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.     

中国化学品环境暴露评估领域的综合区划

大尺度空间（中国）化学品环境暴露多介质模型的建立需要先对空间做相应的区划.本文以ArcGIS软件为平台,通过有空间约束的聚类方法和水文分析方法相耦合,建立全国范围的综合分区.全国范围分为华南综合大区、华北综合大区、西北综合大区、华东综合大区、东北综合大区和西南综合大区6个综合大区.每个综合大区又分别包含了若干个综合小区,小区总数为38个.该研究为我国暴露评估的综合分区提供了一个方案,在多介质模型的建立中起着重要的作用.     

豫北典型农田作物中重金属污染状况及健康风险评价

农产品污染引发的食品安全问题目前已经成为全社会关注的焦点,为了研究和评价农作物中重金属污染和健康风险状况,采集了焦作市武陟县玉米、水稻和花生三种大田作物样品,共计47个样品,其中玉米样品16个,花生样品4个,水稻样品27个。在测定作物籽粒中重金属Cr、Ni、As、Cd和Pb含量的基础上,分别采用单因子污染指数和综合污染指数法评价了作物籽粒中重金属的污染状况,并运用危险商（HQ）法评价了这些作物中的重金属对人体健康可能造成的风险,进而应用相关分析法、聚类分析法及主成分分析法,探讨了作物籽粒中重金属含量的分布特征及其污染来源。结果表明：武陟县农田作物籽粒中的Cr、Ni、As、Cd和Pb的平均含量分别为0.26±0.42、0.31±0.29、0.04±0.03、0.01±0.04和0.03±0.03 mg·kg^-1。其中,玉米籽粒中的Cr、Ni、As、Cd和Pb的平均含量分别为8.86×10^-2±0.21、9.41×10^-2±0.12、8.10×10^-3±5.29×10^-3、1.20×10^-5±4.92×10^-5和0.04±0.02 mg·kg^-1;水稻籽粒中的Cr、Ni、As、Cd和Pb的平均含量分别为0.38±0.49、0.44±0.31、0.07±0.02、4.60×10^-3±7.42×10^-3和0.03±0.03 mg·kg^-1;花生籽粒中的Cr、Ni、As、Cd和Pb的平均含量分别为0.13±0.22、0.32±0.16、0.02±3.05×10^-3、0.11±0.07和1.32×10^-2±1.70×10^-2 mg·kg^-1。农作物籽粒中各重金属元素的单因子污染指数评价结果显示,从总体上看,3种农作物籽粒中5种重金属的单因子污染指数均值均小于1,单因子污染指数均值大小顺序为：Ni＞As＞Cr＞Pb＞Cd;从作物类型来看,玉米和水稻中Ni超标的样品比率分别为6.67%和51.85%,水稻中Cr超标的样品比率为12%。农作物籽粒中各重金属元素的综合污染指数评价结果显示,重金属的平均综合污染指数为0.59,整体上处于安全等级。总体来看,14.89%的农作物受到不同程度的污染,其中轻度污染的农?     

基于空间聚类分析的中国旅游业碳排放效率

旅游业碳排放效率是考量旅游经济增长与生态环境关系的重要指标,对旅游业碳排放效率的有效测度和分析是实现旅游业节能减排与可持续发展的基础支撑.采用“自下而上”法核算2001—2015年我国旅游业能源消耗量与碳排放量（不含港澳台及西藏自治区数据,下同）;继而运用非期望产出SBM模型对旅游业碳排放效率进行测度,并通过空间自相关分析揭示其空间特征;最后采用Malmquist指数（MI）评估旅游业碳排放效率的动态趋势.结果表明:①研究期内我国旅游业总体碳排放效率较低,平均水平为60%;各年度达到最佳生产前沿面（旅游业碳排放效率值为1）的省(市、自治区)(简称“省区”)数量较少,绝大多数省区的碳排放效率具有较大改善空间;旅游业碳排放效率水平存在明显的省际差异;东、中、西部地区的效率存在梯度差,形成“东高西低”的空间格局.②Moran's I指数和LISA聚类图显示,各省区旅游业碳排放效率存在明显的正向空间相关性,在空间分布上呈现出显著的地理聚集特征,形成“高—高”型与“低—低”型聚集区,空间联动格局尚未形成.③2001—2015年MI均在1以上（2004年除外）,且总体平均值高达1.195,体现出持续改善的态势;各省区碳排放效率的提升来源于技术进步与技术效率双重贡献,其中,技术进步是促进旅游业碳排放效率提升的主要贡献因素.研究显示,我国旅游业碳排放效率的空间分布不均衡,但整体呈现持续上升的态势,各省区在依赖技术进步提高碳排放效率的同时,要注重全局空间联动格局的形成,最终实现低碳旅游业的协调发展.      

典型铅锌矿化区不同土地利用类型土壤重金属污染特征与评价

选取云南者海典型铅锌矿区周边冶炼区（A）、粮食主产区（B）、保护区（C）三个区域土壤为研究对象,分析三个区域内林地（LD）和耕地（GD）土壤pH、总碳（TC）、总氮（TN）、总磷（TP）和5种重金属（Hg、Cd、Pb、Zn、Cu）含量,利用典范对应分析（CCA）研究不同土地利用类型下它们之间的关系,基于系统熵值与重金属生物毒性改进灰色聚类评价法对研究区重金属污染程度进行评价。结果表明,A、B、C三区土壤的5种重金属均超过云南省土壤背景值,且含量A区 > B区 > C区,所有土壤样品Hg、Cd、Pb、Zn、Cu平均含量分别为7.24、1.53、1 794、2 892、210 mg/kg;LD土壤重金属含量普遍高于GD。研究区土壤pH总体呈弱酸性,但A区土壤受矿业活动影响呈弱碱性。TC、TN含量和C/N值均表现出LD大于GD,但TP含量表现为GD显著大于LD （P<0.05）。CCA分析表明LD和GD土壤pH与Cd和Cu呈负相关,与Zn和Pb呈正相关,且pH对重金属含量的影响最大;TC、TP与重金属Cd和Cu在LD土壤中呈正相关,在GD土壤中呈负相关。改进灰色聚类评价结果表明重金属污染程度均表现为LD大于GD;A区污染最严重且均呈重度污染,B区次之,C区污染程度最轻。经比较本文改进的灰色聚类评价法在准确性和灵敏度方面优于传统方法。     

MULTISCALE RIVER ENVIRONMENT CLASSIFICATION FOR WATER RESOURCES MANAGEMENT1

ABSTRACT: River Environment Classification (REC) is a new system for classifying river environments that is based on climate, topography, geology, and land cover factors that control spatial patterns in river ecosystems. REC builds on existing principles for environmental regionalization and introduces three specific additions to the “ecoregion” approach. First, the REC assumes that ecological patterns are dependent on a range of factors and associated landscape scale processes, some of which may show significant variation within an ecoregion. REC arranges the controlling factors in a hierarchy with each level defining the cause of ecological variation at a given characteristic scale. Second, REC assumes that ecological characteristics of rivers are responses to fluvial (i.e., hydrological and hydraulic) processes. Thus, REC uses a network of channels and associated watersheds to classify specific sections of river. When mapped, REC has the form of a linear mosaic in which classes change in the downstream direction as the integrated characteristics of the watershed change, producing longitudinal spatial patterns that are typical of river ecosystems. Third, REC assigns individual river sections to a class independently and objectively according to criteria that result in a geographically independent framework in which classes may show wide geographic dispersion rather than the geographically dependent schemes that result from the ecoregion approach. REC has been developed to provide a multiscale spatial framework for river management and has been used to map the rivers of New Zealand at a 1:50,000 mapping scale.     

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。     

利用HYSPLIT模型研究珠三角地区VOCs时空分布特征

于2016年在中国广东大气超级监测站,开展4个季节的VOCs长时间观测,共获得2142组有效数据,并利用HYSPLIT模型分析珠三角地区VOCs时空分布特征.结果表明,各类VOCs混合比和化学反应活性具有明显的季节变化特点.观测期间,VOCs平均浓度为（18.523±20.978）×10^-9,其中,低碳烯烃和苯系物二者混合比之和仅占46%,但贡献了85%的·OH消耗速率（L_OH）、82%的臭氧生成潜势（OFP）和97%的二次气溶胶生成潜势（SOAFP）.观测站点主要受来自北部内陆地区气团（1#）、西部内陆地区气团（2#）、台湾海峡南端气团（3#）以及南部海洋地区气团（4#）的影响.1#气团中炔烃和苯系物的混合比占比最高,分别达到10%、37%,而3#气团中低碳烷烃的浓度水平最高,达到（8.437±5.561）×10^-9.通过估算气团中VOCs的化学反应活性,可以发现,1#气团的VOCs化学反应活性最强,其对O₃和SOA的生成贡献最高.1#、2#、3#和4#气团中VOCs的化学反应活性主要由苯系物和低碳烯烃贡献.     

徐州大气颗粒物污染特征及传输途径分析

利用徐州2015年PM2.5和PM10逐小时质量浓度数据,分析了徐州颗粒物时空变化特征。同时基于HYSPLIT后向轨迹模式,结合GDAS气象数据和空气质量数据,利用轨迹聚类及潜在源分析法研究徐州不同季节气流轨迹对颗粒物浓度的影响及PM2.5和PM10的潜在来源。结果显示,2015年徐州环境空气中PM2.5和PM10的年均值为65和122μg/m3,分别超过国家《环境空气质量标准》(GB 3095—2012)二级标准限值86%和63%。各国控站点ρ(PM2.5)和ρ(PM10)月变化呈现一致的冬季高夏季低的"V"型变化特征,这与气象条件和气流轨迹特征季节性变化有关。秋冬季污染较高时期徐州主要受西北内陆性气团和较为稳定的气象条件影响,而春夏季来自较为干净的东部海洋性气团利于污染扩散。潜在源分析显示,山东、安徽、苏中南、浙西北等地区是影响徐州市PM2.5和PM10的主要潜在源区。各季节潜在源区分布范围有一定差异,冬季时潜在源区分布最广,并有明显向西北方向转移延伸的趋势。