自回归模型在井水埋深预测中的应用及改进

用时间序列分析方法建立井水埋深的预测模型时,首先采用差分的方法把季节性时间序列变成平稳时间序列,在此基础上,再用动态数据系统方法的传统F检验定阶法进行分析。由于样本的随机性可能过早地退出对模型的循环检验,从而不能找到合适的预测模型。笔者在用自回归模型建立井水预测模型的基础上,采用了一种改进的建模方法,提高了预测精度,并用实例进行了验证。     

采样时间对空气微生物采样效果的影响

用ＡＮＤＥＲＳＥＮ生物粒子采样器和微孔滤膜空气微生物采样器，在室内进行了不同采样时间对空气微生物采样效果的研究。结果表明，这两种采样器采集的空气微生物粒子浓度随采样时间增加而减少，呈明显的负相关关系，相关系数分别为：－０．８９８和－０．９１１，Ｐ值均小于０．０５。ＡＮＤＥＲＳＥＮ采样器采样时间〈７ｍｉｎ和微孔滤膜采样器采样时间〈３ｍｉｎ时，对采集的空气微生物粒子浓度没有明显影响。采样时间对采集的空     

鄱阳湖流域天然径流变化特征与水旱灾害

为探讨鄱阳湖流域河川径流的变化过程和规律,深入了解径流特征及其与鄱阳湖水旱灾害的关系,利用时间序列分析方法,对鄱阳湖流域五河水系干流河段主要控制水文测站的天然径流系列进行了研究。研究显示,鄱阳湖五河径流年内分配集中程度在0.43到0.56之间,集中期为每年的5月底6月初,比鄱阳湖汛期提前1-2个月。径流多年变化变差系数变化在0.28～0.33之间,径流年际变率较大,在年代际变化上20世纪90年代径流增加尤其突出;径流序列呈长期的增加趋势,1998年后增加趋势变缓;鄱阳湖流域五河水系出现特大枯水年和丰水年的概率较大,出现平水年的概率略小。以上结果表明,五河汛期来水是影响鄱阳湖洪水的重要因素,而其形成、发展过程还受到长江中上游洪水的控制;径流的长期变化中,气候因素是引起鄱阳湖流域径流变化主导因素,水土流失和水利工程的建设等人为因素起着一定的辅助作用;径流序列枯、丰循环周期的交替变化过程,与过去几十年间流域内出现的干旱、洪水现象具有较好的一致性。     

中国北方地区沙尘暴变化趋势初探

沙尘暴是一种重要的环境问题和自然灾害，是土地沙漠化程度的重要指标。本文利用１９５１～１９８０年的整编气候资料、１９８１～１９８７年中国地面气象记录月报资料和１９９３～１９９４年的两个沙尘暴个例资料，对我国北方地区沙尘暴的空间分布和时间变化及其成因作了初步探讨，并对未来的变化趋势进行了初步预测。结果表明：沙尘暴主要发生在我国西北地区，且有两个多发中心区，即塔无拉玛干沙漠的西南部和甘肃河西走廊东部。沙尘暴主要发生在春季，尤以四月份最多；沙尘暴的形成是地形、地表沙尘物质、有利的急浪位置、低层大气的不稳定和锋面过境后的大风五种基本因素相互作用的结果；就整个北方地区而言，１９５１～１９８７年沙尘暴出现日数总的趋势是波动式减少的，但不同干旱气候区略有差异；本世纪末到下世纪中叶，整个北方地区沙尘暴总的趋势将呈波动式增加（约比１９５１～１９８７年的平均值增加７％）。     

Self-feedback LSTM regression model for real-time particle source apportionment

1. Download : Download high-res image (303KB)
2. Download : Download full-size image

     

Seasonal variation of municipal solid waste generation and composition in four East European cities

The quality of recyclable and residual municipal solid waste (MSW) is, among other factors, strongly influenced by the seasonal variation in MSW composition. However, a relatively marginal amount of published data on seasonal MSW composition especially in East European countries do not provide sufficient information on this phenomenon. This study provides results from municipal waste composition research campaigns conducted during the period of 2009–2011 in four cities of Eastern European countries (Lithuania, Russia, Ukraine and Georgia). The median monthly MSW generation values ranged from 18.70 in Kutaisi (Georgia) to 38.31 kg capita⁻¹ month⁻¹ in Kaunas (Lithuania). The quantitative estimation of seasonal variation was performed by fitting the collected data to time series forecasting models, such as non-parametric seasonal exponential smoothing, Winters additive, and Winters multiplicative methods.