古尔班通古特沙漠南缘固定沙丘上土壤水分与地形-植被因子的关系

土壤水分是干旱和半干旱生态系统格局和过程的主要驱动力,地形-植被因子是小尺度上影响土壤水分的主要因子。以古尔班通古特沙漠南缘北沙窝附近固定沙丘上不同深度的土壤水分(表层0-40 cm、中层40-200 cm、深层200-300 cm和整体0-300 cm)作为研究对象,利用广义线性模型(GLM)、广义加性模型(GAM)和随机森林(RF)模型研究了土壤水分与地形-植被因子之间的关系和变化规律。结果表明:(1)不同深度的土壤水分均呈现一致的单峰分布,不同深度土壤水分的大小顺序为深层>中层>表层,且两两之间具有显著差异。(2)GLM和GAM模型得到的影响不同深度土壤水分的植被和地形因子完全相同,RF模型的精度优于GLM和GAM模型。(3)地形因子海拔、坡度、高差和植被因子灌木多度与其影响的不同深度的土壤水分呈负相关关系,地形因子坡向(规定正东方向为0,顺时针旋转)和植被因子生物量与其影响的土壤水分呈正相关关系。植被因子草本盖度与表层土壤水分呈正相关关系,与中层土壤水分呈负相关关系。研究结果可为研究区制定相应的防风固沙措施以及建立科学合理的植物固沙模式提供理论参考。     

疏勒河中游梯级水库库容和库水位关系模型优化

为了研究梯级水库库容与库水位之间的关系，解决水库由原来承担单一灌溉或发电任务，到现在变为一库多用的多目标决策问题。以疏勒河流域中游地区的3座水库（昌马水库、双塔水库和赤金峡水库）为研究对象，利用高斯函数和两种神经网络建立3大水库的库水位和库容之间的关系模型。通过对比不同模型预测的均方根误差（RMSE），相对均方根误差（RRMSE）和平均绝对百分比误差（MAPE）来判断模型的表现。结果表明:3种模型均可较好地拟合3大水库库水位和库容之间的关系，对于昌马水库和双塔水库来说，径向基函数神经网络（RBF）的表现优于非线性回归模型和前馈反向传播神经网络（FBNN）模型；对于赤金峡水库而言，FBNN神经网络的表现优于非线性回归和RBF神经网络模型。与经典回归模型相比，人工神经网络更适合于水库库容的确定。      

基于灰色-马尔科夫残差预测模型的甘南草地载畜量预测

为了预测草地实际载畜量与理论载畜量,为草地畜牧业的可持续发展提供理论依据和决策支持基础,通过对甘南州4个县市1998-2009年的草地实际载畜量和理论载畜量数据分析,以灰色GM(1,1)模型和马尔科夫预测模型为基础,建立了优化改进的灰色等维—马尔科夫残差预测模型,以甘南州合作市实际载畜量为实例进行验证,预测结果显著(p<0.01),预测误差低于7.06%,表明该预测模型精度较高,适用于对草地载畜量的预测研究。最后,利用该模型对2010-2014年甘南州4县市草地实际载畜量和理论载畜量进行预测分析,基本符合草地载畜量实际变化过程,为相关部门合理确定草地载畜量和进行科学草地管理提供参考。     

古尔班通古特沙漠东南部不同类型沙丘土壤水分与地形-植被因子关系

[目的]揭示古尔班通古特沙漠土壤水分的分布规律及其与地形—植被因子的关系，对制定相应的防风固沙措施以及建立科学合理的植物固沙模式有积极的指导作用。[方法]以古尔班通古特沙漠东南部地区3种不同类型沙丘(固定、半固定和流动沙丘)为研究对象，利用方差分析和冗余分析等方法对3种不同类型沙丘上4种微地貌类型(迎风坡、背风坡、丘顶、丘底)不同深度土壤水分(0—40 cm, 40—200 cm, 200—300 cm)分布特征及其与地形—植被因子之间的关系进行综合分析。[结果](1)所有类型沙丘上0—300 cm土壤水分的波动程度随深度的增加逐渐减小，表层土壤水分的波动程度大于中层和深层。(2)所有类型沙丘不同深度的土壤水分有显著的差异，且背风坡、丘底和迎风坡3种微地貌类型上土壤水分相对较为集中。(3)地形—植被因子对研究区绝大多数(半)固定沙丘的土壤水分呈负相关关系，对(半)固定沙丘不同深度土壤水分影响较流动沙丘更为明显。[结论]所有类型沙丘上的土壤水分受地形因子的影响较植被因子强，而且影响不同类型沙丘土壤水分的主要地形—植被因子也不同。