我们的方法论
每个模型都留下数据版本、特征清单、评估指标和演示记录，方便复盘而不是只看页面效果。
ABOUT LIDAN
关于我们
小而专注的数据科学团队，围绕 11 个水务、大气、土壤与双碳研究项目，把公开数据、模型训练和在线演示串成可迁移的方法。
11
研究项目
5
模型路线
4
应用场景
LIVE
在线演示
OUR STANCE
在公开数据上训练自己的模型
我们不做环保科技的搬运工。我们基于公开数据训练自己的模型、在中国场景里打磨方法论、用工程化标准构建可试点的系统样机。
团队曾在硅谷数据科学与智能系统项目中形成严谨实验、工程规范与 MLOps 方法，正在把它应用到中国环保场景。
创始人个人网站 · litananalytics.com水务、大气、土壤、双碳 — 每一个研究项目都从公开数据与真实约束出发，而不是拿国外模型做“本地化翻译”。我们的目标是让 demo 能迁移到现场数据、业务流程和试点部署。
VALUES
我们如何做环保智能化
不造概念，不堆资质，用可复现的实验、清晰的数据口径和在线 demo 证明系统价值。
我们的根基
从公开监测数据、样例 SCADA 字段、园区监测站和土壤剖面开始建模，把现场约束放在算法之前。
我们的原则
不用通用模型套场景；水质预测、VOCs 溯源、土壤估算分别训练权重，并用 SHAP 或误差指标解释结果。
我们的工程目标
试点部署后将按小时、每日或季度节奏运行和复盘，模型漂移、数据缺口和异常告警都进入迭代清单。
TECH STACK
技术栈
用已经落在研究项目中的模型和工程组件，构成环保 AI 样机的能力底座。
ST-GAT
用于基于太湖 61 个断面公开数据的水质时空预测与蓝藻风险评估。
XGBoost + LSTM
用于水厂加药、空气质量等短中期预测与时序控制。
ResNet50 + Cross-Attention
融合卫星影像与环境协变量，用于土壤有机碳估算。
PINN · LSTM-AE · TFT
用于异常检测、传播建模、概率预测和物理约束溯源。
WHAT WE ARE BUILDING
我们正在做的事
把 11 个研究项目拆成数据整理、模型训练、看板样机和试点运行方案 4 个模块，沉淀为早期合作可复用的实施路径。