陕西子午岭生态因素对植物群落的影响

为探讨生境对植被格局分布的影响,对黄土高原马栏林区60块样地进行植被学调查的基础上,采用17个环境指标刻画植物群落的空间位置、地形和土壤特征;利用双向指示种分析(TWINSPAN)划分了该区不同演替阶段的植物群落类型;利用前向选择法(forward selection)及Monte Carlo检验对不同演替阶段植物群落物种组成影响显著(p＜0.05)的环境因子进行筛选;利用去势典范对应分析(DCCA)排序方法分析不同演替阶段植物群落分布格局与环境的关系;利用偏典范对应分析(partial CCA)定量分离环境、空间及其交互作用对植被格局总体变异的影响.结果表明:(1)马栏林区的植物群落可划分为13个类型,分别属于4个不同的演替阶段;(2)对演替初期阶段群落影响显著的环境因子是土壤含盐量和碱解氮,对演替过渡阶段群落影响显著的环境因子是海拔和腐殖质厚度,对演替亚顶级阶段群落影响显著的因子是海拔、坡向、枯落物厚度、腐殖质厚度和pH值,而对演替顶级阶段群落分异影响显著的因子是海拔、坡向、pH值和速效磷;(3)不同演替阶段群落的生态学特性和分布规律与环境空间的生态梯度格局吻合较好;(4)随着演替的进行,环境因子单独对植物群落的影响越来越大,而样地位置单独作用和样地位置与环境因子的交互作用之和越来越小.     

锦屏水电站植被数量分类与排序

以锦屏梯级水电站大河湾段植被为研究对象,以河流流向为基础布置样方,将50个样方物种重要值及其环境因子进行TWINSPAN数量分类和DCA排序,结果显示:(1)由TWINSPAN数量分类将植被划分为7种类型,雅致雾水葛(Pouzolzia elegans)灌草群落为该区域的主要群落.(2)以TWINSPAN数量分类为基础的DCA二维排序图将样方分为6个生态类型,DCA 二维排序图横轴从左至右海拔高度逐渐降低;排序纵轴由下至上坡度逐渐升高.(3)以TWINSPAN数量分类在DCA排序图中有明确的分布范围和界限,DCA排序与TWINSPAN数量分类结合使用,能很好反映群落与环境因子间的生态关系.     

黄河三角洲植被空间分布特征及其环境解释

为了解黄河三角洲地区植被空间分布与环境因子之间的关系,通过局地植被样方调查、区域遥感影像提取归一化植被指数(NDVI)及地形高度、地下水位埋深、表层土壤Cl~-含量等环境数据采集,综合样地植被与环境数据进行了除趋势对应分析(DCA)和除趋势典范对应分析(DCCA),并对区域NDVI与主要环境变量进行了单因子相关性分析和多元逐步回归分析。结果显示:DCA排序可将黄河三角洲植被分为翅碱蓬、柽柳-翅碱蓬、芦苇-柽柳、芦苇4个主要群落类型(群丛),DCCA与DCA排序图总体相似,但DCCA更清晰地表明其第一轴主要代表的是潜水Cl~-浓度等关键水盐因子,且随着水土环境系统盐分含量的减小,群落由翅碱蓬逐渐向芦苇演变。区域典型植被群落和NDVI分布格局与变化趋势受地下水位埋深和潜水Cl~-浓度2个环境因素影响较大(NDVI与2个环境变量间建立的二元回归方程R~2=0.57),而土壤Cl~-含量的植被效应实际上受地下水位埋深和潜水Cl~-浓度的影响。在区域地下水普遍浅埋条件下,地下水成为影响植被生长与分布的生态环境最敏感要素,而地下水位埋深和潜水Cl~-浓度是这一要素中的2个关键因子,尤其是后者梯度变化对天然植被分布格局起重要的控制作用。     

基于多判据决策的水体营养状态评价

为了准确地评价水生态系统营养状态和综合决策,通过最大熵原理耦合模糊性与随机性,建立了最大熵模糊评价模型(FAME);利用逼近理想解排序法(TOPSIS),以待决策水体样本的实测值为理想解,以评价结果中与实测值相差最大的为负理想解,建立了多判据决策模型(MCDM).经12个湖泊实测数据验证,最大熵模糊评价与随机评价、模糊评价和灰色评价的结果较为一致,但提高了评价水体营养状态问题各层次的分辨力.多判据决策模型可解决多种方法评价结果不相容问题,使评价结果更接近水体实际情况.FAME和MCDM适用于各种水质的综合评价及决策.     

黄河三角洲湿地草本植被的双变量主坐标排序

利用双向指示种（TWINSPAN）分类技术将黄河三角洲湿地草本植被划分为7个群落类型，然后应用双变量主坐标分析（double principal coordinate analysis, DPCoA）法对其进行排序，结果表明：在物种组成上，芦苇＋盐地碱蓬群落为芦苇群落和盐地碱蓬＋芦苇群落、盐地碱蓬群落、盐地碱蓬＋补血草＋碱蓬群落、补血草群落的过渡类型，而芦苇＋穗状狐尾藻群落与其他群落类型差异较大；黄河三角洲湿地草本植被的分布主要与土壤因子中的土壤盐分、土壤pH等紧密相关，而与土壤全磷、全氮、有机质等养分无显著相关关系。将DPCoA和其他一些常用的植被排序方法进行了比较，相对于主分量分析（PCA）和除趋势对应分析（DCA）而言，DPCoA信息保留量更高，能够将物种组成和类别上较为接近的植物群落聚集在一起，而将差异较大的植物群落在排序图中分散开来，在揭示群落间相互关系以及植被与环境之间关系上可能更为有效。     

黄海北部大鹿岛鹅耳枥群落特征及其土壤环境解释

为探究黄海北部大鹿岛鹅耳枥群落特征及其与土壤环境因子的关系，以大鹿岛9个鹅耳枥群落的样地调查数据为数据源，采用植物区系成分、物种重要值、物种多样性和径级结构等指标表征群落特征，运用双向指示种分类法(TWINSPAN)和冗余分析方法(RDA)分析其土壤环境影响因子。结果表明：(1)大鹿岛鹅耳枥群落维管植物共计110种，隶属46科84属，包括种子植物44科82属107种和蕨类植物2科2属3种。种子植物区系成分大部分具有温带分布性质。群落乔木层、灌木层和草本层的优势种分别为鹅耳枥(Carpinus turczaninowii)、山花椒(Zanthoxylum schinifolium)和矮丛薹草(Carex callitrichos var.nana),重要值分别为52.84%、34.49%和21.54%。群落乔木层的物种较少，而灌、草层植物种较为丰富，群落尚未达到演替的顶极阶段。鹅耳枥种群径级结构反映出该群落由增长型种群构成。(2)聚类分析将鹅耳枥群落划分为4类群丛，排序分析结果在验证前述聚类分析结果合理性的同时，进一步佐证土层厚度、土壤全磷含量和pH值是影响鹅耳枥群落物种分布的主要土壤环...     

灵昆岛潮间带大型底栖动物群落结构与生态位分析

2003年11月至2004年8月,在温州湾的灵昆岛东滩进行了大型底栖动物采样调查。共发现大型底栖动物33种,隶属7门8纲21科。主要为软体动物、节肢动物和环节动物多毛类,其中高潮带25种,中潮带30种,低潮带14种。通过对不同季节不同潮带的大型底栖动物密度数据进行成对t检验分析,结果认为各潮带的大型底栖动物密度分布有明显差异,而大型底栖动物密度的季节变化不明显。对定量取样中获得的21个物种以Shannon-W iener指数为基础进行了生态位宽度测定,以P ianka重叠指数为基础进行了生态位重叠值分析,结果表明日本沙蚕(N ereis jap on ica)、纽虫和线虫的生态位较宽,均为2.80以上,它们之间的生态重叠值也较高,均为0.90以上。以密度数据四次开方为基础,利用欧氏距离进行群落物种的系统聚类分析,结果表明21个物种可以分为三大类,即潮间带广布种、中高潮带常见种、狭布种和偶见种,通过非度量多维标度排序分析也支持以上结果。3类物种的生态位重叠值均有不同的表现,与物种的分布与数量相关。研究表明,物种生态宽度、物种之间的生态位重叠值与物种的分布与数量密切相关,反映了大型底栖动物群落中各物种对生境资源的利用能力的强弱。     

辽东山区天然次生林的数量分类

结合DCA排序和TW IN SPAN分类结果,将辽东山区天然次生林划分为5个群落类型:花曲柳林、蒙古栎林、阔叶混交林、水曲柳林、胡桃楸林。DCA排序与TW IN SPAN分类产生了较一致的分类结果。DCA第一轴代表的环境意义为坡向。花曲柳林多分布于阳坡的中坡及中上坡,蒙古栎林多分布在中上坡。花曲柳与蒙古栎常混生在一起,随着坡位上升,花曲柳优势度下降,而蒙古栎优势度增加。阔叶混交林多位于阴坡,乔木层没有稳定和绝对优势种,多以假色槭、风桦、色木槭为优势种,但假色槭分布于乔木层第2亚层。水曲柳林多分布在中下坡。胡桃楸分布在山下部,喜潮湿生境。色木槭在辽东山区分布广泛,重要值较高,且更新良好,很可能是群落演替顶级物种。辽东山区天然次生林林下藤本植株数量多,以五味子、软枣猕猴桃、狗枣猕猴桃为主。     

喉癌术后痰的微生物学及药敏分析

目的指导喉癌术后合理选用抗生素．减少肺内感染。方法取喉癌术后气管内的痰进行细菌培养和药敏试验,得出细菌分离率的排序和耐药率。结果喉癌术后气管内痰的细菌培养G^-菌较G^ 多,G^-菌对阿米卡星敏感,对头孢类敏感性不一,对环丙沙星耐药;G^ 菌中肺炎链球菌对氨苄西林、阿莫西林-棒酸和环丙沙星中度敏感,对头孢类敏感;金黄色葡萄球菌仅对氯霉素、亚胺培南敏感。结论由于细菌的耐药性不一样,最好依据细菌学选择敏感抗菌素;当病原菌不明时,则根据痰培养细菌排序的流行趋势选择抗菌素。     

我国植被数量分析方法的研究概况和发展趋势

植被数量分析是现代植被研究的重要手段,数量分类和排序是现代植被生态学研究最重要的,也是应用最广泛的生态学技术。数量分析方法在20世纪50年代引入植被生态学研究领域,我国学者在70年代后期开始研究植被的数量分类和排序。本文主要从相关资料、应用研究、新方法研究三个方面论述了我国植被数量分析方法的发展,重点阐述了从20世纪70年代后期以来出现的并且被广泛应用的新方法及其应用研究概况,并在此基础上分析了植被数量分析方法未来的发展趋势。