破解人类感知之谜

 戴维·朱利叶斯和阿尔登·帕塔普蒂安因发现TRPV1、TRPM8离子蛋白通道和PIEZO基因，“揭开了人类温度和触觉感受器的‘神秘面纱’”，荣获2021年诺贝尔生理学或医学奖。通过回顾2位科学家的成长经历、科研历程及在人类感知领域的研究成果，探讨了“痛感”对人体的利弊，分析了新科学仪器的应用与基础科研的关系。     

强韧化处理对3Cr2W8V热锻模寿命的影响

通过对 ３ Ｃｒ２ Ｗ８ Ｖ 热锻模失 效组织 的电镜 观测 和 对断 裂韧 性 Ｋ Ｉ Ｃ 值的 测定 ，认 为 Ｋ Ｉ Ｃ 值 偏 低是３ Ｃｒ２ Ｗ８ Ｖ 热锻 模早期开 裂和热 疲劳的主 要原因 实践 证明， 采用 １ ２００ ℃ 高 温淬 火 和６８０ ℃高 温 回火（ 即高淬 高 回） 的 新 工 艺， 能 大 幅 度 提 高 材 料的 Ｋ Ｉ Ｃ 值， 延 长 该 类 模 具 寿 命 ４ 倍 左 右  因 而 Ｋ Ｉ Ｃ 值 是３ Ｃｒ２ Ｗ８ Ｖ 热锻 模的主 要韧性指 标，而冲 击韧性α Ｋ 值仅 能作为 参考图 ２ ，表 １ ，参６      

可持续发展理念对高等教育改革的期望

作者根据可持续发展理念认为欲实现可持续发展 ,对人才有极高的期望 ,因而赋予教育新的使命 ,而教育要完成这一使命的希望在于改革 .     

联合LiDAR和多光谱数据森林地上生物量反演研究

【目的】森林地上生物量的准确估测对于实时掌握全球碳储量变化及应对气候变化有着重要的意义。组合多种遥感数据特征优选,分类建模反演森林地上生物量,是提高森林地上生物量精度的有效方法。【方法】以根河市大兴安岭生态观测站寒温带天然林为研究对象,以机载激光雷达(LiDAR)、Landsat8 OLI两种遥感数据源结合55块地面调查数据,采用偏最小二乘算法优化筛选变量,再以线性多元逐步回归和快速迭代特征选择的最近邻算法(KNN-FIFS)构建模型,在两种数据源的不同组合方式下进行森林地上生物量反演。【结果】①基于线性多元逐步回归模型下的单一LiDAR数据反演精度决定系数(R²)为 0.76,均方根误差(RMSE)为 21.78 t/hm²;单一Landsat8 OLI数据的反演精度R²为 0.24,RMSE为39.27 t/hm²;LiDAR和Landsat8 OLI联合反演精度R² 为 0.84,RMSE为18.16 t/hm²;②基于KNN-FIFS模型下的单一LiDAR数据反演精度R²为 0.74,RMSE为23.83 t/hm²;单一Landsat8 OLI数据的反演精度R²为0.60,RMSE为 29.63 t/hm²;LiDAR和Landsat8 OLI联合反演精度R²为0.80,RMSE为21.15 t/hm²。【结论】①特征优选支持下的3种组合方式中,LiDAR和Landsat8 OLI两种数据的组合在两种模型中反演精度均最高,其中线性多元逐步回归模型的反演精度最高,说明LiDAR和Landsat8 OLI数据组合,激光雷达与光学数据优势特征互补,协同反演可有效提高森林地上生物量的反演精度;②单一数据源反演森林地上生物量精度中,LiDAR数据比Landsat8 OLI数据在两种模型反演精度中均较高,这与LiDAR数据空间分辨高、可获得垂直结构特征参数有关。     

融合物候及纹理特征的茉莉花种植区提取研究

为充分挖掘图像时序物候信息、几何空间、纹理特征在农作物监测提取研究上的优势，本研究通过构建物候参数与纹理特征的方法对广西横州市茉莉花（Jasminum sambac）种植区进行提取，该方法通过增强型时空自适应反射率融合模型（ESTARFM）融合年度内“高空间-低时间”“高时间-低空间”的遥感图像，重建生成年度中低尺度的卫星影像，获取研究区内不同植被的物候信息参数，并结合地物光谱信息提取地物纹理特征。选取物候参数、纹理特征作为茉莉花种植区分类提取信息，对不同的参数特征进行组合，开展分类对比和综合精度量化评价。结果表明，重建时序归一化植被指数（NDVI）数据结合物候参数及纹理特征的茉莉花种植区提取方法，总体分类精度达到88.36%，Kappa系数为0.863 3，在中低尺度多光谱影像遥感数据“时空信息”的缺失下对茉莉花种植区提取具有良好的效果。     

结合DEM与淹没频率的水库水体动态遥感提取优化方法

由于云、雪及山体阴影造成的无效地表像元影响，利用遥感影像难以获取高精度的水库水体信息动态监测结果.论文在大津法的基础上，提出了结合DEM和淹没频率约束条件对水库遥感提取结果进行优化的方法(DF优化方法).基于Landsat系列卫星影像数据，使用改进的归一化差分水体指数(MNDWI)，通过大津法初步提取水库水体信息.结合多期提取结果综合得到的淹没频率以及当期有效水体像元的淹没频率特征，填补了受云、雪等因素影响的无效像元.在此基础上综合高程及水体淹没频率信息，剔除了山体阴影及其他偶发性因素的影响.遴选全球九个不同类型水库验证了DF优化方法的有效性，结果显示DF优化方法能有效减小水库水体的提取误差.与全球水体数据集JRC MWH的直接修正结果相比，DF优化方法总体分类精度提高了13%，达到了95.67%.同时，结合同步卫星测高数据构建的水位－水面积关系模型，进一步验证了DF水面积提取结果的准确性.相较于JRC MWH的直接修正结果，DF优化方法提取结果构建的水位－水面积关系模型的RMSE降低了30%.此外，该方法可基于GEE平台实现，能快速完成长时序的水体动态提取，为全球大尺度范围内的水库相关研究提供基础.     

基于人工神经网络集合预报的济南市臭氧预报方法

由于观测的不准确以及资料分析、同化中的误差,单一预报仅是一个可能的解。为弥补其不足,提出了一种基于人工神经网络集合预报的臭氧(O₃)预报模型,选取8类气象因子及2类污染物因子,搭建人工神经网络预报模型,并采用随机扰动方法,产生15组相互独立的随机扰动气象场,搭建人工神经网络集合预报模型,并以2013年—2019年5月—9月数据作为训练集,以2020年5月—9月数据作为测试集。结果表明:与单一人工神经网络预报相比,人工神经网络集合预报准确率明显提高,O₃污染命中率明显提高,O₃污染漏报率明显减少,O₃污染空报率略有增加;人工神经网络集合预报对O₃污染预报有过多倾向,而单一人工神经网络预报则有过少倾向;以2020年7月3日—9日的一次O₃重污染过程为例,与单一人工神经网络的确定性预报相比,人工神经网络集合预报能够更好地反映出污染的迅速累积上升及持续过程。通过提供定量的概率预报,人工神经网络集合预报可以给出多种可能性及其发生的概率,能为预报员提供包括不确定性在内的更多预报信息,该模型具有一定的实际应用价值。