神定河支流水质时空变化特征

鉴于支流水质情况对河流的整体水质有着重要影响,根据神定河两条支流5个监测断面2014~2015年的水质监测数据,采用综合污染指数法(CPI)和聚类分析法研究了神定河支流水质的时空变化特征。结果表明,神定河各支流冬季的污染情况较重,春季、夏季和秋季污染情况相对较轻;百二河枯水期综合污染指数较高,显示出点源排放污染作用的影响;张湾河枯水期和平水期的综合污染指数基本持平,并显著高于丰水期,表明其主要受点源排放污染和稀释作用的影响。空间变化方面,SPSS空间聚类分析将支流水质分为轻污染区、中度污染区和重度污染区,支流水质从上游到下游不断变差,汇入干流后最终导致神定河的污染负荷不断增加。     

渭河下游二华南山支流水文站网布设分析

渭河下游二华(华县和华阴)南山支流是三门峡库区的组成部分,是陕西省重点防汛地区之一。针对南山支流防汛中存在的主要问题,论证了在二华南山支流布设水文站网的必要性和可行性,提出了水文站网布设的方案,以为三门峡库区防汛提供水情服务。     

渭河宝鸡段水质现状调查及评价

通过调查渭河流域宝鸡段工业、农业、生活污染源,结合渭河干支流历年监测数据,利用环境质量和评价相关软件,对渭河宝鸡段水质现状进行评价和分析。为宝鸡市渭河治理与保护及流域建设提供科学依据。     

对比遥感生态指数与改进型遥感生态指数的应用

以福建省南靖县为例,基于Landsat系列多时相影像数据,分析遥感生态指数（Remote Sensing Ecological Index,RSEI）和改进型遥感生态指数（Modified Remote Sensing Ecological Index,MRSEI）在生态评价研究中的应用,比较2种指数与各指标间的相关性、在生态等级划分中的区别。结果表明：（1）RSEI、MRSEI与各指标相关度均大于各指标平均相关度,说明2种生态指数都比任一单一指标更能反映生态质量;（2）RSEI与各指标之间的相关度、历年平均相关度均高于MRSEI,说明RSEI更具有综合代表性;（3）在区域生态质量等级划分中,RSEI生态等级高于MRSEI的区域多为植被覆盖区,RSEI生态等级低于MRSEI的区域多为建成区,说明基于RSEI的生态质量等级划分比MRSEI更加可信。     

改进的加拿大水质指数方程在丹江口水库水质评价中的应用

为研究加拿大水质指数(CWQI)方程在我国水源地水质评价中的适用性,选取丹江口水库库区及入库支流19个站点的水质监测数据为评价对象,采用改进前后的加拿大水质指数方程和我国水质指数法对监测数据进行对比了分析。结果表明,丹江口水库库区水质状况较好,能满足饮用水水源地安全的要求;少数入库支流水质状况较差,主要污染指标集中在粪大肠菌群、总氮、氨氮、总磷、溶解氧等;改进的加拿大水质指数方程较原方法能更加全面地反映样本的水质状况,与我国水质指数法得到的评价结果更加吻合,适用性较好。     

余热利用发电对降低能效指数EEDI贡献研究

对比分析了6种典型船舶安装余热系统后新船能效设计指数(EEDI)的降低情况。通过国内外船舶柴油机余热利用发电技术的研究,证明:船舶采用柴油主机余热回收发电系统可有效降低柴油机综合油耗,是降低EEDI的有效手段之一。     

基于C_I指数的贵州省干旱时空变化规律研究

贵州干旱频发,亟需采用合理的干旱指标分析研究干旱发生的时空变化规律,指导抗旱工作。与单项干旱指数相比,综合气象干旱指数(CI)同时考虑了降水和蒸散能力对干旱发生的累积效应,更能精确地反映不同的干旱状况。验证了CI指数在贵州的适用性,采用统计分析法研究了贵州省50年来干旱发生的频率、范围和强度。结果表明,贵州省年干旱发生频率很高;全年干旱频率分布从东北向西南逐渐增高;四季中,春旱发生频率最高,由西南向东北呈递减趋势,夏旱南北差异不显著,秋旱发生频率呈现自西北向东南逐渐增高的条带状分布规律;干旱持续日数和干旱强度呈周期性变化。     

基于WQI的河网水系水质评价及时空特性分析

为全面了解上海市主要河网水质的变化情况,基于2015～2020年主要河流上19个水质监测断面逐月水质监测数据,采用综合水质标识指数(WQI)进行水质评价,基于M-K趋势检验法分析研究区域水质的年代际和年内变化特征,通过比较南北部河流以及上、中、下游的水质变化,分析该地区主要河网水系水质的空间变化及时空差异特性。结果表明,上海市主要河网水系水质整体WQI均值为62.32,水质评价等级为中等;水质WQI值有显著上升趋势;南部河流水质优于北部河流,WQI值从上游向下游依次减小,水质沿程有所变差,但干流水质总体优于支流。研究结果可为类似河网水系的水质评价及水环境保护与管理提供参考。     

基于粒子群算法的最小二乘支持向量机电池状态估计CSCD

电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。