针对现有三维点云语义分割算法对点间密度信息以及空间位置特征利用不充分的问题，提出一种基于密度感知和自注意力机制的三维点云语义分割算法。首先，基于自适应K近邻（KNN）算法和局部密度位置编码构建密度感知卷积模块，从而有效地提取点间关键密度信息，加强初始输入特征的信息表达深度，提升算法捕获局部特征的能力。然后，构建空间特征自注意力模块，基于自注意力和空间注意力机制强化全局上下文信息和空间位置信息的关联性，对全局特征和局部特征进行有效聚合，从而提取更深层次的上下文特征，有效提升算法的分割性能。最后，在公开的S3DIS数据集和ScanNet数据集上进行了大量实验。实验结果表明，算法的平均交并比分别达到了69.11%和72.52%，与其他算法相比有明显提升，验证了所提算法有着良好的分割性能和泛化性能。

从能见度定义出发，提出采用SBDART辐射传输模式结合CALIPSO卫星数据求解辐射传输方程，对华北地区斜程能见度进行了详细的仿真与分析。首先，使用SBDART模式结合CALIPSO卫星数据获取实际条件下天空背景辐射亮度。然后，根据斜程能见度探测原理，得到斜程能见度所处区间，进而采用δ-二流近似估计区间内部辐射亮度分布，从而反演得到精确的斜程能见度。结果表明，采用CALIPSO卫星数据结合SBDART模式模拟大气辐射传输过程，计算结果与MERRA-2辐射数据变化趋势一致，相关系数达到0.949；使用δ-二流近似能更加高效地模拟辐射传输过程，且提出方法结果与SBDART模式保持较好的一致性，两者相对误差在14.3%以内；当斜程能见度小于1 km时，使用提出方法反演斜程能见度同经验公式相比误差约为7.1%，且适用于15°以外以及向上观测的斜程能见度探测。

高光谱图像拥有光谱分辨率高、图谱合一的优点, 已经成为遥感科学的重要研究方向。大多数传统的高光谱图像分类方法是基于浅层人工特征且依赖于专家经验, 已经难以满足当下的技术需求。近年来, 随着卷积神经网络在人工智能领域的广泛应用, 基于卷积神经网络的高光谱图像分类方法已经在分类精度和速度上取得突破性的进展。首先介绍了高光谱图像分类方法, 分析了传统分类方法的局限性; 然后根据卷积神经网络对高光谱图像特征提取方式的不同, 将算法分为基于谱特征、空间特征和空谱特征3大类, 并分析了每类算法的优缺点; 最后对高光谱图像分类的小样本训练、实际应用和分类结果等问题提出建议。

采用高温固相反应法制备了xCe3+(x=0.01%, 0.05%, 0.10%和0.30%) 激活的Sr1-xAl2Si2O8近紫外荧光粉, 利用X射线衍射(XRD)和扫描电镜(SEM)检测出荧光粉的物相结构, 通过光致发光谱(PL)和激发光谱(PLE)表征了荧光粉的发光性质。 结果显示, 在中波紫外光激发下, 发射峰位于长波紫外区, 归属于Ce3+的5d→2F5/2和5d→2F7/2跃迁。 激发波长308 nm时, 观察到近紫外SrAl2Si2O8荧光粉的发光强度随Ce3+ 掺杂量增加而先增大后减小, 同时发射峰位置红移。 280和325 nm波长选择性激发条件下的差异性发射行为表明SrAl2Si2O8∶Ce3+具有两种性质不同的发光中心, 该结论由监测320和390 nm发射时获得的形状具有明显区别的激发光谱亦可得以验证。 离子半径的匹配性支持Ce3+优先取代Sr2+, 同时Van Uitert的经验公式估算结果推断出低浓度的Ce3+生成九配位的Ce(Ⅰ)发光中心, 高浓度掺杂情况下部分相互近邻的Ce3+有效配位数减小, 形成八配位的Ce(Ⅱ)发光中心。 紫外280 nm激发下峰位348 nm的发射谱带源于Ce(Ⅰ)和Ce(Ⅱ)发光中心共同贡献, 紫外325 nm激发下发射峰位于378 nm的发射带则主要对应于Ce(Ⅱ)发光中心。 紫外光激发下Ce3+发射出较强的近紫外光, 表明SrAl2Si2O8∶Ce3+是一种适用于研发紫外荧光光源的荧光粉体材料。