XiaoMi-AI文件搜索系统
World File Search SystemVariables
在评估北冰洋微真核生物的多样性及其对环境变量的响应方面，RNA 优于基于 DNA 的宏条形码
北冰洋（AO）环境恶劣，温度低、冰盖大、海冰周期性冻结和融化，为微生物提供了多样化的栖息地。前期研究主要基于环境DNA对北冰洋上层水体或海冰中的微真核生物群落进行研究，而对北冰洋多样化环境中活跃微真核生物的组成成分则知之甚少。本研究通过对共提取的DNA和RNA进行高通量测序，对北冰洋从雪冰到1670 m深度海水范围内的微真核生物群落进行了垂直评估。与DNA提取物相比，RNA提取物能更准确地描述微真核生物群落结构和类群间相关性，对环境条件的反应也更为敏感。使用RNA：DNA比率作为主要分类群相对活性的代表，确定了主要微真核生物群落沿深度方向的代谢活性。共现网络分析表明，深海中的 Syndiniales 和甲藻/纤毛虫之间的寄生关系可能很重要。这项研究增加了我们对活跃微真核生物群落多样性的认识，并强调了使用基于 RNA 的测序而非基于 DNA 的测序来研究微真核生物群落与微真核生物对 AO 环境变量的反应之间的关系的重要性。
人工智能在行动发展中的实施路线图以及天气变量对 UH-60 性能的影响
摘要：美国军事飞行员领导者被迫以有限的情报做出具有挑战性的战术决策。我们的顶点团队创建了 AI 技术路线图，该技术可以帮助飞行员做出合理的战术决策。这项研究探讨了人类的局限性以及 AI 系统为何有益，以及实施该技术所需的概念，例如多层神经网络 (MLNN)、多智能体强化学习 (MARL)、随机模型和 AI 团队。具体来说，它研究了如何使用多层神经网络和多智能体强化学习为行动方案 (CoA) 的成功提供最佳路径。该路线图包括一个实验设计，它将有助于开发一个随机环境，帮助飞行员开发驾驶 UH-60 黑鹰的 CoA，这将为进一步将人工智能应用于军事战术决策奠定基础。
CMIP6模型中的北极9月海冰浓度偏见及其与其他模型变量的关系CMIP6模型中的北极9月海冰浓度偏见及其与其他模型变量的关系
摘要：参与耦合模型比较项目（CMIP）的模型表现出北极海冰气候的巨大偏见，这似乎与季节性大气和海洋循环中的偏见有关。使用1979年至2014年的34个CMIP6模型的历史运行，我们研究了9月的气候海冰浓度（SIC）偏见与大气和海洋模型气候之间的联系。9月SIC的主要模型传播由两个领先的EOF很好地描述，共同解释了。其65％的差异。第一个EOF代表整个北极中SIC的低估或高估，而第二个EOF描述了大西洋和PACIFIC部门的SIC偏见相反。回归分析表明，这两种SIC模式与夏季期间北极表面热孔的偏离密切相关，主要是短波和长波辐射，而传入的大西洋水则在大西洋部门发挥了作用。与夏季云覆盖，低级湿度，对流层温度/循环以及海洋变量的局部和全球联系。如三种气候模型所示，在北极在模型中与SIC偏差的局部关系大多相似，但显示出不同程度的大西洋流动影响。在全球范围内，建议在9月的夏季大气循环中对三种模型之一提出了强烈的影响，而大气影响主要是通过其他两个模型的热动力学。在其中一种模型中可以看到与北大西洋循环的明确联系。
风暴阵风预测与机器学习算法和美国东北部WRF模型变量的整合
摘要：风阵通常与严重危害有关，并可能造成结构和环境损害，从而使阵风预测成为天气预报服务的关键要素。在这项研究中，我们探讨了与天气研究和预测模型的数值天气预测输出集成的Ma-Chine学习（ML）算法的利用，以使风阵电位的估计与观察到的阵风相结合。我们使用了两种ML算法，即随机森林（RF）和极端梯度提升（XGB），以及两种统计技术：具有识别链函数（GLM-sidentity）的Generalized线性模型和具有原木链接功能（GLM-LOG）的广义线性模型（GLM-LOG），以预测Sover tomk for tomp form for the Somk wink for the Somest for Nouthest for Northest for Netast（NE）。我们使用了2005年至2020年间发生的61种模拟的热带和热带风暴来开发和验证ML和统计模型。为了评估ML模型性能，我们将结果与WRF的后阵风潜力进行了比较。我们的发现表明，ML模型，尤其是XGB的表现比统计模型和WRF（WRF-UPP）模型的统一后处理器表现出色，并且能够更好地与所有风暴中观察到的阵风相结合。ML模型面临着捕获阵风分布的上尾的挑战，学习曲线表明，XGB比RF更具效率，而在较少的风暴中产生更好的预测。
一种用于计算频谱固定辐射变量优化的雪反击的多功能方法：valhalla v1.0
摘要。在气候模型中，雪反照率方案一般仅计算窄带或宽带反照率，这导致了显着的不确定性。在这里，我们介绍了基于规格固定的辐射变量（Valhalla 1.0版）的多功能反照率计算方法，以优化光谱雪反照率计算。对于这种操作，积雪吸收的能量是由雪（tartes）和光谱辐照模型的光谱反照率模型的两流射线传递来衡量的。该计算考虑了基于降雪的辐射转移的分析近似，就考虑了入射辐射的光谱特征和雪的操作特性。对于这种方法，计算了30个波长，称为扎点（TPS），并计算16个参考iranciance pro文件，以结合吸收的能量和参考辐照度。然后，将吸收能量的能量插值，每个波长在两个TPS之间具有足够的核函数，这些核函数源自辐射转移，以降雪和大气。我们表明，吸收能量计算的准确性主要取决于参考文献对模拟的辐照度的适应（对于宽带吸收能量的绝对差<1 w m-2的绝对差<1 w m-2，绝对差<0。005用于宽带反照率）。除了准确性和计算时间的性能外，该方法还适用于任何大气输入（宽带，窄带），并且很容易适应整合到全球或区域气候模型的辐射方案中。
基于人工智能结合气候外生变量预测巴西和美国的新冠肺炎病例
根据世界卫生组织的数据，新型冠状病毒病（COVID-10）曾是一个公共卫生问题，截至 2020 年 6 月 10 日，全球已有超过 710 万人感染，40 多万人死亡。在当前情况下，巴西和美国每天的新增病例和死亡人数都很高。因此，预测一周时间窗口内的新增病例数非常重要，这可以帮助公共卫生系统制定应对 COVID-19 的战略规划。预测人工智能（AI）模型的应用有可能处理像 COVID-19 这样的时间序列的困难动态行为。在本文中，贝叶斯回归神经网络、立体回归、k 最近邻、分位数随机森林和支持向量回归可单独使用，并结合最近的预处理变分模态分解（VMD）将时间序列分解为几个固有模态函数。所有 AI 技术均在时间序列预测任务中进行评估，预测巴西和美国五个州的累计 COVID-19 病例数提前一、三和六天，截至 2020 年 4 月 28 日，病例数较高。所有预测模型均采用先前累计的 COVID-19 病例数和每日温度和降水等外生变量作为输入。根据性能标准评估模型的有效性。一般而言，VMD 的混合在准确性方面优于单一预测模型，特别是当预测时间范围提前六天时，混合 VMD-单一模型在 70% 的案例中实现了更好的准确性。关于外生变量，作为预测变量的重要性排名从高到低依次为过去病例、温度和降水。因此，由于评估模型能够有效地预测长达六天的累计 COVID-19 病例数，因此
Microsoft Word - 49 员工自我效能、乐观、希望、韧性和人口统计变量作为工作态度的决定因素
摘要：本研究旨在确定不同制药公司销售和营销部门员工的自我效能、乐观、希望、适应力、某些人口统计变量和工作绩效之间的关系。本研究旨在找出员工工作绩效的预测因素。本研究还旨在预测自我效能、乐观、适应力和希望对管理人员绩效的影响。还试图根据研究因素预测销售主管的绩效。样本包括在德里国家首都地区工作的 257 名管理和销售主管。使用标准化工具收集信息。使用 SPSS 软件包对数据进行逐步多元回归分析，发现统计方法更合适。分析结果显示，年龄与工作绩效之间存在显著的负相关性，而经验与工作绩效之间存在显著的正相关性。此外，自我效能、乐观、希望和适应力与员工的工作绩效呈显著的正相关性。然而，乐观主义成为员工工作绩效最主要的预测因素，其次是自我效能和韧性。乐观主义和自我效能影响管理人员的工作绩效，而乐观主义本身成为制药公司非管理人员工作绩效的预测因素。事实上，乐观主义似乎是员工绩效的总体决定因素。此外，本文详细讨论了结果的含义和重要性，并提供了适当的证据。
将环境DNA与遥感变量相结合，以绘制沿着大河的鱼类分布
河流生态系统中的生物多样性丧失速度要比限制系统更快，更严重，并且需要空间保护和恢复计划来停止这种侵蚀。关于生物多样性和物种分布的状态和变化的可靠且高度解决的数据对于有效措施至关重要。的高分辨率图仍然有限。与全球卫星传感器的耦合数据具有广泛的环境DNA（EDNA）和机器学习可以实现河流生物分布的快速而精确的映射。在这里，我们研究了使用沿瑞士和法国Rhone River的110个地点的埃德纳数据集组合这些方法的潜力。使用Sentinel 2和Landsat 8图像，我们产生了一组生态变量，描述了河走廊周围的水生栖息地和陆地栖息地。我们将这些变量与基于EDNA的存在和29种鱼类的不存在数据相结合，并使用了三种机器学习模型来评估这些物种的环境适用性。大多数模型表现出良好的性能，表明从遥感中得出的生态变量可以近似鱼类分布的生态决定因素，但是水衍生的变量比河流周围的陆地变量具有更强的关联。物种范围的映射表明该物种沿着瑞士的物种占用物的显着转移，从其瑞士阿尔卑斯山的来源到法国南部的地中海出口。我们的研究消除了将遥感和EDNA结合到大河中物种分布的可行性。该方法可以扩展到任何大河以支持保护方案。
DAGBagM：学习混合变量的有向无环图并应用于识别卵巢癌的预后蛋白生物标志物
动机：通过将有向无环图 (DAG) 模型应用于蛋白质组数据推断出的有向基因/蛋白质调控网络已被证明可有效检测临床结果的因果生物标志物。然而，在 DAG 学习中仍然存在尚未解决的挑战，即联合建模临床结果变量（通常采用二进制值）和生物标志物测量值（通常是连续变量）。因此，在本文中，我们提出了一种新工具 DAGBagM，用于学习具有连续和二进制节点的 DAG。通过为连续和二进制变量使用适当的模型，DAGBagM 允许任一类型的节点在学习图中成为父节点或子节点。DAGBagM 还采用了引导聚合策略来减少误报并实现更好的估计精度。此外，聚合过程提供了一个灵活的框架，可以稳健地整合边缘上的先验信息以进行 DAG 重建。结果：模拟研究表明，与常用的将二进制变量视为连续变量或离散化连续变量的策略相比，DAGBagM 在识别连续节点和二进制节点之间的边方面表现更好。此外，DAGBagM 的表现优于几种流行的 DAG