深度学习在危险天气自动识别中的应用研究

基于机器视觉的危险天气自动识别技术近年来已成为研究热点，但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题，提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法，有效解决了数据集数据量不足、数据类型不平衡的问题。同时，还提出了一种三通道融合卷积神经网络(3-Channel Convolutional Neural Network, 3C-CNN),该网络主干分支采用迁移学习的技术方案，并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明，利用CycleGAN网络扩充的WeatherDataset-6Plus数据集能够有效改善深度学习模型的训练性能，3C-CNN模型的6类天气现象综合识别准确率达到了98.99%,识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化，有利于其在嵌入式设备中部署。     

基于PSR模型的石嘴山市生态安全评价与预测

老工业城市面临资源过度开采带来的生态环境破坏问题，生态安全评价与预测有助于改善环境质量，提高生态系统稳定性。基于压力-状态-响应(Pressure-State-Response, PSR)模型构建生态安全评价指标体系，综合使用熵权法和层次分析法确定指标权重，运用综合指数模型对宁夏石嘴山市2010—2020年进行生态安全评价，并通过障碍度模型分析限制石嘴山市发展的制约因素，使用灰色预测GM(1, 1)模型对石嘴山市未来几年生态安全状态进行预测。结果显示：石嘴山市生态安全由2010年的“恶劣”逐渐转变为2020年的“临界安全”。目前，制约石嘴山市生态发展的主要因素有工业废气排放总量、一般工业固体废物综合利用率、化肥施用量和能源消耗量。石嘴山市未来几年生态安全状态将继续呈现好转，其状态将由“临界安全”逐渐转换为“较安全”。