GFDL-ESM2M气候模式下京津冀地区未来潜在蒸散量时空变化

为探究未来潜在蒸散量时空变化特征,该研究以京津冀地区为例,基于美国GFDL提供的GFDL-ESM2M全球气候模式,得到京津冀地区92个格点2000-2050年的平均气温、最高气温、最低气温、太阳总辐射、平均相对湿度和近地面平均风速,应用Penman-Monteith公式计算京津冀地区未来92个格点的逐日潜在蒸散量(ET0),分析其时空分布特征及其与气象要素的相关关系。结果表明:未来年ET0总体呈增加趋势,RCP8.5情景下ET0上升速度最快,且随着时间推移增幅越来越大。夏季ET0增长速度最快,其次为春季、秋季与冬季,意味着未来ET0季节差异将愈加明显,可能出现更为严重的季节性干旱。ET0空间分布呈由西南向东北逐渐递减趋势,其中中部地区增速最快,增长趋势由中部向南北递减。不同气候情景下平均气温均呈逐年上升趋势,风速、太阳总辐射略微上升,而相对湿度下降。ET0与太阳总辐射的相关系数最大,呈由东北向西南递增趋势,其次为最高气温,呈由西北向东南递增趋势。ET0与相对湿度变化呈显著负相关,相关系数绝对值呈东北向西南递增趋势,ET0与风速相关度不明显。该研究可为农业需水预测与灌溉管理、科学应对气候变化提供基础支撑。     

CeO2添加比例对Fe基催化剂催化纤维素气化制氢的影响

为研究CeO2添加对生物质催化气化制氢特性的影响，该研究采用分级气化系统分析了不同CeO2/Fe2O3比例（Ce∶Fe摩尔比为0∶1、3∶7、5∶5、7∶3、1∶0）双金属催化剂对纤维素水蒸气催化重整制氢气体产物产量、组成以及催化剂的结构演变特性的影响。结果表明，CeO2/Fe2O3催化剂在制氢反应中的催化性能明显优于纯CeO2或Fe2O3催化剂，当Ce∶Fe摩尔比为3∶7时，在800℃下氢气的最大产率为21.63 mmol/g（以纤维素计，下同）；当温度大于等于800℃时，催化剂氧化还原反应后可生成CeFeO3，且CeFeO3的存在对纤维素水蒸气气化过程有促进作用。CeO2的引入提高了催化剂的氧化性能和稳定性，提高了使用寿命。该研究对生物质气化机制的深入理解具有一定的指导意义。     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一，对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性，该研究收集新疆艾比湖湿地78个典型样点，其中选取54个样本作为训练集，24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument，MSI）、数字高程模型（Digital Elevation Model，DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数），经过极端梯度提升（Extreme Gradient Boosting，XGBoost）算法筛选有效特征变量，构建了关于土壤电导率（Electrical Conductivity，EC）的随机森林（Random Forest，RF）、极限学习机（Extra Learning Machine，ELM）和偏最小二乘回归（Partial Least Squares Regression，PLSR）预测模型，并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化；红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合，3类指数组合的建模取得了较为理想的预测精度，其中RF模型表现最优（验证集R2=0.83，RMSE=4.81 dS/m，RPD=3.11）；在整个研究区内，中部和东部地区土壤盐渍化程度尤为严重。因此，XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。     

基于改进极限学习机的水体溶解氧预测方法

为了有效地指导水产养殖生产，提高溶解氧浓度预测的精度，提出了基于因子筛选和改进极限学习机（Extreme Learning Machine，ELM）的水产养殖溶解氧预测模型。首先，利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数，提取强关联因子，降低预测模型的输入量维度；采用偏最小二乘算法（Partial Least Square, PLS）优化传统ELM神经网络，避免网络中隐含层共线性问题，保障输出权值的稳定性；然后，结合新型激活函数，构建水体溶解氧浓度预测模型。最后，将SPLS-ELM（Selection Based Partial Least Square Optimized Extreme Learning Machine）预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明：该模型的预测均方根误差为0.3232，与最小二乘支持向量机（Least Square Support Vector Machine，LSSVM）、BP神经网络、粒子群（Particle Swarm Optimization，PSO）优化LSSVM和遗传算法（Genetic Algorithm, GA）优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s，预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线，能够满足水产养殖实际生产对水体溶解氧预测的要求。     

Is N‐feedback involved in the regulation of nitrogenase activity in Medicago truncatula?

To determine whether senescing leaves provoke an active nitrogen (N) remobilization that results in the reduction of nitrogenase activity, 60% of Medicago truncatula lower leaves were either darkened or individually excised for two weeks. Although a considerable amount of N was remobilized, N₂ fixation activity was found to be increased to maintain the N source/sink balance, indicating an absence of the negative N‐feedback regulation of nitrogenase activity in the senescing M. truncatula.     

施氮及添加硝化抑制剂对苜蓿草地N2O排放的影响

为探究旱作紫花苜蓿(MedicagosativaL.)栽培草地氧化亚氮(N_2O)排放对施氮水平及添加硝化抑制剂的响应特征,采用传统静态箱法研究了不同施氮水平[0kg(N)·hm~(-2)(N0)、 50kg(N)·hm~(-2)(N50)、 100kg(N)·hm~(-2)(N100)和150kg(N)·hm~(-2)(N150)]以及添加硝化抑制剂双氰胺(DCD)150kg(N)·hm~(-2)(N150+DCD)对陇东苜蓿草地N_2O排放特征的影响。结果显示,监测期内N0、N50、N100和N150处理N_2O平均排放速率分别为3.5μg·m~(-2)·h~(-1)、4.1μg·m~(-2)·h~(-1)、5.0μg·m~(-2)·h~(-1)和6.1μg·m~(-2)·h~(-1),随着施氮梯度的增加, N_2O排放速率呈增加趋势。添加硝化抑制剂DCD对N_2O排放产生明显的抑制作用。与N150处理相比, N150+DCD处理下苜蓿草地N_2O平均排放速率下降50.7%, N_2O累计排放量显著降低61.6%(P0.05)。施氮对苜蓿产量没有显著影响,而N0、N50、N100和N150处理下单位苜蓿产量N_2O排放量随氮肥梯度的增加而增加,各处理分别为6.5 mg·kg~(-1)、7.8 mg·kg~(-1)、11.3 mg·kg~(-1)和12.5 mg·kg~(-1)。N_2O排放受土壤含水量影响深刻,生长季N_2O排放通量与土壤水分呈显著正相关关系(P0.05),而与土壤温度无显著相关性(P0.05)。综上,旱作紫花苜蓿栽培草地N_2O排放通量随施氮水平的增加明显增加,在相同施氮水平下添加硝化抑制剂DCD能显著抑制N_2O排放。相关研究结果对于该区域苜蓿草地合理施肥以及N_2O减排具有一定的实践指导意义。     

野生动物非法交易犯罪案件信息特征分析

对野生动物非法交易案件进行信息特征分析,可以把握案件的发生规律,提供决策者参考,以便有针对性预防和打击犯罪,更好地保护野生动物资源。本研究应用大数据分析的方法,对野生动物非法交易犯罪案件的文本数据进行结构化处理,建立了word2vec模型。从犯罪因素的角度统计分析了本类案件的信息特征,包括侵害人的特征、作案行为特征、侵害的动物或动物制品、侵害的时间和案件发生的地点等。在梳理基本特征的基础上应用关联算法构建了关联规则。根据特征分析和关联规则,提出了开展季节性防控、对特定群体和场所进行有针对性预防、对上游下游犯罪进行联动打击、与网管等多部门合作,运用现代科技成果进行打击和防范的对策建议。     

Biochar addition mitigates nitrogen loss induced by straw incorporation and nitrogen fertilizer application

Biochar has been shown to be potentially beneficial for enhancing yields and soil properties, and diminishing nitrogen (N) losses. However, it remains unclear how biochar regulates soil carbon (C) and N to mitigate N losses induced by straw mixing with N fertilizer in dryland soils. Therefore, we investigated the effects of straw mixing (S₁), S₁ with biochar (SB) and no straw inputs (S₀), and routine urea application rates (N₁) and 70% of routine rates (N_0.7) on yields and N losses, and identify the relationship between N losses and soil C and N compounds. Results showed that N_0.7 and N₁ were suitable for the maize and wheat seasons, respectively, contributing to mitigating N losses without reducing crop yields. Moreover, in the maize season, N_0.7-SB significantly mitigated the straw-induced NH₃-N and N₂O-N emissions by 106% and 81%, respectively. In the wheat season, N₁-SB reduced the straw-induced NH₃-N and N₂O-N emissions by 35% and 66%, respectively. In addition, N_0.7-SB sharply reduced soil inorganic N (SIN) storage in the maize season. Furthermore, the NH₃-N and N₂O-N emission rates were negatively correlated with dissolved organic carbon/SIN content (0–20 cm) (DOC/SIN_0-20). N losses (N₂O-N and NH₃-N emissions and SIN storage) were positively correlated with SIN_0-20, but negatively correlated with soil organic carbon / SIN_0-20 (SOC/ SIN_0-20). This study provides further evidence that biochar with an appropriate N application rate decreased SIN_0-20 and increased DOC/SIN_0-20, thus reducing SIN storage and the straw-induced gaseous N emissions without decreasing crop yields.     

橡胶树优树无性系自然越冬过程生理指标变化研究

以橡胶树5个人工杂交子代优树无性系苗木为材料，通过自然越冬低温处理，以抗寒品种GT1为对照，测定了5个时间梯度下10个生理指标的变化过程，并利用隶属函数法对各无性系抗寒性进行综合评价。结果表明，整个自然越冬过程中各无性系间相对含水量、相对电导率、超氧化物歧化酶（SOD）和过氧化物酶（POD）活性、超氧阴离子（OFR）、氨基酸（AA）、脯氨酸（Pro）、可溶性糖及可溶性蛋白含量等生理指标差异均达到了极显著（P<0.01）水平；温度较高时各无性系间丙二醛（MDA）含量差异未达到显著水平。自然越冬过程中，各生理指标呈现不同的变化规律，其中相对含水量和脯氨酸含量呈先降后升变化，SOD、POD酶活性及可溶性蛋白含量呈“升—降—升”变化，相对电导率、MDA和可溶性糖含量呈“降—升—降”变化、OFR含量呈先升后降、AA含量呈“降—升—降—升”变化。各无性系间抗寒性差异较明显，应用隶属函数法综合评价抗寒性由强到弱依次为629号＞626号＞182号＞223号＞GT1（对照）＞628号。