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.     

建筑垃圾空间分布、体量及变化量监测和模拟交叉学科研究进展

建筑垃圾具有复杂的时空特征,其产生量、变化量难以估算和准确监测,测绘科学和环境科学领域均针对这些问题进行了相关研究。建筑垃圾的多源遥感精准识别、堆放量和变化量的准确监测与模拟,是加强城市生态环境保护和治理,揭示城市建筑系统代谢机理的基础和关键。从多学科交叉视角,梳理国内外建筑垃圾空间分布、体量估算及变化监测与模拟的发展趋势和代表性研究进展,以期进一步支撑环境保护和城市建筑代谢的深入研究。将建筑垃圾监测及其空间分布分为传统方法和机器学习或深度学习辅助的遥感识别方法进行总结。建筑垃圾的体量估算方法包括基于统计数据和基于立体模型的估算方法。最后总结了建筑垃圾变化量动态监测和城市建筑代谢模拟的研究现状。通过系统分析和总结该领域的研究成果,提出目前存在的问题以及未来发展趋势的展望,对提高建筑垃圾等固体废物的监管水平,保护城市生态环境,促进城市建筑代谢的交叉学科研究具有参考价值。     

基于YOLO v5模型的非住宅区自动垃圾分类箱设计

提出了一种基于YOLO v5模型的自动垃圾分类箱设计,应用于非住宅区的公共场所(如火车站、公交站、商场、校园等)。垃圾箱设计有4个垃圾桶,以2行2列摆放,中间为转轴,可带动轴上方的垃圾临时存储抽屉转动。采用单目摄像头采集视频图像,以英伟达Jetson nano嵌入式芯片作为上位机主控芯片,利用YOLO v5深度学习模型进行垃圾的自动提取与识别,并将上位机识别结果信息通过串口发送至下位机Arduino控制板,Arduino控制板控制舵机带动垃圾临时储存抽屉开口转动到相应的垃圾桶上方,从而控制升降台倾倒垃圾,完成垃圾自动分类。测试结果表明:垃圾识别结果稳定可靠,准确率可达到93%,能够实现垃圾自动分类。     

建筑垃圾堆放点样本集构建与优化研究

为更好地解决手工制作的建筑垃圾堆放点样本集效率低、数据量少,难以支撑基于深度学习的遥感图像目标检测算法训练需求的问题,采用基于像素的遥感分类方法构建建筑垃圾堆放点样本集,在此基础上结合直方图均衡化,CS-LBP算子约束以及迁移学习的方法对Wasserstein生成对抗模型（WGAN）进行优化,实现了样本集扩充。研究结果表明:相对于纯手工制作的样本集,基于像素的遥感分类方法可以显著提升样本集制作的效率;同时,经过WGAN优化后,生成样本模拟了原始数据的颜色与纹理特征分布规律,增加了原始数据的多样性,满足了扩充样本集的需求。     

基于无人机遥感与机器学习的岸滩大型塑料垃圾监测方法

鉴于现场人工调查手段对海滩垃圾的监测具有成本高、耗时长等特点,近年来无人机遥感技术在海洋垃圾监测中的应用受到广泛关注。为评估无人机遥感及机器学习技术在海洋垃圾信息收集与分析中的有效性,首先,本研究将无人机遥感图像的目视解译结果与实地调查进行对比,结果表明,目视解译对垃圾的总体识别率达68.1%～75.1%,对各类塑料垃圾的识别率达38.9%～94.3%,说明无人机图像解译垃圾具有较强的可行性;其次,在目视解译无人机图像的基础上,引入机器学习技术自动解译图像,该技术对各类塑料垃圾的识别准确率达77.9%～81.5%,回收率达45.6%～60.6%;最后,本研究将无人机遥感与机器学习技术运用于崇明岛岸滩的实地调查中,成功地实现了样区塑料瓶、塑料渔网、塑料浮球、塑料泡沫和浮木等多类垃圾通量和组成的快速统计与空间分布分析,并揭示了台风前、后岸滩垃圾的变化特征。本研究发展并验证了基于无人机遥感与机器学习图像解译的岸滩塑料垃圾监测技术,实现了垃圾数据的半自动化采集、识别与统计的完整监测过程,提升了监测效率。本研究发展的机器学习模型可解决海量、复杂无人机影像中垃圾的定位与识别需求,一定程度上实现了智...     

农村生活垃圾分类治理的奖惩激励机制——基于复杂网络演化博弈模型

充分考虑农村"熟人社会"特点,首次采用复杂网络演化博弈模型,通过数值仿真分析了声誉损失和奖励政策对农户垃圾分类行为扩散深度的动态影响.结果表明：政府不干预时,垃圾分类将无法在农村自发持续而普遍推广;在一定范围内提高声誉损失或奖励均可显著促进农户分类;仅依靠单一政策,无法实现分类的深度扩散,若依靠声誉损失与奖励相互配合,可实现低政策强度、高扩散深度的合意效果;搭便车收益的提高会抑制垃圾分类扩散深度;注重经验学习和适应能力的EWA学习策略更有助于促进垃圾分类扩散.上述结论广泛适用于分类初始状态、学习能力、人口规模不同的农村,对中国农村垃圾分类具有普遍性的启发意义.最后,提出了充分利用"熟人社会"优势构建与农村社会经济特征相契合的垃圾分类激励政策建议.     

一种具有多尺度感受视野注意力机制的生活垃圾单阶段目标检测方法

生活垃圾种类繁杂,传统垃圾分选工艺的效率及精确度较低,为提高多尺度、不同材质垃圾的检测精度,同时保证垃圾分类的鲁棒性,基于现有深度卷积神经网络和单阶段目标检测算法YOLOv3,提出具有多尺度感受视野注意力机制的ECA_ERFB_s-YOLOv3算法.首先在算法检测器前引入多尺度感受视野模块,使算法能选择合适的感受视野对...     

北京市社区生活垃圾分类收集实效调查及其长效管理机制研究

对北京市600个分类示范试点社区进行垃圾分类收集现状调查,并基于调查数据分析得出,目前试点社区分类正确率和投放正确率均不高,知晓率是影响分类正确率和投放正确率的重要因素,知晓率根据知晓深度分成两个等级,分别为75.6%和15.5%,而社区大多数居民约60.1%垃圾分类知晓程度保持在一个初级水平,24.4%居民不知道垃圾分类,分类正确率和投放正确率较低,分别为4.5%和31.2%,宣传、教育的力度和深度不够,也未形成有效监管机制.居民对社区垃圾分类建议得出,认为应该加强分类知识宣传的居民最多,占36.84%;其次认为加强垃圾分类正确投放监督的比例也达到35.39%.总体认为软实力建设应提高的居民占90%以上.因此,提出持续采用多种媒介提高垃圾分类宣传力度和深度,并结合多种培养方式引导居民参与操作实践.此外,构建软硬结合的垃圾分类评价指标体系,建立完善操作强的监管机制,长期持续对居民进行督促,并将垃圾分类作为社区管理工作中的一项重要考核指标,整体提高行政管理水平.     

基于轻量级残差网路的垃圾图片分类方法

近年来,我国生活垃圾总量每年以10％的速度增长.但是生活垃圾的分类处理能力及技术相对比较有限和落后.基于机器视觉的分类方法一直是广泛使用的方法,而传统的视觉分类网络目前面临着参数多、计算量大、分类精度不高和分类时间长的问题.因此,提出使用最大平均组合池化(Max-AVE Pooling)代替ResNet-50Bottl...     

公众垃圾分类意向转化为执行力影响因素研究——以合肥市蜀山区为例

生态环境保护问题受到了高度重视。不管在国内还是国外,都已经开始重视垃圾分类及环境保护。文章基于对蜀山区部分小区经行入户调查和线上调查所得的数据,对公众垃圾分类行为意向转化为行为执行力的影响因素进行具体分析,对合肥蜀山区常住居民垃圾分类意愿及其行为进行具体研究,以期提高居民垃圾分类意愿、为影响居民思想及行为的因素研究提供理论支撑,为合肥市政相关部门制定分类法规及激励政策和切实推行垃圾分类政策提供理论指导与建议。     

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。     

基于相似阈值学习的台风路径分类方法

台风路径分类是分析台风特征的重要途径,同时也是判断台风影响区域和范围的重要方法。目前台风的分类研究主要采用主观识别和K-means聚类等方法,这些方法存在传统聚类算法产生的随机性问题和依赖人工经验设置模型参数的智能化问题,以及针对特定台风研究而导致的局限性问题。针对以上问题,本文提出一种基于相似阈值学习的台风路径分类方法,首先,提出基于密度质心的混合聚类算法,实现了热点区域挖掘,减少了传统方法的随机性;其次,提出基于fastDTW的自适应模体处理算法,实现了更为智能化的路径分类;最后,以登陆湛江的台风路径为例,展示并验证了混合聚类方法的分类效果。     

基于改进光谱角法的红树林高分遥感分类方法研究

传统影像分类方法多利用影像端元光谱进行地物分类,影像的空间结构信息被忽视,本研究结合面向对象分类方法思想以提高红树林遥感分类精度。本研究提出了一种结合端元类型选择、像元提纯等混合像元分解手段及分水岭图像分割算法的改进光谱角影像分类方法,并以山口红树林国家级自然保护区为研究区,利用GF-1号遥感影像数据,在光谱特征分析和地面调查的基础上,对红树林生态系统进行分类,并对分类精度进行分析。研究结果表明:改进的光谱角分类方法对GF-1影像分类效果较好,既兼顾地类光谱组成较复杂时的特殊性,又有效避免结果的破碎化现象,且总体精度达到95%（KAPPA系数0.944）,证明了其在红树林遥感影像分类及信息提取方面的应用潜力,为红树林生态系统业务化遥感监测奠定了基础。     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

机器学习在碳基环境功能材料领域的应用研究进展

随着环境功能材料领域产生的数据量及其数据复杂性急剧增加,高成本、长周期的传统实验手段已无法迎合目前功能材料的发展趋势。近年来迅速发展的机器学习能对数据进行深入挖掘和解析,有望为此类问题提供有效的解决方案。机器学习具备效率高、精度高等优势,有效弥补了传统"试错"方式的不足。介绍了机器学习的基本工作原理和算法,从预测理化性质、辅助微观表征和指导新型材料合成3个方面简述了机器学习在环境碳基功能材料领域中的应用研究进展,分析了机器学习在该领域的问题与挑战,展望了机器学习方法在环境碳基功能材料领域的前景与发展趋势。     

实验室废液的收集与处理技术研究

实验室废液的收集处理是实验室废物管理中的难点。通过总结实践经验、深入调研、开展试验等方式,系统地调研了国内外有关实验室废液的收集和处理处置技术。提出了实验室废液的分类方法和流程;研究了实验室废液用包装容器的材质、尺寸、外形等要求;以及分拣和打包流程。分析了实验室废液的预处理手段;并通过对物理化学法、生物法、焚烧法等进行技术比选,指出了当前实验室废液处理的优势技术。