典型文献
基于自组织神经网络和K-means的场地地下水污染特征分析与分区管控研究
文献摘要：
该研究基于自组织神经网络(SOM)和K-means方法,以华中地区某铬渣污染场地为研究对象,探讨了 SOM+K-means方法应用于场地地下水污染分区管控的可能性.通过监测数据的描述性统计分析场地地下水污染特征,发现Cr(Ⅵ)、CODMn、SO42-、TDS、NO3-、NH3-N、Mn为研究区的主要污染物.基于SOM+K-means分析挖掘,并基于空间插值方法,将研究区地下水分为4类区域,并识别出每类区域需重点关注的污染指标.结果显示:类别Ⅰ需关注NO3-;类别Ⅱ需关注Cr(Ⅵ)、CODMn、NO3、TDS、NH3-N;类别Ⅲ需关注SO42-;类别Ⅳ需关注Mn.该方法可较好地应用于地下水污染分区管控,对场地地下水污染防治具有指导意义.
文献关键词：
机器学习;自组织神经网络;K-means;地下水污染;分区管控
中图分类号：
作者姓名：
黄燕鹏;汪远昊;王超;刘伟江;王宏;吕广丰;林斯杰;胡清
作者机构：
哈尔滨工业大学环境学院,哈尔滨150090;南方科技大学环境科学与工程学院,广东深圳518055;南科大工程技术创新中心(北京),北京100083;生态环境部土壤与农业农村生态环境监管技术中心,北京100012
文献出处：
引用格式：
[1]黄燕鹏;汪远昊;王超;刘伟江;王宏;吕广丰;林斯杰;胡清-.基于自组织神经网络和K-means的场地地下水污染特征分析与分区管控研究)[J].环境工程,2022(06):31-41,47
A类：
SOM+K
B类：
自组织神经网络,means,水污染特征,污染特征分析,分区管控,管控研究,华中地区,污染场地,描述性统计分析,分析场,CODMn,SO42,TDS,NO3,NH3,主要污染物,空间插值方法,每类,污染指标,地下水污染防治,治具
AB值：
0.23757
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
