关键词： 森林干扰   遥感监测   LandTrendr算法   时间序列分析   机器学习  

摘要： 本研究针对黑龙江省2001—2023年森林生态系统干扰特征，融合多源遥感数据构建了森林干扰识别方法体系，对黑龙江整体森林干扰强度进行评估，并进行干扰提取和干扰类型识别。结果表明：2001—2023年间，2003年森林干扰强度达到峰值， 主要源于大规模森林火灾。基于LandTrendr方法使用多种光谱指数融合的干扰检测结果与Global Forest Change数据空间的一致性在90%以上。将黑龙江的森林干扰分为3类，分别是火灾干扰、病虫害干扰和采伐干扰，干扰类型分类总体精度为87.8%（Kappa=0.81）。不同光谱指数对干扰类型具有差异性响应，归一化燃烧指数对火灾干扰敏感性最强，归一化植被指数对植被整体变化比较敏感，归一化差分湿度指数在病虫害识别中贡献显著，而全球干扰指数可对人为采伐活动进行辅助判别。综上，多光谱指数协同分析和时序特征融合可有效提升森林干扰类型的识别精度，为东北亚寒温带森林生态系统管理提供科学依据。

关键词： 人工智能   医学检验   教学改革   智能评估   实践探索  

摘要： 随着人工智能(Artificial Intelligence,AI)技术在医学检验领域的日益普及,传统的医学检验教学模式正面临着前所未有的挑战与变革.文章深入剖析了当前医学检验专业教学中存在的诸多问题,并详细探讨了AI技术在医学检验教学实践中的创新尝试与深度思考.同时,着重介绍了AI智能评估在教学结果反馈与评价中的创新应用.研究结果显示,AI技术为医学检验教学领域带来了崭新的发展机遇,不仅极大地提升了教学质量,还有效增强了学生的实践能力与综合素质.最后,总结了AI时代背景下医学检验教学的发展方向与趋势,并对未来的相关研究提出了前瞻性展望与建议.

关键词： 人工智能   高校学生   意识形态   教育安全  

摘要： 大学是青年学生思想观念塑造的关键时期,意识形态安全不仅关系到学生的个人成长与发展,更是国家长治久安和社会稳定的核心保障.近年来,随着人工智能技术的快速普及,其在高校教育中的广泛应用为教学方式和学习模式带来了深刻变革,同时也对学生的意识形态产生了深远影响.人工智能的介入使教育环境更加智能化,但也带来了数据隐私、算法偏见、技术依赖等新问题,对学生的世界观、人生观、价值观、学习态度和创新能力提出了新的挑战.文章从教育安全、师生互动、学生自我认知、学习习惯、考核评价体系及未来职业规划等多个维度,系统剖析人工智能对高校学生意识形态的影响,并提出针对性的应对策略,旨在为高校教育的可持续发展提供坚实的理论支撑与实践指导,助力培育具备独立思考能力和正确价值观念的复合型人才.

关键词： 人工智能   外科   临床教学   应用  

摘要： 人工智能技术的迅猛发展,为外科临床教学带来了新的机遇和挑战.传统的外科临床教学模式面临着教学资源有限、实践机会不足、个性化教学难以实现等问题.教育数字化转型是新一轮科技革命和产业革命深入发展的必然产物,也是全球教育的变革方向与聚焦点,把人工智能技术深入应用到教育教学和管理全过程、全环节中,来研究它的有效性、适应性,让青年一代更加主动地学,让教师更加创造性地教.文章综述人工智能在外科临床教学中的应用现状,分析其面临的挑战,并展望未来发展方向,以期为推动外科临床教学的创新和改革提供参考.

关键词： 人工智能   教育质量提升   人才培养   提升路径  

摘要： 本文探讨了人工智能赋能本科生教学质量提升的相关问题.首先阐述了人工智能与本科生教学双向赋能的背景,包括政府政策支持等.其次说明了新时代本科生高质量发展的要求,涉及教育公平等多方面.此外,从教师教学及发展、学生学习及体验优化、教学评价及管理服务革新三方面,详述了人工智能的赋能路径及作用.同时指出人工智能在本科教育应用中面临的技术风险及挑战等.最后,强调须多方协同努力,发挥其优势应对挑战,以实现本科教育高质量发展.

关键词： 配电网   人工智能   故障诊断   处理优化  

摘要： 配电网故障诊断及处理是基层电力企业日常运维的重要内容,对于提升电网安全稳定运行水平、推动电力企业高质量发展具有显著的促进作用.在配电网运行环境更加复杂的背景下,人工智能赋能配电网故障诊断及处理,是技术发展的必然要求.本文在简要概述配电网常见故障类型及危害和人工智能赋能配电网故障识别技术应用形式的基础上,说明配电网故障诊断与恢复系统构建方式,提出故障诊断与恢复处理优化方法,以保障配电网智能化运维实施,提升智慧电网运行水平.

关键词： DeepSeek   人工智能   开源模型   闭源模型   人机交互   风险治理  

摘要： 以DeepSeek为代表的新一代国产人工智能开源大模型在引发技术平权效应的同时，也带来宏观和微观两个维度的法律风险。宏观维度的法律风险主要包括人类主体性危机、社会结构失衡与社会系统分化，微观维度的法律风险则表现为知识蒸馏引发的知识产权争议、模型幻觉诱发的虚假信息恣意以及实时联网放大的数据安全隐患。针对DeepSeek等开源模型法律风险的治理，不能简单地将其等同于ChatGPT等既有闭源模型，而是需要在既有人工智能治理经验基础之上，对风险治理理念和治理模式进行确证，并由此构造宏观和微观两个维度法律风险的治理路径。具体而言，未来我国应基于发展与规范共轨共生的治理理念以及增量风险的特殊管制的治理模式，建构人在回路、数字赋权、监管沙盒的宏观法律风险治理路径以及明晰教师模型生成内容法律属性、强化用户治理和实现价值对齐、引入数据实时过滤清洗机制的微观法律风险治理路径。

关键词： 道路工程   泥岩粗粒土   渗透侵蚀   循环荷载   强度预测   动-静三轴试验   机器学习  

摘要： 泥岩粗粒土路基的长期稳定性与其强度密切相关。为准确预测泥岩粗粒土在渗透侵蚀和循环荷载作用下的强度,本文开展了不同渗蚀程度泥岩粗粒土的动-静三轴试验,建立了包含300组数据的峰值强度数据库。基于该数据库,采用随机森林（RF）、门控循环单元（GRU）、K近邻算法（KNN）、反向传播神经网络（BPNN）、极端梯度提升（XGBoost）和高斯过程回归（GPR）等6种机器学习方法进行峰值强度预测,并以拟合优度（R2）、均方误差（RMSE）、平均绝对误差（MAE）、95%不确定区间(U95)和加权均数差（WMD）为指标对模型进行综合评价。结果表明:渗蚀强度（p0）,加载频率（f）、动态围压(σ3c)、动偏应力（σd）和加载循环次数（N）,以及静态围压(σ3s)6个因素是影响峰值强度（σ1-σ3）max的主要因素;XGBoost模型预测精度高、不确定性低,被推荐为最优预测方法;灵敏度分析显示,渗蚀强度p0(对（σ1-σ3）max的贡献最大（影响权重为30.28%）,其次是加载循环次数N（27.81%）和静态围压σ3s(（21.91%）;单调性分析表明,随着p0、σd、f和N的增加,（σ1-σ3）max普遍降低,其中,当p0为0～40 kPa时,（σ1-σ3）max降低不明显,表明此时粗颗粒主导了力学行为,渗蚀对强度影响较小。

关键词： 无人机   多光谱   产量   氮素利用率   间接预测   机器学习  

摘要： 为了筛选对产量与氮素利用率（nitrogen use efficiency,NUE）敏感的遥感特征，构建准确的产量及NUE预测模型，该研究开展为期2 a的多氮素水平与多水稻品种田间试验，获取了3个关键生长阶段的无人机（unmanned aerial vehicle,UAV）多光谱影像，采用递归特征消除（recursive feature elimination,RFE）算法筛选敏感植被指数（vegetation indices,VIs）、纹理特征（texture features,TFs）和二者的混合特征，利用6种机器学习算法构建“敏感特征-产量和NUE”直接预测模型，并根据NUE属性提出一种“敏感特征-产量-NUE”间接预测模型，通过两种模型的对比验证了UAV在水稻NUE精确预测中的应用潜力。研究结果表明：（1）尽管对产量和NUE敏感的特征因生长阶段而异，但DVI（difference vegetation index）、VARI（visible atmospherically resistant indices）和m NDblue（modified normalized difference blue index）以及纹理均值（Mean）在多个生长阶段对产量敏感；repRVI（reciprocal ratio vegetation index）、相关性（correlation,Cor）和Mean在多个生长阶段对NUE敏感。（2）深度神经网络（deep neural network,DNN）模型对产量和NUE直接预测性能最佳。在灌浆期，基于TFs的产量预测精度最高（R2=0.938,RMSE=479.591 kg/hm2）；在分蘖期，基于混合特征的NUE预测精度最佳，农学氮素利用率（agronomic nitrogen use efficiency,aNUE）和氮素偏生产力（nitrogen partial factor productivity,NPFP）的预测精度分别为R2=0.711,RMSE=4.448 kg/kg和R2=0.781,RMSE=12.787 kg/kg。（3）与直接预测模型相比，间接预测模型对NUE预测精度更高，对aNUE和NPFP的预测R2分别提高了18.589%和14.733%,RMSE分别降低了54.411%和90.015%。研究结果可为田块尺度下利用无人机遥感技术快速准确预测水稻产量和NUE提供新思路。

关键词： 拉曼激光雷达   神经网络   机器学习   温度反演  

摘要： 利用拉曼激光雷达进行高分辨率、连续的大气观测,可以为清晰理解和定量认识大气动力-物理-化学过程在垂直方向上的耦合关系提供有效支撑。为进一步提升拉曼激光雷达的探测能力,研究提出一种基于广义回归神经网络(GRNN)的拉曼激光雷达温度反演方法,通过将振动拉曼后向散射信号、高低量子数(J)转动拉曼后向散射信号、海拔高度作为自变量,真实大气温度作为因变量投入GRNN模型,训练出高精度的大气温度反演模型。该方法可以通过振动拉曼散射信号的修正有效改善低量子数转动拉曼通道高空信噪比低和弹性后向散射泄漏所造成的反演误差,优化系统定标过程,增加系统有效探测距离。团队于南京国家基准气候站(31.93°N,118.90°W)建立一套拉曼激光雷达系统,得到振转拉曼信号原始数据,结合站点的探空数据训练出大气温度反演模型并使用模型进行了反演。效果测试所得大气温度与探空数据的均方根误差(RMSE)为0.621 K,平均绝对误差(MAE)为0.128 K,相关系数为0.999,预报准确率高达99.948%,相对纯转动拉曼激光雷达温度反演方法有较大提升。模型12月的应用结果也进一步验证其应用于温度廓线反演的有效性。