15、敏捷实践中的项目进展与挑战

敏捷实践中的项目进展与挑战

1. 项目初期情况(7 月 7 日,周二)
  • 任务分配 :Arash 依据上周末创建的新故事和相关内容,在 Slack 上为每个团队发布了待办事项清单。因上周演示会议超时,当天的站立会议延长,用于规划和梳理新故事。
  • 团队进展汇报
    | 团队 | 进展情况 |
    | — | — |
    | Team 11 | 在 JupyterHub 上成功实现自定义聊天功能,并添加直播课程中创建分组讨论室的按钮。 |
    | Team Rocket | Thomas 和 Peter 继续处理 bug;Paul 和 Mihai 查看新故事并准备接手;Kevin 和 Than 探索数据可视化平台的实现方案,请求与 Mohammad 和 Masoud 讨论需求。 |
    | A - Team | Bassem 和 Michael 继续修复 bug、关联课程并根据 Masoud 的反馈进行更改,同时研究笔记本共享功能;Chelsea、Stephanie 和 Toya 合并所有 bug 修复,需从新故事中挑选任务。 |
  • 故事梳理与评估 :Yousef 负责会议的梳理部分,打开积压的第一个关于分组讨论室实现的故事,让大家自行阅读并在聊天中评估规模。Bassem 表示因未使用过 Zoom 不知如何评估,Yousef 称不知道就不用评估,这与之前团队的评估方式不同。后续故事的评估数量大幅减少,Yousef 在至少三到五名成员输入相同规模后分配规模标签,这进一步阻碍了成员参与评估及提交不同评估结果。最终,Team 11
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量一致性;后期处理则涉及模型输出的物理量转换结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值