激光点云技术可用于苗圃树木生长状态监测与管理，为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性，提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先，调整PointNet++深度网络邻居点云的相对特征值，同时融合三维点云的低维和高维特征，充分利用各层级点云的特征。然后，将坐标注意力模块与注意力池化融合，进一步增强局部特征提取的能力，提高分类和分割的准确性。最后，针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明，提出的树种识别方法总体精度可达92.50%，平均类别精度为94.22%；提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++，能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。

过度使用抗生素导致的水污染，对自然环境和人类健康造成了重大威胁。低温等离子体作为一种绿色环保的高级氧化技术，被认为是一种最具前景的抗生素降解方法之一，然而在降解效率和能量效率方面还有待进一步提高。利用纳秒脉冲放电激励针-水结构气液放电，获得了一种能产生高活性等离子体的瞬态火花模式放电，并应用于水中四环素降解，研究了脉冲电压、频率、初始浓度、初始pH值等参数对四环素降解的影响，结果表明初始浓度50 mg/L，脉冲电压9 kV、频率2 kHz，初始pH值为中性的条件下四环素的降解率最高，处理时间10 min时降解率达到了91.6%，能量效率和每阶电能分别为0.165 g·kW⁻¹·h⁻¹和0.78 kW·h·m⁻³。自由基淬灭实验表明羟基自由基 (·OH) 在四环素降解过程中起主要作用，而H₂O₂和O₃的作用稍弱。细胞毒性实验也表明气液放电处理10 min后的溶液毒性显著下降。

由于等离子体是激光诱导击穿光谱（LIBS）的光谱源, 其内部粒子的分布结构将直接影响LIBS谱线的信噪比, 因此研究等离子体粒子分布结构和动态膨胀过程对提高LIBS的定量测量精度具有指导意义。 利用时间、 空间、 波长分辨的双波长差分成像技术分析激光诱导铝锡合金产生的二元等离子体, 获取等离子体内各态粒子发射率的时空分布图像, 以期探索不同激光支持吸收波（LSAW）类型的等离子体内各态粒子时空分布结构的演化机制。 实验通过低、 高激光辐照度的脉冲激光, 分别构建了激光支持燃烧波（LSCW）和激光支持爆轰波（LSDW）型等离子体。 通过观察等离子体的形态、 内部结构、 粒子分布、 粒子寿命, 结合元素的物理性质及谱线属性, 分析了激光与金属及等离子体之间的相互作用, 形成了二元激光等离子体的时空演化机制。 结果表明: （1）激光辐照度会改变等离子体的粒子分布结构; （2）低辐照度激光诱导产生的LSCW型等离子体内部有明显的层状分布, 激光主要吸收区位于蒸汽等离子体, 此时粒子的寿命较短, 分布结构主要依赖于元素熔点, 低熔点元素会先从难混溶合金表面熔化并析出, 分布于蒸汽等离子体顶部; （3）高辐照度激光产生等离子体的传播模型为LSDW型, 其内部蒸汽等离子体与冲击气体层有很大的混合区域, 激光主要被冲击气体层所吸收, 此时粒子寿命延长, 分布结构主要依赖于元素的相对原子质量。 高激光辐照度会使难混溶合金表面烧蚀区域内的粒子同时汽化, 粒子速度与相对原子质量的平方根成反比, 即相对原子质量小的粒子飞行速度快, 分布在蒸汽等离子体顶部。 以上等离子体粒子分布结构的时空演化机制有望普适于其他元素甚至多元等离子体情形。

赤潮是一种由海洋藻类引发的水质污染, 部分赤潮藻有毒性, 对海洋渔业发展有严重危害。 快速、 准确地鉴定赤潮藻种及其细胞浓度对污染的控制和治理具有重要意义。 传统的显微镜检测和基因测序等方法时效性低, 遥感检测易受到环境干扰导致精度低, 荧光光谱检测因设备昂贵无法大范围推广, 高光谱成像(HSI)技术为赤潮藻种提供了一种快速、 无损的检测方法。 搭建了HSI检测系统, 针对福建地区常见的甲藻(强壮前沟藻)、 硅藻(中肋骨条藻和三角褐指藻)和针胞藻(赤潮异湾藻)构建了大量高光谱样本库, 分别采用2种分类方法和3种回归方法建立藻种鉴别和细胞浓度测量模型, 并比较了7种光谱预处理(标准化、 归一化、 多元散射校正、 变量标准化、 Savitzky-Golay平滑、 基于SG的一阶导数、 基于SG的二阶导数)和2种波段提取方法(遗传算法和连续投影算法)对建模精度的影响。 结果表明： 基于SG的二阶导数(SG+2nd)预处理方法可以提高波段筛选和建模的准确率, 遗传算法(GA)所提取特征波段更具代表性和有效性。 SG+2nd-GA组合所提取特征波段(644.7、 547.8、 562.6、 829.4、 832 nm)与所选藻类中特定色素的吸收光谱波段相对应, 再结合支持向量机(SVM)或反向传播神经网络(BPNN)建模实现了利用高光谱成像技术有效鉴别强壮前沟藻、 赤潮异湾藻、 中肋骨条藻、 三角褐指藻。 在细胞浓度测量中, 支持向量回归(SVR)建模效果优于多元线性回归(MLR)和偏最小二乘算法(PLS), 四种藻SG+2nd-GA-SVR细胞浓度预测模型的决定系数(R2)均大于0.98。 其中强壮前沟藻和中肋骨条藻模型浓度预测范围分别在1.05×103~1.05×104和1.13×104~2.38×105 cells·mL-1, 最低测量浓度达到该藻种发生赤潮时的基准浓度。 三角褐指藻模型浓度预测范围为1.06×105~4.36×106 cells·mL-1, 最低测量浓度低于现有光谱技术对其测量的浓度。 本研究为快速、 准确、 无损探测赤潮提供了新方法。

针对蛋白质质谱数据检索研究中由于样本单一、数据不平衡导致传统的相似性匹配检索方法效率低且精度不高的问题，提出一种基于复杂的放回抽样（Flex-Bootstrap）和多次卷积神经网络（Multi-CNN）与深度神经网络（DNN）融合模型的检索方法，并与DNN模型、CNN与DNN融合模型相比较。Flex-Bootstrap方法结合Multi-CNN与DNN融合模型应用于蛋白质质谱数据种类预测时取得了较好的效果，其测试集的准确率提升至98.82%，损失函数值降低至0.0397。该模型不仅有效解决了使用DNN模型、CNN与DNN融合模型进行数据检索时存在的欠拟合问题，同时提高了预测的准确率以及质谱数据库的搜索效率。

生物多样性是人类赖以生存的基础。 受环境和气候变化的影响, 全球生物多样性丧失日趋严重, 研究区域生物多样性对保护濒危物种栖息地、 合理规划与利用区域资源具有重要意义。 基于2002年—2018年多光谱遥感植被产品中的NDVI、 EVI、 FPAR、 LAI、 GPP数据集, 构建了累积、 最小和差值三种动态生境指数(DHI), 结合气象数据和物种分布数据, 采用多元回归分析分别研究了①基于NDVI、 EVI、 FPAR、 LAI、 GPP多光谱遥感指数构建的DHIs评价生物多样性的适用性； ②累积、 最小和差值DHIs表达物种多样性的互补性； ③气候变化对我国生物多样性的影响； ④累积、 最小和差值DHIs表达物种丰富度的能力。 研究表明: ①基于同种MODIS多光谱植被指数的同一DHIs之间具有很强的相关性(相关系数0.77到0.98之间), 可相互替代； 同一植被指数的累积、 最小和差值DHIs之间有一定关联性, 但三者不可相互替代。 ②与基于NDVI、 EVI、 FPAR、 LAI产品数据构建的DHIs相比, GPP-DHIs监测我国生物多样性的能力最强, 且与物种丰富度之间存在良好的相关性(相关系数0.32到0.84之间)。 ③持续发生的气候变化会显著影响区域内的植被总生产力, 极端气候对大区域内的影响不大； 蒸散量对大尺度区域的植被总生产力影响比气温和降水的影响更显著。 ④环境变化对两栖动物物种丰富度影响最大, 其次是鸟类, 受影响最小的是哺乳动物。 ⑤我国累积DHI与最小DHI表现为自西北内陆向东南沿海地区逐渐增大的格局, 西北和华北地区, 高山、 高纬度地区, 以及西北沙漠地区最小DHI很小, 表明东南沿海区域的生态环境更适合生物生存, 恶劣的环境严重影响生物多样性； 差值DHI表现为东北、 华北较高, 华中、 华南较低的空间格局, 表明东北、 华北地区物种生存环境的变化较大, 华中、 华南地区物种的生存环境比较稳定。

光谱分析在木材种类识别领域具有一定的潜力, 而其中的中红外光谱也广泛应用于定性及定量分析。 该研究中红外光谱法识别木材种类的报道中, 基于深度卷积神经网络可以在参数较少的条件下获得较高的识别率。 提出了一种聚类分析(CA)、 对称点阵图像分析(SDP)与深度学习(DenseNet)相融合的算法, 利用DenseNet的优势提高中红外光谱法识别木材的准确率。 首先, 采集了愈疮木、 巴里黄檀、 刺猬紫檀、 大果紫檀、 螺穗木5种木材样本的250组中红外光谱数据, 应用欧式距离进行了异常值剔除, 剩余240组作为待分析数据并对其进行分类的可行性分析。 对光谱数据进行SDP转化分析, 确定SDP转化的最优参数; 之后, 运用CA筛选原始光谱数据的特征, 根据CA不同阙值确定了三组维数的特征并进行讨论, 通过对比三组特征数据经过SDP转化后图像间的类内相似性和类间差异性, 初步确定了最优维数特征; 再将初步确定的最优维数特征数据输入到SDP-DenseNet模型中, 获得模型识别的准确率; 最后通过对比分析验证了模型的有效性, 一方面将原始数据及其余两组对照维数的特征数据分别输入到SDP-DenseNet模型中, 对比识别的准确率; 另一方面以最优维数特征数据输入到随机森林中进行识别, 对比传统机器识别与SDP-DenseNet算法识别的准确率。 结果表明: 经CA特征筛选的SDP-DenseNet模型普遍高于原始数据直接输入到SDP-DenseNet模型的准确率, CA特征筛选最优维数为255维, 其测试集最高识别率达到了88.67%, 而对照组107维为77.78%, 322维为68.89%, 原始数据的SDP-DenseNet模型识别率仅为57.78%; 经CA特征筛选的最优维数数据对应的随机森林模型识别率较低, 仅为66.67%。 因此, 提出的CA-SDP-DenseNet模型能有效提高中红外光谱法识别木材种类的精度。

为探索采用无人机（UAV）遥感影像进行亚热带树种识别的应用潜力，提出一种结合残差模块和有效通道注意力的网络（ECA-ResNet）对单木树冠影像数据集进行模型训练和识别。首先，利用单木分割算法提取单木树冠，构建不同尺度的UAV可见光影像单株树冠影像块样本数据集，并将其划分为训练数据、验证数据和独立测试集；其次，以ResNet50为主干网络，在瓶颈层插入有效通道注意力并调整网络结构，构建ECA-ResNet；最后，将数据集载入预训练的ECA-ResNet模型，进行参数迭代训练和验证并进行独立测试，择优确定单木树冠的合适窗口大小。结果表明：ECA-ResNet对64×64像素的单木树冠影像数据集中树种的识别效果更为理想，训练精度和验证精度分别达98.98%和96.60%，独立测试识别精度、Kappa系数分别达85.61%、0.8140；ECA-ResNet模型的训练、验证、独立测试精度分别高于ResNet50网络2.63个百分点、1.80个百分点、5.31个百分点。该研究结果证明卷积神经网络（CNN）能够充分提取可见光图像的空间特征，有效通道注意力能够有效提升CNN的单木树种识别能力。