基于多目标灰色局势决策的三峡库区防护林类型空间优化配置

基于2007年Landsat TM遥感影像和影响防护林的主导环境因子,对三峡库区的森林立地进行分类,并通过选取水源涵养量、生物量和林分生产力3个指标,利用多目标灰色局势决策模型对库区现有的针叶林、阔叶林、针阔混交林和灌木林4种防护林类型进行空间优化配置.结果表明： 2007年,三峡库区森林立地可划分为40种类型;空间配置优化后,研究区针叶林、阔叶林、针阔混交林和灌木林的面积比例分别为32.55%、29.43%、34.95%和3.07%.与优化前相比,优化后针叶林和灌木林的面积比例分别减少了8.79%和28.55%,阔叶林和针阔混交林分别增加了10.23%和27.11%.通过防护林类型的空间优化,三峡库区整体的水源涵养能力、生物量和林分生产力分别增加14.09×10⁸ m³、0.35×10⁸ t和1.08×10⁶ t.     

基于光合系统参数建立马铃薯耐荫性综合评价体系

为构建便捷的马铃薯(Solanum tuberosum)耐荫性综合评价体系并发掘耐荫种质, 以35个马铃薯品种(系)为实验材料, 测定块茎膨大期遮荫下植株叶片叶绿素含量、光合能力和叶绿素荧光等光合参数及收获后块茎单株产量和淀粉含量等指标。根据耐荫系数, 利用主成分分析法、隶属函数法、聚类分析法和逐步回归分析法进行综合评价。通过主成分分析将马铃薯耐荫性相关的13个单项光合指标转换为6个综合指标, 代表了全部信息的87.51%。以此计算各种质的隶属函数值, 并以主成分的贡献率进行加权, 最终获得所用材料耐荫性的综合评价值(D值)。根据D值聚类分析结果将35个马铃薯分为4类, 其中Eshu10和Lishu6分别为耐荫性最强和最弱的品种。通过逐步回归分析建立了马铃薯耐荫性评价数学模型: D=0.060+0.106G_s+0.214qP+0.143NPQ。同时, 用该评价体系鉴定为耐荫性强的品种(系)在遮荫后其产量和/或淀粉含量等指标减幅均低于耐荫性弱的种质, 表明该评价体系可用于快速评价和预测马铃薯种质的耐荫性。     

城市景观多样性的空间尺度分析——以上海市外环线以内区域为例

景观生态学研究的就是某一空间尺度范围内的景观格局与生态过程。因为景观格局与生态过程中存在的尺度多样性 ,导致尺度成为理解景观格局和生态过程相互作用的关键 ,其已经成为景观生态学的一个重要概念 ,但是由于理论和方法的限制 ,对景观生态学的尺度研究还不够 ,特别是景观格局综合性指标在不同幅度上的变化特征和效应。在 GIS与 RS技术支持下 ,采用基准分辨率为 5 m的 SPOT遥感图像作为数据源 ,对不同幅度下的城市景观多样性的空间分布格局进行了分析 ,并进一步利用半变异函数对其空间异质性进行定量描述。结论揭示 :随着空间尺度的增加 ,景观多样性程度也不断增加 ,另外多样性的空间分布格局也具有显著变化 ,由于受城市发展历史和目前城市扩展方向的影响 ,多样性在总体上是不平衡的 ,尺度越大 ,不平衡越明显 ;不同尺度下景观多样性空间格局的变化 ,与城市景观的特点和城市景观的功能息息相关 ,不过其受经济效益和社会文化效益的影响更大 ;随着尺度增加由于掩盖了更小尺度上的变异 ,导致块金效应增强 ,空间自相关部分对系统总的变异则明显下降 ;景观多样性具有尺度依赖性 ,可以说景观多样性也是尺度的函数 ,在不同的尺度上 ,结果差异显著 ,所以在景观生态学的研究中绝对不能忽略尺度对格局的影响     

草原群落退化演替过程中微斑块土壤碳氮的空间异质动态

微斑块变化是草原退化过程中的活跃成分。分析了呼伦贝尔克氏针茅草原逆行演替过程中微斑块土壤全碳、全氮和碱解氮含量的空间异质性,提出了"养分聚集效应"的概念。研究结果表明:随着群落退化演替的加剧,土壤全碳、全氮和碱解氮的含量均表现为演替前期演替后期演替中期(P0.05)。从土壤全碳、全氮和碱解氮的变异系数和变异函数综合分析来看,10 cm×10 cm微尺度上,草原退化演替过程中土壤全碳、全氮和碱解氮的空间异质性具有明显的不一致性;全碳的空间异质性表现为演替中期演替前期演替后期,全氮表现为演替后期演替前期演替中期,碱解氮表现为演替中期演替后期演替前期。草原退化过程中土壤养分在微斑块上的富积和迁移表现出尺度依赖性和变异性。     

基于GIS的基因表达图谱模型的建立与应用

本文在合理假设的基础上,根据2010年全国研究生数学建模竞赛A题提供的数据及相关信息,在GIS的支持下构建了基因表达图谱模型(简称GEPM),并对其进行空间分析,从而达到对肿瘤识别信息基因提取的目的。结果表明,在参与分析的1 991个基因中,有7个基因可以作为肿瘤识别的信息基因;通过GIS技术构建GEPM对于肿瘤的识别与诊断是可行的。因此,通过本文的研究为基因的识别和研究提供了新的方法。     

毛竹的异质性空间点格局分析

毛竹是一种重要的经济用材,研究其空间分布格局有益于对其空间发生进行预测。选取了一块空间肥量分布不均的毛竹样地,使用异质性空间点格局分析方法对毛竹的空间分布进行了研究,结果发现毛竹在给定的距离尺度下呈现出显著的泊松分布,而并不是聚集分布。同时选用二元二次方程拟合观察的数据,发现对毛竹强度的拟合优度较高。研究揭示出异质性空间环境中毛竹的分布特点,潜在地表明土壤肥量的空间分布对毛竹空间分布的影响,对毛竹的集约化经营具有重要的指导意义;同时,鉴于国内生态研究中较少采用异质性空间点格局分析方法,研究对于推动这种方法在国内生态学研究中的普及还具有一定的参考价值。     

青藏高原东缘林线杜鹃-岷江冷杉原始林的空间格局

为深入理解高山林线原始林中优势树种的空间结构特征和种间关系,以青藏高原东缘林线杜鹃-岷江冷杉原始林1 hm²样地调查数据为基础,采用成对相关函数g(r)函数,分析了优势种岷江冷杉(Abies faxoniana)和凝毛杜鹃(Rhododendron agglutinatum)各径级的空间分布格局和各径级间的空间关联性。结果表明:岷江冷杉和凝毛杜鹃径级分布连续,呈倒"J"型,均为进展种群。小尺度上,对于岷江冷杉活立木(小树+中树+大树)、小树、中树为显著聚集分布,大树为均匀分布,死树则为随机分布;凝毛杜鹃活立木(小树+中树+大树)、小树、中树、大树、死树均为显著聚集分布。小尺度上随径级增大岷江冷杉的分布格局从聚集分布趋于均匀分布。岷江冷杉大树与其小树的空间关联验证了Janzen-Connell假说中的距离制约效应。通过验证接受了随机死亡假说,发现种内的密度制约效应不明显。两个树种的枯立木对凝毛杜鹃小树均表现为排斥关系,而对岷江冷杉小树表现为相互独立的关系。两个优势种总体表现为相互独立,但种间不同径级间的空间关联性各异。     

不同尺度下城市景观综合指数的空间变异特征研究

在GIS与RS技术支持下,采用5 m分辨率的SPOT遥感图像数据,从城市土地利用角度,利用半变异函数对不同尺度的景观多样性、聚集度与分维数的空间变异进行了定量分析.结果表明,不同尺度下3种指数的空间变异具有相似特征,各个尺度上都具有空间依赖性,尺度越小,空间依赖性越大,空间变异的细节更显著,空间自相关性对总体变异的贡献逐渐增加,但尺度过小,有时会破坏景观内部结构.不同指数的半变异函数模型在相同尺度上差异显著,说明不同景观指数在不同尺度下的半变异函数模型不具可比性.就研究上海市内部土地利用结构而言,1 km的幅度是较合适的空间尺度.景观指数空间变异特征是尺度的函数,尺度对景观格局的影响不能忽视.景观综合指数对尺度响应的生态过程揭示了上海城市空间结构的规律性:在小尺度上的复杂无规律性,中尺度上的多中心性和大尺度上的圈层结构性,但各个尺度是相互依赖的,没有绝对界限.     

采伐干扰对华北落叶松细根生物量空间异质性的影响

以华北落叶松天然林为研究对象,选择采伐干扰林分(样地A)和未采伐干扰林分(样地B),利用根钻法分3层(0—10cm,10—20cm,20—30cm)获取各径级细根(≤1mm、1—2mm、2—5mm3级活细根,≤2mm死亡细根)生物量数据。采用地统计学变异函数和经典统计相结合的数据分析方法对采伐干扰造成的细根生物量空间异质性的变化进行定量研究。主要研究结果如下:采伐干扰林分样地A各经级细根生物量均值减少;同一土层相同径级细根生物量样地A与样地B相比差异显著(P<0.05);不同土层的细根生物量异质性具有显著差别(P<0.05)。0—10cm土层,未采伐干扰林分≤1mm细根生物量呈现较明显的空间自相关变异,采伐干扰林分则表现为随机性变异特征,采伐干扰导致≤1mm细根生物量空间分布特征更加复杂(分维数D=1.978);10—20cm土层,采伐干扰林分各径级细根生物量异质性程度明显降低,只有未采伐干扰林分的5.4%—88.9%。20—30cm土层,未采伐干扰林分≤1mm细根生物量在较小尺度范围(<2.9m)表现出明显的空间自相关变异(结构方差比86.1%),受采伐干扰林分各径级细根生物量异质性程度只有未采伐干扰林分的8.9%—45.9%,且呈现随机性变异。各径级细根生物量空间异质性的垂直分异均表现为随土层深度的增加异质性强度明显降低。     

基于多分类支持向量机的基因表达系列分析

基因表达系列分析(Serial analysis of gene expression,SAGE)是一种基因表达数据,反映了细胞内的动态变化。模式识别和可视化方法是分析SAGE数据的基本工具,但是由于缺乏描述数据的统计特性,传统的聚类分析技术不适用于SAGE数据的分析。本文提出了一种基于多分类和支持向量机的SAGE数据的分析法。经过对模拟数据和人类癌症SAGE数据的分析,基于径向基核函数的多分类支持向量机算法一对一(one-against-one,OAO)算法提供了比PoissonC和PoissonS更好的分类结果。