排序方式: 共有39条查询结果,搜索用时 15 毫秒
1.
为了解芙蓉岛鸟类生态类群和多样性,本文以2019年9月芙蓉岛鸟类调查数据为基础,利用样点法对芙蓉岛鸟类的种类、生态类群、区系、居留型和鸟类多样性等进行了研究。结果表明:本次调查共记录鸟类5目15科31种,其中国家Ⅱ级保护鸟类7种,列入《濒危野生动植物种国际贸易公约及有效决议汇编》附录Ⅲ中的鸟类1种。从生态类群构成上:鸣禽19种,猛禽7种,涉禽4种,陆禽1种;从鸟类地理区系构成上:广布种23种,古北种7种,东洋界1种;从居留类型构成上:冬候鸟5种,留鸟3种,旅鸟17种,夏候鸟、冬候鸟和旅鸟混合类型6种。鸟类群落多样性指数(H’)为3.83,均匀度指数(J)为0.77。芙蓉岛鸟类优势种为红嘴鸥(Larus ridibundus)、家燕(Hirundo rustica)和树麻雀(Passer montanus)。本文对芙蓉岛鸟类生物多样性进行了报道,对芙蓉岛鸟类资源的本底调查以及该区域鸟类生物多样性保护具有重要意义。 相似文献
2.
墨西哥湾是世界上研究天然气水合物较深入的海区,调查资料丰富,已在50多处采集到天然气水合物样品,具备建立天然气水合物矿产资源预测模型的条件。选择34处已知天然气水合物矿点和34处已知无矿点作为训练区,建立矿点存在与否的预测模型。模型的相关系数值表明墨西哥湾天然气水合物与盐底辟关系密切。将该模型应用于整个墨西哥湾北部,初步获得了天然气水合物存在可能性概率分布图;概率大于0.7的预测单元包含已知矿点中的30个,利用该阈值圈定了墨西哥湾天然气水合物潜在资源分布区。 相似文献
3.
4.
5.
华北地块北缘金矿预测 总被引:4,自引:1,他引:3
对华北地块北缘的金矿进行了成因分类,共分为3大类7亚类.利用地质体单元法对3大金矿类型进行了单元划分,共划分出214个单元.在综合信息成矿理论的指导下,对本区的岩浆重熔热液型金矿、岩浆同熔热液型金矿床以及火山-次火山热液型金矿床分别采用特征分析,对矿产资源的产出位置进行了估计,采用成矿概率估计对各单元的成矿可能性进行分级,共预测出24个最有远景的工作区. 相似文献
6.
7.
笔者通过改进先前提出的基于专家证据权重法的成矿远景区划与评价方法的不足之处,重新对青海东昆仑地区Au、Cu和Co3矿种进行成矿远景区划与评价,将各矿种的远景区按成矿潜力大小划分为A、B、C三级。在此基础上,提出了将多个单矿种远景区合成综合成矿远景区的评价方法和手段,最终圈定出青海东昆仑的综合远景区25个,并对它们也按成矿潜力大小划分为A、B、C三级。从青海东昆仑地区已知Au、Cu、Co矿床(点)在各综合远景区内的数量和规模分布情况来看,结果令人满意。青海东昆仑地区的综合选区研究成果可望为该区进一步找矿工作部署提供部分科学依据。 相似文献
8.
9.
吉林省小石人金矿区微量元素地球化学特征 总被引:3,自引:0,他引:3
以吉林省小石人金矿区内不同类型岩(矿)石微量元素测试结果为基础,从数据结构和空间结构两方面,对微量元素的地球化学特征进行探讨。统计参数表明:所观测元素在矿区内具有明显的浓集、富集特点,在不同类型岩(矿)石中元素的分布分配也不尽相同。依据分布分配特点,可将矿区内的岩(矿)石分为正常岩石、弱蚀变岩石和强蚀变/矿化岩石3类。多元统计分析成果揭示:所观测元素都参与了金的成矿活动,但行为特点有所差异。依据多元统计特征,可将微量元素分为3个组合类型:Au、As、Sb、Bi、Hg、Mn,Cu、Pb、Zn、Ag,Co、Ni、V;第一组合为成矿成晕组合,第二组合为金的多金属矿化组合,第三组合为黄铁矿化蚀变组合;元素组合也对应于不同的矿化阶段,指示金的成矿活动及特征。土壤、岩石地化剖面显示所观测的元素间存在空间相关性,但Mn与Au相异,其异常出现在矿化蚀变带的外侧。 相似文献
10.
基于长短时记忆神经网络的台风路径临近预报模型 总被引:3,自引:0,他引:3
It is of vital importance to reduce injuries and economic losses by accurate forecasts of typhoon tracks. A huge amount of typhoon observations have been accumulated by the meteorological department, however, they are yet to be adequately utilized. It is an effective method to employ machine learning to perform forecasts. A long short term memory(LSTM) neural network is trained based on the typhoon observations during 1949–2011 in China's Mainland, combined with big data and data mining technologies, and a forecast model based on machine learning for the prediction of typhoon tracks is developed. The results show that the employed algorithm produces desirable 6–24 h nowcasting of typhoon tracks with an improved precision. 相似文献