欧美性一区二区三区五区,九九在线精品视频播放

　　利用古植物重建古氣候已有很久的歷史。目前，國(guó)際上通過(guò)植物材料定量研究古氣候的常用的方法可以分為兩類，即：利用植物分類和植物形態(tài)的方法。其中，氣候與葉片多變量分析程序（Climate Leaf Analysis Multivariate Program，CLAMP）是通過(guò)植物葉片形態(tài)重建古氣候的常用模型之一。該模型利用排序變量的方法來(lái)減少參數(shù)，并建立多個(gè)變量的二次函數(shù)來(lái)重建氣候因子。但是由于環(huán)境變量和植物形態(tài)之間的關(guān)系的復(fù)雜性，很可能是非線性的關(guān)系，如果對(duì)全球不同區(qū)域的氣候—葉相進(jìn)行分析，利用常規(guī)的線性數(shù)學(xué)模型預(yù)測(cè)氣候參數(shù)的誤差會(huì)比較大。

　　版納植物園熱帶森林生態(tài)學(xué)重點(diǎn)實(shí)驗(yàn)室古生態(tài)研究組與英國(guó)開(kāi)放大學(xué)等單位合作，基于廣義回歸神經(jīng)網(wǎng)絡(luò)模型（General Regression Neural Network , GRNN）提出一個(gè)新的非線性的數(shù)學(xué)模型（Climate Leaf Analysis with Neural Networks，CLANN），并利用CLANN對(duì)兩個(gè)數(shù)據(jù)庫(kù)進(jìn)行了分析研究：CLAMP 全球氣候-葉相數(shù)據(jù)庫(kù)和數(shù)字葉相分析（Digital Leaf Physiognomy, DLP）數(shù)據(jù)庫(kù)。利用新的數(shù)學(xué)方法預(yù)測(cè)的決定系數(shù)（R²）更高，標(biāo)準(zhǔn)差（the standard deviation，SD）更小。對(duì)于所有的氣候因子，無(wú)論去掉單獨(dú)去掉哪一類葉相特征與通過(guò)全部的葉相特征模擬的決定系數(shù)（R²）比較，變化都不明顯。同時(shí)，無(wú)論單獨(dú)挑選哪一類葉相特征，也可以獲得相對(duì)可靠的氣候參數(shù)。結(jié)果表明：新的數(shù)學(xué)方法顯著提高了利用葉相數(shù)據(jù)預(yù)測(cè)氣候模型的精確性，另外該方法也是可重復(fù)的，同時(shí)也是穩(wěn)健的。通過(guò)分析新方法對(duì)北美82個(gè)化石數(shù)據(jù)的預(yù)測(cè)，結(jié)果表明：CLANN對(duì)化石點(diǎn)的預(yù)測(cè)值與CLAMP是有明顯的區(qū)別，尤其是在水分相關(guān)的氣候因子上，CLANN預(yù)測(cè)的氣候范圍值較大。

　　該研究是數(shù)學(xué)模型在古生物、古氣候研究領(lǐng)域的一個(gè)重要的創(chuàng)新，該數(shù)學(xué)模型還可以推廣應(yīng)用到古氣候、古環(huán)境重建的其他研究領(lǐng)域。相關(guān)成果以Artificial neural networks reveal a high-resolution climatic signal in leaf physiognomy為題在古生態(tài)學(xué)雜志 Palaeogeography, Palaeoclimatology, Palaeoecology在線發(fā)表。該研究得到了國(guó)家973項(xiàng)目（2012CB821901），國(guó)家自然科學(xué)基金（41372035）支持。