本发明公开了一种主题事件更新方法库及城市多源时空信息并行更新方法，所提出的时空信息更新 与信息源、数据模型及尺度、更新方法、更新流程、质量控制和主题事件等多种因素有关，是在多源数 据融合以及异常变化发现的基础上对时空数据库进行的更新。并在此基础之上建立突发事件的更新机制、 基于主题事件联动更新机制以及 GPU 并行加速更新算法，从而针对时空信息更新内容、频率的需要， 实现城市时空实体和时空事件的动态信息更新。本发明根据相应的主题事件的判断及触发，通过 GPU 并行更新算法对相应数据及传感器进行更新，使得用户的时空信息保持最新状态的同时能发现用户关心 的重大突发事件，可以为智慧城市中的应急安全及交通疏导等提供技术支持。

（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。

罗正钱教授团队采用少模Pr/Yb共掺双包层ZBLAN光纤作为可见光增益介质，构建基于非线性偏转旋转（NPR）技术的锁模激光腔，利用腔内空间滤波效应和NPR可饱和吸收效应补偿阶跃折射率光纤中超大的模间色散，从而平衡了各横模之间的走离效应，首次实现了可见光波段的时空锁模光纤激光。

南京大学国际地球系统科学研究所和地理与海洋科学学院张永光教授、居为民教授和陈镜明院士团队在全球变化和陆地碳循环领域取得重要进展。未来全球变暖的速率及陆地生态系统对全球变暖的响应是《Science》杂志列出的未来25年需要解决的125个重大科学问题之一。工业革命以来，人类活动造成大气中二氧化碳（CO2）的浓度持续上升。CO2浓度的不断增加，在通过温室效应导致全球变暖的同时，也提高了植被的光合作用速率（即CO2施肥效应），增加陆地生态系统吸收大气CO2的能力（即碳汇能力），从而减缓全球变暖的速率。研究表明，大气CO2施肥效应是造成近几十年来全球陆地生态系统碳汇显著增加的决定性因素，也是全球变绿的主要驱动因子之一。因此，在全球尺度定量化评估CO2施肥效应，并分析其时空变化格局，有助于准确评估全球陆地生态系统的固碳能力以及其变化趋势、降低未来气候变化预测的不确定性十分重要。 尽管基于控制实验可以在叶片和冠层尺度对CO2施肥效应的机理进行了的研究，但控制实验的数量、空间分布和物种代表性有限，全球尺度CO2施肥效应的时空变化得定量评估尚不清楚。长时间序列遥感观测为全球CO2施肥效应研究提供了数据基础。因此，该研究首先基于系列卫星传感器的观测数据，研制了1982-2015年全球新型植被指数（NIRv）数据，验证其作为全球植被光合作用（总初级生产力，GPP）指示器的可行性；在此基础上，构建了准确评估全球CO2施肥效应的检测-归因模型，揭示了近四十年全球CO2施肥效应的时空变化特征，评价了结果的可能不确定性；最后，结合欧洲ICP Forests等机构提供的欧洲地区叶片氮磷观测和全球陆地水储量等遥感数据，揭示了全球CO2施肥效应时空变化的可能原因。 研究表明，全球CO2施肥效应在近四十年呈现显著的下降的趋势；2001-2015年的全球CO2施肥效应比1982-1996年显著降低。全球超过70-80%的陆地植被区域CO2施肥效应呈现下降的趋势，欧洲、西伯利亚、南美洲和非洲大部以及澳大利亚西部地区尤为明显；在少部分地区CO2施肥效应存在着上升的趋势，例如东南亚部分地区和澳大利亚东部地区。多个生态系统模型同样能够模拟出全球CO2施肥效应的下降趋势，但显著低于基于遥感数据的结果。

本研究通过揭示姜科植物沿着时间线的起源、迁移和分布规律，为理解全球热带雨林的起源、演化过程及其与全球环境变迁的关联提供了较为系统的证据。更重要的是，该研究拓展和丰富了人们对东南亚热带雨林来源的认识。

南京农业大学农学院农业时空大数据门户软件、数据管理中心软件及遥感影像处理智能处理系统采购项目招标项目的潜在投标人应在江苏省南京市雨花台区软件大道109号雨花客厅2幢1307室获取招标文件，并于2022年07月06日14点00分（北京时间）前递交投标文件。