首页期刊导航|化学进展
期刊信息/Journal information
化学进展
化学进展

王夔

月刊

1005-281X

scinfo@mail.las.ac.cn

010-82627757

100190

北京中关村北四环西路33号

化学进展/Journal Progress in ChemistryCSCD北大核心CSTPCDSCI
查看更多>>本刊是由中国科学院基础科学局、化学部、文献情报中心和国家自然科学基金委员会化学科学部共同主办, 以刊登化学领域综述与评论性文章为主的学术性期刊。读者可从中了解化学专业领域国内外研究动向、最新研究成果及发展趋势。主要栏目有：综述与评论，专题论坛，科学基金，基础研究论文评介，动态与信息等。该刊可供化学及相关学科领域的科研、教学、决策管理人员及大学生、研究生阅读。《化学进展》已被以下4种ISI检索刊物收录：ISI Web of Science（ISI网络版）、SCI-E（SCI扩展版）、ISI Alerting Services（ISI快讯）、Current Contents/Clinical Medicine（近期目次/临床医学）。另外，《化学进展》还被《美国化学文摘(Chem. Abstr.)》、《中国化学化工文摘》、《中国化学文摘》、《中国物理文摘》、《中国药学文摘》、《中国科学引文索引》等重要检索刊物收录。
正式出版
收录年代

    湖库水体藻类浓度预测模型的原理和应用

    谢宇煊汪隽唐雨青朱芸...
    1412-1424页
    查看更多>>摘要：在全球气候变化和人为污染的背景下，湖库型水源地因富营养化暴发水华的风险显著提高，严重影响城市供水安全。因此，有必要构建基于藻类生长影响因子的数学模型，以实现藻类浓度预测和水华预警。本文从物理、化学和生物三个层面归纳了影响藻类生长的主要因子，并在此基础上总结概述了现有预测模型的构建思路和应用场景。根据建模方法可将预测模型分为过程机理模型和数据驱动模型两类。两种建模方法都已有广泛的研究，也在部分湖泊水库实现了应用。前者基于自然过程的研究和解析，具有可解释性和一般性，但有一定的研究和测试门槛且成本较高。后者基于机器学习等人工智能方法，建模方法灵活多样，但依赖数据质量，缺乏机理支持且具有地点特异性。为进一步提高模型性能，今后的研究工作需要提高数据监测的频率和质量，同时将过程机理与人工智能方法相结合。

    湖库水源地藻类水华影响因子藻类浓度预测过程机理模型数据驱动模型

      原文链接:
    • 万方数据
    • 维普