程海富营养化机理的神经网络模拟及响应情景分析

揭示湖泊的富营养化发生机制、定量了解关键生源要素与藻类爆发的因果关联对有效改善湖泊水质和富营养化状况具有重要的科学与决策意义。本研究以云南省程海为例,建立了基于神经网络的响应模型,对富营养化机理进行了研究,并从富营养化核心驱动因子识别、神经网络模型构建与架构分析以及叶绿素a(Chl a)与TN、TP浓度降低的响应模拟几个方面对面临的科学问题进行探索。模拟结果表明,神经网络模型必须在适当的架构下才能产生科学合理的结果;程海的富营养化机制由一个氮(N)、磷(P)共限制的营养盐-藻类动力结构主导,但在此主导结构下拥有氮型限制的次级结构。基于神经网络模型模拟,推导出一系列基于湖体水质控制的Chl a响应的非线性函数,为程海的富营养化控制提供了快速决策支持。     

基于小波高频系数基因芯片数据的特征提取

结合小波分析理论与支持向量机理论,构造分类器模型,将前列腺癌基因芯片数据分成癌症和正常两种。本文着重研究小波高频系数基因芯片数据的特征提取,并通过实验对比小波高频系数和低频系数特征提取对分类器性能的影响。其中haar小波3层分解提取高频系数,送入分类器分类后,得到的正确分类率为93.31%。db1小波4层分解提取低频系数,送入分类器分类后,得到的正确分类率为93.53%。小波低频系数特征提取分类效果总体上好于高频系数,分类器性能稳定。     

利用BP神经网络方法预测西湖叶绿素a的浓度

在西湖共设了 8个采样点 ,通过主成分分析选取了最能代表西湖水质状况的 7号点 (湖心 )作为研究对象。根据 2 0 0 0年 1月至 2 0 0 1年 4月西湖常规监测的水生生态数据 ,并用插值的方法使其生成足够多的样本数 ,利用 BP人工神经网络 ,探索其用于西湖水生生态状况 (叶绿素 a的浓度 )的短期变化趋势预测的可行性 ,从中找出最能反映西湖水生生态状况变化趋势的水质因子用来建立网络。并用 3号点的数据来检验网络的泛化性能 ,发现网络输出值与实际值吻合度较高。结果表明 ,水温和叶绿素a对未来一周的叶绿素 a含量影响最大 ,以这两者作为输入变量建立的网络简单、快捷 ,比其他线性数值模拟预测有较大的优势。说明人工神经网络对叶绿素 a的预测是一种有效工具 ,可为西湖富营养化治理提供科学依据。     

杭州西湖水质预测方法和结果分析

本文利用二维对流扩散模型对西湖水质总磷浓度进行预测,给出方程的理论基础,编制FORTRAN77程序,在386微机上实现预测,并对预测结果作了较为详细的分析．本模型对水质环境防治决策具有实际意义．     

惠州西湖磷模型的初级研究

国家4A旅游景区之一的惠州西湖地处亚热带地区,属于典型的浅水型城市湖泊.在西湖水体完全混合的假设和西湖实地调查和2003年～2005年监测数据的基础上,对惠州西湖建立了零维总磷模型.文中对总磷模型进行了参数的率定、校正,并用模型对2003年10月到2004年9月一周年进行总磷浓度的模拟预测,从而验证了该模型在惠州西湖水质预测中的适用性和可行性.根据西湖底泥磷释放率的特征提出修正模型,大大降低了原模型模拟误差,更精确拟合惠州西湖的总磷浓度的动态变化,有助于西湖的长期预测工作的进一步开展.     

小麦叶片色素含量的高光谱监测

连续两年采用不同小麦品种在不同施氮水平下进行大田试验,建立了小麦叶片色素含量的光谱定量监测模型.结果表明,叶片色素含量随着施氮水平的增加而提高,品种间存在差异,叶绿素(Chl) a+b相对含量随生育时期的变化较Chl b和类胡萝卜素(Car)更为明显.群体叶片色素含量的敏感波段主要存在于可见光区,其中,红边区域表现显著.红边位置参数REP_LE和REP_IG与叶绿素关系较为密切,REP_LE的表现较好.以REP_LE为变量对Chl a、Chl b和Chl a+b进行方程拟合,决定系数R²分别为0.835、0.841和0.840;对Car含量进行方程拟合,其R²显著下降,且光谱参数间差异较小.经独立数据的检验表明,红边位置的估算结果较好,以REP_IG为变量对Chl b进行预测,模型测试的R²和RE分别为0.632和18.2%;以REP_LE为变量对Chl a、Chl a+b和Car含量进行预测,R²分别为0.805、0.744和0.588,RE分别为9.0%、9.7%和14.6%.表明红边位置与叶片色素含量关系密切且表现稳定,利用REP_LE可以对小麦叶片Chl a和Chl a+b含量进行可靠的监测.     

基于小波神经网络的麦蚜发生程度预测模型

【目的】建立基于小波神经网络病虫害预测预报模型,对提前采取防病防虫措施、减少农作物病虫害损失、提高农作物产量与质量具有重要意义。【方法】本研究以山西省运城市芮城县1980-2014年麦蚜发生程度和气象因子数据为基础,采用主成分分析法从40个基础气象因子中整合形成9个新的自变量输入模型,采用试凑法筛选隐含层节点数,用1980-2009年的数据进行网络训练,对2010-2014年麦蚜发生程度进行回测,建立了以Morlet小波函数为传递函数的小波神经网络模型,并与以Sigmoid函数为传递函数的BP神经网络模型进行了比较。【结果】小波和BP神经网络两种模型对训练样本的平均拟合精度均有10年以上超过80%,两者MAPE 值分别为 89.83% 和83.07%,MSE 值分别为0.0578和0.6192。【结论】两个模型都能较好地描述麦蚜发生程度;从预测精度和模型的稳定性来看,小波神经网络好于BP神经网络。     

基于小波变换的毛竹叶片净光合速率高光谱遥感反演

在对毛竹林叶片高光谱反射率数据进行小波变换的基础上,寻找和确定最佳的小波植被指数反演毛竹林叶片的净光合速率(P_n).结果表明:理想的高频小波植被指数反演得到的P_n精度高于低频小波植被指数和光谱植被指数,其中,由小波分解第一层高频系数构建的归一化植被指数、比值植被指数和差值植被指数与P_n之间的相关性最好,R~2为0.7,均方根误差(RMSE)较低,为0.33;而低频小波植被指数反演P_n的精度低于光谱植被指数.由各层理想小波植被指数所构建的多元线性模型反演得到毛竹叶片P_n与实测P_n之间具有显著的相关关系,R~2为0.77,RMSE为0.29,且精度明显高于基于光谱植被指数所构建的多元线性模型.与光谱植被指数反演毛竹P_n的敏感波段仅局限于可见光波段相比,小波植被指数探测的敏感波长范围更广,包含了可见光及多个红外波段.高光谱数据在经过小波变换后能够发现更多反映毛竹P_n的细节信息,且整体反演精度比原始光谱有了显著提高,研究结果为基于高光谱遥感反演植被P_n提供了一种新的可选方法.     

海洋管藻目绿藻刺松藻光系统Ⅰ复合物的分离

采用Triton X-100蔗糖密度梯度离心法,从管藻目绿藻刺松藻中分离到三种不同形式的光系统Ⅰ（PSⅠ）复合物.区带Ⅲ富含PSⅠ核心复合物（CCⅠ）,叶绿素（Chl）a/b＞20,在温和的聚丙烯酰胺凝胶电泳（PAGE）中只显示一条PSⅠ中心复合物CPⅠ条带.区带Ⅳ和Ⅴ在436和674 nm、467和650 nm以及540 nm的吸收表明,含有Chl a、b及管藻黄素和管藻素,Chl a/b比值分别为3.23和2.4.经PAGE检测,有CPⅠ和CPⅠa两种PSⅠ色素蛋白复合物带,因此区带Ⅳ和Ⅴ是由CCⅠ和含量不等的捕光复合物LHCⅠ构成的PSⅠ颗粒.区带Ⅲ只有66和56 ku两种核心多肽;区带Ⅳ和Ⅴ除了66、56 ku多肽以外,还有4种分子质量为25,26,26.2和27.5 ku的LHCⅠ多肽.室温荧光光谱显示,分离物中的各种光合色素之间保持着良好的能量传递关系,由Chl b及管藻黄素和管藻素吸收的能量都可以传递给Chl a.     

缘管浒苔和浒苔对海水盐度胁迫的生理响应

为探讨大型海藻对盐度的生理响应及其适应机制,以缘管浒苔和浒苔为试验材料,研究了不同盐度的稀释或浓缩海水处理10 d对浒苔属植物鲜质量(FM)、相对生长速率(RGR)、相对电导率(REC)、叶绿素含量(Chl)、类胡萝卜素含量(Car)、色素比值(Chl a/Chl b、Chl/Car)、叶绿素荧光参数和渗透调节能力(OAA)的影响.结果表明:与对照相比,10％ ～ 200％海水处理均明显促进两浒苔属品种的FM和RGR,缘管浒苔和浒苔分别在100％和50％海水处理下的FM和RGR达到最大值;300％海水处理显著抑制两浒苔生长,缘管浒苔受抑制程度较大;缘管浒苔的生物量仅在50％、100％海水处理下呈现正增长,浒苔生物量在10％、50％、100％、200％海水处理下均呈现正增长.10％海水处理下,两浒苔的Chl、Car、Chl a/Chl b显著上升,且随海水盐度的增加,呈现先增后降,缘管浒苔和浒苔的Chl、Car、Chl a/Chl b分别在100％、50％海水处理下达到最大值.随盐度的增加,叶绿素荧光参数PSⅡ最大光能转化效率(Fv/Fm)、PSⅡ实际光能转化效率(Yield)、最大相对电子传递速率(rETRmax)、光能利用效率(α)和半饱和光强(Ik)都显示与Chl相同的变化趋势.10％ ～ 300％海水处理下,浒苔属均表现出一定的OAA,缘管浒苔在100％海水处理下,OAA达到最大值,浒苔在50％海水处理下,OAA达到最大值.两浒苔的生长指标除与Chl/Car无明显的相关性,与REC呈极显著负相关,与Chl、Car、Chl a/Chl b、Fv/Fm、Yield、rETRmax、α、Ik、OAA呈极显著正相关.100％和50％海水处理分别对缘管浒苔和浒苔的生长最适宜,浒苔生长适应盐度的范围比缘管浒苔宽.REC、Chl、Car、Chl a/Chl b、Fv/Fm、Yield、rETRmmax、α、Ik和OAA均可以作为浒苔属植物生长盐适应性的评价指标.