青海省环境科学研究设计院

青海省环境科学研究设计院始建于1984年,隶属青海省环境保护局,是青海省唯一的省属综合性环保科研与咨询服务机构,2001年1月整体改制为具有独立法人资格的国有科技服务型企业。     

探索生态文明传播途径深化拓展环境宣传教育

秦皇岛市以环境宣传教育为生态文明传播途径,把当前和未来政企决策层、环境管理者作为全民环境宣传教育重点目标人群,探索实践“三向、三体、三结合”模式,在不断深化与拓展中增强了市民环境保护意识和科学发展观念。     

声音

"要充分认识发展海水淡化产业的重要性和紧迫性,要明确海水淡化的战略定位,要认真贯彻落实国办13号文件精神,完成《意见》所提出的各项任务,实现‘十二五’海水淡化产业发展目标。"     

沿海湿地可持续利用与管理策略

由于人口的快速增长、资源的过度利用、气候干旱化等。特别是湿地的生态保护功能和社会经济价值并未得到足够的重视,使得我国沿海部分湿地生态系统退化和受损,湿地面积减少．湿地环境遭受污染。湿地生物多样性受到负面影响,湿地生态系统面临着严重威胁。湿地生态系统能够提供许多类型的服务,具有公共物品属性,这决定了湿地保护和开发利用过程中私人成本与社会成本的不对等。形成湿地资源过度开发利用的负外部·眭,造成社会福利的损失。通过显示湿地开发利用的私人成本和社会成本的差异,可以判定湿地开发利用市场失灵或政府失灵。同时,由于缺乏制度安排等原因,沿海湿地生态系统服务没有得到合理的补偿,湿地资源难以得到持续的保护和有效的管理。这就需要适时采取适宜的资源可持续利用与管理策略,进行沿海湿地生态系统保护,使其服务功能得以稳定地发挥。     

实行年度目标考核是促进监测工作发展的有效方法

实行年度目标责任制考核 ,为监测站的改革和发展找到了一条有效途径。文章通过对年度目标考核责任制的方式、方法及实施后所取得成效的介绍 ,为监测站的改革与发展提供了借鉴     

农村突发公共卫生事件应急医疗设施选址研究

为提高农村突发公共卫生事件应急医疗设施选址决策的科学性,基于新冠肺炎(COVID-19)疫情传播迅速,危害性强的突发公共卫生事件特征,依据应急医疗设施设计标准并兼顾农村医疗预算少、应急道路崎岖的特点,首先,选取设施备选地工程地质条件、单位成本、传染率、抵达时间、场所规模以及服务覆盖区域6项影响因素,将熵值法(EVM)和层次分析法(AHP)有效结合确定影响因素权重;其次,建立考虑患者到应急医疗设施的距离之和最小以及所选择应急医疗设施的综合评价值最优的多目标选址模型;然后,设计改进的粒子群优化(IPSO)算法求解模型,得到选址决策;最后,选取天门市部分村庄进行实证分析,以验证模型算法的有效性。结果表明：传染率和单位成本是建设应急医疗设施主要影响因素,IPSO算法选取3个应急医疗设施,能够满足8个村庄患者的治疗需求,并保证患者在4～7 min内就医,为高效开展疫情防控活动提供保障。     

基于改进YOLOv5s算法的隧道初期火灾检测模型

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50 000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明：YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检...     

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明：飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。