ST-GAT
太湖水质时空建模的研究模型(图 + Transformer + 不确定性头);生产侧预报以 persistence 为基线、仅在回测站得住处启用,蓝藻预警以实测规则告警为准。
太湖水质监测系统 →TECH STACK · 技术体系
立丹科技的环保 AI 模型与工程方法
基于公开环保数据训练模型，构建可迁移到现场的预测、预警和可视化样机。
MODEL STACK
模型栈
这些模型支撑了 11 个研究项目，目标是迁移到早期合作方的现场数据和业务流程。
XGBoost + LSTM
用于水厂加药、空气质量等短中期预测与时序控制。
水厂加药 · AQI 预报 →ResNet50 + Cross-Attention
融合卫星影像与环境协变量，用于土壤有机碳估算。
土壤智能分析平台 →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。
VOCs 监控与溯源 →ENGINEERING
从数据到部署的工程方法
模型只是中间件，真正能迁移到现场的是数据口径、评估流程和部署形态。
统一数据口径
公开数据、样例 SCADA 字段和报表先统一单位、时间轴和缺失值处理，模型与看板共用同一套数据表。
评估与误差报告
固定训练 / 验证 / 测试切分，输出分参数误差报告，演示页面上标注与报告一致的评估口径。
按节奏自动刷新
在线演示按小时或 4 小时刷新推理结果，预演现场部署后的告警与复盘节奏。
可解释性
关键预测附 SHAP 或注意力解释，异常告警带成因参考，避免"黑盒说了算"。
样机部署形态
模型推理封装成 API 加静态看板，支持地图、指标卡和告警视图，便于对接现场系统。
监控与迁移边界
记录每日推理与数据缺口，异常进入复盘清单；试点前明确公开数据样机与现场部署的差异和风险。
RESEARCH PROJECTS
从模型进入研究项目
11 个研究项目展示这些模型如何在公开数据上生成预测、地图、白皮书和互动叙事；进入早期合作后，再评估迁移到现场数据的条件。