Using monthly observations and ensemble hindcasts of the Nanjing University of Information Science and Technology Climate Forecast System(NUIST-CFS1.0) for the period 1983–2020, this study investigates the forecast s...Using monthly observations and ensemble hindcasts of the Nanjing University of Information Science and Technology Climate Forecast System(NUIST-CFS1.0) for the period 1983–2020, this study investigates the forecast skill of marine heatwaves(MHWs) over the globe and the predictability sources of the MHWs over the tropical oceans. The MHW forecasts are demonstrated to be skillful on seasonal-annual time scales, particularly in tropical oceans. The forecast skill of the MHWs over the tropical Pacific Ocean(TPO) remains high at lead times of 1–24 months, indicating a forecast better than random chance for up to two years. The forecast skill is subject to the spring predictability barrier of El Nino-Southern Oscillation(ENSO). The forecast skills for the MHWs over the tropical Indian Ocean(TIO), tropical Atlantic Ocean(TAO), and tropical Northwest Pacific(NWP) are lower than that in the TPO. A reliable forecast at lead times of up to two years is shown over the TIO, while a shorter reliable forecast window(less than 17 months) occurs for the TAO and NWP.Additionally, the forecast skills for the TIO, TAO, and NWP are seasonally dependent. Higher skills for the TIO and TAO appear in boreal spring, while a greater skill for the NWP emerges in late summer-early autumn. Further analyses suggest that ENSO serves as a critical source of predictability for MHWs over the TIO and TAO in spring and MHWs over the NWP in summer.展开更多
研究了铸态Cu-1.0Ni-0.2P合金在750、800、850、900、950℃,0.1、1.0、10.0 s-1应变率下的高温变形行为,获得其热压缩过程的流变应力-应变曲线,构建基于Arrhenius方程的本构模型和热加工图,阐明了变形温度和应变率对铸态Cu-1.0Ni-0.2P...研究了铸态Cu-1.0Ni-0.2P合金在750、800、850、900、950℃,0.1、1.0、10.0 s-1应变率下的高温变形行为,获得其热压缩过程的流变应力-应变曲线,构建基于Arrhenius方程的本构模型和热加工图,阐明了变形温度和应变率对铸态Cu-1.0Ni-0.2P合金显微组织的影响规律。结果表明:铸态Cu-1.0Ni-0.2P合金对温度、应变率较为敏感,其流变应力总体上随变形温度的升高而降低、随应变率的增大而增大,在真应变ε=0.2和ε=0.4对应的热变形激活能分别为359.102 k J/mol和498.313 k J/mol。同一温度下,当应变率为1、10 s-1时,长条变形晶粒更少或再结晶晶粒较小;随变形温度的升高,合金长条变形晶粒发生再结晶和晶粒长大,当热加工温度为900~950℃时,再结晶组织较为均匀。结合显微组织论证分析得到铸态Cu-1.0Ni-0.2P合金的最佳热加工工艺参数为900~950℃、1 s-1和900℃、10 s-1,为铸态Cu-1.0Ni-0.2P合金的热加工工艺提供理论指导。展开更多
公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目...公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。展开更多
在复杂的自然环境中绿色柑橘生长形态各异,颜色与背景色相近,为有效识别绿色柑橘,提出一种基于混合注意力机制并改进YOLOv5模型的柑橘识别方法。首先,改进YOLOv5的网络结构,在主干网络中添加混合注意力机制,即在主干网络中的第2层嵌入SE...在复杂的自然环境中绿色柑橘生长形态各异,颜色与背景色相近,为有效识别绿色柑橘,提出一种基于混合注意力机制并改进YOLOv5模型的柑橘识别方法。首先,改进YOLOv5的网络结构,在主干网络中添加混合注意力机制,即在主干网络中的第2层嵌入SE(squeeze and excitation)注意力,第11层嵌入CA(coordinate attention)注意力;其次,改进网络模型特征融合结构,将YOLOv5模型Concat特征融合操作的下层分支放在模型C3模块之前,再与另一条上层分支进行特征融合;最后,改进模型分类损失函数,将YOLOv5模型的分类损失函数改成Varifocal Loss函数,加强绿色柑橘特征信息的提取,提高绿色柑橘检测精度。根据自然环境和柑橘自身的特点,对自建数据集进行分类,设计3组不同分类场景下柑橘的对比试验以验证其有效性。试验结果表明,改进后的YOLOv5-SC模型准确率为91.74%,平均精度为95.09%,F1为89.56%,在自然环境下对绿色柑橘的识别具有更高的准确率和更好的鲁棒性,为绿色水果智能采摘提供技术支持。展开更多
基金jointly supported by the National Natural Science Foundation of China (Grant Nos.42192562 and 42030605)。
文摘Using monthly observations and ensemble hindcasts of the Nanjing University of Information Science and Technology Climate Forecast System(NUIST-CFS1.0) for the period 1983–2020, this study investigates the forecast skill of marine heatwaves(MHWs) over the globe and the predictability sources of the MHWs over the tropical oceans. The MHW forecasts are demonstrated to be skillful on seasonal-annual time scales, particularly in tropical oceans. The forecast skill of the MHWs over the tropical Pacific Ocean(TPO) remains high at lead times of 1–24 months, indicating a forecast better than random chance for up to two years. The forecast skill is subject to the spring predictability barrier of El Nino-Southern Oscillation(ENSO). The forecast skills for the MHWs over the tropical Indian Ocean(TIO), tropical Atlantic Ocean(TAO), and tropical Northwest Pacific(NWP) are lower than that in the TPO. A reliable forecast at lead times of up to two years is shown over the TIO, while a shorter reliable forecast window(less than 17 months) occurs for the TAO and NWP.Additionally, the forecast skills for the TIO, TAO, and NWP are seasonally dependent. Higher skills for the TIO and TAO appear in boreal spring, while a greater skill for the NWP emerges in late summer-early autumn. Further analyses suggest that ENSO serves as a critical source of predictability for MHWs over the TIO and TAO in spring and MHWs over the NWP in summer.
文摘研究了铸态Cu-1.0Ni-0.2P合金在750、800、850、900、950℃,0.1、1.0、10.0 s-1应变率下的高温变形行为,获得其热压缩过程的流变应力-应变曲线,构建基于Arrhenius方程的本构模型和热加工图,阐明了变形温度和应变率对铸态Cu-1.0Ni-0.2P合金显微组织的影响规律。结果表明:铸态Cu-1.0Ni-0.2P合金对温度、应变率较为敏感,其流变应力总体上随变形温度的升高而降低、随应变率的增大而增大,在真应变ε=0.2和ε=0.4对应的热变形激活能分别为359.102 k J/mol和498.313 k J/mol。同一温度下,当应变率为1、10 s-1时,长条变形晶粒更少或再结晶晶粒较小;随变形温度的升高,合金长条变形晶粒发生再结晶和晶粒长大,当热加工温度为900~950℃时,再结晶组织较为均匀。结合显微组织论证分析得到铸态Cu-1.0Ni-0.2P合金的最佳热加工工艺参数为900~950℃、1 s-1和900℃、10 s-1,为铸态Cu-1.0Ni-0.2P合金的热加工工艺提供理论指导。
文摘公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。
文摘在复杂的自然环境中绿色柑橘生长形态各异,颜色与背景色相近,为有效识别绿色柑橘,提出一种基于混合注意力机制并改进YOLOv5模型的柑橘识别方法。首先,改进YOLOv5的网络结构,在主干网络中添加混合注意力机制,即在主干网络中的第2层嵌入SE(squeeze and excitation)注意力,第11层嵌入CA(coordinate attention)注意力;其次,改进网络模型特征融合结构,将YOLOv5模型Concat特征融合操作的下层分支放在模型C3模块之前,再与另一条上层分支进行特征融合;最后,改进模型分类损失函数,将YOLOv5模型的分类损失函数改成Varifocal Loss函数,加强绿色柑橘特征信息的提取,提高绿色柑橘检测精度。根据自然环境和柑橘自身的特点,对自建数据集进行分类,设计3组不同分类场景下柑橘的对比试验以验证其有效性。试验结果表明,改进后的YOLOv5-SC模型准确率为91.74%,平均精度为95.09%,F1为89.56%,在自然环境下对绿色柑橘的识别具有更高的准确率和更好的鲁棒性,为绿色水果智能采摘提供技术支持。
