XiaoMi-AI文件搜索系统
World File Search System观测值
绿色研发投入、ESG报告与企业绿色创新绩效
鉴于绿色研发支出与企业绿色创新绩效 (GIP) 之间关系的实证证据相互矛盾，本研究旨在探讨 ESG 报告对这种关系的调节作用。我们利用了 CSMAR 和彭博数据库中 2016 年至 2022 年中国 A 股上市公司 3,846 个公司年观测值的数据集合。通过查看绿色专利的总量来评估和衡量企业的 GIP。最后，采用具有多元回归分析和固定效应的模型。研究结果表明，ESG 报告对企业 GIP 与绿色研发支出之间的关联具有积极而显著的影响，这意味着它以绿色产出中的绿色信号的形式发挥着补偿和支持作用。这项研究可以帮助高管和立法者，尤其是发展中国家的高管和立法者，为企业可持续发展制定创新的环境战略。
特刊 - 激光雷达的大气应用
使用激光束在1960年由T. Maiman发明激光后不久就会发出大气。在整个大气中，气溶胶的观察和表征随着复杂性的日益激增而普遍，现在经常整合到网络中。2006年发射了云 - 大气圈激光雷达和红外探路者卫星观察（卡利皮），仍在绕地球绕。LIDAR气溶胶观测值现在用于空气质量的预测。多普勒激光雷达，以观察较低或更高大气中的风场。现在，它们已商业可用，并在世界各地广泛部署了风能行业，机场的监视等。LIDAR，用于测量温度，湿度，大气中气态成分的浓度，设想用于太空任务的垂直轮廓，并得益于激光和探测器技术的进展。特刊将试图概述LiDAR技术和科学的最新发展以及观察大气的工业应用。
通过电化学和晶体学分析确定层状氧化物的相变
摘要 通过恒电流间歇滴定技术在 3 至 4.2 V 电压范围内测定了 LiNi 1/3 Mn 1/3 Co 1/3 O 2 中的化学扩散系数。在充电和放电过程中，这些层状氧化物正极中的计算扩散系数分别在开路电压 3.8 V 和 3.7 V vs. Li/Li + 时达到最小。观察到的化学扩散系数的最小值表明在此电压范围内发生了相变。使用非原位晶体学分析确定了不同锂化状态下 LiNi 1/3 Mn 1/3 Co 1/3 O 2 正极的晶胞参数。结果表明，晶胞参数变化与 NMC 正极中化学扩散的观测值相关性很好；在同一电压范围内，绝对值有显著变化。我们将观察到的晶胞参数变化与镍转化为三价状态（具有 Jahn-Teller 活性）以及锂离子和空位的重新排列联系起来。
科学期刊
热带气旋降雨（TCR）广泛影响沿海社区，主要通过内陆洪水。全球气候变化对TCR的影响是复杂且有争议的。这项研究使用XGBoost机器学习模型，其中具有19年的气象数据和每小时的卫星沉淀观测值，以预测Indimical风暴的TCR。该模型将灰尘光学深度（DOD）识别为明显增强性能的关键预测指标。该模型还发现了撒哈拉粉尘和TCR之间的非线性和飞旋镖形状的关系，TCR峰为0.06 DOD，此后急剧下降。这表明从微观物理增强到高灰尘浓度下的辐射抑制。该模型还突出了TCR与气象因素（如海面温度和风暴核心附近的等效势温度）之间有意义的相关性。这些发现说明了机器学习在预测TCR及其理解其驱动因素和物理机制方面的有效性。
CO2 Photolysi
光化学研究光与分子之间的相互作用。紫外线辐射与大气相互作用，由于其能量，它可以解离，激发或电离其成分，从而启动其他过程。对不同能量与分子和原子的光子之间相互作用的相互作用有充分的了解对于准确建模大气物理学和气候预测至关重要。尽管其重要性，但照片碎片动态仍缺乏数据，因为实验设置很困难。我们将上火星大气作为自然实验室来测量来自CO 2 +Hν的量子产率O（1 s）作为波长的函数。我们分析了贝叶斯框架分析工具中NASA Maven/IUV光谱仪的4年连续遥感观测值。我们首次通过其整个生产光谱范围（≈80–126 nm）检索了量子收益率，并平均达到了不确定性的不确定性。在Lyman-α（121.6 nm）时，我们通过利用上火星大气的特性来达到2％的精度。
用于规则和不规则时间序列分类的新型高效储层计算方法
时间序列是指在一段时间内按时间顺序收集的一系列数据点，每个点通常记录在特定的时间戳。时间序列有两个主要组成部分：时间戳和观测值。时间戳表示获取特定记录的时间，而观测值则显示与每个时间戳相关联的值，该值表明该值相对于其他时间点的相对重要性。此外，时间序列数据可能还带有一些其他模式，使时间序列分析更具挑战性。例如，来自同一数据集的样本可能具有不同的长度（可变长度）和/或相邻时间点可能具有不同的时间间隔（异质间隔）。时间序列分析涉及研究和解释样本随时间变化的趋势和依赖性等模式，并已广泛应用于现实世界现象 [1-3]。其中，时间序列分类 (TSC) 专注于将序列数据分类并标记为不同的类别，在医学、电信和金融等领域发挥着不可或缺的作用。TSC 算法的有效性取决于它们平衡短期和长期记忆以及捕捉时间依赖性的能力，同时将所需模式与噪声模式区分开来。在过去的几十年中，已经开发了大量算法来解决这一特定领域。到目前为止，长短期记忆 (LSTM) 网络可以看作是一个里程碑式的突破，它为序列数据中复杂的长期依赖关系建模所带来的挑战提供了强大的解决方案 [4-7]。LSTM 网络是一种循环神经网络 (RNN)，它利用记忆单元和门作为控制信息在网络中流动的手段。网络的设计主要是为了缓解梯度消失的瓶颈。然而，网络的训练是通过最先进的时间反向传播 (BPTT) 技术实现的。虽然 BPTT 是一种强大而有效的方法，但它的计算成本可能很高，尤其是对于大型和深度神经网络而言。除了反向传播辅助神经网络外，基于距离的方法也在广泛的 TSC 任务中取得了巨大的成功 [8-10]，其中，1-最近邻动态时间规整 (1NN-DTW) 已被证明
使用机器学习和高分辨率激光雷达地形数据绘制丘陵景观的地形
地图是评估土壤和生态杂质的过程和危害，水文建模以及自然资源和土地管理的重要工具。基于现场调查或航空照片的映射土地形式的传统技术可能是时间和劳动密集型，强调了基于遥感产品的自动或半自动方法的重要性。此外，时间密集的手动标记也可以是主观的，而不是对地形的客观识别。在这里，我们实施了一种客观的方法，该方法将随机的森林机器学习算法应用于一组观察到的地形数据和1M水平分辨率裸露的数字高程模型（DEM），它是从空气中的光检测和范围数据（LIDAR）数据开发的，以快速映射丘陵地面的各种地面地面。地面分类包括高地高原，山脊，凸面，平面斜坡，凹陷坡，溪流通道和山谷底部，横跨俄克拉荷马州东北部俄克拉群岛的Ozark山脉的400公里2丘陵景观。我们使用了4200个地面观测值（每个地形600个）和八个从随机森林算法中的2 m，5 m和10 m分辨率LIDAR DEM得出的地形指数，以开发2 m，5 m和10 m分辨率地分辨率地面地面模型。我们通过比较观察到的地貌与建模地面的地图来测试DEM分辨率在映射地图中的有效性。结果表明，当协变量以2 m的分辨率分辨率为〜89％时，该方法绘制了约84％的观察到的地形，分辨率为10 m。使用这种方法开发的地图图具有多种潜在应用。然而，预测的地图显示，2 m分辨率的协变量在捕获准确的地形边界和小型地面的细节（例如溪流通道和山脊）方面表现更好。与使用空中图像和现场观测值相比，此处介绍的方法大大减少了绘制地图的时间，并允许掺入各种各样的协变量。它可以用于水文建模，自然资源管理，并在丘陵景观中表征土壤地球形过程和危害。
多元时间序列生成建模和预测的变异自动编码器和变压器：涡旋诱导振动的应用
本研究采用数据驱动的方法来研究物理系统振动，重点关注两个主要方面：使用变异自动编码器（VAE）生成物理数据（即数据“相似”与通过现实世界过程获得的使用变压器，以便使用体内稀疏传感器（观察者）中的信息在时间空间中连续预测柔性身体非平稳振动（2D时间序）。 VAE经过从作者进行的实验中收集的涡旋诱导振动（VIV）数据进行训练，然后负责生成类似于实验的合成VIV数据。 然后使用合成数据来训练一个变压器结构，其目标是使用稀疏观测值不断预测时间空间的振动。 针对实际实验测试了变压器（从未见过实际数据），并将其性能与对实际数据训练的相同体系结构进行了比较。 这样做，VAE的能力生成保留其培训数据内在属性的数据（即） 评估身体）。 最终提出了变压器体系结构，LSTM和DNN的预测性能之间的比较。使用变压器，以便使用体内稀疏传感器（观察者）中的信息在时间空间中连续预测柔性身体非平稳振动（2D时间序）。VAE经过从作者进行的实验中收集的涡旋诱导振动（VIV）数据进行训练，然后负责生成类似于实验的合成VIV数据。然后使用合成数据来训练一个变压器结构，其目标是使用稀疏观测值不断预测时间空间的振动。针对实际实验测试了变压器（从未见过实际数据），并将其性能与对实际数据训练的相同体系结构进行了比较。这样做，VAE的能力生成保留其培训数据内在属性的数据（即身体）。最终提出了变压器体系结构，LSTM和DNN的预测性能之间的比较。
云型的机器学习 - 泰特里 - 观察 -
摘要。气候模型中云反馈的不确定性是未来Climeate预测的主要限制。因此，云模拟的评估和改进对于确保气候模型的准确性至关重要。我们在气候模型中相对于卫星观测值分析了云偏差和云的变化，相对于全球平均值近表面温度（GMST），并将它们与均衡气候灵敏度，瞬态气候响应和云反馈相关联。For this purpose, we develop a supervised deep convolutional artificial neural network for determination of cloud types from low-resolution (2.5 ◦ × 2.5 ◦ ) daily mean top-of-atmosphere shortwave and longwave radiation fields, corresponding to the World Meteorological Organization (WMO) cloud genera recorded by human observers in the Global Telecommunication System (GTS).We train this network on top-of-atmosphere radiation retrieved by the Clouds and the Earth's Radiant Energy System (CERES) and GTS and apply it to the Coupled Model Intercomparison Project Phase 5 and 6 (CMIP5 and CMIP6) model output and the European Centre for Medium-Range Weather Forecasts (ECMWF) Reanalysis version 5 (ERA5) and the Modern-Era Retrospective Analysis for Research and Applications version 2 （Merra-2）Reanalyses。我们比较模型和卫星观测值之间的云类型。我们将偏见与气候灵敏度联系起来，并确定云类型的根平方误差与源自神经网络的均方根误差与模型平衡气候灵敏度（ECS），瞬态气候响应（TCR）和云反馈。模型集合中的这种统计关系有利于具有较高EC，TCR和云反馈的模型。但是，这种关系可能是由于当今偏见和未来预测的云变化之间使用的集合的规模相对较小或解耦。使用ebrupt-4×CO 2 CMIP5和CMIP6实验，我们表明，模拟层状减少和增加的累积云的模型往往具有比模拟层状增加和减小累积云的模型更高的EC，并且这也可以部分解释模型云类型的发生之间的关联。