基于长短时记忆神经网络的河流水质预测研究

准确高效地预测河流水质变化趋势对河流水环境治理与保护具有重要意义。该文利用广州市白坭河上自动监测站每2 h的水质数据,从单测站数据时序之间的相关性和上游测站的影响两方面,分别建立长短时记忆网络(LSTM)河流水质预测的循环神经网络模型。模型以氨氮浓度为输出变量,比较了不同输入变量下的模型预测效果,并以最优模型和常用的深度学习算法支持向量机(SVM)进行了比较。结果表明:单测站LSTM模型经输入变量特征选择后的预测结果比仅使用氨氮浓度单变量的时间序列预测更接近真实数值;对加入上游监测站的双测站LSTM模型,输入的变量经过特征选择时,模型预测效果优于全部水质变量作为输入的预测结果,也优于单测站LSTM模型;但不进行特征选择时,输入变量增加,模型学习到噪声而使精度下降;和SVM模型相比,最优特征组合的LSTM模型具有更好的预测效果。研究也表明,对输入变量进行特征选择后,LSTM模型是一种有潜力的河流水质预测方法。     

一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最后,本文提出了一种基于深度学习并融合了去噪模块的SST预测模型,选取我国东海海域的SST进行实证研究。通过与基线模型、现有模型的对比,证明了本文模型不但在SST的预测精度方面提升明显,而且具有较好的鲁棒性。     

化学氧化法去除生活垃圾恶臭气体的效果研究

在逆流化学洗涤塔中分别采用芬顿、Na Cl O、H₂O₂溶液3种氧化剂作为洗涤液,对生活垃圾恶臭气体进行处理,测量处理前后气体的臭气(无量纲)、氨气和硫化氢浓度。实验表明,采用芬顿、Na Cl O、H₂O₂作为洗涤液的3组实验,臭气浓度去除效率分别为57.5%、56.3%、45.2%,氨气去除效率分别为69.4%、61.5%、69.7%,硫化氢去除效率分别为20.0%、37.5%、13.3%。综合考虑成本和操作性,使用Na Cl O处理生活垃圾恶臭气体最切实可行。     

改性沸石对餐厨垃圾释放的恶臭气体吸附研究

通过课题组的前期调研发现,餐厨垃圾处理过程中释放出的恶臭气体以氨气和甲硫醇居多,实验以改性沸石为吸附剂对混合恶臭气体甲硫醇和氨气进行吸附性能变化研究。利用不同浓度的磷酸溶液对沸石进行浸渍改性,考察烘干温度、浸渍浓度和浸渍时间对沸石结构和吸附性能的影响,探讨吸附机理。实验结果表明,改性之后的沸石物理结构发生了变化,烘干温度、浸渍浓度和浸渍时间对吸附效果的影响均呈现先增大后减小的趋势,沸石比表面积和表面酸含量共同作用于改性沸石对混合气体的吸附能力,其中在烘干温度为70℃、浸渍浓度为15%和浸渍时间为2.5 h条件下改性的沸石对混合气体的吸附能力最佳,此时氨气和甲硫醇的吸附量分别为224.727和4.527 mg/g,与未改性沸石相比增大了79.3%和143%。     

基于机器学习方法的小麦镉富集因子预测

应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查,构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测,验证不同模型的预测精度并评估其不确定性.结果表明,RF(R²=0.583)和BPNN(R²=0.490)模型预测性能均优于Freundlich转移方程(R²=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近,但RF(R²为0.527～0.601)较BPNN(R²为0.432～0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性,其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.     

基于LSTM的跨海桥梁危化品车辆行驶轨迹预测

我国沿海地区气象环境复杂,跨海桥梁上车辆混杂密集,车流量大、车辆混杂和侧风环境等因素都对跨海桥梁危化品车辆的安全行驶产生了极大的影响,因此跨海桥梁危化品车辆行驶轨迹研究对于加强危化品运输安全管理具有重要的现实意义。针对跨海桥梁危化品运输车辆的轨迹预测问题,利用深度学习方法,建立了一种基于长短时记忆网络(LSTM)与注意力机制的跨海桥梁危化品车辆行驶轨迹预测模型,该预测模型包括信息输入模块、注意力层和轨迹输出模块,并利用沿海一座跨海大桥上危化品车辆行驶环境实测轨迹数据对预测模型的预测性能进行了分析与验证。结果表明：LSTM能适应长时域的车辆行驶轨迹预测,注意力机制提高了预测模型的训练速度;由于考虑了车辆间交互影响因素,该预测模型具有更高的准确性和计算效率,同时LSTM也减少了预测模型在时域较长情况下车辆行驶轨迹预测的误差。     

基于BP神经网络的甘肃省二氧化碳排放预测及影响因素研究

基于排放因子法估算2000—2020年甘肃省三大产业及生活能源消费直接CO₂排放量,描述分析其时序演变特征。建立BP神经网络模型并预测2021—2030年甘肃省CO₂排放量。构建甘肃省CO₂排放影响因素的STIRPAT拓展模型,利用多元回归分析定量探究了各因素对CO₂排放量的影响程度和内在作用机理,并结合随机森林进一步识别重要影响因素。结果表明：甘肃省产业及生活能源消耗直接CO₂排放总体呈波动增长趋势,且第二产业占比在70%以上,是主要的CO₂排放源;BP神经网络模型的预测误差为2×10^-4,相关系数>0.99,对于预测甘肃省CO₂排放具有较高精度,并得出2026年的甘肃省能源消耗直接CO₂排放量达到最大;甘肃省CO₂排放的驱动因素作用差异显著,CO₂排放强度、经济发展、城乡消费对CO₂排放的正向作用较大,城镇居民人均消...     

污水处理厂恶臭气体产排规律及除臭菌群分布研究

针对污水处理过程中所产生的恶臭气体,对不同处理单元的臭气变化规律、生物除臭系统除臭效果及微生物菌群变化进行了研究,并以恶臭气体在构筑物间的含量、生物除臭反应器内填料和喷淋液上的微生物菌群作为研究对象进行分析.研究发现,硫化氢气体在曝气沉砂池含量最高,经处理后浓度低于1.5?mg/m3;氨气在进水区含量较高,经处理后远低...     

基于深度学习的大气细颗粒物污染时空预报

为尽可能减少PM_2.5重污染带来的环境和健康危害,对其进行及时准确的预报预警显得十分关键。文章使用WRF气象模型和CMAQ空气质量模型输出的2015年1-12月逐小时的中国地区27 km×27 km网格化气象场、污染排放和细颗粒物模拟浓度数据,训练深度学习预报模型。研究结果显示,深度学习预报结果与CMAQ模拟结果在测试集上的均方误差为10.52μg/m³,优于已有的大部分其他研究,深度学习在重点城市的PM_2.5预测浓度趋势与CMAQ基本一致,其RMSE为28.82μg/m³,整体空间分布也具有较好的一致性,可以准确重现CMAQ模拟结果。该研究进一步使用国控点实际观测数据对训练完成的深度学习预报模型进行优化,以减少CMAQ理论模型所带来的固有误差。优化后的深度学习模型预报结果在总体上更接近实际观测的真实结果。此外,深度学习模型的预报速度在相同CPU环境下比CMAQ模型提升93倍,在GPU加速环境下提升高达465倍,可以做到快速实时的浓度预报响应。该研究构建的耦合数值模型和实际观测数据的深度学习预报技术...     

基于MSLSTM-DA模型的水质自动监测异常数据报警

提出一种基于多元堆叠长短时记忆网络-差值分析(MSLSTM-DA)模型对地表水质异常数据进行报警的方法.该方法首先建立MSLSTM模型对水质指标数据进行预测,再基于预测结果的残差分布建立DA模型,并确定各个指标的数据异常阈值,当实测数据与预测数据差值大于阈值时进行数据报警.以长江流域监测断面的水质数据进行了方法有效性验证.结果表明,构建的预测模型对５个指标的MAE、MAPE均值比BP神经网络预测模型降低21.0%,17.8%,比LSTM模型降低16.8%,17.9%.皮尔逊系数均值比BP神经网络、LSTM模型的分别高5.9%,4.4%.5个指标共检出水质异常数据37条,其中34条经人工判断确实存在有异常,报警准确率高达91.9%.     

基于ARIMA和BP神经网络的猪舍氨气浓度预测

为了从源头减少生猪养殖过程中的氨气排放,降低猪舍氨气浓度,提出了基于ARIMA-BP神经网络的猪舍氨气浓度组合预测方法,分别从最优权重和残差优化角度对基于ARIMA-BP神经网络的组合预测方法进行了对比研究.将该预测方法应用于江苏省宜兴市某养猪场的氨气浓度预测中,预测结果表明：基于ARIMA-BP神经网络残差优化组合预测方法的预测精度最高,与BP神经网络、ARIMA预测方法和基于ARIMA-BP神经网络最优权重组合预测方法对比分析,评价指标MAE、MAPE和RMSE分别为0.0319、0.1580%和0.0365.本文提出的氨气预测方法可以为猪舍环境精准化调控管理提供科学依据以减小猪舍氨气排放对生态环境的污染.     

进料浓度对鸡粪长期高温甲烷发酵的影响

通过固定水力停留时间（HRT）为20d,逐步提高进料总固体（TS）浓度为5.0%,7.5%和10.0%的方式提高有机负荷（OLR）,在高温（55±1）℃条件下开展鸡粪长期甲烷发酵实验并测定了各阶段污泥的比产甲烷活性（SMA）,探究氨氮浓度对鸡粪高温甲烷发酵的影响.结果显示,当进料TS由5.0%增至10.0%,出料氨氮浓度由（2.5±0.3）g/L增至（6.1±0.2）g/L,挥发性脂肪酸（VFAs）由（0.4±0.1）g/L增至（26.1±1.5）g/L,pH值由（8.3±0.2）降至（6.9±0.1）,产气率由（267.2±12.5）mL/g TS_in降至49.8±8.2mL/g TS_in,甲烷浓度由（67.2±1.3）%降至（36.0±1.7）%.长时间采用TS 10.0%的进料浓度,发酵系统中氨氮浓度最高达到7.5g/L,VFAs浓度达到27.0g/L,产气下降明显.氨氮抑制鸡粪高温甲烷发酵产气的初始浓度为2.5~3.0g/L.进料TS大于7.5%,鸡粪高温甲烷发酵会受到氨氮抑制.氨氮浓度的升高导致高温发酵体系利用乙酸产甲烷的能力降低,氨氮浓度达到5.5g/L,SMA降低60.0%;氨氮浓度达到7.0g/L,污泥利用乙酸产甲烷的活动几乎停止.     

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O₃浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O₃浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O₃浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O₃浓度(R²=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O₃浓度预测方面具有显著的优势.     

基于随机森林模型的四川盆地臭氧污染预测

为研究四川盆地臭氧(O₃)污染长期变化,使用四川盆地18个城市的地面O₃浓度数据和气象观测数据,首先分析了2017～2020年间四川盆地O₃浓度的时空分布特征,再利用随机森林模型,筛选出影响O₃浓度变化的主导气象因子,构建了气象因子和O₃浓度之间的统计预测模型,并对2020年四川盆地城市群的O₃污染状况进行预测分析.结果表明：(1)2017～2020年间O₃浓度呈现波动变化趋势,2019年出现一个低值,2020年O₃浓度又有所回升.(2)气象影响因子中相对湿度、日最高温度和日照时数对O₃浓度变化具有重要意义,而风速、气压和降水量的重要性较低;同时,气象因子之间也存在着不同的线性关系,气压与其他气象要素呈现负相关性,而剩余气象要素之间正相关关系较为明显.(3)基于随机森林构建的O₃预测模型的拟合优度(R²)较高,展示出较好的预测性能,能够较好地预测O...     

基于经验小波变换的鄱阳湖CODMn预测

高锰酸盐指数(COD_Mn)是衡量水质状况的最重要参数之一,能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络,提出了一种先利用EWT将原始的COD_Mn时间序列分解成若干成分,然后利用BLSTM神经网络对分解出来的每个成分进行预测,最后将所有成分的预测结果重建获得最终COD_Mn预测值的新的混合模型EWT-BLSTM;并以2017年8月—2020年4月鄱阳湖COD_Mn监测数据为研究对象,进行模型性能验证。结果表明：EWT-BLSTM模型具有良好的预测性能,预测未来1 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为2.25%,与单一BLSTM神经网络模型相比降低了10.53%;预测未来7 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为8.36%,与单一BLSTM神经网络模型相比降低了16.16%。在COD_Mn峰值处,该模型依然保持较高稳定的预测性能,说明在数据相对复杂、极端的情况下,该模型依然适用。

     

石家庄某制药企业污水处理过程中NH3排放研究

为了解污水处理过程中各处理单元NH₃的排放特征,采集石家庄某制药企业各污水处理单元以及经过废气治理后排放的样品,计算各采样点NH₃浓度及排放量。结果表明:各污水处理单元中,水解酸化池NH₃浓度和单位体积污水NH₃排放量均为最高,分别为62.89和3 360 mg∕m ³。各污水处理单元NH₃总排放量为0.97 kg∕h,单位体积污水NH₃排放量为9 312 mg∕m ³;经废气治理后,排入环境的NH₃为0.25 kg∕h,单位体积污水NH₃排放量为2 400 mg∕m ³,去除率为74.2%,经治理后NH₃排放量明显降低。南区、北区废气治理采用碱洗+氧化+水洗工艺,NH₃去除率分别为93.3%和83.1%;生物区废气治理采用生物滴滤床工艺,NH₃去除率为39.1%,碱洗+氧化+水洗工艺对NH₃的去除效果好于生物滴滤床工艺。     

沸石粉和硝化抑制剂投加对污泥堆肥过程中氮素保存和温室气体排放的影响

沸石粉能够通过对氨氮的物理吸附作用,降低堆肥过程中的氮素损失;硝化抑制剂(如3,4-二甲基吡唑磷酸盐,DMPP)能够抑制氨氧化细菌的活性,阻止硝化反应中铵态氮向硝态氮的转化,从而从源头减少反硝化作用而造成的氧化亚氮温室气体的排放.目前国内针对沸石粉和硝化抑制剂(DMPP)作为添加剂对污泥堆肥过程中的保氮作用研究较少,其是否能够实现污泥堆肥过程中温室气体减排也值得深入探讨.本研究以脱水污泥作为研究对象,以蘑菇渣为辅料,设置空白对照、沸石粉和硝化抑制剂(DMPP)添加组,进行21 d的堆肥试验,研究沸石粉和DMPP的添加对污泥堆肥过程的氮素损失和温室气体排放的影响.结果表明,1%的沸石粉添加(湿重)不仅可以减少5%的温室气体排放,而且能够减少2.9%的总氮损失;而DMPP的添加虽然可以减少N_2O的排放,但会显著增加CH_4及NH_3的排放,从而导致温室气体排放和氮素损失的增加.     

基于OLCI数据的福建近海悬浮物浓度遥感反演

悬浮物（TSM）是评估水质的重要指标,也是水色遥感反演的核心参数之一.海陆色度仪（OLCI）是新一代海洋水色传感器,具有良好的光谱及时空分辨率.为有效监测福建近海悬浮物浓度的时空变化,本文结合OLCI遥感数据和现场实测悬浮物浓度数据,使用CatBoost、随机森林和多元回归方法,分别构建悬浮物浓度反演模型,最后使用验证集对比分析不同模型的反演精度.结果表明,CatBoost模型估算精度最高,均方根误差（RMSE）为2.76 mg·L^-1,平均绝对百分比误差（MAPE）为23.67%,决定系数R²为0.89.使用CatBoost模型对2017—2018年多时相OLCI影像进行TSM浓度遥感反演,结果发现,福建近海TSM浓度变化显著,但总体呈现近岸高于远岸、北部高于南部、江河入海口和港湾处高于周围其他海域、春季高于夏季的时空分布特征.本研究可为福建近海的悬浮物浓度监测提供一种有效的方法,也进一步证明了OLCI影像良好的水色反演能力,可作为水质监测的有效遥感数据源.