4种林分凋落叶不同分解阶段化学计量特征

【目的】研究黔西南地区不同林分凋落叶不同分解阶段的化学计量特征,深入了解喀斯特地区不同森林生态系统养分循环规律。【方法】选取黔西南地区4种典型林分类型,包括马尾松Pinus massoniana林、毛竹Phyllostachys edulis林、杉木Cunninghamia lanceolata林,以及以麻栎Quercus acutissima、安顺润楠Machilus cavaleriei和滇青冈Cyclobalanopsis glaucoides为优势种的天然林,采集处于不同分解阶段的森林凋落叶,并测定其全碳、全氮和全磷化学计量特征。【结果】①毛竹林各分解阶段全碳质量分数均显著低于其余林分(P<0.05),马尾松林和杉木林已分解阶段凋落叶全碳质量分数均显著低于未分解和半分解阶段(P<0.05);杉木林未分解阶段全氮质量分数显著低于半分解和已分解阶段(P<0.05);天然林已分解阶段全磷质量分数显著高于其余林分(P<0.05),且其半分解阶段全磷质量分数显著低于未分解和已分解阶段(P<0.05)。②杉木林已分解阶段碳氮比显著高于毛竹林(P<0.05),且其未分解阶段碳氮比显著高于半分解和已分解阶段(P<0.05);毛竹林未分解和已分解阶段氮磷比显著高于天然林(P<0.05);杉木林和天然林半分解阶段碳磷比均显著低于马尾松林(P<0.05),天然林已分解阶段碳磷比显著低于其余林分(P<0.05)。【结论】林分类型和分解阶段对凋落叶全碳、全氮和全磷质量分数及化学计量特征均有显著影响。

高寒森林倒木在不同分解阶段的质量变化

倒木是高寒森林生态系统重要的碳(C)库和养分库,其不同分解阶段的质量变化,是认识倒木分解过程中C和养分释放的重要基础。以一个分解序列的岷江冷杉(Abies faxoniana)倒木为研究对象,研究了心材、边材和树皮在5个分解阶段的C:N:P化学计量特征,以及木质素和纤维素含量动态。结果显示:I至III分解阶段,随着分解程度加深,树皮C含量升高,而心材和边材C含量降低,从IV分解阶段开始倒木各组分C含量均开始显著降低。除III分解阶段的心材外,倒木各组分N含量总体表现为随着分解程度加深而增加的趋势,除边材N含量在V分解阶段时显著升高外,其余组分均未达到显著性水平。心材和树皮P含量表现为先降后升的变化趋势,最小值分别出现在III和II分解阶段;边材P含量表现为随着分解程度加深而增加。在同一分解阶段,树皮相对于边材和心材均具有最低的C:N:P化学计量比,易分解比例Fm也表明树皮更易于分解。边材在I和II分解阶段的C:N:P化学计量比最高,心材在III到V分解阶段C:N:P化学计量比最高。心材C:P、树皮和边材的C:N和C:P临界值与N和P的初始值成反比。纤维素含量随着倒木分解而降低,不同分解阶段的纤维素含量表现为:心材>边材>树皮;但木质素含量随着分解程度加深而增加,表现为:树皮>边材>心材;倒木3个组分纤维素含量下降均快于木质素,此外,IV和V分解阶段的树皮木质素与纤维素比值显著增高,且一直处于较高水平。统计分析结果表明:倒木N含量显著影响不同分解阶段木质素和纤维素分解。由生态化学计量学理论推测:树皮分解前期易受N限制,整个分解阶段均易受P限制,心材和边材在整个分解阶段均易受N和P限制。

基于两阶段分解和可解释机器学习的中长期径流预测

为提高月径流预测精度,提出了基于两阶段分解策略的预测模型。首先通过基于加权回归的季节趋势分解(Seasonal-Trend Decomposition Using Loess,STL)将原始径流序列分解为趋势项、季节项和残差项,再通过变分模态分解(Variational Mode Decomposition,VMD)将随机性较强的残差项进一步分解以剔除噪声,利用长短期记忆网络(Long-Short Term Memory,LSTM)、卷积神经网络(Convolutional Neural Network,CNN)和支持向量回归(Support Vector Regression,SVR)3种机器学习模型对各分量逐一预测,月径流预测结果为各分量预测值的线性集合。以澧水流域石门站为研究对象,选取平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)和纳什效率系数(Nash-Sutcliffe Efficiency Coefficient,NSE)等指标对模型预测精度进行综合评估,并结合SHAP(SHapley Additive exPlanations)可解释机器学习方法探究最优模型中各输入特征对径流预测结果的贡献程度。结果表明:LSTM和CNN模型预测精度整体优于SVR模型,但模型结构差异造成的预测精度变化小于输入项差异造成的变化;两阶段分解后各分量对预测结果的贡献优于其他输入特征,模型预测精度整体提升,且对高流量事件预测精度的提升尤为显著。

信号盲分离问题多阶段分解算法

提出了一种新的信号盲分离算法,它每个阶段仅抽取单个独立分量.这种方法通过一种求所定义的代价函数的最优解的有效迭代算法,可以找到单个独立分量,通过系统化的多阶段分解和多阶段重构,可以得到全部独立分量.当存在空间色噪声时,这种方法的性能优于一组特征矩阵近似联合对角化(JADE)技术.仿真实验表明在独立源较多(如25个以上)情况下,该方法所花时间明显小于JADE所花时间.

谐波恢复的多阶段分解算法

研究了加性噪声中的谐波恢复问题。基于一组相关矩阵的结构化信息,提出了一种频率估计的多阶段分解算法,在每个阶段仅抽取单个分量。通过一种求所定义的代价函数最优解的有效迭代算法,该算法可以找到单个分量,再利用多阶段分解和多阶段重构,可以得到全部分量。仿真实验表明,该算法的性能优于TLS-ES-PRIT方法。

二维频率估计的多阶段分解算法

研究了加性白Gauss噪声中的二维频率估计问题．基于旋转不变性和矩阵伪逆的双正交性, 提出了一种新颖的迭代算法,它在每一步迭代过程中得到一个二维频率分量．通过系统化的多阶段分解和重构可以得到所有的二维频率分量,并且所得的二维频率自动配对．同时利用循环最小化的思想研究了算法的全局收敛性．仿真实验表明了所给算法的有效性和优越性．

海外工程项目风险管理阶段分解

海外工程项目由于受地域、文化、经济等因素影响,相对于国内项目具有更多的不确定性,管理的层次与复杂程度也相应增加。风险管理贯穿项目实施的始终,同一风险源在项目实施的不同阶段可能导致不同的风险,并产生不同的后果。按照项目实施的不同阶段对风险进行分阶段管理,有利于突出不同阶段风险的生发形式,以便采取针对性措施进行更有效的风险管理。

融合两阶段分解与iJaya-ELM的短期风速预测模型

准确的预测风速对于风电场的安全运行和高效发电具有重要意义。针对已有文献在风速预测问题中采用的单一分解策略存在固有缺陷、优化预测模型效果不稳定等问题,提出了一种融合两阶段分解与iJaya-ELM的混合预测模型。首先,对原始风速序列进行ICEEMDAN分解,得到12个分量后基于排列熵熵值重构为高频项、中频项与低频项;随后对高频项进行奇异谱分解滤去序列噪声;提出一种改进的Jaya算法iJaya,利用iJaya算法获取极限学习机ELM的最优连接权值与阈值,最后将各个分量的预测结果线性集成得到最终结果。以我国甘肃地区风电场风速数据进行模型验证,并利用新疆地区数据集测试其鲁棒性与通用性。实验结果表明,iJaya算法具有较强的寻优精度与稳定性,两阶段分解能够深度挖掘风速序列的特征;该混合模型能够有效提升风速预测精度,平均绝对误差与均方误差分别为0.0679和0.1345。

杉木根分解3个月后分解土化感物质生物评价

采用丙酮、乙酸乙酯、蒸馏水(2∶2∶1)浸提杉木根分解3个月后分解土化感物质,应用杉木种子发芽试验进行生物检测。研究结果表明:同一氮素水平条件下,随着质量浓度降低,化感物质对杉木种子发芽抑制效应逐渐减弱;同一化感物质浓度不同氮素水平处理相比,氨态氮及硝态氮处理,化感物质对杉木种子发芽的抑制作用基本强于不加氮素处理;杉木根分解3个月后分解土极性化感物质对杉木种子发芽的抑制作用强于弱极性化感物质。

杉木枯枝落叶分解12个月后化感物质对杉木的化感作用

采用有机溶剂与蒸馏水混合浸提杉木枯枝落叶分解12个月后化感物质,应用杉木种子发芽试验进行生物检测。结果表明:与对照相比,不同浓度杉木枯枝落叶及腐殖土中的化感物质对杉木种子绝对发芽势、绝对发芽势、胚根长、胚轴长、干物质量及鲜物质量均表现为抑制作用;杉木枯枝落叶中的弱极性化感物质200mg/kg处理的绝对发芽率、绝对发芽势、胚根长、胚轴长、鲜物质量及干物质量分别比对照降低45.73%、47.71%、41.89%、57.50%、56.92%及33.33%,而腐殖土中的极性化感物质200mg/kg处理对种子绝对发芽率、绝对发芽势、胚根长、胚轴长、鲜物质量和干物质量与对照相比分别降低28.20%、28.08%、48.20%、66.88%、69.74%及48.48%。

基于行业增长的省级可再生能源规划目标分解

为了有效的把国家可再生能源规划分阶段的落实到各个省市,做好二者之间衔接工作,研究考虑了我国在从发展中国家过渡到中等发达国家时所需要考虑的如何平衡公平与效率之间关系的问题,结合中国可再生能源发展实际特征,提出一种基于行业增长曲线的可再生能源阶段目标分解模型。模型首先求解出中国不同的可再生能源行业的增长曲线。然后给出可再生能源发展阶段目标函数。结合区域发展规划,给出了各省的阶段目标,为了验证该模型的正确性,以风电、水电和太阳发电为代表能源,结合国家可再生能源整体规划和资源需求分布状况,分阶段提出了各省域的可再生能源发展目标。目标分解参照两个原则(1)可分解原则。国家总量目标可以根据一定的标准在不同地区、部门和行业进行分解,由全社会共同完成发展目标。(2)公平性和区域差异的原则。考虑资源禀赋和社会经济发展水平差距,各地总量目标有所区别。研究对于可再生能源规划的整体实施和监管具有一定的借鉴意义。

设计关联矩阵智能分解方法

针对复杂产品设计分解问题,如何提高分解效率,有效产生一些可行方案的问题,提出了一种智能化的矩阵分块算法。该算法结合两阶段分解法,引入模拟退火遗传算法,以设计关联矩阵的协调列数为目标函数,对矩阵内部的分块点组合进行优化求解,实现了设计关联矩阵的对角化分解。以提动式溢流阀的设计为例进行了验证,实验结果表明该算法能够快速产生有效解。

机构改革需要经过的几个阶段

机构改革是一步到位,还是分步实施;是一蹴而就,还是循序渐进,这是关系到改革能否成功的问题。笔者认为,要使机构改革达到预期目的,既不能操之过急,也不能按兵不动,而要有领导、有计划、有步骤地进行。具体来说分为七个阶段。一、思想发动阶段。机构改革是上层建筑领域里的一场深刻变革。它不仅涉及某些利益和权限的调整,而且还有富余人员的安排。特别是这次机构改革是在新旧管理体制交替期间进行的,免不了要受到传统观念和习惯势力的影响、(1) “人多好办事”的小农思想。

一种新的双基地MIMO雷达目标定位和多普勒频率估计方法

该文提出了一种新的双基地MIMO雷达目标定位和多普勒频率估计方法。该方法利用矩阵的双正交性构造合理的代价函数,通过迭代求解代价函数和系统化的多阶段分解依次估计每个目标的2维方位角和多普勒频率。仿真结果表明,与基于ESPRIT的方法相比,该文方法能够估计目标的多普勒频率,消除了雷达发射信号不满足理想正交对目标定位精度的影响并且在发射和接收阵列不具备平移不变结构的条件下仍具适用性。

支持产品设计全过程和全性能的潜模型理论

针对现有产品设计中信息不全和无法满足并行设计渐进的动态需求问题,以传统逻辑论和信息论中的潜模型理论为基础,结合产品设计进程中变量、目标与约束等信息的扩张过程,提出了产品设计广义潜模型与狭义潜模型理论。采用复杂函数的多阶段分解法和置信度建序法,实现了传统函数的潜模型改造,将传统的面向单点的产品信息模型扩展为面向进程的过程模型,并提出了基于敏度分析的设计导向机制与潜模型的有效推理运行机制,为该理论的实际应用奠定了基础。最后,以挖掘机设计目标为例,进行了函数改造说明。

中国碳排放的空间格局及分布动态演进——基于县域碳排放数据的实证研究

基于中国1997—2017年2 725个县域单元的碳排放数据,采用标准差椭圆、Theil指数三阶段嵌套分解和Kernel密度估计等方法,全面考察中国碳排放的空间格局及分布动态演进。研究发现:(1)中国碳排放由1997年的30.97亿t增长到2012年的93.08亿t,年均增长达到7.86%,而后围绕93亿t上下波动,未出现下降的拐点。(2)在空间分布上,中国碳排放呈现东高西低的分布格局,表现出东北-西南方向向心集聚、西北-东南方向空间发散的趋势。(3)在空间差异上,Theil指数三阶段嵌套分解结果表明,中国碳排放的总体差异呈下降趋势,地级行政单元内部差异的贡献率由1997年的43%增加到2017年49%,成为中国碳排放总体区域差异的主要来源。(4)在分布动态演进上,中国县域单元的碳排放存在空间收敛模式,具有显著的空间正相关性,地区间的相互作用影响中国碳排放的未来空间分布。

京津冀一体化下交通运输业碳排放核算及其影响因素研究

碳排放核算是城市低碳发展研究的基础。作为三大城市碳排放源产业之一,交通运输业是重点关注对象。以京津冀交通运输业碳排放核算为起点,采用偏最小二乘法开展驱动因子分析,通过两阶段参数估计评估各影响因素的变化趋势。结果表明:在京津冀城市群中,北京将最先达到碳排放峰值;人口规模、人均GDP、能源强度与货物周转量是城市群交通运输业碳排放的主要影响因素,且具有两阶段变化特征;在一体化背景下,京津冀地区需开展加快产业结构升级、支持新能源汽车的研发与发展智能交通建设等交通运输领域的减排举措。

运输能力有限混合流水车间调度的改进拉格朗日松弛算法

为改善在制品库存和能耗问题,研究了从钢铁实际生产环境提炼出的运输能力有限的动态混合流水车间调度问题。将运输机视为虚拟机器,可将原问题转换成与其等价的不考虑运输能力但在偶数阶段机器有不可用时间段的动态混合流水车间调度问题,其中机器不可用时间段取决于其运送的工件。对转换后的问题建立数学模型,提出基于阶段分解的拉格朗日松弛算法进行求解,该算法将优先级约束松弛到目标函数中,将拉格朗日松弛问题分解为多个阶段级子问题,进而设计了动态规划求解这些带任意权重和机器不可用时间段的并行同构机调度子问题。对不同问题规模的测试结果表明,所提算法能够在较短的运行时间内获得满意的近优解。

一组特征矩阵的联合对角化

发展了一组特征矩阵联合对角化的新算法 ,这个算法利用了左右特征矢量之间的双正交性 .定义了用于追踪单个特征分量的代价函数 ,找到了快速求解代价函数全局最优解的迭代算法 .通过系统化的多阶段分解和多阶段重构 ,可以得到全部特征矢量 .

基于智能电表集总数据的家庭电动汽车充电行为非侵入式辨识与负荷预测

未来规模化电动汽车的发展趋势适应当前国家“新基建”的号召,且为缓解化石能源危机以及环境问题提供了新的契机。然而,大量电动汽车充电具有随机性及不确定性等特点,是保证电网安全稳定运行所面临的巨大挑战。其中家庭用户的充电无序性更强,因此,对家庭充电负荷进行实时监测与提取,制定相应的需求响应策略或能效管理模式对其充电行为加以引导具有重要意义。为此,该文提出了一种利用电动汽车充电负荷低频特性的非侵入式充电负荷提取方法。首先,采用两阶段分解技术提取智能电表低频分量,在此基础上,利用事件监测和动态时间翘曲(dynamictime warping,DTW)方法来估计最接近的充电时间和振幅。然后,以分解得到的电动汽车充电负荷和集总智能电表功率为输入,采用CNN-Attention-LSTM神经网络算法进行训练,预测家庭用户短期内的电动汽车充电情况。并通过多个算例验证了算法的有效性。