生态文明视域下《生态设计与生态工程》课程思政教学初探

《生态设计与生态工程》是生态学专业的核心课程,不仅具有鲜明的时代特色,而且也是融入思政教育,尤其是习近平生态文明思想的重要课程。为进一步促进思政元素和专业课程的有机融合,本文从马克思哲学原理、生态文明思想等六方面建立课程教学思政库;构建以培养目标为核心的“传道、授业、解惑”教学设计体系;提供PBL教学+翻转课堂、线上+线下并行模式、显性教育与隐性教育有机结合等多样化的课程思政实施方法。为高等院校专业课程的思想政治建设提供参考。

蒙古沙冬青功能性状对土壤水分的响应

植物功能性状是资源分配和生存繁殖的重要量化指标,反映了其对环境变化的响应与适应机制。本文通过测定固定沙地、砾质沙地两种生境下蒙古沙冬青(Ammopiptanthus mongolicus)个体形态特征、叶片功能性状以及花数量和花部结构特征,探究其生长发育与繁殖过程中资源分配对不同土壤水分的响应规律。结果显示:(1)由于土壤水分含量的差异,砾质沙地上蒙古沙冬青的基径、冠幅、地上生物量显著大于固定沙地(P<0.05)。(2)不同土壤水分条件下,蒙古沙冬青叶面积、叶体积、叶组织密度具有显著差异性(P<0.05);比叶面积、叶鲜重、叶干重具有极显著差异性(P<0.01)。(3)土壤水分含量低的生境下,植株比叶面积与叶面积、叶体积显著正相关(P<0.05),与叶组织密度极显著负相关(P<0.001);土壤水分充足条件下,叶形指数与叶面积显著负相关(P<0.01)。异质生境下,叶干物质含量均与叶片含水量显著负相关(P<0.05),而与水分饱和亏、叶面积极显著正相关(P<0.001)。(4)土壤水分含量低的生境下,蒙古沙冬青花数量、花瓣长度与花萼大小均减小;异质生境下,花数量均与冠幅、地上生物量极显著正相关(P<0.001)。综上所述,蒙古沙冬青通过降低个体大小,减小叶面积和增加比叶面积、叶组织密度以及减少花数量适应干旱环境,功能性状与植物对资源的获取和利用密切相关,反映了其在异质生境下的生活史适应策略。

霸王表型可塑性对土壤水分的响应

植物的表型可塑性是受不同环境影响而产生的表型特征,是植物对环境的适应与表达。为探讨霸王(Zygophyllum xanthoxylum)在不同生境下的表型可塑性及其资源分配格局,本文选取固定沙地和砾质沙地两种生境,研究不同生境下霸王的生长参数、叶片性状和花性状的变化特征。结果表明,由于生境间土壤含水量的差异,霸王的表型性状也表现出不同的适应特征:在土壤含水量较低的生境下:(1)霸王的株高、体积和地上生物量较大,表现出较好的生长状况;(2)叶面积、叶片含水量和比叶面积也较大,叶片肉质化程度高;(3)花总数较少、花直径和花瓣面积较小,表现为对繁殖投资的减少。综合来看,在生境土壤可利用水分少的情况下,霸王会采取较为保守生存策略,将更多的物质能量投入到营养生长方面,从而降低繁殖投资以保证其生存。该研究有助于阐释霸王表型可塑性及资源分配对环境变化的适应,为荒漠植物的恢复与保护提供一定的理论基础。

基于光谱融合的茶油真伪快速鉴别研究

目的建立基于光谱融合的定性分析模型,实现高值茶油的真伪快速鉴别。方法优化设备条件,同时采集茶油的近红外光谱(near infrared spectroscopy,NIRS)和拉曼光谱(Raman spectroscopy,RS),分别使用6种方法进行预处理,优选4种方法来提取光谱特征波段,并应用数据层和特征层策略融合多光谱信息,通过比较验证不同模型的准确率和预测均方根误差(root mean square error of prediction,RMSEP)来评估效果。结果单独使用NIRS经标准正态变换处理后的偏最小二乘判别分析结果最优,准确率为0.8361,RMSEP为0.1060;单独使用RS经二阶导数处理后的结果最优,准确率为0.8443,RMSEP为0.1332;经NIRS和RS融合后数据结果高于任意单一光谱结果,其中数据层光谱融合模型准确率为0.8525,RMSEP为0.1270,特征层融合后的模型效果较好,最佳结果为基于核主成分分析下的支持向量机模型,准确率达到0.9508。结论光谱融合提升茶油掺伪定性鉴别准确率更高,具有较好的应用前景。

单类分类方法结合光谱分析在食品真实性鉴别中的应用

近年来,假冒伪劣食品已日益成为广大消费者密切关注的问题,食品真实性评估是缓解这一问题、保护公众健康的有力手段。在仪器设备和样品处理的高要求下,现代检测技术通常需要大量时间和金钱的成本消耗,而如今食品掺假手段不断变换,花样日益翻新,使得这类检测技术存在一定的局限性。为促进食品安全质量监管的效率和水平提高,为监管工作提供有力的科学技术支撑和保障,需要寻求新型检测技术。光谱分析技术,以操作简单、快速无损的优势近年来被广泛应用,作为一种间接分析技术,结合数据统计学中的分类方法建立模型后更能有效进行真假鉴别。在分类方法中,由于现实生活中五花八门的掺假类型以及在真假样本数量差异大的情况下,常用的分类方法效果可能出现偏差。但单类分类方法(one-class classification)是一种只针对一类实例建模分析,以特定的置信水平固定目标样本类的边界,对新样本的类别进行判定的方法,利用这一特点能有效区分不同于真实样本的数据,大大减少了检测的工作量,在食品掺假检测应用领域有一定的发展潜力。对近年来模式识别中的分类方法——单类分类方法进行了综述。通过阐述光谱分析结合分类方法用于食品掺假检测的必要性,比较在同一情形下多类分类方法和单类分类方法的判别率,简介单类分类方法的特点,并重点介绍几种常见的单类分类方法如数据驱动的簇类独立软模式(DD-SIMCA)、单类偏最小二乘(OCPLS)、单类支持向量机(OCSVM)以及单类随机森林(OCRF),论述单类分类方法在食品真实性鉴别中的应用,具体在食用油,乳制品,饮料,保健品,香辛料及谷物方面进行了阐述,还分析了当前单类分类方法存在的问题,最后对该技术的应用前景进行展望,为食品认证分析提供了一定的理论依据。