泥石流入汇的危险性判别指标

通过对比单沟和区域泥石流危险性的评估方法 ,提出了利用影响度、危险度和危害度 3项指标判别汇流区泥石流入汇危险性的设想 ,分析了泥石流入汇可能引起堵江的影响因子。作为尝试 ,给出了判别指标的计算公式 ,经实例验证具有较好的实用性 ,可作为规划设计的技术依据。     

FHWA模式在宾馆,展厅建设项目环评中的运用

美国ＦＨＷＡ模式在公路建设项目环境影响评价中已被广泛运用，但在大型宾馆，展览馆厅等建设项目中尚示引用。本文通过在武汉展览馆重建项目环评中运用ＦＨＷＡ模式，对解放大道两侧声学环境进行了预测和实测对比，并就动用中的有关参数取值和晤项进行了讨论。     

无废城市建设场景下LightGBM垃圾产量预测模型构建

中国于2018年提出“无废城市”建设试点工作方案。通过对某试点研究区域调研发现,近年来当地生活垃圾产量呈现高出城市人口发展速度,且呈非线性快速增长趋势。传统的预测手段已经无法满足当地垃圾产量的精细化管理需求,难以将当地垃圾处理能力的发展与产量增加的趋势相协调。因此,基于社会多元数据,构建对研究区域整体垃圾总产量预测的模型研究方案。通过将灰色关联分析算法与LightGBM机器学习算法结合,获得了多元社会数据中与研究区域垃圾产生增长关联最为密切的几类特征数据,以进行机器学习模型构建与交叉验证调优,获得了MAE为1.48,MAPE为15.42%的生活垃圾产量精准预测模型。最终利用该模型预测,2025年该地的生活垃圾产量将达到17.23万t/a。     

长沙市雨花区东片交通噪声预测与控制规划

通过规划区交通噪声源分布现状调查及环境影响描述 ,对该区进行了交通噪声环境质量现状评价及交通噪声污染预测 ,并提出了相应的交通噪声控制措施与控制规划。     

基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型

海表面温度（sea surface temperature, SST）是海洋与大气之间相互作用的关键因素,海温控制着全球大气和海洋生态系统的变化。准确预测海表面温度的演变对治理全球大气系统和海洋生态系统都具有重要的意义。为了对SST数据的空间自相关性准确建模,本文提出了基于全局跨尺度时空注意力的深度神经网络海表面温度预测模型（deep neural network based on global cross-scale spatiotemporal attention, GCSA-DNN）。模型分为3个部分,从长时序数据中提取时序依赖特征的时序建模模块,从SST序列均值中提取空间分布规律特征的多尺度局部空间建模模块和基于全局跨尺度的时空注意力融合模块,实现每个网格点对全局自相关性的建模。本研究选择空间分布规律不同的东海和南海海域数据,对1981年9月1日至2022年4月7日美国国家海洋和大气管理局（nationaloceanicand atmospheric administration,NOAA）的数据进行了预测分析,共14829条数据,其中1981年9月1日至2021年8月31日的...     

沙尘天气对北京市空气质量的影响及其预测预报

概述了北京市沙尘天气的分类、特征、判别方法,总结了2000—2002年沙尘天气对北京市空气质量的影响情况,提出了沙尘天气影响空气质量的短期(1～2d)预报方法。利用该方法预报了2002年4次主要沙尘天气过程,预报结果都比较准确。研究发现沙尘天气年际变化主要是受气候条件年际变化影响,提出根据气候条件年际变化预测来进行沙尘天气年际变化预测的初步方法。      

混沌理论在水质预测中的应用初探

基于混沌理论、相空间重构思想和嵌入理论分析涟水流域溶解氧的时间序列,计算吸引子维数和最大的Lyapunov指数,研究河流水质系统的复杂性特征。结果表明,河流水质时间序列具有混沌特性,其外在表现为貌似随机的无规则特点;但系统本身内在的、固有的规律(表现在最大的Lyapunov指数),表明短期预测河流水质变化是可行的,并应用混沌相空间模线性回归模型进行了短期预测,其预测结果对涟水流域的水质管理和控制具有一定的参考价值。     

人工神经网络在道路交通噪声预测中的应用

人工神经网络具有很强的预测功能，根据某公路交通噪声的实测数据，应用人工神经网络进行道路交通噪声的预测，经检验，计算值与实测值接近，从而为道路交通噪声的预测提供了一种新的途径。     

用等维灰色动态预测法预测大连湾污染物排放量

用少量数据建立的长期预测模型所得预测结果一出散性较大，本文介绍的等维灰色动态预测去弥补了这一缺陷。依据这一方法编制的“灰色原理应用系统”软件包，在获得预测结果的同时，还可得到预测值的变化过程及模型的相应参数，可即时对预测结果的可靠性作出判断。     

利用灰色系统方法预测水情

本文利用灰色系统方法进行海冰年限预报。该方法不依赖于天文、气象等因素，而是利用历年的冰情等级数据列建立ＧＭ（１·１）模式。该预报方法也可以预报重冰年。