不同海拔高寒草甸土壤微量元素含量及其与植被的关系

为了探究高寒草甸微量元素随海拔的分布特征及其与植被的关系。本研究以东祁连山高寒草甸为研究对象,调查并测定了不同海拔下高寒草甸植被群落和土壤微量元素含量,采用冗余分析(Redundancy analysis,RDA)分析土壤微量元素与植被群落的关系。结果表明,高寒草甸植被总盖度、草层盖度、地上生物量、莎草科、豆科和杂类草地上生物量均随海拔的升高呈先升高后降低的趋势,在3 200 m处达最大值,禾本科地上生物量随海拔升高依次降低;土壤钙(Ca)、铁(Fe)、铜(Cu)和锰(Mn)含量随海拔的升高呈先降低后升高的趋势,土壤镁(Mg)、锌(Zn)和钼(Mo)含量随海拔的升高呈先升高后降低的趋势,土壤钴(Co)含量随海拔的升高依次降低,土壤硒(Se)含量随海拔的升高呈波动性上升;相关性分析和RDA分析表明,土壤微量元素Mo和Fe含量显著影响着高寒草甸植被的生长。综上所述,海拔显著影响着高寒草甸土壤微量元素的分布,高寒草甸土壤管理过程中应该关注微量元素Mo和Fe,建议将微量元素Mo和Fe作为高寒草甸土壤健康评价指标。     

山地草甸植被生物多样性及群落稳定性对坡向的响应

为研究不同坡向山地草甸的植被生物多样性与群落稳定性差异,本研究选取了东祁连山金强河流域4个坡向(阴坡、半阴坡、半阳坡、阳坡)的山地草甸,进行植被特征的调查,并分析了其功能群组成、多样性指数和群落稳定性的变化规律。结果表明：物种的盖度、高度、地上生物量、植被含水率、土壤含水量和莎草科地上生物量从阴坡到阳坡呈递减的趋势,禾本科和豆科呈先升高后降低的趋势,杂类草呈递增的趋势;Godron稳定性结果表明,阳坡群落处于不稳定状态。同一群落多样性大小与其群落稳定性并不存在相关关系。综上,山地草甸不同坡向草地植被特征差异显著,坡向影响着草地生产力与群落稳定性。建议在草地管理中考虑不同坡向草地植被特征变化,采取灌溉、施肥和割草等抚育措施,使植被进行正向演替更新,提高山地草甸群落的生物多样性和群落稳定性,增加其生态系统服务能力。     

自然老化与人工老化对燕麦种子的遗传完整性分析比较

本研究利用酸性聚丙烯酰胺凝胶电泳（Acid polyacrylamide gel electrophoresis,A-PAGE）方法,测定1~5年自然老化及高温高湿人工老化的皮燕麦（Avena sativa L.）和莜麦（Avena nuda L.）种子的遗传完整性,旨在比较2种燕麦种质在不同老化方式下的遗传完整性变化及差异。结果表明：随着贮藏时间的增加,皮燕麦和莜麦种子醇溶蛋白含量和种子发芽率下降,A-PAGE检测到的电泳条带逐渐模糊,数量减少。A-PAGE可检测老化燕麦种子遗传完整性变化,遗传分析共检测到41个等位基因位点,多态性位点占90.244%;皮燕麦和莜麦种质的遗传相似性系数在0.342~0.996之间。与自然老化相比,人工老化处理群体的各遗传参数下降程度高,老化后燕麦种子遗传多样性降低,遗传完整性被破坏。不同种质之间,莜麦‘白燕2号’在自然老化和人工老化下的劣变速度和程度均高于皮燕麦‘陇燕3号’。燕麦种子的适宜贮藏年限不宜超过5年。     

祁连山东缘高寒草甸植物及各部位对氮素添加的响应

为探究氮添加处理下高寒草甸草原植物的氮吸收和分配模式,本研究以祁连山东段高寒草甸草原为研究对象,分别施入0,10,20,30,40 g·m^-2的尿素,测定不同施氮水平下不同经济类群和优势种植物的生物量、整个植株及各部位氮含量等。结果表明：相比于豆科和杂类草,禾本科和莎草科植物对于氮素的利用率更为高效;施氮与扁蓿豆（Trigonella ruthenica L.）、矮生嵩草（Kobresia humilis）、垂穗披碱草（Elymus nutans）植物氮含量显著相关,与赖草（Leymus secalinus）和球花蒿（Artemisia smithii）的相关性较弱;施氮后植物叶片氮含量最高,其次是穗/花,茎的氮含量最低,且施氮对于植物叶片的氮含量有显著影响,对茎和穗/花的影响不显著。     

基于植被指数的三江源高寒草地植物分类与识别方法研究

随着生态健康检测与保护工作的实践以及研究问题的深入，传统的植物分类手段不能完全满足当前研究的需要。因此为研究快速分类识别草地植物的方法，本研究利用ASD (Analytical spectral devices)地物光谱仪，采集了三江源地区高寒草地常见的阿尔泰葶苈(Draba altaica)、高山风毛菊(Saussurea japonica)和车前状垂头菊(Cremanthodium ellisii)等36种植物的原始光谱数据，并选择了比值植被指数等16种高光谱植被指数，基于支持向量机(Support vector machines，SVM)等3种机器学习算法，构建高寒草地植物光谱分类识别模型。研究结果表明：高寒草地植物的原始光谱均符合绿色植物特征，但由于植物形态特征不同光谱差异主要集中在可见光波段；基于植被指数结合3种算法构建的分类模型，精度依次为随机森林(Random forest,RF)(99.4%)>SVM (93.2%)>K邻近算法KNN (88.0%)，且模型的预测结果都出现了误判情况；相比SVM与KNN，RF为基于植被指数构建模型的最佳算法，同时能对所构建模型参数进行重要性分析，其中RGI和SAVI为提高RF分类模型精度的两个重要参数。