区域灾情评价模型

自然灾害发生的次数和灾害种类与灾情强度密切相关，因此有必要对灾情强度进行合理的评价。首先用灾次指数Di和灾种指数Di′来量化单灾种的多发性和多灾种的群发性，提出了计算Di和Di′的方法，然后在此基础上建立了量化灾情强度指数Q的模型，该模型适用于单区域和多区域中多种灾害发生的情况。对北京市怀柔、平谷和海淀3个区进行了模型的实例应用，考虑洪灾、冰雹灾和旱灾3种灾害情况，结果表明，怀柔区的灾情强度指数高于平谷和海淀区，3种灾种中冰雹灾的灾情强度指数高达42．76％。     

中国自然灾害备灾能力评价与地域划分

阐述了自然灾害发生之前,备灾响应能力评价的指标选择、指标模型的建立和地域划分;厘定了救灾物资的分类体系;基于救灾物资救助等级的划分程序,提出了国家主要灾种和救灾物资的救助评价等级及其地域划分.救灾物资的救助地域划分,不仅可以为国家不同自然灾害救灾物资代储类型和数量的地域匹配提供依据,而且可以为灾害救助区划服务,特别是为灾中应急和灾后恢复提供物资保障,从而达到有效减灾的目的.     

环杭州湾地区城市扩张的遥感动态监测

以环杭州湾地区为研究对象,应用决策树和形状指数相结合的方法从TM影像中分别提取了2003年和2006年的城镇用地信息,并对杭州市、绍兴市和宁波市的城市扩张特点进行了分析和研究。通过精度检验,城镇用地总体Kappa系数都在0.87以上,说明该方法提取城镇信息是行之有效的。2003年环杭州湾地区的城镇用地面积为914.04km²,2006年为1 286.1km²,4年间城镇用地净增了372.06km²,主要城市用地净增了192.6km²;杭州市、绍兴市、宁波市市区面积增加了43.7 km²;而其它县城与开发区增加了145.6 km²;说明小城市在环杭州湾地区城市化进程中处于主导地位;而大城市的作用则相对较小。杭州市、绍兴市城市扩张明显,其中尤以杭州市下沙区和绍兴市袍江工业园区的扩张最显著;宁波市城市扩张最小,特别是余姚城区。扩张方向上,杭州市主要向西北和北面扩张;宁波市在各个方向上的扩张比较平均。     

土地资源的多级网格数据结构建立与应用研究

传统的基于行政区的土地统计数据不能完全表现区域内部土地利用的空间分异特征,以武汉市为实验区,对基于网格的统计信息算法STING(Statistical Information Grid-based method)进行扩展,以景观多样性指数为定量化指标对实验区进行四叉树划分生成不均匀多级网格,建立一种拟合了行政区划界线的不均匀的多级网格结构来存储、管理和分析土地数据。并以此多级网格数据结构为平台计算和生成实验区人口密度空间分异渲染图,初步抽取了人口分布与土地利用之间的关系。实验表明,基于多级网格的统计方法能更好地表达土地利用及其相关数据的空间分异性,利于对土地资源数据的进一步挖掘以抽取所需知识。     

区域土地利用变化对生态环境影响定量评估——以铜川市城郊区为例

区域土地利用变化对生态环境的影响,是地理学全球变化研究的重要内容,而生态服务价值则是目前生态学、生态经济学研究的热点问题。研究利用研究区地形、土壤、植被数据和近10年来每年的气候、土地利用数据,运用生态服务价值测算模型,计算了1994~2003年铜川市城郊区历年的生态服务价值,并模拟了无土地利用变化情景下的生态服务价值,提出了土地利用变化环境效应指数,并尝试性地运用该指数定量评价了城郊区土地利用变化对生态环境的影响。结果表明:①由于气候变化、人类活动尤其是土地利用变化等原因的影响,城郊区生态服务价值年际间变化很大,1994~2003年期间,在不考虑水域生态服务功能情况下（基于水域面积年际变化极小考虑）,城郊区生态服务价值在4.77×108~1.56×10⁹元间波动;②模拟了无土地利用变化情景下的生态服务价值,结果表明每年基于无土地利用变化情景下的生态服务价值明显低于基于土地利用变化情景下的生态服务价值;③运用土地利用变化环境效应指数计算模型计算了土地利用变化环境效应指数,结果表明都大于1,从1994年到2003年期间,土地利用变化环境效应指数除个别年份略有波动外,整体呈增加趋势,反映了土地利用变化对城郊区生态环境的影响是积极的。     

沂河4条支流浮游植物多样性季节动态与水质评价

2006年11月—2007年8月对沂河4条支流水体浮游植物展开调查. 结果表明:东汶河、蒙河、涑河和柳青河内检测到的浮游植物分别为75,67,70和80种,浮游植物种类组成和细胞密度季节变化明显. 东汶河、蒙河、涑河和柳青河水体浮游植物Shannon-Wiener指数分别为2.97～3.96,3.05～3.35,2.86～4.02和1.74～2.89;Margalef指数分别为2.92～4.42,2.44～4.03,3.07～5.38和1.23～2.76;Pielou指数分别为0.78～0.92,0.71～0.94,0.73～0.89和0.48～0.90. 4条支流的细胞密度分别为1.54×107～5.69×107,0.28×107～12.64×107,0.97×107～3.19×107和4.17×107～9.96×107 L-1. 综合水质评价结果:东汶河和蒙河为β-中污型—寡污型,涑河为β-中污型—清洁型,柳青河为α-中污型—β-中污型. 水质从优至劣排序为涑河＞东汶河＞蒙河＞柳青河. 东汶河和涑河为温度制约型,蒙河和柳青河为温度和营养盐制约型.      

坡面尺度上地貌对α生物多样性的影响

为了解地貌在坡面尺度上对α生物多样性的影响,采用主观采样法在陕北吴起县合家沟流域不同地貌部位进行了样地调查.利用SPSS16.0统计软件先后对各地貌部位物种组成及各物种的重要值、地形因子要素间、地形因子和群落α多样性之间分别做了聚类分析、相关分析和多元回归分析.结果表明:(1)地貌部位相似的群落聚类在一起,说明地形因子是影响物种组成、群落结构、生态系统等的重要因素.(2)海拔和坡位,坡向和坡度,地形指数和海拔、坡位、坡形之间的Pearson 相关系数均大于0.8,双尾显著性检验概率小于0.05.(3)影响α生物多样性指标香农-维纳指数的地形因子按重要性从大到小依次是:坡位、坡向、海拔、坡形、坡度、地形指数,进一步分析得出在黄土高原丘陵沟壑区,沟沿线、光照、土壤水分和养分在影响α生物多样性指标上依次递减.(4)通过多元线形回归检验,得出坡位、坡向、坡形、海拔这四个地形因子与群落α生物多样性关系密切,建立的回归模型显著性检验可信度大,与样本数据的拟合度高.各地形因子数据归一处理后的回归方程为:香农-维纳指数=2.417-0.581×坡形-1.333×坡位+1.449×海拔+0.631×坡向.地形地貌特征在黄土丘陵区表现明显,研究它对生物多样性的影响可为该区植被恢复提供参考,但由于调查样地尺度较小,在应用推广上尚待进一步研究.     

编码水稻胞外核苷酸双磷酸酶基因的表达特性

NTPDase(Nucleoside triphosphate-diphosphohydrolase,核苷酸双磷酸酶)在哺乳动物巾分布于细胞膜,可以水解细胞外ATP和其他核苷酸,从而调控胞外核苷酸代谢及信号应答.根据水稻NTPD基因序列设计引物,在不同胁迫条件样品中,通过PCR扩增水稻NTPD基因,结果表明水稻NTPD基因表达水平在盐胁迫样品中升高.为进一步分析水稻NTPD基因的功能,构建了该基因的过量表达、RNA干涉载体,通过根癌农杆菌介导转入水稻品种日本晴并获得阳性植株.半定量RT-PCR分析达到过量表达和干涉日的.在盐胁迫条件下,TO代过表达转基因植株表现出一定程度的抗胁迫能力,RNA干涉转基因植株的生长则受到抑制.图7表3参20     

基于小波神经网络的芦苇潜流人工湿地水质预测

人工湿地系统对污水的处理效果好,工艺简单,投资运行费用低,但影响其出水水质的因素很多,并且往往是非线性的,因此目前很难将这些影响因素模型化并用于水质预测. 已有的预测方法不是过于复杂就是预测精度不高. 神经网络是一种具有较强预测能力的新方法,适用于各种非线性模型的预测. 在小试研究的基础上,使用3种不同的、经过训练的小波神经网络,对芦苇潜流人工湿地沿程各采样口的水温,ρ(DO),pH,Eh和ρ(COD_Cr)等水质指标进行了预测. 结果显示,各指标的平均相对误差分别为:水温≤4.21%,pH≤1.36%,ρ(DO)≤9.77%,Eh≤6.50%,ρ(COD_Cr)≤17.76%,表明小波神经网络模型适用于人工湿地模型的预测.      

基于SPOT5影像多辐射校正水平的植被绿量遥感估算

选用南京市SPOT5图像的灰度值(DN)、星上辐射率(SR)、表观反射率(TOA)和地物反射率(PAC)数据,提取了两种植被指数(VI),即归一化植被指数(NDVI)和比值植被指数(RVI),并与地面实测的绿量(LVV)进行相关分析,建立了165个关系模型.结果表明,LVV与VI呈极显著的相关关系,其相关系数多以相对均质植被高于植被总体,基于灰度值高于常用的地物反射率为主.LVV-VI关系模型的R~2均值以多元线性回归模型最高(0.821),指数模型最低(0.536),而1～3次多项式模型均接近0.7.每种植被样方优选出一个模型,即阔叶林LVV-7.802 RVI_(PAC)-2.455(R~2=0.827,RMSE=0.498);针阔叶混交林LVV=-15.421 RVI_(TOA)+26.971 RVI_(DN)-8.261(R~2=0.918,RMSE=0.356);灌木LVV=-342.591 NDVI_(DN)~3-20.553 NDVI_(DN)~2+14.013 NDVI_(DN)+1.509(R~2=0.764,RMSE=0.689);草地LVV=2.934 RVI_(PAC)+2.147 RVI_(TOA)-3.193(R2=0.903,RMSE=0.464);总体植被LVV=1.789RVI_(PAC)-6.814NDVIs+4.258NDVI_(PAC)+12.854 NDVI_(DN)-0.342(R~2=0.810,RMSE=0.638).这些优选模犁的自变量包括了4种辐射校正水平下提取的两种植被指数,显示基于不同辐射校正水平的植被指数在植被LVV遥感反演中具有一定的应用潜力.