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。

爆破振动质点速度峰值(Peak particle velocity,PPV)是衡量爆破振动对周围环境和结构物造成的影响程度的重要指标。为提高爆破振动质点速度峰值预测的可靠性, 提出了一种基于麻雀搜索算法(Sparrow search algorithm,SSA)优化极端梯度提升树(Extreme gradient boosting,XGBoost)的PPV预测模型, 通过Matlab软件中的App Designer模块构建了相应的爆破振动预测系统。通过36组训练数据和5组测试数据, 选取了最大单段炸药量、爆心距和测点至爆破工作面的高程差作为模型输入参数, 对PPV进行了预测。结果表明, 提出的SSA-XGBoost模型相较于GA-BPNN模型和BPNN模型具有更小的平均相对误差, 泰勒图进一步证明了SSA-XGBoost具有更高的预测精度和更好的稳定性。

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。 旨在寻求特征波段筛选的最佳算法, 以实现土壤重金属铅含量的准确监测, 为土壤污染防治提供参考。 以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源, 利用蒙特卡洛交叉验证（MCCV）算法确定92个有效土壤样品, 通过相关分析选取倒数对数一阶微分变换处理的光谱数据, 采用随机蛙跳（RF）算法, 并结合竞争性自适应重加权（CARS）算法、 迭代保留有效信息变量（IRIV）算法及连续投影算法（SPA）, 构建RF-CARS、 RF-IRIV及RF-SPA三种算法对波段进行筛选。 以倒数对数一阶微分变换处理下的特征波段反射率为自变量, 土壤重金属铅含量为因变量, 采用极端梯度提升（XGBoost）和地理加权回归（GWR）方法构建土壤重金属铅含量估测模型。 结果表明: （1）光谱变换处理可有效增强光谱与土壤铅含量的敏感性, 其中倒数对数一阶微分变换后的土壤光谱特征更为明显, 相关系数可达到0.620（p＜0.001）。 （2）RF-CARS、 RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、 9和7个特征波段, 全部位于近红外光谱区域, 3种算法具有较强的特征提取能力, 极大减少光谱数据中的冗余信息。 （3）基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型, 说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。 此外, GWR模型的性能优于XGBoost模型, 构建的RF-IRIV-GWR模型具有较好的预测能力, 可作为研究区土壤铅含量的最优估测模型, 其验证集的决定系数（R2）为0.892, 均方根误差（RMSE）为0.825 mg·kg-1, 相对分析误差（RPD）为3.09。 基于随机蛙跳（RF）与迭代保留有效信息变量（IRIV）算法, 结合地理加权回归（GWR）建模方法在快速准确估测土壤铅含量方面具有一定优势, 可进行土壤重金属污染的动态监测。

渗铝作为航空发动机涡轮叶片高温防护的重要手段，其质量与飞行安全密切相关。渗铝层厚度是评估渗层性能的重要因素，但目前的无损检测方法难以对其进行准确测量。针对该问题，将X射线荧光技术与极端梯度提升（XGBoost）算法相结合，通过Pearson相关系数筛选（PCCS）提取特征元素，构建渗铝层厚度预测模型。将该模型与K近邻回归、线性回归、支持向量机、随机森林模型预测结果的平均相对误差进行对比。结果表明，相比其他模型，PCCS-XGBoost模型预测渗层厚度的平均相对误差最小，为1.60%。该研究为渗铝层厚度的无损检测提供了一种新的预测方法。

随着高光谱成像技术的发展，利用国产高光谱影像进行大范围土壤参数反演成为了可能，但其反演精度仍有待提高。因此，以陕西大西沟矿区为例，以GF-5高光谱卫星影像以及实测的土壤样本数据为数据源，提出了一种基于遗传算法特征选择的XGBoost土壤铜元素反演模型（GA-XGBoost）。首先，对预处理后的影像数据进行连续统去除等光谱变换，并利用蒙特卡罗交叉验证法（MCCV）剔除异常土壤样本；最后，分别建立基于相关系数与遗传算法特征选择的XGBoost重金属含量反演模型。实验结果表明，相同光谱变换条件下，与基于相关系数特征选择的XGBoost模型相比，所提GA-XGBoost模型性能均有明显改善，其中基于连续统去除变换的GA-XGBoost模型反演效果最优，均方根误差为4.85 mg·kg^-1，拟合优度达0.84，相对预测误差值为2.0。利用该模型进行研究区土壤Cu含量空间分布反演结果表明，该区域开采区周边及道路两侧受到Cu的污染较严重，这一规律与实地调查结果一致。

近年来频繁发生的褐潮污染给沿海地区经济带来巨大损失。准确、高效地识别褐潮藻对预防海洋环境污染意义重大。采用三维荧光光谱、梯度提升决策树(GBDT)和逻辑回归(LR)相结合的方法,实现了对褐潮藻的准确辨识。为解决LR模型对非线性数据的特征组合能力较弱的问题,引入GBDT算法,充分利用集成学习算法在处理非线性数据上的优势。将GBDT的预测结果作为新特征代替原来的特征输入LR模型,建立了一种将GBDT与LR相融合的褐潮藻辨识模型(GBDT-LR)。针对复杂海洋环境中其他门类藻的干扰,实验引入小球藻、细长聚球藻等5种不同门类的海藻作为对比,并对处于不同生长周期的褐潮藻辨识情况进行分析。相同条件下通过将所提模型与LR、支持向量机(SVM)和反向传播(BP)神经网络等模型进行对比。结果表明,GBDT-LR在分类准确率、召回率和F1分数等评价指标上均优于其他模型,处于指数生长期的藻类荧光光谱最为稳定,这一时期的褐潮藻辨识结果最好。

为了解决影响地铁轨道的杂散电流特征众多，常规特征选择方法影响模型预测精度及模型结果可解释性差的问题，提出基于最优特征改进极端梯度提升（XGBoost）的杂散电流预测模型。利用遗传算法的灵活性和较强的搜索能力，在包含原始V个特征的集合中逐代寻找使目标函数均方误差（MSE）最小的前M个特征，建立最优特征选取方法下的杂散电流预测模型（OFS-XGBoost）。同时为了解决OFS-XGBoost模型预测结果较好，但是黑箱模型对预测结果解释性不足的问题，提出基于SHAP理论的归因分析框架，根据杂散电流特征样本的边际贡献，以易于理解的的方式显示特征集合对模型预测结果的影响，提高模型可解释性。结果表明：所提模型的预测误差仅为1.684%，低于相同优化策略下的随机森林、反向传播（BP）神经网络等预测模型；基于SHAP值的归因分析方法可以从全局与个体角度解释输入特征对杂散电流预测结果的影响，在提高模型可解释性的基础上辅助地铁智能化健康管理。

实例学习是一种有效的单帧图像超分辨率重建技术，关键在于如何建立低分辨率与高分辨率图像之间的映射关系。许多研究表明，当面对复杂多样的自然图像时，类型单一的回归模型难以重建出理想的高分辨率图像。为此，以A+算法为基础，提出一种基于Boosting集成学习的超分辨率算法，通过不断增强回归模型的互补性，超分辨率重建模型能较好地适用于不同内容的图像。该算法首先利用Boosting思想训练多组具有互补性的子回归器；然后对各组子回归器进行组合，生成泛化能力更强、重建性能更好的集成模型；最后利用级联残差回归策略，采用由粗到精的方式逐渐合成高分辨率图像，以进一步提高超分辨率重建图像的质量。在5个标准数据集上对所提方法和4种基于实例学习的主流超分辨率方法进行了比较，结果表明，所提超分辨率重建方法能够重建出图像边缘更加清晰和纹理细节更加丰富的高质量图像。

针对室内定位中相邻定位点之间信道状态信息（CSI）指纹特征易模糊和定位算法鲁棒性低等问题，提出了一种基于局部线性嵌入（LLE）和梯度提升决策树（GBDT）的定位算法。离线阶段，首先将经过预处理的幅值和相位作为CSI联合指纹，然后再用LLE降维前用弹性网络（EN）对联合指纹的不同子载波进行加权，既保证了降维后CSI指纹的真实性又增强了其独有的特征，最后用基于果蝇优化算法（FOA）改进的GBDT算法训练降维后的数据以提高CSI指纹的可靠性和稳定性，并建立指纹库。在线阶段，将待测点的联合指纹代入LLE+GBDT算法训练出指纹信息，然后通过与指纹库匹配预测出待测点的物理位置。室内定位实验结果表明，所提算法相较于对比算法具有较高的定位精度和鲁棒性，具有一定的应用价值。