为了达到快速识别和检测油类污染物的目的,以激光诱导荧光技术为基础搭建了荧光光谱检测系统,得到0 #柴油、95 #汽油和普通煤油3种不同油种的荧光光谱,然后从荧光光谱信息中提取特征参量,将标准差、中心距和荧光峰的峰度系数作为敏感特征参量进行聚类分析,最后采用拟合曲线法求得待测样品的质量浓度。实验结果表明,LIF技术结合特征参量提取法和拟合曲线法可用于不同油类污染物的定性和定量检测,为快速识别和检测油类污染物提供了一种新思路。

需要读入已经包络线消除的文本文件

通过分析典型负载下电弧电流高频分量在时域与频域表现出的不同特征，提出一种串联交流电弧故障检测方法。该方法利用电弧电流变化率与其有效值的比值以及6~12 kHz频段电流幅值这2个特征参量进行串联交流电弧故障识别；并利用负载启动电流持续时间远远小于电弧电流持续时间的特点，设定电弧故障检测时间阈值，降低负载启动过程对串联交流电弧故障检测的影响。试验结果表明，所提方法能够实现串联交流电弧故障的快速检测，对硬件要求相对较低，简便易行。

GLASS-GLC产品以1982～2015年的全球陆表特征参量数据集（GLASS CDR）为数据源，借助谷歌地球引擎（Google Earth Engine）平台进行开发，涵盖耕地、森林、草原、灌木、苔原、裸地和冰雪七大土地覆盖类别。基于全季节普适样本库，在有限样本稳定分类理论的支撑下，GLASS-GLC数据集采集了全球均匀分布、高代表性和典型性的上万个大型一致样本（Huge homogeneous samples，H-homo），并结合滤波重建的数据立方体和四维时空谱特征立方体，以及分类后时空一致性后处理，有效确保了数据产品的可靠性和地物判别的有效性。经全球独立样本库检验，GLASS-GLC数据集年平均精度达82.81％，同时还能向用户提供详细的制图不确定性空间分布图。 GLASS-GLC反映了长达34年的全球土地覆盖时空变化格局，包括热带地区耕地增加，北半球森林增加以及亚洲的草地减少等显著现象。定量分析表明，在土地覆盖显著变化地区，人类活动对环境的影响水平高达25.49％。分析结果还显示，人类活动影响与植被面积增加有很强的相关性。分析同已有土地覆盖数据产品相比，GLASS-GLC数据集具有高精度、高一致性、高可比性、更丰富类别信息和更长时间覆盖范围的特点，填补了当今世界已有制图产品的空白。