贝壳沙埋深度对杠柳幼苗生长及光合特性的影响

【目的】研究杠柳幼苗生长及光合特性对贝壳沙埋深度的响应,探讨杠柳幼苗对贝壳沙埋深度的耐受极限,为贝壳堤海岸带植被的恢复重建提供科学依据。【方法】设定不同埋深的贝壳沙埋深度分别为0%、33.3%、66.7%、100%、120%,每隔15 d统计杠柳植株的成活率,60 d后采用光合测定系统对不同埋深处理下的杠柳叶片净光合速率(Pn)、蒸腾速率(Tr)、胞间CO2浓度(Ci)进行测定,同时对其株高、根长以及根、茎、叶干质量等生物量进行测定;采用SPSS、Amos Graphics软件对相关参数及其相互作用关系进行分析和处理。【结果】除埋深120%杠柳幼苗死亡外,其他各处理下杠柳幼苗的各项生长指标均随着贝壳沙埋深度的增加呈现先上升后下降的趋势。杠柳幼苗株高、根长、根干质量、茎干质量和叶干质量在埋深33.3%时最高,在埋深100%时最低。杠柳净光合速率(Pn)、蒸腾速率(Tr)、水分利用效率(WUE)、光能利用效率(LUE)和羧化效率(CE)随着贝壳沙埋深度的增加均有不同程度的提高,其中埋深33.3%时,杠柳Pn、Tr、LUE、CE达到最大值,但与埋深66.7%时差异不显著;埋深66.7%时,杠柳WUE最大,显著高于对照34.0%,但与埋深33.3%差异不显著。结构方程模型分析表明,在一定埋深范围内,杠柳株高、根长、茎干质量的增加主要是由杠柳净光合速率和水分利用效率的增强引起的。【结论】适当的贝壳沙埋深度(33.3%),可引发杠柳启动自我补偿策略,促进杠柳的生长和资源利用效率的提高,但超过一定的埋深阈值,会导致杠柳幼苗的死亡。     

翅碱蓬施用不同肥料对滨海盐碱地土壤理化性质、酶活性及团聚性的影响

通过田间小区试验研究不同肥料配施促进翅碱蓬生长及其对盐碱土修复的影响。结果表明,施肥不同程度地改善了盐碱地土壤的营养状况,促进翅碱蓬的生长,增强吸收土壤中盐分离子的能力,降低盐碱度,从而提高了土壤酶活性和土壤团聚性。其中,氮肥处理效果最佳,与对照比,土壤全盐量降低30. 3%,碱性磷酸酶活性提高68. 4%,脲酶活性增加1. 5倍,土壤团聚性增加,土壤平均重量直径增加28. 7%。其次是钾肥处理,碱性磷酸酶活性提高43. 5%,脲酶活性增加50. 0%,土壤平均重量直径增加25. 8%。因此,本研究认为,氮肥对盐碱地碱蓬生长及土壤营养改善效果较好,而氮肥配施钾肥对促进碱蓬生长以改良盐碱地更具有生态意义。     

氮磷钾钙配施对望天树幼苗生长及生理特性的影响

探讨不同N、P、K、Ca配施处理对望天树幼苗生长及生理特性的影响，并根据其生长及生理表现筛选适宜的配施处理，旨在为望天树壮苗培育提供参考依据。以1年生望天树幼苗为试验材料，采用L16(4⁴)正交试验设计方法。结果表明，不同配施处理对望天树幼苗生长及生理指标影响达到极显著差异水平（P<0.01），生长表现最优处理是N₂P₂K₄Ca₁和N₃P₄K₂Ca₁，生理指标表现最优处理是N₃P₂K₁Ca₂和N₃P₄K₂Ca₁。相关性分析表明望天树苗高与叶片叶绿素、可溶性糖和可溶性蛋白质含量等生理指标呈极显著正相关，与丙二醛含量呈极显著负相关，地径仅与叶绿素含量呈显著正相关关系。处理7(100 mg N+20 mg P+80 mg K)、处理12（200 mg N+40 mg P+20 mg K）对望天树幼苗生长的促进作用最大，处理11（200 mg N+20 mg P+50 mg Ca）和处理12（200 mg N+40 mg P+20 mg K）配施下生理特性指标表现最好；N是望天树幼苗生长的必须因子，P和K对促进苗木地径生长作用显著，适量Ca有助于提高望天树幼苗生理活性，超过100 mg则导致生理胁迫。     

以GIS为基础的禽流感预测预警研究进展

GIS是一种对地理环境等方面数据进行储存、分析、加工和呈现的综合工具。利用GIS可以把流感病例的相关数据与气候、环境和社会等数据进行整合和分析，通过统计学或数学模型，找到影响流感发生和传播的风险因素，对流感的发生趋势进行预测和可视化预警。国内外学者利用GIS在禽流感风险因素分析和预测等方面做了大量研究，包括对人感染H7N9流感、高致病性H5亚型禽流感、野禽流感风险因素和预测的研究，不同基因型病毒分布特征的研究，兽医决策辅助应用研究等。这些研究对指导兽医流行病学研究人员将GIS更好地应用于禽流感防控具有帮助意义。     

不同施肥处理对油茶生长及土壤肥力的影响

为探究不同施肥处理对油茶生长及土壤肥力的影响,连续3年在广西柳州市对5年生油茶人工林进行施肥试验研究。结果表明,施肥后,处理Ⅱ的树高、地径和冠幅的增长量明显高于其它处理,即有机—无机复混肥料直接施入油茶林地最有利于营养生长,而处理CK(不施肥)各项生长指标的增长量最低。不同施肥处理对油茶林地土壤养分各指标的影响差异较大,经灰色关联度法分析得出土壤综合肥力的高低顺序,其中处理Ⅲ(即无纺布包装有机—无机复混肥)施肥后对油茶林地土壤综合肥力的提高最显著,其次为处理Ⅰ(即有机栽培肥料),不施肥处理CK的土壤综合肥力则显著降低,土壤质量退化严重。     

基于称重式蒸渗仪的淮北平原冬小麦蒸散估算模型的本地化

为了解不同作物蒸散量估算方法在淮北地区的适用性,利用新马桥实验站称重式蒸渗仪测定了2016-2017年冬小麦全生育期的实际蒸散值,结合Hargreaves-Samani(H-S)、 FAO-56 PM、Turc、Makkind(Mak)、 Priestley-Taylor(P-T)、Mcloud(Mcl)和DeBruin-Keijman(D-K)7个模型,分析了冬小麦田的蒸散特征,将蒸散的估算值(ET_0)和实测值(ET_C)进行了对比。结果表明,相对于ET_C值,7个模型拟合得到的ET_0的RMSE值为0.99～2.29 mm·d~(-1),且H-S FAO-56 PMTurcMakP-TMclD-K; ET_C与ET_0的相关系数为0.74～0.97,其中FAO-56 PM的相关性最高,P-T、 Mak、 D-K、 H-S也表现出较好的相关性。综合来看,H-S法总体表现较好,更适合该地区。对6种主要气象要素与实测蒸散值进行主成分分析发现,温度是影响ET_C的主要因子,湿度、日照时数和平均风速(2 m)对淮北冬小麦田蒸散值的影响不大;H-S模型以温度数据为基础,利用线性订正法和湿度指数项订正法将H-S模型本地化后检验发现,其优化结果良好,RMSE降低(0.68 mm·d~(-1))。     

天津市产业碳排放的影响因素及贡献

[目的] 综合考虑“水—土—能—碳”相互关系，研究产业碳排放的影响因素及贡献，为天津市减排决策制定提供一定依据。[方法] 对天津市产业碳排放进行测算，将水土资源因素引入Kaya恒等式，运用LMDI模型计算产业碳排放各影响因素的贡献。[结果] 2004—2018年天津市各产业碳排放均呈现上升趋势；整体来看，水资源经济产出、人口数量促进天津市各产业碳排放，且前者为主要促进因素，水土资源因素抑制各产业碳排放，碳排放强度促进农业碳排放，而抑制其他产业碳排放，人均用地面积抑制农业碳排放，而促进其他产业碳排放；水土资源因素对各产业碳排放影响的变化与水土资源匹配度变化有较好的一致性，单位用地面积用水量越多，其对碳排放的促进作用越大。[结论] 为实现节能减排，应发展节水产业，优化城市水土资源开发利用，发挥水土资源因素对碳排放的抑制作用。     

采用多元统计分析方法构建南极磷虾粉品质评价体系

南极磷虾是一种重要的战略性海洋生物资源，营养价值高，资源量大，开发利用前景广阔。为了构建南极磷虾粉品质评价体系，为南极磷虾粉品质的科学评价提供依据。通过检测15项南极磷虾粉品质指标，采用因子分析筛选品质评价指标，应用概率分布分级品质评价指标，通过层次分析确定品质评价指标权重，利用K-均值聚类分析和判别分析建立南极磷虾粉品质判别函数。结果表明：1）南极磷虾粉品质指标之间离散度有差异，变异系数在8.89%～84.46%；2）从15项指标中选择6项作为南极磷虾粉品评价指标（蛋白质、脂质、盐分、赖氨酸、生育酚、挥发性盐基氮）；3）建立了南极磷虾粉品质评价指标的分级标准和评分标准；4）建立了南极磷虾粉品质判别函数，判别率较高。该研究构建的南极磷虾粉品质评价体系为南极磷虾粉品质评价提供了科学依据，可以用于南极磷虾粉的品质定性判别和评价。     

基于SDAE-BP的联合收割机作业故障监测

为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder, SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode, DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。