掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
基于大數據的場地土壤和地下水污染識別與風險管控研究 版權信息
- ISBN：9787030729309
- 條形碼：9787030729309 ; 978-7-03-072930-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于大數據的場地土壤和地下水污染識別與風險管控研究 本書特色
基于土壤環境大數據，初步構建了我國場地土壤和地下水污染識別與評估的大數據技術體系、框架和系統
基于大數據的場地土壤和地下水污染識別與風險管控研究 內容簡介
基于土壤環境大數據，初步構建了我國場地土壤和地下水污染識別與評估的大數據技術體系、框架和系統，開發了VOCs在線監測系統及場地污染智能識別方法，探討了韶關示范區土壤和地下水源-匯關系診斷及土壤典型污染物擴散精細化三維模擬，優化了基于大數據的加油站場地土壤與地下水污染風險預測方法，提出了重點行業企業空間布局調控方法、區域土壤重金屬污染風險分區方法、區域場地污染風險管控成效評估智能預測方法，研發了有色金屬冶煉業場地污染風險管控技術路線與策略，為土壤生態環境管理和決策支撐提供理論依據和決策支持。
基于大數據的場地土壤和地下水污染識別與風險管控研究 目錄
目錄
前言
第1章 緒論 1
1.1 研究背景與意義 1
1.2 大數據支持場地污染風險管控進展分析 6
1.3 科學問題識別 10
第2章 場地污染風險管控策略與路徑研究 11
2.1 總體技術策略 11
2.2 總體技術體系設計 15
2.3 大數據驅動的技術路徑 19
2.4 小結 25
第3章 場地污染大數據系統構建技術研究 26
3.1 非結構化數據處理方法 26
3.2 場地污染大數據存儲與共享技術 27
3.3 場地土壤和地下水污染大數據系統 29
3.4 場地污染多源異構數據融合模型 36
3.5 小結 42
第4章 場地污染智能識別技術研究 43
4.1 場地污染智能識別信息采集技術 43
4.2 區域場地污染智能識別關鍵技術方法 56
4.3 場地污染智能識別應用系統開發 64
4.4 區域疑似污染場地行業類別智能研判方法 70
4.5 基于遙感影像的區域疑似污染場地識別技術 76
4.6 區域場地污染敏感受體（以學校為例）識別技術 79
4.7 小結 83
第5章 區域場地污染源-匯關系診斷技術研究 85
5.1 研究區土壤污染狀況分析 85
5.2 研究區地下水化學分析 90
5.3 基于深度學習的土壤重金屬含量預測方法 94
5.4 區域污染風險源分布格局分析方法 98
5.5 區域場地地下水污染源-匯關系診斷技術 101
5.6 區域土壤污染與污染源空間關聯分析方法 112
5.7 區域場地污染時空過程三維動態仿真模擬技術 129
5.8 小結 151
第6章 區域場地多介質污染聯合預測技術研究 152
6.1 大數據支持的區域場地土壤和地下水污染評估模型 152
6.2 大數據支持的區域場地污染風險預測方法 167
6.3 區域場地污染評估與風險預測大數據系統構建 183
6.4 小結 194
第7章 區域場地污染風險管控技術研究 195
7.1 區域場地污染風險快速篩查模型 195
7.2 區域土壤重金屬污染風險分區與管控方法 199
7.3 區域場地污染風險管控智能決策方法 212
7.4 小結 217
第8章 場地污染風險管控技術研究 219
8.1 場地污染風險管控模式推薦系統 219
8.2 重點行業場地污染風險管控技術推選模型和系統 238
8.3 基于大數據的區域污染場地優先管控名錄構建方法 253
8.4 小結 259
第9章 場地污染大數據可視化技術研究 260
9.1 可視化基礎 260
9.2 場地污染大數據架構設計 263
9.3 大數據可視化展示 265
9.4 小結 271
第10章 結論與展望 272
10.1 結論 272
10.2 展望 274
參考文獻 276
前言
第1章 緒論 1
1.1 研究背景與意義 1
1.2 大數據支持場地污染風險管控進展分析 6
1.3 科學問題識別 10
第2章 場地污染風險管控策略與路徑研究 11
2.1 總體技術策略 11
2.2 總體技術體系設計 15
2.3 大數據驅動的技術路徑 19
2.4 小結 25
第3章 場地污染大數據系統構建技術研究 26
3.1 非結構化數據處理方法 26
3.2 場地污染大數據存儲與共享技術 27
3.3 場地土壤和地下水污染大數據系統 29
3.4 場地污染多源異構數據融合模型 36
3.5 小結 42
第4章 場地污染智能識別技術研究 43
4.1 場地污染智能識別信息采集技術 43
4.2 區域場地污染智能識別關鍵技術方法 56
4.3 場地污染智能識別應用系統開發 64
4.4 區域疑似污染場地行業類別智能研判方法 70
4.5 基于遙感影像的區域疑似污染場地識別技術 76
4.6 區域場地污染敏感受體（以學校為例）識別技術 79
4.7 小結 83
第5章 區域場地污染源-匯關系診斷技術研究 85
5.1 研究區土壤污染狀況分析 85
5.2 研究區地下水化學分析 90
5.3 基于深度學習的土壤重金屬含量預測方法 94
5.4 區域污染風險源分布格局分析方法 98
5.5 區域場地地下水污染源-匯關系診斷技術 101
5.6 區域土壤污染與污染源空間關聯分析方法 112
5.7 區域場地污染時空過程三維動態仿真模擬技術 129
5.8 小結 151
第6章 區域場地多介質污染聯合預測技術研究 152
6.1 大數據支持的區域場地土壤和地下水污染評估模型 152
6.2 大數據支持的區域場地污染風險預測方法 167
6.3 區域場地污染評估與風險預測大數據系統構建 183
6.4 小結 194
第7章 區域場地污染風險管控技術研究 195
7.1 區域場地污染風險快速篩查模型 195
7.2 區域土壤重金屬污染風險分區與管控方法 199
7.3 區域場地污染風險管控智能決策方法 212
7.4 小結 217
第8章 場地污染風險管控技術研究 219
8.1 場地污染風險管控模式推薦系統 219
8.2 重點行業場地污染風險管控技術推選模型和系統 238
8.3 基于大數據的區域污染場地優先管控名錄構建方法 253
8.4 小結 259
第9章 場地污染大數據可視化技術研究 260
9.1 可視化基礎 260
9.2 場地污染大數據架構設計 263
9.3 大數據可視化展示 265
9.4 小結 271
第10章 結論與展望 272
10.1 結論 272
10.2 展望 274
參考文獻 276
展開全部
基于大數據的場地土壤和地下水污染識別與風險管控研究 節選
第1章 緒論 1.1 研究背景與意義 1.1.1 場地污染現狀、危害及原因分析 隨著城鎮化快速發展和產業結構調整，我國城市及周邊產生了大量污染場地（王夏暉等，2020），場地土壤污染已經成為亟待解決的生態環境問題（Li et al.，2020）。在美洲、歐洲和亞洲，每天都會檢測出污染場地（Brandon，2013；Sigbert et al.，2013）。我國，各省（自治區、直轄市）陸續公布了建設用地土壤污染風險管控和修復名錄，涉及污染地塊近千個。2014年發布的《全國土壤污染狀況調查公報》顯示，全國土壤環境狀況總體不容樂觀，工礦業廢棄地土壤環境問題突出，在調查的重污染企業用地及周邊的5846個土壤點位中，超標點位占36.3%，工業廢棄場地超標點位占34.9%，主要污染物為鋅、汞、鉛、鉻、砷和多環芳烴等，主要涉及化工業、礦業、冶金業等行業。有學者研究了典型城市場地污染情況，以廣州市為例，該市污染場地主要遭受無機物和有機物的復合污染，污染物類型主要為重金屬、氰化物、氟化物和有機物（譚海劍等，2021）。部分場地污染時間長（超過30年）、面積跨度大（10 000～300 000m2），污染較為復雜，污染程度嚴重，如某制氣廠地塊涉及苯系物、多環芳烴、石油烴等近20種污染物，污染深度達24m，地下水同步受到污染，再如某涂料廠乙苯超標高達30 000多倍、某香料廠污染面積占場地面積的54%以上（吳儉等，2021）。另外，以北京市為例，該市的26個污染場地中，11個為揮發半揮發性有機污染場地，3個為農藥污染場地，3個為重金屬污染場地，9個為復合污染場地，主要污染物類型為揮發半揮發性有機物（氯代烴、苯系物和多環芳烴）、農藥（六六六和滴滴涕）和重金屬（鉻、鉛、汞、銅、鎳和銻等）（馬妍等，2017）。土壤中污染物容易在風力或水力作用下進入大氣和水體，引發大氣污染、地表水污染、地下水污染和生態系統退化等次生環境問題。土壤是重金屬入侵人體的主要途徑之一，重金屬通過食物鏈進入人體后會造成骨損傷、神經毒性、心血管損傷及癌癥等疾病（黃蕓等，2016）。 總體來看，我國場地污染情況并不樂觀，污染場地數量多、污染成因復雜、溯源難度大，涉及行業廣，給我國生態環境、經濟發展和人體健康帶來了巨大挑戰，已成為生態文明建設和美麗中國建設的短板。 1.1.2 我國場地污染風險管理進展 近幾年，我國確定了“風險管控”的場地污染風險管理思路，先后印發實施了《污染地塊土壤環境管理辦法（試行）》（環境保護部令第42號，2016年）、《土壤環境質量 建設用地土壤污染風險管控標準（試行）》（GB 36600—2018）、《污染地塊風險管控與土壤修復效果評估技術導則（試行）》（HJ 25.5—2018）、《建設用地土壤污染風險管控和修復監測技術導則》（HJ 25.2—2019）等，提出了污染識別、調查評估、風險管控、效果評估等方面的管理和技術要求（表1-1）。另外，2019年1月1日起施行《中華人民共和國土壤污染防治法》，填補了我國場地污染風險管控領域的立法空白。 表1-1 我國場地污染識別與風險管控政策、法律、標準、規章、導則一覽表 1.1.3 場地大數據 1.場地大數據特點 目前，大數據的基本特征包括數據量大、類型繁多、價值密度低、產生速度快。數據量大指大數據的采集、存儲和計算量非常大，起始計量單位至少是拍字節（PB）、艾字節（EB）或澤字節（ZB）級。類型繁多指大數據種類和來源多樣，包括結構化、半結構化和非結構化數據，其中非結構化數據占80%以上（圖1-1），具體表現為文本、報告、網絡日志、音頻、視頻、圖片、地理位置信息等。價值密度低指大數據蘊含信息量大，但有價值的信息少，需要結合業務邏輯(logit)并通過強大的智能算法來挖掘數據價值。產生速度快指數據增長速度快，處理速度也快，時效性要求高，如搜索引擎要求數分鐘前的新聞能夠被用戶查詢到，個性化推薦算法盡可能要求實時完成。 圖1-1 我國場地污染數據結構 在生態環境領域，通過多年積累，已初步形成場地污染相關海量數據。場地污染大數據除具有傳統大數據的特征外，還具有高維性、高復雜性、高不確定性的“三高”特性（Guo et al.，2014；蔣洪強等，2019）。 1）高維性指數據來源包含反映自然與社會現象之間的多維數據。場地污染大數據可通過土壤、空氣、水、噪聲環境質量監測設備來感知，還可以通過生物傳感器、化學傳感器、射頻識別技術、衛星遙感、視頻、光學傳感器、人工檢查等感知。 2）高復雜性指場地污染大數據內在類型、結構及模式具有復雜性。高復雜性使得場地污染大數據的表達、理解和計算等多個數據挖掘環節面臨巨大挑戰。場地污染大數據本身價值密度較低，只有通過數據清洗、集成、建模、可視化等步驟才能將這種復雜、非結構化的數據轉化為有價值的信息。 3）高不確定性指數據采集時可能存在錯誤或不完整，數據處理時出現的不確定性概率較高。場地污染大數據來源于不同部門，數據標準、規范不統一；通過不同網絡爬取工具獲得的數據格式具有多樣化；各部門數據共享程度較低，同一指標數據缺乏一致性。 2.場地大數據來源 我國污染場地數據來源廣泛，主要包括三個渠道：一是政府數據，如土壤背景值調查、全國土壤污染狀況調查、全國土壤污染狀況詳查、多目標區域地球化學調查、農產品產地土壤重金屬污染普查、全國污染源普查等調查數據，以及環評審批、環保驗收、信訪舉報、排污許可、營業執照審批、企業工商等掌握的土壤、地下水、重金屬、有機物、企業名稱、地理位置等數據；二是開源數據，如在中國科學院數據云、地理空間數據云、地理國情監測云等云平臺共享的土地利用、土壤類型、地形、地貌、遙感、水文、水文地質、降水、道路、人口、經濟、學術論文等數據；三是網絡數據，在互聯網（internet）、物聯網、移動互聯網上獲取的輿情、企業基本情況、污染突發事件、谷歌和百度地圖興趣點（point of interest，POI）等數據（王夏暉，2019）。 1.2 大數據支持場地污染風險管控進展分析 1.2.1 大數據支持場地污染風險管控的數據挖掘 基于Web of Science數據庫，檢索出2010～2020年的17 860篇大數據文獻和656篇大數據支持場地污染風險管控文獻，分別利用詞頻高于20次和10次的關鍵詞繪制研究熱點與結構圖。不難看出，大數據領域的研究熱點主要有機器學習（machine learning）、物聯網（internet of things）、深度學習（deep learning）、人工智能（artificial intelligence）、云計算（cloud computing）、數據挖掘（data mining）、數據模型（data model）、區塊鏈（blockchain）等（圖1-2）。在此基礎上，圍繞土壤和地下水中污染物特別是重金屬，人工神經網絡（artificial neural network）、深度學習、機器學習［如支持向量機（support vector machine，SVM）、隨機森林（random forest）］等支持污染預測、污染源識別、水質分析、風險評估的技術得到了較多關注（圖1-3）。 圖1-2 大數據領域的研究熱點與結構 圖1-3 大數據支持場地污染風險管控的研究熱點與主題結構 1.2.2 大數據支持場地污染識別 目前，基于現有場地污染調查有關技術方法，不論是區域還是地塊尺度上，由點及面的土壤污染濃度識別可能產生與實際偏離較大問題，已經不能滿足日益增長的精細化環境管理需求。近年來，基于大數據的相關關系內涵和大數據深度挖掘，利用已知有限點位的土壤數據并借助多源輔助數據，成功實現了土壤污染及其屬性的濃度和空間分布識別，取得了較好效果（Chen et al.，2019；Pyo et al.，2020；Cao and Zhang，2021）。例如，借助98個土壤樣品、1960個測試點位數據，圍繞野外現場快速檢測的可見紅外光光譜（350～2500nm），基于卷積神經網絡、配有卷積自編碼器的卷積神經網絡、人工神經網絡、隨機森林、人工神經網絡+主成分分析、隨機森林+主成分分析6種算法，建立基于大數據的土壤As、Cu、Pb濃度快速檢測方法，其中配有卷積自編碼器的卷積神經網絡的準確度*高（Pyo et al.，2020），為研制新型的場地
書友推薦
- >
月亮虎
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
回憶愛瑪儂
- >
隨園食單
- >
朝聞道
- >
上帝之肋:男人的真實旅程
- >
小考拉的故事-套裝共3冊
- >
山海經
本類暢銷
