面向特定湍流扰动风场建立参数化的湍流模型, 对于研究大气扰动影响下的飞行动力学和飞行安全问题具有重要意义。基于民航飞机飞行数据, 提出了大气湍流参数化建模方法。首先, 基于原始飞行数据推算出沿航迹的三轴扰动风分量, 并采用高斯过程回归分离出扰动风中的非湍流分量, 经统计检验提取出符合平稳性和正态性的湍流成分;其次, 基于极大似然估计建立湍流频域模型, 基于自回归过程建立湍流时域模型。实际飞行数据的试验表明, 所建立的参数化湍流模型能够实现湍流风场的定制化建模, 可以进一步应用于飞行安全分析和飞行参数估计。
大气湍流 飞行数据 高斯过程回归 极大似然估计(MLE) 自回归模型 atmospheric turbulence flight data Gaussian process regression Maximum Likelihood Estimation (MLE) auto regression model
辐射研究与辐射工艺学报
2023, 41(4): 040602
1 安徽建筑大学环境与能源工程学院, 安徽 合肥 230601
2 安徽省建设领域碳达峰碳中和战略研究院, 安徽 合肥 230601
为研究合肥市近二十年的城市格局演变和热岛效应变化，基于2005、2009、2015、2020年每年10月份的Landsat卫星影像对合肥地区进行了土地分类以及地表温度反演，并提取归一化差值裸地与建筑指数 (NDBBI)、植被覆盖度 (FVC)、改进的归一化差异水体指数 (MNDWI) 以及人口密度进行了多元回归分析，进而建立数学模型对合肥主城区的热岛效应及影响因子进行了分析。结果表明：(1) 从2005年到2020年，强热岛区增加了15.03 km2。热岛标准差椭圆分布方向为东北—西南方向，椭圆的范围逐年扩大，热岛质心集中在蜀山经开区，且81.90%的强热岛区为较高与高核密度工业区。(2) 地理探测器分析结果表明各影响因子对地表温度的解释力从大到小为：NDBBI (0.542)、MNDWI (0.409)、FVC (0.379) 和人口密度 (0.018)。(3) 岭回归处理后的多元线性模型 (R2= 0.654) 研究结果表明，影响地表温度的主要因子为NDBBI，而人口密度的影响则较小。(4) 地理加权回归模型 (GWR) 的分析表明，各点的相关系数R2在0.489～0.667之间，建筑物与道路密集的城建区R2最高。NDBBI高值集中在经开区等地，最高值达到0.9以上，在GWR模型中人口的系数依然很小，FVC系数高值区集中在植被覆盖率高的区域，而 MNDWI高值区则主要分布于水域。
地表温度 热岛效应 地理探测器 岭回归 多元回归模型 surface temperature heat island effect geographic detector ridge regression multiple regression model 大气与环境光学学报
2023, 18(2): 153
1 中山大学 物理学院，广东 广州 510275
2 湛江幼儿师范专科学校（岭南师范学院基础教育学院），广东 湛江 524084
3 中山大学 电子与信息工程学院，广东 广州 510275
视觉定位和导航在物流仓储等领域具有广泛的应用前景，传统单目视觉难以实现准确的定位，而双目视觉虽能完成精确的定位和导航，但硬件成本高且影响车体尺寸。提出一种基于特征物形变的单目定位技术，利用单个相机对地面铺设的特征物（带编码的圆环图案）的畸变进行记录，以嵌入式图像处理单元（graphics processing unit,GPU）进行分析，实现端到端的单目视觉定位。其中嵌入式GPU对相机采集的图像通过深度学习目标检测算法识别特征圆环的编码图案，经传统图像处理获取图案物像的形变信息，将该形变信息输入至经极端梯度提升算法（extreme gradient boosting，XGBoost）训练好的回归模型，预测出相机相对图案中心的坐标，同时结合该特征圆环的绝对坐标，最终解算出相机的室内绝对坐标。实验结果表明：在2 m×2 m 的范围内定位平均误差仅为0.55 cm，优于文献报道1个数量级，且算法在电脑端和在嵌入式GPU上的定位解算帧率分别为20帧和4帧，具有实时性。
嵌入式GPU 室内定位 深度学习 回归模型 圆环编码图案 embedded GPU indoor positioning deep learning regression model ring encoded patterns
湖南工业大学机械工程学院，湖南 株洲 412007
针对传统面齿轮加工方式的局限性，本文提出了基于飞秒激光精修面齿轮的新型加工方式。采用飞秒激光对面齿轮进行单因素实验和正交实验，结果表明，在激光功率、重复频率、扫描速度、扫描道间距和离焦量等因素中，激光功率对扫描道烧蚀深度和齿面粗糙度的影响最大，扫描道间距的影响最小。利用回归模型预测扫描道烧蚀深度和齿面粗糙度，并利用仿真模型预测扫描道烧蚀深度，将两种模型的预测结果与参数优化后的激光实验结果进行对比，结果发现最大相对误差均在合理范围内。本文研究结果可为飞秒激光精微烧蚀面齿轮提供理论指导。
激光技术 飞秒激光 工艺参数 正交实验 回归模型 仿真分析 齿面形貌 中国激光
2022, 49(16): 1602012
安徽理工大学电气与信息工程学院, 安徽 淮南 232001
PM2.5 是大气重要污染物之一, 模拟 PM2.5 浓度空间分布对于大气污染防治具有重要意义。将土地利用回归模型 (LUR) 应用到安徽省污染较重的皖北地区, 以监测点为中心, 建立半径分别为 0.5、1、1.5、2、3、4、5 km 的缓冲区, 结合土地利用因子、道路因子、污染源因子、气象因子、高程因子及人口因子共 105 个变量, 建立了该地区四季和年均 LUR 模型, 并通过留一交叉互验, 验证了模型精度。结果表明: 研究区 PM2.5 浓度受草地、湿地、降水量、相关湿度、气压、风速、二级公路、三级公路、废气污染企业、人口数量影响较大。调整 R2 分别为 0.828 (春)、0.731 (夏)、0.831 (秋)、0.775 (冬)、0.892 (年均); 均方根误差 (RMSE) 分别为 6.34 μg·m-3 (春)、7.01 μg·m-3 (夏)、6.28 μg·m-3 (秋)、6.71 μg·m-3 (冬)、5.33 μg·m-3 (年均); 模拟精度 R2 分别为 0.825 (春)、0.730 (夏)、0.834 (秋)、0.772 (冬)、0.897 (年均), 模型表现良好, 解释力强。从模拟的 PM2.5 浓度空间分布可以看出, 不同季节呈现明显不同的空间分布特征, 这与来自北方的大量污染颗粒物、当地的煤矿开采以及秋耕秸秆燃烧等潜在污染源有关。
土地利用回归模型 空间分布 皖北地区 PM2.5 PM2.5 land use regression model spatial distribution Northern Anhui Province 大气与环境光学学报
2022, 17(3): 347
1 中国科学院智能红外感知重点实验室 中国科学院上海技术物理研究所，上海 200083
2 国科大杭州高等研究院，浙江 杭州 310024
3 中国科学院大学，北京 100049
合成孔径雷达（SAR）具有不受云层干扰、可全天时、全天候对地观测的特点，基于SAR图像的舰船检测已广泛用于海洋搜救、港口侦察、领海防御等民用或军用领域。然而，与大型舰船相比，像素点少、对比度低的小型舰船存在漏检率高的问题，并且速度和精度之间的平衡成为舰船检测算法天基应用的难点。针对以上问题，本文提出了一种基于YOLOv5s模型改进的舰船检测轻量化模型（ImShips）。首先，针对船体大小差异导致的漏检问题，采取在网络底部使用感受野较小的标准卷积，提升了模型对小规模舰船空间信息的获取能力。同时，在网络顶部设计了放大感受野的扩张卷积，保留了更多的语义特征，有利于大目标的特征提取。接着，提出将轻量级的通道注意力机制应用于YOLOv5的骨干网络和特征融合网络，通过对提取到的特征按重要性分配权重，实现纹理信息的筛选。最后，在下采样时采取深度可分离卷积代替标准卷积，减少了模型参数的数量，进一步提高了模型的推理速度。实验结果表明，在SAR舰船检测SSDD和ISSID数据集中，改进后的ImShips模型在保证精度的同时，所需的浮点计算数比YOLOv5s模型减少了45.61%，检测速度提高了8.31%。ImShips模型网络规模小、检测速度快，在实时天基舰船检测中具有较大的应用潜力。
舰船检测 YOLO回归模型 通道注意力机制 轻量化 ship detection YOLO regression model channel attention lightweight
湖南信息学院电子科学与工程学院, 湖南 长沙 410151
设计了由光源、气室、探测器和控制器等组成的非分散红外吸收系统, 往气室内通入不同浓度的多组分气体(含有乙醇、二氧化碳和水蒸气), 采用红外光谱仪进行光谱数据采集, 得到多组分气体混合光谱图。根据数据集样本求解回归系数, 建立了多元线性回归模型, 并进行干扰修正以降低二氧化碳和水蒸气对乙醇浓度预测的影响。对建立的多元线性回归模型进行评价, 结果表明: 模型真实有效且具有良好的线性回归效果, 可以用于预测气体浓度, 乙醇、二氧化碳和水蒸气浓度预测误差均在可接受的范围之内, 其中乙醇浓度预测误差最小, 不超过 2.0×10－4。通过干扰修正尽可能排除二氧化碳和水蒸气的干扰, 能够较准确地预测乙醇浓度。
多元线性回归模型 乙醇浓度预测 非分散红外技术 干扰修正 multiple linear regression model prediction of ethanol concentration non-dispersive infrared interference correction
重金属污染是土壤环境污染中亟待解决的问题之一, 重金属通过土壤向植物富集, 危及人体健康, 对生态环境产生巨大隐患。 传统的土壤污染监测以化学方法为主, 不仅费时费力且监测范围有限, 而基于植被高光谱技术的土壤重金属监测方法能够快速准确地获取土壤重金属含量, 突破植被屏障, 提高土壤重金属监测效率。 近年来, 国内外许多学者致力于使用盆栽实验定量研究土壤污染物对植物光谱特征影响, 而野外环境下的实验研究相对缺少, 因此建立合适准确的野外土壤重金属预测模型具有重要意义, 为改善耕地土壤质量提供参考。 以北京市优势经济果树桃树为研究对象, 在研究区均匀设置了50个采样点, 利用FieldSpec 4便携式地物波谱仪测量桃树叶片光谱数据, 同时采集土壤样本带回实验室检测分析获得土壤重金属含量数据。 通过分析不同污染下桃树叶片在重金属胁迫下的叶片光谱特征, 计算不同土壤重金属与叶片光谱之间的相关关系, 确定土壤As元素与光谱反射率相关性更大, 因此选择土壤As元素计算其与不同植被指数之间的相关系数, 并用合适的植被指数构建土壤As元素预测模型。 结果表明: 污染区桃叶光谱反射率总体上比背景区的光谱反射率更高, 其中760~1 300 nm波长范围内对土壤重金属更加敏感, 土壤重金属对叶片红、 蓝、 黄边位置干扰不明显, 对红、 蓝、 黄边斜率敏感, 且均呈正向相关性。 光谱反射率与土壤Cr, Cu和Hg元素相关性较弱, 与As, Pb和Cd元素在某些波段范围内达到0.1级显著相关, 且总体相关曲线趋势相同, 相关性大小依次排序为As>Pb>Cd。 以相关性更强的土壤As元素与植被指数进行相关分析表明, 土壤As元素与PRI1和PRI3均显著相关。 使用SPSS数据分析软件以PRI1和PRI3为自变量, 土壤As元素为因变量分别进行回归分析, 检测结果发现, PRI3的指数预测模型(y=e43.644x-39.386, R2=0.937, RMSE=0.161)效果最好且具有更好的稳定性。
桃树叶片 光谱特征 土壤As元素 植被指数 回归模型 预测 Peach tree leaves Spectral characteristics Element As in soil Vegetation index Regression model Prediction 光谱学与光谱分析
2021, 41(9): 2866
