海河流域土壤中氮的分布特征

对海河流域不同土壤类型中各形态氮的含量分布、水平及其垂直变化进行探讨,研究了在一定条件下土壤中氮的自然富集、增减途径、自然循环环境及分布特征,为研究该区氮的库存量、流通量以及自然循环奠定基础.     

流域环境规划的可视化技术

介绍了应用于流域环境规划中的图形图片方式、多媒体影像方式、地理信息可视化以及虚拟现实4种类型的可视化技术,并对流域环境规划的不同阶段、不同内容的可视化应用进行了阐述。     

洞庭湖浮游植物调查与水质评价

报道了1995年至1997年洞庭湖浮游植物群落的调查结果，共鉴定出浮游植物7门50属82种，并结合水化学指标，对洞庭湖水质作了初步评价。     

嘉陵江上游流域主要环境问题及其对策

嘉陵江上游流域生态环境脆弱,存在着水土流失、山洪、泥石流、地方病和水质污染问题等环境问题。文章将重点阐述这些环境的性质、强度、分布规律及其危害,并据环境问题的区域分异特点划分出四个环境问题综合区。最后提出了环境问题的防治对策。     

赣江流域山丘荒地的形成、危害和开发途径

赣江流域的山丘荒地总面积约为 2902×10⁴亩,除 35×10⁴亩属于“十边草地”零星分布于路边、河边、田边、村边、沟边之外,比较成片的约有 2867×10⁴亩（见表 1）,略多于现有耕地,而且相当于现有林地的一半。这些荒地 3/4以上分布在红壤丘陵（低丘岗地 388×10⁴亩,占13.5％;中低丘1236×10⁴亩,占43.1％;高丘605×10⁴亩,占21.2％;山地638×10⁴亩,占22.3％）,而且主要分于于上、中游地区（上游地区占60.2％,中游地区占25.4％,下游地区占14.4％）。综合开发治理、合理利用这些山丘荒地,是赣江流域、特别是上、中游地区的农民摆脱贫穷落后困境、实现小康目标的重要环节之一。     

流域生态补偿机制

中国环境发展国际合作委员会中国生态补偿机制与政策课题组，旨在就建立生态补偿的国家战略和重要领域的补偿政策等问题向中国政府提出具体建议，本文所介绍的流域生态补偿就是课题组的研究专题之一。[编者按]     

日本对琵琶湖的全面综合保护

日本名胜琵琶湖荟萃“近江八景”，却随着污染负荷的日益加重，环境极度恶化，美丽的湖泊面目全非，自上世纪90年代，日本政府制度《琵琶湖综合保护整备计划》，从全流域的角度实施综合保护，使琵琶湖重视昔日容颜。[编者按]     

BASINS 3.0系统述评

BASINS3．0(Better Assessment Science Integrating Pointand Non-point Sources)是美国环保局(USEPA)用于流域环境管理与规划的模型系统．可对多种尺度不同污染物的点源和非点源进行综合分析。它以ArcView软件为平台．成功地将不同的过程模块结合．组成系统构架．大大增强了系统的模拟能力。提高了模型效率。是一个十分值得推广的现代模型系统。笔者介绍了BASINS系统的结构、功能、处理流程、模型内容和独特的运行控制方式。并对其优缺点进行了评论。     

Application of Bayesian regularized BP neural network model for analysis of aquatic ecological data-A case study of chlorophyll-a prediction in Nanzui water area of Dongting Lake

Bayesian regularized BP neural network（BRBPNN） technique was applied in the chlorophyll-α prediction of Nanzui water area in Dongting Lake. Through BP network interpolation method, the input and output samples of the network were obtained. After the selection of input variables using stepwise/multiple linear regression method in SPSS i1.0 software, the BRBPNN model was established between chlorophyll-α and environmental parameters, biological parameters. The achieved optimal network structure was 3-11-1 with the correlation coefficients and the mean square errors for the training set and the test set as 0.999 and 0.000？8426, 0.981 and 0.0216 respectively. The sum of square weights between each input neuron and the hidden layer of optimal BRBPNN models of different structures indicated that the effect of individual input parameter on chlorophyll- α declined in the order of alga amount 〉 secchi disc depth（SD） 〉 electrical conductivity （EC）. Additionally, it also demonstrated that the contributions of these three factors were the maximal for the change of chlorophyll-α concentration, total phosphorus（TP） and total nitrogen（TN） were the minimal. All the results showed that BRBPNN model was capable of automated regularization parameter selection and thus it may ensure the excellent generation ability and robustness. Thus, this study laid the foundation for the application of BRBPNN model in the analysis of aquatic ecological data（chlorophyll-α prediction） and the explanation about the effective eutrophication treatment measures for Nanzui water area in Dongting Lake.