Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: dinitrogen oxide

Sortuj według:

Ogranicz wyniki do:

Emisja podtlenku azotu z gleby torfowo-murszowej w Dolinie Biebrzy w zależności od warunków wodnych

Turbiak J., Miatkowski Z., Chrzanowski S., Gąsiewska A., Burczyk P.

Woda-Środowisko-Obszary Wiejskie

2011

T. 11, z. 4

239-245

W pracy przedstawiono wyniki badań emisji N2O z gleby torfowo-murszowej w zależności od warunków wodnych. Emisję N2O określano metodą komorową za pomocą miernika fotoakustycznego. Stwierdzono, że emisja N2O z ekosystemu łąkowego na glebie torfowo-murszowej zależała od poziomu wody gruntowej. Maksymalną emisję N2O stwierdzono w wariancie z poziomem wody gruntowej utrzymywanym na głębokości 0 cm, a najmniejszą - w wariancie z poziomem wody na głębokości 25 cm. W okresie wegetacyjnym emisja N2O wynosiła od 12,1 kg·ha-¹(210 dni)-¹ w warunkach poziomu wody gruntowej 25 cm p.p.t. do 46,96 kg·ha-¹ ·(210 dni)-¹ w warunkach poziomu wody gruntowej 0 cm. Emisja N2O w warunkach poziomu wody gruntowej na głębokości 50 i 75 cm p.p.t. wynosiła odpowiednio 33,3 i 31,7 kg·ha-¹ ·(210 dni)-¹. Stwierdzono także, że nawożenie azotowe powodowało zwiększenie emisji N2O z użytkowanej łąkowo gleby torfowo-murszowej.

Results of measurements of N2O emission from a peat-muck soil are presented in the paper in relation to water conditions. N2O emission was determined by the chamber method using a photoacustic sensor. It was found that N2O emission from grassland ecosystem on the peat-muck soil depended on groundwater level. Maximum N2O emission was found in the variant with groundwater level kept at a depth of 0 cm, and the lowest in the variant with water level at a depth of 25 cm. In the growing season the mean N2O emission ranged from 12.1 kg·ha-¹ ·(210 days)-¹ at groundwater level of 25 cm to 46.96 kg·ha-¹ ·(210 days)-¹ at a groundwater level of 0 cm. N2O emission at groundwater level at a depth of 50 and 75 cm was 33.3 and 31.7 kg·ha-¹ ·(210 days)-¹ respectively. It was also found that nitrogen fertilisation increased the N21O emission from a grassland-used peat-muck soil.

Using of artificial neural networks in predictions of SO2, NO and NO2 concentrations in Gliwice, Poland

Rogula W., Żeliński J.

Archiwum Ochrony Środowiska

2005

Vol. 31, no. 4

3--16

The paper presents application of measurements of pollutant concentrations and meteorological conditions to create neural networks able to predict the pollutant concentrations on the basis of meteorological conditions. The measured quantities comprised 30-min concentrations of SO2, NO, NO2, and meteorological parameters, such as direction and speed of wind, air temperature, solar radiation, air humidity, and Pasquill stability class of atmosphere. The data were developed with the use of the StatSoft's Statistica Neural Networks computer program. The Levenberg - Marquardt algorithm was used to train networks. About 600 networks were created, trained and tested for each of SO2, NO and NO2 to predict their concentrations in ambient air and from among them the best performing network was selected. The chosen networks were used to compute concentrations on the basis of meteorological parameters. The neural models were run subsequently for SO2, NO and NO2. Measured and computed concentrations of the pollutants were presented in charts, as well as errors made by networks while predicting.

W niniejszej pracy posłużono się wynikami pomiarów warunków meteorologicznych do wygenerowania sieci neuronowych prognozujących wartość stężenia na podstawie znajomości warunków meteorologicznych. Wyniki pomiarów obejmują: stężenia trzydziestominutowe: SO2, NO, NO2, parametry meteorologiczne: kierunek i prędkość wiatru, temperatura powietrza, natężenie promieniowania słonecznego, wilgotność powietrza i klasa stabilności atmosfery. Do analizy danych zastosowano program Statistica Neural Networks firmy StatSoft. Proces uczenia przeprowadzono stosując algorytm Levenberga - Marquardta. Dla celów prognozy zanieczyszczeń (SO2, NO2, NO) stworzono, wyuczono i przetestowano około 600 sieci dla każdej substancji i z nich wybrano trzy najlepsze. Wybrane sieci zostały wykorzystane do przewidywania wartości stężeń na podstawie parametrów meteorologicznych. Kolejno uruchamiano modele neuronowe dla: SO2, NO, NO2. Sporządzono, dla każdego zanieczyszczenia, wykresy przedstawiające przebiegi stężenia rzeczywistego i prognozowanego oraz wykresy błędu, jaki popełnia sieć podczas predykcji kolejnych stężeń.