全文获取类型
收费全文 | 67篇 |
免费 | 10篇 |
国内免费 | 22篇 |
专业分类
安全科学 | 24篇 |
废物处理 | 2篇 |
环保管理 | 23篇 |
综合类 | 31篇 |
基础理论 | 9篇 |
污染及防治 | 3篇 |
评价与监测 | 1篇 |
灾害及防治 | 6篇 |
出版年
2024年 | 2篇 |
2023年 | 3篇 |
2022年 | 3篇 |
2021年 | 3篇 |
2020年 | 1篇 |
2018年 | 2篇 |
2017年 | 7篇 |
2016年 | 2篇 |
2015年 | 7篇 |
2014年 | 6篇 |
2013年 | 6篇 |
2012年 | 5篇 |
2011年 | 5篇 |
2010年 | 1篇 |
2009年 | 2篇 |
2008年 | 3篇 |
2007年 | 3篇 |
2006年 | 4篇 |
2005年 | 2篇 |
2003年 | 3篇 |
2002年 | 3篇 |
2001年 | 3篇 |
2000年 | 1篇 |
1999年 | 2篇 |
1998年 | 2篇 |
1997年 | 2篇 |
1995年 | 2篇 |
1994年 | 1篇 |
1993年 | 1篇 |
1989年 | 1篇 |
1988年 | 1篇 |
1986年 | 3篇 |
1983年 | 1篇 |
1982年 | 1篇 |
1981年 | 1篇 |
1978年 | 1篇 |
1977年 | 1篇 |
1976年 | 1篇 |
1975年 | 1篇 |
排序方式: 共有99条查询结果,搜索用时 46 毫秒
31.
32.
基于概率神经网络的城市湖泊生态系统健康评价研究 总被引:2,自引:1,他引:1
概率神经网络(PNN)是一种结构简单、训练简捷、应用十分广泛的人工神经网络,并且在水质分类等环境领域已取得一定研究成果.本文选取广州市最大的人工湖——白云湖作为研究对象,结合其水质监测数据及生物监测数据,建立概率神经网络模型对其进行湖泊生态系统健康评价,得到不同监测时间点的湖泊生态系统健康评价结果.分析表明:1白云湖生态系统比较脆弱,目前净化水质的效果有限;2各监测点的评价结果均呈季节性变化,丰水期湖泊生态系统健康状态好于枯水期,年际变化不显著.实验结果表明,利用概率神经网络对湖泊生态系统健康状态进行评价是可行的,与传统评价方法相比,其具有训练时间短、权重确定客观、输出结果稳定等优势,可以运用到更多相关领域. 相似文献
33.
为了解中国稻田土壤镉污染时空变异特征及其务农性接触的健康风险,对1991~2017年发表的205篇有关稻田土壤镉调查文献进行系统回顾,并采用USEPA推荐的健康风险评估概率模型对健康风险进行评估.结果表明,全国稻田土壤镉平均浓度[(0.54±1.38)mg/kg]显著高于全国表层土壤镉背景值(0.097mg/kg).虽未见显著的时间变异(β=-0.002,95%置信区间:-0.025~0.022),但不同地区和不同人为扰动下的稻田土壤镉浓度存在较大异质性:华南[(0.88±1.59)mg/kg]>西南[(0.46±0.85)mg/kg]>华东[(0.44±1.45)mg/kg]>华北[(0.36±1.05)mg/kg]>东北[(0.35±0.83)mg/kg]>西北[(0.01±0.05)mg/kg]和矿冶[(1.77±2.18)mg/kg]>其他工业活动[(0.64±1.22)mg/kg]>电子垃圾拆解[(0.59±0.87)mg/kg]>污灌[(0.57±1.26)mg/kg]>交通[(0.56±0.86)mg/kg]>常规稻田[(0.25±0.34)mg/kg].除西北地区外,各地区稻田土壤镉浓度均出现不同程度的超标现象,尤其华南地区34%条土壤镉浓度数据超过农用地土壤镉污染风险管制值(1.5mg/kg).土壤镉务农性接触的非致癌风险(HQ<<1)处于可接受水平,其中皮肤接触是主要途径,女性是务农性土壤镉暴露的高风险人群,华南和西南地区是务农性土壤镉暴露的高风险地区. 相似文献
34.
巢湖水体和水产品中多环芳烃的含量与健康风险 总被引:11,自引:1,他引:10
利用GC-MS测定了巢湖水体15个样品及9种主要水产品中16种优控多环芳烃(PAHs)的含量,并用美国环保局(USEPA)推荐的健康风险评价模型估算了巢湖地区居民由于饮水、洗澡及食用水产品造成的PAHs暴露量.在此基础上,利用概率风险评价和蒙特卡罗模拟方法分析了巢湖水体与水产品中PAHs的健康风险及其不确定性.研究结果表明,巢湖水体中16种优控PAHs总含量(PAH16)范围为95.63~370.13ng·L-1,平均为(170.72 ±70.79) ng·L-1,BaP当量浓度(Bapeq)为(1.43±0.79) ng·L-1;水产品中PAH16的干重含量范围为129.33 ~575.31 ng·g-1,均值为(320.93±147.50) ng·g-1,BaP当量浓度为(4.67±6.68) ng·g-1.巢湖地区居民由于饮水和洗浴造成的PAH16暴露量分别为(5.76±2.39)×10-3 ng·kg-1·d-1和(25.08±10.40)×10-3 ng·kg-1·d-1,城镇与农村居民食用水产品造成的PAH16暴露量分别为(190.86±84.17) ng· kg-1· d-1和(75.88±33.47) ng·kg-1·d-1;水产品食用是巢湖地区居民PAHs暴露的主要途径.洗浴和饮水造成的PAH16暴露风险分别为(6.33±4.70)×10-9 a-1和(4.32±2.47) ×10-7 a-1,城镇与农村居民食用水产品造成的PAH16暴露风险分别为(3.17±3.79)×10-5 a-1和(1.25±1.50) ×10-5 a-1;居民食用水产的PAH16暴露风险高于USEPA建议的可接受风险(1.0×10-6 a-1),存在一定的致癌风险.水产品食用风险的不确定度较高,Bap当量浓度是影响风险评估不确定性的主要因素. 相似文献
35.
马成正 《中国安全生产科学技术》2011,7(3):114-118
故障诊断在保证危险化学品汽车罐车运输安全方面具有重要意义。从国内交通运输安全的实际要求出发,依据液氨汽车罐车的结构特点及国家法律法规的要求,比较全面、系统地分析了液氨汽车罐车故障特征的相关参数,并将其作为概率神经网络的输入结点。根据实际可能发生的故障分类模式,考虑到故障诊断的容错能力和自适应能力,提出了基于概率神经网络的复合故障诊断模型。利用指标参数作为网络训练样本,对未知故障模式进行诊断,并以广西地区压力容器检验所液氨检测数据为例进行说明。理论分析和实例计算表明,该模型物理概念清晰,计算结果合理,精度较高,在危险化学品汽车罐车故障诊断中有很好的适用性。该项工作可为我国危险化学品汽车罐车故障智能诊断的深入开展提供参考依据。 相似文献
36.
计算机仿真事故响应中的班组绩效影响因子研究 总被引:1,自引:1,他引:0
在核电站应急事件的工况下,用计算机仿真的人的班组行为模型(IDAC模型)可以预计主控室操作班组人员(决策者、操作者和咨询者组成)的失误概率,为了量化事件过程中人的认知心理活动发生的机理,采用绩效影响因子(PIF)计算班组人员发生失误的概率。讨论PIF的定义、分类以及量化值的确定,描述人的认知心理活动的失误机理与PIF的关系,预计班组失误亊件发生的概率。对50个PIFs中的一些重要因子进行描述,每组中的PIF都是独立于其他组的,但是不同组中的PIF可能存在从属关系。试图基于心理学观察以及各种人的可靠性分析方法的影响路径,合理有效地选择PIF,以实现动态概率风险评价中的人误事件发生概率的量化。 相似文献
37.
This article presents an evaluation of the performance of the urban atmospheric dispersion model (DAUMOD) in estimating nitrogen oxides (NOx) background concentrations in Copenhagen. Estimations of hourly average (averaged over a year), mean daily and mean monthly concentrations of NOx are compared with observed values for two years of data. The model slightly underestimates low hourly average values and overestimates high values. The cumulative frequency distribution of mean daily concentration obtained from model estimations is in good agreement with the obtained from observed data. We performed a statistical analysis to determine the agreement between estimated and observed concentration values. The results show that 95.8% of hourly average estimations, 86.8% of mean daily and 100% of monthly average concentrations are within a factor of two of the observed values. The normalised mean square error of predictions is +0.13 for hourly average estimations, +0.22 for mean daily values and +0.02 for monthly mean concentrations. The fractional bias values are: –0.049 for hourly mean estimations, –0.047 for mean daily values and –0.053 for monthly average estimations. The values of the statistical parameters allow us to consider that though estimations are lightly larger than the observed values, the model performance is acceptable. 相似文献
38.
39.
40.