十几年来，钙钛矿太阳能电池（PSCs）由于其在功率转换效率和制造成本方面的显著优势而备受关注。然而，其复杂的物理机制和众多限制因素给实验设计、工艺制造和综合优化策略带来挑战。以光电多物理场耦合模型为核心，开展一系列多物理场仿真计算，研究光电耦合模型的底层物理和边界条件，获得PSCs包括光学性能和电学性能的大量数据。根据这些数据，建立微观物理量和宏观光电响应的神经网络及机器学习模型，成功预测PSCs的光学和电学性能，其误差在3%以内，且速度较快。结合遗传算法，该模型根据给定的响应曲线反向优化结构参数，进而获得更高效率的PSCs。该研究有效解决了PSCs因光电耦合机制复杂、物性参数众多、仿真速度较慢而难以优化设计等难题，为光伏器件快速智能化设计提供了一种可行路径。

核孔复合物（NPC）是细胞核膜上由多种蛋白组装而成的复杂结构，在细胞核质交换和信息传递中起着关键作用。单分子定位超分辨成像（SMLM）以其特异性和高成像分辨率成为研究NPC超微结构的主要方法之一。然而，由于抗体标记不完全等因素导致的数据丢失，给后续分析带来了困难。笔者使用SMLM提供的定位信息，结合基于密度的空间聚类算法（DBSCAN）和层次聚类算法进行数据的提取和分类，建立了NPC筛选和定位的分析流程，并采用该处理流程得到了缺失较少且形貌比较均匀的核孔。进一步，基于最小二乘法原理对筛选得到的大量NPC进行质心对齐的重构处理，成功复现出了其经典的八重对称结构，并揭示了核孔蛋白Nup133与Nup98的精确相对位置关系。本研究通过建立核孔筛选和重构的标准流程，填补了SMLM数据的缺失。采用该流程对多种核孔蛋白进行分析，揭示它们的结构特性。所建流程为理解核孔的复杂结构提供了一种高通量的定量分析方法。

地上生物量和叶绿素是紫花苜蓿生长过程中的重要指标, 可以为其生长的动态监测与管理提供有效的帮助。 紫花苜蓿作为最为重要的饲草作物, 如何利用现代光谱智能技术有效且准确地预测其状态是紫花苜蓿种植过程中的重要问题。 基于无人机多光谱对不同品种紫花苜蓿的地上生物量和叶绿素含量的估算结果进行研究并为此构建预估模型。 共研究了21个紫花苜蓿品种, 采用无人机搭载多光谱相机在天气晴朗无风时起飞并拍摄图像, 将无人机拍摄得到的多光谱图像采用ENVI 5.3软件进行分析, 挑选出NDVI、 EVI、 SAVI、 Green NDVI、 NDGI、 DVI、 NGBDI、 OSAVI、 NDRE 和MSR共10个植被参数和无人机多光谱相机自带的5个光谱波段（蓝、 绿、 红、 红边、 近红外）进行特征分析, 再使用Matlab 2020b软件, 采用支持向量机（SVM）构建不同品种紫花苜蓿的地上生物量和叶绿素含量的预测模型。 然而在实际操作的运行中, 发现使用SVM构建的预估模型其准确率不理想, 因此使用智能算法鲸鱼(WOA)和灰狼(GWO)对SVM预估模型进行优化, 发现使用SVM预估模型能预估不同品种的紫花苜蓿的地上生物量和叶绿素含量, 其中经WOA智能算法优化后的SVM预估模型在估算不同品种的紫花苜蓿的地上生物量和叶绿素含量时其准确率最高。 研究中构建的预估模型为筛选品质较好的紫花苜蓿品种有一定的指导意义, 同时也为今后无人机多光谱预估紫花苜蓿的生物量及其相关的生理生态指标提供了有效的帮助和合理的参考依据。

多轴差分吸收光谱仪（MAX-DOAS）结合计算机断层重建算法可获取目标痕量气体的空间分布情况。 为研究在具有背景浓度的条件下, 如城市背景下某个竖直截面上重建NO2空间分布的可行性, 设计了气体浓度可控条件下的验证性实验; 证明了利用MAX-DOAS在竖直平面重建NO2气体分布的可行性。 将充入标准气体的JGS1石英玻璃样品池作为研究对象, 使用两台MAX-DOAS采集光谱数据。 将气体浓度的梯度作为先验信息, 利用经典的ABOCS算法和Barzilai-Borwein算法重建了竖直平面内的NO2气体分布, 验证了利用MAX-DOAS在竖直平面内重建NO2气体空间分布的可行性, 同时确定了背景浓度对重建结果的影响。 研究结果表明, 以天空为背景的光谱作为参考谱和以空样品池为背景作为参考谱, 反演得到的NO2浓度非常接近, 因此研究对象中的样品池容器在NO2竖直平面分布重建方法中对实验结果的影响可以忽略。 实验中以市区为背景的MAX-DOAS具有较高的背景浓度, 特别是在仰角较低的情况下NO2背景浓度几乎达到6×1016 molec·cm-2, 以城市郊区没有明显的污染源为背景的MAX-DOAS, 背景浓度较低可以忽略。 重建结果显示, 当仰角为28°时, 气体沿光路的平均分子数密度为3.932 7×1015 molec·cm-2, 且在样品池内下部密度大, 上部密度小; 重建得到的SCD和测量得到的SCD符合比较好, 计算结果显示重建得到的气体分子数密度的峰值为5.77×1015 molec·cm-2, 与以城市郊区为背景的MAX-DOAS反演结果较为接近, 而以市区为背景时, 特别是仰角较小时, NO2背景浓度特别明显, 重建结果比测量结果的值小很多。 结果表明, 背景浓度在重建图像中表现为伪影, 影响对气体分布的观察, 而如果在重建算法时加入利用样品池内外气体存在浓度突变这一先验信息, 能够减轻背景浓度对重建结果造成的影响。

燃煤锅炉发电会产生大量的污染气体, 本文基于可调谐激光吸收光谱技术, 结合层析成像技术, 对预混火焰的温度和浓度进行重建, 通过这些参数来调节锅炉运行的工况, 以此来减少污染气体的排放和提高能源利用率。经过谱线分析, 文章选择在7148.8~7151cm-1附近选取2条适合高温重建H2O的吸收谱线(7149.058cm-1和7150.4716cm-1), 通过采取自适应迭代算法、BP-神经网络算法和卷积神经网络算法, 对不同的温度场和浓度场进行模拟重建。研究发现, 卷积神经网络算法在重建精度和稳定性方面都优于其他两种算法。为了探究误差对于重建结果的影响, 通过添加随机误差发现, 误差对于卷积神经网络算法影响较小, 温度和浓度重建精度高。为了验证卷积神经网络算法的可行性, 文章选取了不同的燃烧工况进行了重建对比。研究表明, 卷积神经网络算法重建图像趋于平缓, 与实际燃烧情况更加符合, 该研究也证明了卷积神经网络算法在燃烧场重建方面的优势和可行性。

全球气候治理和温室气体减排已经到了刻不容缓的地步。自工业革命以来，大气甲烷（CH₄）体积分数一直持续上升，目前全球平均值已达约1895.7×10^-9，加上CH₄全球变暖潜能值比二氧化碳（CO₂）高约27~30倍，因此对大气CH₄的监测成为碳减排的重点与热点。利用卫星遥感探测速度快、覆盖范围广、获取信息丰富等优势，可以实现高精度、高时空分辨率且全球覆盖的大气CH₄浓度监测。据此，首先对大气CH₄探测卫星及传感器的发展进行梳理与介绍，从早期的被动热红外探测，到对近地CH₄浓度变化更为敏感的被动短波红外探测，再到以甲烷遥感激光雷达任务（MERLIN）为代表的主动型探测，CH₄探测传感器空间分辨率提升至5~10 km，探测精度提升至10×10^-9以内，并朝着高时空分辨率、高精度和连续观测一体化的目标不断发展；然后，对各类传感器不同算法的原理、适用条件和反演精度等进行归纳总结，其中精度最高、应用最为广泛的全物理算法的反演精度已达到了0.3%；最后，结合大气CH₄卫星遥感发展现状与双碳目标的战略需求，对CH₄卫星遥感和反演研究的发展趋势进行总结与分析，旨在为我国大气CH₄卫星遥感体系建设提供一定的参考。