摘要：为明确不同播种方式草本植物的土壤团聚体特征与根系固土力之间的关系,对素土、单播紫花苜蓿、单播非洲狗尾草和混播紫花苜蓿+非洲狗尾草4个处理进行无侧限抗压强度试验,采用干筛法和湿筛法测定土壤团聚体组成并对团聚体特征进行了定量分析。结果表明:(1)种植草本植物有利于小团聚体向大团聚体转化,混播优于单播。(2)种草处理的机械稳定性和水稳定性大团聚体含量R_(0.25)极显著大于素土,分形维数D_(d)正好相反(p<0.01),种植草本植物能够提高土体的大团聚体含量,降低土壤的分形维数,混播优于单播。(3)4个处理的平均重量直径MWD、几何平均直径GMD、大团聚体含量R_(0.25)与黏聚力呈正相关性,分形维数D_(d)呈负相关性;不同播种方式的分形维数D_(d)与黏聚力的相关性最好,其次是R_(0.25)。混播的机械稳定性和水稳定性团聚体分形维数D_(d)均呈极显著性相关(p<0.01),混播改变了土壤的团粒结构,分形维数对于土体黏聚力的贡献最大。种植草本植物能提高土壤大团聚体含量,降低土壤分形维数,对根系的固土能力起到促进作用,且混播优于单播。

摘要：通过精心设计神经网络结构来学习无穷维函数空间之间的映射,算子学习方法——神经算子,相较于传统方法在求解偏微分方程等复杂问题上展现出极高的效率.为此,本文结合函数值再生核希尔伯特空间,提出一种新型的神经算子——再生核神经算子(RKNO).受到最近优秀的算子学习方法——深度算子网络(DeepONet)的启发,RKNO通过推广希尔伯特-施密特积分算子和表示定理而实现.在Advection,KdV,Burgers和Poisson方程上的数值实验表明,与DeepONet和其他模型相比,RKNO具有更易于表达和高效的结构.此外,RKNO还显示出与离散化无关的性质,可以在低分辨率数据训练后,找到高分辨率输入后的解.