系统思考在企业安全管理中的应用探讨

结合系统思考的内涵和企业安全管理的特点,提出了一个企业安全管理的系统思考模型。模型集中体现了系统思考的核心理念,用整体动态思考的方法审视系统要素及其之间的关系。在系统的动态反馈和系统学习中．让管理者对安全系统的结构及其行为的动态变化进行整体上的把握．以便进行有用的模拟和分析,达到有效的事故预防和控制。     

Organisational learning and self-adaptation in dynamic disaster environments

This paper examines the problems associated with inter-organisational learning and adaptation in the dynamic environments that characterise disasters. The research uses both qualitative and quantitative methods to investigate whether organisational learning took place during and in the time in between five disaster response operations in Turkey. The availability of information and its exchange and distribution within and among organisational actors determine whether self-adaptation happens in the course of a disaster response operation. Organisational flexibility supported by an appropriate information infrastructure creates conditions conducive to essential interaction and permits the flow of information. The study found that no significant organisational learning occurred within Turkish disaster management following the earthquakes in Erzincan (1992), Dinar (1995) and Ceyhan (1998). By contrast, the 'symmetry-breaking' Marmara earthquake of 1999 initiated a 'double loop' learning process that led to change in the organisational, technical and cultural aspects of Turkish disaster management, as revealed by the Duzce earthquake response operations.     

机器学习在微塑料识别与环境风险评估中的应用研究进展

微塑料是一种新型污染物,可以在环境中长期存在并造成生态风险.目前,微塑料污染已成为全球性的重大环境问题.借助新的技术途径,提高微塑料识别的简便性和可靠性,并系统分析各类环境介质中微塑料的污染特征,明确微塑料的环境效应,对科学准确评价微塑料污染的环境风险具有重要意义.机器学习技术通过学习和解析大量数据建立结果评估或预测模型,目前已广泛应用于微塑料领域的相关研究.机器学习的应用可以提高视觉和光谱识别微塑料的自动化程度和识别效率,为微塑料污染溯源提供方法支撑并有助于揭示微塑料的复杂环境效应机制.通过综述机器学习技术在微塑料识别与环境风险评估中的应用研究进展,概括了机器学习在上述方向的应用特点和局限性,为机器学习在相关方向的发展和应用提出建议与展望.     

公共危机管理中的组织学习研究

目前国外对危机管理的研究已经趋于成熟,已经进一步提出了在危机中学习的概念并取得一些进展。而在经历了几次大的危机之后,国内学者开始关注公共危机管理。随着危机种类越来越多,发生频率越来越高,政府的公共部门必须要具备组织学习的能力。但是国内对于组织学习研究在公共管理领域的延伸还十分有限,我国仅少量学者探讨了学习型政府,对其它类型公共部门的组织学习研究则更为罕见。显然,这种研究的缺失不利于公共组织构建组织学习能力和提高服务水平。未来的国内学习型组织研究需要在公共组领域有所突破,特别是危机情境下的公共组织学习。因此本文以分析文献的方式,借鉴国内外学者对公共危机管理,以及组织学习的研究,希望能为公共部门组织学习的深层探索提供思路。     

复杂背景环境下基于SSD_MobileNet深度学习模型的火焰图像识别研究

针对现有的火灾火焰图像识别方法在光照和红花等类似火焰干扰的复杂环境下存在错检和漏检的问题, 提出一种基于SSD_MobileNet的复杂环境火焰区域标记方法。首先,将深度卷积神经网络SSD300的基础卷积网络VGG16替换为MobileNet网络,应用深度可分离卷积,降低网络参数,进而构建一种火焰图像检测的SSD_MobileNet模型;然后,迁移第一次训练模型所有的卷积层参数,初始化新的待训练模型;最后,加入新的数据样本用于削弱光照、红花等干扰对象的影响。通过与SSD300、以及深度学习的目标检测算法Faster R-CNN和YOLOv3-tiny对比,实验结果表明,构建的火焰检测和火焰区域标记SSD_MobileNet模型的综合性能优于Faster R-CNN和YOLOv3-tiny模型,更适用于实时火焰检测领域。     

Inventory routing for dynamic waste collection

We consider the problem of collecting waste from sensor equipped underground containers. These sensors enable the use of a dynamic collection policy. The problem, which is known as a reverse inventory routing problem, involves decisions regarding routing and container selection. In more dense networks, the latter becomes more important. To cope with uncertainty in deposit volumes and with fluctuations due to daily and seasonal effects, we need an anticipatory policy that balances the workload over time. We propose a relatively simple heuristic consisting of several tunable parameters depending on the day of the week. We tune the parameters of this policy using optimal learning techniques combined with simulation. We illustrate our approach using a real life problem instance of a waste collection company, located in The Netherlands, and perform experiments on several other instances. For our case study, we show that costs savings up to 40% are possible by optimizing the parameters.     

基于支持向量机的水资源安全评价

支持向量机以统计学习理论为基础,采用结构风险最小化准则,将学习问题转化为一个凸二次规划问题,能够得到全局最优解,适合解决小样本、非线性分类及回归问题。根据水资源安全的内涵,筛选出具有代表性的指标,组成水资源安全评价指标体系。建立了基于支持向量机的水资源安全评价模型,将安全标准划分为良好、安全、临界、不安全、危险5个等级。根据水资源安全评价标准及所属评价等级值,随机生成样本集,180个样本作为训练样本,构造了5个两类支持向量分类器,20个样本作为检验样本,检验样本分类全部正确。将模型应用于山西省11个城市的水资源安全评价,结果表明,该方法是有效、可行的。     

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.     

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.