负责区域大气污染AI预警系统端到端研发，涵盖多源环境数据融合、时序预测模型构建及预警规则迭代，支撑生态环境部门风险防控决策

• 主导设计基于LSTM-Transformer混合架构的PM2.5/O3复合污染预警模型，整合WRF气象模式输出、MEIC污染源清单及国控监测站点API数据，针对传统单因子模型非线性关联捕捉不足问题，通过迁移学习优化特征工程（选取温度露点差、VOCs/NOx比值等6个交互特征），将模型72小时预测准确率从78%提升至89%；支撑当地生态环境局提前48小时发布橙色预警5次，帮助区域内15家重点企业调整生产计划，减少限产损失约1200万元
• 核心参与开发预警系统前后端模块，采用Vue3+Spring Boot技术栈对接省“天地空一体化”监测平台，解决WebSocket长连接偶发断开问题（通过心跳包机制优化），将预警信息推送延迟从15分钟压缩至30秒内；系统上线后累计处理12万+条预警事件，人工复核率从60%下降至20%，获省生态环境厅“智慧环保优秀案例”表彰
• 针对南方梅雨季节湿度干扰导致的传感器数据漂移，牵头建立孤立森林+滑动窗口验证的数据清洗pipeline，动态调整异常值阈值（将湿度阈值从85%修正为70%结合温度梯度判断），异常数据识别率从82%提升至95%；同步优化模型在线更新策略（每周同步最新监测数据微调参数），雨季预警偏差率控制在5%以内，系统鲁棒性显著增强
• 推动预警系统与应急响应平台联动，基于SHAP值解释模型输出关键驱动因子（如工业排放强度贡献度42%、静稳天气持续时间贡献度35%），为监管部门提供“预警+溯源”方案；支撑“一厂一策”减排优化，推动3家化工企业完成RTO焚烧炉改造，年度VOCs排放量下降18%，相关成果纳入《2023年区域大气污染防治白皮书》

负责流域水环境数据整合与分析，构建水质预测模型，支撑预警系统前期数据基础与业务场景落地

• 整合流域12个水质自动站、3家污水处理厂及上游农业面源数据（化肥施用量、畜禽养殖规模），用ArcGIS Pro进行克里金插值与热点分析，识别出3个总磷超标高风险区域；通过Pearson相关性分析发现农业面源贡献占比45%，为后续AI模型输入特征选择提供关键依据
• 搭建基于XGBoost的COD/氨氮短期预测模型，解决传统ARIMA模型对暴雨径流响应滞后问题；通过特征重要性排序筛选前3日降雨量、上游闸坝开度等12个变量，模型RMSE较基准模型降低30%，为水厂提前24小时调整混凝剂投加量提供支撑，减少出水超标风险
• 开发水质预警Dashboard，用Python Dash实现实时数据展示、历史趋势回溯及异常报警，支持移动端访问；上线后推送异常预警23次，其中17次成功拦截工业废水偷排（如某印染厂夜间超标排放），帮助客户避免约800万元环境处罚
• 参与撰写《流域水质预警模型应用指南》，梳理数据采集-模型训练-预警发布全流程，成为公司水环境业务标准文档，支撑后续3个地市项目落地

负责区域大气/水环境监测设备运维及数据采集，保障数据可靠性，为后续分析建模提供基础

• 负责辖区20套大气自动站日常运维，依据HJ 654-2013标准制定月度校准计划，针对粉尘堵塞导致的SO2漂移问题，优化采样头过滤装置（更换为聚四氟乙烯材质），将设备故障 downtime 从每月3天降至1天，数据有效率提升至98.5%
• 构建区域环境监测数据库，用SQL Server存储监测数据，建立“极值检查+逻辑校验+人工复核”三级质控流程，数据错误率从5%降至1%；支撑团队完成《区域大气污染特征研究报告》，明确工业排放为主要污染源
• 协助开展重点污染源监督性监测，使用便携式GC-MS检测企业废气VOCs成分，完成120家企业监测任务，出具80份报告；发现2家家具厂苯系物超标，推动其安装活性炭吸附装置，减少区域VOCs排放约50吨/年
• 参与调试3套水质在线监测设备，解决氨氮传感器零点漂移问题（通过定期清洗电极与校准液配制优化），设备数据一致性从85%提升至95%，获客户“优秀运维服务商”评价

区域级工业废气智慧监测与动态管控平台研发及产业化应用

• 项目背景源于区域工业废气监管痛点——原有监测系统数据分散、异构，超标排放预警滞后，政府难以实现精准管控。项目目标是研发集“实时监测-智能预警-溯源管控-效果评估”于一体的智慧平台，覆盖区域内500家工业企业、2000+监测点位，实现废气排放从“被动响应”到“主动治理”的转变。我在项目中主导技术架构设计、核心算法攻关及产业化落地全流程。
• 项目面临三大关键挑战：一是多源监测设备（电化学传感器、PID检测仪、红外热成像仪）数据格式不统一，融合准确率不足70%；二是工业废气成分复杂，传统机器学习模型对VOCs等特征污染物浓度预测准确率仅78%；三是中小企业设备接入成本高，缺乏轻量化适配方案。为此，我引入边缘计算 gateway 实现异构数据实时清洗与特征提取，构建“设备层-边缘层-云端”三层数据处理体系；同时融合LSTM时序模型与注意力机制，纳入气象参数（风速、湿度）作为辅助特征，解决污染物扩散预测的非线性问题；此外，制定MQTT协议轻量化适配规范，将企业端设备接入成本降低45%。
• 核心行动中，我牵头搭建了“数据-模型-应用”闭环：首先，针对数据融合难题，设计基于规则引擎与机器学习的混合校准算法，将多源数据一致率提升至95%以上；其次，为优化预测模型，收集区域内120家企业的3年历史排放数据，做特征工程时引入“工艺参数-环境变量-排放浓度”关联规则，将VOCs预测准确率提升至92%；最后，推动平台与企业ERP系统对接，实现超标预警自动触发企业减排方案，同时向政府提供“区域排放热力图+企业合规评分”可视化看板，支撑精准执法。
• 项目成果显著：平台上线6个月内，区域工业废气超标排放次数同比下降85%，政府监管响应时间从2小时缩短至15分钟，助力3个园区成功创建“国家级绿色工业园区”。技术层面，形成2项发明专利（一种工业废气多源数据融合方法、基于注意力机制的VOCs浓度预测模型）、1项行业标准（《区域工业废气智慧监测系统技术规范》），并获得省级环保科技进步二等奖。我的贡献在于打通了从技术研发到产业落地的最后一公里，既解决了政府的监管痛点，也为企业提供了可操作的减排路径，直接推动公司智慧环保业务营收增长40%。

钢铁企业烧结环节能耗与排放智能优化系统开发

• 项目聚焦钢铁行业烧结环节的高能耗、高排放问题——烧结环节能耗占钢铁企业总能耗30%，SO2、NOx排放占比达40%。企业需求是在保证产量的前提下，实现能耗与排放的协同优化。我在项目中负责数字孪生模型搭建、强化学习算法应用及工艺-技术衔接，是从“单点技术应用”向“系统优化”的重要成长项目。
• 项目难点在于烧结过程的强耦合性：料层厚度、机速、燃料配比等10+工艺参数相互影响，传统机理模型难以捕捉非线性关系；同时，实时数据的噪声与延迟会导致优化决策偏差。为此，我采用数字孪生技术，基于物理机理（烧结矿化学反应动力学）与数据驱动（历史运行数据）融合建模，构建烧结过程的虚拟镜像；引入PPO强化学习算法，以“能耗最低、排放最少、产量稳定”为多目标函数，实现工艺参数的动态优化。
• 核心行动中，我首先联合工艺工程师梳理烧结机关键参数，通过敏感性分析筛选出5个核心控制变量（料层厚度、燃料配比、机速、返矿率、风箱温度）；然后，利用历史运行数据训练数字孪生模型，将模型预测误差控制在3%以内；接着，设计强化学习奖励函数，平衡能耗（权重0.4）、排放（权重0.3）、产量（权重0.3）的优先级，通过离线仿真与在线微调，逐步优化参数。例如，将料层厚度从传统的650mm提升至700mm，燃料配比从5.2%降至4.8%，同时保持烧结矿产量稳定。
• 项目成果：系统在某大型钢铁企业180㎡烧结机上应用后，烧结环节能耗降低12%（年节省标煤1.2万吨），SO2排放减少18%、NOx排放减少22%，每年为企业创造直接经济效益800万元。技术层面，申请1项实用新型专利（一种烧结过程能耗排放智能优化装置），发表2篇EI论文（《基于数字孪生的烧结过程参数优化》《强化学习在烧结环节能耗排放协同中的应用》）。我的贡献是解决了“工艺-数据-算法”的跨领域衔接问题，将数字孪生与强化学习落地到复杂的工业场景，验证了智能优化系统在流程工业中的可行性，也为后续承接更大规模的智慧环保项目积累了经验。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。