XiaoMi-AI文件搜索系统
World File Search System鉴定精度
增材制造 - NIST 的 TSAPPS
本研究改进了计量数据集的表面配准方法，以提高增材制造 (AM) 晶格的多方法鉴定精度。使用基于理论补充表面定义的派生几何基准特征对齐从 X 射线计算机断层扫描和 AM 晶格的坐标测量机获取的数据集，该理论补充表面定义已在最近的草案标准中建立，但在使用复杂 AM 结构时进行了有限的检查。基于空间相关子采样的晶格几何的改进采样配准方法被推导并显示可统计地减少测量源之间的差异。强调了明确定义的采样实践和定义的重要性。讨论了这种方法对复杂 AM 部件的多方法鉴定的适用性。本研究为利用新标准中正在考虑的规范奠定了基础，并可能采用验证技术。
使用智能手机驱动的，快速积累的社区源数据来促进生物多样性监测
摘要生态系统服务部分源自生物学多样性，是对人类社会的基本支持。但是，人类活动对生物多样性造成了损害，最终危害了这些关键的生态系统服务。停止自然损失并减轻这些影响需要全面的生物多样性分配数据，这是实施Kunming-Montreal全球生物多样性框架的要求。为了有效地从公众那里收集物种观察，我们在日本启动了“生物群体”移动应用程序。通过采用物种识别算法和游戏化元素，该应用程序自2019年推出以来已收集> 600万的观察结果。但是，社区采购的数据经常表现出空间和分类偏见。物种分布模型（SDMS）在适应这种偏见的同时推断物种分布。我们研究了Biome数据的质量以及合并数据如何影响SDM的性能。物种鉴定精度超过鸟类，爬行动物，哺乳动物和两栖动物的95％，但是种子植物，软体动物和鱼类得分低于90％。对日本的132种陆地动植物的分布进行了建模，并通过将我们的数据纳入传统的调查数据来提高其准确性。对于濒危物种，传统的调查数据需要> 2,000个记录以构建准确的模型（Boyce指数≥0.9），尽管将两个数据源混合在一起时仅需要CA.300记录。独特的数据分布可能解释了这一进步：生物群落数据统一涵盖了城市 - 自然梯度，而传统数据则偏向自然区域。将多个数据源结合起来提供了对日本物种分布的见解，有助于保护区域名称和生态系统服务评估。提供一个平台来积累社区来源的分布数据和改进数据处理协议，不仅有助于保存自然生态系统，还将有助于检测物种分布变化和测试生态理论。