高中环境教育选修课的几点思考

目前,中小学以渗透结合的方式实施环境教育虽然已经开始,而从培训不同学科教师到真正渗透环境教育将是一个漫漫跋涉的过程。因而环境教育选修课不失为一种增强学生的环保与忧患意识,提高环保觉悟的有力手段。基于这样的认识,我们在每周一课时的选修课中增设了环境教育选修课,创我区环境教育走上高中课堂之先河。经过很长一段时间的摸索与实践,使我对这门选修课的设立原则与教法等具体问题有了进一步的认识。 　　学校的实际情况 　　学生已有的环境知识。在初中阶段,通过相关学科的渗透,加上媒体和舆论的大力度的宣传,对于环境和…     

ENO与网络同行--一种基于Internet的环境研究性学习活动

研究生学习是以学生的自主性、探索性学习基础,从学校生活和社会生活中选择和确定研究专题,以个人或小组合作的方式进行的一种学习活动。研究性学习立足于对人的潜能的开发和对学生学习兴趣的强化,以培养学生的研究能力、创新能力、人际交往能力、独立思考和解决问题的能力以及支操作能力为目标。研究性学习关注的是学习内容的丰富性和研究方法的多样性,强调学生会收集、分析、归纳、整理资料,学会处理反馈信息,更加注重研究过程,重视应用和个体的体验及全员参与。     

深度学习下吊装作业工人防护装备及吊钩检测方法

为解决危大工程中吊装作业安全管理的问题,基于深度学习构建目标检测算法(You Only Look Once version 5,YOLOv5)网络模型,针对进入吊装作业区域内人员的防护装备进行多目标融合检测,并对吊钩在施工过程中的状态进行检测。在原始的检测网络模型中引入4种注意力机制,并通过5种训练模型的结果对比分析,进而选择卷积块注意力模块(Convolutional Block Attention Module, CBAM)最优模型。优化后的检测模型对安全帽的平均识别精度达86.5%,对反光衣的平均识别精度达83.0%,对吊钩的状态识别精度达92.0%。将训练好的人员检测模型和吊钩检测模型打包成exe执行文件,应用到施工安全管理人员的中控平台,可帮助管理人员更好地判断吊装作业的工作情况,进而及时进行风险管控。     

基于深度学习的排污口污染物浓度预测研究

入河排污口是污染物进入生态环境的最后一道关口,预防超标排放是改善流域生态环境质量的基础.为实现排口超标排放事前预警,本研究以长江泰州段两类典型排口(污水处理设施排口和工业企业清净下水排口)为例,利用排口污染物监测数据与气象数据,基于长短期记忆神经网络(LSTM)、门控循环单元(GRU)、卷积循环神经网络(CRNN)等深度学习算法构建多污染因子(总氮、氨氮、COD、总磷)浓度预测模型,并结合SHAP分析结果识别影响排口水质预测的重要因素.结果表明：(1)单层与双层GRU模型在排污口未来6 h污染物浓度预测中表现较好,R²可达0.67～0.81;(2)自相关变量的累积重要性绝对值占比超80%,对排口污染物浓度预测的影响显著大于其他输入变量.该方法有潜力拓展应用至其它排污口类型及其它污染因子的浓度预测,为排口污染预警和全链条管理提供技术支撑.     

北京市黑臭水体治理的动态遥感监测及影响因素分析

为及时、准确掌握黑臭水体治理进展,基于“北京二号”影像数据和同期的野外综合水体实测数据,采用深度学习算法对黑臭水体进行识别,并引入地理探测器对黑臭水体影响因素进行定量分析。结果表明：基于Faster R-CNN算法的黑臭水体遥感识别,总准确率达到90%左右,短时间内(5～33 h)即可完成北京市建成区黑臭水体的筛查工作;在空间维度上,黑臭水体主要分布在中心城区以外,并在通州区、朝阳区和大兴区较为集中;在时间维度上,专项治理期间(2015—2018年)内,黑臭水体的数量和长度总体趋势都是递减的,但偶尔也有反黑现象;2018年底,在全市建成区范围内,已全面消除黑臭现象;在一年内,第1季度水体环境最好,第2季度次之,第3季度最差,从第4季度开始好转;在北京市大兴区,土壤全氮量(贡献率为32.07%)和周边养殖场排污(贡献率为27.04%)是黑臭水体形成的主要影响因素,高程(贡献率为8%)、土壤类型(贡献率为7.6%)和土地利用类型(贡献率为6.1%)的贡献率较弱。由此可以看出,基于Faster R-CNN算法识别影像中的黑臭水体识别准确率高,可及时、准确地监测城市黑臭水体治理情况,使用地理探...     

电监会全面学习贯彻《通知》

本刊讯 8月10日,国家电监会在京召开学习培训会议,集中学习《国务院关于进一步加强企业安全生产工作的通知》（以下简称《通知》）精神,深入分析当前电力安全生产存在的问题和风险,要求全面加强电力安全生产和监督管理工作。     

YOLOv4目标检测算法在煤矿工人口罩佩戴监测工作中的应用研究*

为防止煤矿工人吸入过量粉尘而导致职业性尘肺病,基于Keras框架利用YOLOv4 (you only look once)目标检测算法对井下人员佩戴防尘口罩情况进行高精度且快速的检测与识别,并与MTCNN(Multi-task convolutional neural network)和FaceNet构成的人脸识别算法相结合,进行煤矿工人口罩佩戴监测的研究。结果表明:模型对井下人员口罩佩戴有较高的检测精度,识别已佩戴口罩的矿井下作业人员的平均精度达到92.78%,识别未佩戴防尘口罩检测的平均精度为91.63%,与其他主流算法相比算法具有更好的鲁棒性和检测效果。研究结果为预防煤矿工人职业性尘肺病提供1种有效的技术手段。     

基于卷积神经网络的冲击地压预警方法研究*

为探究深度学习在冲击地压预警方面的应用前景,以新疆某冲击地压矿井为研究背景,将深度学习和专家评判运用到微震数据分析中,基于卷积神经网络构建冲击地压预警模型。充分利用一维卷积神经网络对时序数据有较强特征提取能力的优势,以微震数据及其特征参数作为输入,以专家评判值作为标签,借助Python-Keras框架实现冲击地压预警模型的构建和训练。研究结果表明:模型预警效果并不随着训练迭代次数的增加而逐渐最优,存在最优迭代次数,对于所建模型当迭代次数为30时测试集的冲击危险预测结果与专家评判结果基本吻合,同时说明模型可以较好地学习专家评判经验实现冲击地压预警。研究表明所建模型对研究时段内发生的5次大能量矿震事件均进行预警,其准确度较高,具有现场实际应用价值。     

提高履职能力 强化风险防控

吉林省安监局认真学习贯彻陈伦在省安监局调研时的重要讲话精神5月25日,省安监局召开党组(扩大)会议,学习讨论省委常委、省纪委书记陈伦到省安监局调研时重要讲话精神。省安监局党组书记、局长金华主持     

心系安全发展 推动监管创新——吉林省安监局党组理论中心组(扩大)学习研讨会召开

9月1日至2日,省安监局党组理论中心组(扩大)学习研讨会在长春召开。会议旨在学习贯彻落实胡锦涛总书记七一重要讲话精神和中央、省委关于加强和创新社会管理的重大决策部署,研究加强和创新安全监管工作的思路和措施。省安监局党组书记、局长金华出席会议并作中