| 基于自组织神经网络和K-means的场地地下水污染特征分析与分区管控研究 |
| |
| 引用本文： | 黄燕鹏,汪远昊,王超,刘伟江,王宏,吕广丰,林斯杰,胡清. 基于自组织神经网络和K-means的场地地下水污染特征分析与分区管控研究[J]. 环境工程, 2022, 40(6): 31-41+47. DOI: 10.13205/j.hjgc.202206004 |
| |
| 作者姓名： | 黄燕鹏 汪远昊 王超 刘伟江 王宏 吕广丰 林斯杰 胡清 |
| |
| 作者单位： | 哈尔滨工业大学环境学院,哈尔滨150090;南方科技大学环境科学与工程学院,广东深圳518055;南科大工程技术创新中心(北京),北京100083;南方科技大学环境科学与工程学院,广东深圳518055;南科大工程技术创新中心(北京),北京100083;生态环境部土壤与农业农村生态环境监管技术中心,北京100012 |
| |
| 基金项目： | 国家重点研发计划(2018YFC1801303,2019YFC1803900,2018YFC1800204)； |
| |
| 摘 要： | 该研究基于自组织神经网络(SOM)和K-means方法,以华中地区某铬渣污染场地为研究对象,探讨了SOM+K-means方法应用于场地地下水污染分区管控的可能性。通过监测数据的描述性统计分析场地地下水污染特征,发现Cr (Ⅵ)、CODMn、SO42-、TDS、NO3-、NH3-N、Mn为研究区的主要污染物。基于SOM+K-means分析挖掘,并基于空间插值方法,将研究区地下水分为4类区域,并识别出每类区域需重点关注的污染指标。结果显示:类别Ⅰ需关注NO3-;类别Ⅱ需关注Cr (Ⅵ)、CODMn、NO3、TDS、NH3--N;类别Ⅲ需关注SO42-;类别Ⅳ需关注Mn。该方法可较好地应用于地下水污染分区管控,对场地地下水污染防治具有指导意义。
|
| 关 键 词： | 机器学习 自组织神经网络 K-means 地下水污染 分区管控 |
| 收稿时间： | 2022-01-10 |
CHARACTERISTICS ANALYSIS AND ZONING CONTROL OF GROUNDWATER POLLUTION BASED ON SELF-ORGANIZING MAPS AND K-MEANS |
| |
| Affiliation: | 1. School of Environment, Harbin Institute of Technology, Harbin 150090, China;2. School of Environmental Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, China;3. Engineering Innovation Center of Southern University of Science and Technology, Beijing 100083, China;4. Technical Center for Soil, Agriculture and Rural Ecology and Environment, Ministry of Ecology and Environment, Beijing 100012, China |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《环境工程》浏览原始摘要信息 |
|
点击此处可从《环境工程》下载全文 |
|
