XiaoMi-AI文件搜索系统
World File Search System温度的
通过波长分辨中子成像揭示电池电解质中温度的影响
1 1个外科系，凯克医学院，南加州大学，加利福尼亚州洛杉矶大学，美国，2病理学，凯克医学院，南加州大学，加利福尼亚州洛杉矶大学，美国，美国3干细胞生物学和再生医学，凯克医学，凯克医学院，南加州大学，加利福尼亚大学，加利福尼亚州，洛杉矶，加利福尼亚州，美国弗兰克大学，弗兰克大学，弗兰克大学，弗兰克大学，弗兰克大学，弗兰克大学， 5转化基因组学，凯克医学院，南加州大学，加利福尼亚州洛杉矶大学，美国6个儿科，波士顿儿童医院，波士顿，马萨诸塞州波士顿，马萨诸塞州，美国，遗传学系7，哈佛医学院，马萨诸塞州波士顿，马萨诸塞州，马萨诸塞州，美国马萨诸塞州波士顿，美国，美国，凯克医学院，苏克，医学院，苏克，苏克大学，苏克，苏克，苏克，苏尔兰州，苏尔兰州，苏尔兰大学，统治美国东北奥马哈
一种用于建模和预测短期空气温度的功能自回旋方法
对大气温度的精确预测对于各种应用，例如农业，能源，公共卫生和运输至关重要。现代技术的进步导致了传感器和其他工具的开发，以收集高频空气温度数据。但是，由于其特定特征，包括高维度，非线性，季节性依赖性等，准确的预测是具有挑战性的。为了应对这些预测挑战，本研究提出了一个基于组件估计技术的功能建模框架，通过将空气温度时间序列划分为确定性和随机组件。使用广义添加剂建模技术对每日和每年的季节性组成的确定性组成部分进行了建模和预测。同样，解释该过程短期动力学的随机组件是由功能自回旋模型，自动回归积分移动平均平均值和向量自回归模型对过程进行建模和预测的。为了评估模型的性能，从伊斯兰堡，巴基斯坦收集了每小时的空气温度数据，并获得了一日样本的预测。使用根平方误差，平均绝对误差和平均绝对百分比误差比较所有模型的预测结果。结果表明，与Arima和VAR模型相比，所提出的远距离模型的性能相对较好，从而导致样本外预测误差。这项研究的发现可以促进跨部门的明智决策，优化资源分配，增强公共安全并促进社会经济的韧性。
为什么CMIP6模式集合平均值对北极温度的模拟比全球温度更准确？
摘要：为了对预期的气候变化做出适当的政策响应，需要准确模拟和预测未来的变暖。我们研究了 CMIP6（气候模型比较计划第六阶段）气候模型对全球和北极平均地表气温的模拟。大多数模型高估了观测到的平均全球变暖。在所考虑的 19 个模型中，只有 7 个模拟的全球变暖在 2014-2023 年平均值和 1961-1990 年参考期之间观测到的变暖平均值的 ± 15% 以内。10 个模型高估了全球变暖超过 15%，只有一个模型低估了全球变暖超过 15%。CMIP6 气候模型对北极变暖的模拟比对全球变暖平均值的模拟要好得多。原因是模型对北极变暖的高估和低估分布均匀，而大多数模型高估了全球变暖平均值。8 个模型与观测到的北极变暖的误差在 ± 15% 以内。只有三个模型对全球平均温度和北极温度的模拟准确度在±15%以内。
使用 NDVI 阈值法预测植被覆盖比例对地表发射率和温度的影响
预测地表能量收支需要精确的地表发射率 (LSE) 和地表温度 (LST) 信息。LST 是基本气候变量之一，也是局部和全球尺度地表过程物理中的重要参数，而 LSE 是物质成分的指标。尽管有大量关于使用遥感数据计算 LST 和 LSE 的方法和算法的出版物，但准确预测这些变量仍然是一项具有挑战性的任务。在现有的计算 LSE 和 LST 的方法中，特别关注的是归一化差异植被指数阈值法 (NDVI THM)，尤其是对于农业和森林生态系统。要应用 NDVI THM，了解植被覆盖比例 (P V) 至关重要。本研究的目的是调查使用 NDVI THM 时 P V 预测精度对 LSE 和 LST 估计的影响。2015 年 8 月，在德国东南部巴伐利亚森林国家公园的混合温带森林中开展了一项实地活动，与 Landsat-8 立交桥同时进行。在 37 个地块的实地测量了 P V。使用了四种不同的植被指数以及人工神经网络方法来估计 P V 并计算 LSE 和 LST。结果表明，与传统植被指数（R 2 CV = 0.42，RMSE CV = 0.06）相比，使用人工神经网络（R 2 CV = 0.64，RMSE CV = 0.05）可以提高 P V 的预测精度。本研究结果还表明，估计的 P V 的精度变化影响了 LSE 的计算结果。此外，我们的研究结果表明，虽然 LST 取决于 LSE，但在预测 LST 时还应考虑其他参数，因为更准确的 LSE 结果并没有提高 LST 的预测精度。
在钙钛矿氧化物中实现具有创纪录高居里温度的半金属
这意味着载流子在费米能级上完全 (100%) 自旋极化，使磁性 HM 在先进自旋电子器件中具有极好的实际应用前景。[1–6] 然而，开发适用于接近室温 (RT) 温度的实用自旋电子器件需要同时考虑 HM 材料的某些合成性能。首先，FM 或 FiM 居里温度 ( TC ) 应明显高于 RT。其次，绝缘自旋通道的能隙 ( E g ) 应足够宽以抑制由载流子热激发引起的自旋翻转转变，确保在工作温度区域内 100% 自旋极化。[7,8] 此外，与磁矩成正比的电子自旋极化必须足够高才能有效地注入极化自旋。[4,9–12] 钙钛矿氧化物是半金属研究的最重要系统之一。迄今为止，钙钛矿中实验实现的最高 TC 约为 635 K。[13] 尽管实验中已经报道了各种各样的磁性 HM，但开发同时满足上述三个要求的单相材料仍然是一个关键挑战。例如，尽管在 NiMnSb、[3] Co 2 FeSi、[14] 中观察到较高的居里温度
比较在电荷方案和温度的几个参数下，快速充电对三个锂离子细胞周期寿命的影响
几次学习（FSL）的目的是学习如何从少数培训检查中认可图像类别。一个核心挑战是，可用的培训检查通常不足以确定哪些视觉效果是所考虑类别中最具特征的。为了应对这一挑战，我们将这些视觉特征组织成方面，从直观地将相同的特征分组（例如，与形状，颜色或纹理相关的功能）。这是从以下假设中的动机：（i）每个方面的重要性因类别而异，并且（ii）可以从类别名称的预训练的嵌入中预测Facet的重要性。尤其是我们提出了一种自适应的相似性度量，依靠对给定类别的预测的重要性权重。该措施可以与各种现有的基于度量的甲基甲化组合使用。在迷你胶原和CUB上进行的实验表明，我们的方法改善了基于公制的FSL的最新方法。
在形成过程中大型汽车锂离子电池中的气体演化：细胞尺寸和温度的影响
需要在锂离子电池（LIB）生产过程中优化细胞形成，以减少时间和成本。Operando气体分析可以为形成过程的性质，程度和持续时间提供独特的见解。在本文中，我们介绍了在线电化学质谱（OEMS）设计的开发和应用，该设计能够监测两个模型硬币电池中的气体进化和消耗（q = 0.72 mAh），用石墨/电解质重量比率为1：12.5和大型li-ion li-ion细胞（q = 72 AH）（q = 72 ah）在运行量的过程中（q = 72 AH），在诸图/3的过程中。尽管气体的组成和量是高度可比性的，即使在反耐用分析的验证中，气体释放速率也较低，并且在形成过程中可能受气泡传输的气泡传输限制，并且可能受气泡传输的限制。较高的温度加速了形成过程，但也会改变释放气体的组成和程度。除了为大型锂离子细胞的形成过程提供新颖的见解外，我们的OEMS设置为电池制造和汽车行业提供了机会，以探索电池形成和/或操作条件对下一代Li-ion电池中气体进化的影响。
针对不同入口温度的二氧化碳跨临界循环的地热双闪光周期的比较研究
这项研究研究了跨临界二氧化碳（CO 2）循环与常规地热双闪光循环的整合，以提高各种入口温度（225°C，250°C，275°C）的能量和充电效率。尽管地热双重闪光周期和CO 2跨临界周期都因其高效率和可持续性而被认可，但在不同的热条件下解决其合并性能的全面比较分析仍然很少。为了弥合这一研究差距，开发了一个详细的计算模型，以评估在各种操作场景下基础和集成系统的热力学行为。结果表明，集成系统在能源效率方面产生显着提高，基本周期为0.112、0.1265和0.1383，相比0.08436、0.1038和0.1197。exergy分析揭示了在较高温度下的潜在热效率挑战，因此需要进一步优化。该研究还探讨了分离器压力变化对系统性能的影响，这表明精确的压力管理可以大大增强功率输出。调查结果倡导更广泛地采用综合地热系统，强调了它们的潜力，以实质上提高可再生能源生产的效率，并提出了用于系统优化和环境影响评估的未来研究的途径。
地球绿化会减轻极端温度的极端，尽管二氧化碳>上升降低了效果
气候引起的热温极端的不断升级威胁构成了全球可持续性挑战，影响了生态系统和公共卫生。虽然已知叶子面积指数的增强（LAI；又名地球绿色）可以冷却全球平均空气温度，但知识差距在缓解效果中对热温极端的影响存在，尤其是在过去三十年中的Rising Co 2下。我们的研究结合了耦合的土地大气候气候模型（IPSL -CM）模拟与全球观察结果，表明地球绿色已降低了炎热的天数频率指数（TX90P）和温暖的夜晚频率指数（TN90P），以-0.26±0.10天数量降低了-10天和-0.11 and -0.11 and -0.11及以-11±0.11及5.11;全球。然而，上升的CO 2水平部分降低了这些缓解效果，没有这些效果，地球绿化可能会抵消TX90P的7.7％，而TN90P的10.0％。我们的发现阐明了Earth Greening减轻极端温度的潜力，为更具弹性和可持续的气候适应和缓解提供了一种途径。关键字：叶区索引；极端气候；蒸散;地球系统模型；缓解气候变化；升高的CO 2浓度
LSTM 与Informer 融合预测冠层区域温度
摘 要： 针对传统温度预测方法难以充分捕捉多尺度信息，导致模型预测性能不佳等问题，该研究提出了一种基于 Informer 架构和长短时记忆网络（ long short-term memory, LSTM ）与多源数据融合的冠层区域温度预测模型。在编码层 中，采用稀疏注意力机制提取输入因子的多尺度信息及其与长时序数据之间的耦合关系；在解码层中，利用 LSTM 提取 短期时序依赖，以增强时间序列的连贯性，同时引入改进的反向残差前馈网络（ improved residual feedforward network, IRFFN ）以优化模型结构。首先采用孤立森林法对数据进行异常值清理，并进行了归一化处理；然后使用斯皮尔曼相关 系数法对冠层区域温度进行相关性分析，并选择相关程度较高的环境因子作为模型的输入特征；最终通过网格搜索法对 超参数进行优化，并通过迭代训练实现模型的最优配置。通过与其他 4 种主流算法进行对比分析，提出的 Informer- LSTM 在冠层区域温度预测方面表现出更高的精度，其平均绝对误差（ mean absolute error, MAE ）、均方根误差（ root mean square error, RMSE ）和决定系数（ R 2 ）分别达到了 0.166 、 0.224 ℃和 97.8% ，与基础模型 Informer 相比，冠层区 域温度的预测精度提高了 32.36% 。该模型在时间序列预测方面具有较高的精度，为区域气象温度的中短期精准预测提 供了一种新的技术方法。 关键词： 冠层 ； 温度 ； 非线性时间序列 ； 长短期记忆神经网络 ； Informer doi ： 10.11975/j.issn.1002-6819.202409001 中图分类号： TP18 ； S165 文献标志码： A 文章编号： 1002-6819(2025)-07-0001-11