由于二氧化氮（NO₂）在大气中的存活寿命较短，卫星遥感反演的对流层NO₂柱浓度与近地面NO₂浓度关系密切。欧洲航天局（ESA）S5P卫星的对流层检测仪（TROPOMI）载荷提供了目前最高空间分辨率的对流层NO₂数据，其在近地面NO₂浓度估算方面的潜在优势亟待检验。为此，本文采用极限梯度提升（XGBoost）算法和4年（2018—2021年）的TROPOMI/臭氧检测仪（OMI）数据估算了我国近地面NO₂浓度并开展了对比性分析。结果表明：1）TROPOMI的估算结果在精度和空间覆盖度两个方面，均明显高于OMI的结果；2）OMI数据由于自身空间分辨率的限制，无法和TROPOMI一样识别出NO₂浓度高值区附近的空间分布细节，导致其估算结果存在更严重的高估或低估。进一步，针对机器学习方法估算近地面NO₂普遍存在高值低估的现象，通过集成模型进行优化，得到了更优的结果（R²=0.85，slope为 0.89）。该研究结果有利于促进卫星遥感在近地面NO₂浓度估算与暴露评估领域的深入应用。

矮新星是一类特殊而稀少的半相接双星。 发现更多的矮新星对于深入研究物质转移理论、 理解密近双星演化过程意义深远。 利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。 传统的自编码器是仅包含一个隐层的经典神经网络模型, 编码能力有限, 数据表征学习能力不足。 模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征, 通过对底层特征的逐渐抽象学习获得高层特征, 进而提高光谱的分类准确率。 以自编码器为基础构建了由输入层、 若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络, 用于处理海量的光谱数据集, 挖掘隐藏在光谱内部具有区分度的深度结构特征, 实现对矮新星光谱的准确分类。 鉴于深度架构网络的参数设置会严重影响所构建网络的性能, 将网络参数的优化分为逐层训练和反向传播两个过程。 预处理后的光谱数据先由输入层进入网络, 再经自编码器算法和权值共享实现对网络参数的逐层训练。 反向传播阶段将初始样本数据再次输入网络, 以逐层训练所得的权值对网络初始化, 再把网络各层的局部优化训练结果融合起来, 根据所设置的输出误差代价函数调整网络参数。 反复地逐层训练和反向传播, 直到获得全局最优的网络参数。 最后由末隐层作为重构层搭建支持向量机分类器, 实现对矮新星的特征提取与分类。 网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减, 并由反向传播算法微调整个网络, 从而防止发生深度过拟合现象, 减少因隐层神经元间的相互节制而学习到重复的数据表征, 提高网络的泛化能力。 该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力, 其特征检测层可从无标注数据中隐式地学习到深度结构特征, 有效刻画光谱数据的非线性和随机波动性, 避免了光谱特征的显式提取, 体现出较强的数据拟合和泛化能力。 不同层之间的权值共享能够减少冗余信息的干扰, 有效化解传统多层次架构网络易陷入权值局部最小化的风险。 实验表明, 该深度架构网络在矮新星分类任务中能达到95.81%的准确率, 超过了经典的LM-BP网络。

激变变星是一类特殊而且数量稀少的双星系统, 其主星是一颗白矮星, 伴星通常是一颗充满洛希瓣的光谱型为G, K或M型的晚型星或矮星。 激变变星是一类爆发型的恒星, 对于研究密近双星的演化具有积极的意义。 激变变星按照爆发特征和光变特征可以分为很多亚型, 如新星、 再发新星、 矮新星、 类新星和磁激变变星。 同时激变变星又是一类周期型的变星, 这些因素都导致其可见光光谱非常复杂。 目前对于激变变星的参数测量, 主要通过后续观测来测量其轨道周期、 主星和伴星之间的距离等。 由于在吸积的过程中, 物质在白矮星的表面累积, 无法直接测量主星的物理参数, 而且激变变星本身是一种暗弱的天体, 实测光谱数量较少, 因此极大限制了对激变变星物理参数的系统研究。 目前唯一能够生成激变变星理论光谱的软件是基于光致电离模型的CLOUDY, 但CLOUDY存在采样点过于稀少以及参数太多等问题, 不能作为理想的理论光谱模板。 法国ELODIE高分辨率的光谱可以作为M型恒星光谱参数测量的理论模板。 前期工作中, 通过机器学习等方法在美国斯隆巡天和中国郭守敬望远镜巡天数据中发现了一批激变变星。 通过人工筛选, 选择了伴星是M型的407条实测光谱, 这些光谱大部分是宁静期的矮新星, 光谱的主要特征是巴尔末线系和氦的发射线。 再通过与高分辨率的ELODIE光谱交叉, 利用SDSS-casjob数据库中的ELODIE参数, 对激变变星的红端部分进行模板匹配, 系统测量了其伴星的物理参数。 为了降低计算量, 对高维的光谱分别通过主分量分析和局部线性嵌入两种方法进行了特征提取和降维。 实验结果表明LLE方法在邻域大小15, 维度59时达到最高贡献率9491%。 根据PCA和LLE的交集, 最终光谱的维度确定为59。 实验中发现激变变星的伴星中M2型数量极少, 具体原因需要更多的样本来解释。 因为实验中激变变星光谱中, 只有部分有明显的分子带特征, 因此那些在爆发下降阶段或者光谱被吸积盘特征控制的激变变星没有进行参数测量。 该实验弥补了激变变星光谱物理参数测量的空白。

针对目前激光雷达数据分割算法不能适应环境特征确定连续准确阈值的问题, 提出一种环境特征自适应激光雷达数据分割算法。依据二维激光雷达的数据特点以及室内环境的几何特征, 以激光雷达数据的邻近点拟合虚拟环境线,以虚拟环境线和邻近激光扫描射线的交点作为参考点, 确定自适应阈值, 完成激光雷达数据的预分割。针对用上述方法完成的数据预分割结果中存在的缺陷, 提出数据预分割后伪断点的判断方法, 对算法进行了优化。并将此算法与分段阈值分割算法、线性方程阈值分割算法进行比较和分析。环境特征自适应激光雷达数据分割算法对实验数据的分割成功率达到98%, 具有更强的环境适应能力和更高的分割准确度。