基于机器学习算法的AMSR-2地表温度降尺度研究

MODIS日尺度的地表温度受到天气影响,有效像元信息严重缺失,这对数据稀缺区域尤为重要。以古尔班通古特沙漠为研究区,探索了采用AMSR-2的垂直极化亮度温度与植被指数对地表温度空间降尺度的方法,并用此方法填补了2018年MODIS的缺失像元。(1)通过十折交叉验证,对4种机器学习算法（Cubist、DBN、SVM、RF）、10个波段组合、2个空间尺度（5 km、10 km）下的训练模型进行了分析,表明RF算法精度明显高于其他3种算法,C09波段组合的验证精度高于其他波段组合。(2)构建了2个鲁棒性的随机森林算法地表温度降尺度模型（5 km|RF|09、10 km|RF|09）,将AMSR-2亮度温度降尺度到1km分辨率,表明5 km|RF|09模型反演结果更为合理,MODIS与站点验证的R2分别为0.971、0.930,RMSE分别为3.38 K、4.71 K,MAE分别为2.51 K、3.84 K。(3)降尺度结果填补MODIS地表温度缺失像元,将其应用到古尔班通古特沙漠长时间序列的陆表温度分析,可为数据稀缺区域数据获取提供科学参考。     

纳米药物载体的结构修饰实现内体逃逸

纳米药物载体因其良好的生物相容性、组织渗透性、无毒、易吸收等特性,得到广泛应用。药物载体进入靶向部位发挥作用需要以内吞方式进入细胞,在此过程中,内体的屏障作用是限制其发挥药效的重要因素。从逃逸机制出发,总结了逃逸剂通过质子化效应、膜融合或膜孔形成、膜破坏及屏蔽免疫等方式实现内体逃逸。综述了以聚合物材料、多肽、光化学试剂、pH敏感材料等为逃逸剂,对载体材料进行修饰,实现内体逃逸的方法,最后对载体内体逃逸的发展进行了展望。