我国典型化工行业VOCs排放特征及其对臭氧生成潜势

选取了我国5种典型化工行业VOCs排放源进行了源排放特征分析,通过对70个VOCs源样品的分析,结果表明,烷烃是合成材料制造业、石化行业和涂料产品制造业的主导VOCs种类（占比分别为43%、63%和68%）,烯烃是日用化学产品制造业的VOCs主要种类（46%）,卤代烃在专用化学品制造业排放中占主导（43%）;利用机器学习方法分析了上述行业的标志组分,发现癸烷和四氢呋喃是合成材料制造业源的特征标志组分,正丁醇和甲苯是日用化学产品制造业源的特征标志组分,1,2,3-三甲苯和1,3,5-三甲苯是石化行业源的特征标志组分,丙烯和3-甲基戊烷是涂料产品制造业的标志组分,对二甲苯和异丙苯是专用化学品制造业源的特征标志组分;并采用最大增量反应活性法（MIR）估算了各VOCs排放源的臭氧生成潜势（OFP）,结果表明,在单位浓度总VOCs排放条件下,对臭氧生成潜势的贡献大小依次为日用化学产品制造业、专用化学品制造业、石化行业、合成材料制造业和涂料产品制造业.建议在今后的臭氧防控中,更应关注各行业所排放的关键活性物种,而不仅仅注重VOCs排放总量.     

基于机器学习的典型社会安全事件发生规律研究及对雄安新区的启示

针对雄安新区建设和发展过程中对社会安全事件的防控需求，以盗窃作为典型社会安全事件，提出基于机器学习模型的社会安全事件分析预测方法，并以A市2012—2016年的实际盗窃犯罪数据为基础，提取发案时间、发案地点、实施手段和损失金额作为分类特征，通过比较多种机器学习算法，研究盗窃前科人员的预测方法，并根据预测结果挖掘盗窃前科人员的作案规律。研究结果表明:随机森林算法表现最优,查准率、查全率和F1均达到了0.85以上；对于盗窃这一典型社会安全事件，其前科人员倾向于选择下午时段和人流量大的地区实施，盗窃金额明显高于初犯和惯犯。最后，基于前述研究，提出构建数据驱动的社会安全事件预测预警和综合研判系统，并针对该系统的前期建设和后期使用，给出“制定统一的数据格式”、“实现数据实时接入”的建议。相关研究成果可为雄安新区社会安全事件预测预警以及治安防控工作的开展提供参考和借鉴。     

太原市PM2.5浓度的气象特征影响分析及预报

利用2016～2020年太原市污染物浓度资料、以及国家基准气象观测站的同期地面气象资料,重点分析了太原市PM_2.5浓度的变化特征以及湿度、降水、风和混合层厚度等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因,建立基于LSTM神经网络的PM_2.5浓度预报模型.结果表明,2016～2020年太原市区冬季出现的重污染天数最多,其中2017年冬季出现天数最多为28 d, PM_2.5浓度总体呈现出秋冬季节高,春夏季节低,周末PM_2.5浓度高于工作日浓度,PM_2.5浓度日变化大致呈现双峰型分布,分别出现在09:00左右和23:00至翌日01:00.除相对湿度和冬季气温外,其余气象要素与PM_2.5浓度在四季均表现为负相关.影响太原市区PM_2.5浓度升高的污染源主要位于其NE-ENE-E方向,西北部地区的相对不明显.汛期当达到中雨(降水量≥10 mm)以上级别的降水都对PM_2.5浓度降低有明...     

基于机器学习的长江流域农田氮径流流失负荷估算

定量解析长江流域农田氮径流流失特征是实现长江及其河口氮污染有效控制的关键科学基础.基于收集的长江流域570个旱地和434个水田田间氮径流流失数据组,采用相关性分析、结构方程模型、方差分解和机器学习方法,探究了影响旱地和水田总氮径流流失强度的主要因素,建立了基于机器学习的长江流域旱地和水田总氮径流流失强度预测模型,量化了长江流域农田总氮径流流失负荷.结果表明,径流深、施氮量和土壤氮含量是影响旱地总氮径流流失强度的主要因素;径流深和施氮量是水田总氮径流流失强度的主要影响因素.与分类与回归树、多元线性回归和增强回归树方法相比,采用随机森林算法构建的长江流域旱地和水田总氮径流流失强度预测模型具有更高的精度（R²为0.65~0.94）.基于随机森林算法的预测模型估算的2013年长江流域农田总氮径流流失负荷（以N计）为0.47 Tg ·a^-1（旱地：0.25 Tg ·a^-1;水田：0.22 Tg ·a^-1）,中下游地区贡献了58%的流失负荷.模型预测5种防治情景下的长江流域农田氮流失负荷可削减2.4%~9.3%,其中减少径流量的削减效果最为显著.长江流域农田氮面源污染防治必须协同加强氮肥精准管理、减少农田径流量和提高土壤氮利用,且应将重点放在中下游地区.所发展的基于机器学习建模方法克服了氮径流流失强度与影响因素之间函数关系难以确定的问题,为估算区域或流域农田氮流失负荷提供了简便且可靠的方法.     

基于时空XGBoost的中国区域PM2.5浓度遥感反演

为了提高PM_2.5估算精度,获得连续的PM_2.5浓度空间分布,本文提出了一种时空XGBoost模型（STXGB）.STXGB模型引入克里金法,将地理信息和时间信息融合到XGBoost算法体系中,通过集成遥感数据、气象数据和地理信息数据建立了基于STXGB模型的PM_2.5质量浓度空间估算方法.最后,以2019年中国区域PM_2.5质量浓度月数据为例,采用基于样本、站点和时间的十折交叉验证法,评估了STXGB模型的性能,并与BP神经网络（BPNN）、随机森林（RF）、XGBoost、反距离加权XGBoost （XGBIDW）模型结果进行对比.结果表明,STXGB模型的预测精度优于其它模型,其中,STXGB模型验证的决定系数为0.92,均方根误差为6.51 μg·m^-3,平均预测误差为4.26 μg·m^-3,利用该模型生成的中国区域PM_2.5浓度空间分布更为合理.     

基于遥感数据的闽东南山区公路滑坡快速识别技术研究

传统的滑坡识别主要通过遥感目视解译和人机交互识别，存在耗时费力、主观性强和提取精度低等问题。文中以福建省某公路为实验区，提出了一种基于高分辨率遥感数据的闽东南山区公路滑坡快速识别方法。包括采用亚米级高分辨率遥感影像，通过对色调、地形、光谱、植被指数和纹理等滑坡特征进行分析与研究，确立了适用于东南山区公路的多维多尺度滑坡分类识别规则；借助机器学习算法分类工具与多维多尺度特征筛选集相结合构建了公路滑坡识别模型，并基于高分辨率遥感影像在色调尺度上对滑坡进行初步识别；最后经由坡度、归一化植被指数和纹理特征筛选集对初步识别的滑坡区域进一步的分割提取，从而对山区公路滑坡空间分布实行精准识别。经实验验证，文中方法所得滑坡识别的平均精度达到85.73%,且滑体提取形态特征完整，可清晰地展现出滑体的“舌”、“簸箕”状形态，亦可清晰辨别滑体的滑壁与堆积体。研究成果可为我国植被发育区的山区交通线路的滑坡识别与风险评估提供科学参考。     

基于机器学习的金属有机框架吸附水中重金属性能预测

为了能准确预测金属有机框架材料(MOFs)对水中重金属的吸附性能,收集了48篇文献中的MOFs结构特征和成分特性,以及吸附水中重金属的实验参数建立数据集,训练并评价了6种回归模型,包括支持向量回归(SVR)、K-最近邻(KNN)、提升法(AdaBoost)、梯度提升树(GBDT)、随机森林(RF)和袋装法(Bagging).结果表明:基于树的集成学习模型的预测性能表现优异,其中以GBDT算法训练的模型性能最佳;进一步应用该模型,证明了机器学习方法可以准确预测MOFs对水中重金属的吸附性能;排列重要性与部分依赖图(PDP)显示,除了可控的实验参数外,影响吸附量的重要因素是MOFs的孔径、比表面积、孔体积.本研究中的方法不仅能预测MOFs结构和性能的关系,还可以基于有效的实验参数模拟水中重金属的去除,进而为吸附材料的筛选优化提供参考.     

基于机器学习方法的浙江省台风灾害风险评估和动态风险预报

利用机器学习方法建立以区县为基本研究单元的浙江省台风灾害风险评估模型，并进一步结合气象预报与实测数据形成覆盖全省、时空连续的台风过程动态风险预报，为科学应急减灾提供决策支持。首先，本研究以浙江省各区县为研究对象，考虑危险性、孕灾环境、暴露性和脆弱性等风险要素选择台风灾害风险评估模型的预测变量；其次，基于10个重大历史灾害的灾损数据(直接经济损失)划分风险等级作为输出变量；最后，采用机器学习模型XGBoost建立台风灾害风险评估模型。同时，以利奇马为例，进一步探索该模型的实战应用潜力，即以气象预报和实测数据为模型驱动，实现浙江省全域各区县台风灾害风险的实时更新预报。     

人工智能技术现状剖析

从1956年达特茅斯会议提出AI开始,AI的研究经历几次沉浮。在一次次的高潮和低谷的交替中,不可否认的是,AI无论是在理论还是实践中都取得了长足的进步。尤其是近期以深度学习为代表的AI技术取得了突破性的进展,在计算机视觉、机器学习、自然语言处理、机器人技术方面取得了巨大的进步,深刻改变了我们的生活。在这次变革中,实验室的成果很快就可以进入工业界,这在以往的技术发展史上是非常罕见的。2016年5月国家发展改革委员会等四部门联合下发《互联网+AI三年行动实施方案》,李克强总理的政府报告中也提到了AI产业发展,中国科学技术部"科技创新2030重大项目"将增加"AI2.0",AI已经上升为国家战略。面对AI的热潮,我们应该如何理解现状?如何看待其进步?又如何理解其功能和限制?本文将从AI的核心理论基础、当前存在的一些问题以及未来可能发展的方向等诸多方面对AI做介绍。