关键词： 机器学习   地上生物量   植被指数   无人机反演   变量组合  

摘要： 植被地上生物量（AGB）是反映湿地生态系统功能状态与健康水平的重要生态参数，可为生态系统稳定性分析和碳汇能力评估提供关键支撑。以滨海典型芦苇湿地为研究对象，基于无人机获取的高分辨率多光谱影像和113个实测芦苇AGB样本，系统评估不同特征变量组合的建模效果，并利用随机森林（RF）算法的重要性分析对变量进行筛选。随后分别构建了RF、支持向量机（SVM）和极端梯度提升（XGBoost）三种机器学习算法模型，对筛选后的特征变量进行建模与精度对比，旨在探索基于低空遥感技术开展湿地植被生物量反演的可行路径，建立适用于湿地生态监测的高效估算框架。研究结果表明，联合使用多光谱波段反射率与植被指数的变量组合显著优于单一变量类型，能够有效提升AGB估算精度。在三种建模算法中，XGBoost模型性能最优，R2为0.731,RMSE为0.184kg/m2,RPD达到2.431，表现出较强的稳定性与鲁棒性。空间分布分析结果显示，研究区芦苇AGB具有显著的空间异质性，高值区主要分布于水体周边的浅水带及地势低洼区域，而地势较高区域的AGB值相对较低。定量统计显示，研究区芦苇总AGB为3038.78吨，芦苇AGB值范围为0.486—1.705kg/m2，平均为0.88kg/m2。变量贡献分析显示，红边波段及其衍生植被指数，特别是修正型叶绿素吸收反射植被指数（MCARI），在芦苇AGB反演模型中的贡献度较高，表明其在捕捉湿地植被的叶绿素含量和冠层结构变化方面具有较强的敏感性，对AGB的估算精度有显著提升作用。本研究不仅验证了基于无人机多光谱影像结合机器学习算法进行芦苇AGB反演的可行性和有效性，也为后续开展湿地生态系统功能评价、碳储量估算及关键栖息地监测提供了科学依据。

关键词： 心音信号   深度学习   机器学习   心音数据库   迁移学习  

摘要： 心音信号分析是心脏智能听诊领域和相关诊断的重要技术之一。近年来，传统机器学习和深度学习方法在心音信号的预处理、特征提取与分类中发挥了重要作用，推动了该领域的快速发展。系统总结了现有研究中采用的信号处理方法、机器学习与深度学习技术，并梳理了常用公开心音数据库的特点及其在研究中的应用价值。最后，探讨了心音分析技术在数据库建设、模型轻量化及多模态融合分析等方面的未来发展方向，旨在为相关研究提供参考。

关键词： 人工智能   环境微生物   实验教学   综合设计性实验   案例  

摘要： 综合设计性实验是本科实验教学的重中之重，是培养本科生综合实践和创新能力的主要举措之一。目前多数综合设计性实验由老师设计，学生按照既定步骤完成，不利于学生自主创新能力的培养。本研究以环境微生物实验课程中的微生物检测项目为例，基于人工智能技术（AI），引导学生以解决实际科学问题为导向，自主选题、设计实验方案、规范操作，按照国家相关行业标准评价实验结果，并在实验报告中引入“科技报告范式”，帮助学生建立科学思维和自主探究能力。教师利用AI批改学生的实验方案、实验报告等，并建立全过程、多维度的实验项目评价体系，引导学生在实践过程中培养自身的综合创新能力和团队合作精神。本案例将为人工智能赋能实验教学提供经验和借鉴。

关键词： 人工智能   制造业   产业链韧性   工业机器人  

摘要： 在全球产业链供应链加速重构背景下，提升制造业产业链韧性对维护国家经济安全具有战略性支撑作用。随着人工智能与制造业的深度融合，人工智能已成为提升中国制造业产业链韧性的关键驱动力之一。基于制造业产业链韧性，人工智能主要通过洞察预测效应增强制造业产业链风险抵抗能力，通过效率提升效应加强生产恢复能力，通过要素优化效应提高调整适应能力，通过技术创新效应促进高级化发展能力。然而，人工智能在驱动制造业产业链韧性提升上仍面临高质量数据集匮乏、工业机器人关键零部件依赖进口、数据要素自由流动不畅和人工智能关键核心技术创新力不足等现实困境。因此，为更好地释放人工智能提升制造业产业链韧性的新动能，中国应积极构建制造业产业链高质量数据集，推动工业机器人深度融入生产环节，完善智能化共享平台体系，培育人工智能关键核心技术创新优势，进一步提升中国制造业产业链韧性。

关键词： 人工智能   电气设备   运维检修场景   效果   策略  

摘要： 全文详细介绍了人工智能在电气设备运维检修中的应用场景、效果与策略,以供有关运维检修人员参考与使用,为电气设备的安全、稳定、可靠运行提供重要支撑与保障。目前,在现代科技力量逐步增强背景下,人工智能技术得到广泛运用和发展,特别是在电气设备运维检修环节中,是电气设备高效化与高质化运用的重要技术手段,对电气行业发展有着至关重要的意义,不仅提高设备运维检修效率、质量,还具有缩减运行成本的作用,促使电力系统运转过程更加稳定、安全。

关键词： 人工智能   人工智能规制   通用数据集   法律知识自动获取   人工智能司法  

摘要： 人工智能具有海量、高效、黑箱的特点，使得规制人工智能相关人员权利义务责任的外部路径存在规制效能不足、规制限制发展的困境。应当利用人工智能的特点，构建以人工智能规制人工智能的内部路径，补充外部路径。内部路径是在人工智能行为被直接影响和约束的层面进行规制，包括通过发布可以直接调用的法律规则要件体系和关系图表、通用的合规审查基座模型、用以自动检测的标注数据集和指标体系、构建人工智能执法司法辅助系统等方法。其核心是将法律规则的要求融入人工智能底层的技术，实现运用人工智能技术帮助规制人工智能应用。因此，内部路径具有高效、精准规制的特点，可以补充外部路径，缓解规制人工智能的两大困难。

关键词： 传感器   机器学习   植物物候   表型数据   物候观测平台   群落物候  

摘要： 植物物候学研究植物生长周期和自然环境周期变化的关联性，传统人工监测效率有限，而现代成像传感器技术通过高通量、多尺度的表型数据采集，结合机器学习构建物候模型，可精准识别关键时间节点，实现生长周期预测，为植物监测和良种选育提供技术支持。该研究介绍了人工以及传感器两种物候观测方法，分析了近端感知系统、物候通量塔、无人机平台、卫星遥感平台在物候观测与数据采集的应用，基于机器学习，结合影响因子模型与数据驱动模型，总结了其在种内物候、种间物候、群落物候的应用。研究表明成像技术与机器学习算法的深度耦合正推动植物物候观测的自动化以及预测的精确化。针对数据时空覆盖不足、多模态特征融合困难、模型跨尺度泛化能力弱的挑战，未来植物物候研究将围绕多尺度长周期监测、成像传感器数据融合、空天地平台协同采集、提升预测模型的自学习和优化能力，依托AI大模型实现跨平台的模型校准验证等方面开展，加速植物物候监测的自动化、数字化与信息化进程。

关键词： 人工智能   自适应学习系统   智能实验平台   虚拟实验平台   智能协作  

摘要： 本文探讨了人工智能(AI)技术在化学教学组织形式中的创新路径，并通过具体的案例来揭示AI如何改变传统教学。针对传统化学教学中的不足，提出了基于AI技术的自适应学习系统、智能实验平台与虚拟实验室，以及合作学习与智能协作三大创新路径。自适应学习系统通过个性化数据分析，为学生动态调整学习路径，解决了“一刀切”教学模式的问题；虚拟实验室和智能实验平台则打破了物理实验的局限，为学生提供安全、灵活的实验操作环境；智能协作工具在合作学习中优化了分组方式，并通过实时反馈提升学习效率。然而，上述创新路径在推广过程中仍面临教育资源分配不均、教师技术掌握不足等挑战。本文建议通过优化资源配置、强化教师培训和推动虚拟与传统教学结合，进一步提升AI技术在化学教育中的应用效果。展望未来，AI技术将继续为化学教学提供创新动力，推动教育模式的智能化转型，为实现教育公平和教学质量的提升提供重要支持。

关键词： 人工智能   可解释性   诗学   解释策略   施行性  

摘要： 对人工智能“可解释性”的要求表现为一个悖论,即在技术原理上有良好定义的人工智能模型在造成的技术事实上是欠解释的。可解释性人工智能求助于技术物的设计存在根本的困难,显示出围绕“解释”裁量权的冲突。为承认使用者的解释权并使之能形成解释,有必要建构一种解释策略。“计算性诗学”基于“计算的诗学”对“诗学”概念的延展,并对此加以施行性改造。它立足使用者直接的技术经验,以计算过程而非表征性的编码格式为中心,面向计算中临时生成的解释对象,以功能表现为根据、实验性操作为方法,为人工智能模型提供情境中的解释。

关键词： 人工智能   继电保护装置   故障诊断  

摘要： 本研究探讨人工智能在继电保护装置故障诊断中的应用,分析数据采集、预处理、特征提取、机器学习与深度学习等技术环节的实现过程。依托于应用高采样频率的信号采集和小波变换等噪声消除技术,保证了数据的高质量。在故障模式识别中,支持向量机(SVM)和卷积神经网络(CNN)等算法有效地提升了诊断精度与实时性。实验结果表明,结合深度学习的混合模型能够在复杂故障环境下实现更高的准确率。本文的研究为继电保护装置故障诊断提供了系统的技术框架和操作策略,展示人工智能在电力系统安全中的广泛应用前景。