基于FastICA的无人机声学检测方法

随着无人机(UAV)的广泛应用,无人机“黑飞”等问题也随之而来。针对强干扰环境下的无人机声音识别问题,提出一种基于FastICA算法的无人机识别方法。使用FastICA算法提取出无人机声音,再对无人机声音进行识别,从而提高了无人机声音检测方法的抗干扰能力。实验结果表明:所述方法在多种声源混合的情况下,仍能较好地识别无人机声音,并对不同型号的无人机均有较好地识别效果。同时考虑了识别距离对识别率的影响,结果表明:随着识别距离变大,所述算法仍能较好地识别无人机。

城市化对空气污染人群暴露贡献的定量方法研究

短期快速城市化引发一系列生态环境问题,尤其是近年来以细颗粒物(PM_(2.5))为代表的城市与区域空气污染问题。人群的污染暴露一方面是因为污染区范围的扩张,另外一方面则归因于城市化引发的人口迁移,目前的研究重点关注于前者的贡献,而忽略了后者的贡献。因此,建立了城市化对空气污染人群暴露贡献的定量方法,并选取我国PM_(2.5)污染最为严重的京津冀城市群开展了实证研究,通过利用2000、2005、2010、2015年PM_(2.5)浓度和人口栅格数据以及人口自然增长率数据,定量评估了城市化引发的人口迁移对空气污染人群暴露的贡献。研究结果显示:(1)京津冀地区受污染影响面积和人口变化显著,造成大量的人口暴露于PM_(2.5)污染。(2)城市化引发的人口迁移与自然增长贡献率方面:总体上,2000—2015年,京津冀城市群总的人口迁移贡献率为48%,北京市和天津市总的人口迁移贡献率分别为94%和88%,而河北省污染总的人口迁移贡献率为-32%。其中在污染保持区,北京市和天津市的人口迁移贡献率均接近100%,而河北省的迁移贡献率为-26%,尤其在2010—2015年,河北省衡水市的人口迁移贡献率达到-6613%;在污染新增区,北京市和天津市的人口迁移贡献率分别为86%和84%,而河北省污染的人口迁移贡献率为-757%。本研究建立了定量化的方法揭示了城市化在空气污染人群暴露中的定量贡献,为科学引导城市化发展提供了定量的手段,为合理规划京津冀城市群地区的人口流动与空气污染奠定了数据基础。

城市空气污染对周边区域空气质量的影响

京津冀地区是全球以PM_(2.5)为首要污染物的空气污染最严重的区域之一,并已严重制约区域发展。大区域尺度上(例全国尺度)开展城市与其周边区域的PM_(2.5)的研究通常直接比较二者的浓度差异,以定量地评估城市PM_(2.5)污染对周边区域的影响,但这种方法在小区域较难精细地刻画城市对周边区域的影响的方向性和距离性差异。利用京津冀地区13个城市2000年,2005年,2010年,2015年PM_(2.5)浓度和土地覆盖类型数据,以城市重心到城市边界的平均距离为基本距离,建立每个城市的一级(一倍基本距离)和二级(二倍基本距离)缓冲区,然后将缓冲区分成8个象限,以定量分析城市PM_(2.5)污染对周边区域影响的方向性和距离差异。结果发现:(1)2000—2015年,京津冀城市群各地级市与周边区域空气质量时空分布分为以下两种模式:第一种模式是城区浓度高,周边区域低;第二种模式是城区浓度低,周边区域高且浓度差异很小。(2)各地级市对周边区域影响程度和范围呈上升趋势,并且这种影响具体表现在距离性和方向性两方面:(1)大部分城市距离城区越远,受城市PM_(2.5)污染的潜在影响越大。(2)2000—2015年,除天津、廊坊、衡水和沧州,其余城市空气污染对周边影响的方向性特征差异显著。通过建立城市空气污染对周边区域定量化方法并在京津冀开展实证研究,拓展了城市空气污染对周边区域空气质量影响研究的方法体系,为定量地开展城市化的生态环境效应研究提供了方法和实证拓展。

智能化无人机入侵检测与跟踪拦截系统设计与实现

近年来民用无人机领域发展迅猛,导致无人机“黑飞”事件频出,给国家安全及社会稳定带来了不小的挑战,迫切需要发展反无人机技术。对此,提出一种跟随式定向干扰方案,设计了一套基于视觉的无人机入侵检测与自动跟踪拦截系统。采用HOG+非线性SVM方案来识别无人机,加入ViBe运动目标检测算法来提高识别速度,并通过KCF算法实现无人机目标跟踪。设计制作无人机拦截系统的硬件设备主要包括跟踪伺服系统、底座和托盘等。实验表明,该系统的识别准确率达到90.54%,识别速度为20.56 fps,拦截平台能够在0.5 s内实现对目标无人机的瞄准,跟踪效果良好。在搭建的实物平台上进行系统测试,结果表明,该系统可实现对入侵无人机的运动检测、识别、跟踪与干扰,且识别准确率高,实时性好,能够对入侵的无人机进行自动拦截。