CN107391960B - 基于过渡金属保护水生生物水质基准的CCCs预测方法 - Google Patents
基于过渡金属保护水生生物水质基准的CCCs预测方法 Download PDFInfo
- Publication number
- CN107391960B CN107391960B CN201710854588.0A CN201710854588A CN107391960B CN 107391960 B CN107391960 B CN 107391960B CN 201710854588 A CN201710854588 A CN 201710854588A CN 107391960 B CN107391960 B CN 107391960B
- Authority
- CN
- China
- Prior art keywords
- prediction
- ppcr
- benchmark
- cccs
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基准连续浓度的预测方法,具体涉及一种基于过渡金属保护水生生物水质基准的CCCs预测方法。该预测方法包括S1.数据选取;S2.PPCR模型构建;S3.模型拟合优度和稳健性检验;S4.最优预测空间的评价和S5.基准连续浓度的预测。本发明的预测方法利用PPCR方法对第四、五、六周期(含镧系),锕系的过渡金属的基准连续浓度进行预测,避免了慢性毒性实验耗费的大量人力、物力和财力,基准推导过程中表现出明显的方法学优势,为过渡金属慢性水质基准制定和风险评估提供了可靠的参考值。
Description
技术领域
本发明涉及一种基准连续浓度的预测方法,具体涉及一种基于过渡金属保护水生生物水质基准的CCCs预测方法。
背景技术
保护水生生物水质基准主要包括急性基准和慢性基准,通常使用基准最大浓度(CMCs)和基准连续浓度(CCCs)作为衡量水生生物免受急、慢性伤害的基准阈值。对于基准连续浓度(CCCs),经过30年6次基准文件的更新,在最新的基准文件中,7种过渡金属列出了基准连续浓度值(CCCs),分别是铬(Cr)、铁(Fe)、镍(Ni)、铜(Cu)、锌(Zn)、镉(Cd)、汞(Hg)(USEPA,2009)。
目前,同CMCs一样,还有60余种过渡金属没有CCCs参考值。最重要的原因是没有足够多的毒性数据供研究者利用已有的基准推导方法进行基准研究。而通过标准化的生物毒性测试手段,是目前USEPA基准发布的唯一手段。CCCs是指一种污染物最高4天的平均暴露浓度,在此浓度下水生生物不会产生不可接受效应。较于CMCs的毒性实验要求更高,时间更长,难度更大。纵观国外基准研究,用于CCCs基准推导的大量毒性测试实验更需要耗费大量的人力,物力和财力,因此阻碍了过渡金属慢性水质基准研究的发展,这也是大量过渡金属没有CCCs参考值的主要原因。因此,尝试构建不依赖于实验测定的过渡金属慢性水质基准预测方法非常重要。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种基于过渡金属保护水生生物水质基准的CCCs预测方法。本发明的预测方法利用PPCR方法对第四、五、六周期(含镧系),锕系的过渡金属的基准连续浓度进行预测,对未来过渡金属水质基准制定和风险评估提供参考依据。进行预测的56种目标金属包括已有基准值的7种金属和未知基准值的49种金属。
本发明的技术方案为:过渡金属保护水生生物水质基准的CCCs预测方法,包括以下步骤:
S1.数据选取
选取具有基准连续浓度值的过渡金属为样本元素,选择所述过渡金属离子结构参数(变量)表征金属离子的各种物理化学性质,作为变量参数用以建模;
S2.PPCR模型构建
(1)样本元素的结构参数与样本元素的基准连续浓度值进行pearson相关系数检验,得到变量间的线性相关程度;
(2)对满足P值小于0.1的条件的结构参数与样本元素CCCs构建PPCR方程;建立PPCR模型;
S3.模型拟合优度和稳健性检验
内部验证采用残差标准误RSE、决定系数R2、F统计量和调整过的R2四种统计量描述所述PPCR模型的拟合程度;R2和RSE的计算公式如公式1和公式2所示;
其中,yi是第i种金属的CCCs值,是第i种金属的预测CCCs值,是i种金属的CCCs推荐值的平均值,n是训练集的金属个数;
采用k折交叉验证法对所述PPCR模型进行内部验证,以期检验模型的稳健性;
S4.最优预测空间的评价
使用William plot验证最优预测空间;
William plot是指文献(Jaworska J,Nikolova-Jeliazkova N,AldenbergT.QSAR applicability domain estimation by projection of the training setdescriptor space:a review[J].Atal-Nottingham,2005,33(5):445.)中的方法,具体是指横坐标为模型中样本的杠杆值,纵坐标为模型中样本的标准残差值的图;
利用公式3计算杠杆值hi,利用公式4计算hi *;如果hij超过hi *,则说明该金属的CCCs值超出最优预测空间;
其中,hi是指第i个金属的杠杆值,xi代表PPCR模型中第i个金属的理化性质值排列成一行的行向量,代表xi的转置向量,X代表xi的逆向量,XT代表X的转置向量,hi *代表所有金属不超出最优预测空间的杠杆值最大值;pi是PPCR模型中使用的变量个数,ni是样本个数;
S5.基准连续浓度的预测
利用PPCR模型预测得到第四、五、六周和锕系的56种过渡金属的CCCs值。
进一步地,所述具有基准连续浓度值的过渡金属为7种,分别为Cr,Ni,Cu,Zn,Fe,Cd和Hg。
进一步地,所述金属离子结构参数包括26种,分别为原子序数、相对原子质量、原子半径、共价半径、离子半径、熔点、300K时的密度、汽化热的电离电位变化、沸点、OX和OX-1之间的电离势、电化学势、电负性、第一水解常数、共价常数、原子电离电离势、软指数、电离势、电子密度、离子电荷、电负性指数、相对柔软度、极化力参数一、极化力参数二、、极化力参数三、类极化力参数一和类极化力参数二。
金属离子结构参数的所有数据来源于文献,并根据需要对部分数据进行了参数计算,由于经常用来描述环境浓度变量的是对数正态分布,因此在开展分析环境与生态数据之前需先把数据取对数,再进行数据处理。
进一步地,步骤S2中,若获得的PPCR方程的R2>0.45,且P<0.06的表征金属离子物理化学性质的结构参数之间的相关系数均大于0.5,利用主成分分析回归的方法将所述结构参数之间的相关性压缩,获得更准确的回归关系,从而得到更精确的预测模型及预测结果。
更进一步地,步骤S2中,若获得的PPCR方程的R2>0.45,且P<0.06的表征金属离子物理化学性质的结构参数之间的相关系数均大于0.85,利用主成分分析回归的方法将所述结构参数之间的相关性压缩,获得更准确的回归关系,从而得到更精确的预测模型及预测结果。
进一步地,步骤S2中,对满足P值小于0.05的条件的结构参数与样本元素CCCs构建PPCR方程;建立PPCR模型。
进一步地,当模型拥有最小RSE值和最大R2的模型被认为是最佳模型;
进一步地,所述k折交叉验证法中,通过计算因变量预测值与原抽出样本的因变量的观测值yi之间的相关系数及交叉验证均方根误差RMSECV来评价模型内部预测能力;相关系数最小可接受的值大于0.5。
进一步地,所述预测方法使用统计软件进行统计分析;所述统计软件为SAS、MATLAB和开源和免费的R语言软件中的一种。
本发明基于过渡金属本身理化性质参数,利用PPCR模型较为准确地预测了第四、五、六周期(含镧系),锕系共56种过渡金属元素的CCCs值,预测值与基准值的误差均在一个数量级之内。大部分金属急性水质基准阈值要大于或等于慢性水质基准阈值,仅铕Eu和镱Yb的急慢性水质基准比小于1。本发明的预测方法避免了慢性毒性实验耗费的大量人力、物力和财力,基准推导过程中表现出明显的方法学优势,为过渡金属慢性水质基准制定和风险评估提供了可靠的参考值。
附图说明
图1 95%置信度下的离子半径与ln-CCCs的回归模型;
图2Williams图;
图3杠杆图;
图4利用r-PPCR模型预测得到的第四、五、六周期(含镧系),锕系的56种过渡金属的CCCs值。
具体实施方式
实施例1
过渡金属保护水生生物水质基准的CCCs预测方法,包括以下步骤:
S1.数据选取
选取具有基准连续浓度值的7种过渡金属,即Cr(包括三价Cr和六价Cr),Ni,Cu,Zn,Fe,Cd和Hg为样本元素,选择所述过渡金属离子结构参数(变量)表征金属离子的各种物理化学性质,作为变量参数用以建模;
所述金属离子结构参数包括26种,分别为原子序数、相对原子质量、原子半径、共价半径、离子半径、熔点、300K时的密度、汽化热的电离电位变化、沸点、OX和OX-1之间的电离势、电化学势、电负性、第一水解常数、共价常数、原子电离电离势、软指数、电离势、电子密度、离子电荷、电负性指数、相对柔软度、极化力参数一、极化力参数二、、极化力参数三、类极化力参数一和类极化力参数二。
金属离子结构参数的所有数据来源于文献,并根据需要对部分数据进行了参数计算,由于经常用来描述环境浓度变量的是对数正态分布,因此在开展分析环境与生态数据之前需先把数据取对数,再进行数据处理。
S2.PPCR模型构建
(一)单因素PPCR模型的构建
将26组过渡金属离子的理化性质与7种过渡金属的基准最大浓度值进行pearson相关系数分析,从表1中可以看出,共有9种金属离子的结构参数的pearson相关系数检验的P值小于0.1,说明这9种金属离子结构参数与CCCs的推荐值具有显著的相关性。其中,相关系数检验的P值小于0.05的结构参数分别是离子半径和共价半径。
表1 26种表征物理化学性质的结构参数与美国环保署CCCs推荐值之间的Pearson相关检验
因此,利用单参数的线性回归方法构建这9种结构参数与样本金属的推荐CCCs之间的PPCR方程,经过模型筛选,得到了2种拟合度较高(R2>0.5,P<0.05)的结构参数,为CR和r。表2给出了2种模型的回归模型方程,R2,残差标准误(ResidualStandardError,RSE),以及F检验的统计量和P值。PPCR模型中,相关性最佳的结构描述符为离子半径r,其相关系数R2为0.6108(F=9.415,P=0.022)。
表2 2种物理化学性质与美国环保署CCCs推荐值的回归模型
(二)PPCR模型的选择与检验
选取9种金属离子的理化性质中拟合效果较好的金属理化性质(R2>0.45andP<0.06),为原子序数AN,原子质量AW,共价半径CR和离子半径r。其中,共价半径CR和离子半径r与基准连续浓度CCCs的线性关系得到的P<0.05。采用这4种理化性质综合预测过渡金属的CCCs值。由表3可以看出4种金属离子的理化性质之间的相关系数均大于0.85,原子序数与原子质量之间的相关性甚至达到了0.9996,因此,需要采用其他统计方法将4种结构参数之间的相关性压缩,以求获得更准确的回归关系。
表3 4种物理化学性质之间的相关关系
使用主成分分析(PCA)的方法使得较少的综合变量来代替原来较多的变量,而且这几个变量又能够尽可能多地有效提取各变量的有效贡献,并且彼此之间互不相关。由于4种结构参数中,原子数AN和原子质量AW之间的相关性接近1,同时CR和r最初获得的拟合效果最好,所得P值小于0.05,因此,数据标准化后,采用三种不同的主成分分析,即(1)对AN、CR、r 3种结构参数作主成分分析;(2)对AW、CR、r 3种结构参数作主成分分析;(3)对CR、r 2种结构参数作主成分分析。数据标准化后,得到主成分分析的结果。由于累计贡献率的大小代表提取了原所有变量的多少信息,选取累计贡献率达到70%~80%以上的主分量个数。表4给出了主成分回归的结果。
表4主成分回归结果
由表4可知,3种主成分分析中第1主分量的累计贡献率分别为91.23%,90.85%,93.05%,分别代表了原所有变量的91.23%,90.85%,93.05%的信息。因此,均选取第1主分量,分别得到的3个主分量如表4所示:
X1=-0.579AN-0.578CR-0.575r. (3-3)
X2=-0.578AW-0.579CR-0.575r. (3-4)
X3=0.707CR+0.707r. (3-5)
利用得到的3个主分量分别构建单参数线性回归方法的PPCR方程,由表4也可以看出,其中X3构建的PPCR方程描述较好(R2=0.6107,F=9.41,P=0.022),但是,其拟合度与原来4种结构参数中离子半径r单独构造的单参数PPCR函数关系大致相同。采取使用较少变量进行预测从而使得误差减小的原则,预测模型直接选用离子半径r建立的单参数PPCR模型,即r-PPCR模型。
S3.模型拟合优度和稳健性检验
内部验证采用残差标准误RSE、决定系数R2、F统计量和调整过的R2四种统计量描述所述PPCR模型的拟合程度;R2和RSE的计算公式如公式1和公式2所示;
当模型拥有最小RSE值和最大R2的模型被认为是最佳模型;
其中,yi是第i种金属的CCCs值,是第i种金属的预测CCCs值,是i种金属的CCCs推荐值的平均值,n是训练集的金属个数;
图1给出了95%置信度下的离子半径与ln-CCC的回归模型。
图1中PPCR模型及其95%置信区间,除了Cr(VI)和Zn推荐值在置信区间外边缘,其他6个推荐值均在95%置信区间之内,从统计意义上说明单因素PPCR模型的预测是可信的,具有良好的稳健性和预测能力。
最后,为了防止过度拟合和偶然相关,采用k折交叉验证法对PPCR模型进行内部验证。交叉验证计算得到的因变量预测值与原抽出样本的因变量的观测值yi之间的相关系数交叉验证均方根误差RMSEcv=0.45,说明,模型具有稳健性。
S4.最优预测空间的评价
使用William plot验证最优预测空间;
William plot是指文献(Jaworska J,Nikolova-Jeliazkova N,AldenbergT.QSAR applicability domain estimation by projection of the training setdescriptor space:a review[J].Atal-Nottingham,2005,33(5):445.)中的方法,具体是指横坐标为模型中样本的杠杆值,纵坐标为模型中样本的标准残差值的图;
利用公式3计算杠杆值hi,利用公式4计算hi *;如果hi超过hi *,则说明该金属的CCCs值超出最优预测空间;
其中,hi是指第i个金属的杠杆值,xi代表PPCR模型中第i个金属的理化性质值排列成一行的行向量,代表xi的转置向量,X代表xi的逆向量,XT代表X的转置向量,hi *代表所有金属不超出最优预测空间的杠杆值最大值;pi是PPCR模型中使用的变量个数,ni是样本个数。计算PPCR模型的最优预测空间如图2和图3。杠杆值hi均不超过hi *=0.75,说明所有金属的CCCs值均在最优预测空间内,PPCR模型可以被用来预测其他金属,具有预测的可靠性。
S5.基准连续浓度的预测
图4A给出了利用r-PPCR模型预测得到的第四、五、六周期(含镧系),锕系的56种过渡金属的CCCs值。由图中可以看出,在同一族中,CCCs的预测值随着周期数的增加减少(图4B)。预测得到的56种过渡金属的CCCs值中仅6种金属的CCCs值大于50μg/L,占所有预测金属的10.71%;CCCs值在0~2μg/L之间有25种过渡金属,占所有预测金属的44.64%,说明大部分过渡金属的慢性毒性都很大。
另外,由图4C和D中可以看出,镧系和锕系元素预测得到的CCCs值是相似的。原因是,镧系与锕系金属元素的最外层电子轨道的结构相似,因此它们大多数的物理和化学性质这么类似。另外,镧系收缩使得Eu之后的镧系金属的离子半径同Y相近,构成性质相似的Y系金属。因此,它们的毒性值和CCCs值也同Y相近。锕系金属通常具有较大离子半径[169],因此它们的毒性值和CCCs值较小。
本实施例使用免费的R语言统计软件进行统计分析。
实施例2
过渡金属保护水生生物水质基准的CCCs预测方法,包括以下步骤:
S1.数据选取
选取具有基准连续浓度值的7种过渡金属,即Cr(包括三价Cr和四价Cr),Ni,Cu,Zn,Fe,Cd和Hg为样本元素,选择所述过渡金属离子结构参数(变量)表征金属离子的各种物理化学性质,作为变量参数用以建模;
所述金属离子结构参数包括26种,分别为原子序数、相对原子质量、原子半径、共价半径、离子半径、熔点、300K时的密度、汽化热的电离电位变化、沸点、OX和OX-1之间的电离势、电化学势、电负性、第一水解常数、共价常数、原子电离电离势、软指数、电离势、电子密度、离子电荷、电负性指数、相对柔软度、极化力参数一、极化力参数二、、极化力参数三、类极化力参数一和类极化力参数二。
金属离子结构参数的所有数据来源于文献,并根据需要对部分数据进行了参数计算,由于经常用来描述环境浓度变量的是对数正态分布,因此在开展分析环境与生态数据之前需先把数据取对数,再进行数据处理。
S2.PPCR模型构建
(1)样本元素的结构参数与样本元素的基准连续浓度值进行pearson相关系数检验,得到变量间的线性相关程度;
(2)对满足P值小于0.1的条件的结构参数与样本元素CCCs构建PPCR方程;建立PPCR模型;
步骤S2中,若获得的PPCR方程的R2>0.45,且P<0.06的表征金属离子物理化学性质的结构参数之间的相关系数均大于0.5,利用主成分分析回归的方法将所述结构参数之间的相关性压缩,获得更准确的回归关系,从而得到更精确的预测模型及预测结果;
S3.模型拟合优度和稳健性检验
内部验证采用残差标准误RSE、决定系数R2、F统计量和调整过的R2四种统计量描述所述PPCR模型的拟合程度;R2和RSE的计算公式如公式1和公式2所示;当模型拥有最小RSE值和最大R2的模型被认为是最佳模型;
其中,yi是第i种金属的CCCs值,是第i种金属的预测CCCs值,是i种金属的CCCs推荐值的平均值,n是训练集的金属个数;
采用k折交叉验证法对PPCR模型进行内部验证,以期检验模型的稳健性;所述k折交叉验证法中,通过计算因变量预测值与原抽出样本的因变量的观测值yi之间的相关系数及交叉验证均方根误差RMSECV来评价模型内部预测能力;相关系数最小可接受的值大于0.5;
S4.最优预测空间的评价
使用William plot验证最优预测空间;
William plot是指文献(Jaworska J,Nikolova-Jeliazkova N,AldenbergT.QSAR applicability domain estimation by projection of the training setdescriptor space:a review[J].Atal-Nottingham,2005,33(5):445.)中的方法,具体是指横坐标为模型中样本的杠杆值,纵坐标为模型中样本的标准残差值的图;
利用公式3计算杠杆值hi,利用公式4计算hi *;如果hi超过hi *,则说明该金属的CCCs值超出最优预测空间;
其中,hi是指第i个金属的杠杆值,xi代表PPCR模型中第i个金属的理化性质值排列成一行的行向量,代表xi的转置向量,X代表xi的逆向量,XT代表X的转置向量,hi *代表所有金属不超出最优预测空间的杠杆值最大值;pi是PPCR模型中使用的变量个数,ni是样本个数。
S5.基准连续浓度的预测
利用PPCR模型预测得到的第四、五、六周期(含镧系),锕系的56种过渡金属的CCCs值。
本实施例使用SAS统计软件进行统计分析。
上述详细说明是针对本发明其中之一可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本发明技术方案的范围内。
Claims (6)
1.过渡金属保护水生生物水质基准的CCCs预测方法,其特征在于,包括以下步骤:
S1.数据选取
选取具有基准连续浓度值的过渡金属为样本元素,选择所述过渡金属离子结构参数表征金属离子的各种物理化学性质,作为变量参数用以建模;
S2.PPCR模型构建
(1)样本元素的结构参数与样本元素的基准连续浓度值进行pearson相关系数检验,得到变量间的线性相关程度;
(2)对满足P值小于0.1的条件的结构参数与样本元素CCCs构建PPCR方程;建立PPCR模型;
S3.模型拟合优度和稳健性检验
内部验证采用残差标准误RSE、决定系数R2、F统计量和调整过的R2四种统计量描述所述PPCR模型的拟合程度;R2和RSE的计算公式如公式1和公式2所示;
其中,yi是第i种金属的CCCs值,是第i种金属的预测CCCs值,是i种金属的CCCs推荐值的平均值;n是训练集的金属个数;
采用k折交叉验证法对所述PPCR模型进行内部验证,以期检验模型的稳健性;
S4.最优预测空间的评价
使用William plot验证最优预测空间;William plot具体是指横坐标为模型中样本的杠杆值,纵坐标为模型中样本的标准残差值的图;
利用公式3计算杠杆值hi,利用公式4计算hi *;如果hi超过hi *,则说明该金属的CCCs值超出最优预测空间;
其中,hi是指第i个金属的杠杆值,xi代表PPCR模型中第i个金属的理化性质值排列成一行的行向量,代表xi的转置向量,X代表xi的逆向量,XT代表X的转置向量,hi *代表所有金属不超出最优预测空间的杠杆值最大值;pi是PPCR模型中使用的变量个数,ni是样本个数;
S5.基准连续浓度的预测
利用PPCR模型预测得到元素周期表中第四、五、六周期和锕系的56种过渡金属的CCCs值;
其中,
步骤S2中,若获得的PPCR方程的R2>0.45,且P<0.06的表征金属离子物理化学性质的结构参数之间的相关系数均大于0.5,利用主成分分析回归的方法将所述结构参数之间的相关性压缩,获得更准确的回归关系,从而得到更精确的预测模型及预测结果。
2.根据权利要求1所述的预测方法,其特征在于,所述具有基准连续浓度值的过渡金属为7种,分别为Cr,Ni,Cu,Zn,Fe,Cd和Hg。
3.根据权利要求1所述的预测方法,其特征在于,所述金属离子结构参数包括26种,分别为原子序数、相对原子质量、原子半径、共价半径、离子半径、熔点、温度为300K时的密度、汽化热的电离电位变化、沸点、OX和OX-1之间的电离势、电化学势、电负性、第一水解常数、共价常数、原子电离电势、软指数、电离势、电子密度、离子电荷、电负性指数、相对柔软度、极化力参数一、极化力参数二、极化力参数三、类极化力参数一和类极化力参数二。
4.根据权利要求1所述的预测方法,其特征在于,拥有最小RSE值和最大R2的模型被认为是最佳模型。
5.根据权利要求1所述的预测方法,其特征在于,所述k折交叉验证法中,通过计算因变量预测值与原抽出样本的因变量的观测值yi之间的相关系数及交叉验证均方根误差RMSECV来评价模型内部预测能力;相关系数最小可接受的值大于0.5。
6.根据权利要求1-5任一项所述的预测方法,其特征在于,所述预测方法使用统计软件进行统计分析;所述统计软件为SAS、MATLAB和R语言软件中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710854588.0A CN107391960B (zh) | 2017-09-20 | 2017-09-20 | 基于过渡金属保护水生生物水质基准的CCCs预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710854588.0A CN107391960B (zh) | 2017-09-20 | 2017-09-20 | 基于过渡金属保护水生生物水质基准的CCCs预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107391960A CN107391960A (zh) | 2017-11-24 |
CN107391960B true CN107391960B (zh) | 2018-09-25 |
Family
ID=60350455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710854588.0A Active CN107391960B (zh) | 2017-09-20 | 2017-09-20 | 基于过渡金属保护水生生物水质基准的CCCs预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107391960B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915563A (zh) * | 2015-06-16 | 2015-09-16 | 中国环境科学研究院 | 基于金属定量构效关系的淡水慢性基准预测方法 |
CN105868164A (zh) * | 2016-03-19 | 2016-08-17 | 浙江大学 | 一种基于有监督的线性动态系统模型的软测量建模方法 |
-
2017
- 2017-09-20 CN CN201710854588.0A patent/CN107391960B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915563A (zh) * | 2015-06-16 | 2015-09-16 | 中国环境科学研究院 | 基于金属定量构效关系的淡水慢性基准预测方法 |
CN105868164A (zh) * | 2016-03-19 | 2016-08-17 | 浙江大学 | 一种基于有监督的线性动态系统模型的软测量建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107391960A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tognelli et al. | Analysis of determinants of mammalian species richness in South America using spatial autoregressive models | |
Illian et al. | A toolbox for fitting complex spatial point process models using integrated nested Laplace approximation (INLA) | |
US20170323085A1 (en) | Fresh water acute criteria prediction method based on quantitative structure-activity relationship for metals | |
Kang et al. | Making the most of spatial information in health: a tutorial in Bayesian disease mapping for areal data | |
Vanhatalo et al. | Species distribution modeling with Gaussian processes: A case study with the youngest stages of sea spawning whitefish (Coregonus lavaretus L. sl) larvae | |
Batista et al. | How to evaluate sediment fingerprinting source apportionments | |
Haas et al. | Analysis of daily peaking and run‐of‐river operations with flow variability metrics, considering subdaily to seasonal time scales | |
Caporin et al. | Chasing volatility: A persistent multiplicative error model with jumps | |
Shertzer | Fabric tensors and effective properties of granular materials with application to snow | |
Cavalcante et al. | Niche overlap between two sympatric frugivorous Neotropical primates: improving ecological niche models using closely-related taxa | |
Thorson et al. | Uniform, uninformed or misinformed?: The lingering challenge of minimally informative priors in data-limited Bayesian stock assessments | |
Guo et al. | Uncertainty quantification and propagation in bivariate design flood estimation using a Bayesian information-theoretic approach | |
Serafini et al. | Approximation of Bayesian Hawkes process with inlabru | |
Kuselman et al. | House-of-security approach to measurement in analytical chemistry: quantification of human error using expert judgments | |
Bodenmann et al. | Dynamic post-earthquake updating of regional damage estimates using Gaussian processes | |
CN107194202B (zh) | 过渡金属保护人体健康水质基准的非致癌EDs预测方法 | |
CN107391960B (zh) | 基于过渡金属保护水生生物水质基准的CCCs预测方法 | |
Alamilla et al. | Seismicity assessment using earthquake catalogues with uncertain and incomplete data: probabilistic formulation | |
Koop | Bayesian methods for fat data | |
Nourali | Comparison of likelihood-free inference approach and a formal Bayesian method in parameter uncertainty assessment: Case study with a single-event rainfall–runoff model | |
Sanchez | Fitting bioassay data and performing uncertainty analysis with BIOKMOD | |
Marboutin et al. | On the effects of grid size and shape when mapping the distribution range of a recolonising wolf (Canis lupus) population | |
CN111091472A (zh) | 数据处理方法、装置及设备 | |
Chen et al. | Uncertainty analysis of hydrologic forecasts based on copulas | |
Zhang et al. | Identification of factors impacting on the transmission and mortality of COVID-19 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |