休闲农业园中矿山废弃地改造利用设计

包含矿山废弃地的现代休闲农业园规划设计的一个重要内容就是对废弃采石场等特殊的矿山开采迹地景观资源进行改造利用,创造该类型农业园的特色观光景点和休闲娱乐设施。以宜兴市金山农业生态园和宜兴市华东生态休闲园为案例,从环境水系整治、边坡处理、宕口迹地、废弃建筑物、局部地形地势、坡地复垦种植等多个方面,分析探讨休闲农业园中矿山废弃地的改造利用方式和创意设计思路。     

AHP-FUZZY法论证采煤塌陷地村庄搬迁规划选址的研究

以宿州市踊桥区采煤沉陷区村庄搬迁规划为例,应用AHP—FUZZY法论证采煤塌陷地村庄搬迁规划选址的优劣程度,通过对搬迁选址评价指标体系的设定和模糊综合分析,得出该搬迁规划方案是在顾及各方面影响因素后所得出的最优方案。     

浅谈露天煤矿土地复垦技术

通过分析露天煤矿开采产生的危害,并结合近几年矿区复垦治理工作中出现的问题,对复垦方向的选择和复垦技术进行了初步的探讨,从而为露天矿区土地复垦提供理论依据和指导。     

牦牛血液铜锌超氧化物歧化酶cDNA克隆测序

本试验从牦牛血液中提取总RNA,然后用AMV反转录酶对其进行反转录产生第一条cDNA链。根据奶牛Cu/Zn-SODcDNA序列（序列号：NM174615）设计一对PCR引物,对反转录后产生的第一条cDNA链进行PCR扩增,并克隆测序,测序结果为483bp。结果证实可从牦牛血液中提取到少量合成的铜锌超氧化物歧化酶的mRNA。     

黔西青龙煤矿地下水特征及保护研究

随着青龙煤矿的开采,地下水污染问题日趋严重,地下水资源受到严重破坏。根据大量的勘探资料,研究黔西青龙煤矿矿区溶岩地下水特征。通过分析黔西青龙煤矿矿区地下水污染源及污染途径,阐述地下水资源的保护措施,以为黔西青龙煤矿的建井与开采提供参考资料和决策依据。     

会泽铅锌尾矿区豆科植物根瘤菌的耐铅锌及16S rDNA PCR RFLP研究

对21株分离自会泽铅锌尾矿区豆科植物根瘤菌进行耐复合铅锌双盐抗逆性及16S rDNAPCR-RFLP研究,结果表明,该区的豆科植物根瘤菌对铅锌双盐具有良好的耐性能力,筛选出HSY6和HZH2两株抗性能力强的菌株,分别与三叶草、紫花苜蓿共生。21株供试菌株的16S rDNA PCR-RFLP在73%的相似水平上分为5个遗传群,分别为慢生根瘤菌属(2株)、中慢生根瘤菌属(5株)、中华根瘤菌属(1株)、土壤杆菌属(3株)、根瘤菌属(10株)。供试根瘤菌类群对重金属铅锌的耐性为慢生根瘤菌属>中慢生根瘤菌属>中华根瘤菌属>土壤杆菌属>根瘤菌属。     

不同液体粘结剂在新型保水复合肥制备中的应用

创新性地采用磷尾矿粉作为肥料中磷的来源,以尿素和氯化钾作为氮和钾的来源,并且在肥料的制备过程中加入自制的保水剂,通过圆盘造粒和包裹,制备出具有一定保水性能的新型复合肥.通过对复合肥抗压强度、成粒率、吸水倍率、平衡含水量、pH的测定,主要就不同液体粘结剂对复合肥性能的影响进行系统研究,并试图确定一种适合于该类保水复合肥的粘结剂.结果表明,水可以直接作为肥料造粒试验的粘结剂Ⅰ,而复合肥包裹试验的粘结剂Ⅱ则选择质量分数为3%的PVA溶液为佳.     

茶树对铅、镉、铜的吸收累积特性研究

为了解茶树对Pb、Cd、Cu的吸收累积规律,在具有不同土壤铅(Pb)、镉(Cd)、铜(Cu)背景值的5个茶园,分析了同一茶园5个茶树品种和5个不同生境茶园福鼎大白茶(Camellia sinensis cv.Fuding-dabaicha)种群的土壤和侧根Pb、Cd、Cu的含量,以及相应5个品种及5个种群的老嫩叶Pb、Cd、Cu的含量、富集系数和转移系数.结果表明:①同一生境下5个茶树品种体内Pb、Cd、Cu含量分布次序为侧根＞老叶＞嫩叶,品种间Pb、Cd、Cu含量存在一定差异.②同一生境下5个茶树品种老叶、嫩叶Pb、Cd、Cu富集系数和转移系数差异显著,Pb的富集系数分别为0.12 ～0.18和0.09～0.11;Cd富集系数分别为1.59～2.97和0.72 ～1.31;Cu转移系数分别为0.32 ～0.41和0.20 ～0.28.③不同生境下福鼎大白茶种群的Pb、Cd、Cu含量也存在差异,MT种群嫩叶Pb、Cd含量分别为3.46和0.37 mg/kg,高于有机生态茶园XRL种群嫩叶中Pb、Cd的含量(1.50、0.07 mg/kg);土壤理化性质与茶树Pb、Cd、Cu的含量具有一定相关性;洗涤前和洗涤后的茶叶重金属含量差异较大,福鼎大白茶老叶洗涤前Pb含量为8.59 mg/kg,洗涤后为5.13 mg/kg.同一生境下的不同茶树品种受遗传作用控制,对Pb、Cd、Cu的吸收累积能力有一定差异;不同生境下的福鼎大白茶种群由于受环境的影响,侧根及老嫩叶Pb、Cd、Cu的含量也存在明显差异.     

九寨沟马脑壳金矿矿山土壤养分空间分布格局

通过对九寨沟马脑壳金矿矿山南坡(海拔2 900~3 500 m)采矿、排渣(包含翻新土)边坡(简称挖、排坡)和对应同生境原生草地的土壤养分对比研究,揭示矿区土壤主要养分氮、磷、钾和土壤有机碳 (简称SOC)空间分布格局,为矿山生态恢复提供基础数据。结果表明,挖、排坡土壤养分(包括SOC和pH值)水平随海拔升高而变化小,土壤有效养分整体含量较低,有效氮、钾含量远小于对应原生草地。原生草地土壤养分随海拔、土壤层次(即深度)变化及坡脊坡谷分布具有一定的规律性:1) 各层次土壤有效氮、磷、钾随海拔的增加呈减小的趋势,随土壤深度增加逐渐减小,坡脊小于坡谷;土壤SOC随海拔的升高先降低然后升高再降低,变化起伏;2) 土壤有效氮、磷、钾含量均与SOC呈显著相关关系(P<0.05);3) 海拔、土壤深度及坡脊坡谷等环境因子对土壤有效氮、磷、钾及SOC含量的分布均有显著影响。另外,干扰对原生草地土壤养分的分布也有一定的影响。     

The vegetation classification in coal mine overburden dump using canopy spectral reflectance

The canopy spectral characteristics of typical plants in the overburden of the Fuxin coal mine dump were measured and analyzed. The reflectance of Leymus chinensis was affected by the soil, with a slight shift from green (550 nm) to the near infrared (NIR) region. Changes in chlorophyll and water absorption were not significant in the red (670 nm) and NIR bands, respectively. The reflectance curve trend for Artemisia lavandulaefolia was similar to those of Sophora japonica and Ulmus pumila, while the reflectance of S. japonica and U. pumila fluctuated in the NIR region (760-1200 nm), especially with greater water absorption around 930 and 1120 nm. In contrast, the reflectance of A. lavandulaefolia fluctuated slightly around 930 nm and a significant peak appeared at 1127 nm. In addition, the spectral reflectance of S. japonica was lower than for the other species in the visible band (400-700 nm). However, it was higher than for L. chinensis in the NIR region (780-1200 nm). Three classifiers, the self-organizing map (SOM), learning-vector quantization (LVQ), and a probabilistic neural network (PNN), were used to classify the vegetation and the results of all classifiers were compared based on total spectral reflectance data from 400 to 1200 nm. The PNN was the best classifier in terms of training and testing accuracy. The first difference reflectance was calculated, and the red edge parameter was able to classify the herbs (L. chinensis and A. lavandulaefolia) and the arbores (S. japonica and U. pumila) with an accuracy of 77 and 84%, respectively, although it did not perform as well for detail species. A mixing parameter matrix was built based on the sensitive wavelengths (550, 674, 810, 935, and 1125 nm), the vegetation indices (SAVI and NDGI), and the water absorption slope. High classification accuracy was obtained by applying the mixing parameter matrix. This method could be used for revegetation monitoring and in decision making.