LGZ系列全液压多功能桩机及其在多种工法的应用

LGZ系列全液压多功能桩机拥有可轴向滑移主动钻杆、大扭矩中空式回转动力头和双筒同步卷扬机3项专利技术,具有施工安全、一机多能、传动平稳高效等技术优势。本文介绍了该系列桩机的性能参数、技术特点,及其在螺杆桩、螺旋挤土桩、水泥土搅拌桩、长螺旋钻孔灌注桩、大直径长螺旋钻孔桩等5种工法中的应用。实践证明,LGZ系列全液压多功能桩机可以满足多种桩基工法施工需求,并可扩展到更多工法应用。     

短期威胁小行星

为更明确近地小行星撞击地球威胁的监测预警需求, 提出了"短期威胁小行星"的概念, 即未来100yr内可能对地球造成撞击威胁且等效直径大于10m的近地小行星. 以目前已发现的756颗短期威胁小行星为基础, 分析短期威胁小行星的轨道分布特点, 研究显示其与一般近地小行星的轨道分布存在差异, 短期威胁小行星的轨道半长轴更集中于1au, 轨道面更集中于黄道面. 基于近地小行星的数量模型, 初步建立了短期威胁小行星的数量估计模型, 并预估了未来100yr内存在撞击可能的短期威胁小行星的总体数量. 短期威胁小行星的特定研究对制定近地小行星搜巡监测策略有重要意义.     

沉水植物苦草根系功能性状对基质类型和种植密度的响应及其与个体表现关系

根系功能性状体现了植物细根的生长状况及其对外部环境的适应性,然而根系功能性状响应环境变化的时间稳定性如何仍不清楚。苦草(Vallisneria natans)是水体沉水植被修复的先锋种类,细根在其种群重建初期起着重要作用。该研究设计了草垫、草垫+沙子、草垫+黄泥及草垫+底泥4种生长基质和100株/m²以及200株/m²两种种植密度并将其两两组合,以模拟自然生境不同的基质和密度情况,并在不同时期对苦草功能性状指标进行取样测定,通过重复测量二元方差分析研究基质和密度对根系功能指标的影响,并通过线性拟合模型探讨个体水平的生长表现(生物量分配、营养吸收、个体定植)与具体的根系功能性状之间的关系对环境变化的响应。结果表明:所有测量指标均受到基质条件的显著影响,部分根系功能性状指标如根冠比(RSR)、根干重、比根长(SRL)、根比表面积(SRA)、根组织密度(RTD)、根系锚定力和根体积受密度的影响显著。苦草生物量的分配主要受基质条件的影响,对营养的吸收、运输及根系固着能力受基质和密度的共同影响。线性拟合模型表明SRA、RTD、根直径、根表面积以及根体积在个体水平上能一定程度地预测RSR对环境变化的响应,且RTD的预测效果最好;根冠比、SRA、生根数、总根长、根表面积以及根体积在个体水平上能一定程度地预测SRL对环境变化的响应,其中生根数的预测效果最好;SRA、根直径、根表面积以及根体积在个体水平上能一定程度地预测根系锚定力对环境变化的响应,并且SRA的预测效果最好。但是基质和密度在不同时期对苦草根系功能性状的影响方向会发生改变,当用根系功能性状预测植物个体表现时,需要考虑种群重建所处的时期。     

海三棱藨草(Scirpus mariqueter)根系低分子量有机酸对根际沉积物重金属生物有效性的影响

应用等离子光谱仪(ICP)与高效液相色谱仪(HPLC)分别对海三棱藨草根际沉积物中重金属(Cu、Pb、Zn和Cd)不同化学形态含量和植物根系分泌物中常见低分子量有机酸进行了季节跟踪测定,分析了有机酸(柠檬酸、草酸、酒石酸、苹果酸、甲酸和乳酸)含量与重金属化学形态(可交换态、碳酸盐结合态、铁锰氧化物结合态、有机结合态和残渣态)的季节相关性。结果表明,柠檬酸、草酸和苹果酸含量与Cu和Pb的除残渣态外的其它4种形态含量呈正相关性,表明其能提高Cu和Pb生物有效性,与Zn的所有形态含量呈负相关性,降低了生物有效性;酒石酸、甲酸和乳酸含量与Cu和Pb的可交换态含量呈负相关性,而与其它形态含量相关性不明显,降低了生物有效性。与Zn的除残渣态外的其它4种形态含量呈正相关性,提高其生物有效性。而上述所有有机酸与Cd的各种化学形态相关性不明显。表明其对Cd的生物有效性影响不大。     

中国七个产地卤虫卵的生物学测定

为深入了解卤虫卵生物学测定值与其品系间的相关性,选择青海尕海、新疆阿其克库勒湖、山西解池、山东埕口盐场、西藏 ( 具体地点不详 )、新疆鲸鱼湖以及西藏拉果错湖共 7 个品系的卤虫卵,进行了干卵、水合卵、脱壳卵卵径及卵亚壳层厚度的测定.统计结果显示卵径及卵的颜色与海拔高度密切相关,高海拔地区卤虫卵径大、颜色深;卤虫卵径的大小与其成体的生殖方式似乎无直接关联;以卤虫卵亚壳层厚度及卤虫卵径为依据的 Q-聚类结果一致,其中西藏、新疆鲸鱼湖、新疆阿其克库勒湖、以及西藏拉果错湖卤虫卵为一组,山西解池、山东埕口盐场、及青海尕海卤虫卵为一组.卤虫卵亚壳层厚度及卤虫卵径与卤虫品系之间均存在相关性.     

Multi-hazard susceptibility mapping based on Convolutional Neural Networks

Multi-hazard susceptibility prediction is an important component of disasters risk management plan. An effective multi-hazard risk mitigation strategy includes assessing individual hazards as well as their interactions. However, with the rapid development of artificial intelligence technology, multi-hazard susceptibility prediction techniques based on machine learning has encountered a huge bottleneck. In order to effectively solve this problem, this study proposes a multi-hazard susceptibility mapping framework using the classical deep learning algorithm of Convolutional Neural Networks (CNN). First, we use historical flash flood, debris flow and landslide locations based on Google Earth images, extensive field surveys, topography, hydrology, and environmental data sets to train and validate the proposed CNN method. Next, the proposed CNN method is assessed in comparison to conventional logistic regression and k-nearest neighbor methods using several objective criteria, i.e., coefficient of determination, overall accuracy, mean absolute error and the root mean square error. Experimental results show that the CNN method outperforms the conventional machine learning algorithms in predicting probability of flash floods, debris flows and landslides. Finally, the susceptibility maps of the three hazards based on CNN are combined to create a multi-hazard susceptibility map. It can be observed from the map that 62.43% of the study area are prone to hazards, while 37.57% of the study area are harmless. In hazard-prone areas, 16.14%, 4.94% and 30.66% of the study area are susceptible to flash floods, debris flows and landslides, respectively. In terms of concurrent hazards, 0.28%, 7.11% and 3.13% of the study area are susceptible to the joint occurrence of flash floods and debris flow, debris flow and landslides, and flash floods and landslides, respectively, whereas, 0.18% of the study area is subject to all the three hazards. The results of this study can benefit engineers, disaster managers and local government officials involved in sustainable land management and disaster risk mitigation.