煤炭开采是我国最主要的甲烷排放源之一，建立高时空分辨率的甲烷排放清单是推动煤炭行业甲烷减排的重要抓手。以Sentinel-5P/TROPOMI、GHGSat-D/WAF-P、GF-5/AHSI为代表的遥感卫星已成功用于区域和点源尺度的煤炭行业甲烷排放检测与量化研究。介绍当前可用于煤炭行业甲烷排放研究的遥感卫星及数据，分析相应的甲烷柱浓度及排放速率遥感反演技术进展，并讨论其适用性与优缺点。建议以煤矿聚集区和单一煤矿为两个关键尺度，加快建设中国煤炭行业的“自上而下”甲烷排放清单，指出未来需要重点研究的3点内容：采用TROPOMI数据和简化质量平衡法，反演全国14个大型煤炭基地的甲烷排放；基于10 nm分辨率的高光谱遥感卫星，检测与量化全国数千家煤矿的甲烷排放量；挖掘不同尺度遥感卫星观测之间的内在联系，开展协同分析。

针对目标跟踪算法应对遮挡、模糊、尺度变换等挑战时，容易导致漂移和跟踪失败的情况，提出一种复杂场景下的自适应相关滤波跟踪算法。首先，采用所提的多特征互补策略，利用特征训练相应滤波器，根据每个滤波器的响应值动态调整特征的融合权重，完成对目标的位置估计；然后，以估计位置中心构建尺度滤波器，完成目标最优尺度的估计；最后，融合多尺度搜索区域策略，并根据跟踪置信度对跟踪模型选择性进行更新，进一步提升了跟踪器的性能和抗遮挡能力。在OTB2015的74组彩色数据集上进行测试，并对所提算法与近年来先进的相关滤波算法进行对比。所提算法的平均距离精度为0.801，平均重叠精度为0.715，实时跟踪速度为39.24 frame/s。实验结果表明，跟踪器在复杂环境下的表现良好，整体性能优越。

Accurate segmentation of choroidal thickness (CT) and vasculature is important to better analyze and understand the choroid-related ocular diseases. In this paper, we proposed and implemented a novel and practical method based on the deep learning algorithms, residual U-Net, to segment and quantify the CT and vasculature automatically. With limited training data and validation data, the residual U-Net was capable of identifying the choroidal boundaries as precise as the manual segmentation compared with an experienced operator. Then, the trained deep learning algorithms was applied to 217 images and six choroidal relevant parameters were extracted, we found high intraclass correlation coefficients (ICC) of more than 0.964 between manual and automatic segmentation methods. The automatic method also achieved great reproducibility with ICC greater than 0.913, indicating good consistency of the automatic segmentation method. Our results suggested the deep learning algorithms can accurately and efficiently segment choroid boundaries, which will be helpful to quantify the CT and vasculature.

针对大气挥发性有机化合物(Volatile organic compounds, VOCs)色谱谱图基线漂移严重、 色谱峰峰形复杂的特点,设计了一种色谱数据处理方法。采用移动平均法和小波变换法对高 频噪声和基线漂移进行处理,保证了谱峰解析的准确性。采用一、二阶导数结合法对色谱峰 进行识别,高斯曲线拟合法进行峰面积计算,提高了峰面积计算精度。实验结果表明,该算法 运行速度快,噪声去除和基线校正效果明显,能够准确识别重叠峰、肩峰等不规则峰形,峰面积 计算精度高,满足环境大气VOCs色谱数据处理的要求。

研制出一种基于吸附管采样/冷阱聚焦方法的环境大气挥发性有机物(Volatile organic compounds, VOCs)富集 系统。环境大气中的VOCs先被吸附管采样,之后转移聚焦至冷阱中,冷阱热解析后VOCs随高纯载气进入GC-FID系 统中。使用标准气体(苯、甲苯、乙苯)测定系统性能,实验结果表明:本系统设计的冷阱对于VOCs(苯系物)聚 焦效率达到90%以上,标准样品相对标准偏差均小于3%,线性相关系数均大于0.99。该系统运行稳定,满足对环境 大气的VOCs富集的需求。

提出了一种基于V型三能级原子和腔量子电动力学系统的量子纠缠态制备方案。在不同耦合参量条件下,数值分析了任意两腔之间的纠缠演化规律。研究结果表明,当原子以恒定速度通过空腔时,通过改变耦合腔间的耦合参量,可实现对腔间纠缠的控制。利用此方案可同时实现多分量量子纠缠态的产生和控制。

叶片叶绿素含量的快速无损估算方法对研究植被生长和环境胁迫都具有重要意义。 传统叶绿素光谱估测方法， 主要是基于叶片正面光谱信息。 而在实际遥感观测中， 传感器不仅会接收植被叶片正面光谱信息， 植被叶片反面光谱信息也会同时被接收。 该研究主要目的是找到在同时考虑叶片正反面光谱信息时也能精确估算叶片叶绿素含量的分析方法。 对比了简单差值植被指数（SD）， 简单比值植被指数（SR）， 归一化植被指数（ND）与偏最小二乘（PLS）建模方法， 并对检验样本集进行了精度比较。 结果发现用PLS方法估算两种植被正反面叶片的叶绿素含量与真实叶片叶绿素含量的拟合精度更高， R2为0.91， RMSE为5.21 μg·cm-2。 因此可以认为PLS方法在同时考虑植被叶片的正反面光谱信息时对植被叶片叶绿素含量的估算更准确。

Al₂O₃-YAG共晶陶瓷材料以其出色的高温强度、抗氧化性、高温结构稳定性成为航空航天领域高温合金的理想替代材料。本文采用激光近净成形技术，分别在普通基底、水冷恒温基底上进行了Al₂O₃-YAG共晶陶瓷薄壁件成形实验，得到了不同基底上成形的薄壁样件，比较了两者的微观组织及显微硬度差异。结果表明，采用普通基底成形的薄壁件微观组织呈三维网状结构，平均共晶间距为0.96 μm；采用水冷恒温基底后，薄壁顶部微观组织形貌呈晶团结构，薄壁底部呈枝状晶结构，微观组织逆热流方向生长特性明显，平均共晶间距减小至0.21 μm；和普通基底上成形的Al₂O₃-YAG共晶陶瓷薄壁件显微硬度相比，使用水冷恒温基底成形的Al₂O₃-YAG共晶陶瓷薄壁件硬度提高约10%.