负责区域大气环境AI预警系统的全生命周期技术落地，覆盖多源数据融合、模型迭代优化及业务场景适配，支撑重污染天气、臭氧超标等预警场景的实战化应用

• 主导设计基于Transformer的多源异构环境数据融合框架，整合WRF气象模式输出（1km×1km分辨率）、国控站点污染物浓度（SO₂/PM₂.5/NO₂）及卫星反演的VOCs柱浓度三类数据，解决传统克里金插值法对非结构化空间数据表征不足的问题；通过PyTorch实现特征金字塔模块提取跨源数据的长程依赖关系，将PM2.5重度污染（≥150μg/m³）预警准确率从82%提升至91%，误报率下降18%
• 针对夏季臭氧预警滞后痛点，优化LSTM模型的时序依赖捕捉能力——引入多头注意力机制聚焦VOCs/NOx浓度与前体物（如烯烃类化合物）排放的动态关联，结合小楷自主研发的“源解析-预警”联动模块，将臭氧超标（≥160μg/m³）预警提前量从6小时延长至12小时；支撑当地生态环境局调整化工园区错峰生产方案，季度内减少臭氧超标天数15天，获省厅通报表扬
• 推动预警系统与市级应急指挥平台的gRPC接口对接，负责需求拆解、接口规范制定及联调测试；设计基于滑动窗口的异常数据熔断机制，拦截气象突变（如短时强风）场景下的误报数据，使系统可用性从95%提升至99.2%，满足省级生态环保督察“实时预警、零延迟响应”的要求
• 主导编写《大气环境AI预警系统运维SOP》，建立涵盖MAE（平均绝对误差）、R²（决定系数）、F1-score（预警分类准确率）的7项模型性能监测指标；推动自动化再训练流程上线（基于MLflow的实验追踪与模型注册），将模型迭代周期从季度缩短至月度，成功适配冬季供暖期燃煤排放特征变化，当月PM2.5预警准确率回升至93%

聚焦水环境AI预警的算法研究与小型系统原型搭建，负责饮用水源地、地表水水质指标的预测模型开发与业务化落地

• 核心参与省级饮用水源地（覆盖2个城市、5个水库）重金属（铅、镉）预警项目，构建XGBoost融合模型——输入水质传感器实时数据（pH、DO、水温、电导率）与上游3公里内工业企业排放清单（重金属排放量、处理工艺），解决传统线性回归模型对非线性污染过程的拟合不足；将铅浓度超标（≥0.01mg/L）预警准确率从75%提升至88%，支撑水源地保护区边界调整方案通过专家评审
• 搭建轻量级水质预警原型系统，使用Flask框架开发Web端可视化界面，集成实时数据展示、阈值报警及历史趋势回溯功能；采用Redis缓存高频查询的传感器数据（如每10分钟更新的水温），将页面响应时间从2秒缩短至500ms，满足基层环保人员现场巡检时的即时预警需求，系统在3个地级市试点后推广至全省
• 优化TensorFlow模型的边缘部署流程——将训练好的LSTM水质预测模型转换为TensorRT格式，部署于NVIDIA Jetson Xavier NX边缘计算设备，解决偏远水源地4G网络不稳定导致的云端预警延迟问题；使预警响应时间从15分钟缩短至3分钟，覆盖12个乡镇级水源地保护区，减少因信息滞后导致的应急处置延误事件6起
• 撰写《水质AI预警模型不确定性分析报告》，采用蒙特卡洛Dropout方法量化模型预测区间（如铅浓度预测范围±0.002mg/L）；为环保部门提供“风险置信度”参考，报告被纳入当地“十四五”水环境保护规划的附件，成为水源地风险管控的重要依据

负责区域环境数据的采集、清洗与初步分析，为AI预警模型的训练提供高质量数据源，支撑环境风险识别的基础能力建设

• 主导整合3大类12项环境数据——气象（风速、湿度、气压）、水文（流量、水位）及工业企业排放（COD、氨氮排放量），使用Python的Pandas框架清洗缺失值（采用多重插补法填补传感器故障导致的缺失数据）、Scrapy框架爬取卫星遥感数据（MODIS的AOD气溶胶光学厚度）；建立数据质量评估体系（完整性≥98%、准确性≥95%、一致性≥90%），为后续AI模型训练提供了可靠的数据基底
• 构建环境指标相关性分析模型，采用Pearson线性相关与Spearman秩相关方法，分析PM10浓度与施工扬尘、机动车尾气、裸露地面的关联度；识别出3个高关联度污染因子（施工扬尘贡献度35%、机动车尾气28%、裸露地面22%），为当地制定“扬尘源专项整治方案”提供了数据支撑，相关成果被写入年度《环境质量报告书》
• 协助开发简易版环境预警工具——使用Excel VBA实现污染物浓度阈值报警功能（如SO₂≥500μg/m³触发红色预警），覆盖10个重点排污企业；帮助基层环保人员快速识别异常排放情况，将人工排查时间从每周8小时缩短至2小时，工具在县域环保所推广后提升了工作效率40%
• 参与编写《环境数据采集与预处理指南》，规范数据录入标准（如传感器校准周期、数据上传频率）与清洗流程（缺失值处理、异常值剔除）；使团队数据处理效率提高30%，后续AI模型训练的迭代次数减少25%，模型收敛速度加快

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。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。