简介:采用静态暗箱采样一气相色谱/化学发光分析相结合的方法,对晋南地区盐碱地不同小麦秸秆还田量裸地土壤夏、秋季(2008年6-10月)的甲烷(CH4)、二氧化碳(C02)、氧化亚氮(N20)和一氧化氮(NO)交换通量进行了原位观测。结果表明:观测期内,秸秆全还田(Fs)、秸秆一半还田(Hs)和秸秆不还田(Ns)处理土壤一大气间CH4、C02、N2O和NO平均交换通量分别为-0.8±2.7、-1.4±2-3、-6.5±1.8ug(C)·m^2·h^-1(CH4),267.1±23.1、212.0±17.8、188.5±13.6mg(C)·m^2·h^-1(CO2),20.7±3.0、16.3±2.3、14.7±1.7μg(N)·m^2·h^-1(N2O),3.9±0.5、3.4±0.5、3.0±0.4μg(N)·m^2·h^-1(NO)。交换通量表现出明显的季节变化趋势,灌溉、降雨和温度变化是影响该趋势的主要因素。相对于NS处理,FS和HS处理降低了累积CH4吸收量(66%和59%),增加了累积CO,(42%和12%)、N,O(41%和9%)和NO(30%和13%)排放量,因此,秸秆还田促进了农田土壤总的温室气体排放。计算得到FS和HS处理小麦秸秆的CO2、N2O、NO排放系数分别为73.4%士1.6%和43.3%士1.0%(CO2)、0.37%士0.01%和0.17%士0.00%(N2O)、0.06%士0.00%和0.05%±0.00%(NO),FS处理的排放系数显著高于HS处理,且均低于同一实验地种植玉米、施肥农田的小麦秸秆排放系数(N20和NO排放系数分别为2.32%和0.42%)。可见,在采用排放因子方法估算还田秸秆CO2、N20和NO排放量时,应考虑秸秆还田量、农作物种植和施肥因素的影响。
简介:简要介绍了精细化天气预报和气象数据挖掘应用的现状,在对BP神经网络预测方法详细分析的基础上,研究了基于时间序列数据挖掘实现精细化温度预报的方法。该方法基于时序分析技术,建立起适合于BP神经网络的输入样本模型,通过反复学习从温度时序中建立预测模型,将其用于未来24h的精细化温度预报。同时,对BP神经网络算法和步骤做了简要介绍,针对原有的BP算法存在的不足,做了一些改进。最后,通过对预测挖掘系统的设计和在Matlab6.5仿真平台上的试验,建立了温度预报模型,以兰州市观测站数据为时间序列研究对象,对精细化温度预报进行了仿真实现。对基于时序的数据挖掘理论的应用和开发精细化温度预报方法做了有益的探索。