“一带一路”背景下新疆经贸俄语口译人才的培养

国家提出的"一带一路"建设,是我国未来向西开放、向内陆发展的重要战略。新疆凭借自身地理位置、人文环境等方面的优势,在丝绸之路经济带上起着至关重要的作用,与此同时,也把新疆的俄语学习提升到更高的热度。文章就"一带一路"战略决策对新疆俄语人才培养的影响,尤其是经贸俄语口译人才的培养进行分析,并给出简要措施。

俄语专业四级考试改革对俄语教学的反拨效应--以新疆大学为例

俄语专业四级考试是一项全国性的考试,目的在于检查基础阶段结束后学生对俄语语言知识和言语技能的掌握情况。该测试一直以来都是考查学生的语言能力和高校俄语教学质量的风向标。2013年启用新的《高等学校俄语专业四级考试大纲》,这一改革对俄语教学产生了哪些影响,如何应对这些影响都是本文致力于研究的内容。

俄语祝酒词中折射的俄罗斯酒文化

俄罗斯民族是一个爱酒的民族，并且拥有自己独特的酒文化。本文将以祝酒词这种语言形式为研究载体来窥探其中蕴含的俄罗斯酒文化，以及这些浓浓的酒文化里折射出了俄罗斯的民族性格。

融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演

为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,Li DAR)在农作物长势监测方面的潜力,探究机载Li DAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载Li DAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机载Li DAR点云和多光谱数据,从中提取并筛选合适的Li DAR点云结构参数和植被指数,借助多元线性回归法(Multivariable Linear Regression,MLR)和偏最小二乘回归法(Partial Least Squares Regression,PLSR),通过融合Li DAR点云结构参数与植被指数以及单独使用植被指数作为模型输入参数,分别与实测LAI构建了LAI反演模型。用决定系数(Coefficient of Determination,R^(2))和均方根误差(Root Mean Square Error,RMSE)来评价模型时,结果显示融合Li DAR点云与多光谱数据能够较好地反演冬小麦LAI。而且,无论是利用MLR还是PLSR法,融合Li DAR点云结构参数与植被指数的模型(MLR︰R^(2)=0.901,RMSE=0.480;PLSR︰R^(2)=0.909,RMSE=0.445(n=16))均优于仅使用植被指数的模型(MLR︰R^(2)=0.897,RMSE=0.492;PLSR︰R^(2)=0.892,RMSE=0.486(n=16))。因此,加入无人机载Li DAR数据可以一定程度上弥补光谱数据在作物垂直方向上信息提取不足的缺陷,提高冬小麦LAI的反演精度,为冬小麦LAI反演提供了更优的手段。

太湖饮用水源地蓝藻中抗生素抗性基因时空分布与风险评价

蓝藻中高丰度的抗生素抗性基因对太湖周边居民健康具有潜在威胁.以太湖5个水源地作为研究区域,测定分析了八大类21种抗生素抗性基因的时空分布特征和变化规律,着重探究了各类抗生素抗性基因之间的相关性,重点阐述了抗生素抗性基因与蓝藻水华、温度的响应关系,并分析了抗生素抗性基因不同丰度水平的风险性.结果表明,太湖水体中多类抗生素抗性基因普遍存在.丰水期,β-内酰胺类抗性基因相对丰度水平最高;渔阳山水源地(S5点位)抗生素抗性基因总丰度最高,沙渚水源地(S1点位)最低.枯水期,质粒表征类和磺胺类抗性基因总相对丰度水平最高;沙渚水源地(S1点位)抗生素抗性基因总相对丰度水平最高,锡东水源地(S2点位)次之,渔阳山水源地(S5)最低.intⅠ1与17种抗生素抗性基因具有显著的相关性.tetM和strA相对丰度水平与蓝藻水华程度呈正相关,sul1和tetB相对丰度水平与蓝藻密度呈负相关关系.tetD、tetK、tetM、strA、mphA、blaTEM、acrA相对丰度水平与温度呈正相关,intI1、sul1、tetB、ereA相对丰度水平与温度呈负相关.丰水期所有点位抗生素抗性基因污染均为低风险,枯水期有2个点位为中风险,其它3个点位为低风险.太湖丰水期蓝藻中sul1已经达到了中风险,intI1、sul2、tetD、blaTEM、strA为低风险.枯水期intI1、sul1已经达到了中风险,sul2、ereA、blaTEM、aac(6’)-Ib为低风险.

基于全波段高光谱的冬小麦生长参数估算方法比较

利用高光谱数据监测作物生长情况具有无损和高效的特点,是现代农业的发展方向。为了简化高光谱数据处理流程,直接利用原始的高光谱反射率完成从建模到估算作物生长参数的全过程,应用于作物长势的实时监测。本文利用偏最小二乘回归(partial least squares regression,PLSR)、支持向量回归(support vector regression,SVR)和前馈神经网络(feedforward neural network,FNN)3种方法,利用全波段高光谱数据分别对冬小麦多个关键生育期(拔节、孕穗、扬花和乳熟期)生长参数(地上部生物量、叶面积指数、全氮含量和叶绿素浓度)进行了估算。比较3种方法的建模及估测效果,发现对于建模集数据,SVR对上述生长参数4个生育期的估测结果R2均值为0.89~0.98,MAPE为1.70%~7.53%,对于验证集数据,R2均值为0.90~0.94,MAPE为4.04%~7.46%,拟合优度和估测精度均超过PLSR和FNN,是估算方法中利用全波段光谱反射率估测冬小麦生长参数的最佳方案。随着无人机载高光谱技术成熟,SVR方法能够用于处理航拍获取的大范围田间高光谱信息,简便快捷地进行建模与参数反演,实时反映作物生长状态。