于市区典型交叉口,可以得到同监测值相对吻合的模拟结果,但准确性低于郊区.应用CALRoads模型对未来城郊典型道路附近CO高峰小时质量浓度的发展趋势进行了预测,并基于情景分析给出了减少交通污染的对策建议. 相似文献
116.
人工神经网络法在大气污染预报中的应用 总被引:3,自引:0,他引:3
以鞍山市为例,应用人工神经网络方法,模拟人脑的思维方式,建立了大气污染物浓度的神经网络预报模型,并将计算结果与监测值进行了对比验证,计算结果表明,BP模型应用于大气污染物浓度预报具有较高的预报精度。 相似文献
117.
利用6种数据挖掘算法对2012年台风和污染物浓度等数据建模,建立台风条件下的气象因素和环境空气中PM2.5的关系模型。通过对2013年数据的测试,表明6种数据挖掘方法模型的预测值与实测值具有很好的一致性。6种算法均能实现实时预测,其中Bagging算法预测结果的相关性整体最好,而对于测试样本,M5Rules算法最好,SMOreg算法次之。以2013年的超强台风"海燕"的预测为例,讨论台风条件下PM_(2.5)质量浓度的变化过程及对预测结果的解释。 相似文献
118.
针对合肥市生活垃圾产量现状,通过建立时间序列(ARIMA)、多元线性回归(MLR)、灰色系统GM(1,1)和反向传播神经网络(BPNN)模型对历史数据进行验证比较分析。结果表明,ARIMA(0,1,2)模型的MAPE、MAE、RMSE、NRMSE分别为1.879%、2.240、2.781、0.021,其精度最高、效果最好,为合肥市生活垃圾产量的最佳预测模型。用该模型预测合肥市2021—2025年的城市生活垃圾产量,结果显示生活垃圾产生量为218.89万t~290.71万t。 相似文献
119.
太湖叶绿素a浓度预测模型初探 总被引:2,自引:0,他引:2
以太湖2005年的监测资料为基础,运用多元统计回归和BP人工神经网络方法构建模型,探求叶绿素a与水深、水温、营养盐等10项环境因子之间的关系,通过验证发现BP模型对叶绿素a浓度的拟合值与叶绿素a浓度的实测值之间的均方误差为220.3059,优于统计回归模型的235.4569;此外对两种模型进行了灵敏度测试,结果都显示总磷不是太湖叶绿素a浓度的限制因子,而水深、水温、总氮的变化对叶绿素a浓度影响显著。本研究对太湖叶绿素a浓度预测模型的建立是十分有意义的。 相似文献
120.
基于BP神经网络的大气污染物浓度预测 总被引:1,自引:0,他引:1
利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似. 相似文献