两类新型神经网络及其在安全评价中的应用

详细讨论小波神经网络(WNN)和模糊神经网络(FNN)的构造以及训练学习过程,并针对安全评价问题分别完成算例。典型算例表明:小波神经网络具有很好的逼近与映射能力,并且有很强的泛化能力;模糊神经网络将模糊数学与人工神经网络相互融合起来,有效提升了系统的智能功能。两类新型神经网络使得人-机-环境系统工程中的许多安全评价问题有了更广泛的量化工具,并具有安全评价的量化较准确的特点。     

Collaborative environmental governance and transaction costs in partnerships: evidence from a social network approach to water management in France

Several studies attempt to explain how collaborative environmental governance processes operate, but the question of why collaboration relationships form has received much less attention. Motivated by this need, this paper provides insights to the broad question: why does collaborative river basin management in France depend so heavily on partnerships made up around a few actors? Accordingly, our analytical framework develops a transaction cost explanation for the extent to which participatory procedures help stakeholders to identify partners and initiate collaboration, and for the causal link between the attributes of these stakeholders and their partnerships. The p2 model is implemented to investigate partnership networks of the key actors that govern the management of the Gironde estuary, the study case. The results provide evidence that environmental institutions bring together heterogeneous actors who might not be ready for collaboration, thereby actors’ perceived power similarity; their geographical proximity and co-presence in formal fora limit transaction costs.     

基于BP神经网络模型在珊溪水库水华预测中的应用

在珊溪水库藻类暴发期间应急监测数据的基础上,建立pH值、高锰酸盐指数、总氮、总磷、叶绿素a数据矩阵。运用MATLAB R2015b GUI可视化界面模块,将应急监测数据样本空间分为训练样本、验证样本、测试样本,建立珊溪水库BP神经网络模型,预测了珊溪水库藻类暴发期间叶绿素a浓度。BP神经网络建模结果显示:输出数据与实测数据相关系数0.978,平均相对误差-0.19%,标准方差18.54%,模型稳定性较好,叶绿素a预测结果符合预期。BP神经网络预测模型为珊溪水库饮用水水源地环境保护提供了科学依据。     

基于人工神经网络模型预测2017~2018年成都市危险废物增量研究

危险废物对环境或者人体健康会造成有害影响,有效地预测其产量是优化管理和合理处置的重要依据。以2008~2016年成都市危险废物产生量为基础,通过数据带入和整合及综合各参数因子的影响,利用人工神经网络模型预测方法客观反映并预测成都市危废产量的变化趋势。结果表明该模型预测2017~2018年成都市危险废物年产量分别达到24.46万t和26.88万t,模拟精度偏差低。因此,人工神经网络模型可以作为一种预测危险废物产生量的工具,其预测结果可以为职能部门提供决策参考。     

区域大气污染的城市网络关联分析--基于粤港澳大湾区的研究

选取2013—2016年粤港澳大湾区11市大气主要污染物数据,采用社会网络分析法(SNA)对粤港澳大湾区大气污染的空间关联性进行实证研究。结果发现:①大湾区城际大气主要污染物的空间关联均呈现出较典型的网络结构特征。②城际大气污染存在明显的空间关联和空间溢出,各城市空间联系越来越密切。③大湾区大气污染空间网络具有稳定性特征,PM2.5和SO2的空间溢出得到有效控制,而PM10和NO2的空间溢出具有长期稳定性。④珠海、佛山、惠州、中山在大湾区城际大气污染空间关联网络中处于中心地位。⑤各城市在大气污染空间网络中存在明显的非均衡地位。     

地气解耦的Himawari-8卫星PM2.5浓度估算深度神经网络方法

现阶段大气PM_2.5遥感反演方法大多数都基于卫星气溶胶光学厚度（aerosol optical depth,AOD）产品,这些产品通常是从表观反射率（top-of-atmosphere reflectance,TOA）中反演而来.直接建立TOA产品和地面站点监测的PM_2.5浓度间的反演模型能够有效降低由AOD反演所带来的误差传递,但是现阶段反演PM_2.5所用到的TOA同时耦合了地表反射率和大气贡献值,想要进一步提升反演精度则需要设法将二者分离.基于此,本文利用Himawari-8（H8）卫星数据,由6S模型进行大气校正,继而统计得到H8前6个波段之间的地表反射率关系式,再运用卫星第六波段表观反射率与地表反射率接近的特性,估算得到前5个波段的地表反射率,并扣除地表反射率得到大气贡献值,以此来达到地气解耦的目的.随后,本文基于深度神经网络构建了PM_2.5、大气贡献值、卫星亮温数据、观测角等之间的关系.以安徽省为例,反演结果表明,与不考虑地气解耦的TOA-PM_2.5方法相比,本文提出的ATM-PM_2.5方法精度更高,在未参与训练的验证站点上,ATM-PM_2.5的R²和RMSE值为0.87和13.77 μg·m^-3,相对于未经过地气解耦的TOA-PM_2.5,R²提高了20%,RMSE值降低了5.24 μg·m^-3.另外,利用H8卫星时间分辨率较高的特点,本文对安徽省域范围内进行了逐小时的PM_2.5监测,显示本文方法有潜力为PM_2.5实时监测提供数据支撑.     

基于地基GPS层析大气水汽资源的方法研究

大气水汽资源作为一种潜在的水资源,对实现淡水资源的可持续利用具有重要的战略意义。地基GPS层析大气水汽技术为研究大气水汽资源的三维分布提供了定量依据,对于合理开发利用大气水汽资源具有重要意义。论文介绍了地基GPS层析大气水汽技术的基本原理;层析网格的划分是地基GPS层析大气水汽技术的关键问题,文中对国内外地基GPS层析网格划分方法进行了论述,并总结了该技术普遍使用的3种模型,即对流层模型化算法、一般算法和Kalm an滤波法;最后提出地基GPS层析大气水汽技术中存在的问题,并对该技术未来发展方向给出了建议。     

基于模糊神经网络的水稻农田重金属污染水平高光谱预测模型

以吉林省长春一汽厂附近3块不同重金属污染状况的水稻实验样地为例,通过地面实测获取了水稻的光谱反射率、叶片叶绿素含量、叶片及土壤重金属含量等数据.同时,在分析重金属对水稻叶片叶绿素含量影响的基础上,通过多元逐步回归分析选出对水稻叶片叶绿素含量微小变化指示灵敏的光谱参数作为模型输入层,并将水稻叶片叶绿素含量值作为输出层来表征农田重金属污染胁迫水平,最终建立了用于预测水稻农田重金属污染水平的模糊神经网络模型.结果表明,该模糊神经网络模型预测的水稻重金属污染胁迫水平与实测结果吻合度较高,预测的叶绿素含量值与实测值的拟合度较好(R2=0.985).表明在受重金属污染胁迫的情况下,水稻叶片叶绿素含量微小而复杂的变化可以通过构建模糊神经网络模型很好地模拟出来,从而确定出农田的重金属污染水平.     

滇池水污染物浓度预测的人工神经网络模型

本文针对滇池日益严重的水污染现状,根据云南昆明西苑隧道断面2004年-2010年的监测资料,建立了基于BP神经网络的主要污染指标预测模型,并对其进行训练检验,研究结果表明：独立样本中pH、溶解氧、氨氮、高锰酸盐浓度的预测值与监测值的线性相关系数分别为0．952、0．967、0．945、0．936。结果证明该模型预测精度满足要求,通过准确地预测湖泊水污染物可以为治理湖泊营养化和综合利用水资源、规划管理、决策提供重要的科学依据。     

Canada's Model Forests 20 years on: towards forest and community sustainability?

We review how Canadian Model Forests pursued forest and community sustainability over the course of two decades (1992–2012). Given its roots in the forest industry and forest science, Model Forest programming initially faced some challenges in pursuing the socio‐economic dimensions of sustainable forest management (SFM) in order to fulfil mandated community sustainability objectives. This was due, in part, to how objectives, stakeholders, and expertise were brought together to develop SFM. The programme helped to define sustainability and the SFM paradigm, advance forest science and social research, and bring together a mix of usually adversarial partners in the name of innovation. Ultimately, the termination of federal programming was linked to high‐level policy shifts, yet difficulty in delivering on the socio‐economic dimensions of SFM during a period of forest sector and community crisis was also a factor.