利用卫星遥感数据估算PM2.5浓度的应用研究进展

近年来,PM_(2.5)已成为中国大气污染的首要污染物,危害人体健康。为弥补地基监测站点在空间分布上的局限性,借助卫星遥感技术估算PM_(2.5)浓度已成为研究热点。文章总结了利用卫星估算PM_(2.5)浓度的各种研究方法,探讨了不同方法的优势和不足,指出不同方法对不同应用目的的选择性差异较大。提出,应针对不同应用目的选择相应的方法,从而取得满足各方面需求的研究成果,为未来PM_(2.5)浓度估算应用工作提供参考。     

日本专家利用人工智能开发新程序使作弊无处可逃

以前,考试作弊一般只能靠监场老师现场抓获来取缔,而日本京都大学日前宣布,其研究小组利用人工智能开发出一款新程序,能够以很高的精度自动发现考试时考生是否偷看,从而使作弊无处可逃。京都大学的研究小组,利用人工智能领域的机器学习技术,并吸收此前的教师监考经验,开发出了这款新程序。该程序能计算参加考试者过去的成绩与考试问题难易度是否匹配、与其他考生答案的重叠程度等,然后将作弊嫌疑低的人逐     

提高GPS定位精度的群调度滤波算法*

为解决现行安全生产科技领域中全球定位系统（GPS）/惯性导航系统（INS）融合系统容易产生较大时变误差的关键问题，满足GPS定位信号的精度和信号数据处理时间的要求，提出1种群调度滤波算法，通过实验仿真，分别与模糊算法、机器学习算法及卡尔曼滤波网络算法进行比较研究。结果表明:群调度滤波算法兼顾了定位精度与数据处理时间，具有较大优势，可在航空安全、船舶安全、应急监测、灾后抢险等安全科技领域广泛应用。     

城市强降雨致涝风险评估与区划研究——以武汉市为例

以武汉市为研究区域，从遥感影像中提取相关淹没点数据并从致灾因子、孕灾环境及承灾体三方面出发选取12个洪涝灾害风险影响因素；基于随机森林、梯度提升决策树、XGBoost和逻辑斯蒂回归四种模型拟合淹没点与影响因素间的非线性关系，进而得到不同影响因素对风险水平的作用程度，并据此计算各指标权重，建立风险评估模型。基于所建立的模型，对武汉市洪涝灾害风险区进行识别。其结果为：(1)相比于随机森林、梯度提升决策树和逻辑斯蒂回归，XGBoost模型在拟合影响因素与淹没点之间的非线性关系方面具有更优的性能；(2)武汉市洪涝灾害风险水平主要受高程、人口密度和年平均降雨量的影响，高风险区域主要分布在中部主城区和东南部梁子湖附近；(3)承灾体暴露性急剧增加是武汉市洪涝灾害高风险地区形成的主要原因。     

基于XGBoost模型的降雨诱发阶跃型滑坡位移预测

滑坡位移预测一直是滑坡研究的热点之一。近年来，随着计算机科学的发展，越来越多的人工智能技术模型被用于滑坡位移的预测。相较于常用的如LSTM神经网络等机器学习模型，集成算法中的XGBoost模型在滑坡位移预测领域尚不多见。由于其在滑坡位移预测中具有预测精度更高、运行速度更快等优点，目前在学术界已成为研究的热点领域。文中以泉州市安溪县尧山村滑坡地灾点监测数据为例，运用Python搭建XGBoost模型，并通过最大信息系数的比较来选定与位移高度相关的特征，输入至模型中对滑坡位移进行预测。结果表明，XGBoost模型因其在目标函数中引入正则项来控制模型过拟合、模型数据集划分采用前向验证方式等优点，相较于大多数机器学习模型，能更加准确地预测降雨诱发阶跃型滑坡位移。该模型对此类滑坡的位移预测及早期监测预警具有重要参考意义。     

基于机器学习和卫星遥感的PM2.5/10 空间连续分布反演方法研究

在过去的几十年里,快速的经济发展以及工业化、城镇化进程加速使得中国的资源环境承担的压力不断加大。作为影响空气质量的首要污染物,PM_2.5和PM₁₀（记为PM_2.5/10）直接影响着广大人民群众的身体健康。因此,针对PM_2.5/10浓度进行遥感反演研究,对环境监测和控制改善全国空气环境质量具有重要的意义。近些年来,随着对近地面PM_2.5/10浓度研究的不断深入,基于遥感影像数据进行PM_2.5/10浓度的反演方法也日益增多。本文利用Google Earth engine（GEE）平台获取了海量的Landsat 8 OLI遥感影像数据,并结合气象信息、空间特征等参数,采用机器学习中常用的多层映射反向传播神经网络构建了波段反射率与PM_2.5/10浓度之间的反演模型,以获得PM_2.5/10在研究区域的连续分布。为了提高基础PM_2.5/10反演模型的反演精度,还从影响因素和前溯时间两个维度出发,探寻了模型的最优化输入参数组合,并最终实现了对PM_2.5/10浓度的精准反演。以北京市地区为例,模型的PM_2.5和PM₁₀的反演精度R²分别达到0.814和0.796,均方根误差RMSE分别为19.21 μg?m^?3和28.31 μg?m^?3。鉴于该反演结果具有较高的准确性和可靠性,本文所建立的方法模型为研究PM_2.5/10在空间上的连续分布特征提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。     

碳中和趋势下数学模拟在污水处理系统中的发展与综合应用

数学模拟技术在污水处理方面被广泛应用,为了系统总结相关技术,本文回顾了污水处理系统中数学模拟技术的发展历程;综述了活性污泥模型(ASM)与机器学习(ML)在水质预测及参数工况优化领域中的应用;重点探究了污水处理系统中温室气体排放模型,以及多目标优化模型在污水处理系统中温室气体排放(GHG)、出水质量(EQI)和运行成本(OCI)的权衡问题;归纳了数学模拟技术在实现污水厂能量自给与资源回收的应用发展.研究结果表明数学模拟技术能准确预测出水水质、快速优化工艺参数、权衡温室气体排放、出水水质与运行成本之间的关系、以及提高资源回收效率等.因此,数值模拟技术可有效指导污水处理工艺的运行优化以及管理,为污水处理行业减污降碳协同增效提供技术支撑.     

基于无人机影像的城市植被精细分类

针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好.     

人为排放及气象因素对空气质量影响的定量分析——以疫情期间邢台市为例

选择河北省邢台市作为研究对象,将2020疫情作为一个极限管控措施下的极限减排实验情景,把2021疫情作为未来常态化疫情防控实验分析情景.与疫情前期对比,两次疫情期间臭氧浓度均有提升且2021疫情时期颗粒物浓度同样有提高,2020疫情时期其他污染物浓度均有不同程度的改善,而与2019历史同期相比,两次疫情期间臭氧浓度同样有升高现象,除此以外,2021疫情时期污染物改善较好.利用长短期记忆网络（LSTM）算法和空气质量预报模式系统（WRF-CMAQ）量化了两次疫情时期气象因素对于污染物浓度变化的影响,根据空气质量模拟法反推了不同污染物受人为影响的浓度变化.实验结果表明,LSTM算法在两次疫情期间的模拟均显示人为影响对污染物产生了负影响（降低了污染物浓度）且在总变化影响中占比较高,而CMAQ模式模拟结果中的气象因素影响占比远高于LSTM算法.CMAQ模式在两次疫情模拟中表现出了不同的结果,在2020疫情中人为影响占据了主导,而在2021疫情中,相比较2020疫情时期,除NO₂外,人类活动对其他污染物的影响均为正值（促进了污染物浓度升高）.     

基于Informer的PM2.5浓度预测

针对现有PM_2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了1个Seq2Seq的单站点PM_2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM_2.5浓度的预测。所构建模型基于ProbSparse (概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度。采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM_2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测。