保障粮食安全造成的生态价值损失评估模型及应用

粮食安全和生态安全是我国政府必须切实解决的关系到社会经济发展、人民生活质量提高和社会稳定的重大战略问题。借鉴前人的生态服务价值理论与评估模型的基础上,阐明了保障粮食安全造成的生态服务价值损失的内涵,并以理论分析为依据,分别构建了评估不同类型生态服务价值损失的模型,为了验证所构建模型的可操作性和实用性,以陕西省长武县为案例区,对其2008年保障粮食安全导致的生态价值损失进行了评估,在不同类型生态服务价值损失中,由于不同生态系统的合理转换引起的生态服务价值损失为22834.16×104元;如果将长武县所有粮食生产用地作为林地、草地、水体,与作为耕地相比,可为人们多提供的生态服务价值分别为:21963.30×104元、4095.04×104元、40678.82×104元;单位面积林地、草地、水体可以多提供的生态服务价值量,最高的是水体,为19682.34元/hm2,林地和草地分别为:10627.4元/hm2和1981.37元/hm2。     

填海造地导致海湾生态系统服务损失的能值评估——以套子湾为例

评价填海造陆导致的海湾生态系统服务价值损失成为海洋资源配置和调控沿海经济发展与环境保护的重要手段。运用能值分析方法,结合海湾生态系统特点,针对填海工程造成的供给、调节、文化、支持4类生态系统服务损失构建了能值估算模型,并以烟台套子湾填海工程为例,分析了该湾生态系统服务的损失情况。结果表明,该湾供给服务损失最大,全部生态系统服务年能值损失为3.32×1024sej/a,海域使用年限内(50a)的能值货币价值损失总计2.28×1014元,单位面积的能值货币价值损失1.73×1012元/hm2,远远高于依据现行的生态补偿评估方法计算的结果。该能值模型对生态系统服务损失的评价更为客观合理,适用范围较广,为完善控制填海活动的经济体制建设、促进沿海区域的可持续发展提供依据。     

基于联邦深度学习的皮肤病智能诊断研究

近年来,基于人工智能的皮肤病智能诊断已经成为智慧医疗领域的热门课题。然而由于单一机构的数据有限,局部训练的神经网络难以满足医疗诊断服务的性能需求,从分散机构中收集数据的集中式学习又存在隐私泄漏的风险。基于上述挑战,本文提出一种基于联邦深度学习的皮肤病智能诊断算法。具体地,对比主流的集中式学习,为了在整合多方数据时防止隐私泄漏,本文引入了联邦学习。各客户端将本地模型发送到中心服务器进行聚合,中心服务器再将聚合得到的全局模型同步到各客户端,实现神经网络模型的训练。进一步,为了解决联邦学习中数据异构性的问题,本文在交叉熵损失的基础上增加了修正项,通过修正项限制本地模型和全局模型间的差异,增加模型对异构数据的关注度,从而减小数据异构对诊断结果的影响。实验结果表明,本文所提的皮肤病智能诊断算法与现有相关方案相比,诊断准确度提高了3%~4%,达到75.9%。     

施肥深度对矮化苹果15N-尿素吸收、利用及损失的影响

以5年生烟富3/M26/平邑甜茶为试材,采用15N同位素示踪技术,研究表层(0 cm)、上层(20 cm)和中层(40 cm)3个施肥深度对矮化苹果15N-尿素吸收、分配及利用特性的影响.结果表明:20 cm施肥处理的叶面积、叶绿素含量和叶片全氮含量显著高于0和40 cm施肥处理.不同施肥处理各器官从肥料中吸收分配到的15N量对该器官全氮量的贡献率(Ndff)存在显著差异,盛花期均以根的Ndff最高,多年生枝次之;新梢旺长期和花芽分化期根部吸收的15N优先向新生营养器官转运;果实膨大期各器官Ndff均达到较高水平;果实成熟期均以果实中的Ndff最高.果实成熟期不同施肥处理的15N分配率存在显著差异,20 cm施肥处理生殖器官和营养器官的15N分配率显著高于0和40 cm施肥处理,而贮藏器官的15N分配率显著低于0和40 cm施肥处理.在果实成熟期,20 cm施肥处理15N肥料利用率为24.0%,显著高于0 cm(14.1%)和40 cm施肥处理(7.6%),而15N损失率为54.0%,显著低于0 cm(67.8%)和40 cm施肥处理(63.5%).不同施肥深度土壤15N残留量随施肥深度的增加而显著增加.     

内蒙古典型草原羊草群落氮素去向的示踪研究

 在中国科学院内蒙古草原生态系统定位研究站的羊草样地,采用15N同位素示踪技术研究了羊草（Leymus chinensis）群落标记氮素的去向。结果表明：在我国典型草原羊草群落,植物对标记氮素的回收率为31.61%,氮素添加显著影响植物对标记氮素的回收,随着氮素添加量的增加,地上和地下植物器官对标记氮素的回收量均显著提高。标记氮素被凋落物的回收率为2.92%,地下凋落物的回收率显著高于地上凋落物。标记氮素的土壤存留率为36.16%,主要分布在地表0～40 cm的土层范围内;各土层存留的标记氮素量均随着氮素添加量的增加而显著提高。标记氮素的当季损失率为21.77%～43.38%。风险/收益比分析表明,在该试验条件下,添加5.25 g N•m-2与28 g N•m-2的处理风险大于收益,添加17.5 g N•m-2的处理风险最低,收益最高,在草原生态系统的管理中可供参考。     

哈尼梯田区不同旅游模式村寨土地利用变化对生态系统服务与人类福利的影响

区域旅游开发是驱动土地利用变化(LUCC)并影响生态系统服务及人类福利的重要因素。以红河哈尼梯田世界遗产区不同旅游发展模式的黄草岭村(观光和接待)和胜村(接待)为研究对象,解译获得两村2009年和2017年LUCC图并进行变化分析,再运用替代成本、市场价值和影子工程等定量方法评估两村生态系统服务价值及其变化。结果表明:(1)黄草岭村和胜村LUCC动态度分别为14.83%和5.64%,其中变化最大的建设用地在两村分别增加39.18%和23.68%。(2)黄草岭村因发展梯田观光旅游和林地面积的增加使其生态系统服务价值增长1520.77万元,而胜村则因耕地和林地面积的增加而增长374.93万元,其中林地价值最高。(3)单项生态系统服务价值中,黄草岭村因发展旅游其休闲娱乐价值增幅最大,为1249%,而胜村却没有增加,说明旅游发展模式对两村生态系统服务价值的增加影响较大。(4)黄草岭村和胜村的生态系统服务价值增加速率分别为1.5倍和1倍,旅游服务收入增加速率分别为18.7倍和4.1倍,单位土地面积的村民福利分别增加23.79万元hm~(-2) a~(-1)和4.90万元hm~(-2) a~(-1),说明多样的旅游服务能更好地提高人类福利,为政府发展遗产旅游与制定生态系统补偿标准提供科学支撑。     

西北干旱区泡泡刺灌丛的降雨再分配特征及影响因素分析

定量分析植被冠层对降雨再分配过程的影响,是认识陆地生态系统水文循环的重要环节。然而,由于干旱区天然植被分布稀疏、形态结构特殊,其降雨再分配过程的测算较为困难,相关研究较少,特别是关于荒漠低矮灌丛的降雨再分配研究鲜有报道。本文以河西走廊中段临泽绿洲—荒漠过渡带的天然建群种泡泡刺灌丛(Nitraria sphaerocarpa)为研究对象,基于3年逐个单次降雨事件的观测数据分析了生长季泡泡刺灌丛的降雨再分配特征及主要影响因素,量化了泡泡刺灌丛覆盖下实际进入土壤的有效降雨量及其空间分布特征。结果表明:(1)生长季泡泡刺灌丛的平均穿透率、树干茎流率和冠层截留损失率分别为87.89%、1.61%和10.50%;(2)降雨量是影响泡泡刺灌丛降雨再分配特征的关键气象因素,其与穿透雨量、树干茎流量、冠层截留损失量之间具有显著的统计关系(P<0.001);(3)与干旱区其他稀疏植被相比,泡泡刺灌丛的穿透率和集流率较高,冠层截留损失率较低,与其特殊的植被形态特征有关,相关分析的结果表明,泡泡刺灌丛的穿透雨量与植被面积指数和株高呈显著的负相关关系(P<0.001),树干茎流量与树干倾角呈显著的正...     

噪声所致听力损失现象的物种差异及可能生理机制研究进展

噪声广泛存在于人和动物的生活环境中,从无脊椎动物到哺乳动物乃至人类,都会受到噪声的负面影响.强烈的噪声会损伤听觉系统的结构和功能,引起噪声性听力损失(noise-induced hearing loss,NIHL).本文对噪声性听力损失的类型、影响因素、噪声所致不同程度听力损失形成的可能机制进行了总结,发现NIHL主要与突触结构肿胀、谷氨酸引起的可逆兴奋性中毒以及活性氧引起的氧化应激、细胞凋亡、带状体损伤、α激动型鸟嘌呤核苷酸结合蛋白(guanine nucleotide binding protein alpha stimulating,GNAS)基因的mRNA及其上游lncRNA Sept7的表达量上调等因素有关.比较噪声暴露后不同物种听力损失情况的差异,发现鱼类和鸟类由于具有毛细胞再生能力而能够较快从听力损伤中恢复,啮齿类较容易受到噪声影响,而回声定位鲸类噪声暴露后的暂时性听觉阈移较小,非常有趣的是回声定位蝙蝠在噪声高强度暴露后未表现出暂时性听觉阈移的现象.上述结论提示,对不同物种的比较生理研究可深入揭示NIHL机制,并为听力保护以及噪声所致的听力损伤后修复等提供理论参考.     

面向鸟鸣声识别任务的深度学习技术

在生态系统中,鸟类是重要的组成部分,对调节生态环境和监测生物多样性至关重要,甚至可以通过监测鸟群动向与监听鸟群异常鸣声对地震、海啸等自然灾害进行辅助预测和防范,为此,鸟鸣声识别和异常鸣声监测成为热门的研究方向。然而,由于传统鸟鸣声识别方法存在特征提取不充分等问题,导致识别率不高。本文采用融合特征的方法结合深度学习技术提取鸟鸣声特征,融合特征选择改良后的对数梅尔谱差分参数同原始信号参数拼接所得的特征;深度学习方法是基于Dense Net121网络结构,并融入自注意力模块与中心损失函数进行鸟鸣声识别。自注意力模块部分提高了关键通道的特征表达能力;中心损失函数可解决类内特征不紧凑问题。我们通过消融实验对比验证,对在Xeno-Canto世界野生鸟类声音公开数据集上选取的10种鸟类声音进行识别,准确率达到96.9%。代码已开源至Github:https://github.com/Carrie X6/-Xeno-Canto-.git。