英国科学家认为转基因食品有害人体健康

英国皇家学会日前发表的一份研究报告称,转基因技术很可能导致不可预测的食物营养结构的改变,从而给人类健康带来危害.     

模糊综合评判法在煤炭自燃预测中的应用

运用模糊综合评判法预测煤炭自燃。在分析煤炭自燃影响因素的基础上，从煤体的氧化放热性能、供氧条件和煤体蓄放热环境三方面确定了模糊综合证券的因素指标，提出了确定评判指标属性值和权重值的方法，并将模糊综合评判法成功应用于矿山煤炭自燃的预测。     

疏勒河流域农业综合开发对生态环境影响的预测

以甘肃省河西内陆河疏勒河流域水利建设带动区域农业综合开发大型项目为背景，项目区自然和人工生态环境系统现状为依据，用生态环境系统的理论及方法，建立项目区的生态指标体系，用定性和定量相结合的手段，预测了区域性农业综合开发项目对生态环境的影响。     

基于粒子群优化的GRU广东省跨境断面水质预测模型研究

水质预测是跨界断面环境风险分析的重要方法,对水质监控和水源保护具有重要作用。GRU是水质预测的常规模型,但广东跨界断面众多、水质数据变化较大,不同断面不同时间段的GRU水质预测需要对超参数进行多次训练调整,以保证模型获得较高的精度。为快速简便地实现GRU模型的迁移使用,提出了PSO-GRU水质预测模型,引入粒子群优化算法,对GRU的超参数进行优化,减少了超参数设置的经验性和随机性,提高模型预测精度。构建PSO-GRU水质预测模型的步骤主要为,1)分析水质特征,确定滑动窗口,构建数据集(训练集、验证集、测试集);2)设置PSO-GRU的相关参数的初始值,通过计算PSO的适应度值来获得新的GRU超参数,经过迭代,追踪超参数局部最优解和全局最优解,最终得到全局最优超参数;3)将最优超参数构建GRU模型进行水质预测。将PSO-GRU用于8个跨境断面水质预测,并与LSTM、GRU模型进行对比,结果表明,1)PSO-GRU模型拥有较好的泛化性,能够在8个跨境断面水质预测中迁移使用,并取得较好的预测结果,达到应用要求。2)LSTM、GRU超参数的设置需要经过多次试验,且难以获得超参数的全局最优值,P...     

酸雨pH值分级短期预报方法研究初探

酸雨的预报方法种类繁多,主要包括统计预报﹑数值预报及主观综合预报等.但这些预测研究大都是年度季度等较长时段的预测,感情用事为纛预测方法主要以线性统计方法为主.     

基于量子加权最小门限单元网络的出水COD预测

出水化学需氧量（COD）的快速准确测量对于污水处理过程水质的动态调控至关重要。针对出水COD难以实时检测的问题,提出一种基于量子加权最小门限单元（QWMGU）神经网络的出水COD预测方法。先通过多维单步（滑动窗口）预测技术构建时间序列;然后在最小门限单元（MGU）遗忘门、候选状态与输出环节设计量子计算机制,通过更新量子相移门矩阵替代MGU权值矩阵的更新,赋予网络神经元量子特性,并给出QWMGU模型设计的具体规则与构建流程。应用该方法对德州市污水处理厂2020年出水COD进行预测,并与5种流行预测模型进行对比,以检验模型优越性。结果表明：QWMGU网络的相对预测误差优于其他方法,且稳定性较高,其均方根误差、确定系数、平均绝对误差分别为0.073、1、0.047。该模型有助于实现污水处理厂COD的高效在线检测。     

基于循环神经网络的洞庭湖水位预测研究

洞庭湖流域分布了3个重要的自然保护区,是我国大型淡水湖泊湿地系统之一,生态资源丰富.水位是维持其生态系统结构、功能和完整性的基础.为预测长江和流域"四水"来水组合影响下的洞庭湖水位变化,该文采用两种循环神经网络方法——长短期记忆(LSTM)和门控循环单元(GRU),构建了洞庭湖水位变化的预测模型.LSTM和GRU的优势在于能够学习网络的输入和输出之间的长期依赖关系,这对于模拟受上游来水影响的水位累积变化至关重要.模型以湘江、资水、沅江、澧水入湖流量和长江干流宜昌站前期流量作为输入条件,预测洞庭湖不同湖区的水位变化过程.利用1980～2002年水位流量时间序列数据对模型进行测试,2003～2014年数据进行验证,并对两种模型的预测结果进行了比较.结果表明:(1)循环神经网络LSTM和GRU方法均可合理预测洞庭湖水位的变化过程,NSE和R2均为0.91～0.95,各站水位预测的RMSE值为0.41～0.86 m,NSE和R2均为0.91～0.95;(2)LSTM的预测精度稍高于GRU,但GRU计算更高效,是LSTM一个很好的替代方案;(3)模型能够较准确的模拟一次洪水事件,洪水位的预测值与真实值的最大相对误差低于5％;且模型具有较好的多步长时间序列预测能力,有在水文模型应用方面的潜力.     

融合物候特征对城市土地覆被进行分类及覆被变化分析——以金坛区为例

土地覆被与全球生态环境变化有重要联系,遥感分类技术作为提取大尺度地物信息的主要手段,在土地覆被变化监测中具有重要作用.但是由于监测研究对影像时间序列的要求及像元呈现出的混合光谱的特征,现存城市土地覆被分类方法的分类精度仍待提高.为了精确评估城市土地覆被变化带来的生态效应,寻找到一种简单可行同时又具有较高分类精度的遥感分类方法显得极为重要.基于Landsat 8卫星遥感影像,建立具有代表性的城市土地覆被分类体系,结合地物物候特征改进传统的监督分类方法,并将该方法应用于金坛区土地覆被分类工作中,统计分析2016～2018年金坛区各土地覆被类型的面积变化趋势.结果表明融合地物物候特征的监督分类方法相较于传统监督分类方法可有效改善各覆被类型的提取精度;且在江苏省生物多样性保护政策的实施下,2016～2018年金坛区各土地覆被类型面积变化较为明显.整体来看,该方法在传统监督分类方法的基础上结合地物的物候特征进行土地覆被信息的提取,在保证分类方法简单易行的同时,可以有效提高分类精度,为土地覆被变化生态分析提供了有效参考.     

边坡稳定性自动机器学习预测方法研究

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出1种边坡稳定性自动机器学习预测方法。首先,简要介绍5种主流开源自动机器学习框架;其次,以422组边坡稳定性样本为数据集,进行自动机器学习纯自动化训练,并与传统机器学习对比分析模型的性能与耗时;最后,综合讨论与比较典型自动机器学习框架的特性。研究结果表明：自动机器学习预测效果总体上优于传统机器学习,提升边坡稳定性预测准确率和稳健性,且无需人为干预。研究结果可为岩土工作人员准确可靠地评价边坡稳定性提供便捷条件。     

基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度,减小数据缺失对煤与瓦斯突出预测的不利影响,提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数,运用MCMC对突出事故缺失值进行数据填补,采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测,验证MCMC填补有效性和SSA优化性能;分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测,对比预测准确度,分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明：MCMC填补后准确度均提升7.89个百分点以上,SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高,为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。