本发明公开了一种结合全球 DEM 与立体视觉的卫星影像云检测方法，利用密集匹配的 DSM 数据 和现有的全球 DEM 数据 SRTM，结合高程与影像灰度信息提取云区域。主要步骤如下：通过多影像多 匹配基元方法获得模型匹配的 M-DSM，基于特征线的方法配准 M-DSM 与 SRTM，通过高程差值获得 初始种子点，然后把种子点计算到像方，结合影像的灰度信息提取出云区域。本发明在有大面积雪的影 像，能有效的避免雪的干扰，准确地检测出云区，提高了遥感影像的利用率。 

本发明提供了一种适用于复杂车载激光扫描数据的单株树木自动提取方法，主要分为两大步骤：基 于聚类特征的粗分类，从车载激光扫描数居中获取可能包含树木的点聚类，称之为候选树木聚类；基于 两级体素的区域生长，从每一个候选树木聚类中提取出所包含的单株树木点云。本本发明结合树木的整 体和局部几何特征，能够在复杂环境中自动识别出单株树木的种子，针对树干与树冠分别制定不同的生 长规则，分别进行生长，实现单株树木提取。同其他单株树木提取算法相比，该方法在树木数量的提取 完整度和正确率、单株树木点云的提取精度以及复杂环境下的提取等方面取得了较大提高，能够用于进 一步的树木信息提取。 

本发明公开了一种结合时空信息的遥感逐日积雪产品去云方法，首先根据 DEM 数据和土地利用数 据对遥感逐日积雪产品进行积雪单元划分;再利用 DEM 数据和多时相数据分别得到每个云像元在空间 和时间上的积雪概率;最后利用加权平均的方法获得云像元的积雪概率，评判云像元是积雪还是无雪。 本发明充分结合了积雪在空间上和时间上的相关性，以及地形因子对积雪的影响，有效地减少云对积雪 产品的影响，提高了积雪产品的精度，并且算法简单，计算效率高，易于实现。

作为工程施工环节中最重要的一环，计量支付是准确考核工程进度、计划完成情况，进行施工产值统计、经济核算及财务拨款的基本依据。做好计量支付工作，对加强成本管理、优质高效完成工程任务具有重要意义。 纵横计量支付结算决算一体化云版软件，解决从“计量支付到结算决算”的工程数据管理，实现从“概算-计量-决算”的公路工程全过程动态管理，基于大数据、云计算进行开发，提供SaaS平台服务，使计量支付结算决算智慧化、数字化，信息化。 快速准确建立各类台账，满足各维度计量（清单计量、0#台账计量、比例计量）要求，做到标准化、规范化、精细化管理。合理的控制工程建设投资，方便全过程跟踪审计，维护参建各方合法权益。

集成一体化先进结构方案，将开放式的电路和实验平台、高品质数字信号源、新一代测量与分析仪器集成在一个实验箱中，不需要配电脑或其他仪器，只需一个实验箱就能全面支持“信号与系统”实验的教学内容。

本项目以嵌入式控制器为核心，结合现代电子测量技术、智能控制技术、 工程流体力学、呼吸力学等多学科知识，研发一款智能呼吸机，主要用来治疗 睡眠呼吸暂停综合症、慢性阻塞性肺病等疾病，同时开发基于 Android 系统的 智能手机数据采集与通信系统，并构建物联网健康信息管理系统和健康信息云 平台，通过云传输实现患者与医生及其医疗机构的双向远程监控与服务。

项目成果/简介:本作业平台可以实现掘进头支护作业的完全机械化，改善掘进头工作面的支护状况，大大减轻工人劳动强度，能满足一定的超前支护要求，能有效提高掘进面作业速度，充分保证工作人员的作业安全性，是改进目前掘进头支护作业工作方式的综合机械化成套作业设备。

通过车载终端以至少 1Hz 的频率采集发动机动态运行数据和静态数据，并通过远程监管终端上传至远程监管平台；远程监管平台将车辆上传的动态运行数据输入相应的诊断模块进行信号诊断，输入相应的排放因子计算模型计算出排放因子，并读取 OBD 故障信息对排放结果进行有效性评估，从而获得车辆的实际排放状态。

本作业平台可以实现掘进头支护作业的完全机械化，改善掘进头 工作面的支护状况，大大减轻工人劳动强度，能满足一定的超前支护 要求，能有效提高掘进面作业速度，充分保证工作人员的作业安全性， 是改进目前掘进头支护作业工作方式的综合机械化成套作业设备。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。