区域PM2.5时空回归建模与预测

基于区域PM_(2.5)时空建模和预测的需要及PM_(2.5)浓度呈现明显的时空分布趋势的状况,以苏南地区2014年PM_(2.5)日监测数据为实验数据,使用回归克里格对区域PM_(2.5)进行时空建模和估值。利用最小二乘法建立了PM_(2.5)与时空位置的三元二次回归趋势模型,建模点趋势值与实测值间的平均误差接近于0,表明趋势模型拟合效果较好;拟合了样点残差的理论变异函数模型,表明该地区PM_(2.5)的空间和时间相关性范围分别为150 km和4 d;基于该模型,使用时空普通克里格对残差进行时空插值;插值结果与趋势项相加,得到PM_(2.5)回归克里格估值结果;通过对比不考虑趋势的时空普通克里格估值结果,发现考虑时空趋势的时空回归克里格法精度提高了1. 29%。对所提方法进行了创新性分析,并对不足之处进行了讨论。     

河流水质变化趋势的灰色多变量予测模型

关于水体水质预测,目前尚处于发展形成阶段.其方法大体可分为相关法与模型法两类[1].相关法是指将水质参数与影响该水质参数的主要因素建立相关关系,由此作为预测依据.模型法是选用合适的水质模型进行水质预测.一般而言,由于相关法是基于概率统计原理,这就要求有较大的样本量,而模型法则需较深入地研究扩散、降解特性,以求得方程中的有关参数.相比之下,灰色预测方法在此     

已发表论文题录

[1 ]　吴国平 ,胡伟 ,滕恩江 ,魏复盛 .我国 4城市空气中 PM2 .5和 PM10 的污染水平 [J].中国环境科学 .1 999,1 9( 2 ) :1 33.[2 ]　滕恩江 ,吴国平 ,胡伟 ,魏复盛 .中国四城市空气中粗细颗粒物元素组成特征 [J].中国环境科学 .1 999,1 9( 3) :2 38.[3]　 F. Wei,E. Teng,G. Wu,W. Hu,W.E. Wilson,R.S. Chapman,J.C. Pau,and J. Zhang,Ambient Concentrations and Elemental Compositions of PM10 and PM2 .5in Four Chinese Cities,Environ[J]. Sci. And Technol.,1 999,33( 2 3) :41 88- 41 93.[4]　滕恩江 ,吴国平 ,胡…     

用DPP法测定饮用水中痕量As（Ⅲ）和总无机砷

砷是一种剧毒的痕量元素,其毒性取决于砷的化学形态.笔者用DDP法测定饮用水中痕量AS(Ⅲ)和总无机砷,克服了原子吸收光谱法或发射光谱法对微量H_3As的测定困难,测定速度又比溶出伏安法快,且精密度高,虽然其方法的灵敏度低于溶出伏安法,但检测限是允许的.1 操作条件:仪器参数、支持电解质、去除干扰物、As(V)还原为 As(Ⅲ).     

接种稀释法测定BOD5方法改进

1稀释水质量 :DO为 9左右 ,1 L水中营养液加入量 1 ml,p H7.2 ,BOD50 .0 5 0～ 0 .2 0 0 mg/L。 2接种稀释水质量 :1 L稀释水中接种液加入量 ( mg/L) :河水上清液 1 0 0～ 2 0 0 ;生活污水上清液 2 0～ 30 ;植物表层浸出液 30～ 5 0。BOD50 .40 0～ 0 .80 0 mg/L。 3水样稀释倍数确定 :2 0℃时 ,五天培养前后消耗溶解氧 3.6～ 6.3mg/L,样品取样量 :V1=6.3× 1 0 0 0 /BOD估值 ;V2 =3. 6×1 0 0 0 /BOD估值。稀释倍数 δ1=1 0 0 0 /V1,δ2 =1 0 0 0 /V2 。 4计量器具和操作 :移液管取样 ,容量瓶定容 ,转入烧杯静置平衡。接种稀释法…     

考虑周期性的深度学习臭氧预测模型研究——以珠三角为例

构建了一种长短时记忆神经网络(LSTM)和全连接神经网络(FC)结合的臭氧(O 3)预测模型(LSTM-FC),并考虑O 3质量浓度的周期性变化规律,以珠三角为例,实现了对其进行高精度预测的目标。结果表明:(1)考虑周期性的LSTM-FC模型24 h预测结果的均方根误差(RMSE)为16.08μg/m^(3),决定系数(R^(2))可达0.82,相比未考虑周期性的模型,精度提升了32.28%。(2)考虑周期性的LSTM-FC模型对O 3质量浓度低值部分能够取得更精确的预测结果,对高值部分低估的现象改善效果显著。考虑周期性后,大于《环境空气质量标准》(GB 3095—2012)中O 31 h平均质量浓度一、二级限值的预测结果均得到了一定改善,RMSE分别下降了18.71%和34.90%,R 2分别提升了40.42%和134.04%。研究结果表明,考虑周期性的LSTM-FC模型在O 3预测方面具有良好的拓展性和应用潜力。     

基于遥感影像的木兰溪水质参数反演

水质监测对水环境评价及污染预防至关重要,但地面监测成本高、监测面积有限等,难以满足实时、大范围监测的要求。为了更好地解决该问题,基于遥感影像的空中监测技术越来越得到研究人员的青睐。以木兰溪为研究区,利用和地面监测数据同步的Landsat-8卫星遥感影像数据,对木兰溪的典型水质参数总磷、总氮、溶解氧、高锰酸盐指数的反演问题进行研究。首先,根据Landsat-8的水体敏感波段,分别选取总磷、总氮、溶解氧、高锰酸盐指数的反演特征波段组合为(b1-b2)/(b2+b3),(b1-b2)/(b3-b4),b2/(b1+b4),b1/b2;其次,利用反演特征波段组合分别构建总磷、总氮、溶解氧、高锰酸盐指数浓度的SVR(Support Vector Regression)反演模型,通过IPSO算法对SVR模型的参数进行优选;然后,将IPSO-SVR反演模型和统计回归反演模型、广义回归神经网络(GRNN)反演模型在验证集上进行评估,以平均绝对误差和均方根误差作为评价指标进行对比分析,结果表明IPSO-SVR反演模型的平均绝对误差和均方根误差最小,说明IPSO-SVR反演模型具有较高的精度和较好的实用性...     

北京市城市道路交通噪声的灰色预测

以北京市1991~2002年城市道路交通噪声监测数据为基础,运用灰色系统理论,建立了灰色GM(1,1)预测模型,并采用残差、均方差比值、小误差概率检验等3种办法对所建模型的拟合精度进行了检验.结果表明,此模型精度为一级灰色预测模型.预测精度较高,平均拟合偏差为0.40%.对2003~2005年噪声的预测精度平均高达99.9%.利用常规GM(1,1)模型、新陈代谢GM(1,1)模型和多维灰数递补GM(1,1)模型等三种预测模型对本市未来3年(2006~2008年)的城市道路交通噪声进行了预测.     

冷冻浓缩法在分析上的应用

1.前言 冷冻浓缩法是在低温条件下,以浓缩精制那些在常温以上不稳定的溶质为目的而发展起来的方法。J.Shapiro(1961),R·A·Baker(1967)最早对此法进行了研究,发现在溶质浓度较高时,方法回收率不好,因而未被广为使用。东北大学的狞谷氏(1973)曾用此法取河水样尽可能对溶质进行浓缩,并     

全国近岸海域水质空间插值算法精度分析

空间插值技术对近海环境数据的分析和表征具有广泛应用价值,但目前针对各类模型适用性和精度比较的研究很少。基于2009年全国近岸海域299个站位的水质监测数据,利用交叉检验法,对3种插值算法13种模型的空间拟合结果进行分析和验证。结果表明,13种模型的模拟值与实测值显著相关(r=0.643~0.750,P0.01,n=299),说明其均适用于近岸海域水质的空间模拟;综合比较模拟结果与实测结果的相关系数、平均误差、平均绝对误差、均方差及偏离程度,排序为IDW(p2)Spline-TensionIDW(p3)IDW(p4)IDW(p1)IDW(p5)IDW(p6)Kriging-GuassianKriging-Spherical,Kriging-CircularKriging-LinearKriging-ExponentialSpline-Regularized,提出IDW(p2)是精度最优的空间插值模型。     

线性回归分析方法的不确定度计算

化学分析方法如何进行不确定度计算,并以其为指标控制检测质量,似乎还没有满意的统一方法.本文根据对最常用的线性回归方法的分析,拟从这方面进行探讨.1 回归模型不确定度带宽参数的计算回归处理后得到的是一种平均化的数学模型.尽管平均值并不能完全消除随机误差,显然比之原始测量数据的不确定度带要窄得多.对于(?)=a+bx这样的模型,当x=(?)时,(?)=(?),此点(叫模型的重心点)的不确定度仅取决于(?)的误差,其标准偏差应为     

4-己基间苯二酚分光光度法测定大气中的丙烯醛

人气中丙烯醛的测定方法仃4一己摅问笨:酚分光光度法和气相色谱法,前嚣最先乃Cohen和Altshull~r提}}l来的、分光光度法H行很高的灵敏度和特异性.疗法简便快速,而11_小受jt它醛类F扰、气卡H色谱法常用来M时测定I～烯醛及其它低分f醛类.如只测丙烯醛时采J{j4 u己琏间苯一二酚分光此度法更为简便 本法的最低枪i{{限为1.68Y g/1 Oml,适rfl:浓慢范…1…15Yg/10ral、实验部分 一、 li要试制 f一)丙烯醛杯准旷备液:J:25m1株也嵛l硅瓶t}1.加少艟95 O。s乙醇。准确称啊.然后』J【l入2一一3滴新燕馏的肉烯醛,fIf准确韵:曩,两次曩}li=之屉即幻丙…     

基于偏最小二乘的絮体图像信息与水质的相关性

针对污水处理运行过程COD、BOD5、TN和TP实时测量的问题,提出一种基于絮体形态参数的偏最小二乘法模型.采用图像分析技术对污泥絮体形态特征进行提取,基于相关性从提取的形态参数和试验期间的运行参数中选择模型的输入变量,通过偏最小二乘法建立输入变量与4个水质指标的预测关系模型.结果表明,COD、BOD5、TN、TP的交叉有效性系数分别为0.736、0.682、0.839、0.618,絮体形态参数与水质指标有明显的相关性,可用于预测出水水质.     

基于轮廓似然函数的PM_(10)极值浓度分析

以R软件为分析工具,选择GEV(generalized extreme value distribution)模型拟合四川省泸州市2003～2007年期间PM10每月最高日平均浓度数据,采用极大似然法估计模型的3个参数即位置参数、尺度参数、形状参数,利用所得的参数估计值计算得出某一标准值(如GB3095—1996)的重现期;进一步利用参数估计值计算轮廓似然函数,估计某一段固定时间间隔的PM10浓度的重现值以及其置信区间。结果表明,GEV模型能很好地拟合泸州市PM10数据,利用轮廓似然函数估计的不同时间间隔的重现值准确度高,统计结果可以为环境主管部门发布污染状况预警信息提供参考。     

利用氧浓度值测定锅炉负荷

利用烟气中氧含量计算锅炉负荷 ,具有精确、方便的特点 ,其所需参数都是烟尘监测中所必测的 ,不会增加工作量。计算公式 :M =0 .446Q( 2 1 - C)　　式中 ,M:参加反应氧气量 ( mol/h) ;Q:烟气流量 ( NM/h) ;C:烟气中氧量含量 ( % )。W =K1Q( 2 1 - C)K1=4.8E( - 5 ) 　　式中 ,W:锅炉负荷 ( MW) ; :锅炉热效率利用氧浓度值测定锅炉负荷@郭子谊$高青县环境监测站!山东高青256300 @孙大力$高青县环境监测站!山东高青256300…     

连续采样实验室分析法监测结果偏低原因(二)

一、实验方法 霉蛳 J1:j蛆‰测技术姚地t m.Ijj】j,i·“…I’nji线乐“’,:蛳_i分…iJ;的永fr糸¨J乏叫f}_进iJ。艾地‰川过w·l-叭发班川题的f,j-忻.九。炙验。爷I』、J.埘J:i㈨向乐¨嫂牛的i打…索进ij愀拟酞彤≯.以B#ill。j【×、jⅢi洲lj}fi粜}掺II¨f1,Jf‘f J蔓 j,协,』法:S():瞍N()、¨J\“内jj、协,J}』:n{^乏矧 ’’ I¨h崆,-jj j丛n 二、结果与讨论响:刈mllJJ卜做测绀分’i仆‘jl帔收淑发小化‘’≯:反J、≯lflj做ll殷收液钳集的采十r…。’i.j Lll及收设j}i·E j的如低1ft糊J:做洲绀分’i仆n勺分瓜(I’。.旦k浓j竖,.…     

PM2.5全自动重量法监测仪测量准确度评估

BTPM-AS1PM_(2.5)全自动重量法监测仪是一种根据PM_(2.5)手工重量法原理设计的PM_(2.5)自动监测仪器,能够实现样品采集、滤膜平衡、滤膜称重等环节的自动化。采用线性回归分析法对PM_(2.5)全自动重量法监测仪器的监测结果与PM_(2.5)连续自动监测仪器、手工标准方法进行比对分析,讨论了该原理仪器的流量准确性、滤膜平衡效果、天平稳定性。结果显示:PM_(2.5)全自动重量法仪器监测结果与PM_(2.5)连续自动监测仪器、手工重量法监测结果的相关系数为0.927 2~0.994 1,监测结果之间具有较高的一致性,并且其样品采集、滤膜平衡、滤膜称重等关键环节的主要技术指标能够满足中国PM_(2.5)手工标准测定方法的相关要求。     

基于SWAT模型的松花江流域哈尔滨段径流量模拟

应用SWAT模型对朱顺屯—大顶子山断面(66 km)的松花江流域进行小区域径流模拟,选取2010—2013年的月实测数据进行参数的率定和验证,并对模型几个重要参数敏感性分析,总结参数取值变化对模拟结果的影响规律。结果表明:模拟结果的相对误差(Re)、相关系数(R2)和月径流模拟效率系数(Ens)分别为0.09、0.84、0.78,均在保证值范围内,说明SWAT模型适用于小范围流域内分布式水文模型的建立,对松花江哈尔滨段水文模型的建立具有指导作用。     

无组织排放源污染物排放量与排放浓度的估算

有害气体或粉尘无组织排放时,排放量可用物料衡算法,通量浓度反推法,化学反应式法与经验公式等方法来估算,而室内有害气体(粉尘)排放浓度通常通过实地监测获得。由于排放量与排放浓度的量纲不同,不能直接进行换算。如果有了单位时间通风量这一参数后,就可用简易计算法获得排放浓度这一重要参数。现结合我厂工业污染源调查中的几个实例加以说明。     

灰色理论在优化水质监测断面上垂线数的应用

一、关联度分析法 关联度分析是基于系统各因素时间序列曲线间相似相异程度来衡量其关联度大小的量化方法。具体计算方法如下: 1.确定参考数据列 {A_o(t)}={A_o(1),A_o(2),…,A_o(n)} (t=1,2,…,n) 2.确定比较数据列 {A_i(t)}={A_i(1),A_i(2),…,A_i(n)} (i=1,2,…,n)