玉米茎秆汁液对黄土坡面产沙速率的影响及原因分析

利用人工模拟降雨试验研究了玉米茎秆汁液对黄土坡面产沙速率的影响及其原因。试验设计了4种不同的土样处理方式（control、添加25%浓度的汁液、添加50%浓度的汁液、添加25%浓度汁液经过一个冬季的冻融降解）在4种不同雨强（25,50,75,100 mm/h）下对产沙速率的影响,分析了4种不同处理后土样的土壤团聚体、有机质跟产沙速率的关系。结果表明:（1）添加玉米茎秆汁液对产沙速率是有明显的抑制作用的,玉米茎秆汁液通过增加土壤中 > 0.25 mm的团聚体和有机质实现减沙作用的。（2）4种处理后的土样中 > 5 mm的土壤团聚体和有机质是显著线性相关的,通过了0.01的显著性水平。在各种试验雨强（25,50,75,100 mm/h）下的产沙速率与 > 0.25 mm的土壤团聚体、有机质都具有显著线性负相关关系,通过了0.01的显著性检验。     

北方土石山区典型坡面优先流特征研究

以太行山区崇陵流域的典型坡面为研究对象,通过亮蓝(Blue-FCF)与KI染色示踪试验,利用图像处理软件技术,计算优先流形态特征参数,分析5个不同坡位的优先流形态特征变化规律。结果表明:(1)随着坡位升高,坡面土壤厚度、容重逐渐减小,而总孔隙度、渗透系数、饱和含水量逐渐增大,凋萎系数与田间持水量则呈现波动变化趋势;(2)随着坡位的升高,染色剂运移深度不断增加,基质流区域占比减小而优先流区域占比增大;各坡位染色面积比随深度缓慢下降,在40cm以下深度范围高坡位点的土壤水分与周围土体交互作用较低坡位点较弱;染色剂入渗体积随坡位升高而逐渐增大;(3)随着坡位的升高,优先流对实际水分运移的贡献增大,高坡位坡面水分以优先流为主要方式向下入渗;(4)土壤质地与容重是影响土石山区坡面不同坡位优先流差异的主要因素。     

玉米茎秆汁液对土壤的减水减沙效益及其机理

为研究土壤改良剂玉米茎秆汁液对中国西部地区水土流失的影响和机理,该文通过室内土壤理化性质测定和人工模拟降雨试验,研究了地表施加玉米茎秆汁液对土壤团聚体的平均重量直径、土壤有机质质量分数和土壤减水减沙效益的影响。试验以未施加任何玉米茎秆汁液的黄土坡面为对照,设计单位面积玉米茎秆汁液施加量1 041.7 mL/m2,施加汁液体积分数25%和50%,降雨强度为50 mm/h,研究玉米茎秆汁液施加对土壤减水减沙的影响。结果表明,玉米茎秆汁液的施加可以增加土壤有机质的含量,提高土壤团聚体的平均重量直径,降低产流产沙速率。对照、体积分数25%和50%汁液施加下的土壤团聚体平均重量直径分别为0.18、0.46和0.51 mm,土壤有机质质量分数分别为5.70%、6.75%和7.17%。较对照,体积分数25%和50%汁液施加下,土壤的减水效益分别为45.81%和48.34%,减沙效益分别为65.00%和75.47%。玉米茎秆汁液的减水减沙效益随时间的推移而降低,月均减水、减沙效益降低量约为1.25%和1.41%,研究中施加体积分数25%和50%汁液的土壤减水减沙效益约可持续3和4.5 a。综上,玉米茎秆汁液作为土壤改良剂在施加量为1 041.7 mL/m2时,茎秆汁液与水的体积比为1:1时,效果较好。该研究可以为将玉米茎秆汁液作为土壤改良剂用于土壤侵蚀的防治提供施放参考。     

土石混合介质中碎石性质对土壤水分特征曲线的影响分析

土壤水分特征曲线是研究多孔介质非饱和带土壤水分运动的关键参数。为研究土石介质中碎石性质对土壤水分特征曲线的影响,采用高速离心机,测定了两种不同岩性碎石(片麻岩和石灰岩)分别在碎石质量比例(碎石占土石介质比例)为0%、10%、20%、30%和40%条件下的土壤水分特征曲线,并运用了RETC软件的VG(van Genuchten)模型对土壤水分特征曲线进行了拟合分析。结果表明:(1)相同土壤水吸力条件下,土壤含水量随碎石比例的增大而减小;(2)相同碎石比例条件下,土壤水吸力相同时含石灰岩土石混合介质含水量降低幅度大于片麻岩;(3)VG模型可以拟合含不同性质碎石土石混合介质水分特征曲线,但拟合参数不稳定;(4)含石灰岩碎石的土石混合介质的土壤饱和含水量只与土壤所占比例有关,而含片麻岩碎石的土石混合介质的土壤饱和含水量与土壤和碎石各自所占比例均有关。研究结果可以为土石山区土壤水分运动过程计算提供一定参考。     

机器学习在径流预测中的应用研究

机器学习在各个领域以及交叉学科中有着广泛的应用。运用两种机器学习方法支持向量机回归SVR和BP人工神经网络,对长江流域河溶水文站2009-2014年逐日径流与日降水资料进行学习、训练以及预测。采用Ns效率系数和相对偏差PB作为比较指标,与传统的分布式水文模型(THREW)进行比较。结果表明:THREW模型模拟效果好,Ns效率系数为0.503,具有清晰的物理过程和水文机理,但是模拟结果的相对偏误差PB较大,数据要求较多,操作复杂。两种机器学习方法在相对偏误差PB指标表现较好,都较好的模实现了对径流的预测,泛化能力较好,即具有将学习成果应用于新知识的能力。但是对数据依赖较大,数据样本容量越大,预测的结果会更理想。BP神经网络模径流结果在相对偏误差PB指标表现很好,模拟低流量时期较准,在洪峰流量阶段模拟失真,SVR对极大洪峰流量预测准确度有所提高。结果显示SVR优于分布式物理THREW模型和BP神经网络。