月降水量的神经网络混合预报模型研究

以均生函数表征预报量自身周期变化，结合500hPa月平均高度场和月平均海温场预报因子，采用神经网络方法建立了一种新的短期气候预报模型。分别以广西桂北、桂中和桂南6月降水量作为预报对象进行预报试验，结果表明，这种新的预报方法比均生函数回归预报模型及高度场、海温场预报因子的回归预报模型，具有更好的物理基础和预报能力。     

震后震型早期判定的人工神经网络方法

应用人工神经网络的方法，利用３０次强震震后１天和２天内的地震资料作为学习样本，对广西及其邻区发生的４次地震的震型作了早期预测判定，结果表明应用效果较好，正确率达７５％。该方法值得进一步研究。     

现代区域开发的矿产资源需求生命周期研究及意义

矿产资源是社会经济发展的重要物质基础，受社会经济和科学技术发展的限制，各类矿产资源的需求存在着从初始，增长，停滞和衰落的周期性变化以及明显的空间分嘏差异。     

THE LIFE-CYCLE OF MINERAL CONSUMPTION IN REGIONAL DEVELOPMENT AND ITS IMPLICATION

Ｉ.ＩｎｔｒｏｄｕｃｔｉｏｎＴｈｒｏｕｇｈｏｕｔｈｉｓｔｏｒｙｍｉｎｅｒａｌｓｈａｖｅｂｅｅｎａｄｅｔｅｒｍｉｎａｎｔｆａｃｔｏｒｉｎｔｈｅｅｖｏｌｕｔｉｏｎｏｆｓｏｃｉｅｔｉｅｓａｎｄｃｉｖｉｌｉｚａｔｉｏｎ.ＴｈｅｖｅｒｙｏｂｖｉｏｕｓｉｍｐａｃｔｏｆｍｉｎｅｒａｌｓｏｎＭａｎ’ｓｅｖｏｌｕｔｉｏｎｃａｎｂｅｔｒａｃｅｄｉｎｔｅｒｍｓｏｆＭａｎ’ｓａｃｑｕａｉｎｔａｎｃｅｗｉｔｈｍｉｎｅｒａｌｓ—ｔｈｅＰｒｅｓｔｏｎｅＡｇｅ,ｔｈｅＳｔｏｎｅＡｇｅ,ｔｈｅＢｒｏｎｚｅＡｇｅ,ｔｈｅＩｒｏｎＡｇｅ,…     

乌兰布和沙漠东北边缘植物群落物种多样性及其生态环境

应用群落多样性指数（Ｄ）、均匀度（Ｊ）、生态优势度（Ｃ）等指标，对乌兰布和沙漠东北边缘不同生境（荒漠区、绿洲外围、绿洲内）的天然植物群落进行了研究，结果表明这三种指标值能有效地表征群落的组成结构特征及生境的优劣；荒漠植物群落多样性指数（Ｄ＝０．６０３～２．９８４）和均匀度（Ｊ＝０．３３７～０．６９１）都较低，而生态优势度（Ｃ＝０．７２４～０．１９５）较高，说明荒漠植被生态环境的脆弱性，群落结构越复杂，多样性指数越高；多样性与生态环境关系密切，Ｄ和Ｊ随生境渐好而递增，Ｃ随生境渐好而递减，可作为环境评价指标；多样性在一定程度上体现了群落的发展阶段和稳定程度，越接近顶级阶段，多样性越高，且环境的改善有助于群落演替进程的加速；干旱区弃耕撩荒地次生演替植被，在弃耕初期多样性随弃耕年限增大而减小，后期处于一个较稳定的水平，且各演替阶段植物组成变化较大。     

中国长江主要灾害与整治

由于江水和人类活动，引发长江崩塌、淤寒、洪涝和污染等灾害。研其原因主要为水动力改变；自然环境变化；人为破坏。整方案应采取治沙，营造“森林水库”；治水，按水动力学运动规律，用蓄、疏堵等手段综合治理；治污，要彻底根治污源；养殖，大力发展养殖业，促使生态平衡。     

正确使用X—CT球管的技术探讨

本文报道了我院连续六只Ｘ－ＣＴ球管的使用情况。寿命最长的曝光达３５８３００秒，而最短的只有１３５０００秒，其主要原因是缺乏正确地使用和维护知识，要想延长球管使用寿命，首先需加强对使用人员的专业素质训练，其次，在保证图像质量的前提下，降低ｍＡｓ；第三，保持扫描室恒业的温湿度；第四，定期检查球管的冷却散热系统。     

人为地质灾害和地质环境

本文论述了人为地质灾害的概念, 典型事例以及人为地质灾害与地质环境的相互关系。指出, 人为地质灾害是由于人类的工程经济活动而引起的地质灾害。人为地质灾害可导致地质环境恶化, 使环境质量下降；而地质环境恶化又可导致地质灾害的加重, 使灾害频度增大, 强度增高。     

人工神经网络方法预报长江上游流域面雨量的探讨

利用1998～2000年3～11月长江上游六大流域逐日降水实况和MAPS、T106(T213)、欧洲中心等数值产品资料，采用人工神经网络方法，建立了六大流域强降水面雨量等级预报模型。并于2002年6～9月进行了业务试验。     

Determination and application of the weights for landslide susceptibility mapping using an artificial neural network

The purpose of this study is the development, application, and assessment of probability and artificial neural network methods for assessing landslide susceptibility in a chosen study area. As the basic analysis tool, a Geographic Information System (GIS) was used for spatial data management and manipulation. Landslide locations and landslide-related factors such as slope, curvature, soil texture, soil drainage, effective thickness, wood type, and wood diameter were used for analyzing landslide susceptibility. A probability method was used for calculating the rating of the relative importance of each factor class to landslide occurrence. For calculating the weight of the relative importance of each factor to landslide occurrence, an artificial neural network method was developed. Using these methods, the landslide susceptibility index (LSI) was calculated using the rating and weight, and a landslide susceptibility map was produced using the index. The results of the landslide susceptibility analysis, with and without weights, were confirmed from comparison with the landslide location data. The comparison result with weighting was better than the results without weighting. The calculated weight and rating can be used to landslide susceptibility mapping.