基于残差注意力网络模型的浮游植物识别

浮游植物作为水生态系统中最重要的生物组成部分之一,对水环境敏感,在水环境监测中得到了广泛的关注。然而水生环境复杂多样,准确高效地识别浮游植物是监测工作中的一大挑战。当前浮游植物识别方法可分为经典形态学分类、分子标记和人工智能图像识别三类。前两种方法已被广泛采用,但费时费力,不利于监测机构的大规模应用和推广。同样,利用图像进行自动化分类难以在高准确率与高效率上达到平衡。深度学习技术的发展为此提供了新思路。本文提出一种新的深度卷积神经网络RAN-11。该网络以残差注意力网络Attention-56和Attention-92为基础,凭借通道对齐融合主干上的底层特征与顶层特征,通过调整注意力模块和残差快个数以精简结构,并引入了Leaky ReLU激活函数代替ReLU。以太湖11个优势属共计1036张图像为数据来源进行对比验证。除星杆藻外,RAN-11对单一优势属的的查准率都在90%以上,并且有5个优势属达到100%的查准率。RAN-11的识别准确率为95.67%,推理速率为41.5帧/s,不仅比Attention-92（95.19%的准确率,23.6帧/s）更准确,而且比Attention-56（94.71%的准确率,41.2帧/s）更快,真正兼顾了准确率与效率。研究结果表明：（1）RAN-11在查准率、准确率和推理速率上优于原始残差注意力网络,更优于以词包模型为代表的传统图像识别方法;（2）融合多尺度特征、精简网络结构和优化激活函数是提高卷积神经网络性能的有力手段。建立在经典分类基础之上,本文提出新的残差注意力网络来提升浮游植物鉴定技术,并构建出浮游植物自动化识别系统,识别准确率高、易于推广,对于实现水体中浮游植物的自动化监测具有重要意义。     

基于数据包络分析方法的城市水资源利用效率研究

为了对我国城市水资源利用效率问题进行分析和评价,本文基于数据包络分析方法,从农业、工业、生活、社会等几个方面共选取了5个输入指标及6个输出指标,利用AIC信息准则(Akaike information criterion)进行了变量选择,构建了较为科学合理的用水效率评价指标体系.在此基础上,采用香农熵指数提升了传统CCR(由Charnes A,Cooper W W,Rhodes E提出)模型的识别能力,选取我国31个省会城市为研究对象,给出了省会城市水资源效率的完整排名。结果表明:①绝大部分城市综合效率得分(CES,Comprehensive efficiency score)普遍不高,投入产出比仍有较大的进步空间;②拉萨、北京、天津、银川、海口、上海等城市CES得分相对较高,这说明一个城市水资源利用效率的高低与经济发展水平可能没有必然的联系,其他城市应结合自身情况向CES得分靠前的城市进行学习;③重庆、南宁、南昌、长沙等水资源较丰富的城市CES得分反而较低,表明这些城市可能存在大量水资源被浪费,应建立起节水机制,同时优化产业结构。