近年来, 超高性能混凝土(UHPC)得到了推广应用, 但在UHPC生产过程中超量水泥消耗以及UHPC自身耐久性强、寿命长的特点, 对UHPC的碳排放水平认识尚不清楚。因此, 研究采用生命周期评价(LCA)方法构建了UHPC碳排放定量分析模型, 对比分析钢-UHPC桥面板与常规钢-混桥面板结构在全生命周期内的碳排放。结果表明: 虽然生产阶段UHPC的碳排放量约1 245.84 kg CO2eq/m3, 是普通混凝土的1.58倍, 但从性能上来说, UHPC碳强度是普通混凝土的62.25%, 是一种更绿色的建材; 在整个生命周期内, 与常规钢-混桥面板相比, 钢-UHPC桥面板的年均碳排放量下降了35.76%, 具有巨大的碳减排潜力, 有助于基础设施的可持续性发展; 钢-UHPC桥面板方案具有工程比选优势, 经济性合理, 同时其单位产值碳排放为0.89 t CO2eq/万元, 是常规钢-混桥面板的86.41%, 具有更好的减碳效果。研究对结果的可靠性和碳减排措施进行了讨论, 最后提出了有待进一步研究的内容。

准确自动检测台风风眼位置可为台风预报与监测研究提供先验信息，以减少灾害损失。由于台风形态结构的多变性，其中心自动定位仍存在一定的困难。本研究利用台风卫星云图，提出一种基于多尺度镶嵌的R-CNN台风风眼检测方法。收集日本气象厅发布的1981—2017年5000多张台风卫星云图，利用图像数据中风眼眼壁轮廓曲线及内外明暗差别清晰明显的特点对图中风眼进行分割标注。通过台风风眼半径多尺度估算算法，将原始图像划分为多尺度台风云图，整合训练集和测试集。借助多尺度图像镶嵌、超参数选择和多条件测试分析，构建利用多尺度Mask R-CNN模型检测分割台风风眼的总体算法框架，开展多尺度对比实验。在自建标定数据集中，台风风眼的识别准确率最高达到92.63%、最低为88.36%，平均每张图片的检测时间最少为0.043 s，均方误差最小达到2154，平均交并比最大为0.9454。实验结果表明，所提多尺度镶嵌数据增强方法在大中规模尺度融合时效果最好、中小尺度较差，与现有主要数据增强方法相比，能更有效地提升神经网络准确率。整体检测模型在台风中心定位中的综合效率优于其他深度学习定位方法。

相对于传统阈值型和全波形激光雷达，光子计数激光雷达具有高密度、高分辨率、高穿透性等优势，然而光子计数激光雷达所获得的光子点云数据具有较多的背景噪声及干扰噪声，为准确识别目标上的有效光子信号，采用合适的光子滤波方法很有必要。目前主要存在的滤波方法有基于直方图统计去噪、基于局部距离统计去噪、基于密度的噪声空间聚类（DBSCAN）去噪等。为了解这些方法对山地和水体区域的适用性，选用机载多波束试验激光雷达分别对这些方法进行比较与分析。实验结果表明，3种去噪方法都可以准确提取有效的光子点云，其中直方图统计方法对于地形平坦区域和水体的去噪效果明显优于地形起伏区域，局部距离统计和DBSCAN的去噪效果受地形变化影响较小，且DBSCAN对山地数据的去噪效果最佳。用去噪精确度、去噪召回率和F1指标对这3种方法的去噪结果进行定量比较。3种方法对于山地区域内的有效光子去噪精度分别为0.9342、0.9524、0.9669，对于水体区域的有效光子去噪精度分别为0.9981、0.9492、0.9349。

水生植物能够净化污染物和抑制藻类生长，在生态系统重建方面具有重要的应用价值。光谱分析作为植物种类识别的一种方法，具有无接触、快速、无污染等特点。受周围水环境的影响，绿色水生植物的光谱特征峰比陆生植物更加难以区分，地面实测光谱数据不仅维度高，且存在大量重叠谱带和背景干扰，特征光谱不明显；同时，通过地面实测获取样本数据较为困难，适用于深度学习的地面光谱数据集较少。针对以上问题，本文提出了一种基于一阶导数法结合AlexNet网络的分类模型。本团队以2019年9—10月上海河道内4种优势种群的近岸挺水水生植物为研究对象，使用地物光谱仪采集4种水生植物叶片部位的光谱信息。实验中，首先使用4种光谱分析法对原始数据进行预处理，比较预处理前后分类模型的准确率，其中一阶导数法结合AlexNet网络的分类模型对4种水生植物的分类精度最高，为99.50%；然后分别选取样本数据的40%、60%和80%作为训练集，验证模型在小样本下的泛化能力；最后利用Grad-CAM算法对模型进行可视化，分析后发现本文模型提取的水生植物的特征光谱与现有研究结果一致。上述研究结果表明，本文模型能够有效提取水生植物的特征光谱，实现对4种水生植物的快速准确分类识别，为高光谱遥感卫星识别此4种水生植物提供了重要参考。

将遥感图像进行像素级海陆分割是海岸线提取的一项基础性工作。由于海岸线的动态变化，获取精准的海岸线标记数据集比较困难，为此采用Google Aerial photo-Maps配对样本，在对Google Maps进行海陆二值化处理后构建了新的配对数据集。针对新数据集样本较少问题，在循环生成对抗网络（CycleGAN）模型的基础上，提出了基于双重注意力机制的DAM-CycleGAN。新模型全面考虑遥感图像和海陆二值化图像之间的结构相似性，改进了循环一致性损失，并设计通道注意力模块和空间注意力模块来凸显显著性特征和区域，以增强模型在小样本训练下的特征学习能力。在均方误差、平均像素精度和平均交并比（MIoU）三个评价指标上，与全卷积神经网络模型、DeepLab模型在多个规模数据集训练下的实验结果对比，改进模型转换的海陆二值化图像与真值图像更加吻合，MIoU值分别至少提高7%、6%以上，验证了所提方法的有效性和可行性。

为了更好地评价图像质量, 解决在基于卷积神经网络的图像质量评价模型(CNN-IQA)上明显忽略的分块图像之间存在差异性的问题, 提出了一种多特征融合的CNN模型。首先, 将整幅图像进行不重叠分块, 并提取每个分块图像的信息熵和纹理特征。然后, 将提取计算的两特征相结合, 计算各分块图像的重要性权重, 以此衡量分块图像对失真图像质量的影响。最后, 根据计算出的重要性权重修改损失函数, 突出重要性高的分块图像在训练过程中发挥的作用。在LIVE数据集进行验证和对比实验发现, 该算法的SROCC与LCC指标为0.962和0.960, 相比原算法至少提升09%; 在TID2008数据集上验证和对比实验发现, 该算法获得的SROCC与LCC指标为0.922和0.926, 相比原算法至少提升06%。并且在两数据集上的结果均优于其他对比算法。实验结果证明了其在预测图像质量方面具有良好的性能和泛化性。

通过溶胶-凝胶法制备新型Ruddlesden-Popper结构Pr1.8Ba0.2Ni0.5Cu0.4Co0.1O4+δ 阴极材料，探究其作为质子导体固体氧化物燃料电池(H-SOFC)阴极材料在氧化性气氛中的催化还原性能。对PBNCC进行相结构、物理性能及电化学性能表征，结果表明：PBNCC材料450 ℃时具有最大电子电导率为118 S?cm-1，750 ℃时PBNCC电极在空气和含水氩气气氛中电极极化阻抗分别为0.047 Ω?cm2 、1.161 Ω?cm2，其结构中氧空位和质子缺陷的形成有利于促进氧离子与质子在晶格中的传导过程，与没有掺杂钴元素的原始材料相比较，氧还原能力有一定提高。

受系统性能、传播介质散射、探测目标特性等因素的影响，地球科学激光测高系统（GLAS）获得的全波形数据存在不同程度的噪声，从而影响GLAS对地物垂直结构参数的提取与激光测距精度。因此，分析对比了高斯滤波、小波阈值降噪和经验模态分解（EMD）方法的降噪效果，并进一步对比了小波软阈值降噪和小波改进阈值降噪方法以及EMD-小波阈值降噪和EMD-Hurst降噪方法的性能。在六种典型地物数据上的实验结果表明，除EMD-小波阈值降噪外，小波阈值降噪和EMD-Hurst降噪方法的降噪结果均优于高斯滤波；高斯滤波、小波阈值降噪和EMD降噪三类降噪方法均对无坡度的田地降噪效果最佳。此外，小波改进阈值降噪方法的效果优于小波软阈值降噪方法，其信噪比（SNR）提高了10.70%~45.72%，均方根误差（RMSE）降低了32.04%~81.94%。EMD-Hurst方法的降噪效果优于EMD-小波阈值降噪方法，其SNR提高了6.38%~65.70%，RMSE降低了13.53%~33.33%。