滴水湖水系表层沉积物中多氯联苯残留与风险评价

于2012年,每2个月采集一次上海人工滩涂湖泊——滴水湖水系表层沉积物,对其多氯联苯(PCBs)的残留水平进行了检测和分析.结果表明,研究期间闸外引水河和闸内引水河沉积物中7种PCBs的总量各月间变化较大,且总体呈上升趋势,而滴水湖沉积物中其总量四季变化幅度不大;空间分布上,闸外引水河[(844.74±687.62)ng/g]>闸内引水河[(516.83±645.45)ng/g]>>滴水湖[(81.63±72.18)ng/g].研究区PCBs组成以六氯联苯和七氯联苯为主,其次为五氯联苯和三氯联苯.采用主成分分析法对PCBs进行源解析,结果显示:PCBs污染源中进口电容器中PCBs的迁移占43%,油漆添加剂污染占33%;国产电容器和变压器污染占11%.生态风险评估表明,闸外引水河和闸内引水河沉积物PCBs对生物体的暴露有严重威胁;滴水湖沉积物PCBs对生物体的暴露有一定的潜在威胁.与国内外研究相比,闸外引水河和闸内引水河属于严重污染水平,滴水湖属于中等污染水平,相关部门应加强污染监管.     

强化污水人工土快滤处理系统除氮效果的研究

传统的人工土处理系统对污水中氮的去除率较低,改进后的污水人工土处理系统由珍珠岩人工土硝化柱和原人工土反硝化柱构成。试验结果表明,硝化柱有较好的通气条件,对NH⁺₄－N的转化去除率为84％～98％;反硝化柱中碳氮比（BOD₅/NO^－_x－N）以3.0左右、水力停留时间为6h左右较适宜。原人工土快滤系统经强化处理后,对污水中氮的去除率有较大幅度的提高,全N去除率由45％提高到91％～96％,出水水质全N和NH⁺₄－N含量小于5mg/L,NO^－_x－N［（NO^－₃＋NO^－₂－N的含量远小于10mg/L。     

BP神经网络组合预测在城市生活垃圾产量预测中应用

文章分析了组合预测理论,在建立由二次指数平滑预测模型、灰色预测模型、BP神经网络预测模型组成的组合预测模型库的基础上,利用以上三种单一预测模型的组合构成BP神经网络组合预测模型。分别应用单一预测模型和组合预测模型对湖南省城市生活垃圾产生量进行预测,通过分析和比较预测结果,验证了该组合预测方法的有效性。     

基于神经网络和数值模型的重点区域PM2.5预报比较分析

应用BP神经网络法建立京津冀及周边城市、汾渭平原、苏皖鲁豫交界地区和长三角地区等重点区域95个城市PM_2.5预报模型,对2020年秋冬季上述地区城市开展未来7 d的PM_2.5预测预报,并对比同期业务化运行的数值模型预报结果和各城市人工订正后预报结果,对3方法预报效果进行分析评估.结果表明:（1） 4区域神经网络法模型性能短期预报相对较好,中长期有所降低,对4区域均有一定的系统性高估,苏皖鲁豫交界地区系统性偏差最小,长三角地区偏差最显著.数值模型区域预报水平较神经网络有所降低,各评价指标总体低于神经网络,对辖区城市间预报效果较神经网络差异更大.（2）神经网络、数值模型和人工订正方法对4区域PM_2.5浓度预报准确率普遍较低,平均不足50%,准确水平总体呈:神经网络>人工订正>数值模型. 3方法分指数级别范围准确率均大幅提升,4区域1～4 d平均准确率均在65%以上,神经网络模型和人工订正水平相近,总体高于数值模型.（3）在预报中度及以上污染级别日时,数值模型在京津冀及周边城市、苏皖鲁豫交界地区和长三角地区效果均较...     

基于实测光谱的杭州湾悬浮物浓度遥感反演模式

悬浮物是我国近海水质遥感监测的主要参数之一.利用ASD地物光谱仪测量杭州湾水体的反射光谱,同步采集表层水样获取悬浮物浓度,模拟水色卫星MODIS和MERIS的波段设置提取遥感反射率,基于人工神经网络分别建立2种悬浮物浓度的遥感反演模式.实测结果表明,杭州湾水体中悬浮物浓度较高,泥沙含量远远大于叶绿素浓度,平均值分别为705 mg/L和1.164 mg/m³;2个监测站位的悬浮物浓度表现出时空上的差异,尤其是随潮汐变化的短周期变异十分显著;实测水体反射率光谱曲线在650～700 nm之间与800 nm附近分别出现峰值,光谱曲线一阶微分结果显示第一反射峰的位置随着悬浮物浓度增大向长波方向移动.基于神经网络建立的模拟算法充分利用了卫星不同通道的光谱信息,可以同时模拟水体中色素与非色素悬浮物的浓度,模型取得了较好的拟合效果,R²均大于0.95,可以应用于实际卫星遥感反演,尤其是MERIS数据,因其具有相对较高的空间分辨率,在近海水环境遥感监测中的应用前景更为广阔.     

基于BP神经网络的大气污染物浓度预测

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.     

基于物联网技术的火灾自动报警系统研究

本文针对目前火灾自动报警系统存在的问题,通过对物联网技术及特点作简要介绍,提出了将其引入火灾自动报警系统具有可行性,并在现有物联网技术的基础上提出实现火灾自动报警系统网络的模式。通过对监控和传输方式的改善,可以提高火灾自动报警系统的稳定性和可靠性,为火灾自动报警系统的设计和发展提供参考。     

Prediction of effluent concentration in a wastewater treatment plant using machine learning models

Of growing amount of food waste, the integrated food waste and waste water treatment was regarded as one of the efficient modeling method. However, the load of food waste to the conventional waste treatment process might lead to the high concentration of total nitrogen (T-N) impact on the effluent water quality. The objective of this study is to establish two machine learning models—artificial neural networks (ANNs) and support vector machines (SVMs), in order to predict 1-day interval T-N concentration of effluent from a wastewater treatment plant in Ulsan, Korea. Daily water quality data and meteorological data were used and the performance of both models was evaluated in terms of the coefficient of determination (R²), Nash–Sutcliff efficiency (NSE), relative efficiency criteria (d_rel). Additionally, Latin-Hypercube one-factor-at-a-time (LH-OAT) and a pattern search algorithm were applied to sensitivity analysis and model parameter optimization, respectively. Results showed that both models could be effectively applied to the 1-day interval prediction of T-N concentration of effluent. SVM model showed a higher prediction accuracy in the training stage and similar result in the validation stage. However, the sensitivity analysis demonstrated that the ANN model was a superior model for 1-day interval T-N concentration prediction in terms of the cause-and-effect relationship between T-N concentration and modeling input values to integrated food waste and waste water treatment. This study suggested the efficient and robust nonlinear time-series modeling method for an early prediction of the water quality of integrated food waste and waste water treatment process.     

基于远程在线监控车载终端的柴油车NOx排放等级诊断研究

远程在线监控车载终端集成了远程通讯模块、卫星定位模块、发动机OBD信息解析模块,能够实时读取车辆排放相关运行信息,但无法直接判断车辆NO_x排放情况.为了快速、准确地评估车辆排放情况,诊断和监测NO_x高排放车,同时为了克服有些重型柴油车监测数据中缺失进气流量、燃油流量、车速等重要的实时信息,无法计算出车辆NO_x排放因子的问题.本文提出了由NO_x浓度分布特征驱动的高排放重型柴油车识别算法,通过远程在线监控车载终端设备获取车辆的发动机信息和SCR系统运行信息,运用NO_x浓度分布计算车辆每天NO_x排放浓度占比,通过系统聚类法对车辆NO_x排放浓度占比进行聚类,结果聚为优、良、中、差4类.利用车辆NO_x排放浓度区间分布及其聚类结果分别作为训练集的输入和输出,选择BP神经网络作为训练算法,训练获得的模型分类准确率为90%,利用训练好的模型判断在用柴油车NO_x排放等级,从而识别及监测NO_x高排放车辆.研究结果可为柴油车NO_x高排放诊断及监测提供依据,有助于监管部门能够快速识别NO_x高排放车辆.     

Short-term prediction of the influent quantity time series of wastewater treatment plant based on a chaos neural network model

By predicting influent quantity, a wastewater treatment plant (WWTP) can be well controlled. The nonlinear dynamic characteristic of WWTP influent quantity time series was analyzed, with the assumption that the series was predictable. Based on this, a short-term forecasting chaos neural network model of WWTP influent quantity was built by phase space reconstruction. Reasonable forecasting results were achieved using this method. Translated from Acta Scientiae Circumstantiae, 2006, 26(3): 416–419 [译自: 环境科学学报]