1979—2019年大汶河流域湿地时空演变与分异研究

选取1979—2019年Landsat遥感影像数据,提取黄河下游大汶河流域自然湿地与人工湿地,利用标准差椭圆、空间自相关等方法分析了大汶河流域湿地时空演变、分异特征及其驱动因素。结果表明:1979—2019年大汶河流域湿地面积具有增加的趋势,标准椭圆重心大幅向西北迁移;流域湿地具有显著空间自相关聚集特性,全局平均莫兰指数为0.67;湖泊、河流等自然湿地局部莫兰指数呈现“高-高”型空间聚集分布特点,在空间上更易聚集,而库塘人工湿地局部莫兰指数呈现“高-低”和“低-高”型空间聚集分布特点,具有空间分散规律,空间异质性较强;大汶河流域湿地在未受到强烈自然或人为因素干扰的状态下,湿地空间分布聚集程度越高,相关性越显著;1989年大汶河流域干旱事件、2019年东平湖南水北调工程启动等极端灾害与人类活动均导致流域湿地面积、标准椭圆重心、空间聚集性与异质性发生极大波动;东平湖湖泊湿地生态功能的保护与修复对保障南水北调工程水质起着重要作用,是大汶河流域湿地生态功能保障的关键所在。

萃取装备在烯草酮连续化生产中的应用

连续化是化工生产发展方向,以烯草酮生产中涉及的液-液萃取分离过程为对象,针对液-液萃取分离体系中杂质种类、含量及分离特性,详细探究两相流动及传质特性,开发了高效萃取塔、管式萃取器和油水聚结分离材料等,并成功应用于烯草酮生产萃取分离工段,实现了其连续自动化生产。基于高效萃取装备解决了传统釜式生产存在的密闭性差、产品质量不稳定、废水量大、能耗高、安全性差等问题,推动了我国农药化工生产技术水平持续提升。

我国气温变化的神经网络预测模型

利用神经网络系统工具,把CO2浓度、太阳辐射、全球冰量和气溶胶作为输入,把气温作为输出,结果发现模拟值和目标值吻合较好,比多元回归拟合值的精度高。在此基础上,进行了两个控制性试验,即CO2浓度每年分别增加1%和0.5%,试验结果表明:随着CO2浓度的增加,21世纪前30年每10年中国气温的增加速度分别为0.4℃和0.2℃;到21世纪末,中国气温将分别增加3.8℃和2.4℃,神经网络模拟结果和气候系统模式模拟结果具有较好的一致性,从而进一步说明,神经网络预测模型在分析气候变化方面具有可信性和可行性。

BP人工神经网络模型在太湖水污染指标预测中的应用

【目的】利用BP人工神经网络模型预测太湖水污染指标,为探讨湖泊水污染物变化规律提供参考。【方法】利用2004～2010年浙江嘉兴王江泾断面自动监测站4项水质指标,建立了太湖水污染BP人工神经网络模型,并对太湖2012年前5周的水质情况进行预测。【结果】建立了浙江嘉兴王江泾断面的4项水质指标浓度的三层BP神经网络预测模型,其预测精度较高,对湖泊水环境污染物预测的适应性较好;对太湖2012年前5周的水质情况进行预测,结果表明,2012年前5周水质污染情况加重,基本为Ⅴ类水质,符合太湖水质污染情况发展态势。【结论】BP人工神经网络具有很强的非线性映射能力和柔性的网络结构,与传统的统计建模方法相比,其预测精度较高,能较好地反映水质指标的内在变化规律,为控制水环境污染提供了科学预测方法。

BP神经网络在渭河水环境质量评价中的应用

为准确和客观地评价渭河水环境质量状况,将改进算法的BP神经网络引入地表水环境质量评价领域,采用渭河2010年(9月7日至10月11日)水质指标监测数据,构建了渭河水环境质量评价模型。通过3个水质监测项目(氨氮、高锰酸盐指数、溶解氧)对渭河水质进行了评价,评价结果与环境保护部公布结果完全一致。结果表明,BP神经网络应用于水环境质量评价具有客观性、通用性和实用性,可以很好地解决评价因子与水质等级间复杂的非线性关系,评价方法简便可靠,预测精度高。

基于BP神经网络的我国农民收入预测模型

依据1978~2008年影响我国农民收入因素的相关数据,选取从事农业的人口、第一产业产值、乡村就业人员数等13个指标,依据标准化方法和BP神经网络方法,建立了关于农民收入的人工神经网络模型,并进行具体分析。结果表明,模拟值与真实值吻合较好,改进BP算法的神经网络模型预测精度高,收敛速度快,具有良好的泛化能力。在此基础上,提出了增加农民收入的建议：一是推进城镇化进程;二是发展农村中小企业;三是鼓励集约经营;四是加强农村基础设施建设和农业科技投入。

人工神经网络在相对湿度预测中的应用研究

相对湿度环境是农业生产监测与预测的重要内容,关系到植物的生长状况、多种病害的生态防治和灌溉措施的调节。针对相对湿度变化规律相当复杂,影响因素间非线性程度相当高,为了提高相对湿度预测精度,提出一种基于BP人工神经网络的相对湿度预测模型。该模型采用气象要素(日照时数、降水量、最小温度、平均温度和最大温度)实测数据作为神经网络的输入样本,并根据试验观测资料对模型进行了检验。结果表明:利用此模型分别对1987-1998年和1999-2000年陵水地区月平均相对湿度进行模拟和预测,相对湿度拟合值与实测值的相对误差为0.21%,相对湿度预测值与实测值的相对误差为0.28%。改进的BP人工神经网络能准确地捕捉相对湿度的变化趋势。运用BP人工神经网络方法进行相对湿度的研究,方法简洁,结果直观易懂,同时也为其他区域相对湿度研究提供借鉴。

BP神经网络在长江水质COD预测中的应用

水质变化具有非线性、突变性,且含有噪声,传统线性预测模型不能全面反映其变化规律,预测精度低,误差大。针对水质变化规律复杂,影响因素间非线性程度高的问题,为了提高水质预测精度,将改进算法的BP神经网络引入化学需氧量(COD)预测预报领域,以pH、溶解氧(DO)、氨氮(NH3-N)为输入向量,以COD为输出向量,建立了COD的预测模型并对效果进行检验。结果表明:检验样本中COD的预测值与实测值的线性相关系数为0.991。BP神经网络模型预测精度高,收敛速度快,具有良好的泛化能力,能较好地反映COD和影响因子的变化规律。

人工神经网络模型在黄河水质预测中的应用

采用画匠营子断面2004—2009年逐周水质指标资料作为神经网络模型的训练样本,对BP神经网络进行训练,分别建立了pH值、溶解氧、氨氮、高锰酸盐指数的预测模型。为了验证模型的正确性,利用训练好的神经网络模型,采用调整后的权值和阈值,将2010年的数据作为独立样本进行预测检验。结果表明:基于BP神经网络的水质指标预测模型收敛速度快,对训练样本具有很好的拟合能力,且对检验样本的预测精度较高。

西安市空气污染指数的神经网络预测模型

将BP神经网络模型引入到大气污染预测预报领域,利用西安市2005—2010年逐日空气污染指数,建立了一个空气污染指数的非线性时间序列神经网络模型.实验结果表明:独立样本的日空气污染指数的预测值的平均相对误差分别为27.4%,23.2%1,2.2%,25.7%,独立样本的日空气污染指数的预测值与真实值的线性相关系数高.该模型应用于大气污染预报具有较高的预测精度和良好的泛化能力.

移动学习的教学资源建设研究

移动学习是伴随着移动终端的发展而新兴发展起来的一种新型学习,将成为未来远程教育的一个新趋势。移动学习在数字化学习的基础上通过有效结合移动计算技术,使学习者可以在任何时间任何地点获取自己想要的知识信息,实现真正意义上的自主学习,最终实现学习的社会化、终身化。本文对移动学习资源的现状和发展进行了研究,在此基础上提出了移动学习资源建设的总体设计框架。

全球气候变化及其影响、对策研究-对IPCC AR4的解读

气候变化问题被列全球十大环境问题之首,并日益成为国际社会的一个热门话题。根据全球气候变化的事实,分析出近50年气候变化的原因很可能主要是人类活动排放的温室气体造成的,并分析全球气候变化对农业、林业、生态系统、水资源、人类健康、工业、人居环境和社会的影响,提出适应和减缓气候变化的对策。

人工神经网络在大气污染预测中的应用研究

以陕西省宝鸡市空气污染指数的预测预报为例,引入人工神经网络的理论和方法,对其进行模拟分析,建立了基于BP神经网络的空气污染指数非线性时间序列预报模型。模型仿真性能检验和精确度检验表明:建立的模型准确度高,适应性强,可直接用于宝鸡市日空气污染指数的预报。

滇池水污染物浓度预测的人工神经网络模型

本文针对滇池日益严重的水污染现状，根据云南昆明西苑隧道断面2004年-2010年的监测资料，建立了基于BP神经网络的主要污染指标预测模型，并对其进行训练检验，研究结果表明：独立样本中pH、溶解氧、氨氮、高锰酸盐浓度的预测值与监测值的线性相关系数分别为0．952、0．967、0．945、0．936。结果证明该模型预测精度满足要求，通过准确地预测湖泊水污染物可以为治理湖泊营养化和综合利用水资源、规划管理、决策提供重要的科学依据。

基于人工神经网络的土壤含水量预报模型

土壤水分含量是影响作物生长的重要因素,精确预测技术对水资源的合理利用与管理具有重要的指导意义。土壤水分运动是一个复杂的时间序列系统,其变化与区域气候条件和生态环境密切相关,具有明显的随机性波动。利用人工神经网络的方法对河南驻马店地区的土壤含水量进行预报,利用表层土壤含水量资料计算了一些与深层土壤含水量相关的预报因子,用以建立驻马店地区深层土壤含水量的神经网络预报模型,并应用独立样本进行了初步的模拟预报检验。结果表明,预报模型取得了令人满意的效果,应用神经网络的方法预报深层土壤含水量是可行的。

基于人工神经网络的长江水质评价模型

为了能够客观地对长江水质进行评价,在分析人工神经网络原理的基础上,通过对水质污染指标浓度生成样本的方法,生成了适用于人工神经网络模型训练的样本,并应用基于误差反向传播原理的前向多层神经网络,建立了用于长江水质评价的人工神经网络模型。将该模型用于长江水环境评价,通过模型的计算,得到长江水质类别。评价结果表明该模型设计合理、泛化能力强,对长江水质评价具有较好的客观性、通用性和实用性。

基于LM-BP网络的粮食产量预测

利用Levenberg-Marquardt(LM)算法对BP神经网络法进行改进,提出了基于改进型LM-BP神经网络模型的粮食产量预测方法。提取了粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型,粮食产量作为网络输出,通过LM算法使网络误差最小化,最后使用相关系数、相对误差等指标对模型的模拟结果进行检验。结果表明,训练样本集中模拟值和实际值的相关系数为0.996,平均相对误差为0.47%;检测样本集中,预测值和实际值的相关系数为0.994,平均相对误差为0.56%;该模型具有较高的拟合精度和预测精度,将此网络模型应用于粮食产量预测是有效的、可行的。

人工神经网络在API预报中的应用

为更好的反映环境污染变化趋势,为环境管理决策提供及时、准确、全面的环境质量信息,开展城市污染预报研究是十分必要的。将BP神经网络模型引入到大气污染预测预报领域,利用石家庄市2005-2009年春季、夏季、秋季、冬季的4组数据分别建立了4个季节的日空气污染指数的预测模型,并用2009-2010年春季、夏季、秋季、冬季的数据作为独立样本进行预测检验,实验结果表明:通过设置初始权重、学习率、动态系数等参数使基于BP神经网络的大气污染预测模型的精度得到提高,预测值与实际值之间的平均相对误差小,预测值与实际值的相关系数高,得到了较好的预报效果,说明该模型应用于大气污染预报具有较高的预测精度和良好的泛化能力,它为信息社会的城市空气污染预报工作提供了一种全新的思路和方法。

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。

基于人工神经网络的经济预测模型

运用不同改进BP算法来建立和训练人工神经网络经济预测模型,并对GDP进行预测,结果表明:模拟值与实际值吻合较好,基于改进BP神经网络模型预测精度高,模型的通用性和实用性强。