Commercial buildings contribute to 19% of the primary energy consumption in the US, with HVAC systems accounting for 39.6% of this usage. To reduce HVAC energy use, prior studies have proposed using wireless occupancy sensors or even cameras for occupancy based actuation showing energy savings of up to 42%. However, most of these solutions require these sensors and the associated network to be designed, deployed, tested and maintained within existing buildings which is significantly costly.

Although SiOC material boasts a high upper limit of specific capacity, its performance is constrained at large specific currents due to the limitation in electron and ion transport capacities. Through the incorporation of Fe into the precursor matrix, this study successfully transformed conventional SiOC ceramics into innovative SiOC/CNTs composites. This transformation enhanced the material's conductivity and ion diffusion capability. The SiOC/CNTs composites exhibited good electrochemical performance, demonstrating substantial improvements in specific capacity and cyclic stability, especially under high specific current conditions. A high specific capacity of 495 mAh/g was obtained at a specific current of 2000 mA g−1, and 90.14 % of the initial capacity was maintained after 1000 cycles. This resolved the longstanding issue of rapid capacity decay observed in SiOC materials at elevated specific currents. In essence, this study's innovative approach in designing and synthesizing SiOC/CNTs composites offers a promising pathway toward next-generation lithium-ion battery materials, emphasizing enhanced performance, stability, and efficiency in demanding energy storage applications.

Hyperspectral remote sensing images offer a unique opportunity to quickly monitor water depth, but how to utilize the enriched spectral information and improve its spatial resolution remains a challenge. We proposed a water depth estimation framework to improve spatial resolution using deep learning and four inversion methods and verified the effectiveness of different super resolution and inversion methods in three waterbodies based on HJ-2 hyperspectral images. Results indicated that it was feasible to use HJ-2 hyperspectral images with a higher spatial resolution via super resolution methods to estimate water depth. Deep learning improves the spatial resolution of hyperspectral images from 48 m to 24 m and shows less information loss with peak signal-to-noise ratio (PSNR), structural similarity (SSIM), and spectral angle mapper (SAM) values of approximately 37, 0.92, and 2.42, respectively. Among four inversion methods, the multilayer perceptron demonstrates superior performance for the water reservoir, achieving the mean absolute error (MAE) and the mean absolute percentage error (MAPE) of 1.292 m and 22.188%, respectively. For two rivers, the random forest model proves to be the best model, with an MAE of 0.750 m and an MAPE of 10.806%. The proposed method can be used for water depth estimation of different water bodies and can improve the spatial resolution of water depth mapping, providing refined technical support for water environment management and protection.