大气氮沉降增加生态系统氮有效性,优势种植物对不同水平氮输入的响应影响草原生态系统结构和功能。研究设置4个氮添加水平,分析内蒙古温带草原优势种大针茅(Stipa grandis)光合生理特性对不同梯度氮添加的响应。结果表明:低氮(0—2 g m^...大气氮沉降增加生态系统氮有效性,优势种植物对不同水平氮输入的响应影响草原生态系统结构和功能。研究设置4个氮添加水平,分析内蒙古温带草原优势种大针茅(Stipa grandis)光合生理特性对不同梯度氮添加的响应。结果表明:低氮(0—2 g m^(-2)a^(-1))处理时,大针茅叶片氮含量较低,叶绿素含量和1,5⁃二磷酸核酮糖羧化/加氧酶的活性不高,光能利用效率低,导致光系统II出现过剩激发能,光合器官受到抑制,净光合速率相对较低。适量氮添加(5—10 g m^(-2)a^(-1))提高了大针茅叶片羧化系统和电子传递系统的氮分配,进而提高了1,5⁃二磷酸核酮糖羧化/加氧酶的活性以及电子传递速率,净光合速率增大。高氮(25 g m^(-2)a^(-1))处理时,叶片氮含量较高,但光合氮分配比例下降,降低了光合氮利用效率。大针茅光抑制程度增大,叶绿素含量、1,5⁃二磷酸核酮糖羧化/加氧酶的活性下降,不利于生物量积累。研究结果有助于进一步了解全球变化背景下草原生态系统优势种的生理响应机制,并为草原的可持续发展提供一定的理论依据。展开更多
针对滑坡易发性预测建模中滑坡-非滑坡样本可能存在误差、环境因子间非线性关系较复杂且机器学习可解释性未被关注等重要问题,拟提出一种基于自筛选的双向长短时记忆网络与条件随机场的滑坡易发性预测模型(Selfscreening Bi-directional...针对滑坡易发性预测建模中滑坡-非滑坡样本可能存在误差、环境因子间非线性关系较复杂且机器学习可解释性未被关注等重要问题,拟提出一种基于自筛选的双向长短时记忆网络与条件随机场的滑坡易发性预测模型(Selfscreening Bi-directional Long Short-Term Memory and Conditional Random Fields,SBiLSTM-CRF).SBiLSTM-CRF模型具有深度学习网络层数深、宽度广及可循环迭代建模的优势,能预测出环境因子间的非线性关系,并通过迭代自动筛选阈值区间外的错误滑坡样本.该模型可用于解释各环境因子之间耦合关系的内部作用机制.将SBiLSTM-CRF模型用于陕西延长县滑坡易发性预测,并与cpLSTM-CRF、随机森林、支持向量机、随机梯度下降和逻辑回归模型比较.结果表明,SBiLSTM-CRF克服了传统机器学习中存在的样本误差以及因子间复杂的非线性关系问题,具有更高的预测性能.通过该模型的可解释性能力揭示了坡度、高程和岩性等因子控制延长县的黄土滑坡发育的机制.展开更多
文摘大气氮沉降增加生态系统氮有效性,优势种植物对不同水平氮输入的响应影响草原生态系统结构和功能。研究设置4个氮添加水平,分析内蒙古温带草原优势种大针茅(Stipa grandis)光合生理特性对不同梯度氮添加的响应。结果表明:低氮(0—2 g m^(-2)a^(-1))处理时,大针茅叶片氮含量较低,叶绿素含量和1,5⁃二磷酸核酮糖羧化/加氧酶的活性不高,光能利用效率低,导致光系统II出现过剩激发能,光合器官受到抑制,净光合速率相对较低。适量氮添加(5—10 g m^(-2)a^(-1))提高了大针茅叶片羧化系统和电子传递系统的氮分配,进而提高了1,5⁃二磷酸核酮糖羧化/加氧酶的活性以及电子传递速率,净光合速率增大。高氮(25 g m^(-2)a^(-1))处理时,叶片氮含量较高,但光合氮分配比例下降,降低了光合氮利用效率。大针茅光抑制程度增大,叶绿素含量、1,5⁃二磷酸核酮糖羧化/加氧酶的活性下降,不利于生物量积累。研究结果有助于进一步了解全球变化背景下草原生态系统优势种的生理响应机制,并为草原的可持续发展提供一定的理论依据。
文摘针对滑坡易发性预测建模中滑坡-非滑坡样本可能存在误差、环境因子间非线性关系较复杂且机器学习可解释性未被关注等重要问题,拟提出一种基于自筛选的双向长短时记忆网络与条件随机场的滑坡易发性预测模型(Selfscreening Bi-directional Long Short-Term Memory and Conditional Random Fields,SBiLSTM-CRF).SBiLSTM-CRF模型具有深度学习网络层数深、宽度广及可循环迭代建模的优势,能预测出环境因子间的非线性关系,并通过迭代自动筛选阈值区间外的错误滑坡样本.该模型可用于解释各环境因子之间耦合关系的内部作用机制.将SBiLSTM-CRF模型用于陕西延长县滑坡易发性预测,并与cpLSTM-CRF、随机森林、支持向量机、随机梯度下降和逻辑回归模型比较.结果表明,SBiLSTM-CRF克服了传统机器学习中存在的样本误差以及因子间复杂的非线性关系问题,具有更高的预测性能.通过该模型的可解释性能力揭示了坡度、高程和岩性等因子控制延长县的黄土滑坡发育的机制.
