关键词： 总磷   机器学习   影响因素   丹江口水库  

摘要： 通过机器学习方法开展丹江口水库汉库总磷预测和影响因素分析，为水库水污染防治提供参考。基于2021—2023年汉库逐日监测数据，评估多元线性回归、反向传播神经网络、随机森林、极端梯度提升和轻量级梯度提升机（LightGBM）5种机器学习算法对坝上中点位总磷的预测性能，使用SHAP模型解释识别影响总磷浓度的关键因素，并用条件回归树分析关键影响因素的阈值。结果显示，LightGBM 算法预测性能最佳，R2为0.950，MAE为0.002，RMSE为0.003；水位、浊度和出库流量对总磷浓度影响较大，其中水位的关键影响阈值为163.02 m，浊度为 6.5 NTU，出库流量为 1 616.7 m3/s，当水位≤163.02 m 且浊度≤6.5 NTU 时，总磷达标率最高，达 99.1%。研究可为大型水库水质预测的机器学习应用及模型可解释性研究提供实践案例和方法支撑。

关键词： BP神经网络模型   易贡藏布河   含沙量预测   机器学习  

摘要： 准确预测河流泥沙含量及其变化趋势,对于河流管理、水资源利用及生态环境保护具有重要意义。为此,引入BP神经网络,基于易贡藏布水文站2013～2022年实测数据,构建了基于BP神经网络的含沙量预测模型,利用该模型预测了易贡藏布河流含沙量,并选取决定系数、平均绝对值误差、平均偏差、均方根误差评价模型的性能。结果表明,所提模型预测精度极高,R2值远超0.98,误差指标均趋近于零,充分验证了该模型的有效性与准确性,为该流域未来含沙量预测工作提供了参考依据和科学指导。

关键词： 人工智能   出版行业   应用  

摘要： 当前,人工智能技术已渗入到出版行业的内容生成、读者分析、市场决策等核心环节,通过自动化摘要、智能校对、个性化推荐等应用显著提升出版效率。然而,在技术赋能的表象之下,却潜藏着诸多风险。鉴于此,本文立足出版劳动主体、受众群体与技术提供者三者之间的协同互动关系,深入探讨了针对当前风险的应对策略,以期为人工智能时代出版业的高质量发展探寻一条可行之路。

关键词： 遥感   分形   机器学习   Hurst指数   降水校正  

摘要： 准确获取降水信息对防灾减灾、水资源管理意义重大。针对复杂地形区卫星遥感降水数据因受地面杂波、地形遮挡、反演算法的影响而误差较大的问题，构建了一种融合分形特征Hurst指数的机器学习模型（机器学习-H模型）来校正复杂地形区的IMERG降水数据:先通过输入降水数据和环境因子，训练机器学习模型，实现降尺度;同时提取站点降水数据的分形特征Hurst指数构建降水数据校正模型，实现降水数据订正。结果显示:（1）经过机器学习模型校正过后的降水数据的空间分布更加平滑，细节更加丰富，很好地改善了原IMERG分布的块状和边缘低估问题。（2）在所选用模型中，决策树-H的校正效果最好，相比较于原始数据，在各个时间尺度下效果都有明显的提升。（3）机器学习-H降水校正模型在降水贫瘠和充沛的区域具有较好的订正效果，相较于源头和上游区域，中下游区域校正前后的RMSE和MAE更小，相关系数R2也更高。（4）在模型里的特征变量中，DEM的贡献度最高，Hurst指数具有略高于植被指数NDVI的重要性。

关键词： 有机光伏材料   机器学习   图卷积网络   图注意力网络   光电转换效率  

摘要： 随着全球清洁能源需求的持续上升，为解决传统有机光伏(Organic Photovoltaic，OPV)材料开发中出现的实验周期长、试错成本高等问题，机器学习辅助OPV材料的开发模式已引起广泛关注。首先，本文收集了公开文献中的OPV材料数据，搭建了一种融合图卷积网络（Graph Convolutional Network，GCN）与图注意力网络（Graph Attention Network，GAT）相结合的混合神经网络模型，用于精准预测有机光伏材料的光电转换效率（Power Conversion Efficiency，PCE）。其次，通过迁移学习技术，在哈佛有机光伏数据集HOPV15上对模型微调。与现有方法相比，本模型在预测精度上有所提升。此方法可广泛应用于新型OPV材料的快速初步筛选，加速新型OPV材料的研发进程。

关键词： 次生林   树种分类   高光谱图像   卷积神经网络   机器学习  

摘要： 【目的】为了提高我国东北典型天然次生林主要树种分类的准确性，提出了一种针对无人机高光谱图像的卷积神经网络（convolution neural network，CNN）树种分类框架。【方法】以东北林业大学帽儿山实验林场天然次生林水曲柳（Fraxinus mandshurica）、胡桃楸（Juglans mandshurica）、榆树（Ulmus）和白桦（Betula platyphylla）的4个主要树种为研究对象，采用新型无人机载高光谱成像仪对7个不同区域进行影像采集。以地面实测数据为参考构建不同树冠尺寸的单木数据集，并以7：3的比例划分训练集和测试集。构建了包含三维卷积层和二维卷积层的3D-2D-CNN模型，通过3D卷积层提取光谱-空间耦合特征，2D卷积层提取细节特征，从而有效增强模型对数据整体特征的学习能力；将该模型与2D-CNN、3D-CNN以及基于特征筛选的机器学习模型（随机森林（random forest，RF）、支持向量机（support vector machine，SVM）和梯度增强机（gradient boosting machine，GBM））进行对比实验。此外，采用逐波段逐步移除方法分析了波段的重要性，并探讨了模型对光谱特征的敏感性。【结果】构建的3D-2D-CNN分类模型对4个主要树种的分类准确率达到了87%，F1分数为0.86，优于其他对比算法，整体精度提高了5%～6%。波段重要性分析表明，近红外波段对分类结果影响显著。【结论】基于高光谱图像的3D-2D-CNN模型通过有效结合光谱与空间信息，显著提升了对天然次生林树种分类的性能，相较于传统分类方法表现优越，可为森林资源管理和生态系统的遥感检测提供技术支持。

关键词： 多任务学习   模型融合   知识迁移   机器学习   人工智能  

摘要： 多任务学习系统通过促进任务间的知识共享与迁移，能够同时处理来自不同领域的任务。近年来，基于任务算术的多任务学习方法取得了显著进展，研究表明，通过在参数层面直接将多个下游任务上独立微调的专家模型合并到预训练模型中，可以生成具备解决相应下游任务能力的统一模型，从而为多任务学习提供了一种高效且灵活的解决方案。然而，现有的模型合并方法通常面临两个挑战：一是完全静态合并的方法由于难以解决任务间的潜在干扰和参数冲突，导致合并的多任务学习模型性能下降；二是现有动态合并的方法需要额外维护参数量庞大的专家模块，显著增加了模型成本。为此，本文提出了一种高效的模型合并方案，专门用于基于任务算术的多任务学习，称为秩一专家混合（RankOne-MoE）。具体而言，依据微调模型中不同模块所包含的下游任务知识量，本文对专家模型的绝大部分模块进行基于任务算术的静态合并；而对于与下游任务更相关的模块，我们对其线性层的参数进行奇异值分解，生成一系列秩为一的专家用于构建了一个跨任务共享的秩一专家库，并通过路由机制动态组合输入实例所需的秩一专家，提升合并模型的多任务性能和适应性。实验结果表明，当合并八个ViT-B/32模型时，提出的方法相比最先进的静态合并方法在多任务精度上平均提升了5.40%；相比最先进的动态合并方法，总参数量减少了81.45%左右，充分验证了提出方法的有效性和高效性。

关键词： 激光增材制造   缺陷演化机理   原位调控   机器学习   质量控制  

摘要： 激光金属增材制造技术由于复杂的热力耦合效应和非平衡态相变过程，在构件成型中易产生孔隙、裂纹以及翘曲变形等缺陷，严重制约了其在精密制造领域的应用。针对这一问题，首先梳理了三类典型缺陷，并结合数值模拟方法阐明材料-能量作用的热物理过程以及缺陷形成的内在机理，为解决缺陷问题提供理论依据。其次聚焦于实际生产的质量控制需求，从原位过程调控的角度归纳了两种主要解决策略：原位监控（In-Situ Monitoring）系统和原位场辅助 (Field-Assisted)。最后，围绕智能工艺预测、智能感知决策、参数性能优化及集成物理信息机器学习（Physics-Informed Machine Learning，PIML），探讨了机器学习在质量控制中的应用，基于其高效挖掘多源数据深层特征，推动质量控制由经验驱动向数据与知识双驱动转变，为后续激光金属增材制造质量管理提供新思路。

关键词： 人工智能   有声市场   播音主持   多模态发展   技术赋能  

摘要： 本文首先分析了AI技术在有声市场中的应用现状和未来趋势,以及AI赋能对有声市场的影响与变革。接着探讨了传统播音员主持人在这一背景下的适应与转型策略,包括技能升级、内容创新、多平台运营等。研究发现,虽然AI技术的进步带来了替代风险,但人的情感表达和创造性仍是不可替代的核心竞争力。因此,传统播音员主持人需在AI技术赋能下,通过提高自身的多模态表达能力、掌握数据分析与内容定制技能等,以适应内容生产的新要求。此外,研究还指出,构建人机协同的工作模式,发挥其各自优势,是实现传统播音主持可持续发展的关键。

关键词： 心脑血管疾病   机器学习   死亡风险预测   气象因子筛选   区域异质性  

摘要： 【目的】为深入了解气象因子与心脑血管疾病高发病风险之间的关系，探讨基于机器学习方法在高风险预测中的初探。【方法】基于贵州省安顺市、兴义市两地区2018—2019年的心脑血管疾病的发病和死亡数据，以及同期气象数据，应用机器学习算法，对构建的生物气象指数、偏离因子和变化因子等气象因子处理数据集进行了高影响因子筛选，并应用朴素贝叶斯(Naive Bayes)、K近邻(K－Nearest Neighbors，KNN)、决策树(Decision Tree)和随机森林(Random Forest)四种机器学习方法研究气象因子与心脑血管高死亡风险的关系研究。【结果】（1）心脑血管疾病高风险事件与气象因子异常等极端气象条件有关，安顺市气象因子异常低占比超50%，兴义市气象因子下离群占比超60%，极端因子异质性明显;（2）决策树方法在气象因子筛选中敏感性更高，筛选出的关键因子以气温类和生物气象指数为主，气压类因子影响较弱;（3）机器学习预测性能存在区域差异，安顺市优先采用互信息特征选择+Random Forest学习，兴义市决策树+ KNN 综合表现最佳。【结论】本研究筛选了中低纬山区心脑血管高风险气象因子集，验证了机器学习方法在区域心脑血管疾病高风险预测的初步研究，可为气候敏感地区心脑血管疾病的防控提供科学依据。