XiaoMi-AI文件搜索系统
World File Search System2023b
洞悉全球大气排放数据库中全球，国家和国家次国温室气体排放的空间分布
摘要。为了减轻温室气体（GHG）和空气污染物排放的影响，了解在哪里发生排放量是最重要的。在现实世界中，大气污染物是由点来源的各种人类活动产生的（例如发电厂和工业设施），也来自分散来源（例如住宅活动和农业）。但是，由于跟踪所有这些排放源是实际上不可能的，因此通常使用领域的国家级统计数据来编制排放清单，然后使用空间信息在网格电池级别进行缩小。在这项工作中，我们开发了高空间分辨率代理，以降低由全球大气研究（EDGAR）排放数据库提供的所有世界国家的国家排放总数。，特别是在本文中，我们提供了最新的Edgar V8.0温室气体，该温室气体可在不同级别的空间粒度上提供随时可用的排放数据，该数据从一致开发的GHG发射数据库中获得。这是通过改进和发展高分辨率空间代理来实现的，这些空间代理可以更精确地分配排放在全球上。这项工作的主要新颖性是分析对欧洲特征以及美国，中国，印度和其他高级发射国家的国家温室气体排放的潜力。这些数据不仅满足大气建模者的需求，而且还可以告知在缓解气候变化领域工作的决策者。例如，欧洲的NUTS 2级别的Edgar Ghg排放量（统计级别的领土单位的命名法）在欧洲层面有助于制定欧盟的凝聚力策略，从而确定每个地区在实现碳中立性目标方面的进步，并为最高发射阶层提供洞察力。可以在https://doi.org/10.2905/b54d8149-2864-4fb9-96b9-96b9-5fd3a020c224上访问数据https://doi.org/10.2905/d67eeda8-c03e-4421-95d0- 0adc460b9658用于亚国家数据集（Crippa等，2023b）。
利用人工智能增强学习
人工智能与学术诚信 一些人对人工智能聊天机器人的兴起做出了回应，主张学校全面禁止使用这些工具，称作弊、抄袭和其他形式的学术不端行为是严重问题。事实上，ChatGPT 等人工智能应用程序的出现给教师带来了一系列新的挑战，因为 ChatGPT 生成的产品不是来自以前发表的作品的声明或报告，教师可以使用抄袭检测软件轻松找到这些作品。相反，该应用程序不断修改其输出以生成看似独特的作品。一项研究（Khalil & Err，2023）发现，流行的检测工具在识别 ChatGPT 生成的 50 篇论文样本中的抄袭方面基本上无效。AI 检测工具也可能产生误报，这意味着它们将人类编写的文本识别为 AI 生成的文本 (Dalalah & Dalalah, 2023)。Turnitin 等检测软件公司承诺改进其产品以获得更有效的结果（例如，ChatGPT 创作内容的成功率为 97%，Turnitin, 2023）。但是，即使有了这些改进，许多学生仍会发现进行简单调整的方法，例如在 AI 生成的文本中插入同义词，以逃避检测。认识到对学术诚信的威胁，美国许多学区已禁止使用这种 AI 工具 (Rose, 2023)。但是，当学生可以在自己的设备上使用该工具而老师不知情时，这有多有效？总的来说，教育界必须面对这样一个现实：使用现有工具识别所有 AI 生成的文本实例将是困难的，甚至是不可能的。因此，我们不应该继续争论是否允许这些产品，而应该开始考虑如何以合乎道德和教育的方式整合这些应用程序。否则，就等于忽视了“我们学校里的大象”（Volante、DeLuca 和 Klinger，2023b）。我们的观点是，人工智能可以帮助激发学生对书面作业的思考方式的长期创新（Volante、DeLuca 和 Klinger，2023a）。
数字技术对能源效率及其...
能源是国家发展和安全的必不可少的物质基础，也是国家经济体系可持续发展的必要驱动力（Li J等，2023）。提高能源效率（EE）是实现负担得起和清洁能源目标（可持续发展目标的第七目标）的重要方法。自工业革命以来，化石燃料的广泛使用引起了几种全球环境，生态和气候问题，例如温室气体效应，空气污染和酸雨。人类经济行为有负外部性，这在追求经济发展的同时会损害环境。在过去的四十年的改革和开放中，中国的经济越来越长，实际GDP的平均年增长率为9.2％。根据国家统计局的说法，中国的GDP将于2022年达到约120万亿元，同比增长3％，其经济总计将占全球经济的18％（国家统计局，2023a，2023a）。经济规模的快速扩张和工业化的快速发展导致能源消耗急剧增加，广泛的发展模式和低EE已成为经济转型和升级的重要障碍（Edziah等，2022）。中国在2022年的总能源消耗为54.1亿吨标准煤，同比增长2.9％，其中煤炭消耗占总能源消耗的56.2％。清洁能源（天然气，水力发电，核，风和太阳能）仅占25.9％（国家统计局，2023b）。尽管每10,000元的GDP碳排放量下降了0.8％，但化石和电力消耗仍在增长，并且非化石能源消耗的比例仍然有效。根据英国石油发行的“ BP统计世界能源2022”，中国2021年的总能源消耗高达157.65 Joules，占世界一级能源消耗的26.6％，占世界能量消耗的总经济体（表1显示了全球主要经济体）数据还表明，中国在2021年的能源碳排放量为10.523
资源、保护与回收
学术界、政策制定者和业界一致认为，全球对回收电动汽车 (EV) 电池的需求巨大。除了减少和再利用电池材料之外，回收也是循环电池经济的核心原则，旨在“促进价值维护和可持续发展，创造环境质量、经济发展和社会公平”（Kirchherr 等人，2023a，第 7 页）。这种范式转变意味着经济活动从既定的线性电池经济向电池专为多个生命周期而设计的经济的根本转变（Korhonen 等人，2018 年；Asif 等人，2021 年）。因此，实施循环电池经济可能需要对当前电池经济进行颠覆或彻底而快速的重新配置（Kirchherr 等人，2023b）。它也带来了巨大的经济机会。 Research and Markets 估计，2022 年全球电池回收市场规模将达到 80 亿美元，到 2028 年将达到 200 亿美元。麦肯锡估计，到 2025 年再生材料利润将达到 600 美元/吨。然而，循环电池经济必要的重新配置进展缓慢。尽管可回收电池的稀缺仍然是一个挑战，但预期的供应增加将在不久的将来缓解这一问题。例如，在欧洲，目前道路上有大约 440 万辆电池驱动的电动汽车和 340 万辆插电式混合动力汽车（IEA，2023），到 2030 年左右它们的电池将可回收利用。除了这个暂时的瓶颈之外，还有另外两个障碍。一方面，电动汽车电池回收的研究和开发分散在多个学科孤岛中。这种碎片化对开发能够颠覆当前电池经济的新循环商业模式构成了重大障碍。然而，关于这一主题的研究与最近的政策和实践发展之间存在脱节。例如，许多公司正在应对开发可行的电动汽车电池回收循环商业模式的挑战，但这些发展很少受到当前学术研究的关注。我们通过整合最近的行业和政策来解决这些问题
藏族高原的10 m分辨率土地覆盖地图，具有详细的植被类型
摘要。藏族高原（TP）拥有多种植被类型，范围从下高度的阔叶和针蛋白的森林到介质区域到高海拔高度和Xeric地区的高山草原。TP上植被分布的准确和详细的映射对于改善对气候变化对陆地生态系统的影响的理解至关重要。然而，TP的现有土地覆盖数据集是在低空间分辨率下提供的，或者具有不足的植被类型，以表征某些独特的TP生态系统，例如高山scree。Here, we produced a 10 m resolution TP land cover map with 12 vegetation classes and 3 non-vegetation classes for the year 2022 (referred to as TP_LC10-2022) by leveraging state-of-the-art remote- sensing approaches including Sentinel-1 and Sentinel-2 imagery, environmental and topographic datasets, and four machine learning models using the Google Earth Engine platform.我们的TP_LC10-2022数据集以0.854的kappa系数达到了86.5％的总体分类精度。将其与现有的四种全球土地覆盖产品进行比较后，TP_LC10-2022在反映东南TP地区的局部规模垂直变化方面显示出显着改善。此外，我们发现，在现有的土地覆盖数据集中被忽略的高山scree占据了TP地区的13.99％，而shrubland则以不同的形式（落叶般的灌木丛和常绿和常绿的灌木丛）为特征，这些形式在很大程度上是由平线所确定的，并在现有的土地覆盖范围中遗漏了4.63％的4.63％。我们的数据集为进一步的分析提供了坚实的基础，这些基础需要准确地描述TP中这些独特的植被类型。TP_LC10-2022和样品数据集可在https://doi.org/10.5281/zenodo.8214981（Huang等，2023A）和https://doi.org/10.org/10.5281/zenodo.8881/zenodo.888888822279-2（Huang et al。，2023a）中免费获得。 分别。此外，可以在https：// cold-classifier.users.earthengine.app/view/tplc10-2022（最后一次访问：2024年6月6日）上查看分类图。
后疫情时代通胀与经济自由的映射
简介 根据世界经济自由度 (EFW) 指数 (Gwartney 等人，2023 年)，全球经济自由度从 2019 年到 2020 年的下降幅度比该数据集涵盖的任何其他时间点（可追溯到 1970 年）都要大。虽然该指数无需进行任何临时调整就衡量了这一剧烈变化，但它并未完全捕捉到经济自由度的下降 (Miozzi 和 Powell，2023a、2023b)。重要的是，西方发达经济体尚未经历即将到来的通货膨胀。虽然预计某些经济自由度变量将在 2020 年后很快恢复，但经济自由度有可能进一步崩溃。但事实并非如此。根据最新版数据 (Gwartney 等人，2023 年；参见 Miozzi 和 Powell，2024 年)，全球经济自由度与 2020 年至 2021 年基本持平。部分原因是通货膨胀的影响远没有人们想象的那么大。美国消费者价格指数 (CPI) 通胀率从 2020 年的 1.81% 上升至 2021 年的 4.70%。这导致与最近一年通货膨胀相对应的经济自由度成分的指数得分仅从 10.00 分中的 9.64 分下降至 10.00 分中的 9.06 分。指数中其他健全货币指标的影响则更小。许多美国人主观上认为这是一个重大通胀事件，但其总体影响并没有反映在 2021 年美国最终的 EFW 得分中。虽然人们应该非常小心不要对当前事件反应过度，但通胀对指数没有任何影响或许揭示了方法论上的问题，因为它对未达到两位数的通胀反应很小。本文的目的是探索将通胀率映射到 0 到 10 的指数得分的其他方法。正如我们将在第三部分中看到的那样，我们如何评估这一点不应该对应于优化宏观经济表现或在主观幸福感方面平衡通胀和失业，而应该对应于通胀影响经济的方式
对与人及其周围合作的机器人的和谐流动性
机器学习和计算机视觉与经典自治堆栈的进步整合使机器人部署成功，以实现，制造和运输。然而，非结构化和染色的环境，例如行人空间和街道，工作场所和房屋构成了其他挑战，例如建模人类行为，了解用户的看法以及确保人类的安全和舒适感。我的工作解决了这种挑战，以使机器人能够流利地与人们合作，以提高生产力并为用户提供帮助。人群中有能力的导航。人类无缝地避免在行人领域相互碰撞，这要归功于其通过策略中编码的合作碰撞避免。我的工作在数学上正式使用了使用代数拓扑的工具传递的概念。基于这种形式主义，我为人群导航开发了一个反应性的传递模型预测控制器。这种控制者的原因，并加快了与人类共同的成对传球的相遇。我已经在多个机器人平台上授予了该控制器，其中包括人类大小的远程机器人和更短的自动平衡机器人。在广泛的实验室实验中，具有挑战性和各种人群条件，我的控制器比最先进的基线提供了明显更安全，更有效的性能（Mavrogiannis等人。2023b）。超出安全性和效率。人体安全和机器人效率并不多于纳入机器人旁边的用户体验。2022）。com-我的作品深入了解用户的印象。在我的一项研究中（n = 105），我们的机器人在密集的人群中陷入困境（Mavrogiannis et al。在运行我们的传递导航算法时，用户表现出较低的加速度，与基线相比，机器人的干扰较少，这表明我们的算法使用户可以更舒适地围绕它行走。至关重要的是，用户对这种定量观察得到了赞赏，他们在旁边的指控旁边导航时，他们的报价是“我几乎没有注意到机器人”，而诸如“我觉得机器人在我的个人空间中”或“我不知道机器人在做什么？强大的现场部署通过旁观者帮助。
利用人工智能技术进行语言学习
尽管对人工智能 (AI) 的研究可以追溯到几十年前，但由于大型语言模型 (LLM) 和旨在模仿人类对话的聊天机器人（如 ChatGPT）的出现，人工智能在过去几年中变得越来越突出。这导致人们对人工智能辅助教育的潜力重新产生了兴趣，特别是通过其改善个性化学习的潜力，以及它对学术诚信带来的挑战以及对安全和隐私的普遍担忧。在第二语言习得方面，人工智能的最新发展建立在智能计算机辅助语言学习 (iCALL)（Schulze，2008）的先前研究基础上，旨在研究如何通过个性化学习材料、教学和反馈来增强学习（Hellmich 和 Vinall，2021；Xiao 和 Park，2021；Dai 和 Wu，2023）。例如，在反馈方面，语言学习者可以使用人工智能技术在计算机或移动设备上录制自己的声音，然后通过语音评估系统获得分数和反馈（Dizon，2020；Zou 等，2023a）。此外，当他们使用人工智能进行口语练习时，可以通过社交网络环境中的协作活动来提高学习成果（Zou 等，2023b）。除了直接指导之外，人工智能还在提高管理、课程开发和测试流程的效率方面取得了重大进展（Xu 等，2021）。尽管人工智能在语言教育方面具有相当大的潜力，但该主题的研究仍然很少，现有的研究已经开始确定进一步研究的重要领域。一个新出现的问题是如何为学生提供一系列与课程和评估一致的输入。研究发现了语言学习人工智能编程方面的差距，包括调整各种类型的语言技能即时反馈等功能以维持自主学习。因此，需要进一步研究人工智能程序的潜力，探索如何将人工智能应用于培养现实生活中所需的语言技能。同样重要的是考虑人工智能程序中的即时反馈如何满足学习者的语言学习目标，以及如何设计各种反馈来增强学习者在计算机或移动设备上的自主学习。
DOI：https://doi.org/10.48009/1_iis_2023_110 人工智能及其通过使用生成对抗网络图像的潜在危害
简介 2007 年，“智能手机”诞生；它就是苹果的 iPhone。它被介绍为“带触摸控制的宽屏 iPod，是一部电话和互联网通讯器”（Merchant，2017）。甚至没有可供下载的外部应用程序。其他公司及其智能手机版本很快也将效仿。从一开始，智能手机就引起轰动，成为 21 世纪生活中不可或缺的一部分。但是，智能手机的所有实用性都有其代价。通常，这种代价是以有害的、有时是无法预见的破坏性情况的形式出现的。由于智能手机已成为几乎所有现代任务的核心，因此它也常常体现了一个人的自我意识。当我们放错智能手机并且失去网络角色的技术吸引力时，我们当中谁没有感到惊慌失措？这种分离的身份意识也可以包含各种其他个人身份标记。例如，虽然面对面的欺凌自人类诞生之日起就一直存在，但另一种形式——网络欺凌——最近进入了人们的词汇表，成为许多人日常遭受的破坏性问题。自我价值和身体形象问题也常常与这种网络形象联系在一起。（Pendergrass & Payne，2018）多年来，智能手机引入了众多互联网社交媒体网站的应用程序：Instagram、Facebook、Snapchat 等。2017 年，即 iPhone 推出十年后，中资 IT 公司字节跳动推出了短视频服务应用程序 TikTok。（Zeng，et al.，2021）2020 年 COVID-19 疫情爆发后，这款应用很快在青少年中找到了小众受众，并且用户数量不断增长。（Klug，et al.，2023）很快，TikTok 就成为了社交媒体的谢林点，使用视觉滤镜、舞蹈视频以及不断发展的新闻和社会评论。 （Allyn，2023b）TikTok 滤镜设计者在推出后不久就开始尝试使用人工智能 (AI)。（Weatherbed & Sato，2023）一种方法是使用生成对抗网络 (GAN) 设计，这种设计创造出的滤镜非常真实和令人信服，用户的屏幕移动之间没有延迟时间，因此它们引起了用户的强烈和即时反应，而这些反应并不总是
降低通货膨胀的事件研究
2022年《降低通货膨胀法》（IRA）被普遍认为是美国历史上最雄心勃勃的气候政策行动。在接下来的十年及以后，一系列新的税收抵免和直接政府支出将为清洁技术和行业提供大量财务支持。此外，IRA将为美国家庭和公司提供强大的直接激励措施，以投资减少其碳排放所需的设备和资本。Bistline等。（2023b）估计，IRA与气候相关部分的累积预算影响可能在未来10年内达到1万亿美元。1 IRA激励措施引起的经济变化也有望大幅减少美国温室气体的排放（Bistline等人。，2023a）。但是，IRA经济和气候后果的这种预测通常对任何财务影响都保持沉默。这是正确的，即使金融部门是为脱碳和确定气候政策成果提供必要的资本不可或缺的一部分。金融市场的前瞻性反应也比经济和排放效应要早得多，因此可以为政策传播和成功提供有用的早期阅读。在本文中，我们记录了金融市场对IRA的响应，并就此重大的气候政策行动提供了新的气候融资观点。对于气候金融而言，一个特别重要的问题是过渡风险。，2021）。，2023）。转型为低碳经济所需的大量投资将严重依赖金融市场和机构（例如，Battiston等人。2然而，近年来脱碳的不确定步伐和后果已成为主要的政策问题（van der Ploeg and Rezai，2020年）。如果投资者的期望是对新的气候政策进行迅速调整，那么依赖碳依赖资产的不利重新估计（可能导致滞留的资产）可能会严重影响到前英格兰银行州长马克·卡尼（Mark Mark Carney）的“气候Mark Mins Mists Moint Mists”（Carney Mistsky Mists）的财务偿付能力和稳定性。为了更好地量化银行和其他金融机构的潜在风险，从业务前景和资产价格突然转变中，中央银行和金融监督当局正在开发气候场景分析（Acharya等人显然，金融市场过渡风险的定价已成为一阶政策问题。IRA的通过 - 数十年来