PM2.5 concentration estimation using convolutional neural network and gradient boosting machine

Surface monitoring, vertical atmospheric column observation, and simulation using chemical transportation models are three dominant approaches for perception of fine particles with diameters less than 2.5 micrometers (PM_2.5) concentration. Here we explored an image-based methodology with a deep learning approach and machine learning approach to extend the ability on PM_2.5 perception. Using 6976 images combined with daily weather conditions and hourly time data in Shanghai (2016), trained by hourly surface monitoring concentrations, an end-to-end model consisting of convolutional neural network and gradient boosting machine (GBM) was constructed. The mean absolute error, the root-mean-square error and the R-squared for PM_2.5 concentration estimation using our proposed method is 3.56, 10.02, and 0.85 respectively. The transferability analysis showed that networks trained in Shanghai, fine-tuned with only 10% of images in other locations, achieved performances similar to ones from trained on data from target locations themselves. The sensitivity of different regions in the image to PM_2.5 concentration was also quantified through the analysis of feature importance in GBM. All the required inputs in this study are commonly available, which greatly improved the accessibility of PM_2.5 concentration for placed and period with no surface observation. And this study makes an exploratory attempt on pollution monitoring using graph theory and deep learning approach.     

基于高光谱图像的贝类重金属污染快速无损检测方法研究

基于高光谱图像技术和机器学习算法,提出了一种对重金属污染蛤仔进行快速无损检测的新方法。该方法分为3步:采集蛤仔样本高光谱图像并使用3种方法进行预处理;采用线性判别分析(linear discriminant analysis,LDA)对高光谱数据降维;应用支持向量机(support vector machine, SVM)实现重金属污染蛤仔分类检测。对于以单类重金属污染样本和健康样本为样本集的二分类检测,LDA-SVM模型检测重金属污染样本的准确率可达到99.33%以上。对于以Cd、Cu、Pb、Zn 4类重金属污染样本和健康样本为样本集的五分类检测,检测准确率可达到93.33%。结果表明:LDA-SVM模型能够实现对蛤仔重金属污染快速无损检测,且该模型性能基本不受预处理方法和模型参数的影响,鲁棒性强。     

一种自适应学习率的卷积神经网络模型及应用——以滨海湿地遥感分类为例

滨海湿地是重要的生态系统,开展滨海湿地类型分布监测,对滨海湿地的保护与利用具有重要意义。传统卷积神经网络（CNN）模型中的学习率为人工设置的固定值,本文提出一种自适应学习率的CNN模型,以代价函数为目标函数自动计算学习率的优化值,从而使CNN模型具有自适应性。应用黄河口滨海湿地的CHRIS高光谱遥感影像数据,开展本文提出的CNN模型分类方法验证与优化。实验结果表明:对于不同的学习率搜索区间,自适应学习率CNN模型在[0,1]区间的整体分类精度最高,说明在学习率优化过程中只需在小区间[0,1]内进行微调就能保证较好的分类精度;对于不同的学习率初值,自适应学习率CNN模型的分类精度和稳定性都高于传统CNN模型,说明本文提出的模型对初值敏感性较低;在训练样本数目减少的情况下,两模型分类精度的稳定性都有不同程度的降低,但在保证训练样本占全部样本1.35%以上的条件下,自适应学习率CNN模型稳定性高,说明本文提出的模型对小样本具有一定的适应能力。     

基于深度学习的近岸海浪等级视频监测

深度学习是机器学习的重要研究领域,同时作为大数据的有效处理和分析工具越来越受到关注。以多源长时间序列近岸海浪视频环境数据为样本,波浪仪同步测量海浪等级数据为图像标签,构建了面向海洋环境适用于深度学习的海浪训练集、测试集。通过数据扩增技术对视频监测数据进行预处理,提高模型泛化能力,依据视频的相关性,引入误差函数,优化模型灵敏度,提出了适用于海洋领域海浪等级深度学习模型架构（Wave-CNNs）,最后将提出的改进深度学习模型应用于3000样本海浪图像训练集,并通过300样本海浪图像测试集对结果进行验证,实验结果表明,算法对3个等级海浪识别精度达到了66.6%,优于传统Bayes及SVM方法。     

大气细颗粒物的透射电子显微镜研究

利用透射电子显微镜(TEM)对北京市区和背景点的细颗粒物(PM2.5)的形貌特征和集聚状态进行分析,结合颗粒物能谱(EDX)和选区电子衍射(SAED)特征,将北京市大气细颗粒物分为烟尘集合体、飞灰、矿物颗粒、硫酸盐和有机颗粒等5种单颗粒类型,并讨论了它们的来源.TEM分析表明,北京市区和背景点大气细颗粒物中不同类型的单颗粒所占比例不同,表明市区和背景点细颗粒物的污染物源有所不同.研究还表明,不同类型的细颗粒之间常常发生聚集.     

垃圾图像识别研究进展

实现生活垃圾自动分类是解决城市固体废弃物(municipal solid waste,MSW)问题的有效途径.着眼于近10年基于计算机视觉的垃圾图像识别相关研究,依据垃圾自动分类方法的差异性,将当前现有相关研究分为基于传统机器学习方法和基于深度学习方法.介绍了机器学习方法以及深度学习方法特征提取方式,对比分析了传统机器...     

Characterization and acid-mobilization study for typical iron-bearing clay mineral

In this study, iron speciation in five standard clay samples was characterized. Iron mobilization from these clays was then measured in acidic media. For comparison, a commercially available Arizona test dust (ATD) was also observed. The results showed that the free-Fe contents of clays were commonly lower than that of dust aerosols. The components of clays were dominant by the structural Fe held in the aluminosilicate lattice. The iron solubility of the clays were in the order of KGa-2?>?SWy-2?>?CCa-2?>?IMt-2?>?NAu-2. Based upon the Mössbauer spectrum and transmission electron microscopy (TEM) analysis, the Fe(II) fraction and the Fe/Si ratio of clay particles changed after dissolution, suggesting the total Fe solubility depended on the Fe atom states existing within the aluminosilicate lattice. The Fe in KGa-2 and SWy-2 was most likely substituted for alkaline elements as the interlayer ions held by ionic bonds in the aluminosilicate, which are more liable to dissolution. However, the Fe in NAu-2 was more likely to be bound by strong covalent bonds in aluminosilicate mineral, which is less soluble. The much highly soluble Fe in ATD was not only linked to the dissolution of an appreciable fraction of Fe(II), but also could be attributed to the fact that the Fe bonds in the clay fraction of ATD were mainly present as ionic bonds. The TEM images showed that reacted clay particles displayed less aggregate particles, with nanoparticle aggregates and the Fe/S-rich tiny particles attached to the remains.     

基于非负矩阵分解和支持向量机的墨西哥湾溢油HJ-1星遥感图像分类

为提高国产自主卫星在海洋溢油监测中的精度,提出一种基于非负矩阵分解和支持向量机的环境减灾星(HJ-1)海洋溢油遥感图像分类算法。针对HJ-1星遥感图像,首先利用非负矩阵分解算法进行图像特征提取,相对图像光谱和纹理等图像基本特征,构造具有针对性的溢油图像局部化非负特征,更符合遥感图像特征所对应的物理意义。进而在新特征的基础上,采用支持向量机实现遥感图像分类,解决小样本训练问题。通过墨西哥湾溢油遥感图像仿真实验比较,证明该方法在HJ-1星溢油图像分类中的有效性。     

一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最...     

钻井过程人员异常行为视频智能识别系统

针对钻井现场视频监控人工值守工作量大、异常行为识别不及时、海量视频数据缺乏实时报警等问题,结合钻井作业操作规程建立井控坐岗监测、起下钻、甩钻具等钻井作业场景典型异常行为判别规则,在基于卷积神经网络的目标检测方法基础上,引入SIFT方法和基于强化学习的困难样本筛选策略,提高了算法识别的准确率与鲁棒性。测试结果表明,在像素分辨率1 920×1 080的情况下,该方法整体识别准确率达到85%以上,平均识别速度为135 ms/帧。在此基础上,开发了钻井过程人员异常行为智能识别系统,试点应用结果表明,该系统能够对接入的视频流进行实时检测,及时、准确识别出坐岗人员擅自离岗、起下钻及甩钻具过程人员危险站位等异常行为,有效提升钻井现场安全管理水平。     

基于显微拉曼面扫的小尺寸微塑料检测方法

由于检测方法的限制,小尺寸（<50 μm）微塑料的检测研究较少.提出一种无须挑选、能够较为准确高效识别小尺寸微塑料的方法.筛选出2种合适的过滤膜作为分离和分析微塑料所用基底,使用显微拉曼光谱的面扫模式对5种常见的微塑料进行定性和定量检测.结果表明,该方法能够将最小粒径为1μm的小尺寸微塑料从滤膜背景上识别出来,并作伪彩色图直观显示微塑料的尺寸、形状和种类.以石英砂颗粒模拟环境样品中的杂质,该方法也可排除杂质的影响,准确定位微塑料.在3种浓度梯度下,不同粒径（5~50μm）的聚苯乙烯微塑料回收率为33.3%~79.0%.     

基于显微拉曼面扫的小尺寸微塑料检测方法

由于检测方法的限制,小尺寸（<50 μm）微塑料的检测研究较少.提出一种无须挑选、能够较为准确高效识别小尺寸微塑料的方法.筛选出2种合适的过滤膜作为分离和分析微塑料所用基底,使用显微拉曼光谱的面扫模式对5种常见的微塑料进行定性和定量检测.结果表明,该方法能够将最小粒径为1μm的小尺寸微塑料从滤膜背景上识别出来,并作伪彩色图直观显示微塑料的尺寸、形状和种类.以石英砂颗粒模拟环境样品中的杂质,该方法也可排除杂质的影响,准确定位微塑料.在3种浓度梯度下,不同粒径（5~50μm）的聚苯乙烯微塑料回收率为33.3%~79.0%.     

时间序列案例推理检测土地利用短期快速变化

在实际的地理环境中,不同的土地利用/土地覆盖类型往往具有特定的时/空变化特征,适合于采用案例匹配方法进行求解。但目前常用的案例推理多以静态推理为主,缺乏对动态变化过程的推理。论文利用案例的空间可重用性,提出了基于时间序列的案例推理方法,通过分层随机采样挑选案例点,建立了试验区同步观测案例库,并对2005～2006年试验区15景Radarsat图像进行了时间序列影像分割,利用案例点的时间序列特征值对分割后的图斑进行时间序列相似性测度,生成时间序列案例匹配矩阵,并进一步得到变化图斑的土地利用转化类型和变化时间。最后,结合野外实测资料,对案例匹配结果进行了误差评价,在所有地类变化检测结果中,菜地由于种植类型多样,物候差异大,变化检测误差最大,其次是平整土地;鱼塘(11.3%～13.2%)和果园(10.7%～16.9%)变化检测误差最小。和基于规则的变化检测方法相比,案例推理方法精度略高。     

逆转录-聚合酶链反应(RT-PCR)技术同时检测水中多种肠道病毒

建立了一种利用通用引物RT-PCR技术检测水中肠道病毒的方法.利用脊髓灰质炎病毒1～3型,柯萨奇病毒B3型作为参考病毒株,根据肠道病毒RNA5′非编码区中具有高度同源性的序列来设计通用引物.比较了M-MLV酶和AMV酶的逆转录效果,AMV酶能够成功地从地表水和生活污水中逆转录病毒RNA,更适于实际应用.对比研究了PCR过程中的退火温度,c(Mg2＋)等因素对RT-PCR检测结果的影响,选择退火温度55　℃,c(Mg2＋)为2　mmol/L的反应条件,优化了RT-PCR检测方法.通过检测水样中接种的连续稀释的病毒,确定了该检测方法的灵敏度为38　CCID₅₀.考察人工污染的地表水、污水、二级处理出水样品发现,检测灵敏度基本一致.该方法可应用在实际环境的肠道病毒检测中.      

轻量化网络LW-GCNet在垃圾分类中的应用

垃圾分类是构建绿色城市的重要途径。传统的垃圾分类是由人工进行,分类不彻底,工作强度大,不利于环境保护与资源再利用。为提高垃圾分类的准确性,提出了一种基于VGG16网络的轻量化网络模型LW-GCNet (light weight garbage classify network)。该网络模型通过引入深度可分离卷积和SE(squeeze-and-excitation)模块来进行特征提取,并将垃圾图像的浅层和深层特征有机融合,在减少计算量的同时,增强了待分类垃圾图像通道之间的依赖关系,为分类提供多层次的语义信息。此外,LW-GCNet模型采用自适应最大池化和全局平均池化取代VGG16网络中的全连接层,有效降低了参数量。利用由4类垃圾图像构成的数据集GRAB125对LW-GCNet性能进行验证。实验结果表明：该方法在保证识别速度的前提下,识别平均准确率达到77.17%,参数量为3.15M,易于在户外的嵌入式系统中进行部署。     

基于改进电法装置和深度神经网络的填埋场渗滤液水位探测

渗滤液水位检测和管控是填埋场环境风险管控的关键之一,高密度电法装置具有无损、快速和分辨率高等优点,但填埋场铺设的HDPE防渗膜的高阻特性掩盖了渗滤液的低阻特性,反演结果存在探测精度差、探测范围有限等问题,无法有效识别渗滤液水位. 为此,本文设计了改进的川字型采集装置并配套提出了基于深度神经网络的非线性反演算法——EConvNet-C,通过构建高仿真模拟模型获得了代表性场景下的学习样本,并进行学习训练得到了渗滤液水位与观测数据的非线性映射关系. 对上述改进的电法装置和配套的反演算法的有效性进行了验证,并开展了实际填埋场地的案例研究. 结果表明:①基于川字型装置的EConvNet-C反演的电阻率存在明显的分层特征,在场景A中EConvNet-C反演算法的均方误差(MSE)均在0.00230以下,渗滤液水位探测精度均在90.0%以上. ②以“浅层滞水”形式非正常积存情况下,EConvNet-C探测精度略有下降,但MSE仍在0.00420以下,水位探测精度仍在80.0%以上. ③基于传统探测装置的深度神经网络耦合方法得到的渗滤液水位探测精度略低于基于川字型装置的EConvNet-C,而基于传统探测装置的线性反演耦合方法在HDPE膜高阻特性的影响下无法有效识别渗滤液水位. 因此,基于川字型装置的EConvNet-C在填埋场渗滤液水位探测领域具有较大潜力,可为后期开展垃圾填埋场的性能和风险评估提供指导.      

1999—2013年中国东北植被物候信息遥感监测

随着3S技术的迅猛发展,用于地表遥感监测的卫星影像数据浩如烟海,而影像上地表植被长势等隐含信息的提取通常工作量大、耗费时间。论文提出了一种计算机自动提取地表植被物候信息的方法,主要用于对地表植被生长季及其年内长势进行快速提取。方法的基本原理是基于NDVI序列数据集,构建时间点对的时长跨度与该点对半方差的函数关系。选择东北松嫩平原地区作为重点试验区,计算了该区域1999—2013年地表植被生长季长度和长势特点,并选择东北地区物候观测数据进行验证分析。结果表明：1）东北地区农耕作物的生长季持续期在107~126 d左右。计算得到的结果与实测数据的最大误差在5 d值域范围内,沼泽植被在160 d以上（误差10 d左右）,草地为120~139 d;2）研究区地表植被的生长盛期峰值出现在第150天前后。结果较为真实、合理地反映了研究区域地表植被的物候信息。     

基于连续MODIS真彩图的霾监测预警新方法——以浙江省一次严重霾污染过程为例

采用NASA MODIS提供的全球影像浏览服务技术(GIBS)支持,并借助开源地理空间数据抽象库(GDAL)工具,实现了每日2次(上午和下午)用户自定义区域MODIS 250m分辨率真彩色图产品从互联网的近实时自动获取, 并基于该产品对2014年11月9日~14日浙江省一次大范围霾严重污染事件提前2d成功实现了预警.结果表明:连续的MODIS真彩图产品大幅改善并提高了传统可见光遥感监测灰霾的效果;MODIS 250m真彩色图3通道数据值与地面站点颗粒物浓度之间具有较好的相关性,前者与AQI,PM2.5和PM10之间的相关系数(R)分别为0.62,0.65和0.59.基于连续的 MODIS真彩图产品,并结合地面站点数据和天气形式进行综合分析能够及时提供相关预警服务;在业务流程上简单,高效,稳定,尤其对浙江省外源输入性霾识别有着良好的指示作用,具有较好的应用前景.