城市高温灾害及其预防

本文通过实例阐述了大城市高温灾害的主要成因是热岛效应；分析了高温对工业生产、人民生活的影响和危害，进而提出了城市高温灾害的预防措施和对策。     

上海市青浦区景观格局的粒度效应分析

以上海市青浦区为研究区域，基于ETM遥感影像数据和GIS技术，采用优势规则栅格聚合方法，对分类的ETM数据进行了粒度变换。以景观格局分析程序Fragstats3．3为分析工具，从景观类型水平和景观水平上研究了景观格局的空间粒度效应。研究结果表明：（1）不同的景观类型、不同的景观特征指数对粒度响应存在差异：居住景观和道路景观是对粒度响应最敏感的两种景观类型；形状指数、聚集度指数、斑块数量指数对粒度响应的敏感程度较高，多样性指数、均匀度指数、景观面积比例指数、分维数对粒度响应的敏感程度较低；此外，还发现优势景观随着粒度增加面积增大，形状规则的景观对粒度响应敏感程度低。（2）景观指数的粒度响应曲线存在尺度转折点，且多出现在40、60、80、120m，其中第一尺度区域多为20～40m或20～60m。第一尺度域是选择适宜粒度的较好取值范围，所以本研究中所用景观类型图进行景观指数计算的适宜粒度范围为30-40m。（3）研究发现由不同指数表征相同的生态现象可能会出现相反的粒度效应，在一定程度上体现了景观指数量化景观格局的局限性。     

露天开采对周边地面的影响特点与破坏区划分方法的研究

露天开挖将引周围岩体的变形，随着采深和坡角的增大，其影响范围和影响程度都将增大。在我国有许多老矿区周边是密集城市群，开挖引起的变形对周边各种建筑设施和工厂的安全产生严重的影响。本文主要研究和探讨露天开采对地面建筑设施的影响特点，并就变形可能产生破坏程度进行分析，从而给出一般变形区、危险区和破坏区的划分原则和划分方法，以便为治理措施提供科学依据。     

基于边际效应理论的中部板块协调发展分析

边际效应理论及其增值效应是现代生态科学很重要的一个原理.我国是典型的经济发展不平衡的国家,长期的区域非均衡战略在全国范围内形成了四大区域板块.面对着东部的开放崛起,西部大开发和东北老工业基地的改造,"谨防中部凹陷,促进中部崛起"作为一个区域协调发展的重大命题,被提到了国家层面上.中部板块由于地理区位与经济发展水平均居于我国的中间位置,因此具有明显的过渡性.作者试图通过运用生态学上的边际效应理论,分析中部区域板块内部以及板块之间的区域经济协调发展机制,来促进中部区域板块经济的协调发展.     

Changes in the Population Phenetic Structure of the Lacebug Dictyla humuli (Fabr.) (Heteroptera,Tingidae) in the Usman' Forest (Voronezh Oblast) in 1999–2001

Russian Journal of Ecology -     

山区道路灾害及环境影响分析

分析了山区道路灾害的形成及山区道路灾害的系统构成,提出了山区道路灾害的防治原理,从可持续发展角度分析了山区道路建设应注意的问题.     

灾难危急时刻的管理

灾难危急时刻的管理往往是出乎于原有的抗灾计划的。研究发现,成功的灾害管理主要来源于应急组织的作用,特别是当管理中存在着信息交流、职权行使和协调发展等方面的问题时更是如此。事先的救灾计划可以减少但却不能完全消除这些管理上的问题。     

关于建设高效林业的对策

本文讨论了高效林业的概念、特点及其内容,提出了建设原则与措施。     

MULTIPLICATIVE,SEASONAL ARIMA MODELS FOR LAKE ERIE AND LAKE ONTARIO WATER LEVELS1

ABSTRACT: Federal agencies in the U.S. and Canada continuously examine methods to improve understanding and forecasting of Great Lakes water level dynamics in an effort to reduce the negative impacts of fluctuating levels incurred by interests using the lakes. The short term, seasonal and long term water level dynamics of lakes Erie and Ontario are discussed. Multiplicative, seasonal ARIMA models are developed for lakes Erie and Ontario using standardized, monthly mean level data for the period 1900 to 1986. The most appropriate model identified for each lake had the general form: (1 0 1)(0 1 1)₁₂. The data for each lake were subdivided by time periods (1900 to 1942;1 943 to 1986) and the model coefficients estimated for the subdivided data were similar, indicating general model stability for the entire period of record. The models estimated for the full data sets were used to forecast levels 1,2,3, and 6 months ahead for a period of high levels (1984 to 1986). The average absolute forecast error for Lake Erie was 0.049m, 0.076m, 0.091 m and 0.128m for the 1, 2,3, and 6 month forecasts, respectively. The average absolute forecast error for Lake Ontario was 0.058m, 0.095m, 0.120m and 0.136m for the 1,2,3, and 6 month forecasts, respectively. The ARIMA models provide additional information on water level time series structure and dynamics. The models also could be coordinated with current forecasting methods, possibly improving forecasting accuracy.