强化环境监测预警体系建设是确保东胜区环境安全的重要支撑

建设先进的环境监测预警体系,是我们贯彻落实国务院<关于落实科学发展观加强环境保护的决定>和第六次全国环境保护大会精神,针对当前我国环境管理面临的复杂形势和东胜区"打造城市核心区","创建全国环保模范城(区)",确保地区级核心城市环境安全的形势要求以及环境监测肩负的重要历史使命,审时度势提出的一项具有战略性.基础性建设任务.准确可靠的环境监测预警数据,信息,是政府制定法律法规,条例制度,政策标准,规划计划和综合决策的依据.科学的监测手段,可以为政府管理提供科学的决策依据,以对当前复杂的环境形势做出准确判断;而预警监测跟不上,就可能在出现突发污染事件时措手不及.应对无方.贻误战机,给人民群众生命健康安全,经济生活运行,以及社会安定和环境安全带来严重的威胁和损害.并就如何加强环境监测预警体系建设,从专业技术,能力建设,队伍素质等方面提出了建设性的宝贵意见.     

秦岭Ⅰ号隧道围岩压力的理想弹塑性分析

影响洞室稳定性的因素很多,但岩体自身的受力情况是至关重要的。在不考虑支护反力的条件下,将弹塑性应力半径作为变量,分析秦岭Ⅰ号隧道弹塑性区应力随半径的变化规律,为隧道的施工及支护提供参考。     

柴达木盆地水资源决策支持系统的设计与开发研究

柴达木盆地水资源规划管理决策属典型的半结构化、多层次、多决策者和多目标的决策问题，为此设计开发了柴达木盆地水资源决策支持系统。文章系统地介绍了柴达木盆地水资源决策支持系统结构框架、设计原则、开发思路、决策模式和基本功能。系统由数据库、模型库及其管理系统三部分组成，模型库包括人口动态模型、宏观经挤模型、水资源模拟模型、绿洲生态需水模型和水资源多目标优化分析模型等5个基本模型。在求解水资源多目标优化分析模型时，使用了逐步法(STEM)，把多目标化为单目标进行求解，决策者在迭代权衡过程中输入经验与偏好信息来获取满意的决策信息。     

地震应急救援后勤保障质量评价体系的探讨

建立科学的地震应急救援后勤服务质量评价体系，客观评价地震应救援急后勤保障服务水平，是规范管理地震应急救援后勤保障质量的重要手段。本文提出在进行地震应急救援后勤保障质量评价时，调查项目必须根据地震现场后勤工作的需求特点合理设计，取样大小、统计方法必须科学规范。     

近岸水域船舶溢油应急保障能力评估

为了降低溢油事故对近岸水域造成的影响,提高近岸水域船舶溢油事故应急响应系统的能力,采用结构方程模型,评价船舶溢油应急保障能力。在分析近岸水域船舶溢油应急响应系统影响因素的基础上,构建了船舶溢油应急保障能力评价的指标体系,引入结构方程模型,建立船舶溢油应急保障能力分析的路径模型,分析应急保障变量之间的互动关系及其影响程度,研究其算法,并以实例验证模型的可行性。结果表明,人员保障在溢油应急保障能力中起主导作用,其次是物资保障和技术保障。     

基于ARIMA与LS-SVM组合模型的飞行事故征候预测

应用差分自回归移动平均模型(ARIMA)和最小二乘支持向量机(LS-SVM)的组合模型,对某航空公司的月度事故征候万时率进行了预测分析。对2008—2016年某航空公司的事故征候、飞行小时、航空器数量等历史数据建立ARIMA模型,应用SPSS软件进行模型拟合,获得事故征候万时率的线性部分;随后利用LS-SVM分析ARIMA模型的残差,获取非线性部分,最终通过二者之和获得ARIMA+LSSVM组合模型。对2017年1—3月的月度事故征候万时率进行了预测,并用实际数据验证。结果表明:ARIMA(1,1,1)(1,1,1)12模型较好地拟合了事故征候万时率的历史序列,LS-SVM模型对残差的拟合获得了较好的精度;组合模型的短期(3个月)预测值与航空公司事故征候万时率的趋势完全一致,且预测精确度可接受。     

Streamflow Forecasting Using Singular Value Decomposition and Support Vector Machine for the Upper Rio Grande River Basin

The current study improves streamflow forecast lead‐time by coupling climate information in a data‐driven modeling framework. The spatial–temporal correlation between streamflow and oceanic–atmospheric variability represented by sea surface temperature (SST), 500‐mbar geopotential height (Z₅₀₀), 500‐mbar specific humidity (SH₅₀₀), and 500‐mbar east–west wind (U₅₀₀) of the Pacific and the Atlantic Ocean is obtained through singular value decomposition (SVD). SVD significant regions are weighted using a nonparametric method and utilized as input in a support vector machine (SVM) framework. The Upper Rio Grande River Basin (URGRB) is selected to test the applicability of the proposed model for the period of 1965–2014. The April–August streamflow volume is forecasted using previous year climate variability, creating a lagged relationship of 1–13 months. SVD results showed the streamflow variability was better explained by SST and U₅₀₀ as compared to Z₅₀₀ and SH₅₀₀. The SVM model showed satisfactory forecasting ability with best results achieved using a one‐month lead to forecast the following four‐month period. Overall, the SVM results showed excellent predictive ability with average correlation coefficient of 0.89 and Nash–Sutcliffe efficiency of 0.79. This study contributes toward identifying new SVD significant regions and improving streamflow forecast lead‐time of the URGRB.     

IWO-PSO-SVR算法在甲烷检测中的应用

提出一种入侵杂草算法改进的粒子群算法（IWO-PSO）用于支持向量机（SVR）算法来快速实时检测甲烷气体浓度系统,气体红外激光差分吸收法检测系统基于甲烷气体分子在1650nm处泛频光谱吸收带,结合可调谐二极管吸收光谱（TDLAS）与波长调制光谱（WMS）.选择半导体激光器瞬时输出光功率变化范围5.0~10.6mW,瞬时波长变化范围1650~1651nm,瞬时调谐频率范围0.0048~0.0115nm/mA;采集山东淄博某农场2019年3月份全天气体样本,随机抽取15组样本作为训练集,建立以光谱峰面积作为输入值与气体浓度作为输出值的IWO-PSO-SVR、SVR、PSO-SVR和PSO-BP定量分析模型,对测试集4种浓度的甲烷分别进行预测;结果表明,通过IWO-PSO-SVR定量分析模型效果最佳,4种甲烷浓度预测值与真实值相对偏差分别为0.115%、0.109%、0.131%、0.120%,均低于0.0014;相关系数分别为0.9987、0.9966、0.9899、0.9975均高于0.98;预测时间分别为1.35、1.54、1.35和1.33s,模型经过1000次训练对气体的检测精度为10^-5,与同类别检测系统相比,具有很强的理论研究价值和工程应用价值.     

基于小波分解和SVM的大气污染物浓度预测模型研究

针对大气污染物浓度的精准预测问题,运用小波分解将污染物浓度一维序列分解为高维信息,结合气象及污染物浓度数据,构建了基于小波分解的支持向量机预测模型.最后将模型应用于长沙市2018年PM_2.5和O_{3-8 h}的浓度预测.结果表明：①在其他参数不变的条件下,该模型在平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）、一致性水平（IA）和相关系数（R）指标上均优于未经小波分解的预测模型;②在考虑其他污染物对PM_2.5浓度的影响后,预测模型评价指标MAE、MAPE和RMSE分别减少了5.57%、9.91%和3.44%,有着更小的误差;③在考虑气象因素对O_{3-8 h}浓度的影响后,预测模型评价指标MAE、MAPE和RMSE分别减少了1.59%、3.54%和0.82%,同样也有更小的误差.由此可以看出,本文所提模型能够有效预测大气污染物浓度,为相关研究提供了方法参考.