分布因子范文（精选7篇）
分布因子 第1篇
1 北美冷杉天然分布
1.1 天然分布区
北美冷杉分布在北纬3 9 ° ~ 5 1 ° 和西经114°~125°。在西太平洋海岸地区主要生长在不列颠哥仑比亚省温哥华岛、华盛顿州、俄勒冈州盆地、加利福尼亚州西北部。内陆分布从库特奈湖泊南部到不列颠哥仑比亚省南部, 直到美国华盛顿州的东部, 在爱达荷州北部、蒙大拿州西部和俄勒冈州东北部也有分布。
1.2 气侯
在北美冷杉的天然分布区温哥华岛和华盛顿西部地区, 年降水量510~2 540 mm, 在俄勒冈州为360~990m m ;在爱达荷州北部, 年降水量5 1 0 ~ 1 2 7 0 m m 。大部分降水集中在冬季, 生长季的降水占年降水量的15%~25%。在温哥华岛, 年降水量680~2 820 mm, 年平均气温6~10 ℃, 生长季节平均气温14~19℃, 无霜期60~250 d, 爱达荷州北部生长期100~140 d, 华盛顿州西部的奥林匹亚半岛生长期约185 d, 加利福尼亚州北部约250 d。
1.3 土壤和地形
北美冷杉可以在砂岩、熔岩、花岗岩和片麻岩等母质形成的土壤上生长。太平洋海岸领域和俄勒冈州溪谷的冲积土生长着大量的北美冷杉, 在内陆地区, 在俄勒冈州中东部及山脊薄层的裸土上也能生长, 但是在谷地的矿质土壤上生长良好。北美冷杉在加拿大温哥华岛和不列颠哥仑比亚省海拔低于305 m地区, 及不列颠哥仑比亚省南部潮湿的山谷都有分布。北美冷杉是美国华盛顿州、俄勒冈州主要的低地树种, 在华盛顿州西部生长在山谷和河岸, 这些地区通常海拔180~305 m, 当海拔超过460 m, 北美冷杉被太平洋银杉所取代。北美冷杉在俄勒冈州西部分布区海拔约915 m, 爱达荷州中部分布区海拔1220~1675 m。
2 伴生植被
北美冷杉在蒙大拿州、爱达荷州和俄勒冈州的一些生境是顶级树种, 北美冷杉有纯林存在, 但是混交林更为普遍。北美冷杉伴生的乔木树种包括:西方白松 (Pinusmonticola) 、西部落叶松 (Larixoccidentalis) 、花旗松 ( P s e u d o t s u g a m e n z i e s i i ) 、 加州铁杉 (Tsugaheterophylla) 、小干松 (Pinuscontorta) 、西黄松 (Pinus ponderosa) 、恩氏云杉 (Piceaengelmannii) 、落矶山冷杉 ( A b i e s l a s i o c a r p a ) 北美翠柏 (Libocedrusdecurrens) 、糖松 (Pinuslambertiana) 、白栎 (Quercusgarryana) 、太平洋银杉 (Abiesamabilis) 、美洲花柏 (Chamaecyparislawsoniana) 。伴生的灌木树种包括:红醋栗 (Ribeslacustre) 、桤叶唐棣 (Amelanchieralnifolia) 、光槭 (Acer glabrum) 、毛核木 (Symphoricarposalbus) 、蔷薇 (Rosa gymnocarpa) 、香莓 (Rubusparvifl orus) 。同北美冷杉相伴生的的草本植物包括:白紫 (trillium ovatum) 、细辛 (Asarumcaudatum) 、紫罗兰 (Viola spp) 、唐松草 (Thalictrumoccidentale) 等。
3 生长和繁育
3.1 开花与结实
北美冷杉雌雄花簇生在枝条上, 雌花球形或圆柱形, 分布在树冠的顶部。在沿海地区花期3月末-5月中旬, 内陆的高海拔地区花期6月初。大多数球果淡黄绿色, 极少数微绿紫色, 球果8月-9月成熟, 球果成熟后约1个月, 种子散落。极端的霜冻能抑制球果和种子的正常发育, 一些害虫以北美冷杉的蓓蕾, 小球果和种子为食, 严重时, 减少种子25%的产量。在8 a的观测中, 北美冷杉只在两个年份收获了中等产量的种子, 而西方白松在2个年份收获了大量种子, 在3个年份收获了中等产量的种子。在内陆地区, 北美冷杉结实大年每株树木球果数量超过40个, 中等年份21~40个[3]。种子成熟后由风和啮齿类动物传播。大多数种子在早秋散落, 9月落下5%, 10月末落下80%。种子由风最远传播到离母树120 m处, 一般传播45~60 m。
3.2 幼苗发育
北美冷杉种子落到在地面后翌春发芽。在天然林分中, 萌芽率一般低于50%, 主要是由于胚休眠、遭受虫害和成熟的种子易腐败等原因。北美冷杉种子在温度1~5 ℃处层积14~42 d, 能够促进种子萌发。北美冷杉种子在4月下旬-5月上旬开始萌发, 在矿质土壤上萌发最好, 但在下层落叶层和其他地表都能萌发。在第1个生长季节, 北美冷杉幼苗死亡率达到30%, 第2年之后死亡率迅速下降, 三年生时苗木发育较好, 第1年死亡率高主要由于生物因子, 特别是真菌危害造成的。北美冷杉对于热伤害的抗性较强, 类似于西部白松和花旗松, 比西部落叶松、加州铁杉和西部铅笔柏抗性强[4]。北美冷杉幼苗在开阔地带具有一定的抗旱性, 因为其较深的根系能够使其免受表层干土的危害。上层林木中等遮阴, 有利于北美冷杉的成活和生长, 在全光照下, 北美冷杉生长迅速, 树龄20~30 a时, 达到最快的生长速度。
3.3 生长和产量
北美冷杉的寿命一般250 a, 偶尔有达到三百年生的树木。在美国华盛顿州盆地最适的生境, 成熟的冷杉树高一般13~61 m, 胸径51~102 cm, 偶尔有树木能达到76m高, 胸径达到152 cm, 北美冷杉在加利福尼亚州森林中, 树高和胸径类似花旗松。在爱达荷州北部, 北美冷杉一般树高35~46 m, 胸径64~102 cm。在俄勒冈州东部, 一般树高30~40 m, 胸径51~91 cm, 在内陆的山脊, 树高一般15~21 m, 胸径30~36 cm。北美冷杉早期高生长速度几乎同太平洋海岸的花旗松和爱达荷州的西方白松相同, 在温哥华岛和美国华盛顿州西部, 每年高生长能达到79~89 cm, 一般树木50年生时树高能达到43 m[5]。在爱达荷州最适应的生境, 胸径能达到30~36cm。在干燥的生境, 只有主根能达到地下水层时, 树木的高生长才能迅速开始。在树龄30 a时, 每年高生长一般能达到51~89 cm, 北美冷杉通常生长速度比耐阴的加州铁杉和西部红杉快的多。应用混交林的数据估计北美冷杉生长量, 北美冷杉同伴生树种相比具有生长优势, 俄勒冈州和美国华盛顿州, 林龄超过100 a的北美冷杉林分蓄积为476~1 330 m3/hm2, 在爱达荷州北部, 北美冷杉西部白松混交林, 林分蓄积470~1 078 m3/hm2, 年平均生长量8~13 m3/hm2, 在英国的肥沃土壤, 树龄40 a时, 平均年生长量达到了18~20 m3/hm2。
4 危害因子
当树木生长发育时, 几种因子影响林分的成熟和产量。北美冷杉被归类为耐火性中等的树种, 耐火性比树皮较厚的西部落叶松、西黄松和花旗松差, 但是比落矶山冷杉、加州铁杉和恩氏云杉强, 耐火性也受立地的影响, 在湿润河流谷地, 北美冷杉对于地表火特别敏感, 但是在干燥的山腰, 耐火性强得多。冬季针叶耐寒性较强, 针叶可以忍耐-55 ℃的低温, 秋季温度的急剧下降能够伤害针叶, 但是很少能够造成致命的伤害。在经营北美冷杉时, 心腐病是需要考虑的一个重要问题, 印第安红齿菌是林分中最具破坏力的真菌, 在俄勒冈州有些林分损失了14%立木蓄积, 真菌能够伤害较低树冠的枝条, 即使小枝条愈合了, 侵染也会处于休眠状态, 数年之后, 如果出现机械损伤, 侵染就会重新被激活。心腐病与作业的疤痕、冻裂和枝条折断和其他机械性损伤密切相关。许多害虫能够危害北美冷杉, 云杉卷蛾和舞毒蛾能够造成北美云杉落叶和顶梢死亡, 甚至植株死亡, 冷杉小蠹和冷杉棘胫小蠹是北美冷杉主要的皮部害虫。
5 遗传改良
当前认为, 北美冷杉存在一种海岸绿色型和一种灰色内陆型, 根据生理学和生态学差异, 鉴定了五种生态型。在欧洲开展的种源试验表明, 较低海拔种源在欧洲表现良好。当前的遗传变异大部分是从林分中获得的, 可以通过选择个体获得更高的遗传增益。北美冷杉可以同白冷杉和欧洲和亚洲冷杉属树种杂交, 在爱达荷州北部的已经发现了北美冷杉和落矶山冷杉的天然杂交种。
参考文献
[1]常祥祯.峨眉冷杉和几种美国冷杉杂交试验及杂种检验[D].北京:北京林业大学, 2004:13-14.
[2]张华丽.六种冷杉补光育苗技术研究[D]..北京:北京林业大学, 2005:8-14
[3]John N.Sexual Reproduction in Grand Fir[J].Canadian Journal of Botany, 1982 (11) :2197-2214.
[4]Adam Dolnicki.Dynamics of Frost Resistance in Various Provenances of Abies Grandis Lindl[J].Acta Societatis Botanicorum Poloniae, 2012 (67) :51-58.
分布因子 第2篇
关键词：芦潮港；洋山港；外高桥港；细菌丰度；真菌丰度；放线菌丰度；相关性分析
中图分类号： Q917.1文献标志码： A文章编号：1002-1302（2014）01-0286-06
收稿日期：2013-04-25
基金项目：上海市科学技术委员会社会发展基金（编号：09DZ120010C）。
作者简介：李鲜鲜（1989—），女，河南安阳人，硕士研究生，研究方向为大型海藻对富营养化水体的修复。E-mail：xianxianli333@163.com。
通信作者：何文辉，副教授，硕士生导师，主要从事水体的生态修复研究。E-mail：whhe@shou.edu.cn。随着人口和经济的快速增长，人类活动的加强改变了近海岸生态环境的结构和功能，大量的工业废水和生活污水流入海流，包括海水养殖带来的污染，使得近海岸水域中营养盐量急剧升高，部分海域频频发生赤潮等生态危害，严重破坏了海洋的生态平衡，威胁人类身体健康。近年来，我国研究者对近海岸海域生态环境的研究相当广泛[1-4]。张培玉以渤海湾近海岸海域和潮间带为研究区域，对海域底栖动物生态学与环境质量作了评价研究[5]；朱广超以连云港近岸海洋沉积物为研究对象，研究了不同采样点的污染物类型和污染程度，并对不同污染毒的沉积物进行微生物群落结构与功能的研究[6]。海洋浮游细菌的生物量、生产力及其生长、分布的环境调控因子是海洋生物学关注的焦点，从海洋微生物中可以分离得到大量具有抗菌活性的药用化合物[7]，且微生物学参数的变化能够早期感应和预报海洋污染情况，是海洋污染检测的最好选择对象[8]，因此有必要对海洋微生物资源展开大量的研究工作。本试验对上海近海岸海域不同港口的海洋微生物數量和生态分布进行了研究，并分析了它们与环境因子的相关度，以期为近海海域生态结构、环境保护、水产养殖等提供理论依据。
1材料与方法
1.1样品采集
样品采自春（2012年4—5月）、夏（2012年7—8月）、秋（2012年10—11月）、冬（2012年12月至2013年1月）4个季节，采样站位如图1所示。水样采集使用有机玻璃采水器。水样采自5 m深的海水。
1.2水样微生物计数
每个采样点取50 mL水样（微生物计数用水样）置于预先灭菌的采样瓶中，取500 mL水样（测量环境参数用水样）置于预先用硫酸洗过的采样瓶中。
1.2.1平板计数法适用于水深小于200 m海区的微生物活菌数计数。按10 ml/L的量加灭菌的Tween 80工作溶液。
（1）稀释。用高压灭菌海水制成梯度稀释液（10-1、10-2、…、10-6）。（2）接种。根据不同计数对象，取适当稀释梯度（10-3、10-4）样品0.1 mL（以平板上出现30～300个菌落为宜），接种于相应的平板培养基上，并涂布均匀，每个稀释度重复3个平板。（3）培养。将平板倒置于接近现场温度的恒温箱，培养4～15 d。（4）计数。在放大镜下，按菌落形态，分别计算各种培养基中四大菌类的菌落数（必要时，用显微镜观察确证）。（5）计算样品含菌数。
N=Na×D1（1-0.01）×V
式中：N为样品含菌落数，单位为CFU/L；Na为3个平板平均菌落数，单位为CFU；D为样品稀释倍数；V为接种量，单位为L。
1.2.2培养计数用的培养基细菌培养基：自制2216 E培养基；放线菌培养基：高氏1号合成培养基；真菌培养基：自制PDA庆大霉素培养基。
1.2.3人工海水人工海水成分[9]为22.0 g NaCl、9.7 g MgCl2·6H2O、3.7 g Na2SO4（无水）、1.0 g CaCl2（无水）、0.65 g KCl、0.20 g NaHCO3、0.230 g H3BO3。
制备方法：将各成分溶解，用蒸馏水定容至1 000 mL，海水的盐度基本为3.3%。
1.3环境参数测定
温度、盐度、溶解氧数据采用JPBJ-608便携式溶氧测定仪测定。营养盐、pH值、硬度、总氮、总磷等水化学参数根据GB/T 12763.2—2007《海洋调查规范》进行分析。
2结果与分析
2.1上海近海岸海域的基本环境特征
2.1.1水文特征
2.1.1.1表层水温的季节变化和分布特征本研究三大港口近海岸表层水域温度呈现明显的季节变化，夏季的表层水温最高，其次是秋季，再次是春季，冬季水温最低（图2-A）。
芦潮港和洋山港各个季节的平均水温相差不大，春季平均表层水温变化范围为11～14 ℃，夏季变化范围为23～26 ℃，秋季变化范围为18～22℃，冬季变化范围为为4～
8 ℃。外高桥港是长江入海口与东海的交汇处，与芦潮港和洋山港表层水温有明显差异，春季平均表层水温为20.3 ℃，夏季为31.8 ℃，秋季为23.4 ℃，冬季为15.3 ℃，明显高于另外两大港口（表1）。表1芦潮港、洋山港、外高桥港的水文特征、化学特征变化
港口1季节1温度
2.1.1.2盐度的季节变化和分布特征本研究港口水域冬季和春季的表层盐度较高，夏季和秋季的较低（图2-B）。外高桥港作为长江入海口和东海的交汇处，盐度明显低于另外两大港口。芦潮港海拔4.56 m，洋山港海拔4.15 m，相对于芦潮港，洋山港在近海岸属于比较深的海港区，其平均盐度要高于芦潮港。
nlc202309041914
2.1.1.3溶解氧浓度的季节变化和分布特征本研究海域溶解氧浓度具有明显的季节变化，三大港口表层的溶解氧浓度变化趋势一致，均为冬季﹥春季﹥秋季﹥夏季，其中夏季溶解氧浓度有明显的下降趋势（图2-C）。芦潮港春、夏、秋、冬四季平均溶解氧浓度分别为8.14、5.98、6.35、9.00 mg/L，洋山港四季平均溶解氧浓度分别为12.73、10.47、11.24、13.40 mg/L，外高桥港四季平均溶解氧浓度分别为5.73、3.98、4.86、6.15 mg/L（表1）。洋山港的溶解氧浓度明显高于芦潮港；外高桥港的溶解氧浓度明显低于洋山港和芦潮港，可能与其河口水流量大有关。
2.1.1.4pH值的季节变化本研究海域的酸碱度也存在明显的季节变化，夏季pH值明显最高（图2-D）。外高桥港的表层水体pH值变化较大，变化范围在7.69～8.67（表1），未受污染的海水pH值在8.0～8.3，考察外高桥港周边环境，分析可能有大量工业废水进入该海域。
2.1.2化学特征
2.1.2.1总氮含量的季节变化和分布特征表层水体总氮量的季节变化一致，均为夏季最高，春季其次，冬季再次，秋季最低（表1），高值区出现在外高桥港（图3-A），即为长江口岸交汇处。芦潮港和洋山港的总氮含量相差不大，前者要高于后者。
2.1.2.2亞硝酸盐含量的季节变化和分布特征亚硝酸盐量作为水质测定的其中一个重要指标，决定着水体中生物的生长和健康状况。本研究三大港口亚硝酸盐含量的季节变化呈现相同的趋势：冬季>春季>秋季>夏季，外高桥港的亚硝酸盐含量明显高于另外2个港口（图3-B）。
2.1.2.3总磷含量的季节变化和分布特征本研究表层水体总磷含量季节变化一致，冬季最高，秋季其次，夏季再次，春季最低（表1）。外高桥港总体要比芦潮港和洋山港高（图3-C）。总磷含量季节变化总体范围较小，芦潮港在3218～4.331 μmol/L，洋山港在2.001～3.264 μmol/L，外高桥港8.005～10.917 μmol/L。
2.1.2.4总有机碳含量的季节变化和分布特征洋山港表层水体的总有机碳含量明显高于另外2个港口，3个港口总有机碳含量的季节变化也呈现一致的趋势：秋季>夏季>冬季>春季（图2-D）。
2.2水体微生物数量的分布
2.2.1细菌的季节变化和水平分布上海近海岸三大港口表层水体细菌丰度的季节变化特征均为夏季>春季>秋季>冬季（表2），春季和秋季的细菌平均丰度接近，分别为 11.5×108～19.5×108、9×108～18×108 CFU/L，冬季表层水体的细菌丰度明显降低，仅为其他季节的1/4～1/3。三大港口表层水体细菌含量在整个微生物群体中的比例并没有随季节的变化发生改变，芦潮港表层水体细菌所占比例为79%～84%（图4），洋山港表层水体细菌所占比例为75%～84%（图5），外高桥港水体细菌所占比例为87%～90%（图6）。细菌为三大港口表层水体中重要的微生物群落。
2.2.2放线菌的季节变化和水平分布三大港口表层水体放线菌丰度的季节变化特征均为夏季>秋季>春季>冬季（表2），春季和秋季的放线菌平均丰度接近，分别为6×107～7×107、6×107～7.5×107 CFU/L，冬季表层水体的放线菌丰度明显降低，仅为其他季节的1/3～1/2。表层水体放线菌含量在整个微生物群体中的比例并没有随季节的变化发生改变，芦潮港表层水体放线菌所占比例为5%～6%（图4），洋山港表层水体放线菌所占比例为4%～7%（图5），外高桥港表层水体放线菌所占比例为3%～4%（图6）。放线菌为三大港口表层水体中所占比例最小的微生物群落。
2.2.3真菌的季节变化和水平分布三大港口表层水体真菌丰度的季节变化特征均为夏季>春季>秋季>冬季（表2），春季和秋季的真菌平均丰度接近，分别为10.5×107～17.5×107、14×107～16.5×107 CFU/L， 冬季表层水体的真
菌丰度明显降低，约为其他季节的1/2。表层水体真菌含量在整个微生物群体中的比例并没有随季节的变化发生改变，芦潮港表层水体真菌所占比例为10%～16%（图4），洋山港表层水体真菌所占比例为10%～19%（图5）， 外高桥港表层水体真菌所占范围为7%～9%（图6）。真菌是三大港口表层水体中处于中间地位的微生物群落。
3讨论
3.1上海近海岸水域微生物的时空变化以及与其他海洋环境的比较
海岸带是我国经济最为发达的地区，自20世纪80年代以来，我国学者在东海、渤海等主要临海岸线开展了大量的研究工作。本研究结果表明，在微生物群体中，细菌丰度处于较高的水平，特别是外高桥港表层水体，处于长江入海口和外海海流的交汇区，营养丰富。有研究表明，长江冲淡水控制的海域细菌丰度明显高于陆架区[10]。
与其他近海海域细菌丰度相比，本研究细菌丰度以外高桥港口较高，与山东半岛等近海岸海域比较相似（表3），可能是它们都处于污染较严重的海域。在全球范围内，河口和近海岸等环境的微生物数量都要高于远海和极地等开放性海洋[11]，这也说明营养条件是影响微生物数量和生长的重要因素。
3.2环境因子对三大港口表层水体微生物分布的影响
微生物在海洋生态系统中扮演很重要的角色，作为分解者能够分解有机物释放能量，作为生产者能够利用浮游植物所不能利用的可溶性有机物，将之转化为颗粒有机物，进行二次生成[12]，因此微生物在海洋生物生成和生源要素循环中起着不可替代的作用。本研究对微生物数量与环境因子作了相关性分析。
3.2.1温度温度是影响海洋微生物生长的重要环境因子，微生物活动能力取决于酶活性，一定温度范围内酶活性与温度成正比，海水温度与海洋微生物的数量和生产力呈正相关关系[13]。本研究所探讨的海水中微生物的含量与温度具有一定的相关性，芦潮港和洋山港不显著，外高桥港表层海水微生物数量与温度具显著相关性（图7）。李云等认为长江口邻近海域细菌垂直分布与温度具有显著的相关性[14]。白洁等发现在黄海西北部细菌数量与温度之间并没有明显的相关关系，他们认为原生动物对细菌的捕食及病毒活动有可能是削弱其相关性的重要原因之一[13]。
nlc202309041914
3.2.2盐度相关性分析结果表明，海水中微生物数量与盐度呈显著的负相关关系（图8），在营养充足的条件下，盐度可能是影响微生物分布的主要因素。在河口与海流交汇处，由于盐度发生巨大的变化，可能会导致水体整个微生物数量和群落结构的改变[15]。
3.2.3溶解氧相关性分析结果表明，溶解氧浓度与微生物数量呈负相关关系，相关性不显著（图9）。表层水体相对底层属于高氧区，而河口与海流交汇处由于污染严重，其溶氧处于劣势。低氧对海洋微生物、浮游动物等具有很大危害，生物缺氧导致大量死亡，引起生态系统营养途径的改变[16]。本研究说明低氧对微生物的生长有很强的抑制作用。
3.2.4营养盐在海洋生态系统中，海洋微生物可以利用氮源、碳源和磷源进行生长和繁殖，它们在营养盐的循环中起着非常重要的作用。本试验结果表明，三大港口的总磷（TP）含量与微生物数量呈负相关关系，总氮（TN）和总有机碳（TOC）含量与微生物数量呈正相关关系（图10）。有研究表明，磷酸盐是异样浮游细菌生物量和生产的重要限制因子[17]；周伟华等研究发现在三亚湾冬季水体溶解无机氮和磷酸盐与细菌生
物量有显著正相关关系[18]；外国学者在海洋异样浮游细菌培养室试验过程中发现，DIN作为主要的氮源，提供55%～99%的总氮吸收，极大地促进了细菌的生长和新陈代谢[19]。由于人为因素，N、P在近海岸区呈现高富集状态，现阶段N、P在海洋中影响生物生存和发展的问题已成为研究的热门。
4小结
本试验采样的地点选自30°51′N、12150′E，30°52′N、121°52′E，31°21′N、121°35′E。采集地点均位于潮间带以内，靠近海岸线。由于采集地点靠近陆地，试验结果所测得的微生物有一部分肯定来自陆地；另外对海水的化学分析数据偏差，有部分也是人为因素造成的。近年来，以细菌检测海洋环境质量的研究已成为热点[20-24]。海岸带生境退化的主要特征就是水质和沉积物质量的下降。随着水质指标BOD、COD、铵态氮、透明度等化学因子的变化，水体中的微生物种类、数量及种群结构等也会呈现有规律的变化。有些细菌的指标变化能够直接反映出海水质量的变化，从而对环境变化起到指示作用[25]。
本试验中微生物生物量与环境因子的相关分析结果表明，温度与微生物生物量的相关性不是很大，但是呈现一定的正相关，可能是因为温度对酶活性有影響；微生物生物量与盐度的相关性很高，主要是由海岸带与河口交汇处盐度层次的剧烈变化引起；微生物生物量与溶解氧浓度呈负相关，因为表层水体生长的主要是好氧和兼氧微生物；微生物生物量与营养盐的相关性比较复杂，与以往的研究[17-19]相比较，不尽相同，可能与海域的地理环境和周边生态环境有很大的关系。本试验还存在很多的缺点：在水体层次结构上没有进行研究（在后续的试验中作为主要方向）；微生物的分离不够全面，相对较宏观；没有进行微生物纯化和活性研究等。这在后续的研究中有待解决。
参考文献：
[1]刘敏. 我国黄、东海典型生态过程中的微生物群落结构[D]. 北京：中国科学院研究生院，2011.
[2]王晓. 南黄海浮游动物群落及环境因子对其分布影响的研究[D]. 青岛：中国海洋大学，2012.
[3]朱大奎.深圳海岸海洋环境与空间规划研究[J]. 第四纪研究，2005，25（1）：45-53.
[4]刘材材，项凌云，张昊飞，等. 长江口异养细菌生态分布特征及其与环境因子的关系[J]. 海洋环境科学，2009，28（增刊）：1-4.
[5]张培玉. 渤海湾近岸海域底栖动物生态学与环境质量评价研究[D]. 青岛：中国海洋大学，2005.
[6]朱广超. 连云港近海岸海洋沉积物中微生物群落结构与功能的初步研究[D]. 无锡：江南大学，2009.
[7]Blunt J W，Copp B R，Keyzers R A.，et al. Marine natural products[J]. Nat Prod Rep，2004，29：144-222.
[8]Tegler B，Sharp M，Johnson M A. Ecological monitoring and assessment networks proposed core monitoring variables：an early warning of environmental change[J]. Environmental Monitoring and Assessment，2001，67（1/2）：29-56.
[9]ISO 10253：2006 Water quality：marine algal growth inhibition test with Skeletonema costatum and Phaeodactylum tricornutum[EB/OL]. [2013-03-30]. http：//www.iso.org/iso/catalogue_detail.htm？csnumber=34811.
[10]陈春辉，王春生，许学伟，等. 河口缺氧生物效应研究进展[J]. 生态学报，2009，29（5）：2595-2602.
[11]张东声. 长江口及其邻近海域微生物的多样性和生态分布特征研究[D]. 杭州：浙江大学，2011.
[12]肖天. 海洋浮游细菌的生态学研究[J]. 地球科学进展，2001，16（1）：60-64.
[13]白洁，时瑶，宋亮，等. 黄海西北部浮游细菌生物量分布特征及其与环境因子的关系[J]. 中国海洋大学学报：自然科学版，2009，39（4）：592-596.
[14]李云，李道季. 长江口邻近海域浮游细菌分布与环境因子的关系[J]. 海洋通报，2007，26（6）：9-18.
nlc202309041914
[15]刘镇盛. 长江口及其邻近海域浮游动物群落结构和多样性研究[D]. 青岛：中国海洋大学，2012.
[16]Riedel G F，Sanders J G，Breitburg D L. Seasonal variability in response of estuarine phytoplankton communities to stress：linkages between toxic trace elements and nutrient enrichment[J]. Estuaries，26（2）：323-338.
[17]Cotner J B，Sada R H，Bootsma H，et al. Nutrient limitation of heterotrophic bacteria in Florida Bay[J]. Estuaries，2000，23（5）：611-620.
[18]周伟华，王汉奎，董俊德，等. 三亚湾秋、冬季浮游植物和细菌的生物量分布特征及其与环境因子的关系[J]. 生态学报，2006，26（8）：2633-2639.
[19]Tupas L M，Koike I，Karl D M，et al. Nitrogen metabolism by heterotrophic bacterial assemblages in Antarctic coastal waters[J]. Polar Biology，1994，14（3）：195-204.
[20]黃邦钦，洪华生. 海洋微藻作为海洋生态环境的指示初探[J]. 海洋环境科学，1998，17（3）：24-28.
[21]白树猛，田黎. 指示生物在海洋污染监测中的应用[J]. 海洋科学，2010，34（1）：80-83.
[22]姜勇. 胶州湾浮游纤毛虫群落的时空分布特征及与环境间的关系[D]. 青岛：中国海洋大学，2012.
[23]Li C Q，Liu W C，Zhu P，et al. Phylogenetic diversity of bacteria associated with the marine sponge Gelliodes carnosa collected from the Hainan Island coastal waters of the South China Sea[J]. Microbial Ecology，2011，62（4）：800-812.
[24]Wei B.Diversity and distribution of proteorhodopsin-containing microorganisms in marine environments[J]. Frontiers of Environmental Science & Engineering，2012，6（1）：98-106
[25]肖慧. 渤海湾近岸海域的细菌学研究及其在海岸带环境质量评价中的应用[D]. 青岛：中国海洋大学，2005.
[26]赵海军，纪力强. 大尺度生物多样性评价[J]. 生物多样性，2003，11（1）：78-85.黄凯，张杏锋，李丹. 改良剂修复重金属污染土壤的研究进展[J]. 江苏农业科学，2014，42（1）：292-296.
分布因子 第3篇
利用海南地区2011年休闲旅游产业的数据,结合SPSS软件,对海南18个市县地区休闲旅游设施的空间布局影响因子进行分析。调研发现:海南省休闲旅游设施空间布局明显呈现出海口市和三亚市为核心的双极结构空间模式,中西部地区休闲旅游设施少有分布的空间分布特征。
休闲旅游设施是指旅游供应方为满足旅游者旅游时对社会象征符号消费的追求而提供的个性化、一站式服务和为方便休闲旅游管理而建设的相关硬件服务设施构成的综合服务系统。随着社会经济的不断发展,区域旅游业空间集聚现象凸显,进而也在改变区域性的休闲旅游设施空间格局。旅游流的空间聚散是研究旅游流的节点、旅游交通线和旅游定向物在空间扩散方面的研究。
一、研究区域概况
海南休闲旅游设施建设发展态势迅猛,尤其是星级酒店和高尔夫球场数量在2002年至2012年十年期间增长近乎两倍,是岛内发展最具规模的休闲旅游设施。本文星级酒店的调查范围局限为四星、五星酒店和高尔夫球场,此类设施的数量和服务更能满足转型期下休闲旅游者的多层次需求。截止2011年12月份,海南在营业的球场达到35家(未含在建球场),海南拥有星级酒店209家,四星和五星级酒店76家,其中高星级酒店提供的客房总数23068间,占全省旅游酒店客房数82730间的27.88%。
二、数据来源及分析方法
(一)数据来源
本文的基础数据来源于海南2012年统计年鉴,海南省旅游发展委员会2012年公布的星级酒店数据、旅游等级景区和旅游度假区数据,海南大学调研的关于海南旅游资源数据库,以及笔者实地调研的高尔夫球场数据。该数据根据旅游产业的属性、可比原则和可获取原则,将旅游产业宏观发展因素分成7类指标和30个要素,具体如下:1、城市消费力:C4GDP、C5人均GDP、C6人均可支配收入、C7常住人口、C15在职人员平均工资;2、旅游产业竞争力:C3旅游度假区、C14第三产业从业人数、C16旅游等级景区、C20境外旅游人数、C21旅游人数、C22国内旅游过夜人数;3、设施供应力:C1客房数、C2球洞数;4、城市商业力C8批发贸易额、C9零售贸易额、C10餐饮贸易额、C11社会零售品消费总额;5、城市投资力:C17固定资产投资额、C18国内贷款固定资产投资额、C19其他资金投资固定资产投资额;6、城市交通力:C27年末实有道路长度;7、城市基础力:C12税收收入、C13一般预算收入、C23单位生活污水COD排放量、C24建成区绿化覆盖率、C25人均城市道路面积、C26人均公园绿地面积、C28公园、C29人口密度、C30年末供水综合生产能力。
(二)分析方法
本研究应用SPSS16.0软件对海南省18市县2011年的7大类指标数据进行处理,为使数据具有可比性,需消除变量间的量纲化关系。变量纲化处理的具体内容公式为:
(三)结果分析
1、影响因子的相关性分析。
将选取的30个因子的量纲化处理后数据进行旋转,提取出2个主因子,F1和F2。根据表2-2的数据显示,F1主因子与C8、C9、C27、C11、C30、C10、C28、C4、C7、C18、C2、C13、C12、C17、C14等15个因子中都有很高的关联性,这些因子涉及到休闲旅游设施空间布局的地方经济基础、旅游产业发展能力、相关配套发展等,可以将F1主因子命名为休闲旅游设施空间布局综合实力因子。主因子F2与C20、C22、C1、C3、C16、C5、C19、C21等8个因子呈现较高相关性,代表了该区域城市商业力、投资力等发展趋势,可以将F2主因子命名为休闲旅游设施空间布局发展潜力因子。
综合两个主因子及其贡献率,进而得到影响海南省休闲旅游设施空间布局整体实力值F(各市县得分、排名见表2-4)。
2、影响因子的表现特征。
(1)综合得分最高的是海口市,其众多因子均呈正相关的F1主因子中排名第一,其综合实力远高于其他市县,表现出很强的休闲旅游设施综合经济实力,位于第二、第三名的分别是三亚市和儋州市,三亚市最具规模,但是在综合实力上与海口呈现很大差距;其次为昌江县、东方市、陵水县、文昌市、澄迈县、琼海市。(2)根据2011年海南省数据显示,海南省休闲旅游设施城市间发展不平衡,海南省休闲旅游设施空间布局明显呈现出以海口市和三亚市为核心发展的双极结构空间模式。(3)万宁市和琼海市两个城市休闲旅游设施密集度仅次于海口市和三亚市,但在全省的休闲旅游设施综合经济实力中排名却在中后。儋州市、昌江县和东方市是海南西部工业发展区,这三个城市的休闲旅游设施综合经济实力排名仅排海口和三亚之后,据笔者统计这三个城市的高星级酒店2012年前仅1家,高尔夫球场2012年前0家。(4)文昌市、琼海市、万宁市三个城市的综合经济排名虽然靠后,但三个城市环岛东线旅游交通轴上,同时这三个城市的旅游资源非常丰富;陵水县于2011年获得“国际旅游岛先行实验区”发展机会,休闲旅游设施开始得到发展。
三、结论
分布因子 第4篇
关键词：盛夏降水,时空分布,西太平洋副热带高压,极涡,海温,辽宁省
我国夏季旱涝变化受众多因子影响, 既与包括海—陆—气各子系统的东亚季风气候系统的年际变化有关, 又与热带中、东太平洋的年际和年代际变化关系密切, 同时东亚夏季大气环流异常的遥相关及其机制是解释我国夏季旱涝物理机制的重要基础[1]。研究表明, 我国夏季降水的影响因子众多且物理机制较为复杂[2,3,4,5,6,7], 我国北方夏季降水影响因子及成因与南方不尽相同, 主要受到偏北环流系统影响[8,9,10,11,12,13,14]。
辽宁地处东北南部, 降水主要集中在夏季, 而辽宁夏季降水量主要集中在盛夏, 盛夏是辽宁农作物生长需水的关键期, 盛夏降水的多少直接影响农作物长势,
盛夏降水异常偏少, 辽宁盛夏的旱与涝直接影响着辽宁地区的农业、经济及人民群众生命财产安全。
以往对辽宁降水的分析主要集中在夏季[15,16], 指出辽宁夏季降水呈减少趋势, 降水分布分为中北部、辽河以西部地区及东南部地区3个不同区域[17]。研究发现辽宁夏季降水存在2~3年、3~5年及10~12年周期振荡[18]。在对辽宁夏季降水的研究中, 辽宁盛夏主汛期降水的分析还比较少, 杨文艳等对辽宁7—8月降水进行分析, 发现辽宁汛期水汽来源于西南夏季风和我国东部海域, 极涡、西太平洋副热带高压、南亚高压等是影响辽宁夏季降水的关键因子。李辑等系统研究了辽宁盛夏降水大尺度环流影响因子, 发现盛夏东亚副热带高空急流位置偏北偏强, 850 h Pa低空急流带位置偏东偏强, 辽宁处于高空急流的右侧、低空急流的左侧, 这是造成辽宁盛夏主汛期降水异常偏多的动力原因, 另外东亚沿岸存在“+-+”的遥相关型, 对流层中层西太副高位置偏西偏北, 是造成辽宁盛夏主汛期降水偏多的环流因素[19,20]。
已有对辽宁夏季降水的研究详细分析了辽宁夏季、7—8月及盛夏降水的时间变化规律、周期及环流影响因子, 但对辽宁盛夏主汛期降水的不同分布特征及造成各分布形势的环流及外强迫因子还没有进行系统的归纳分析。本文将对辽宁盛夏主汛期降水进行EOF分解, 详细分析辽宁盛夏降水时间及空间变化, 对造成辽宁盛夏降水不同分布形势的影响因子进行分析, 找出形成辽宁盛夏降水不同分布形势的前期外强迫信号, 为辽宁盛夏降水预测提供分析依据。
1 资料选取与分析方法
所用资料主要包括1961—2014年夏季辽宁省52个气象站逐日降水量资料;NCEP/NCAR全球再分析500 h Pa高度场、850 h Pa风场 (分辨率为2.5°×2.5°) 逐日资料, 海温资料采用NOAA重建的100年海温资料, 分辨率为2.0°×2.0°。
辽宁省盛夏主汛期定义为当副高纬向轴线北跳过27°N后, 4个以上地区出现暴雨的第1天为主汛期开始日, 第1次南落到27°N以南且再无大范围致洪暴雨的第1天为主汛期结束日, 一般为7月20日至8月31日。
分析方法主要包括EOF分析、合成分析、相关分析等统计方法。
2 结果与分析
2.1 辽宁省盛夏降水时间分布特征
为了表示辽宁省盛夏降水时间分布特征, 对气候平均场 (1981—2010年) 中辽宁省盛夏逐日降水量进行统计分析, 对图1为辽宁省1981—2010年平均的盛夏逐日降水量累计距平图, 可以看到辽宁省盛夏降水随时间出现明显变化, 7月24日开始降水量呈上升趋势, 在8月10日达到顶峰, 8月10—20日降水量维持较大值, 在8月20日后逐渐减小至盛夏结束。
依据上述辽宁省盛夏降水变化规律, 分别对各时段500h Pa高度场进行对比分析, 如图2所示, 对比各时段500 h Pa高度场, 发现随着辽宁省盛夏降水的演变, 变化最明显的区域位于西太平洋副热带高压地区, 西太平洋副热带高压脊线位置的南北变化较好地反映了辽宁省盛夏降水多少的变化。在盛夏开始时 (7月20—24日) , 随着西太副高第2次北跳, 脊线位置跳过25°N, 之后 (7月24日至8月10日) 西太副高脊线在25°~30°N之间摆动, 8月20日之后西太副高南撤。
2.2 辽宁省盛夏降水空间分布特征
为了研究辽宁盛夏降水的空间分布特征, 对盛夏辽宁降水进行EOF分析, 得到第一、第二特征向量和时间系数 (图3) 。从辽宁盛夏降水EOF分析的结果来看, 第一特征向量反映的是辽宁省盛夏降水全区一致的分布特征, 第二特征向量反映的是辽宁省盛夏降水东西反向的分布特征。
2.3 500 h Pa环流系统对EOF分解各特征量的影响
分别对盛夏辽宁降水EOF分解第一、第二特征量的时间系数与同期盛夏500 h Pa高度场进行相关分析, 发现在对流层中高层, 东亚中高纬度环流系统对辽宁盛夏降水起着至关重要的作用。从图4a可以看到500 h Pa高度上, 北半球存在3个高相关中心, 分布位于朝鲜—日本地区上空、北太平洋地区上空和北美地区上空, 辽宁盛夏降水与朝鲜—日本地区上空和北太平洋地区上空的高度场呈现明显正相关, 而与北美地区上空高度场呈现负相关, 说明当朝鲜—日本地区上空和北太平洋地区上空位势高度正异常、北美上空位势高度负异常情况下, 辽宁盛夏降水易呈现全区一致偏多, 反之易出现全区一致偏少;图4b显示欧亚中高纬度地区的环流系统与对辽宁盛夏降水存在较好的正相关关系, 当欧亚中高纬度地区位势高度正异常, 辽宁盛夏降水易存在西多东少的分布形势, 反之当欧亚中高纬地区位势高度负异常, 辽宁盛夏降水易存在西少东多的分布形势。
注:a为7月20—24日, b为7月24日至8月10日, c为8月10—20日, d为8月20—31日。
为近一步分析500 h Pa高度场上辽宁盛夏降水影响系统的配置情况, 分别对EOF分解第一、第二模态时间系数进行分析, 分别找出各时间系数的最大值、最小值各3年, 对这些年份500 h Pa高度场进行合成分析, 得到图5。从图5中可以看到, 辽宁盛夏降水全区一致偏多时 (图5a) , 极涡中心位于极区, 极涡沿着120°E和120°W方向扩展, 在巴尔喀什湖至贝加尔湖一带有低压槽存在, 西太平洋副热带高压脊线位置位于30°N以北, 西伸脊点位于120°E的西太平洋地区, 水汽易沿着西太副高外围的引导气流北上到达辽宁地区, 对辽宁盛夏降水有利, 而辽宁盛夏降水全区一致偏少时 (图5b) , 极涡中心偏东半球, 极涡沿着30°E和30°W方向扩展, 东亚高纬度地区没有明显的高空槽, 西太平洋副热带高压脊线位置位于25°N附近, 西太副高位置的异常偏西阻断了来自太平洋的水汽北上, 使得辽宁盛夏降水的水汽条件不足, 不易产生降水。辽宁盛夏降水呈现西多东少分布时 (图5c) , 极涡分裂成多个中心, 极涡中心偏于西半球, 东亚高纬度地区冷空气势力较弱, 另外西太平洋副热带高压面积偏小、位置偏东, 辽宁盛夏降水的水汽条件不足是造成辽宁盛夏大部分地区降水偏少的主要原因;辽宁盛夏降水呈现西少东多分布时 (图5d) , 极涡中心偏东半球, 西太副高位置异常偏北偏西, 水汽输送条件极为有利。
注:a、b分别为第一、第二模态的空间型, c、d分别为第一、第二模态的时间序列。
为了更直观地反映影响辽宁盛夏降水的水汽输送情况, 对EOF分解第一、第二模态多雨、少雨年850 h Pa风场进行合成分析, 发现在全区一致多雨年 (图6a) , 辽宁地区上空存在明显的偏南风分量, 这股较强的偏南风来自西太平洋地区, 在西太平洋副热带高压外围引导气流作用下, 暖湿气流被输送到辽宁地区;在全区一致少雨年 (图6b) , 在辽宁地区上空为一致的偏西风分量, 没有明显的偏南风水汽输送, 西太副高位置异常偏西导致来自西太平洋的水汽不能输送到辽宁地区, 导致辽宁全区降水一致偏少。辽宁盛夏降水呈现西多东少分布时 (图6c) , 辽宁地区上空偏北地区为偏西风气流, 南部地区为偏南风气流, 有一条水汽输送带到达辽宁地区, 偏南水汽输送主要为来自索马里地区的越赤道气流, 穿越印度半岛沿孟加拉湾和中南半岛, 到达中国南海地区后北上到达辽宁地区;辽宁盛夏降水呈西少东多分布时 (图6d) , 辽宁地区上空存在明显的偏南风风速带, 这条风速带由分别来自西太平洋地区和来自索马里地区的越赤道气流汇聚而成, 说明有2条分别来自西太平洋地区和来自索马里地区的水汽输送带到达辽宁地区。
注:a、b分别为第一、第二模态多雨年, c、d分别为第一、第二模态少雨年。下同。
3 结论
在辽宁省盛夏降水时段中, 7月初 (7月24日) 降水量呈上升趋势, 在8月10日达到顶峰, 8月10—20日降水量维持较大值, 在8月20日后逐渐减小至盛夏结束, 且盛夏降水阶段的变化与西太平洋副热带高压的变化关系密切。
辽宁盛夏降水存在2种分布特征, 分别是全区一致及东西反向分布特征。在500 h Pa上, 辽宁盛夏降水全区一致分布型形势受欧亚地区偏北系统影响, 东西反向分布型受欧亚地区偏南系统影响。当极涡中心位于极区, 巴尔喀什湖至贝加尔湖一带有低压槽存在, 西太平洋副热带高压脊线位置位于30°N以北, 西伸脊点位于120°E的西太平洋地区, 有利于辽宁盛夏降水;当极涡中心偏于西半球, 东亚高纬度地区冷空气势力较弱, 西太平洋副热带高压面积偏小、位置偏东, 辽宁盛夏降水易出现西多东少分布型。
分布因子 第5篇
在对航空航天等领域中新型研制开发的复杂产品,特别是对可靠性要求较高的军用产品进行可靠性评定时,由于受试验时间,经费,设备等条件的限制,往往很难或无法进行实验室试验验证,导致评定结果可信性度不高。此时就需要充分挖掘产品在研制过程中积累的其它可靠性信息。环境因子是一种折算因子,是一种重要的扩充样本量的途径,是可靠性工作者非常关心的一个课题。已有很多文献对其进行了研究分析,文[1-2]中介绍了环境因子的有关概念及其应用。文[3-4]介绍了环境因子的一种Bayes估计方法。指数分布在排队论和可靠性理论中有着广泛的应用。如各种电子元件的寿命、电话的通话时间、候车等候时间等都可认为服从指数分布。本文给出了指数分布环境因子的定义及基本假设,并导出了定数截尾样本下,环境因子的极大似然估计和区间估计。并利用Monte-Carlo方法,讨论了置信区间的精度,表明了结果的可行性。
1 极大似然估计
设在环境下产品的寿命服从Exp(θi),i=1,2。当在两种环境下产品的失效机理相同时,文献[1]知环境因子定义为K=θ2/θ1。假设在环境i下投入容量为ni个产品试验。设t(i1)≤t(i2)≤…≤t(iri)来自的随机样本中前ri个最小观察值(为方便起见,可将t(ij)的下标数字省略括号,无特殊情况说明,下文的tij表示第j个最小观察值)由文献[5]知ti1,…tiri的似然函数为:
则在环境I和II下,试验结果的联合似然函数为L=L1L2
2 置信区间估计
引理1[6]设x(1)≤x(2)≤…≤x(k)来自指数分布Exp(θ)容量为n的前k个次序统计样,令w1=nx1
wi=(n-i+1)(xi-xi-1)i=2,…k,则w1,w2,…,wk独立同分布于参数分布Exp(θ)。
引理2设w1,w2,…,wk独立同分布于Exp(θ),则w1+w2+…+wk~W(k,1/θ)。
引理3设z~W(k,1/θ),则2z/θ~x2(2k)。
定理设t(i1)≤t(i2)≤…≤t(iri)来自指数分布Exp(θi)容量为ni的前ri个次序统计样本,则在环境I和II下其环境因子的置信上下限为
证毕。
3 随机模拟
以上已经得到了指数分布环境因子的极大似然估计和置信区间估计。现用Monte Carlo方法随机模拟,我们取θ1=3,θ2=4.5代入(3)-(5)式,随机模拟1000次。得到K的极大似然估计的均值和均方误差,及95%的置信区间估计。
4 结束语
理论分析和计算机模拟表明,环境因子的极大似然估计和置信区间估计具有可行性,从而可以将其应用于可靠性评估中。把两种试验条件下的数据相互转化。即可以把地面试验数据转化为空间试验数据,扩大了空间试验数据的样本量,来提高可靠性估计的精度。
参考文献
[1]王炳兴.环境因子的定义及其统计分析.强度与环境[J].1998,(4):24-30.
[2]王善.环境因子的分析及应用.宇航学报[J].2001,(5):74-80.
[3]刘琦,冯静等.指数分布环境因子的Bayes算法.可靠性与环境适应性理论研究[J].2003,(3):42-44.
[4]李凤,师义民.Pareto分布环境因子的估计及其应用.数学的实践与认识[J].2007,(23):49-53.
[5]陈希儒.数学统计引论[M].北京:科学出版社,1999.
分布因子 第6篇
关键词：抵押债务,正态逆高斯分布,因子模型
1 引言
近些年来,债务抵押债券(CDO)一直是信贷衍生工具市场里的主要增长动力,CDO的定价和风险管理也受到学术界极大的关注。CDO是一种交易活跃的信用衍生品,它以一个或多个类别的且分散化的资产作质押的证券,这些资产包括了高收益债券、新兴市场债券、公司债券,亦可包括住房抵押贷款债券(RMBS)、资产抵押债券(ABS)、商用不动产抵押贷款债券(CMBS)和银行债务等。CDO结合了资产证券化和信用衍生品的优质特性,具有分散与转移信贷风险的作用,但它本身也存在一定风险,其中权益系列风险最大。如何进行CDO的风险评估,对其进行科学合理的定价,是促进CDO健康发展的重要因素。
目前,高斯单因子模型凭借其简单和易处理的优势已成为CDO定价的标准化模型。但是高斯单因子模型没有提供解决同一时间各类指数债券的合理定价方案,也未将市场利差水平的相关性考虑在内,高斯单因子模型假设违约代理变量的系统因素和非系统因素服从独立的高斯分布,用多维高斯分布来度量CDO基础资产组合联合违约概率分布[1]。这些都导致该模型对CDO定价时存在缺陷,主要表现在两方面:其一高斯单因子模型呈现出隐含相关性微笑现象;其二与隐含组合损失分布相比,高斯单因子模型具有更高的零损失和更低的极端损失概率,从而导致高估CDO权益类分券的价格和低估高级分券的价格[2]。
近年来对于高斯单因子模型的简单扩展以解决相关性“微笑”现象的研究较多,尽管国内外学者做了大量研究,目前相关系数微笑问题仍然不能得到根本解决。Andersen,Sidenius和Basu(2003)建立了基于公司的股本回报率相关矩阵的从低维相关结构[3]。Gregory和Laurent(2005)提出了从群体内和群体间的相关系数引入依属关系的回收率和违约构建一个相关结构[4]。Hull和White(2005)提出了双重t因素copula模型,并利用傅立叶变换等方法分别处理违约个数的概率分布及总损失的概率分布的运算,其研究结果发现student-t copula模型所估算之结果与实际市场价格较相近[5]。Andersen和Sidenius(2005)从回复率和因子加载两个方面扩展了高斯单因子模型,作者在模型中允许因素加载为随机,研究结果显示当允许因素加载为随机时,能明显提高高斯单因子模型捕捉尾部违约相关性和CDO定价的能力,但是该模型不能模拟足够的尾部违约相关性[6]。Burtschell等(2005,2009)对几种主要的CDO定价模型进行比较分析,并将不同Copula函数下的CDO分券定价结果和市场报价进行了实证比较,实证结果显示这些模型都应得到改善[7,8]。
金融市场变量的回报是无常态的,其回报的经验分布比高斯分布更具尖峰厚尾的特征,相比于正常情况下回报变化大且高频率,此外,它往往是倾斜的,所以使用Student-t分布的对称分布是有限制的,由于t分布不具有独立卷积性质,当代理变量的系统因子和非系统因子服从独立t分布时,违约代理变量的分布却不服从t分布,为了求出资产组合的违约损失分布,就必需用非常费时间的数值方法计算违约代理变量的分布,这使得模型计算效率大大降低。
鉴于此,本文提出正态逆高斯分布(NIG),一方面NIG分布像t分布一样,属厚尾分布;另一方面NIG分布具有独立卷积的性质,在没有减弱尾部违约相关性的同时,能大大节约计算时间。本文首先简要介绍抵押债务债券CDO的典型结构,以iTraxx Europe指数分券为例,并对相关性“微笑”现象进行实证检验。接着,阐述了高斯单因子模型和正态逆高斯分布模型的分布和特性,对比正态逆高斯分布模型在CDO定价模型上所存在的优势。最后为实证研究部分,文中选取市场上交易最为活跃的iTraxx Europe指数分券的市场报价,对基于正态逆高斯分布的CDO定价模型进行参数估计,然后运用已获知的参数信息,根据以上CDO模型分布对iTraxx Europe指数分券进行定价,并通过数值模拟计算给出该方法的具体定价步骤,并通过模型理论价格和市场价格之间的差异来度量该模型的定价能力,研究结果表明使用NIG-Copula分布改善了定价模型,且通过纠正相关性“微笑”现象能很好地拟合市场价格数据。
2 合成CDO的结构和隐含的相关性
2.1 合成CDO的结构
近年来合成CDO是结构化产品中发展最为迅猛和最为突出的,尤其是在欧洲,由CDS支持的CDO被称为合成CDO。在CDO中,卖方定期收到利差,买方向卖方定期支付费用(保险费或者互换费)从而将信用主体(参考资产组合)的风险转移给卖方。一旦约定的信用事件发生,卖方对买方赔付,承担风险损失。CDO产品的发行采取了分券化的技术,每个分卷是由附着点和分离点定义的,根据信用风险等级分为超高级,高级,高级夹层,夹层和附属/股权。CDO现金流分配按照“瀑布”机制来进行,即基础资产组合的损失是自下而上承担的顺序,回收的支付是自上而下的顺序。
图1显示了欧洲标准的CDO结构。
图1中显示的分卷是基于经销商在欧元市场上的每日报价,分卷的iTraxx欧洲系列指数构成流动性的工具,iTraxx欧洲指数覆盖了125 只流动性最高的CDS,这些CDS都是欧洲投资级的信用。当资产池中的损失低于3%时,全部损失由权益层分券吸收;当损失超过3% 时,初级分券开始吸收,直至损失达到6%;当损失超过6%时,高级夹层开始吸收,直至损失达到9%;当损失超过9%时,高级分券开始吸收,直至损失达到12%;当损失超过12%时,超高级分券开始吸收,直至损失达到22%;损失超过22% 后,剩下的损失将全部由超高层分券吸收。每一层开始吸收损失的点叫做该层的附着点,停止吸收损失的点叫做分离点,也即更高一层的附着点。由此可见,权益层分券的投资风险最大,超高层级分券的风险最小。
2.2 CDO的隐含相关性
为了对相关性“微笑”现象进行实证检验,笔者针对iTraxx欧洲指数的隐含相关性进行实证分析,表1说明了iTraxx欧洲指数的三个不同期限(5年、7年和10年)2012年4月28日的市场报价。分卷的利差是在每年Euribor溢价(基点)的基础上向投资者支付。这种利差取决于市场上的买入价和卖出价,0~3%分券的标价是信用买入方必须先支付报价所指明的比率(以分券面值为基础)外加每年收费500个基点。
数据来源:国际指数公司。
笔者应用因子Copula方法分别求出各分券的复合相关系数,结果显示:①隐含的复合相关性并不是整个结构都相同,复合关系的确不是常数,具有微笑现象,且10年期和7年期的比5年期的微笑程度高一些。一般相关性“微笑”与期权市场的隐含波动率“微笑”具有许多相似之处。首先,它是一个平均报价的分卷利差值。其次,“微笑”反映了市场隐含的损失分配的基本指标。“相关性微笑”的一个可能的理由是,市场赋予一个极端损失情况下,即在相关投资组合的损失分布的尾部比正态分布假设高斯单因子模型所描述的肥尾的机率较高。②在确定投资组合的损失分布的形状时,相关参数起着关键作用,相关参数值越高,肥尾情况就越严重,肥尾意味着极端损失结果;而低的相关结果往往表现为瘦尾。
3 因子Copula模型
因子Copula模型考虑资产价值受市场共同因子和非共同因子的影响,假定各个因子服从同一概率分布,先由Copula模型转换为给定的市场共同因子的条件违约概率,再将市场共同因子积分后可得各个资产的风险中性违约概率,以条件概率的方式刻画预期损失的概率分布,最后由预期损失的分布函数计算CDO分券层的损失面和收益面,并由无套利原理求得各分券的合理信用价差[9,10]。
为得出一个CDO的基本组合的损失分布,需要进行两个步骤。第一步,聚合,通过计算其违约概率条件的共同因素,模拟风险行为和联合违约公司之间的相互关系,并计算了傅立叶变换的相关投资组合的总损失分布。第二步称为反演,得出相关的投资组合损失分布,然后用快速傅立叶逆变换或一些其他的反演方法计算每个分卷的利差。因为损失分配完全取决于构造聚合步骤中相关投资组合的方法,因此需注重第一步分析。
为更易辨认,首先介绍一个共同的因子Z因素模型,然后用一个m- 因子模型概况本文的做法。令i=1,…,n(n∈ N),定义Vi为i公司资产价值:
其中,z是模型的公因子,εi是第i个公司的个别风险,Vi,Z和εi是独立随机变量的零均值和单位方差的分布,ρi代表Vi到Z关于-1≤ρi≤1的敏感度,ωi代表Vi对εi的敏感度。
计算得出期望和Vi的方差:
然后,存在着ρi和ωi之间的关系:
那么式(1)变为:
给定的两个随即变量Vf和Vj之间的相关性,1≤f≤n,1≤j≤n,
即
由式(6)和式(8)可以得出以下关系:
下面主要研究第i个公司的条件违约率,假设一个公司违约时公司资产净值恰好是违约下界ki(ki∈ R)。因此,由式(6)给出的第i个公司的资产价值表达式是对公因子Z的具体实现,即当资产价值恰好是违约下界ki时第i个公司正好违约。设Pi(Z)为第i个企业的条件违约概率,且Z =z,那么:
把式(6)代入,则式(10)变成:
用Cεi表示随机变量εi的累积分布,当Z=z和i=1,…,n(n∈ N),所给定的可能性等于:
为了确定每个公司i的违约下界ki的实际价值,用Qi表示第i个公司无条件的的违约概率。Qi通过一个强度为基础的模型从CDS市场数据里恢复。 根据定义有:
如果φ表示为随机变量Z的概率分布,那么有:
这意味着:
现在确定第i个公司的违约下界,需要确定式(15)中的ki.
通过式(1)很容易扩展以前的事态发展,m个独立因素Z1,…,Zm.因此,得到:
结合,依据上述同样的假设。在这种情况下,式(6)变为:
Vf和Vj之间的交互作用可以表达为:
这意味着:
因此,在m- 因子的模型中,知道Z1=z1,Z2=z2,…,Zm=zm实现的条件概率Vi≤ki被给定为:
这里,随机变量Z1,Z2,…,Zm是独立的,因此无条件违约概率Qi可表示为:
其中φk表示与之相关联的每个随机变量Zk的概率分布。如在单因子模型中,需要在ki条件下解答式(21),以确定每个公司的违约下界。
4 正态逆高斯(NIG)分布
NIG分布是由Barndorff-Nielsen(1997)提出,用来调查金融市场收益的工具。该分布能够很好的表现出随机现象的肥尾或者严重倾斜特征。NIG分布不限于正半轴。这种分布的特点是有4个参数(α,β,μ,δ),参数α 与陡度有关,β和对称性有关,μ和δ 分别表示位置和规模。NIG(α,β,μ,δ)的概率密度函数可表示为:
在这里K1是第三类贝塞尔修正函数和指数1 被定义为:
NIG分布随机变量X的矩母函数为:
从式(26)可得出
.依据式(29)和式(30),假设,可获得峭度和偏斜度的性质为:
因此,NIG分布的要比高斯分布更显示出厚尾特性,当β=0时获得对称分布。
正态逆高斯分布的一个重要的属性是其卷积下的行为。事实上,如果X1,X2是独立的,其分布分别为NIG(α,β,μ1,δ1)和NIG(α,β,μ1,δ1)。那么X1+X2相当于
为了估计参数从一个给定的NIG分布的随机变量x1,…,xn,采用矩量法。方差、偏度和峰度采用实证样本数据,式(28)、式(29)、式(30)和式(31)求解了α,β,μ,δ.该估计法最大的优点是可以分别解决均值和方差的分布分别为0和1的不同类型的NIG分布。如图2所示,可以根据零均值和方差建立很多不同类型的NIG分布(由于篇幅原因,仅选取4种典型的NIG分布图示)。
5 正态逆高斯分布因子模型对CDO定价的实证研究
由上文分析可知,CDO分券的隐含相关性具有不同结构和水平。那么要保证每个分券具有相同的相关水平,可以通过使用相同投资组合的损失分布,来纠正相关性“微笑”现象。在经济理论上,公因子Z一般反映的是商业周期。因此,要确定CDO市场的商业周期的一般状态,而不应该存在隐含的复合相关性。
本文构建基于正态逆高斯(NIG)分布因子模型,模型的输入部分为:参考组合的基础单名CDS利差、每个参考名假设回收率和基础单名CDS之间成对相关性假设;如高斯单因子模型,可以对每个基础单名CDS的特有风险使用高斯分布;模型输出结果为:公因子的隐含零均值和单位方差的NIG分布。在本文采用的方法中,选取标的资产组合的相关性作为输入部分,将不再讨论成对关联估计,可自由选择相关估计方法和假设有关的回收率。
为运用该模型来对非标准CDO分卷进行定价,必须对模型进行修正,那么如何对模型进行修正,从而使用修正后的模型来评估非标准CDO分卷的定价,具体实证分析过程如下所述,本文所有实证分析均在matalab2010a下进行,所有实证图表结果均由matalab2010a生成。
第一步,研究每个分卷的利差(或预付)相对于NIG分布的公因子Z的偏度和峰度的敏感度。 本文使用iTraxx欧洲指数各分券的市场报价(见表1),假设两两相关平均标的资产的指数是20%。然后,利用因子模型的性质和NIG分布,改变NIG分布公因子的偏度和峰度计算到期期限不同(5年、7年和10年)的每种分卷的利差,结果图3、图4和图5所示(由于篇幅原因,只选取部分典型的输出结果图示,5 年期的选取0~3% 及3% ~6% 的偏度和峰度;7年期的选取选取9%~12%及12%~22%的偏度和峰度,10年期的选取6% ~9% 及9% ~12% 的偏度和峰度)。虚线代表分卷的市场利差,结果显示每个分卷的利差敏感度是有差异的,对一个已给定的到期日,每个分卷的利差有不同的行为,因此必须对单因子模型进行修正。
第二步计算提取每个分卷与市场报价相配的偏度/峰度。最后,采取之前解决办法的交集,获得每个分卷与市场利差匹配的最佳的一对偏度/峰度,据此确定公因子的隐含零均值和单位方差的NIG分布。修正的结果如表2所示,从表2中可以看出,该模型理论估价结果很好的拟合了不同到期日的iTraxx欧洲指数的各分券的市场报价数据(表2所示)。
综上所述,估价一个到期期限T的欧元非标准CDO,具体步骤如下:①确定指数基本单名CDS成对关联水平。②确定这个给定关联水平的隐含NIG分布公因子。③确定相关水平(使用第一步同样的方法)来研究CDO的基本单名CDS投资组合。④运行相应的NIG单因子模型来估价所研究过的非标准CDO分卷。
6 结论
分布因子 第7篇
为缓解可耗竭能源枯竭与环境恶化所带来的压力,风电作为重要的可再生能源发电形式得到了迅速的发展[1,2]。然而,由于风电场输出功率易受外界环境的影响,具有随机性与间歇性的特点,风电场大规模并网发电将对电力系统的安全、可靠运行造成影响,增加电力系统调度决策的复杂性,为电力系统的运行调度理论带来了新的挑战[3,4,5,6,7]。
超前调度是电力系统调度体系中的重要组成部分,是衔接日前调度、实时调度与控制的桥梁与纽带[8]。特别地,对于含有风电场的电力系统,由于风电场输出功率在相邻时间断面间存在较为剧烈的变化(即间歇性),这就更加需要利用超前调度针对时间耦联约束的前瞻特性,协调未来多个时段的调度决策,充分发挥主动性电源有限的调节能力,保证调度方案的可行性。
此外,由于风电场输出功率的随机特性,超前调度,在其前瞻时段内,必然是一种多步、多场景的随机优化问题,问题是较为复杂的。而与此同时,电力系统的超前调度是在调度计划执行时刻前每5～15 min自动在线滚动执行的,其计算速度有较为苛刻的要求,因而超前调度的建模与求解应是在计算精度与计算速度之间的折中。而就计算速度而言,目前解决随机优化问题常用的随机机会约束规划模型、随机相关机会规划模型及与之对应的随机模拟与遗传算法相结合的求解方法[9]对于超前调度的运行实际并不适用。因而寻求快速、有效,对于风电场输出功率的随机扰动具有合理鲁棒性的超前调度方法就成为含风电场电力系统调度问题研究的焦点与难点之一。这其中,要实现一定扰动集合(该集合可通过备用成本/效益分析,在日前调度时间级确定)内调度决策的鲁棒性,对于集合内各场景下运行约束条件的满足是必须的,而对场景的普遍性考虑势必扩大问题规模,与求解快速性的要求相矛盾,因而,找到扰动集合中的关键性扰动,对超前调度需考虑的场景进行消减就成为问题解决的关键。
对此,本文首先就超前调度所对应的准实时运行环境,推导了节点注入有功扰动量对支路潮流变化量的扰动转移分布因子(Disturbance Shift Distribution Factor,DSDF);随后,根据扰动转移分布因子,文章分析了风电注入节点有功功率变化对支路潮流的影响,并指出对于超前调度所计及的直流潮流约束,各风电注入节点有功功率随机扰动所形成的扰动集合中的关键性扰动必包含在一个具有2N(其中N表示风电注入节点个数)种扰动情况的子集中;最后,通过对烟台电网所进行的模拟仿真实验表明了本文观点的正确性。以上工作的完成为构造含风电场电力系统具有鲁棒性的超前调度模型与方法提供了必要的理论依据。本文中暂假定各风电注入节点有功功率的随机扰动相互独立。
1 扰动转移分布因子
灵敏度分析是电力系统分析中的常用方法,其目的在于分析当系统中某变量发生变化时,其他变量随之发生变化的剧烈程度[10]。在电力系统的准实时运行条件下,系统中参与AGC调节机组的参与因子是确定的,此时,参调机组将被动跟踪有功负荷或风电场输出有功功率的随机扰动而维持系统频率的恒定。因而,在准实时运行条件下,系统的运行状态完全是由节点注入有功功率扰动量所决定的。基于此理解,下面通过直流潮流灵敏度分析,推导节点注入有功功率扰动量与支路潮流变化量之间的扰动转移分布因子。此处推导工作部分基于文献[11-12]所做的相关工作。
在各节点电压幅值均为额定值,并且忽略支路电阻的假设前提下,电力系统的直流潮流可以表示为
在式(1)中,扩展电抗阵X为节点电纳阵B0(B0∈R(NS-1)×(NS-1))求逆后所形成的节点电抗阵在参考节点对应行与列补0元素后形成的矩阵[11]。
由于式(1)是线性的,无疑式(2)是成立的。
式中:∆θ为节点电压相角变化量列向量;∆P为节点注入有功功率变化量列向量。
此时,支路l上的潮流变化量∆lP可表示为
式中:∆Pl为支路l上的潮流变化量;lx为支路l的电抗;Ml为节-支关联矩阵中对应支路l的列向量[10]。
根据式(2)的表达可知,在节点注入有功功率发生扰动的情况下,系统有功功率的不平衡量均由参考节点单独进行调节,这种假设并不符合电力系统的运行实际。为此,将系统节点分为扰动节点(N个)、调节节点(NA个)、以及恒功率节点(NC个)。设扰动节点注入有功功率变化量列向量用∆DP∈RN表示,则调节节点注入有功功率变化量列向量∆AP∈RNA可表示为
式中:α∈RN A为调节节点上参调机组所分配的参与因子列向量;1∈RN是元素全为1的N维列向量。
由此,网络中各节点的注入有功功率变化量可以由扰动节点注入有功功率变化量表示为
式中:E为N阶单位阵;0为元素均为0的NC行,N列矩阵;MT为扰动映射矩阵,其将扰动节点有功功率变化量映射到网络中的所有节点上。
所以,将式(2)、(3)、(5)联立,即可得支路潮流变化量与扰动节点注入有功功率变化量之间的对应关系为
式中:∆PB为支路潮流变化量列向量;XB-1为对角元为支路电抗倒数的对角阵;A为节-支关联矩阵。
由此,扰动转移分布因子DSDF为
对于以上推导过程需说明的是:
1)对于公式(5),∆P中节点顺序并不一定需要如此排列,对于任意排列方式,推导过程中的其他矩阵应做相应行列变换以与之配合。
2)若某调节节点含有多台参调机组,则节点参与因子为多台参调机组参与因子的代数和。
3)若某节点既存在参调机组又存在扰动性电源或负荷,该节点仍可以作为调节节点处理,仅需将式(5)MT中∆PD的对应行加到∆PA的对应行上即可。
2 风电对超前调度直流潮流约束的影响
如引言所述,风电的引入使超前调度需要考虑的场景增多,问题规模扩大,加大了模型求解的难度。为此,寻找给定扰动集中的关键扰动,对超前调度的预想场景进行消减或许成为必然的选择。
超前调度在调度时刻到来前滚动执行,动态地确定各参调机组的参与因子。相比较于静态的调度方法,超前调度所得的参与因子预期了机组输出功率的变化趋势,能够协助避免在AGC控制过程中“拉锯现象”的出现[13,14]。如图1所示系统负荷的变化,参调机组i在tinitial与ttarget之间时段的参与因子为
式中:pinitial、ptarget分别表示调度初始值与调度目标时刻的调度值;下标表示机组序号;NG为参调发电机总数;为与节点参与因子相区别,此处用αG,i表示机组i的参与因子。
由上述可见,超前调度解的执行过程是典型的准实时过程。由此,可以利用扰动转移分布因子,对超前调度的直流潮流约束进行关键扰动分析。
对于任意超前调度的解,在其执行过程中,当扰动场景k出现时,支路潮流可以表示为(由式(6)可以方便地得到)
式中:L表示支路总数;N表示风电注入节点总数;下标k表示扰动集合中的第k种场景;PB,l,k为场景k下支路l传输的有功功率;PB0,l为初始时刻支路l传输的有功功率,此处为已知量;∆PD,j,k为场景k下风电注入节点j有功功率的扰动量;dlj为DSDF中的对应元素,其与超前调度结果有关。
观察式(9)可以发现如下特点:(1)dlj与网络拓扑、支路参数、参与因子有关,在调度结果得到之前,其正负未知;(2)同一风电注入节点有功功率的扰动会对多条支路潮流产生影响;(3)支路传输有功功率与风电注入节点有功功率扰动量之间呈线性关系。由此,根据线性规划原理,可以得出,支路潮流的最大值必然出现在风电注入节点有功功率扰动的极值点处。即得结论:
针对超前调度的直流潮流约束,由风电注入节点有功功率随机扰动形成的扰动集中的关键扰动必然存在于由N个风电注入节点有功功率扰动范围上、下边界组合而成的具有2N个元素的集合中。
该结论说明,若某调度结果能够满足关键扰动集2N种情况下的直流潮流约束,那么,该调度结果便可满足给定扰动集内所有扰动情况下的直流潮流约束。
3 算例分析
为检验本文观点的正确性,对烟台电网等值的26节点系统进行模拟仿真试验。系统网架结构如图2所示。
系统在节点3和节点8各接一处风电场,注入有功功率标幺值分别在[0,1]以及[0,1.5]范围内波动。
试验步骤如下:
1)根据初始给定条件,进行潮流计算得到系统的初始运行点。
2)给定各参调机组的参与因子。
3)由Monte Carlo随机抽样得各风电场输出功率扰动量,并将功率偏差按参与因子在各发电机之间进行分摊。
4)根据新的节点注入功率,计算潮流。
5)重复步骤3)、4)至预定次数,记录使每条线路传输功率(绝对值)达最大时的风电场输出功率值。
以电网典型数据模拟10万次结果显示,当支路传输功率绝对值达到最大值时,风电节点的注入有功功率出现5种情况(场景),即(0.0026,0.0004)、(0.0000,1.5000)、(1.0000,0.0000)、(1.0000,1.5000)、(0.1070,1.5000)。根据本文观点,风电注入节点有功功率扰动形成的扰动集中的关键扰动应在集合{(0,0),(0,1.5),(1,0),(1,1.5)}中。通过对比,场景(0.0026,0.0004)应对应(0,0)的情况,差额可以认为是由模拟误差造成的,当将模拟次数增加到100万次后,该差额小于10-4。而对于场景(0.1070、1.5000),其对应支路为20-23,25-26,从图2中可以看出,这两条支路均仅为23及26节点的负荷供电,在风电注入节点有功功率发生变动的情况下,这两条支路上传输的功率并不会发生变化。也就是说,场景(0.1070、1.5000)完全可以由集合{(0,0),(0,1.5),(1,0),(1,1.5)}中的任意场景代替而对应支路20-23,25-26上的传输功率是相同的。
4 结论
本文通过直流潮流灵敏度分析推导出准实时运行条件下节点有功功率扰动量对支路潮流变化量的扰动转移分布因子;进而,利用该因子说明了对于超前调度的直流潮流约束,各风电注入节点有功功率扰动所形成的扰动集合中的关键扰动必然存在于由扰动边界组合形成的集合中。本文工作的开展为进一步构造快速、有效、对风电注入节点随机扰动具有合理鲁棒性的超前调度方法提供了必要的理论依据。
摘要：风电并网规模的扩大增加了电力系统运行中的不确定性,使电力系统调度决策的复杂性增强。在此背景下,就风电场输出有功功率随机扰动对支路潮流的影响问题进行了探讨,推导出准实时运行条件下节点注入有功功率扰动量对支路潮流变化量的扰动转移分布因子(Disturbance Shift Distribution Factor,DSDF)。并以此说明对于超前调度所计及的直流潮流约束,各风电注入节点有功功率随机扰动所形成的扰动集合中的关键扰动必包含在一个具有2(N其中N表示风电注入节点数)种扰动情况的子集中,该分析为设计具有鲁棒性的超前调度方法提供了理论依据。通过对烟台电网实际系统的随机模拟试验表明了观点的正确性。