投加复合耐冷菌提高低温生活污水处理效果的实验研究

寒冷地区冬季漫长,生活污水生物处理效果差一直是个难以解决的问题,从微生物学角度投加耐冷复合菌群于低温 ( 10℃以下 )污水中,在水温为 4 ~6℃,原水水质化学需氧量为343 8mg·L-1,氨氮为 21 0mg·L-1,总磷含量 6 2mg·L-1的条件下,能使CODcr得到很好的去除,并能以营养物质的形式吸收一定的NH3 -N和TP。     

DC复合优化问题的近似最优性条件

利用函数ε-次微分的性质，引入新的约束规范条件，建立了DC复合优化问题近似最优解的特征刻画.     

流动注射分析法测定水样中的NO_2~--N和NO_3~--N

采用流动注射技术测定水样中的 NO- 2 - N和 NO- 3 - N。以 N- (1-萘基 )乙烯二胺盐酸盐和对氨基苯磺酸为显色剂 ,在 5 40 nm下比色测定 NO- 2 - N的含量。水样中的 NO- 3 - N,在稀醋酸条件下用锌粉将其预还原成 NO- 2 - N后 ,也在上述相同的条件下测定其含量。 NO-2 - N的检出限为 0 .0 0 5× 10 - 6 ,NO-3 - N的检出限为 0 .0 5× 10 - 6 ,分析速度为 6 5次 /小时     

基于机器学习算法的樟子松立木材积预测

【目的】 通过非线性和多种机器学习算法构建并对比不同的立木材积模型,为樟子松(Pinus sylvestris var. mongolica)立木材积的精准预测提供理论依据。【方法】 以大兴安岭图强林业局184株樟子松伐倒木数据为基础,建立非线性二元材积模型(NLR),并通过十折交叉检验和袋外数据(OOB)误差检验的方法得到3种最优机器学习算法,包括:反向神经网络(BP)、ε-支持向量回归(ε-SVR)和随机森林(RF)。对比分析不同模型间的差异,得到最优立木材积模型。【结果】 机器学习算法在立木材积的拟合和预测中均优于传统二元材积模型,具体拟合结果排序为RF>BP>ε-SVR> NLR。其中RF的决定系数(R²)比传统模型的提高了2.00%,均方根误差(RMSE)、相对均方根误差(RMSE%)、平均绝对误差(MAE)分别降低了22.90%、22.93%、36.34%,且与真实值相比平均相对误差(MRB)的绝对值更低,证明了RF在立木材积预测中的优越性。【结论】 机器学习算法作为一种新兴的建模方法可以有效地提高立木材积的预测精度,为森林资源的精准调查和经营管理提供新的解决方案。