基于M-ACO算法的空气污染源反演

为了解决空气污染源反演的盲目性和低效率问题, 本文提出了一种基于改进型蚁群算法(modified-ant colony optimization, M-ACO)的空气污染源反演方法. 利用点源高斯扩散模型建立污染源反演模型, 采取蚁群算法(ant colony optimization, ACO)来求解. 针对蚁群算法中存在的缺点, 引入遗传算法的选择交叉思想, 从而丰富种群的多样性来避免陷入局部极值; 同时设计奖惩因子机制, 对信息素更新规则进行改进来使算法更快地收敛, 进而归纳为M-ACO算法. 通过对比实验, 证明了M-ACO算法相比于传统ACO算法来说, 能够使得污染源的反演结果更准确和高效, 为空气污染源反演的实际应用提供了有效的理论支撑.     

基于大数据的水生态承载力分析模型

随着科学技术的发展,水文信息数据量发生了巨大的增长,如何充分利用这些支持决策的大规模数据,是当前科学家面临一个大问题.传统的水生态承载力分析计算复杂多样,涉及的数据种类多样,扩展性不强,注重于理论研究和分析,本文通过研究历史数据,分析影响水生态承载力的因素,将数据划分为3个指标层,提出一种基于大数据的水生态承载力分析模型（ECCBD）.利用Hadoop集群的HDFS分布式文件系统实现水生态数据的备份存储,利用MapReduce实现海量水生态数据的并行计算.通过输出值与水生态承载力对比,判断水资源是否盈余或赤字,本文提出的方法和模型能够从压力、承载力、弹性力3个不同的指标层有效分析水生态环境现况,对提供水生态保护依据上有重要意义.     

基于GCN-LSTM的空气质量预测

随着我国环境监测技术的不断发展,环境空气质量的网格化监测体系越来越受到相关工作人员的青睐,为应对空气污染的网格化监测体系中的小型、微型监测站的空气质量预测问题,本文提出了一种基于GCN和LSTM的空气质量预测模型.首先利用GCN网络提取网格化监测体系中的小微型监测站之间的空间特征,然后再使用LSTM提取时间特征,最后使用线性回归层来综合时空特征并产生空气质量的预测结果.为了验证本文提出的预测模型的性能,我们使用了沈阳市浑南区的14个小微型监测站的空气质量监测数据进行实验.实验结果显示,基于GCN-LSTM的空气质量预测模型在空间关联较强的网格化监测中的小微型监测站上的预测结果的精度要优于单一的LSTM预测模型.     

Elman神经网络在优化空气预报模式结果中的应用

空气质量与人们的生活息息相关, 空气质量的预测结果是进行空气质量控制的依据. 因此, 提高空气质量的预测精度是本文研究的重点. CMAQ (Community Multiscale Air Quality modeling system)和CAMx (Comprehensive Air quality Model with extensions)是两种常用的空气质量数值模式, 其工作原理是通过大气物理化学方法模拟污染物传输转化过程, 进而预测空气质量. 空气质量数值模式的输入文件质量会影响到空气质量的预测精度, 为了提高空气质量预测的准确率, 本文提出了一种基于Elman神经网络的优化方法, 该方法在CMAQ和CAMx两种空气质量数值模式基础上利用Elman神经网络优化预测结果. 首先, 运行空气质量模式CMAQ和CAMx得到预测结果, 然后对预测结果进行预处理, 处理后的预测数据和实测数据一起作为Elman神经网络的输入, 进行模型的训练, 最后得到神经网络模型. 通过对测试数据集的验证和分析, 实验结果表明, 该方法表现出比单一空气质量数值模式更高的准确率.     

核电厂流出物排放氚的化学类别及监测方法

近年来,随着国外先进技术的引进,我国对氚监测技术进行了深入地分析和研究,使核电站氚排放监测设备、标准和方法得到了进一步完善.本文主要介绍了不同场合氚的取样和测定,以期能为相关从业人员提供参考.     

P204萃取分离高铁粉煤灰硫酸浸液中铁铝

粉煤灰是燃煤电厂发电所产生的主要固体废弃物,年产量及堆存量巨大.近些年越来越多的学者逐渐开始关注如何合理有效地处理粉煤灰.酸法是从粉煤灰中提取有价金属的主要途径之一,但由于Fe3+、Al3+化学性质相似,相互分离较为困难,因此成为限制资源化处理高铁粉煤灰的主要因素.以P204为萃取剂、260号溶剂油为稀释剂,对高铁粉煤...     

基于Cotraining-LSTM空气质量校准算法

空气环境问题越发成为人们关注的焦点.除了工厂排放的各种废气,私家车的普及都导致了当前令人担忧的空气环境状况.国家相关部门也开始加大对空气环境的治理,提出了环境质量网格化监测的相关政策.在此背景下,市场涌现出很多微型监测仪器,但由于自身内部的传感器精准度不够,存在数据偏差的问题.为了解决这一问题,本文通过利用神经网络技术中的长短期记忆网络（Long Short-Term Memory,LSTM）模型结合半监督学习方法,达到提高监测数据的精准度的目的.通过与其它模型进行对比分析,该方法达到了一定的效果.