W systemach BCI opartych na SSVEP metody z uczeniem indywidualnym   zwykle osiągają istotnie lepsze wyniki rozpoznawania częstotliwości niż podejścia bez  treningu. Problemem jest jednak to, że zbieranie danych treningowych dla indywidualnych użytkowników wymaga eksperymentów kalibracyjnych, które są czasochłonne, obciążające dla użytkownika, co zniechęca do regularnego korzystania z systemów BCI.

Uczenie transferowe (TL, transfer learning) jest naturalnym kandydatem do złagodzenia tego problemu, ale typowe podejścia wymagają albo pewnej liczby próbek z domeny docelowej (nowy użytkownik / nowy system), albo bardzo dużej bazy danych z domeny źródłowej. W pracy po raz pierwszy wprowadza się koncepcję uczenia transferowego między zbiorami danych (cross-dataset transfer learning) w kontekście SSVEP, aby wykorzystać wiedzę zgromadzoną w innych bazach danych EEG. Autorzy zauważają przy tym poważne wyzwanie: niedopasowanie danych (data mismatch) pomiędzy zbiorami, które znacząco ogranicza skuteczność przenoszenia wiedzy. 

Aby temu zaradzić, proponują algorytm dekodowania TL-SSVEP kalibrowany danymi jedno-próbkowymi, nazwany TL-CSTD (Transfer Learning with Cross-Subject and Single-Trial Data). W szczególności wykorzystuje się jedynie 2 sekundy  jednopróbkowych danych kalibracyjnych z domeny docelowej przy częstotliwości 8 Hz do wyznaczenia dopasowanych wzorców transferowych z domeny źródłowej. Następnie wzorce te są korygowane tak, aby wydobyć zarówno globalną, jak i jednosegmentową wiedzę transferową, która służy do budowy wydajnego modelu dekodowania TL-SSVEP dla nowego użytkownika.

Eksperymenty przeprowadzone na trzech dużych zbiorach danych SSVEP pokazują, że opracowana metoda TL-CSTD skutecznie redukuje problem niedopasowania danych i osiąga bardzo dobre wyniki rozpoznawania, korzystając z minimalnej – 2-sekundowej – kalibracji jednopróbkowej. Wskazuje to na duży potencjał takiego podejścia dla praktycznych systemów BCI, które mają być łatwe w użyciu i szybkie w uruchomieniu. 

Metody dekodowania sygnałów SSVEP oparte na uczeniu nadzorowanym  osiągają dziś dobre wyniki, ale zwykle wymagają rozbudowanej kalibracji – osobno dla każdego bodźca i każdego użytkownika. Jest to uciążliwe i czasochłonne, co utrudnia praktyczne wdrażanie systemów BCI na szerszą skalę. 

W pracy zaproponowano ramy uczenia transferowego między bodźcami, oparte na tzw. wspólnych okresowych komponentach powtarzalnych (common period repetition components, CPRC), aby przyspieszyć proces kalibracji. Najpierw konstruuje się „tryb bodźca źródłowego”, który wykorzystuje periodycznie powtarzające się komponenty sygnału do zbudowania syntetycznego wzorca SSVEP oraz zespołowego filtra przestrzennego dla bodźca źródłowego. Następnie, wykorzystując wspólne informacje pomiędzy wzorcami komponentów okresowo powtarzalnych w wielu okresach stymulacji, estymuje się wspólną macierz mieszania źródłowego. 

W kolejnym kroku, biorąc pod uwagę podobieństwo pomiędzy bodźcami źródłowymi i docelowymi, buduje się model uczenia transferowego między bodźcami (cross-stimulus transfer learning framework), który pozwala przenosić informacje z jednego zestawu bodźców na inny. Testy offline na publicznych zbiorach danych SSVEP pokazują, że proponowana metoda CSTLF-CPRC przewyższa szereg metod uznawanych za stan sztuki, takich jak filter bank CCA, transfer learning CCA czy common impulse response cross-stimulus transfer learning, w scenariuszach szybkiej kalibracji. 

Co istotne, podejście to wymaga jedynie 16 sekund danych kalibracyjnych do klasyfikacji  40 wzorców sygnałów EEG na dwóch zbiorach danych, osiągając średnia szybkość transferu informacji  (information transfer rate) na poziomie 227,86 ± 106,47 bit/min oraz 162,41 ± 124,29 bit/min. Badanie pokazuje, że stosunkowo niewielka ilość danych kalibracyjnych może wystarczyć do uzyskania wysokiej skuteczności rozpoznawania, co otwiera drogę do bardziej praktycznych, szybciej wdrażanych systemów BCI. 

Sygnały steady-state visual evoked potentials (SSVEP), czyli stacjonarne  wzrokowe potencjały wywołane, są szeroko wykorzystywane w interfejsach mózg–komputer (BCI, brain–computer interface), ponieważ charakteryzują się stabilnością i korzystnym stosunkiem sygnału do szumu. W kontekście Internetu Rzeczy (IoT, Internet of Things) kluczowym wyzwaniem pozostaje jednak uzyskanie prawdziwego trybu „plug-and-play”, w którym system BCI działa bez czasochłonnej kalibracji dla każdego użytkownika z osobna.

W pracy zaproponowano FlexFusionNet – metodę  głębokiego uczenia składająca się z kilku współpracujących modułów głębokich sieci neuronowych.  Wykorzystuje on m.in. blok typu inception do wieloskalowej ekstrakcji cech czasowych, ekstraktor cech przestrzenno–czasowych łączący hybrydowy blok konwolucji czasowo–przestrzennej oraz wielo-skalowy rezydualny blok fuzji, który pozwala jednocześnie uchwycić lokalne interakcje oraz zachować zależności globalne w sygnale. Dodatkowy moduł doprecyzowania czasowego służy do wzmacniania istotnych informacji w dziedzinie czasu. Wspólnie moduły te umożliwiają uczenie reprezentacji cech mniej wrażliwych na różnice pomiędzy użytkownikami, co sprzyja scenariuszom „cross-subject”. 

Szczególnie istotny jest wieloskalowy blok fuzji rezydualnej (MFRB), który integruje cechy czasowe na różnych skalach, a jednocześnie zachowuje strukturę globalną sygnału. Cała strategia integracji architektury została zaprojektowana tak, aby model był odporny zarówno w scenariuszach wewnątrzosobniczych (subject-specific), jak i międzyosobniczych (cross-subject). Metodę zweryfikowano na dwóch publicznych zbiorach danych SSVEP, Benchmark i BETA, przy różnych długościach okien czasowych. 

W eksperymentach cross-subject, przy długości okna 1,2 sekundy, uzyskano dokładność 74,57% oraz 122,28 bit/min ITR (information transfer rate) dla zbioru Benchmark, a także 62,60% dokładności i 89,86 bit/min ITR dla zbioru BETA, wyraźnie przewyższając klasyczne metody i znane dotychczas  modele głębokiego uczenia. FlexFusionNet osiąga bardzo dobre wyniki zarówno przy analizie pojedynczych użytkowników, jak i pomiędzy różnymi osobami, co pokazuje jego dużą zdolność uogólniania i potencjał do budowy praktycznych, przyjaznych użytkownikowi systemów BCI zintegrowanych z ekosystemami IoT. 

Percepcja zdarzeń czasowych oraz rozróżnianie ich typów modalnych w filmach audio–wideo, określane jako audio-visual video parsing (AVVP), stają się istotnym kierunkiem badań w dziedzinie multimodalnego rozumienia sekwencji obrazów i wideo. Zadanie AVVP jest zazwyczaj realizowane w ustawieniu uczenia słabo nadzorowanego (weakly supervised learning), ponieważ dostępne są jedynie etykiety na poziomie całych nagrań wideo. Większość istniejących metod najpierw generuje pseudo-etykiety dla poszczególnych modalności (audio i wideo), a następnie wykorzystuje je do uczenia modeli rozpoznających lokalne zdarzenia audio lub wizualne. 

Tego typu podejście prowadzi jednak do dwóch poważnych problemów: (1) generowane pseudo-etykiety dla każdej modalności nie są w pełni wiarygodne, co może wprowadzać model AI w błąd, jeśli używa się ich jako bezpośredniego sygnału nadzorującego przy rozróżnianiu modalności; (2) brak dokładnych adnotacji czasowych zwiększa niejednoznaczność w lokalizacji zdarzeń wideo, przez co modele stają się bardziej podatne na szum w danych. Aby rozwiązać te problemy, autorzy proponują nowe podejście do  AVVP o nazwie NREP (Noise-Resistant Event Parsing), który wykorzystuje uczenie głębokie oparte na dowodach (evidential deep learning), ograniczając wpływ szumu w pseudo-nadzorze. 

W szczególności framework NREP składa się z trzech głównych komponentów: (1) modalitywise evidential learning (MEL), które modeluje zależności pomiędzy modalnością (audio/wideo) a klasą zdarzenia; (2) temporalwise evidential learning (TEL), które identyfikuje istotne zdarzenia pierwszoplanowe w czasie; (3) foreground–background consistency learning (FBCL), które wymusza spójność pomiędzy dwiema powyższymi gałęziami uczenia opartymi na dowodach. Dzięki analizie zawartości wideo oraz uczeniu się „dowodów” dla zależności modalnych metoda skutecznie redukuje wpływ szumu w generowanych pseudo-etykietach, osiągając bardzo dobre wyniki niezależnie od przyjętej strategii ich generowania. NREP został oceniony na dwóch benchmarkowych zbiorach danych AVVP, gdzie konsekwentnie uzyskuje wyniki na poziomie aktualnego stanu sztuki lub go przewyższa. 

Potencjały wywołane (ERP, event-related potentials) odzwierciedlają zmiany potencjałów elektrycznych w określonych obszarach kory mózgowej w odpowiedzi na konkretne zdarzenia lub bodźce towarzyszące procesom poznawczym. Speller P300 stanowi jedno z kluczowych zastosowań interfejsów mózg–komputer opartych na ERP i może wspierać osoby z ciężkimi dysfunkcjami ruchowymi poprzez dekodowanie sygnałów elektroencefalograficznych (EEG, electroencephalography) w celu umożliwienia im komunikacji. 

W niniejszym badaniu wprowadzono nowy paradygmat spellera, wykorzystujący dynamicznie rosnącą wizualizację typu „bubble” (GB, Growing Bubble) jako bodziec, zamiast tradycyjnego bodźca typu flash (TF, traditional flash). Dodatkowo zaproponowano metodę „Lock a Target by Two Flashes” (LT2F), która zapewnia bardziej elastyczne reguły prezentacji bodźców wizyjnych, uzupełniając klasyczne tryby wiersz–kolumna (row–column) oraz pojedynczy znak (single-character mode). Zastosowano również tryb wielookienkowy „Sub and Global” w sieci EEGNet, oznaczony jako mwEEGNet (multi-window EEGNet), aby poprawić skuteczność klasyfikacji, oraz przeanalizowano wydajność ośmiu innych reprezentatywnych algorytmów.^[1]

W eksperymencie wzięło udział 20 zdrowych ochotników. Analiza wykazała, że zaproponowany wzorzec bodźca GB wywoływał bardziej wyraźne ujemne piki w rejonach ciemieniowych i potylicznych mózgu w przedziale 200–230 ms po prezentacji bodźca, w porównaniu z klasycznym bodźcem TF. W porównaniu z TF wzorzec GB zwiększył dokładność rozpoznawania znaków online o 2,00% oraz poprawił szybkość transferu informacji (ITR, information transfer rate) o 5,39 bit/min przy użyciu mwEEGNet. Ponadto mwEEGNet uzyskał lepsze wyniki klasyfikacji niż pozostałe testowane metody. Wyniki podkreślają znaczenie proponowanego paradygmatu w rozwoju interfejsów BCI opartych na ERP i wskazują na jego potencjał w poprawie skuteczności systemów komunikacji mózg–komputer.

Skuteczne systemy dialogowe oparte na wiedzy w dużym stopniu zależą od precyzyjnego doboru informacji wykorzystywanych podczas generowania odpowiedzi. Niniejsza praca proponuje nową perspektywę, w której badania nad selekcją wiedzy klasyfikuje się ze względu na moment jej wyboru względem procesu generowania odpowiedzi: na selekcję wstępną, selekcję łączoną oraz selekcję końcową. Szczególnym zainteresowaniem cieszy się obecnie selekcja wstępna (pre-selection), ponieważ dostarcza modelom generującym odpowiedzi odpowiednio dopasowanego kontekstu wejściowego jeszcze przed samym etapem generacji. Zmniejsza to obciążenie związane z uczeniem, dostrajaniem oraz interpretacją po stronie modeli generacyjnych AI, w szczególności dużych modeli językowych (LLM, large language models). 

Istniejące metody selekcji wstępnej napotykają jednak trzy kluczowe wyzwania: radzenie sobie z różnymi typami wiedzy (np. fakty, dokumenty, grafy wiedzy), dostosowanie się do zróżnicowanych wymagań informacyjnych w zależności od kontekstu dialogowego oraz adaptacja do różnych modeli generacyjnych, o odmiennej architekturze i sposobie wykorzystania wiedzy. Aby sprostać tym wyzwaniom, autorzy proponują metodę ASK (Adaptive Knowledge Pre-selection), która dokonuje adaptacyjnego wyboru wiedzy. ASK unifikuje różne typy zasobów wiedzy w spójną przestrzeń reprezentacji, ocenia ich istotność i wkład w generowanie pożądanych odpowiedzi, a następnie dynamicznie dostosowuje rozmiar zbioru wybranej wiedzy, tak aby zapewnić modelom generacyjnym wystarczający, lecz nie nadmierny kontekst.

Metoda ASK jest dodatkowo wzmacniana za pomocą uczenia ze wzmocnieniem (RL, reinforcement learning), w którym nagradzane jest zarówno trafne dobranie wiedzy pod względem jakości, jak i jej ilości (np. penalizacja za przeładowanie kontekstu). W przeprowadzonych eksperymentach wykorzystano dwa benchmarki: WoW (Wizard of Wikipedia) oraz OpenDialKG, reprezentujące różne typy dialogów opartych na wiedzy. Wyniki pokazują, że (1) ASK wykazuje wysoką skuteczność selekcji wiedzy dla różnych typów informacji i zróżnicowanych wymagań zadań, (2) znacząco poprawia wydajność różnych modeli generacyjnych, w tym takich systemów jak ChatGPT i GPT-4o, oraz (3) dzięki lekkiej konstrukcji zmniejsza zużycie zasobów obliczeniowych o około 40% w porównaniu z wybranymi metodami bazowymi. Kod źródłowy autorzy udostępniają publicznie. 

Metody głębokiego uczenia oraz metody filtrów przestrzennych oparte na indywidualnych danych kalibracyjnych zostały już wcześniej potwierdzone jako skutecznie poprawiające wydajność dekodowania w systemach interfejsów mózg–komputer opartych na stacjonarnych wzrokowych potencjałach wywołanych (SSVEP-BCI, steady-state visual evoked potential-based brain–computer interfaces). Jednak takie podejścia wymagają kalibracji online, co ogranicza ich praktyczność oraz dostępność systemu dla użytkowników końcowych.

W celu umożliwienia działania w trybie „plug-and-play”, niewymagającym dodatkowej kalibracji, zaproponowano sieć uczenia kontrastywnego między użytkownikami z różnorodnością domen oraz wzbogacaniem wzorców (CSCLN-DDTE, Cross-Subject Contrastive Learning Network with Domain Diversity and Templates Enhancement) do rozpoznawania częstotliwości SSVEP. W pierwszej kolejności, inspirowani architekturą sieci nauczyciel–uczeń (teacher–student network), autorzy zaprojektowali międzyosobniczy framework uczenia porównawczego (contrastive learning framework), który wykorzystuje wiedzę wstępną modelu nauczyciela do kierowania modelami uczniów z różnych domen w kierunku uczenia specyficznych, dyskryminacyjnych cech komponentów związanych z zadaniem SSVEP.

Następnie skonstruowano periodyczny, powtarzalny wzorzec komponentu zadaniowego na podstawie okresowych właściwości czasowych sygnałów SSVEP, aby wzmocnić nadzór nauczyciela w module TFEN (Task-related Feature Enhancement Network). Dodatkowo wprowadzono metodę augmentacji danych opartą na rekonstrukcji korelacji kanałów, która zwiększa różnorodność domenową próbek treningowych w module SFEN (Spatial Feature Enhancement Network).

Testy offline na dwóch publicznych zbiorach danych wykazały, że proponowany model CSCLN-DDTE przewyższa pod względem skuteczności metody uznawane za stan sztuki, takie jak FBCCA (filter bank canonical correlation analysis), ttCCA (two-stage transfer canonical correlation analysis), DNN (deep neural network), EEGNet oraz TST-CSFR (Transformer-based Spatio-Temporal Cross-Subject Feature Representation). Zaproponowana metoda osiąga średnie szybkości transferu informacji na poziomie 166,27 ± 31,09 bit/min dla zbioru Benchmark oraz 128,39 ± 30,35 bit/min dla zbioru BETA. Osiągnięcie najlepszej skuteczności rozpoznawania bodźców wzrokowych  bez konieczności przeprowadzania indywidualnych prób kalibracyjnych znacząco zwiększa potencjał praktycznego zastosowania systemów SSVEP-BCI w różnych scenariuszach użytkowych, w których wymagana jest szybka konfiguracja i wygoda użytkownika. 

Technologie interfejsów mózg–komputer (BCI, brain–computer interface) umożliwiają sterowanie urządzeniami zewnętrznymi poprzez rozpoznawanie intencji użytkownika na podstawie aktywności mózgu i sygnałów EEG. Interfejsy BCI oparte na  stacjonarnych  wzrokowych potencjałach wywołanych (SSVEP, steady-state visual evoked potentials) są szeroko stosowane do sterowania urządzeniami Internetu Rzeczy (IoT, Internet of Things), znajdując zastosowanie m.in. w inteligentnej opiece zdrowotnej, inteligentnych domach oraz robotyce, gdzie już osiągnięto znaczące rezultaty. Mimo to dziedzina sterowania urządzeniami IoT z wykorzystaniem BCI wciąż znajduje się na etapie intensywnego rozwoju, dlatego pozostaje istotna przestrzeń do poprawy w zakresie dokładności, efektywności oraz kosztów całego systemu.

Kluczowym wyzwaniem dla badań teoretycznych i zastosowań inżynierskich BCI w środowisku IoT jest zwiększenie dokładności klasyfikacji sygnałów SSVEP przy użyciu krótkich okien czasowych, przy jednoczesnej redukcji kosztów ludzkich i sprzętowych oraz poprawie ogólnej efektywności działania systemu. W odpowiedzi na to wyzwanie zaproponowano nowe podejście do dokładnej ekstrakcji  i slekcji cech w krótkich przedziałach czasowych.

Proponowana metoda integruje wieloskalową konwolucyjną sieć neuronową (CNN, convolutional neural network) z mechanizmem Ściskania i Wzbudzania (SE, squeeze-and-excitation), tworząc model SEMSCNN (Squeeze-and-Excitation-Based Multiscale CNN). Takie połączenie pozwala wykorzystać zdolność sieci konwolucyjnych do lokalnego uczenia reprezentacji cech oraz mechanizm SE, który nadaje różnym cechom zróżnicowaną wagę, odzwierciedlając ich istotność w zadaniach klasyfikacji.

W pierwszym etapie sygnały elektroencefalograficzne (EEG, electroencephalography) są filtrowane pasmowo do kilku zakresów częstotliwości, a następnie – z wykorzystaniem dwuwarstwowej konwolucji – ekstraktowane są cechy w dziedzinie częstotliwości i kanałów. W kolejnym kroku cechy czasowe wydobywane są za pomocą wielogałęziowej konwolucji o różnych skalach czasowych, co umożliwia uchwycenie zarówno lokalnych, jak i bardziej rozciągniętych w czasie wzorców aktywności. Na końcu zastosowano moduł SE, który uczy się zależności pomiędzy kanałami cech i wzmacnia najbardziej istotne składowe, poprawiając jakość ich końcowej reprezentacji.

Proces uczenia przebiega dwuetapowo: w pierwszym etapie wykorzystywane są statystyczne, wspólne cechy wszystkich uczestników eksperymentu do wytrenowania modelu globalnego, natomiast w drugim etapie model jest indywidualnie precyzyjnie  dostrajany (fine-tuning) dla każdego uczestnika, aby uwzględnić jego specyficzne cechy sygnału EEG. Model SEMSCNN oceniono na dwóch publicznych zbiorach danych SSVEP, Benchmark i BETA, a jego działanie porównano z wybranymi metodami reprezentującymi aktualny stan sztuki.

Wyniki eksperymentalne pokazują, że zaproponowana metoda znacząco poprawia zarówno dokładność rozpoznawania celu, jak i szybkość transferu informacji (ITR, information transfer rate) przy krótkotrwałej stymulacji, przewyższając metody bazowe. Uzyskane rezultaty wskazują na duży potencjał praktycznych zastosowań proponowanego podejścia w systemach BCI zintegrowanych z ekosystemami IoT. 

Kondensacja kropelkowa, powszechnie uznawana za wysoce efektywny mechanizm wymiany ciepła, nadal nie została wdrożona w zastosowaniach przemysłowych. Ostatnie postępy w semi-analitycznym modelowaniu kondensacji wskazały na istnienia optymalnego kąta zwilżania, sprzyjającego zwiększeniu efektywności tego procesu. W niniejszej pracy przedstawiono pierwsze badania eksperymentalne potwierdzające te przewidywania. Wykorzystując samoorganizujące się monowarstwy tioli na gładkich powierzchniach pokrytych złotem, systematycznie badaliśmy kąty zwilżania w zakresie od 84° do 115° w komorze klimatycznej z kontrolą ciśnienia i temperatury, w warunkach braku gazów niekondensujących. Wyniki eksperymentów wykazały, że optymalny kąt zwilżania dla procesu kondensacji mieści się w przedziale od 96° do 105°. Co istotne, choć uzyskane wyniki potwierdzają przewidywania dotyczące istnienia optymalnego kąta zwilżania, konkretne wartości oraz ich wpływ różnią się od wcześniejszych doniesień. Poprzez eksperymentalne wykazanie wyższych współczynników wymiany ciepła podczas kondensacji dla pośrednich wartości kąta zwilżania, badanie jednoznacznie pokazuje, że wysoka hydrofobowość nie musi być pożądaną właściwością powierzchni skraplacza. Wnioski płynące z tej pracy otwierają nowe możliwości poprawy kondensacji kroplowej w różnych procesach przemysłowych, takich jak obiegi parowe czy separacja cieczy.

Obszary miejskie są w nieproporcjonalnie dużym stopniu dotknięte kryzysem środowiskowym, co sprawia, że adaptacja do zmiany klimatu stanowi pilne wyzwanie dla miast. Rozwiązania oparte na przyrodzie (Nature-based Solutions, NbS) zwiększają odporność miast przez wspieranie miejskiej zielonej infrastruktury (urban green infrastructure, UGI) i dostarczanie istotnych usług ekosystemowych (ecosystem services, ES). Jednak większość badań nad ES koncentruje się na analizach prowadzonych w skali krajowej i na naturalnych terenach otwartych, pozostawiając istotną lukę w wiedzy dotyczącą świadczenia ES w skali sąsiedztwa (osiedla). W celu uzupełnienia tej luki w omawianych tutaj badaniach, oceniono zdolność terenów zaadaptowanych do skutków zmiany klimatu do dostarczania szerokiego zakresu ES i przeanalizowano, w jaki sposób lokalnie wdrażane NbS wpływają na świadczenie ES. Ocenie poddano 17 przestrzeni miejskich, obejmujących osiedla mieszkaniowe, lokalne parki, tereny szkolne, place publiczne oraz miejskie gospodarstwa rolne, zlokalizowanych w Oslo (NO), Kopenhadze (DK) i Malmö (SE). Z wykorzystaniem oceny eksperckiej przeanalizowano różnorodność i intensywność 32 usług ekosystemowych (3 zaopatrzeniowe, 16 regulacyjnych, 13 kulturowych), wykraczając poza usługi bezpośrednio związane z adaptacją do zmiany klimatu. Analizy statystyczne (PERMANOVA, k-means) potwierdziły istotność zaobserwowanych wzorców. Najczęściej identyfikowanymi usługami ekosystemowymi były wspieranie zdrowia psychicznego, zapewnianie przestrzeni rekreacyjnej i regulacja warunków klimatycznych. Kulturowe usługi ekosystemów (cultural ecosystem services, CES) były najsilniej reprezentowanymi ES we wszystkich badanych obszarach łącznie, co podkreśla znaczące korzyści społeczne wynikające z wdrażania NbS. Usługi regulacyjne (regulating ecosystem services, RES) były bardziej widoczne na terenach poddanych modernizacji z wykorzystaniem NbS, podczas gdy CES dominowały w obszarach projektowanych od podstaw z zastosowaniem NbS. Najwyższy ogólny poziom świadczenia ES zaobserwowano na osiedlu Västra Hamnen w Malmö, które jest przykładem rewitalizacji terenu poprzemysłowego (brownfield redevelopment), co pokazuje, że dobrze zintegrowane NbS mogą maksymalizować korzyści wynikające z usług ekosystemowych. Uzyskane wyniki podkreślają kluczową rolę osiedli miejskich w adaptacji do zmiany klimatu i wspierają potrzebę włączania NbS w tkankę miejską w zróżnicowanych kontekstach w celu wzmacniania odporności ekologicznej i społecznej.

Procesy lokalnego porządkowania pierwiastków stopowych poprzedzające wydzielanie faz umacniających w stopach AlMgSi z dodatkiem srebra były badane z zastosowaniem skaningowej mikroskopii elektronowej o rozdzielczości atomowej. Głównym celem badań było zrozumienie zjawiska porządkowania dodatków stopowych przed zarodkowaniem nowych faz. Obserwacje mikroskopowe zostały uzupełnione o pomiary oporu elektrycznego w czasie obróbki cieplnej a także różnicową kalorymetrię. Zastosowanie tych metod pozwoliło na uzyskanie kompletnego obrazu procesu porządkowania przesyconego roztworu stałego w czasie sztucznego starzenia. Wykazano, że atomy srebra biorą udział w tworzeniu klastrów atomowych oraz wzroście wydzieleń faz umacniających od początkowych etapów przemian. Jest to zjawisko niezwykle istotne pod kątem kształtowania właściwości na drodze umocnienia wydzieleniowego. W nierównowagowym roztworze stałym, atomy Ag tworzą klastry Mg-Ag razem z wakansami, ograniczając tym samym możliwość dyfuzji innych pierwiastków rozpuszczonych w osnowie. Prowadzi to do rozdrobnienia wydzieleń faz umacniających względem konwencjonalnego procesu. Dodatkowo, nowoutworzone wydzielenia cechuje obecność aglomeratów atomów Ag na powierzchni rozdziału faz. Ostatecznie skutkuje to podniesieniem twardości stopu o 30HV0.2 ponad poziom typowy dla stopów AlMgSi. Pomimo, że atomy srebra wpływają na mechanizm zarodkowania i wzrostu faz umacniających, skład fazowy w stanie umocnionym pozostaje bez zmian względem konwencjonalnych stopów tego typu. Znajduje to potwierdzenie w analizie składu chemicznego oraz wzajemnych relacji krystalograficznych pomiędzy wydzieleniem a osnową. Zastosowanie nowoczesnych metod bezpośredniej obserwacji procesu klastrowania wraz z analizą ilościową na różnych etapach została zastosowana po raz pierwszy w celu wykazania roli srebra w zarodkowaniu w wzroście faz umacniających w stopie AlMgSi.

Geodezyjna baza referencyjna EURO5000, będąca precyzyjnym obiektem pomiarowym o długości 5 km, została utworzona i zweryfikowana na istniejącym Poligonie Geodynamicznym w Pienińskim Pasie Skałkowym w Polsce, wybranym ze względu na potwierdzoną przez ponad 40 lat badań,  stabilność geodynamiczną. W ciągu trzech lat realizacji projektu pracownicy Wydziału Geodezji i Kartografii  Politechniki Warszawskiej wykonali precyzyjne wyznaczenia długości bazy referencyjnej  poprzez powtarzane kampanie pomiarowe GNSS (precyzyjne pomiary satelitarne ) i EDM (precyzyjne pomiary dalmierzami elektromagnetycznymi), opracowując szczegółowy budżet niepewności pomiarowej. Stabilność nowo zainstalowanych punktów była rygorystycznie monitorowana, co przyczyniło się do kompleksowej oceny wiarygodności pomiaru. Odległości  zostały niezależnie zweryfikowane za pomocą dwóch zaawansowanych metod. Wyznaczone odległości referencyjne zostały potwierdzone przez Universitat Politècnica de València z wykorzystaniem precyzyjnej metodologii GBDM+GNSS oraz przez Conservatoire National des Arts et Métiers przy użyciu innowacyjnego, dwukolorowego optycznego systemu telemetrycznego Arpent ADM, skutecznie ograniczającego problemy związane z wpływem współczynnika refrakcji atmosferycznej. We wszystkich przypadkach wyniki uzyskane niezależnymi metodami wykazały wysoką zgodność z wyznaczonymi wartościami referencyjnymi w granicach deklarowanej dokładności pomiarowej. Utworzona baza EURO5000 pełni obecnie funkcję europejskiego wzorca referencyjnego dla precyzyjnych pomiarów odległości do 5 km, osiągając wyjątkowo niską niepewność pomiarową poniżej 1 mm (k = 2). Baza EURO5000 stanowi również  cenne narzędzie do kalibracji geodezyjnych instrumentów dalekiego zasięgu.
Pozdrawiam serdecznie