Characterization of biological responses under different environmental conditions: A hierarchical modeling approach

A natural river system is organized as a nested hierarchy of interconnected habitats with specific environmental conditions to which the biological community has adapted. Due to this hierarchical structure, identifying the role of different stressors on the biological community is a formidable task. Efforts trying to link stressors to biological integrity have always been bound to the geographic scale of the selected study area, leading to scale-specific results. In this research, an attempt is made to lift this limitation and develop a hierarchical, scale-sensitive methodology that can identify the significant environmental stressors to the biological community at different scales. Sites with similar background environmental conditions are clustered using self-organizing maps (SOM). This is used to identify stressors which affect the biological community throughout the area of study - called environmental gradients or large-scale stressors. Subsequently, these clusters of similar observations (sampling sites) are progressively sub-divided using environmental variables with a significant but localized effect on the biological community - called small-scale stressors. A parent group of sites is split only when the resulting sub-groups have significantly different biological responses. At the end of this recursive sites decomposition procedure, the original set of observations is organized as a tree of environmentally homogeneous groups of observations characterized by unique biological responses to multiple stressors with different geographic extents. The developed hierarchical analysis methodology has been validated using a large-size dataset of environmental observations from the State of Ohio. Our results show that habitat degradation and increased nutrient loading are the large-scale stressors with a widespread impact in Ohio. Other stressors, such as heavy metals, pH or nitrate concentrations have significant albeit localized effects on biological integrity.     

秋冬季区域性大气污染过程对长三角北部典型城市的影响

本文基于空气质量及气象监测数据,运用层次聚类分析法、后向轨迹法、潜在源贡献分析等方法,选取长三角北部地区2018~2019年秋冬季的典型污染过程进行分析,并选取该区域代表性的城市（蚌埠）进行深入分析.结果表明,长三角北部地区大气污染受地面弱气压、高湿、低温和静小风等不利气象条件及传输的影响较大.长三角秋冬季区域性污染具有影响范围广和持续时间长等特征,污染类型主要为区域外传输型与区域内累积型.在EP1和EP2两次污染过程中,长三角北部城市PM_2.5浓度均值分别达到131.6 μg·m^-3和115.4 μg·m^-3,前者污染过程较短,但污染物浓度累积较快造成的污染强度大和范围广.利用PSCF和CWT对PM_2.5潜在源定性和定量分析表明,EP1过程PM_2.5由临沂、徐州、宿迁和连云港等污染轨迹密集区域传输到受体城市蚌埠,CWT值处于80以上,最高可达200以上,区域传输实际浓度值较高;EP2过程PM_2.5浓度受宿迁、宿州和徐州等区域内部邻近城市影响,CWT值处于60以上,最高达160以上,说明研究区域内城市间相互影响较大.因此,秋冬季重污染过程中的跨区域大气污染联动,对于缓解长三角北部区域污染程度尤为重要.     

太原市城区夏季VOCs来源及其对O3生成的贡献

采集太原市城区夏季VOCs样品并分析其浓度特征,使用参数修正法得到VOCs初始浓度,分析其来源及对O₃生成的贡献.结果显示：太原市城区总VOCs平均浓度为48.13 μg/m³,烷烃（25.52 μg/m³）为主要组分.VOCs浓度呈明显日变化特征,在日间（10：00~14：00）光化学产生O₃的关键时段浓度最低.油品挥发、机动车排放、燃煤、植物排放与液化石油气/天燃气（LPG/NG）使用源对修正后环境VOCs的贡献分别为26.89%、25.55%、21.14%、14.99%、11.44%,对O₃生成的贡献分别为21.44%、33.10%、24.07%、13.77%、7.62%.机动车为新鲜排放气团VOCs的重要来源,而油品挥发、燃煤的输送与本地积累是其他（混合、夜间与反应）气团VOCs的重要来源.机动车排放、油品挥发与燃煤为VOCs与O₃生成的重要贡献源,控制此类源排放可减少太原市城区环境VOCs浓度并有效降低O₃生成.     

基于HYSPLIT4模式的天水市颗粒物输送路径

首先利用后向轨迹模式（HYSPLIT）模拟了天水市2017~2019年冬季后向轨迹,分析了50,200,500和1000m 4个不同高度以及500m高度不同聚类数量对路径输送聚类统计结果的影响,并以500m高度四个季节的后向轨迹进行聚类分析,进一步运用权重潜在源贡献分析法（WPSCF）,探讨了研究期间天水市细颗粒物的潜在源区及不同源区对天水市颗粒物浓度的贡献,结果表明,（1）起始点高度为500m时,颗粒物浓度极值比和极值差均较大,聚类结果最具代表性;（2）不同聚类数量分析结果表明,按照总空间变化（Total spatial variation,TSV）显著增加的原则选取的聚类数量较少,且能反映不同方向的轨迹输送特征;（3）天水市不同季节的轨迹聚类结果表明,冬季来自陕西南部的东南路径是PM_2.5污染程度最高的路径,该路径下PM_2.5浓度为78.2μg/m³,春季西北路径的颗粒物浓度最高,PM₁₀和PM_2.5的平均浓度分别是127.9~129.9和40.6~41.0 μg/m³,夏秋季节不同路径的颗粒物浓度相差不大.     

时延神经网络对宝兴树蛙异质种群鸣叫的聚类分析

对瓦屋山宝兴树蛙3个不同海拔分布(A:山下;B:山腰;C:山上)的异质种群鸣叫的时频参数进行分析,发现三地鸣叫各参数互相重叠,无明显界线.常规统计分析不能使三地的鸣叫聚类为各自的组.使用时延神经网络对三地宝兴树蛙鸣叫的时频参数进行有指导聚类,发现三种群鸣叫有地区性差异,并表现出由个体交流引起的山腰种群群体特征的不显著.推测差异可能是因为长期地理隔离所导致.基于神经网络的分析结果,对各种群间的个体交流情况进行了初步估计.图6表1参20     

系统加权聚类法及其在滑坡稳定性预测中的应用

本文以工程地质类比分析法为基础，针对一般系统聚类法在滑坡稳定性预测中应用的不足，提出并建立了一种系统加权聚类法。最后以三峡库岸研究程度较高的３６个边坡为例，进行了一般系统聚类法与系统加权聚类法的对比研究。对比研究结果表明：系统加权聚类法应用于滑坡稳定性预测，其预测精度有较大提高。     

三峡库区(重庆段)生态系统健康评价

生态系统的健康和相对稳定是人类赖以生存与发展的必要条件. 分析了三峡库区(重庆段)生态系统的健康状况,使用3S技术获取基础地理数据,构建基于压力-状态-响应模式的三级指标体系模型,并以AHP法结合专家咨询法选取人口密度、地质灾害易发度等10项指标,进行综合得分计算并分级. 结果表明:①在生态环境调查的基础上,应用GIS空间分析方法进行生态系统健康评价具有可操作性和结果的可靠性;②三峡库区(重庆段)生态系统健康质量表现出2～4级生态系统占主体(82.6%)的特点,生态质量一般,人类社会经济活动对生态系统的健康状况造成较大影响;③生态系统健康质量水平分布表现出明显的区域差异,从行政范围来看,彭水县、巫山县较好,巫溪县、武隆县等次之,云阳市、万州区等则较差. 结合系统聚类分析方法分析三峡库区(重庆段)生态系统健康状况空间分异的成因;并从宏观尺度上提出了对该地区人为活动的不良生态后果予以积极预防和有效调控的综合对策.      

金华市奶牛基地的资源利用问题研究

本文论述了奶牛基地发展与红黄壤资源开发利用之间的内在联系。在分析奶牛基地农业资源利用现状基础上,运用灰色系统理论和多元统计的系统聚类分析方法,对影响奶牛基地发展的因素及区域发展对策作了定量分析,并预测奶牛基地发展趋势,提出奶牛生产不同区域的红黄壤资源开发利用的重点,这为合理开发利用红黄壤资源种草养奶牛提供理论和实际参考依据。     

A spatial clustering perspective on autocorrelation and regionalization

We revisit one of the classical problems in geography and cartography where multiple observations on a lattice (N) need to be grouped into many fewer regions (G), especially when this number of desired regions is unknown a priori. Since an optimization through all possible aggregations is not feasible, a hierarchical classification scheme is proposed with an objective function sensitive to spatial pattern. The objective function to be minimized during the assignment of observations to regions (classification) consists of two terms: the first characterizes accuracy and the second, model complexity. For the latter, we introduce a spatial measure that characterizes the number of homogeneous patches rather than the usual number of classes. A simulation study shows that such a classification procedure is less sensitive to random and spatially correlated error (noise) than non-spatial classification. We also show that for conditional autoregressive error (noise) fields the optimal partitioning is the one that has the highest within-units generalized Moran coefficient. The classifier is implemented in ArcView to demonstrate both a socio-economic and an environmental application to illustrate some potential applications.

模糊聚类分析在中国火灾危害分类中的应用

火灾现象具有随机性、模糊性,是个复杂的模糊系统行为。运用模糊聚类分析方法,借助于M ATLAB计算软件,对中国火灾的危害程度进行了分类。根据2000年中国火灾统计资料,把31个省市分为重灾区、较重灾区、一般灾区、轻灾区等4类,与传统的概率统计方法相比,本方法更符合客观实际。城市火灾分类是动态的,重灾区吸取教训,增强消防意识,增大消防投入,可减少火灾隐患;而轻灾区如不注意防范,也会增加火灾隐患。因此不论轻重灾区,均应时时增强防范意识,把火灾危害降至最低。