载甲苯活性炭微波解吸过程人工神经网络模拟

采用人工神经网络对微波解吸过程进行了模拟研究.采用解吸温度、栽气线速、活性炭床层厚度、活性炭对甲苯的吸附量、解吸时间5个因子作为神经网络的输入变量,解吸浓度为输出变量.网络创建后采用已有的实验数据对网络进行训练,经124步收敛后网络达到指定精度.采用实测数据对网络的预测精度进行检验后表明:人工神经网络对载甲苯活性炭的解吸过程能够较精确的进行模拟,多数预测数据的误差范围在±5％之内.     

土地生态系统脆弱性时空演化特征及影响因素——以黄河三角洲高效生态经济区为例

基于BP人工神经网络模型,对黄河三角洲高效生态经济区土地生态系统脆弱性进行综合评价和时空演化分析,并借助灰色关联度模型探究其影响因素.结果表明：研究区土地生态系统脆弱性从2005年的1.244降低至2016年的1.113,脆弱性逐步改善;脆弱性由西到东、由内陆到沿海逐渐加剧,并表现出脆弱性平稳型和脆弱性渐低型2个演化特征;地均工业废水排放量、盐碱荒地面积比重、土地利用程度、建成区绿化覆盖率、节能环保支出占财政支出的比重是系统脆弱性的主要影响因素.因此,降低土地生态系统脆弱性的政策着力点应该集中在生态修复、优化土地利用结构和节能减排等方面.     

面向场景的城市PM2.5浓度空间分布精细模拟

针对传统PM_2.5浓度空间分布模拟方法忽略了城市内部如道路、工厂、居民区、景区等不同微环境整体对PM_2.5浓度影响机制的缺陷,本研究提出一种微环境PM_2.5浓度场景分异的理论假设,并以湖南长沙主城区为例,结合基于污染先验知识划分的城市微环境场景空间分布与自主设计加密观测场获取的203个监测点小时PM_2.5浓度加密数据,分析城市微环境PM_2.5浓度场景时空分异特征.在此基础上,耦合地理加权回归（GWR）与人工神经网络（ANN）方法,构建微环境场景增强下的PM_2.5浓度空间分布精细模拟GWR-ANN模型,开展城市内部高空间分辨率PM_2.5污染制图.结果表明：不同微环境场景间PM_2.5浓度存在显著时空差异,地表覆盖类型相同但分别位于2个不同场景的监测点间PM_2.5浓度差会随时间发生变化;耦合微环境场景变量的GWR-ANN模型能够有效精细模拟PM_2.5浓度的空间分布,模型拟合效果与交叉检验精度指标整体优于无场景变量参与的GWR-ANN模型（除部分时相较为接近外,检验R²：0.76~0.84vs.0.57~0.81）;场景增强下的PM_2.5浓度空间分布100m级分辨率模拟估算结果可以较好揭示研究区PM_2.5浓度高低值局地变化特征.     

机动车闯红灯判别模型及评价研究

为了提高机动车闯红灯警示系统判别准确率,提出适用于该系统的机动车闯红灯判别模型并进行评价。首先综述闯红灯警示系统的产生与发展现状,根据系统服务需求与工作流程,提出使用Logistic回归与神经网络方法建立判别模型预测机动车停止-通过行为,通过城市交通实测数据对模型进行评价。数据采集自上海城市道路交叉口进口道,通过Autoscope视频检测系统提取机动车运行数据。评价结果表明,Logistic回归与神经网络模型正确判别率均达到90%以上,神经网络具有更好的判别准确率。相对于速度,当前检测地点与上游地点30 m处车速差或速度比更宜作为模型中的判别参数。     

应用自组织人工神经网络预报黄土高原生态破坏程度的初探

运用三维Ｔ Ｋｏｈｏｎｅｎ自组织人工神经网络，分析预测黄土高原生态经济破坏程度，预测成功率１００％。结果表明，神经网络方法性能良好，可望成为生态经济破坏程度预测的有效的辅助手段。     

RBF神经网络在土壤重金属污染评价中的应用

运用MATLAB软件的K均值聚类算法结合神经网络工具箱,通过建立RBF神经网络对郑汴路圃田—杏花营段路旁土壤进行了评价。结果表明,土壤重金属积累峰值污染峰值多出现在距路基50m范围以内,并随着距路基距离的增加,污染程度逐渐下降。风力因素和邻近铁路对路段两侧土壤重金属污染影响较大,且公路运营时间越早,对两侧土壤污染越严重。杏花营断面土壤质量以Ⅱ级为主,北侧断面土壤质量多为Ⅲ级。圃田断面各样点综合评价结果均为Ⅱ级,整体质量优于杏花营断面。RBF神经网络评价方法具有计算速度快,评价结果客观等优点。     

基于人工神经网络的黑龙江省县域经济发展水平评价

文章运用人工神经网络方法,选取了8个经济指标,以黑龙江省2004年统计年鉴为数据源,对年黑龙江省66个县（市）的社会经济发展水平进行评价。结果表明：黑龙江省县域经济整体发展水平不高,而且区域差异显著;根据评价结果利用聚类分析方法将黑龙江省县域经济发展水平分为5级。文章最后提出了促进县域经济发展的措施。     

Assessment of physically-based and data-driven models to predict microbial water quality in open channels

In the present study,a physically-based hydraulic modeling tool and a data-driven approach using artificial neural networks (ANNs) were evaluated for their ability to simulate the fate and transport of microorganisms in a water system.To produce reliable data,a pipe network was constructed and a series of experiments using a fecal coliform indicator (Escherichia coli 15597) was conducted.For the physically-based model,morphological (pipe size,link length,slope,etc.) and hydraulic (flow rate) conditions were used as input variables,and for ANNs,water quality parameters (conductivity,pH,and turbidity) were used.Both approaches accurately described the fate and transport of microorganisms (physically-based model: correlation coefficient (R) in the range of 0.914 – 0.977 and ANNs: R in the range of 0.949 – 0.980),with the exception of one case at a low flow rate (q = 31.56 cm 3 /sec).This study also indicated that these approaches could be complementarily utilized to assess the vulnerability of water facilities and to establish emergency plans based on hypothetical scenarios.     

基于BP神经网络的义水河水环境质量评价研究

水质质量涉及多个影响因子,因子间大多具有非线性相关性,因此,水质评价是一个具有多因子的非线性系统。人工神经网络具有非线性映射的特点,能够有效地处理非线性相关问题,将其应用于水质评价中能够获得更为准确的信息。文章以溶解氧、高锰酸盐指数、化学需氧量、氨氮、总磷、石油类等6个指标作为评价因子,通过构造BP网络模型对义水河水质进行评价,分析了义水河4个断面的水质状况,并与单因子评价法结果进行了比较分析。     

OPAQ系统两种模式对O 3预报准确率的探讨

以江苏省宿迁环境监测中心OPAQ系统为例,基于人工神经网络算法的OPAQ空气质量预报系统的2种模式对O 3预报准确率的进行了分析,结果表明,趋势最优模式(RMSE模式)对预报当天及未来3 d的预报值与监测值的相关性系数均>0.78,相对误差在25%以下,在预测当天及未来24、48及72 h优-良天的预测准确率较高,分别为88.8%、87.2%、86.3%及84.7%,在预测轻度污染-重度污染的准确率较低;极值最优模式(SI模式)对预报当天及未来3 d的预报值与监测值的相关性系数(R)均>0.76,相对误差<32%,预测未来24和48 h的轻度污染-中度污染的级别准确率>60%。OPAQ系统的极值最优模式(SI模式)更适合作为夏季ρ(O 3)较高时的预测工具。