Neural network forecasting of air pollutants hourly concentrations using optimised temporal averages of meteorological variables and pollutant concentrations

The new method for the forecasting hourly concentrations of air pollutants is presented in the paper. The method was developed for a site in urban residential area in city of Zagreb, Croatia, for four air pollutants (NO₂, O₃, CO and PM₁₀). Meteorological variables and concentrations of the respective pollutant were taken as predictors. A novel approach, based on families of univariate regression models, was employed in selecting the averaging intervals for input variables. For each variable and each averaging period between 1 and 97 h, a separate model was built. By inspecting values of the coefficient of correlation between measured and modelled concentrations, optimal averaging periods for each variable were selected. A new dataset for building the forecasting model was then calculated as temporal moving averages (running means) of former variables. A multi-layer perceptron type of neural networks is used as the forecasting model. Index of agreement, calculated for the entire dataset including the data for model building, ranged from 0.91 to 0.97 for the respective pollutants. As suggested by the analysis of the relative importance of the input variables, different agreements for different pollutants are likely due to different sources and production mechanisms of investigated pollutants. A comparison of the new method with more traditional method, which takes hourly averages of the forecast hour as input variables, showed similar or better performance. The model was developed for the purpose of public-health-oriented air quality forecasting, aiming to use a numerical weather forecast model for the prediction of the part of input data yet unknown at the forecasting time. It is to expect that longer term averages used as inputs in the proposed method will contribute to smaller input errors and the greater accuracy of the model.     

乡村路网对三峡库区社区水平森林结构的影响

道路作为人为扰动介质被认为是短时空尺度森林景观演化或用途转换的主要驱动力之一,体现为明显的“通道-阻隔”效应。论文以重庆市石柱县西沱镇为例,以3期遥感影像和调研数据为基础,利用ArcGIS的缓冲叠加功能,基于路网动态变化角度,从类型、林龄、起源等主要森林结构方面分析路网变化对森林结构变化的影响。结果表明：1）研究区道路数量先增加后减少,道路质量以等外公路和村级公路的改善为主。2）道路对森林景观干扰性明显。森林从类型、起源、林龄三方面在道路缓冲区内的破碎度均高于非缓冲区内的破碎度。1992—2002年及2002—2014年两个时期相比,前一时期其他灌木林、幼龄林以及萌生林大幅减少,基本表现为道路缓冲区内减少量大于非缓冲区内减少量。后一时期乔木林、中龄林以及萌生林有所增加,其他灌木林和成熟林轻微减少,其中,乔木林在道路缓冲区内增加量大于非缓冲区内增加量,中龄林及萌生林则表现为道路缓冲区内增加量弱于非缓冲区内增加量。3）道路影响域范围内,在无政策性干预条件下,道路的增加和质量的提高很大程度上导致森林景观的退化,低级路段的消失则有助于森林景观的恢复。     

“十二五”地表水国家环境监测网络吉林省水环境国控监测点位布设的构想

根据国家环境质量监测网络,对“十二五”地表水环境质量监测断面调整工作要求,吉林省在辖区内所有水环境质量监测断面及采样点基础上,完成了松花江流域和辽河流域国控监测断面的优化调整工作。在此过程中,如何从国家尺度上,既能充分反映吉林省水环境质量状况,又能满足国家对地表水环境管理需求进行了深入思考。本文以吉林省为例,在确定国控监测断面及采样点的布设中．提出了自己的构想和建议。     

新乡市镉污染土壤细菌群落组成及其对镉固定效果

重金属污染土壤中具有丰富的微生物群落组成,为生物修复提供了微生物资源.本研究以新乡市某电池厂周边Cd污染土壤为研究对象,采用高通量测序和平板分离方法分析其细菌群落组成.传统培养方法表明新乡市重金属污染土壤细菌由厚壁菌门、放线菌门、变形菌门和拟杆菌门这4个门,芽孢杆菌属、节杆菌属和根瘤菌属等30个属组成;高通量测序表明,其由变形菌门、放线菌门和酸杆菌门等25门及400属组成.相较于培养方法,高通量测序群落组成更为丰富.基于高通量测序的分子生态网路分析表明其关键细菌分别为Arthrobacter、Marmoricola、Nocardioides、Ferruginibacter、Flavitalea、Nitrospira和Lysobacter等组成.对分离的159株可培养菌株进行Cd摇瓶吸附实验,结果表明Aneurinibacillus、Arthrobacter和Bacillus等11个属的30株菌具有较好地固定效果.效果验证实验表明,Ochrobactrum sp. 1-6、Bacillus sp.2-11和Pseudomonas sp.1-9等6株高效菌株能提高青菜(鸡毛菜)生物量、降低...     

基于BP神经网络的北京城区公园土壤PAHs含量预测

城市公园是城市生态环境的重要组成部分,其环境质量与人类健康息息相关.选择北京市121个城区公园,采集公园土壤样品并分析其中7种多环芳烃（PAHs）含量,评价城区公园土壤中PAHs的含量水平,并基于BP神经网络预测了2020年和2023年土壤PAHs含量.结果表明:北京城区公园土壤中w（PAHs）（7种PAHs总含量）范围为0.033~4.182 mg/kg,低于GB 36600—2018《土壤环境质量建设用地土壤污染风险管控标准（试行）》土壤污染风险筛选值,且7种PAHs的毒性当量浓度（TEQ）均低于世界卫生组织标准值（1 mg/kg）,对人体健康的毒性风险较小.将14个影响指标（8个社会经济因子与6个公园特征因子）作为输入层、土壤w（PAHs）作为输出层,建立BP神经网络的拟合优度达0.845.预测结果显示,2020年和2023年北京城区公园土壤中w（PAHs）范围分别为0.008~0.969 mg/kg和0.022~1.988 mg/kg,整体均低于GB 36600—2018土壤污染风险筛选值,但随时间推移呈上升趋势,尤其朝阳区和海淀区将有大幅增长.研究显示:城市化发展因素对土壤w（PAHs）的增加有明显影响,城市发展进程影响不容忽视;至2023年,北京城区公园土壤若不加管理,其w（PAHs）将持续增长.      

BP 神经网络模型在环境气象灾害预测中的应用研究--以湖南省为例

依据环境气象数据与自然灾害统计数据,建立BP神经网络模型,对湖南主要气象灾害（洪灾、旱灾、冰冻灾）及受灾经济损失进行实例预测,将在MATLAB7软件中的仿真结果与传统的多元线性回归模型分析结果进行比较和误差分析。结果表明,BP神经网络模型在洪灾、旱灾受灾率方面的预测效果和精度优于多元回归模型,而由于冰灾训练样本不足及经济损失与输入因子的线性相关程度高,在冰灾与受灾经济损失率方面稍逊于多元回归模型。     

基于自适应遗传小波神经网络的水质评价建模

水环境污染过程的非确定性和非线性,使得传统的水质评价方法存在局限性。为了提高水质评价的准确性,提出了一种基于改进小波神经网络(wavelet neural network,WNN)的水质评价模型。采用自适应遗传算法(adaptive genetic algorithm,AGA)对小波神经网络的初始权值进行优化,再通过小波神经网络算法对网络进行训练,最后对训练好的网络展开测试。仿真结果表明,自适应遗传算法和小波神经网络的结合提高了网络的训练效率,该方法可以用于水质评价建模,并且评价结果具有较高的精度和准确性。     

太湖西部河网中沉积物氮的空间分布特征

选取太湖主要入湖水系(西苕溪水系和宜溧-洮滆水系)为研究对象,于2014年1月完成水体及表层沉积物各102个样品的采集,分析了沉积物中氮(N)不同形态的空间分布特征及其影响因素.结果表明,西苕溪水系表层沉积物总氮(TN)含量高于宜溧-洮滆水系,均值分别为2164.91 mg·kg~(-1)和983.52 mg·kg~(-1),两个水系间沉积物TN含量存在显著差异.西苕溪和宜溧-洮滆两个水系沉积物中无机氮(IN)以氨氮(NH+4-N)为主,平均含量分别为120.90 mg·kg~(-1)和49.85 mg·kg~(-1),而硝态氮(NO_3~--N)平均含量仅为9.60 mg·kg~(-1)和13.95 mg·kg~(-1).沉积物中有机氮(ON)含量及分布与TN相似,西苕溪和宜溧-洮滆水系ON均值分别为2034.41 mg·kg~(-1)和917.77 mg·kg~(-1),占各自TN的百分比分别为93.90%和92.99%.表层沉积物各形态N之间及与上覆水体之间均具有显著的相关性,表明沉积物与上覆水之间的浓度梯度可能会驱动IN向上覆水体进行释放.     

用神经网络辨识化学强化一级处理系统

运用实验室得到的数据为样本 ,选取了CODCr和絮凝剂投加量为指标 ,采用三层结构的神经网络 ,利用Matlab的神经网络工具箱中的批处理梯度下降法对CEPT系统经行辨识。辨识结果表明 :模型的预测值与实测值的平均误差在 3 .7%左右 ,具有较高的精度。同时 ,该模型还具有适应性强 ,使用方便 ,高效的特点 ,为CEPT系统的在线实时控制提供了一条有效的途径。     

事故出流时河流综合水质的计算机预测方法研究

河流上游的污水排放口或倒虹管等污水构筑因有可能发生事故出流而对下游的取水口存在着潜在的威胁，常规的单参数模型不能就事故出流对下游的影响作出公正评价。本文以QUAL－Ⅱ模型为骨架，以生动形象的动画形式演示出在整个排污过程中多个水质参数沿河道分布的变化全过程，并且，在模型中融入隶属度BP神经网络综合评价水质的模块，用它来对发生事故出流时下游取水口水域的水质变化进行综合评价，最后通过一个例子说明了该方法的优越性和合理性。