Modeling endogenous learning and imperfect competition effects in climate change economics

In this two-part paper we evaluate the effect of “endogenizing” technological learning and strategic behavior of agents in economic models used to assess climate change policies. In the first part we show the potential impact of R&D policies or demonstration and deployment (D&D) programs in the context of stringent stabilization scenarios. In the second part we show how game-theoretic methods can be implemented in climate change economic models to take into account three types of strategic interactions: (i) the market power of the countries benefiting from very low abatement costs on international markets for CO₂ emissions, (ii) the strategic behavior of governments in the domestic allocation of CO₂ emissions quotas, and (iii) the non-cooperative behavior of countries and regions in the burden sharing of CO₂ concentration stabilization. The two topics of endogenous learning and game-theoretic approach to economic modeling are two manifestations of the need to take into account the strategic behavior of agents in the evaluation of climate change policies. In the first case an R&D policy or a demonstration and deployment (D&D) program are put in place in order to attain a cost reduction through the learning effect; in the second case the agents (countries) reply optimally to the actions decided by the other agents by exploiting their strategic advantages. Simulations based on integrated assessment models illustrate the approaches. These studies have been conducted under the Swiss NCCR-Climate program.     

基于GF-1与Sentinel-2融合数据的地膜识别方法研究

随着我国地膜使用面积的增加和人们对土壤微塑料污染问题的日益关注,大尺度的地膜遥感识别已成为农业生产管理、土壤污染防治的必要手段。针对地膜光谱反射特征的复杂性以及基于单一遥感影像光谱特征识别方法错分率高等问题,该文以河北省邯郸市邱县为试验区,利用GF-1数据的空间细节与Sentinel-2数据的光谱信息进行NN Diffuse Pan Sharpening融合,据此建立地膜识别的特征矩阵(NDVI、MNDWI、NDBI、IBI、PSI),基于该特征矩阵可实现自动阈值地膜分层分类识别。多种方法的地膜识别结果精度对比表明:多源光学遥感数据融合方法的总体精度为94.87%,Kappa系数达0.89,显著优于基于单一数据源的深度学习法的精度(93.14%)以及基于传统机器学习分类方法的支持向量机(85.91%)和随机森林分类法(86.78%)的精度;通过与Sentinel-2多光谱影像融合,弥补了GF-1数据光谱分辨率低的缺陷,实现了多源数据在地膜识别中的优势互补,可为相关部门农业规划与管理以及生态环境保护等研究提供大尺度、高精度的地膜分布参考数据。     

Developing a Learning Progression for Place

The concept and characteristics of place within geography education are surveyed in the context of learning progressions. Beginning with place's history and relevance in geographic thought, this review moves on to discuss connections between space and place. From a geographic education perspective, place-based instruction and place characteristics are threaded with ideas of landscape and human encounter with or perception of place. Grade level standards can be problematic when dealing with a complex subject, such as place. Borrowing from educators in the sciences, this review reflects on the challenge of building one or more learning progressions for K–12 education on place.     

基于深度学习的镜下矿石矿物的智能识别实验研究

矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。     

基于深度学习的LAMOST星系星族参数测量

星系的光谱包含其内部恒星的年龄和金属丰度等信息, 从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要. LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱, 这些高维光谱与它们的物理参数之间存在着高度的非线性关系. 而深度学习适合于处理多维、海量的非线性数据, 因此基于深度学习技术构建了一个8个卷积层$+$4个池化层$+$1个全连接层的卷积神经网络, 对LAMOST Data Release 7 (DR7)星系的年龄和金属丰度进行自动估计. 实验结果表明, 使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致, 误差在0.18dex以内, 并且随着光谱信噪比的增大, 预测误差越来越小. 实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果, 结果表明卷积神经网络的结果优于其他两种回归模型.     

基于鲸鱼优化算法的长短期记忆模型水库洪水预报

洪涝灾害是世界主要自然灾害之一,优化洪水预报方案对防洪决策至关重要,然而传统水文模型存在参数多、调参受人为因素影响,泛化能力弱等问题。针对上述问题,本文提出基于改进的鲸鱼优化算法和长短期记忆网络构建自动优化参数的WOA-LSTM模型,通过优化神经网络结构进一步增强该模型的稳定性和精确度,并且建立不同预见期下的洪水预报模型来分析讨论神经网络结构与预报期之间的关系。以横锦水库流域1986—1997年洪水资料为例,其中以流域7个雨量站点的降雨以及横锦站水文资料为输入,不同预见期下洪水过程作为输出,以1986—1993年作为模型的率定期,1994—1997年作为模型的检验期,研究结果表明:(1)以峰现时差、确定性系数、径流深误差和洪峰流量误差作为评价指标,相比较于LSTM模型和新安江模型对检验期的模拟结果表明WOA-LSTM模型拥有更高的精度、预报结果更稳定;(2)结合置换特征值和SHAP法分析模型特征值重要性,增强了神经网络模型的可解释性;(3)通过改变神经网络结构在一定程度避免由于预见期增加和数据关联性下降而导致的模型预报精度下降的问题,最终实验表明该模型在预见期1~6 h下都可以满足横锦水库的洪水预报要求,可以为当地的防洪决策提供依据。     

Generalization of PhaseNet in Shandong and its application to the Changqing M4.1 earthquake sequence

Waveforms of seismic events, extracted from January 2019 to December 2021 were used to construct a test dataset to investigate the generalizability of PhaseNet in the Shandong region. The results show that errors in the picking of seismic phases(P-and S-waves) had a broadly normal distribution, mainly concentrated in the ranges of-0.4–0.3 s and-0.4–0.8 s, respectively. These results were compared with those published in the original PhaseNet article and were found to be approximately 0.2–0.4 s l...     

卫星视频舰船目标检测方法

舰船目标检测是进行海上目标监管,保障海上权益的重要手段.本文在SSD(single shot multibox detector)算法的基础上,利用残差网络(ResNet,residual network)作为骨干网络构建SSD模型,将改进后的SSD算法应用于卫星视频舰船目标检测,该算法采用残差连接替换原本的级联方式,...     

数值预报AI气象大模型国际发展动态研究

数值预报是研究地球系统的重要工具,有助于加深科学家对大气、海洋、气候和环境等复杂系统之间相互作用和变化过程的理解,在防灾减灾、气候变化和环境治理等方面发挥着不可或缺的作用。随着模式复杂度和分辨率的提高,传统数值模式在气候变化研究和气候预测方面取得了迅速的进展,但也面临一些挑战,需要得到数据同化、集合耦合、高性能计算和不确定性分析等多方面的支持。而近年来,“AI+气象”的交叉研究在气象领域引起了广泛关注。基于多种深度学习架构的人工智能大模型,依托强大的计算资源和海量的数据进行训练,能够以新的科学范式进行高效数值预报。气象大模型不断涌现,一些科技公司如华为、英伟达、DeepMind、谷歌、微软等,以及国内外高校如清华大学、复旦大学、密歇根大学、莱斯大学等发布了多个涵盖临近预报、短时预报、中期预报和延伸期预报等不同领域的气象大模型。这标志着人工智能与气象领域的交叉融合已经达到新的高度。尽管气象大模型在现阶段取得了较大突破,但其发展仍然面临弱可解释性、泛化能力不足、极端事件预报强度偏低、智能预报结果过平滑、深度学习框架能力需要拓展等诸多挑战。     

人工智能技术在数值天气预报中的应用

当前,人工智能迎来第3次发展浪潮并在多个领域大数据分析中取得巨大成功,这为人工智能技术与数值天气预报结合提供了契机.已有大量研究尝试将人工智能技术用于数值天气预报的初值生成、预报和产品应用过程中,涉及观测资料预处理、资料同化、模式积分、后处理以及高性能计算,通过误差估计、参数估计和局部代理等手段使预报结果,得到改进且计...