謝衛(wèi)平，洪月菊，吳磊，陸勇

(1.宜興市環(huán)境監(jiān)測站，江蘇 宜興 214200；2.武漢市規(guī)劃研究院，湖北 武漢 430000；3.東南大學(xué)能源與環(huán)境學(xué)院，江蘇 南京 210096)

?

·環(huán)境預(yù)警·

基于多元回歸理論的太湖湖泛預(yù)警模型研究

謝衛(wèi)平1，洪月菊2，吳磊3，陸勇3

(1.宜興市環(huán)境監(jiān)測站，江蘇 宜興 214200；2.武漢市規(guī)劃研究院，湖北 武漢 430000；3.東南大學(xué)能源與環(huán)境學(xué)院，江蘇 南京 210096)

在太湖宜興段藻源性湖泛高發(fā)區(qū)設(shè)立4個(gè)監(jiān)測點(diǎn)，以湖泛發(fā)生的物質(zhì)基礎(chǔ)“藻類生物量”為研究對象，運(yùn)用數(shù)據(jù)分析軟件SPSS對監(jiān)測點(diǎn)的藻類生物量、水質(zhì)、氣溫等數(shù)據(jù)進(jìn)行相關(guān)分析，建立了以藻密度為因變量的多元逐步回歸模型。結(jié)合往年太湖藻源性湖泛發(fā)生時(shí)的氣象條件等歷史資料以及相關(guān)藻密度閾值的報(bào)道，構(gòu)建了太湖宜興段藻源性湖泛高發(fā)區(qū)監(jiān)測預(yù)警模型系統(tǒng)，該模型能夠基于監(jiān)測點(diǎn)的實(shí)時(shí)水質(zhì)數(shù)據(jù)和氣象預(yù)報(bào)數(shù)據(jù)，對監(jiān)控區(qū)域湖水在未來某時(shí)間段內(nèi)發(fā)生湖泛風(fēng)險(xiǎn)的可能性進(jìn)行分級(jí)預(yù)警。

多元回歸理論；太湖；湖泛；預(yù)警模型

隨著湖泊污染和富營養(yǎng)化程度的加劇，太湖水環(huán)境污染越來越突出。近年來，太湖西北沿岸湖區(qū)、貢湖、梅梁灣和竺山湖沙塘港水域均發(fā)生過不同程度的局部水體黑臭現(xiàn)象，這一現(xiàn)象成為太湖藍(lán)藻水華危害新的表征，對水源的影響和危害較之于藍(lán)藻暴發(fā)更為嚴(yán)重[1-2]。湖泛的發(fā)生將直接造成湖體水質(zhì)和水生態(tài)系統(tǒng)嚴(yán)重惡化，進(jìn)一步對周邊城市水產(chǎn)、旅游業(yè)等社會(huì)經(jīng)濟(jì)產(chǎn)生嚴(yán)重破壞，其產(chǎn)生的致黑和致臭物質(zhì)將威脅太湖沿岸居民的健康和生存環(huán)境[3-4]。

陸桂華[5]將由藍(lán)藻暴發(fā)引起的湖泛(亦稱“黑水團(tuán)”或“污水團(tuán)”)稱之為“藻源性”湖泛。其誘因是藻類堆積到一定程度后發(fā)生厭氧反應(yīng)，從而導(dǎo)致湖水發(fā)黑發(fā)臭。此外，王成林[6]通過對湖泛發(fā)生時(shí)的氣象條件進(jìn)行研究，發(fā)現(xiàn)湖泛的發(fā)生還存在著氣象觸發(fā)機(jī)制，即3 d以上時(shí)間維持高溫(平均氣溫>20℃)、微風(fēng)(平均風(fēng)速<4 m/s)、風(fēng)向基本一致(風(fēng)向平均絕對偏差<20°)；其后，冷空氣過境使得風(fēng)速短時(shí)增大、風(fēng)向調(diào)轉(zhuǎn)180°左右、氣溫迅速降低，并且這種氣象條件持續(xù)1 d以上。

水質(zhì)預(yù)警系統(tǒng)是以水質(zhì)預(yù)警方法為基礎(chǔ)建立的系統(tǒng)，是一個(gè)集監(jiān)測、計(jì)算、模擬、管理為一體的系統(tǒng)。國外的水質(zhì)預(yù)警系統(tǒng)研究較早，發(fā)展趨于成熟。如美國在俄亥俄河及密西西比河，法國在塞納河都建立了各自的預(yù)警系統(tǒng)以應(yīng)對突發(fā)性水污染事件[7]。最為著名的是由德國、奧地利等歐洲國家聯(lián)合開發(fā)的“多瑙河事故應(yīng)急預(yù)警系統(tǒng)”[8]。國內(nèi)在以河流為典型的流域水污染預(yù)警方面已有積極探索，呂俊等[9]構(gòu)建了廣西郁江水質(zhì)預(yù)警預(yù)報(bào)系統(tǒng)總體框架；焦鋒[10]在相對風(fēng)險(xiǎn)模型(Relative Risk Model)基礎(chǔ)上，構(gòu)建了區(qū)域生態(tài)風(fēng)險(xiǎn)識(shí)別的概念模型，對東太湖區(qū)域進(jìn)行生態(tài)風(fēng)險(xiǎn)分析。但對于太湖湖泛監(jiān)測預(yù)警系統(tǒng)的研究較少。王成林等[11]通過對湖泛發(fā)生時(shí)的氣象條件進(jìn)行歸納總結(jié)，提出黑臭水體形成的氣象因素影響模型；李旭文等[12]通過對國產(chǎn)環(huán)境衛(wèi)星CCD近年太湖地區(qū)影像的處理，提取了太湖湖泛分布信息。上述研究均針對湖泛發(fā)生的一個(gè)方面(氣象或衛(wèi)星影像)提出相應(yīng)的預(yù)警方案，而沒有開發(fā)出綜合多方面信息、具有實(shí)用性和預(yù)報(bào)功能的太湖湖泛預(yù)警模型。

目前，環(huán)境數(shù)學(xué)模型的研究和應(yīng)用已比較成熟，將湖泛這一具有突發(fā)性、歷時(shí)短、影響因素復(fù)雜和環(huán)境危害大的水環(huán)境災(zāi)害集成到數(shù)學(xué)模型系統(tǒng)中?，F(xiàn)通過實(shí)測數(shù)據(jù)，經(jīng)相關(guān)分析后建立多元逐步回歸模型預(yù)測藻類生物量，在此基礎(chǔ)上結(jié)合氣象條件判別方案建立太湖湖泛預(yù)警模型。

1 太湖宜興段湖泛高發(fā)區(qū)的布點(diǎn)監(jiān)測

1.1 采樣點(diǎn)位

選取太湖西北岸近年湖泛易發(fā)代表性區(qū)域?yàn)跸蹡|(N31°13′47.2″，E119°53′43.0″)、茭瀆港(N31°21′16.7″，E119°57′50.1″)、社瀆港東(N31°20′56.1″，E119°57′32.6″)和蘭山嘴東(N31°13′13.0″， E119°54′36.7″)設(shè)置4個(gè)監(jiān)測點(diǎn)，見圖1。

1.2 采樣時(shí)間和頻率

各個(gè)監(jiān)測點(diǎn)位的采樣時(shí)間為2012年7—10月，采樣頻率為2次/周。

圖1 太湖宜興段湖泛高發(fā)區(qū)監(jiān)測點(diǎn)位

1.3 監(jiān)測項(xiàng)目及分析

國內(nèi)外湖泊水庫的藻類水華預(yù)警研究表明，水質(zhì)監(jiān)控指標(biāo)結(jié)合氣象、水文條件是藍(lán)藻水華暴發(fā)的重要影響因子[13-15]。因此，環(huán)境監(jiān)測因子主要包括：葉綠素a、藻密度、DO、pH值、濁度、水溫、風(fēng)速、風(fēng)向、氣溫、氣壓、水體氮磷含量和有機(jī)物含量等。其中DO、pH值、濁度、葉綠素a、水溫和藻密度用現(xiàn)場水質(zhì)多參數(shù)測定儀(YSI 6000)現(xiàn)場測定；風(fēng)速、風(fēng)向、氣溫和氣壓使用便攜式風(fēng)速風(fēng)向儀現(xiàn)場測定；采集各監(jiān)測點(diǎn)位水下0.5 m處水樣，帶回實(shí)驗(yàn)室進(jìn)行IMn、TP、氨氮、TN和COD指標(biāo)分析，各項(xiàng)目的分析均采用標(biāo)準(zhǔn)方法[16]。

1.4 數(shù)據(jù)分析

選用目前國際上最著名的數(shù)據(jù)分析軟件之一的SPSS 19.0(Statistical Product and Service Solutions，統(tǒng)計(jì)產(chǎn)品與服務(wù)解決方案)作為統(tǒng)計(jì)分析工具，對2012年7—10月監(jiān)測數(shù)據(jù)進(jìn)行分析。

2 監(jiān)測點(diǎn)藻密度的多元回歸分析

2.1 統(tǒng)計(jì)分析程序

采用SPSS 19.0軟件，對各環(huán)境理化因子監(jiān)測數(shù)據(jù)進(jìn)行相關(guān)分析，計(jì)算相關(guān)系數(shù)r值，并根據(jù)r值分析理化因子的相關(guān)性大小，同時(shí)依靠檢驗(yàn)統(tǒng)計(jì)量逐步篩選出各個(gè)監(jiān)測點(diǎn)影響藻類生物量的關(guān)鍵因子，最后建立藻類生物量多元逐步回歸方程和復(fù)相關(guān)系數(shù)等。

2.2 回歸方程的建立

(1)選取pH值、DO、IMn、氨氮、TP、COD、 TN、風(fēng)速、氣壓和氣溫，共10個(gè)環(huán)境理化因子作為回歸分析的自變量；(2)選取藻密度(CCD)作為預(yù)測太湖藻類生物量的因變量；(3)篩選各個(gè)監(jiān)測點(diǎn)影響藻類生物量的關(guān)鍵因子，對藻類生長影響因子進(jìn)行簡單相關(guān)分析和偏相關(guān)分析；(4)利用SPSS多元回歸軟件建立各監(jiān)測點(diǎn)多元回歸方程和復(fù)相關(guān)系數(shù)等。

2.3 結(jié)果和討論

2.3.1 藻類生長影響因子簡單相關(guān)分析

按照采樣監(jiān)測點(diǎn)位，分別量度藻密度變量與任一環(huán)境因子間的簡單相關(guān)關(guān)系(表1)。

表1 藻密度和環(huán)境因子間的Pearson相關(guān)系數(shù)

由表1可見，各個(gè)點(diǎn)位的藻密度與環(huán)境因子間的相關(guān)系數(shù)在0.005～0.710之間，其與單個(gè)因子的相關(guān)系數(shù)較分散，表明藻密度的變化受多個(gè)環(huán)境理化因子共同影響。

2.3.2 藻類生長影響因子偏相關(guān)分析

考慮環(huán)境因子間相互依賴的耦合效應(yīng)，在藻密度與單個(gè)因子相關(guān)性分析之外，針對4個(gè)監(jiān)測點(diǎn)的環(huán)境理化因子也進(jìn)行了任意2個(gè)環(huán)境影響因子間的相關(guān)性度量，其中水溫和氣溫顯著正相關(guān)，相關(guān)系數(shù)分別為0.936、0.905、0.907和0.889。說明各環(huán)境因子間也具有不同程度的相關(guān)關(guān)系，多因子間的耦合作用對篩選藻類生長驅(qū)動(dòng)因子有干擾作用。

現(xiàn)通過偏相關(guān)分析分別度量水體藻密度與任意1個(gè)環(huán)境理化因子的偏相關(guān)關(guān)系(表2)。

由表2可見，烏溪港東藻密度與氣溫(r=0.912)和TP(r=0.814)呈顯著正相關(guān)，與氨氮(r=-0.728)呈顯著負(fù)相關(guān)，說明氣溫、TP和氨氮因子對烏溪港東藻類的生長影響較大；社瀆港東藻密度與TN(r=0.927)和風(fēng)速(r=0.831)呈顯著正相關(guān)，說明TN和風(fēng)速這2個(gè)因子對社瀆港東藻類生長有較大影響；其他2個(gè)監(jiān)測點(diǎn)各因子的偏相關(guān)系數(shù)均較低，說明影響藻類生長的因素復(fù)雜，目前還不能通過數(shù)據(jù)統(tǒng)計(jì)分析得到結(jié)果。

表2 藻密度和環(huán)境因子間的偏相關(guān)系數(shù)

2.3.3 多元逐步回歸分析

藻類生長和暴發(fā)是由多個(gè)環(huán)境因子共同作用的結(jié)果。因地理環(huán)境、水文條件和入湖污染負(fù)荷等因素的差異，環(huán)境理化因子對藻類生長的影響程度隨空間變化，考慮利用多元變量來預(yù)測藻類生物量的動(dòng)態(tài)變化規(guī)律。

結(jié)合Pearson相關(guān)分析和偏相關(guān)分析的結(jié)果，選取相關(guān)系數(shù) |r|>0.5的因子參與多元逐步回歸分析，對監(jiān)測點(diǎn)藻類生物量的變化趨勢進(jìn)行預(yù)測。各監(jiān)測點(diǎn)位篩選出的關(guān)鍵因子見表3。藻密度與環(huán)境因子的逐步回歸分析結(jié)果見表4。

表3 各監(jiān)測點(diǎn)位參與多元逐步回歸的因子

表4 藻密度與環(huán)境因子的逐步回歸統(tǒng)計(jì)

①T為氣溫。

各監(jiān)測點(diǎn)位的關(guān)鍵因子參與多元逐步回歸分析計(jì)算時(shí)，模型自身從關(guān)鍵因子中選定入選變量生成逐步回歸方程。經(jīng)檢驗(yàn)，烏溪港東和社瀆港東監(jiān)測點(diǎn)的逐步回歸方程系數(shù)的F統(tǒng)計(jì)量的概率P值均<顯著性水平α(α=0.05)，藻密度與環(huán)境因子間的線性關(guān)系顯著，因此可以建立逐步回歸模型。

監(jiān)測點(diǎn)茭瀆港和南山嘴東因監(jiān)測數(shù)據(jù)量受限，規(guī)律性不強(qiáng)，未獲得相應(yīng)的多元逐步回歸方程。另外，由于現(xiàn)場實(shí)地試驗(yàn)的復(fù)雜性，影響藻類生長和暴發(fā)的環(huán)境因素較多，目前暫不能明確原因。

3 湖泛預(yù)警系統(tǒng)的構(gòu)建

3.1 建立藻類生物量預(yù)測模型

預(yù)測過程本身就是一個(gè)時(shí)間上的連續(xù)方程，要預(yù)測未來的狀態(tài)，一種方法是建立因變量和自變量之間同一時(shí)間的回歸方程，預(yù)測分析自變量的未來值，再根據(jù)建立的回歸方程預(yù)測因變量的未來值。另一種方法就是建立因變量和自變量之間不同時(shí)刻的回歸方程，也即t時(shí)刻的自變量對(t+1)時(shí)刻的因變量的影響，研究采用前一種方法。

建立藻類生物量預(yù)測模型，即(t+1)時(shí)刻藻密度預(yù)測值需要(t+1)時(shí)刻的環(huán)境理化因子值。氣象條件(風(fēng)速、氣溫和風(fēng)向)可通過國家氣象局天氣預(yù)報(bào)系統(tǒng)提供預(yù)測值，其他環(huán)境因子(TP、TN等)預(yù)測值根據(jù)監(jiān)測獲取的樣本數(shù)據(jù)來擬合。

利用最小二乘估計(jì)法可獲取各種函數(shù)形式的擬合方程，通過比較各方程復(fù)相關(guān)系數(shù)的大小，選擇相應(yīng)的方程作為環(huán)境因子(TN、TP等)的預(yù)測模型，并將其代入藻密度預(yù)測模型，見表5。

表5 TN、TP預(yù)測模型

將相關(guān)自變量的預(yù)測擬合方程代入表3多元逐步回歸方程中，得到各監(jiān)測點(diǎn)藻類生物量預(yù)測模型，見表6。

表6 藻類生物量預(yù)測模型①

①T為氣溫，v為風(fēng)速。

3.2 建立湖泛預(yù)警判別方案

以藻類生物量預(yù)測模型來預(yù)測(t+1)時(shí)刻太湖監(jiān)測點(diǎn)藻密度，當(dāng)藻密度預(yù)測值達(dá)到一定閾值后，結(jié)合氣象條件來判別藻源性湖泛發(fā)生可能性等級(jí)。利用SPSS 19.0分析軟件建立藻類生物量預(yù)測模型(表6)和基于氣象條件的判別規(guī)則(圖2)[6]，將預(yù)判方案轉(zhuǎn)化為計(jì)算機(jī)語言，開發(fā)太湖湖泛高發(fā)區(qū)預(yù)警軟件系統(tǒng)。

圖2 太湖湖泛高發(fā)區(qū)預(yù)警系統(tǒng)分析判別示意

目前，中國突發(fā)事件分為4類，即自然災(zāi)害、事故災(zāi)難、公共衛(wèi)生事件、社會(huì)安全事件。預(yù)警級(jí)別分為4級(jí)：一級(jí)預(yù)警，預(yù)警信號(hào)為紅色；二級(jí)預(yù)警，預(yù)警信號(hào)為橙色；三級(jí)預(yù)警，預(yù)警信號(hào)為黃色；四級(jí)預(yù)警，預(yù)警信號(hào)為藍(lán)色[17]。因此，該預(yù)警系統(tǒng)采用目前國內(nèi)通行的4級(jí)預(yù)警級(jí)別來劃分。具體分級(jí)預(yù)警方案見表7。

表7 太湖湖泛高發(fā)區(qū)分級(jí)預(yù)警方案

4 結(jié)語

充分利用監(jiān)測站的數(shù)據(jù)采集與分析能力，建立太湖湖泛高發(fā)區(qū)藻密度的預(yù)測模型，結(jié)合其氣象觸發(fā)條件開展太湖藻源性湖泛的預(yù)警工作，是基層環(huán)境監(jiān)測站從數(shù)據(jù)監(jiān)測到數(shù)據(jù)應(yīng)用的能力提升過程。

目前模型的預(yù)測精度受現(xiàn)有樣本空間的影響，有待進(jìn)一步提高。為了使系統(tǒng)進(jìn)行較準(zhǔn)確的預(yù)測，一方面需進(jìn)一步對相關(guān)參數(shù)(水質(zhì)、氣象和底泥)進(jìn)行監(jiān)測，積累數(shù)據(jù)樣本，提高現(xiàn)有模型的精確度；另一方面，多元線性回歸模型是基于歷史資料進(jìn)行回歸分析，能較好地?cái)M合過去，適用于水體藻密度變化的短期趨勢分析，故需尋求能夠更好地反映時(shí)間序列變化趨勢的模型，對藻類生物量進(jìn)行較高精確度的預(yù)測。

[1] 陳荷生.太湖宜興近岸水域“湖泛”現(xiàn)象初析[J].水利水電科技進(jìn)展， 2011， 31 (4)： 33-37.

[2] 盛東，徐兆安，高怡.太湖湖區(qū)“黑水團(tuán)”成因及危害分析[J].水資源保護(hù)，2010， 26(3)：41-44.

[3] YANG M， YU J W， LI Z L，et al.Taihu not to blame for Wuxi′s woes[J].Science，2008， 319(2)：158.

[4] 于建偉， 李宗來，曹楠，等.無錫市飲用水嗅味突發(fā)事件致嗅原因及潛在問題分析[J].環(huán)境科學(xué)學(xué)報(bào)， 2007， 27(11)： 1771-1777.

[5] 陸桂華，馬倩.太湖水域“湖泛”及其成因研究[J].水科學(xué)進(jìn)展，2009，20(3)：438-442.

[6] 王成林，張?jiān)?太湖藻源性“湖泛”形成機(jī)制的氣象因素分析[J].環(huán)境科學(xué)，2011，32(4)：401-408.

[7] 盧金鎖.地表水廠原水水質(zhì)預(yù)警系統(tǒng)研究及應(yīng)用[D].西安：西安建筑科技大學(xué)，2006.

[8] BOTTERWEG T,RODDA D W.Danube riverbasin：progress with the environmental programme[J].Water Science and Technology，1999，40(10)： 1-8.

[9] 呂俊，彭斌，唐奇善，等.郁江水質(zhì)預(yù)警預(yù)報(bào)系統(tǒng)建設(shè)模式的探討[J].水資源保護(hù)，2006，22(5)：81-83.

[10] 焦鋒.區(qū)域生態(tài)風(fēng)險(xiǎn)識(shí)別系統(tǒng)構(gòu)建[J].環(huán)境科技，2011，24(2)： 49-53.

[11] 王成林，張寧紅，張?jiān)仯?基于氣象條件的太湖湖泛預(yù)警研究[J].環(huán)境監(jiān)控與預(yù)警，2010，2(5)： 1-4.

[12] 李旭文，牛志春，姜晟，等.環(huán)境衛(wèi)星CCD影像在太湖湖泛暗色水團(tuán)監(jiān)測中的應(yīng)用[J].環(huán)境監(jiān)控與預(yù)警，2012，4(3)：1-9.

[13] 孔繁翔，馬榮華，高俊峰，等.太湖藍(lán)藻水華的預(yù)防、預(yù)測和預(yù)警的理論與實(shí)踐[J].湖泊科學(xué)， 2009， 21 (3)： 314-328.

[14] LILOVE M J， LAANEMETS J.A simple tool for the early prediction of the cyanobacteria Nodularia spumigena bloom biomass in the Gulf of Finland[J].Oceanologia， 2006，48(S)：213-229.

[15] FRIEDRICH R.ANNA-artifical neural network model for predicting species abundance and succession of bluegreen algae[J].Hydrobiologia， 1997，349(1-3)：47-57.

[16] 國家環(huán)境保護(hù)總局.水和廢水監(jiān)測分析方法[M].4 版.北京： 中國環(huán)境科學(xué)出版社， 2002.

[17] 薛瀾，鐘開斌.突發(fā)公共事件分類、分級(jí)與分期：應(yīng)急體制的管理基礎(chǔ)[J].CPA中國行政管理學(xué)術(shù)論壇， 2005(2)： 102-107.

·簡訊·

英國發(fā)明可移除土壤有害物質(zhì)的植物

新華社消息 受到化學(xué)物質(zhì)影響，硝煙散去的戰(zhàn)場或軍事訓(xùn)練場上植物總是難以存活。這個(gè)問題困擾人類已久，不過，科學(xué)家們已經(jīng)快找到解決辦法了。英國約克大學(xué)研究人員在《自然》雜志上撰文說，他們發(fā)現(xiàn)，炸藥中的三硝基甲苯，也就是俗稱的TNT會(huì)聚集在植物的根部，抑制植物生長。這是因?yàn)橹参镏杏幸环N名為MDHAR6的酶能與TNT發(fā)生反應(yīng)，產(chǎn)生超氧化物，對植物細(xì)胞造成嚴(yán)重?fù)p傷。這一發(fā)現(xiàn)有助科學(xué)家們利用基因改造技術(shù)，創(chuàng)造出一種不含MDHAR6的植物，這種植物可以在受到污染的土地上茂盛地生長，由根部從土壤中吸收并移除有害化學(xué)物質(zhì)，同時(shí)不會(huì)損害自身。研究人員表示，人們對利用自然機(jī)制去除土壤中有毒化學(xué)物質(zhì)的興趣很濃厚。只有去除了TNT的毒性，才可能利用植物清理受污染的土地，“我們的工作朝這一方向邁進(jìn)了一步”。

摘自 www.jshb.gov.cn 2015-09-10

Study on the Early-Warning Model of Feculent and Anaerobic Water Aggregation in Taihu Lake Using the Multiple Regression Theory

XIE Wei-ping1，HONG Yue-ju2，WU Lei3，LU Yong3

(1.YixingEnvironmentalMonitoringStation,Yixing,Jiangsu214200,China; 2.WuhanPlanning&DesignInstitute,Wuhan,Hubei430000,China; 3.SchoolofEnergyandEnvironment,SoutheastUniversity,Nanjing,Jiangsu210096,China)

Feculent and anaerobic water aggregation (FAWA) is a type of specific environmental disaster with characteristics of occurring abruptly,lasting in short duration,and causing serious consequences on the environment and ecosystems.Experiments choosing algal density as the investigated object were carried out to analyze the parameters using data analysis software SPSS,including the water quality,temperature,and algal density,in four monitoring sites of the Yixing part where FAWA happened historically.An early-warning model using the multiple regression theory was constructed based on the algal cell density together with weather conditions and related algal density threshold when FAWA happened in the past years.Based on the current weather data and real-time water quality parameters in the monitoring site,the model could be used to evaluate the risk grade of FAWA occurring in the monitoring region.

Multiple regression theory; Taihu Lake; Feculent and anaerobic water aggregation; Early-warning model

2015-03-20；

2015-05-18

江蘇省環(huán)境保護(hù)廳2011年省級(jí)環(huán)保科研課題管理基金資助項(xiàng)目(201154)

謝衛(wèi)平(1973—)，男，高級(jí)工程師，本科，從事環(huán)境監(jiān)測管理工作。

X84

A

1674-6732(2015)05-0007-05