Archimedean Copulas在降水变异概率分布特征研究中的应用——以新疆福海县为例

探究二维情况下变异不同步,也就是一个变量发生变异,而另一个变量不发生变异的情况,对Copula联合分布的影响.在气温变化的环境下,降水过程发生了显著变异,而年降水量和年总降水天数的联合分布对长期旱涝情况有重要意义.以Copula函数为基础,计算新疆福海站年降水量和年总降水天数联合分布,用传统变异分析方法进行变异分析.针...     

北京市PM2.5水分含量及其变化特征

利用卡尔费休法可直接测定PM_2.5水分含量,方法精密度及准确度均较好.将该方法应用于北京市城区站点2020年全年的PM_2.5分析,结果显示PM_2.5水分浓度年均值为(5.0±4.1)µg/m³,在PM_2.5占比为(12.5±4.8)%,与PM_2.5质量浓度呈显著相关.水分质量浓度与PM_2.5的质量浓度月度及季节变化趋势基本一致.研究发现,随着空气污染加重,水分质量浓度及其在PM_2.5占比均呈上升趋势,二者相关性明显增强.可见污染发生时,水分增加有利于颗粒物吸湿增长从而推高污染水平,对PM_2.5的贡献同步增强.当沙尘污染发生时湿度处于同期较低水平,不利于细颗粒物的吸湿增长,水分质量浓度及其占比均处于较低水平. PM_2.5水分与二次离子及有机物均有很好的相关性,说明水分为气态污染物提供非均相转化载体,促进硝酸盐、硫酸盐、有机物的进一步生成.PM_2.5水分与地壳物质无相关性,证实地壳元素为一次源,不受水分影响.     

亚热带城市河流浮游细菌群落的季节演替及构建机制

细菌是河流生态系统的重要组成部分,在污染物降解、物质循环和能量流动等方面扮演着重要角色.然而亚热带城市河流细菌群落的季节演替和构建机制(确定性和随机性过程)仍不明晰.以流溪河及广州珠江段为研究对象,采用16S rRNA高通量测序分析探讨了不同季节(丰水期和枯水期)水体细菌群落的变化及其构建机制.结果表明：不同季节水体细菌群落的组成存在显著差异,丰水期,变形菌门和异常球菌-栖热菌门的丰度更高;而枯水期,拟杆菌门和厚壁菌门的丰度更高.细菌群落的α和β多样性同样具有显著的季节差异,T、NH₄⁺-N、TOC、pH、EC、DO、NO₃^--N和DSi是影响细菌群落季节变化的主要环境因子.水体细菌群落的生态网络具有典型的模块化结构,物种间以正相关作用(合作关系)为主,且丰水期物种间的合作关系强于枯水期.随机性过程主导了细菌群落的构建,尤其以扩散限制贡献最大,且细菌群落在枯水期面临的扩散限制要高于丰水期.     

基于随机森林模型的中国PM2.5浓度影响因素分析

选取气溶胶光学厚度、海拔、年降水量、年均气温、年均风速、人口密度、GDP密度和NDVI作为影响因子,基于随机森林模型、特征重要性排序和偏依赖图技术,研究中国PM_(2.5)浓度空间分布的影响因素及其区域差异.结果表明:①与多元回归、广义可加模型和BP神经网络相比,随机森林模型估算的PM_(2.5)浓度精度最高,可用于PM_(2.5)污染的影响因素研究.②PM_(2.5)浓度随气溶胶光学厚度、人口密度和GDP密度的增加呈先上升后平稳的趋势,随降水、风速和NDVI的增加呈先下降后平稳的趋势,随海拔和气温的增加呈下降→上升→下降的趋势.③气溶胶光学厚度对PM_(2.5)浓度空间分布的影响最大,可解释37.96%的PM_(2.5)浓度空间分异;年降水量对PM_(2.5)浓度空间分布的影响最小,解释率仅为5.75%.④影响因子与PM_(2.5)浓度的关系存在空间异质性,同一影响因子对不同地理分区的PM_(2.5)浓度的影响程度有所不同.气溶胶光学厚度对华南地区PM_(2.5)浓度的空间分布影响最大,对东北地区影响最小.     

南京北郊PM2.5中有机组分的吸光性质及来源

对南京北郊2018年9月~2019年9月PM_2.5中有机组分的吸光性质进行了研究,并利用PM_2.5化学组成及主成分分析法分析该地区吸光性有机碳（棕碳,brown carbon,BrC）的主要来源.结果表明,水溶性有机碳（water-soluble organic carbon,WSOC）和甲醇可提取有机碳（methanol extractable organic carbon,MEOC）在365 nm处光吸收系数（Abs_365,w和Abs_365,m）的平均值分别为（3.22±2.18）Mm^-1和（7.69±4.93）Mm^-1.Abs_365,w和Abs_365,m分别与WSOC（r=0.72,P<0.01）和MEOC（r=0.62,P=0.04）的质量浓度显著相关,均表现为冬高夏低,夜高昼低的时间变化特征.这可归结于冬季和夜间的气象特征（例如边界层高度降低和大气稳定度升高）、冬季一次源排放的增加以及夏季和白天更强的"光漂白作用".Abs_365,m/Abs_365,w的年均值（2.60±0.92）远高于MEOC/WSOC（质量浓度比值,1.37±0.30）,表明MEOC中非水溶性组分的吸光作用更强,在BrC的吸光作用中占主导地位.WSOC、MEOC、Abs_365,m和K⁺均未表现出强相关性（r<0.60）,因此生物质燃烧不是该地区BrC的主要一次来源.WSOC和MEOC质量吸收效率（MAE_365,w和MAE_365,m）及其比值（MAE_365,m/MAE_365,w）的季节变化和Abs₃₆₅相同.MEOC中非水溶性组分的MAE₃₆₅［（4.10±5.15）m²·g^-1］分别是MAE_365,w和MAE_365,m的6.0和2.9倍,支持BrC的吸光作用受非水溶性有机组分主导这一推断.和WSOC的埃氏吸收指数（Å_WSOC）相比,MEOC的埃氏吸收指数（Å_MEOC）随时间变化更显著,这可能与非水溶性吸光组分排放的季节变化有关.主成分分析结果显示,本研究PM_2.5中有机组分的吸光作用主要来源于二次形成过程和人为活动相关的一次排放,而不是生物质燃烧.     

澜沧江流域梯级水库建设下水体营养盐和叶绿素a的空间分布特征

澜沧江梯级水库群建设对流域水生态环境产生了一定的影响,将流域水体划分为自然河道段和水库段.为了探究梯级水库建设后澜沧江流域不同类型水体氮、磷营养盐和叶绿素a浓度的空间变化规律以及叶绿素a浓度与环境因子之间的关系,于2017年6月对澜沧江流域生态环境进行了调查分析.结果表明,澜沧江水体总氮质量浓度变化范围为0.37~1.22 mg·L^-1,均值为0.70 mg·L^-1;总磷质量浓度变化范围0.01~0.19 mg·L^-1,均值为0.04 mg·L^-1.单因素ANOVA分析表明,总氮空间差异显著,表现为支流段 > 水库段 > 自然河道段;但总磷没有明显的空间差异.澜沧江水库段水体叶绿素a浓度变化范围为2.6~10.2μg·L^-1,均值为5.8μg·L^-1.Pearson相关性分析结果显示,水体叶绿素a浓度与总磷浓度、水温和真光层与混合层之比（Z_eu/Z_mix）等具有显著相关性,其中与Z_eu/Z_mix的相关性最高（R²=0.689,P=0.001）,表明水温分层驱动下的Z_eu/Z_mix是影响澜沧江水库水体中浮游植物生长的关键性指标.     

济南市PM2.5中二次组分的时空变化特征及其影响因素

为分析济南市PM_2.5中二次组分的时空变化和影响因素,对济南市春季(2019年5月16—25日)、秋季(2019年10月15—24日)和冬季(2019年12月17—2020年1月16日)4个典型点位的PM_2.5样品进行连续采样,并测定了PM_2.5中水溶性离子、有机碳(OC)和元素碳(EC)的含量。结果表明:物流交通区的二次组分质量浓度最高(56.13μg·m^?3),钢铁工业区的二次组分浓度比城市市区高,但是二次组分占比较城市市区低,清洁对照点的浓度和占比最低;济南市4个功能区SO₄^2?和NO₃^?转化率均高于0.1,除清洁对照点外,城市市区、钢铁工业区和物流交通区的SO₄^2?转化率明显高于NO₃^?转化率;济南市春季、秋季和冬季的ρ(NO₃^?)/ρ(SO₄^2?)分别为0.67、2.57和1.98,春季PM_2.5浓度以固定源贡献为主,秋季和冬季以移动源贡献为主;运用ISORROPIA热力学模型分析了含水量和pH对二次组分生成的影响,含水量会随着污染增大而增大,酸度和含水量对二次无机组分的转化机理产生影响,酸度会抑制二次无机组分的生成,而含水量会促进二次组分的生成;后向轨迹聚类分析结果表明,占比最高的轨迹(29.2%)来自东北方向的滨州和东营,基于潜在源贡献因子(WPSCF)和浓度权重轨迹(WCWT)分析PM_2.5中二次组分质量浓度的潜在污染源区域,SO₄^2?的主要贡献源区在济南市区北部的济阳区和东北方向的滨州、东营等,NO₃^?和NH₄⁺的主要贡献源区在济南市区北方向的济阳区、东北方向的章丘区和南方向的莱芜区等。该研究结果可为中国北方城市细颗粒物进一步的治理和防控提供数据支撑和理论依据。     

北京市冬季气象要素对气溶胶浓度日变化的影响

对2004年1月1—15日北京气溶胶浓度与相对湿度、气压、风速、风向等气象要素的平均日变化进行分析,结果表明:北京冬季ρ(PM₁₀₎日变化明显,受气象要素的日变化影响. ρ(PM₁₀₎与相对湿度和气压呈正相关性;风速对ρ(PM₁₀)的日变化影响明显,09:00—18:00风速和ρ(PM₁₀₎变化趋势一致,呈正相关性,其他时间则呈负相关性; 风向对粗、细粒子的数浓度影响不同,细粒子数浓度在偏东风时大,西、西南风时小,而粗粒子则相反;粗、细粒子的数浓度日变化受气象要素的影响程度不同,相对于粗粒子,细粒子数浓度更易受气象要素日变化的影响.      

Seasonal variation of microbial populations and biomass in Tatachia grassland soils of Taiwan

To investigate the seasonal variations of microbial ecology in grassland of Tatachia forest, soil properties, microbial populations, microbial biomass, and 16S rDNA clone library analysis were determined. The soil had temperatures 6.6–18.4°C, pH 3.6–5.1, total organic carbon 1.11–10.68%, total nitrogen 0.18–0.78%, and C/N ratios 3.46–20.55. Each gram of dry soil contained bacteria, actinomycetes, fungi, cellulolytic, phosphate-solubilizing microbes, and nitrogen-fixing microbes 4.54 × 10⁴ to 3.79 × 10⁷, 3.43 × 10² to 2.17 × 10⁵, 5.74 × 10³ to 3.76 × 10⁶, 1.97 × 10³ to 1.34 × 10⁶, 8.49 × 10² to 5.59 × 10⁵, and 3.86 × 10² to 3.75 × 10⁵ CFU, respectively. Each gram of soil contained 117–2,482 μg of microbial biomass carbon, 23–216 μg of microbial biomass nitrogen and 9–29 μg of DNA. The microbial populations, microbial biomass, and DNA decreased stepwise with the depth of soil, and they had low values in winter seasons. The microbial populations, microbial biomass carbon, microbial biomass nitrogen, and DNA at the BW2 horizon were 8.42–17.84, 19.26–64.40, 16.84–61.11, and 31.03–46.26% of those at the O horizon, respectively. When analyzing 16S rDNA library, members of Proteobacteria, Acidobacteria, Actinobacteria, Bacteroidetes, Chloroflexi, Firmicutes, candidate division TM1, candidate division TM7, Gammatimonadetes, and Verrucomicrobia were identified. Members of Proteobacteria (44.4%) and Acidobacteria (33.3%) dominated the clone libraries. Within the phylum Proteobacteria, α-, β-, and γ-Proteobacteria were most numerous, followed by δ-Proteobacteria.     

Abnormal Cranial Variation in the Sable (Martes zibellinaL.) and the State of Environment

An abnormal cranial variation in the sable (Martes zibellinaL.) from the extreme Russian Northeast was studied. In the populations formed as a result of reacclimation, the proportion of animals with morphological cranial anomalies proved to be significantly higher than in the parental populations (from which the animals for reintroduction were taken). Probable factors responsible for this effect are discussed.