河流湿地是非常重要的湿地类型,其中河流湿地土壤能够有效维持河流湿地生态系统的稳定性.土壤碳氮磷是支撑湿地土壤质量和植被生长的关键营养元素,利用高光谱遥感数据对其进行估算对实现湿地土壤养分信息的快速和准确检测具有重要意义.土壤粒径作为土壤最重要的属性之一,对土壤样本的光谱反射率有着重要影响,并且是影响土壤结构、阳离子交换能力、植物养分可用性等的重要因素.以陕西黄河湿地省级自然保护区为研究区,于2022年8-9月采集477份湿地表层土壤样本,经过室内过筛处理后得到1.0 mm、0.3 mm、0.2 mm、0.1 mm四种不同粒径的土壤样本.基于原始光谱数据及一阶微分转换光谱数据对土壤碳、氮、磷含量建立不同粒径的偏最小二乘回归、随机森林、高斯过程回归3种预测模型,比较建模R2以及RMSR选择最优模型,并筛选敏感波段构建模型进行评价.研究结果显示:(1)光谱反射率数值随土壤粒径的减小而增大,0.1 mm粒径的预测模型相比于其他粒径始终有着更好的精度;(2)基于一阶微分光谱建立的土壤有机碳、全氮、全磷含量估算模型均具有更高的精度;(3)基于敏感波段建立的偏最小二乘回归模型,建模R2范围0.62-0.98,验证R2范围0.36-0.94,相比其他模型具有更优秀更稳定的反演效果.研究结果表明通过控制土壤粒径建立土壤碳、氮、磷含量的估算模型是可行的,选择合适的粒径大小能够提高反演模型估算精度.而偏最小二乘回归作为具有较高精度的反演模型可以帮助提高模型的稳定性和预测能力,从而更准确地估算土壤中的碳、氮、磷含量.研究结果为基于高光谱遥感的不同粒径处理的湿地表层土壤碳、氮、磷定量反演提供坚实的理论支撑与技术支持.

快速获取土壤含水率(SMC)和土壤有机质(SOM)含量对于盐碱农田土壤的改良利用至关重要.本研究基于河套平原农田土壤野外高光谱反射率和土壤属性实测数据,对原始光谱反射率(Ref)进行标准正态变量(SNV)转换后,采用竞争性自适应重加权采样算法(CARS)筛选敏感波段,然后分别以Ref、Ref-SNV和Ref-SNV+土壤协变量(SC)及数字高程模型(DEM)作为建模输入变量的策略Ⅰ、Ⅱ和Ⅲ,基于随机森林(RF)和轻梯度提升机(LightGBM)建立SMC和SOM估算模型,并对模型精度进行验证和对比.结果表明:经CARS筛选后,SMC和SOM敏感波段压缩至全波段的3.3％以下,有效优化波段选择,减少了冗余光谱信息.与LightGBM模型相比,RF模型在SMC和SOM估算中精度更高,输入变量策略Ⅲ优于Ⅱ和Ⅰ,辅助变量的引入有效提升了模型的估算能力.综合分析,基于策略Ⅲ-RF的SMC估算模型验证决定系数(Rp2)、均方根误差(RMSE)和相对分析误差(RPD)分别为0.63、3.16和2.01,基于策略Ⅲ-RF的SOM估算模型Rp2、RMSE和RPD分别为0.93、1.15和3.52,策略Ⅲ-RF模型是估算土壤水分和土壤有机质的有效方法.研究结论可为盐碱农田土壤水分和有机质含量快速估算提供新方法.

全球气候变化的背景下,干旱事件的发生频率、强度和持续时间不断增加,增加了森林生态系统面临的风险,探讨森林对干旱胁迫响应的规律与特征是生态学领域研究的热点.以干旱的定量表达为切入点,总结和归纳了评估森林对干旱响应的常见指标、评估方法和应用案例,特别是梳理了各种属性(如林龄、冠层高度等)的森林对干旱胁迫响应的差异性.基于当前研究进展和问题,提出在未来研究中,亟待发展多尺度综合解析各种属性森林对干旱胁迫响应差异的驱动机制研究;各种属性森林生态系统稳态转换临界点的探测;森林对干旱的响应规律在森林管理和模型优化的实践应用.

高寒湿地是青藏高原典型的湿地类型,具有重要的生物多样性维持和水源涵养作用,了解其景观格局变化及其影响因素对我国高寒湿地的保护与恢复具有重要意义.本研究基于GEE和Landsat卫星影像,采用随机森林分类方法提取了1987-2022年12期四川南莫且湿地国家级自然保护区沼泽湿地分布信息,分析了沼泽湿地景观格局时空变化及其影响因素.结果表明:(1)保护区沼泽湿地面积先减少再增加,整体减少了10.29％;(2)沼泽湿地与草甸的面积转换最剧烈,沼泽湿地累计向草甸转移4349.44 hm2;(3)沼泽湿地重心先向东北再向西南方向迁移,沼泽湿地分布范围整体向西南方向迁移;(4)沼泽湿地景观格局表现为破碎化程度先下降再升高,连通性先升高再下降,斑块形状趋于复杂,湿地景观趋向离散化发展;(5)生长季累积降水量、生长季均温是影响保护区沼泽湿地变化的主要影响因素.研究结果可为保护区高寒湿地的保护与恢复以及青藏高原高寒湿地生态安全建设提供科学依据.

近年来,由于林地开发和商品林建设等原因,我国亚热带地区大量天然林和次生林经皆伐改造为林分结构简单、树种单一的人工林.氮(N)素是维持森林植被生长和系统初级生产力的重要因子,土壤微生物驱动了森林土壤N转化的关键过程.然而,目前亚热带森林转换对土壤N转化微生物群落的影响仍不清晰.以湖南芦头森林生态系统国家定位观测研究站内典型次生林(CS)及由其转换而成的油茶(YC)、黄桃(HT)、杨梅(YM)和杉木(SM)四种人工林为研究对象,采用实时荧光定量PCR和高通量测序等方法,研究了各林分土壤性质、固N菌和氨氧化微生物功能基因丰度、群落特征及相互关系,旨在探讨亚热带森林转换后土壤N转化关键过程(固N和氨氧化作用)的功能微生物群落变化及驱动因素.结果表明:森林转换显著改变了土壤碳(C)、N含量,降低了土壤nifH基因丰度、固N菌和氨氧化细菌的群落α多样性,但提高了氨氧化微生物amoA基因丰度和氨氧化古菌的群落α多样性;并且,森林转换通过改变各功能微生物优势菌群(如变形菌、蓝细菌、泉古菌和奇古菌等)的相对丰度,显著影响了土壤固N菌和氨氧化微生物的群落组成;冗余分析和结构方程模型表明,土壤有机碳、全氮、铵态氮含量和pH是驱动土壤固N菌和氨氧化微生物群落变化的关键因素.森林转换后,合理的施肥方式有利于人工林土壤固N菌和氨氧化微生物的群落恢复.研究结果为转换后单一人工林土壤养分恢复、生产力的提高和可持续经营提供了科学依据.

受人类活动干扰的增加,亚热带森林频繁转换为次生林和人工林,可能显著影响土壤无脊椎动物群落结构及其生态功能,但当前的认识并不一致.因此,于2022年7月调查了亚热带天然常绿阔叶林转换为次生林、米槠人工林、杉木人工林后土壤无脊椎动物群落结构特征.共捕获土壤无脊椎动物659只,丰度为26540只/m2,隶属1门6纲13目59科,其中蚁科和球角?科为优势类群.森林转换改变了土壤无脊椎动物群落组成和多样性.天然林向米槠人工林和杉木人工林转换后,土壤无脊椎动物丰度和类群均明显降低,其中大型土壤无脊椎动物丰度的响应更为敏感,在2种林型中分别显著降低了 33.58％和36.53％.尽管林型转换对土壤无脊椎动物群落多样性指数无显著影响,但改变了土壤无脊椎动物群落组成,其中天然林与杉木人工林群落组成极不相似(J＜0.25),等节?科为杉木人工林优势类群,占比达到59.84％.冗余分析显示,土壤湿度、凋落物现存量和凋落物磷含量是影响土壤无脊椎动物群落的主要因子,对土壤无脊椎动物群落的解释率为69.30％.可见,林型转换可能通过改变土壤理化性质和凋落物质量,调控土壤无脊椎动物群落结构.

碳中和愿景下,量化森林碳汇有利于制定森林碳战略和碳交易机制,提升应对气候变化的抗御力,对守卫国家生态安全、实现碳中和目标和减缓全球变暖具有重要意义.本文基于国家森林清查数据,利用生物量转换因子连续函数法和碳税法,分析黑龙江省1999-2018年森林碳储量、碳汇量及其经济价值的变化趋势,并结合GM(1,1)模型对黑龙江省乔木林的碳储量进行预测,从而得到碳达峰目标年的碳汇量和碳汇经济价值的预估值.结果表明:黑龙江森林碳储量由1999-2003年6.96×1011 kg增至2014-2018年的9.14×1011 kg.其中乔木林碳储量占黑龙江省森林碳储量的99.51％～99.65％;1999-2018年黑龙江省乔木林的碳汇量整体呈上升趋势,由2004-2008年的1.68×1010 kg·a-1增至2014-2018年的1.76×1010 kg·a-1,碳汇经济价值受汇率的变化呈下降趋势,由2004-2008年的2.06×109元·a-1降至2014-2018年的1.66× 109元·a-1;在研究期内,各龄组中成熟林的平均碳汇量最大,阔叶混交林是森林碳汇的主要贡献者,占乔木林总碳汇量的93.93％,随植树造林力度的增强,人工林的碳汇量占总碳汇量的比重增大;预测到2030年黑龙江省乔木林碳汇量和碳汇经济价值分别为1.80×1010 kg·a-1和1.89×109元·a-1.

数字病理学(digital pathology,DP)是通过复杂的计算机技术将组织学切片转换为数字图像的过程,以便基于机器学习(machine learning,ML)技术对病理信息进行处理与解释[1].ML是人工智能(artificial intelligence,AI)的分支,其传统方法包括随机森林、逻辑回归、贝叶斯方法和C5决策树等,而现代深度学习算法包括卷积神经网络(convolutional neural network,CNN)、递归神经网络、长短时记忆网络和深度信念网络等.深度学习算法模拟人脑神经元,数千层的神经元构成神经网络,而每一层的神经元则会接收来自对应底层神经元的信息输入,随后使用监督、无监督或半监督学习来提取图像特征,加以整合,调整后传递给下一层神经元[2].

基于黄土高原中部地区降水梯度上(绥德 447mm,延安 531mm,宜君 603mm)的乔灌木年轮材料,通过树木年轮气候学方法分析了不同降水条件下,乔木刺槐(Robinia pseudoacacia)、山杏(Armeniaca sibirica),灌木酸枣(Ziziphus jujuba)、白刺花(Sophora davidii)径向生长的气候敏感性差异.结果表明:(1)绥德、宜君酸枣标准年表的相关统计参量明显偏低,个体生长一致性较差,年轮材料中包含的气候信息较少,这表明绥德和宜君地区的酸枣对本地气候条件已高度适应,径向生长受气候影响较小.(2)刺槐、山杏、酸枣、白刺花均在森林草原过渡带(延安)表现出较高的气候敏感性,气候要素对各物种径向生长的解释率在该地区最高.除绥德、宜君酸枣外,各样点的乔灌木气候——生长关系均存在"时滞效应".整体上研究区内酸枣气候敏感性最差.在绥德和宜君地区,灌木气候敏感性明显弱于乔木.(3)乡土物种山杏、酸枣、白刺花在三个采样点均对长期干旱胁迫不敏感,对当地环境具有较强的生态适应性.人工物种刺槐在延安地区,从上年生长季末至当年生长季结束持续对干旱胁迫响应敏感,而在绥德和宜君地区则对干旱胁迫不敏感.刺槐、山杏、白刺花在宜君地区与温度的响应特征整体上发生明显趋势转换,温度对刺槐、白刺花的负反馈减弱正反馈增强,而对山杏的正反馈减弱负反馈增强.

目的 探讨基于机器学习的MRI影像组学在预测两个以下前哨淋巴结(SLN)阳性乳腺癌非前哨淋巴结(NLSN)转移的应用价值.方法 回顾性分析2016年1月一2022年12月间在温州医科大学附属第五医院经术后病理证实的乳腺癌患者408例,均经前哨淋巴结活检证实有两个以下SLN阳性.采用Radcloud平台提取动态增强MRI(DCE-MRI)图像肿瘤内部的影像组学特征,并通过降维获得最优特征.随后,建立6种机器学习分类器包括K近邻(KNN)、支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)、线性判别分析(LDA)和极端梯度提升(XGBoost).选择验证集中曲线下面积(AUC)最高的作为最佳影像组学模型,并将其结果转换输出为影像组学评分(Rad-score).将P＜0.05的临床病理特征纳入到多因素Logistic回归分析中,以筛选影响NSLN转移的独立危险因素,并建立临床模型.进一步建立基于Rad-score和临床危险因素的联合模型,并绘制列线图.采用AUC、校准曲线和决策曲线分析(DCA)评价模型的预测性能.结果 通过降维得到14个与NSLN转移显著相关的影像组学特征.在验证集中,利用XGBoost分类器构建的模型效能最低(AUC:0.650),RF分类器构建的模型效能最高(AUC:0.807).肿瘤最大径[比值比(OR)=2.640,P＜0.001]、淋巴血管侵犯(LVI)(OR=2.970,P＜0.001)和SLN比值(OR=4.707,P＜0.001)是预测乳腺癌NSLN转移的独立危险因素.进一步结合基于RF输出的Rad-score建立的列线图模型具有最佳预测性能,在训练集和验证集中的AUC分别为0.876、0.853,校准曲线显示与实际结果具有较好的一致性,DCA结果显示模型具有较高的临床应用价值.结论 基于机器学习的DCE-MRI影像组学在预测两个以下SLN阳性乳腺癌NSLN转移中具有较高的应用价值.