我国水-能源-粮食耦合关系及影响因素

为缓解我国水、能源和粮食资源紧张问题，促进资源可持续利用，构建水-能源-粮食系统，利用耦合协调度模型对我国的30个省（自治区、直辖市）进行测算,并利用空间杜宾模型分析主要影响因素。结果表明：2003—2017年，我国能源、粮食评价[JP]指数高于水资源评价指数，系统综合评价指数逐年递增；大部分省份耦合协调度处于初级协调水平且呈现逐年上升的态势，个别省份耦合协调度濒临失调；耦合协调度空间自相关性较强，虽有明显波动，但是呈现逐年加强的态势；影响耦合协调度的主要因素有从业人口数、固定资产投资额、人均生产总值、人口总数、[JP]文盲人口占比、工业污染排放、城镇化。     

风云四号A星红外高光谱大气垂直探测仪观测资料质量评估

评估星载红外高光谱仪器观测资料的质量可以推进其在数值天气预报中的应用。使用2020 年 7 月 FY-4A 红外高光谱干涉式大气垂直探测仪 (Geostationary Interferometric Infrared Sounder, GIIRS)观测数据，分析GIIRS所有通道观测噪声随视场和纬度的变化、偏差 (观测亮温与辐射传输模式模拟亮温的差) 随时间、视场、纬度和天顶角的分布来评估 GIIRS 观测资料质量。研究结果表明:波段727.5~733.8 cm?1、1107.5~1130 cm?1和1650~1776.9 cm?1的观测噪声超出仪器灵敏度设计指标，且这些通道的偏差和偏差标准差明显大于其他通道；除了长波观测噪声大的通道外，其余通道噪声等效温差NEdT在32×4阵列上均呈“中间小，两边大”的特征，且NEdT的分布不随纬度带和FOR阵列而改变，在进行GIIRS资料同化或变分反演时，其观测误差只用考虑不同通道在32×4阵列内的NEdT分布；由于数值预报模式的地表温度在白天时值偏低，使得模拟辐射量偏低，造成偏差绝对值减小，使偏差有明显的日变化；中波通道偏差特征基本不随32×4面阵的列而改变，主要与阵列中的行有关，在中波通道进行偏差订正时可以针对32×4面阵中行开展，基本不需要纬度带和卫星天顶角的订正。     

高光谱成像用高帧频CMOS图像传感器北大核心

针对高帧频、全局曝光和光谱平坦等成像应用需求,设计了一款高光谱成像用CMOS图像传感器。其光敏元采用PN型光电二极管,读出电路采用5T像素结构。采用列读出电路以及高速多通道模拟信号并行读出的设计方案来获得低像素固定图像噪声(FPN)和非均匀性抑制。芯片采用ASMC 0.35μm三层金属两层多晶硅标准CMOS工艺流片,为了抑制光电二极管的光谱干涉效应,后续进行了光谱平坦化VAE特殊工艺,并对器件的光电性能进行了测试评估。电路测试结果符合理论设计预期,成像效果良好,像素具备积分可调和全局快门功能,最终实现的像素规模为512×256,像元尺寸为30μm×30μm,最大满阱电子为400 ke^(-),FPN小于0.2%,动态范围为72 dB,帧频为450 f/s,相邻10 nm波段范围内量子效率相差小于10%,可满足高光谱成像系统对CMOS成像器件的要求。     

基于m-Ucosφ平面识别振荡期间输电线路不对称故障的方法EI北大核心CSCD

距离保护作为输电线路的后备保护在电力系统广泛应用,但是系统振荡期间测量阻抗变化会导致距离保护误动作,在系统振荡期间需要闭锁距离保护,而系统振荡期间线路发生不对称故障时需要快速开放距离保护,现有距离保护利用电流不对称度识别振荡期间不对称故障,识别故障电阻的灵敏度低,无法快速开放距离保护。提出了一种综合利用保护安装处电流、电压特征识别振荡期间线路不对称故障方法,利用保护安装处的电压余弦分量反映故障点处的电压,建立了电流不对称度–电压余弦分量平面,从电流和电压两个维度综合反映系统振荡及线路故障特征,在此基础上,构建了系统振荡期间线路不对称故障的识别判据,提高了保护识别振荡期间线路不对称故障的灵敏性,缩短了距离保护开放时间,实时数字仿真系统(real time digital system,RTDS)仿真结果验证了本方法的有效性。     

倾斜入射下的单截面平面度绝对检验

针对大尺寸光学平面的直线度的纳米级测量精度需求，提出了倾斜入射下单截面平面度绝对检验方法，实现了对超过相移干涉仪口径的长平晶绝对检验。利用棱镜转向实现倾斜入射角度的精密预标定，棱镜标定角度的精度高于圆光栅和图像分析等方法，可提高测量不确定度到0.0042 μm。对比了常规三面互检绝对检验结果与本方法的差异，在相同尺寸下，直线度误差仅为1.2 nm。在确认标定反射镜位置后，整个倾斜入射的干涉图调整过程将被完全集中到待测长平晶的工作面上，不需要再对反射平晶进行操作。调整长平晶时各个维度的操作互不干涉，可快速简便地得到测量结果。     

机器学习理论的超光谱遥感图像无损压缩

针对一般超光谱遥感图像的压缩方法无法同时实现图像信息缩减和图像完整性的问题，提出一种机器学习理论的超光谱遥感图像无损压缩方法。利用机器学习中的聚类算法进行第一次压缩，减少超光谱遥感图像中的冗余波段光谱，并降低图像维度；再利用机器学习中的人工神经网络进行第二次压缩，将不同图像子块送入不同压缩率的神经元当中，通过隐含层自主完成图像压缩编码。通过与四种一般压缩方法的对比验证，本方法图像压缩后，图像压缩率更小，图像分辨率和信息熵更高，既有效地减少了图像信息量，能够保留有效关键信息，达到了图像信息缩减和图像完整性的双重目标。