医用玻璃及医疗垃圾灰渣的结渣特性研究

医疗垃圾的特性和成分是改善焚烧装置设计、运行及控制性能的重要参数.为了研究医用玻璃对医疗垃圾焚烧炉的影响,从医疗废物处置中心采集了玻璃和灰渣样品,分析了其化学组分和熔融温度.与煤灰成分相比,医用玻璃中的SiO2和碱金属氧化物含量较高.通过不同玻璃间的比较,总结了化学组分对熔融温度的影响.软化温度随着SiO2、CaO含量的增加而升高,但随B2O3、Na2O含量的增加而迅速降低.改变不同玻璃的混合比例.研究了混合玻璃的熔融特性.利用煤灰结渣指数对医疗垃圾灰渣的结渣倾向进行了判定.结果显示,仅沾污指数能够对灰渣得出适宜的判别.     

柳州市社会、经济、资源、环境协调发展评价

运用主成分分析法评价了2000～2006年柳州市社会、经济与资源、环境各子系统的综合发展水平,并通过隶属度函数测算社会、经济、资源、环境各系统间的协调发展状况,找出柳州市可持续发展过程中存在的问题。结果表明：近年来柳州市的社会、经济、资源、环境各系统的综合发展水平不断提高、4个系统间的协调发展状况良好,但柳州市的经济结构还不够合理,经济增长方式仍然较粗放,资源利用率和环境保护工作有待进一步提高。最后提出了相应对策。     

广西百色不同功能区土壤重金属污染与来源

以百色城区及周边县城土壤为研究对象,测定不同功能区(清洁区、矿区、工业区和城市中心区)土壤Co、Cr、Cu、Ni、Pb、Zn、Cd、As和Hg含量,采用地质累积指数法评价重金属污染水平。结果表明,百色地区土壤重金属含量差异很大,除Cu以外,工矿区土壤重金属污染达到中度污染水平以上,其中Cd达到强污染水平;清洁区和城市中心区土壤大部分重金属元素则处于无污染水平。采用主因子分析法分析了矿区和工业区土壤重金属可能的污染源,结果显示工矿区土壤重金属可能有三个来源:工业源的Co、Ni、Pb、As、Hg,混合源的Cd、Cr、As、Zn,自然源的Cu、Zn。     

丹江口库区土地利用变化与生态环境脆弱性评价

基于RS和GIS技术,研究了丹江口库区1990-2007年的土地利用变化状况,采用空间主成分分析法构建了生态环境脆弱性评价模型,评价了库区生态环境脆弱性,探讨了土地利用变化与生态环境脆弱性的关系。结果表明:①库区土地利用格局承受着社会经济发展和生态环境保护与建设两方面相互矛盾的巨大压力,1990-2007年间,除水田和旱地减少外,其他用地比例均有不同程度增长。②18 a间,库区生态环境整体状况有所好转,脆弱性综合指数从5.96降至5.56。林地基本处于微度脆弱性状态,灌丛、园地、草地属于轻度和中度脆弱状态,水田、旱地和未利用地多属于中度和重度脆弱状态。③不同利用类型的脆弱性综合指数顺序基本保持为:城镇>农村居民地>未利用地>旱地>园地>草地>水田>灌丛>林地,林灌措施是库区生态恢复和重建的首选,同时应加强城镇与农村居民地以及农田的生态环境建设。     

基于高光谱指数的水稻砷污染胁迫多重判别模型

水稻中过量砷(As)能够影响叶片中叶绿素含量、水分含量以及细胞内部结构,进而改变水稻在光谱上的特征表现.以表征叶绿素、水分含量、细胞结构的NDVI、NDWI、SIPI等9种高光谱指数和实测水稻叶片砷含量数据为基础,利用相关分析、主成分分析和独立变量分析方法,获得诊断指标对水稻砷污染胁迫进行多重光谱判别.结果表明,表征不同生理参数的高光谱指数PSNDa、fWBI、SIPI与水稻叶片砷含量高度相关,可作为砷污染单级光谱诊断参数;主成分因子F1、F2和独立变量因子ICA1、ICA2对水稻砷污染胁迫具有特殊反应,分别作为水稻砷污染胁迫的主成分诊断指标和独立分量诊断指标.综合上述3类诊断参数,构建水稻砷污染胁迫多重判别空间体系即光谱指数诊断空间(PSNDa-fWBI、PSNDa-SIPI、fWBI-SIPI)、主成分诊断空间(F1-F2)和独立变量诊断空间(ICA1-ICA2),从不同层面上综合诊断了实验区水稻砷污染胁迫情况,其中以表征叶绿素和细胞结构的光谱指数空间PSNDa-SIPI与主成分空间F1-F2诊断效果为最佳.     

长江口水域富营养化特性的探索性数据分析

根据2004年2、5、8、11月长江口及邻近海域的调查结果,选择8个与富营养化有关的特征参数,包括营养盐浓度(NO^-₃、NH₊₄、PO^{３－₄、TN、TP)、化学耗氧量、叶绿素a浓度和浮游植物细胞丰度等,应用探索性数据分析方法对该海域富营养化特性进行研究.主成分分析表明,主成分1主要反映氮营养盐和有机污染状况;主成分2反映浮游植物生物量;主成分3体现磷营养盐特点.主成分1从口门内到口门外存在降低的趋势,表明氮营养盐和有机污染主要来源于长江输入.受人类排污影响,主成分1在吴淞口、石洞口和白龙港排污口附近最高.冬季口门内各站位的氮营养盐和有机污染最为严重.春夏季的3个主成分均高于秋冬季,因此春夏季富营养化更为严重.主成分1与盐度之间在秋冬季具有较好的线性关系,在一定程度上可根据盐度预测长江口海域各站位的主成分1,即氮营养盐和有机污染状况.硝酸盐、总氮、总磷和浮游植物细胞丰度等是控制长江口水域富营养化水平时空变化的主要驱动因素.}     

基于突变级数法和主成分分析法的长沙市生态安全评价

基于P-S-R(压力-状态-响应)模型,构建长沙市生态安全评价的指标体系.同时结合突变级数法和主成分分析法,构建长沙市2008-2012年生态安全的突变模型,并对其进行评价.结果表明,2008-2012年,长沙市生态安全总隶属度值由2008年的0.68(Ⅴ级)上升为2012年的0.94(Ⅲ级),表明长沙市生态安全状况呈上升趋势.在构成长沙市生态安全系统的3个子系统中,系统状态和系统响应两个子系统的安全隶属度呈上升趋势,且除2008年以外的其余年份均处于较安全等级;系统压力子系统的安全隶属度虽处在较安全等级以上,但呈下降趋势.这表明长沙市生态安全还存在生态隐患,需要降.低环境压力.根据此评价结果,并结合长沙市当前存在的主要环境问题,得出长沙市生态安全建设的主要限制因子.     

雷电灾害风险评估系统模型与应用

根据IEC62305—2010的雷电灾害风险评估原理和方法,结合灾害学、模糊数学等理论,构建了单体风险评估和区域风险评估模型,分析了软件实现平台的设计和实现并介绍了相关平台模块主要功能。在应用中着重介绍了区域风险评估模型利用的相关技术和理论算法,并举例对某区域相关风险因子选取、评估过程、评估结论予以展现,结果表明区域雷电灾害风险不仅取决于自然闪电,还与孕灾环境、承灾体脆弱性和抗灾恢复能力相关。最后利用COM组件技术实现评估报告的自动化生成。     

湖南某植烟土壤重金属含量及其生态风险评价

采集了湖南某植烟区表层土壤样品112份,测定了土壤中6种重金属元素的含量,并采用单因子污染指数法、综合污染指数法和潜在生态危害指数法对其污染状况进行评价.结果表明,植烟区土壤重金属平均含量分别为36.25(Cu)、69.78(Zn)、37.66(Pb)、0.36(Cd)、12.71(As)、0.27(Hg)mg·kg-1.6个元素的变异系数在32.57%—59.03%之间,属于中等变异,元素分布不均.污染评价结果表明,植烟区土壤重金属Cu、Zn、Pb、As的单因子污染指数平均值小于1,其污染较轻.而重金属Cd和Hg的超标率为54.46%和58.04%,土壤受到Cd和Hg污染.潜在生态风险指数评价结果显示植烟区土壤重金属属于轻度污染.相关性分析结果表明Cu、Zn、Pb和Cd之间呈显著相关性,As和Hg相关性显著,说明其同源性较高.来源分析表明,研究区Cu、Zn、Pb和Cd污染来源东北部主要为矿区污染,西南部主要是人为源,As主要来源为成土母质和生活源,Hg主要为大气污染源.     

Prediction of gas explosion pressures: A machine learning algorithm based on KPCA and an optimized LSSVM

A gas explosion, as a common accident in public life and industry, poses a great threat to the safety of life and property. The determination and prediction of gas explosion pressures are greatly important for safety issues and emergency rescue after an accident occurs. Compared with traditional empirical and numerical models, machine learning models are definitely a superior approach. However, the application of machine learning in gas explosion pressure prediction has not reached its full potential. In this study, a hybrid gas explosion pressure prediction model based on kernel principal component analysis (KPCA), a least square support vector machine (LSSVM), and a gray wolf optimization (GWO) algorithm is proposed. A dataset consisting of 12 influencing factors of gas explosion pressures and 317 groups of data is constructed for developing and evaluating the KPCA-GWO-LSSVM model. The results show that the correlations among the 12 influencing factors are eliminated and dimensioned down by the KPCA method, and 5 composite indicators are obtained. The proposed KPCA-GWO-LSSVM hybrid model performs well in predicting gas explosion pressures, with coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE) values of 0.928, 26.234, and 12.494, respectively, for the training set; and 0.826, 25.951, and 13.964, respectively, for the test set. The proposed model outperforms the LSSVM, GWO-LSSVM, KPCA-LSSVM, beetle antennae search improved BP neural network (BAS-BPNN) models and reported empirical models. In addition, the sensitivity of influencing factors to the model is evaluated based on the constructed database, and the geometric parameters X1 and X2 of the confined structure are the most critical variables for gas explosion pressure prediction. The findings of this study can help expand the application of machine learning in gas explosion prediction and can truly benefit the treatment of gas explosion accidents.