XiaoMi-AI文件搜索系统
World File Search System高山
在陡峭的高山地形中安全的低空导航，带固定翼无人机
[1] Heck，Matthias等。“结合阵列分类和本地化的雪崩自动检测。”地球表面动力学7.2（2019）：491-503。地球表面动力学7.2（2019）：491-503。
使用元基因组采矿方法从高山土壤的质体中寻找新的降解酶
塑料材料，包括微塑料，即使在欧洲阿尔卑斯山等偏远和寒冷的环境中也积聚在所有类型的生态系统中。这种污染对环境和人类构成了风险，需要解决。使用大约3,000 m a.s.l.的东部瑞士阿尔卑斯山收集的土壤的shot弹枪DNA宏基因组学，我们确定了可能降解塑料的基因及其蛋白质。我们通过差异丰度分析筛选了质体和大块土壤的宏基因组，并与专门针对推定的塑料降解基因的特定数据库进行了基于相似性的筛选，并选择了具有信号肽的高概率的基因，用于信号肽的细胞外导出和高信任的功能率。此过程导致了9个候选基因的最终列表。预测蛋白的长度在425至845个氨基酸之间，预测产生这些蛋白质的属主要属于Caballeronia和Bradyrhizobium。我们使用异源表达进行了功能验证，然后进行上清液的酶测定。测试的九种蛋白质中的五种显示出我们使用酯酶测定时的活性显着增加，而从候选基因（一种水解酶型酯酶）中的五种蛋白质中的一种显然具有最高的活性，高于双倍以上。，我们仅用来自酯化酯酶测定中五个候选基因的蛋白质对塑料类型的塑料降解和生态®进行荧光测定，但是像阴性对照一样，这些蛋白质并未显示出任何偶尔的活性。相比之下，阳性对照的活性（包含文献中已知的Pla降解基因插入物）是阴性对照的20倍以上。这些发现表明，在计算机筛选中进行功能验证，适合查找新的降解酶。尽管我们只发现了一种新的酯酶酶，但我们的方法有可能应用于任何类型的土壤和各种生态系统中的塑料，以快速有效地寻找新的塑料降解酶。
气候变化破坏了高山生态系统中植物和土壤微生物养分循环的季节性耦合
fi g u r e 2在高山草原中评估的全范围植物和土壤特性的季节性动态。属性按最大季节进行分组：（a）春季； （b）夏天； （c）秋天。在灌木膨胀下，某些特性明显更高（ + s）或较低（-s）。AOA，氨氧化古细菌； AOB，氨氧化细菌； CBH，几核酸水解酶； GLC，β-葡萄糖酶； NAG，N-乙酰葡萄糖氨基酶； Per，过氧化物酶； Pho，磷酸酶；痘，苯酚氧化酶； URE，尿布； xyl，β-二基固醇酶。 出于可视化的目的，将所有变量缩放为平均值为0，标准偏差为1。 对未量化的数据进行统计分析n = 8。 有关更多详细信息，包括实际均值和SE，精确的P和χ2值，请参见表S1 – S3。AOA，氨氧化古细菌； AOB，氨氧化细菌； CBH，几核酸水解酶； GLC，β-葡萄糖酶； NAG，N-乙酰葡萄糖氨基酶； Per，过氧化物酶； Pho，磷酸酶；痘，苯酚氧化酶； URE，尿布； xyl，β-二基固醇酶。出于可视化的目的，将所有变量缩放为平均值为0，标准偏差为1。对未量化的数据进行统计分析n = 8。有关更多详细信息，包括实际均值和SE，精确的P和χ2值，请参见表S1 – S3。
使用机器学习模型绘制高山谷（意大利北部）中的土壤有机碳库存和不确定性
摘要：在这项研究中，我们对两个土壤层（0-10 cm和0–30 cm; Soc股票10和SOC 10和SOC 30）的土壤有机碳库存（SOC库存）和相关的不确定性进行了全面分析。，我们在不同的机器学习模型中采用了数字土壤图（DSM）方法，包括多元自适应回归花纹（MARS），随机森林（RF），支持向量回归（SVR）和Elastic Net（ENET）。我们的数据集包含来自110个Pro文件的土壤数据，考虑到存在岩石碎片的存在，所有基于散装密度（BD）的所有采样点的SOC库存计算，无论是测量还是估计。作为我们研究的环境协变量，我们使用了环境变量，尤其是从数字高程模型（具有20 m像素分辨率），土地覆盖数据和气候图中得出的地貌学参数。为了评估模型的有效性，我们使用确定的系数评估了他们预测SOC股票10和SOC股票30的能力（R 2）。SOC股票10的结果如下：火星0.39，ENET 0.41，RF 0.69和SVR 0.50。对于SOC库存30，相应的R 2值为：MARS 0.45，ENET 0.48，RF 0.65和SVR 0.62。此外，我们计算了均方根误差（RMSE），平均绝对误差（MAE），偏差和Lin的一致性相关系数（LCCC），以进行进一步评估。使用RF模型的由此产生的SOC库存图显示了SOC股票10的RMSE = 1.35 kg m -2的精度，而SOC库存的RMSE = 3.36 kg m -2的精度。为了绘制SOC库存的空间分布并解决两个土壤层中的不确定性，我们选择了RF模型，因为它的性能更好，如最高R 2和最低的RMSE和MAE所示。为了进一步评估和说明土壤图的精度，我们通过分析了表现最佳的RF模型的50个迭代的标准偏差（SD），进行了不确定性评估和映射。该分析有效地强调了我们土壤图中获得的高精度。不确定性的地图表明，与SOC股票相比，RF模型可以更好地预测SOC股票10。预测SOC股票的正确范围是该方法论的主要局限性。
额外的植物学解决了高山果实成熟的难题
番茄（溶胶lycopersicum）的果实是最新的，这意味着它们的成熟是通过自我维持的过程进行的，该过程在很大程度上依赖于气态植物激素乙烯的合成和感知，并以水果中的高水平层次的水平来表征（图。 1）（Payasi和Sanwal，2010年； Kou等人。 ，2021）。 启动了成熟的卡德，它将完成其路线，而无需母植物的任何贡献；这使种植者可以在早期成熟阶段收集高潮的水果，这些阶段更容易处理和运输，并且可以比成熟的水果更长的储存。 番茄被认为是研究肉体果实发展和最新成熟的模型物种，当前对番茄成熟的知识非常广泛（Barry and Giovannoni，2007年）。 然而，仍然缺少这个具有挑战性的难题。 番茄水果1）（Payasi和Sanwal，2010年； Kou等人。，2021）。启动了成熟的卡德，它将完成其路线，而无需母植物的任何贡献；这使种植者可以在早期成熟阶段收集高潮的水果，这些阶段更容易处理和运输，并且可以比成熟的水果更长的储存。番茄被认为是研究肉体果实发展和最新成熟的模型物种，当前对番茄成熟的知识非常广泛（Barry and Giovannoni，2007年）。然而，仍然缺少这个具有挑战性的难题。番茄水果
冰川静修会重新组织河流栖息地，使高山无脊椎动物生物多样性不佳1
Alpine River Biotiverity在冰川撤退中受到快速变暖驱动的冰川撤退的威胁，但是我们预测专业冷水物种的未来分布的能力目前有23个限制。在这里，我们将未来的冰川预测，水文路由方法和物种24分布模型联系起来，以量化冰川对整个欧洲阿尔卑斯山的15 25阿尔卑斯河无脊椎动物物种的人口分布的变化，从2020年到2100年。冰川26对河流的影响预计将稳步下降，河网的河流以每十年1％的速度扩展为27个海拔。物种预计将经历上游分布的变化28，其中冰川持续存在，但在功能上灭绝了冰川完全消失。预计有几个29个高山集水区为冷水专家提供气候避难。但是，当今的30个受保护区网络提供了对这些未来避难所的相对较差的覆盖范围，31表明高山保护策略必须改变以适应32个全球变暖的未来影响。33
印度理工学院曼迪分校科学家开发人工智能算法，提高山体滑坡预测的准确性
印度曼迪理工学院，2023 年 2 月 21 日：印度曼迪理工学院的研究人员开发了一种使用人工智能和机器学习 (AI&ML) 的新算法，可以提高自然灾害预测的准确性。该算法由印度曼迪理工学院土木与环境工程学院副教授 Dericks Praise Shukla 博士和印度曼迪理工学院前研究学者、目前在特拉维夫大学 (以色列) 工作的 Sharad Kumar Gupta 博士开发，可以解决滑坡敏感性测绘数据不平衡的挑战，该测绘表示特定区域发生滑坡的可能性。他们的研究成果最近发表在《滑坡》杂志上。
高山生态中的多尺度高分辨率地形模型：机载激光雷达和无人机立体摄影测量技术的优缺点
摘要：高山环境易受气候变化影响，迫切需要准确建模和了解这些生态系统。过去十年来，使用数字高程模型 (DEM) 来获取代理环境变量的普及度不断提高，特别是因为 DEM 可以相对便宜地以非常高的分辨率 (VHR；<1 米空间分辨率) 获取。在这里，我们实现了一个多尺度框架，并比较了由光检测和测距 (LiDAR) 和立体摄影测量 (PHOTO) 方法产生的 DEM 衍生变量，目的是评估它们在物种分布建模 (SDM) 中的相关性和实用性。以瑞士西部阿尔卑斯山两个山谷的北极高山植物 Arabis alpina 为例，我们表明 LiDAR 和 PHOTO 技术均可用于生成用于 SDM 的 DEM 衍生变量。我们证明，PHOTO DEM 的空间分辨率至少为 1 米，其精度可与 LiDAR DEM 相媲美，这在很大程度上要归功于与市售的 LiDAR DEM 相比，PHOTO DEM 可以根据研究地点进行定制。我们获得了空间分辨率为 6.25 厘米 - 8 米（PHOTO）和 50 厘米 - 32 米（LiDAR）的 DEM，其中我们确定 SDM 中 DEM 衍生变量的最佳空间分辨率在 1 到 32 米之间，具体取决于变量和站点特征。我们发现 PHOTO DEM 范围的缩小改变了所有衍生变量的计算，这对它们的重新计算产生了特殊影响