摘要：在青藏高原高寒草甸的两个海拔梯度(3200 m和4000 m)上开展实验,研究增温和优势植物物种去除对净生态系统CO_2交换量(NEE)、生态系统呼吸(ER)和生态系统总初级生产力(GEP)的影响。结果表明:在2017年生长季,两个海拔的GEP均高于ER,表明这两个生态系统在生长季均表现为碳汇。低海拔(3200 m)的增温对生态系统C通量没有显著的作用,原因可能是增温引起的水分限制。在较湿润的高海拔(4000 m)地区,增温显著提高了生态系统C通量,平均而言,增温引起的GEP增加量(2.30 mg CO_2/(m^2·s))高于ER (0.62mg CO2/(m^2·s)),导致NEE增加。两个海拔优势植物物种的去除对生态系统C通量均没有显著的作用,原因可能是剩余物种的补偿作用,因为去除处理对两个海拔的地上生物量(AGB)和地下生物量(BGB)的影响都不显著。增温和优势物种去除对两个海拔生态系统C通量没有显著的交互作用。研究结果揭示土壤湿度在调节高寒草甸生态系统C通量对气候变暖响应方面的重要性,单一优势植物物种的去除可能不会对物种丰富的生态系统C通量产生较大的影响。

摘要：本研究以深圳市作为典型城市化地区代表,以直链烷基苯(LABs)作为环境分子标志物,在分析土壤LABs空间分布特征基础上,通过土壤LABs污染水平与城市化过程指标的相关分析,对直链烷基苯指示城市化过程可能性开展初步研究.结果表明,城市化过程中人口规模、用水状况、城市建设、收入与消费及产业结构这5个方面的因素与土壤中LABs污染水平均有相关性,表明环境LABs水平与城市化过程相关,可以作为环境分子标志物用于指示城市化过程.

摘要：选择我国北方温带草原中的草甸草原、典型草原、荒漠草原3种类型共13个样点进行调查,对土壤微生物磷脂脂肪酸(phospholipid fatty acids,PLFAs)进行测定。对土壤微生物群落进行无量度多维标定排序(nonmetric multidimensional scaling,NMDS),排序后的样点空间异质性显示3种草原类型微生物群落结构差异明显。结合10种环境因素,对土壤微生物群落组成进行冗余分析,解释率达到79.87%。研究结果表明:土壤含水量、土壤总碳和土壤总氮影响草甸草原土壤微生物群落组成;典型草原土壤微生物群落组成主要受到土壤轻组碳和土壤轻组氮的调节;影响荒漠草原土壤微生物群落组成的因素为年均温和土壤p H值。

摘要：在河北塞罕坝樟子松林,设置对照样方、低氮(20 kg N/(hm^2·a))、中氮(50 kg N/(hm^2·a))和高氮(100kg N/(hm^2·a))添加4种处理,分0~10,10~20和20~30 cm共3个土层,系统地研究细根生产、周转、碳归还以及细根生产力(NPPfr)占生态系统净初级生产力(NPP)的比例对不同程度氮可获得性的响应,结论如下:1)细根生产力在低氮下增大,高氮下降低;细根生产力占NPP的比例则相反,在低氮下降低,中氮下升高;2)随氮浓度增大,细根生物量逐渐降低,细根周转率增大,细根碳归还先升(低、中氮)后降(高氮);3)施氮对细根生产力的影响随土壤深度的加深无显著变化,施氮对细根周转率的影响在不同深度间则差异显著;4)结构方程模型表明,氮添加通过对土壤碳氮含量、p H的影响而改变细根生产力,通过对细根碳氮含量的影响改变细根周转率。

摘要：基于中国鸟类分布数据和增强型植被指数(EVI)、海拔、气温、降水等环境和地理因子数据,探讨中国鸟类及其主要类群的物种丰富度的地理格局及可能的影响因素。结果显示,中国鸟类物种丰富度存在着一定的随纬度增高物种丰富度降低的趋势,物种丰富度高值地区包括大兴安岭、小兴安岭、长江下游、武夷山、西双版纳、天山西部、喜马拉雅山东南麓至横断山脉等若干地区,而在青藏高原大部、长江以南部分地区等出现低值,但线性回归显示,纬度梯度不明显。相关性分析结果显示,与物种丰富度的Spearman相关性系数较高的环境因子有EVI、年均温、年平均降水等多种,说明环境因子对物种丰富度的地理格局存在复杂的共同作用机制。因子分析结果显示,这些环境因子可以分为能量、海拔变幅、气温稳定性、距最近大型水体的距离等4种主要因子。

摘要：利用GC-MS方法分析了卤代多环芳烃(halogenated polycyclic aromatic hydrocarbons,HPAHs)在深圳茅洲河流域表层沉积物中的含量水平以及空间分布特征.所关注的3种氯代多环芳烃(chlorinated polycyclic aromatic hydrocarbons,ClPAHs)和6种溴代多环芳烃(brominated polycyclic aromatic hydrocarbons,BrPAHs)的含量范围分别是3.00～301 ng.g-1和7.52～285ng.g-1.表层沉积物中HPAHs的主要污染来源包括垃圾焚烧、化石燃料的燃烧、汽车尾气以及农作物秸秆焚烧,它们所占的比例分别是40%、20.5%、11.9%和11.7%.此外,表层沉积物中ClPAHs和BrPAHs的毒性当量(toxic equivalency quotients,TEQs)范围分别是7.95～38.1 pg.g-1和38.1～105 pg.g-1.研究发现,HPAHs的含量与采样点周边土地利用类型有关.随着工业用地密度的增大,表层沉积物中HPAHs的含量呈现出一个先增后减的趋势;而表层沉积物中HPAHs的含量与农业用地密度呈反比关系.

摘要：以深圳为研究区域，选择土壤为研究对象，以多环芳烃（polycyclicaromatichydrocarbons，PAHs）为目标物，采集表层土壤样品188个，调查样品中PAHs的赋存状态，以此为基础，分析土壤PAHs污染水平与城市化进程的关系，并初步评估深圳土壤中PAHs的生态风险．结果表明，表层土壤中的28种PAHs（∑28-PAHs）、16种美国环保署优控PAHs（∑16-PAHs）和7种致癌PAHs（∑-7CarPAHs）的含量范围分别为5～7939ng·g-1、2—6745ng·g-1和未检出～3786ng·g-1．8种土地利用类型中∑-16PAHs平均含量由高到低依次为：交通用地、商业用地、工业用地、农业用地、居住用地、城市绿地、果园和林地．来源分析表明，化石燃料的燃烧是建设用地和非建设用地样品∑16-PAHs的主要来源，贡献率分别为75．1％和68．2％．研究还发现高分子量PAHs浓度和城市化水平呈显著正相关关系，深圳市土壤中PAHs生态风险总体处于较低水平．

摘要：以内蒙古和青藏高原的6种主要草地类型为研究对象,分析了不同类型草地表层土壤硫(S)的分布特征及其与环境因子的关系。结果表明:1)青藏高原草原表层土壤(0—10 cm)的全硫含量(430.8 mg/kg)显著高于内蒙古草原(181.4 mg/kg;P<0.01)。土壤硫素一般以有机硫的形式存在,具有植物有效性的土壤无机硫所占比例较少,内蒙古土壤这一比例为14.7%,青藏高原为24.5%。2)土壤硫的含量与土壤C、N的分布格局关系紧密,呈显著正相关关系;与土壤p H呈负相关关系。内蒙古与青藏高原研究区土壤的C/S和N/S值较低,这表明硫可能成为对草原生产力起限制性作用的营养元素。3)内蒙古草原表层土壤全硫、水溶性硫、吸附性硫均与年均温呈显著负相关(P<0.05);土壤硫与年均降水呈显著正相关关系(P<0.05)。青藏高原草地土壤硫中,除水溶性硫与年均降水呈显著正相关关系外,其余土壤硫含量均未与气候因子呈现显著相关关系。

摘要：利用GC-MS方法分析了卤代多环芳烃在深圳市大气颗粒物(PM10和PM2.5)中的含量水平.所关注的9种卤代多环芳烃在PM10和PM2.5中的含量范围分别是118~1 476 pg·m-3和89~407 pg·m-3.在PM10和PM2.5样品中,9-Br Ant的含量水平最高,其次是7-Br Ba A和9,10-Br2Ant.深圳市大气PM10和PM2.5中卤代多环芳烃总含量水平表现出冬季>秋季>春季>夏季的季节变化规律,但是各卤代多环芳烃单体含量水平的季节变化特征不同.温度、降水量和相对湿度等气象条件可能是影响大气PM10和PM2.5中卤代多环芳烃含量水平季节变化特征的重要因素.此外,PM10和PM2.5中卤代多环芳烃的含量水平与母体多环芳烃之间存在显著的相关关系.最后,本研究估算了卤代多环芳烃的毒性当量,大气PM10和PM2.5中卤代多环芳烃的毒性当量变化范围分别是17.6~86.2 pg·m-3和14.6~70.4 pg·m-3.其中,7-Br Ba A对卤代多环芳烃总毒性当量的贡献最大.结果表明深圳市大气PM10和PM2.5中卤代多环芳烃的总毒性当量低于母体多环芳烃.

摘要：微波遥感土壤湿度产品是目前在大尺度水资源或气候变化研究中比较常用的地表土壤湿度数据,但其空间分辨率一般都较粗,不能满足区域或流域尺度相关研究要求.因而,在这些尺度的相关研究中需要对土壤湿度产品进行空间降尺度.UCLA法是一种土壤湿度降尺度方法,该方法使用地表温度和植被指数特征空间指数(Ts/VI指数)作为降尺度因子.本文以AMSR-E土壤湿度产品作为土壤湿度粗分辨率数据,使用MODIS地表温度产品(MYD11A1)和植被指数产品(MYD13A2)计算3种指数——土壤湿度指数(SW)、温度植被干旱指数(TVDI)和条件温度植被指数(VTCI),对比了3种Ts/VI指数分别作为UCLA法降尺度因子的效果.这3种指数均能得出合理的降尺度结果,但使用TVDI和VTCI的降尺度结果稍优于SW,说明TVDI和VTCI更适合作为UCLA法的降尺度因子.最后讨论了UCLA法的误差来源,如粗分辨率土壤湿度产品的测量误差、降尺度因子的计算误差以及UCLA法自身的误差,并对未来的研究做出展望.