简介:根据野外70个样方的调查数据,运用2×2列联表的X^2检验方法、Pearson相关系数和Spearman秩相关系数检验,研究了山西壶流河流域湿地植被33种优势种,共528个种对的种间关联和相关关系。结果表明X^2检验有209个种对呈正相关,其中极显著正相关种对16个(n=70,P〈0.01),显著正相关种对21个(n=70,P〈0.05),共占总对数的7.01%;317个种对呈负相关,其中显著负相关种对3个(n=70,P〈0.05),占总对数的0.57%;2个种对不相关,正负相关比为0.6593,显著种对共占总对数的4.54%;Pearson相关分析中极显著相关的种对有20个(n=70,P〈0.01),显著相关的种对有11个(n=70,P〈0.05),全部为正相关,共占总对数的5.87%;Spearman秩相关系数检验207个种对呈正相关,其中极显著的种对有34个(n=70,P〈0.01),正相关显著的种对有22个(n=70,P〈0.05),共占总对数的10.61%,321个种对呈负相关,负相关显著的种对16个(n=70,P〈0.05),占总对数的3.03%,正负相关比为0.6448,显著种对占总对数的7.20%,群落优势种种间多呈不显著关联。按照33个优势种对环境的适应方式和主导生态因素,它们被划分为3个生态种组:水烛生态种组(Typhagroup)、鹅绒委陵菜生态种组(Potentillagroup)和赖草生态种组(Leymusgroup)。
简介:[1]AiNanshan,1999.Makingforfractalphysiognomy.GeographyandTerritorialRes.,15(1):92-96.(inChinese)[2]AiNanshan,1993.FromMandelbrotlandscapetofractalphysiognomy.NatureJ.,16(1):13-17.(inChinese)[3]AiNanshan,ZhuZhijunetal.,1998.OnthestochasticnatureofexogenicprocessandthestabilityoffractionalBrownianlandscape.GeographicalResearch,17(1):23-29.(inChinese)[4]BBMandelbrot,1967.HowlongisthecoastofBritain?Statisticalself-similarityandfractaldimension.Science,150(3775):636-638.[5]ChenHui,GuoShichang,1997.ThemultifractalstudyofchangesofclimateinKunmingarea.ClimaticandEnvironmentResearch,2(4):261-268.(inChinese)[6]ChenYanguang,1999.Geography:thefailureofcomputionmotionandthegrowingupoffractalstudies.JournalofXinyangNormalUniversity(NaturalScienceEdition),12(3):310-314.(inChinese)[7]ChenYanguang,1997.Onfractalsandtouristlandscape.HumanGeography,12(1):62-66.(inChinese)[8]ChenYanguang,WangYimin,1999.Fractal,1/ffluctuationandtheaestheticessenceoftouristresorts.ExplorationofNature,18(3):51-54.(inChinese)[9]ChenYanguang,LiBaolin,2003.StudiesofthefractalnetworkcompositionofriversinJilinprovince,China.AdvanceinEarthSciences,18(2):178-184.(inChinese)[10]DingYizhong,LouYong,1998.Applicationoffractaltheoryintheevaluationontransportationnetwork.JournalofShanghaiMaritimeUniversity,19(4):7-12.(inChinese)[11]DingWenfeng,DingDengshan,2002.ThefractalfeaturesofsoilgranulestructurebeforeandaftervegetationdestructiononLoessPlateau.GeographicalResearch,21(6):700-706.(inChinese)[12]FengJinliang,ZhengLi,1997.Thesimpleanalysisofgeographicsignificanceoffractaldimensionofcoastline.MarineGeologyandQuaternaryGeology,17(1):35-51.(inChinese)[13]HuangGuilan,ZhengZhaobao,1995.Theapplicationoffuzzyclusteranalysisinimagetexturebasedonfractal.JournalofWuha
简介:湿地生态系统退化的临界状态判别是湿地风险评价的重要内容,也是实施湿地生态系统健康有效管理与保护的重要前提。以中国北方半干旱地区天然内陆湿地——卧龙湖为例,在综合考虑湿地退化指标的基础上,选择水质、蓄水量、生物多样性和生态脆弱性等典型参数指标建立了湿地生态系统退化状态判别的尖点突变模型。研究表明湿地生态系统的退化过程与突变理论的基本特征相符,模型拟合结果较好地反映了卧龙湖湿地退化状态。通过对卧龙湖湿地1994-2009年的数据模拟,结果表明:1994-2001年间卧龙湖湿地生态系统处于较健康的状态,而2002年的判别结果显示卧龙湖湿地处于退化突变状态,即湿地退化导致了生态系统相当程度的损害。研究还表明,卧龙湖湿地生态水量的减少和水环境质量的降低是导致湿地退化的重要因素。为了保护湿地生态系统的健康,防止卧龙湖湿地生态系统退化的发生,应在科学配置区域水资源的同时合理调整区域的产业结构,提高农村污水处理率。
简介:为了掌握洪湖水质未来的变化情况以及预防污染事件的发生,建立了一个BP神经网络水质指标预测模型。利用洪湖1990~2014年的水质指标实测数据作为学习样本,选取了pH、溶解氧(DO)、铵态氮(NH4+—N)、硝态氮(NO3-—N)、总氮(TN)、总磷(TP)6项指标作为预测参数,建立了BP神经网络模型,并运用该模型对洪湖水质指标进行了预测,同时引入一元线性回归模型与GM(1,1)灰色预测模型与该模型进行对比。结果表明,BP神经网络模型预测的水质指标的相关性系数都在0.998以上,平均相对误差都控制在2.5%以内,对单个指标的预测相对误差也都小于9%,明显优于一元线性回归模型和灰色预测模型;BP神经网络模型预测精度较高,预测速度快,能够相对准确地预测大部分水质指标,可以有效地应用于洪湖以及其它水域水质指标的预测和水质趋势的预警预报系统中。
简介:本文应用山仔水库2003~2006年叶绿素a浓度、总磷浓度、总氮浓度、水温、溶解氧浓度、高锰酸盐指数、pH值7个参数监测数据对人工神经网络模型进行训练,在此基础上应用1997—2002年除叶绿素a浓度外其他6个参数监测数据,推算出1997~2002年间缺失的叶绿素a浓度,并对1997—2006年春末夏初的叶绿素a浓度动态进行分析,结果表明:山仔水库1997年建库初期,叶绿素a浓度处于较高水平,2000年以后叶绿素a浓度开始降低,近几年基本保持稳定.2003—2006年叶绿素a浓度呈季节周期性变化,春末经夏季到初秋,叶绿素a浓度持续升高,冬季下降明显,春季又开始回升;说明近几年山仔水库水体春末夏季秋初处于富营养化水平,秋末冬季处于中营养水平.本研究结果将为山仔水库的富营养化防治提供科学依据.
简介:湿地与周边水文系统通过复杂的水文过程相互联系和影响,具有整体性和复杂性。研究湿地与周边水文系统相互作用过程和机理,对湿地保护和恢复起着重要的作用。以美国奥克弗诺基(Okefenokee)流域为案例,构建包含沼泽地表水、沼泽地下水、高地地表水和高地地下水4个水文子系统的流域水文网络模型,采用生态网络分析方法中的效用、控制和单位元分析研究水文单元间作用关系。控制分析的结果显示,高地地表水和地下水两个子系统对沼泽地表水和地下水子系统的支持程度达到100%。无论是沼泽还是松林高地,其地表水和地下水之间存在高度的相互依赖和互补性。效用分析结果表明,沼泽地表水和高地地下水之间存在着互利的水文关系。而单位元分析结果显示,沼泽地下水深层渗漏和高地松树生态系统的蒸散过程是袭夺流域湿地系统水资源的重要一环。上述结果表明,生态网络分析方法可以有效地分析水文单元之间的作用过程、描述水文单元之间直接和间接的水文关系,可以用于流域湿地水资源管理。