导读:本文包含了颗粒态有机碳论文开题报告文献综述及选题提纲参考文献，主要关键词:固碳能力,施氮,土壤总有机碳,矿质结合态有机碳
颗粒态有机碳论文文献综述
张世汉,武均,张仁陟,蔡立群,齐鹏[1]（2019）在《施氮对陇中黄土高原旱作农田土壤颗粒态有机碳的影响》一文中研究指出为探明不同施氮水平对陇中黄土高原旱作农田土壤有机碳的影响,以布设于2013年的施氮定位试验为研究对象,利用碘化钠重液分组法,探究了N_0,N_(52.5),N_(105),N_(157.5)4种施氮水平对陇中黄土高原旱作农田土壤总有机碳(STOC)、游离态颗粒有机碳(FPOC)、闭蓄态颗粒有机碳(OPOC)、矿质结合态有机碳(MOC)的影响。结果表明:在0—20 cm土层,不同处理下STOC,FPOC,OPOC,MOC含量及FPOC/STOC,OPOC/STOC均随土层加深而降低,MOC/STOC随土层加深而增大。较N_0处理,N_(52.5),N_(105),N_(157.5)处理均可提升STOC,FPOC,OPOC含量以及FPOC/STOC,OPOC/STOC,且N_(105)处理下提升效应最优;N_(105)和N_(157.5)处理可显着提升0—20 cm各土层MOC含量,且N_(105)处理下提升效应最优。综上所述,N_(105)处理可有效促进土壤固碳能力、节约投入成本,可筛选为该区春小麦栽培的合理施氮量。(本文来源于《水土保持研究》期刊2019年06期）
康宝荣,刘立忠,刘焕武,李扬扬,艾双双[2]（2019）在《关中地区秋冬季颗粒物二次有机碳的估算》一文中研究指出2017年9月4日～2018年1月19日期间分别在关中地区的5个主要城市西安(XA),渭南(WN),铜川(TCH),宝鸡(BJ),咸阳(XY)设置采样点进行PM_(2.5),PM10颗粒物手工采样观测,采用热光透射法(TOT)分析碳组分,最小值法估算二次有机碳(SOC)浓度,结果显示PM_(2.5)与PM10中SOC平均浓度分别为(7.44±5.54),(9.62±7.49)μg/m~3,一次有机碳(POC)平均浓度分别为(7.04±2.59),(9.33±4.33)μg/m~3,不同粒径颗粒物中SOC各点位的浓度值分布表现基本相同为XY>XA>WN>BJ>TCH.PM_(2.5)中SOC含量为8.76%,OC占比为48.03%,PM10含量为6.28%,OC占比为48.09%,季节分布均呈现为秋季低冬季高,关中地区SOC污染严重.后向轨迹聚类分析结果显示污染气团传输主要是关中地区局部污染和西北,东北方向传输,其中局部污染轨迹的数量占比较多,浓度较高.低空传输与近地面风向风速及污染物分布存在差异,结合关中地区盆地地形,静风频率高,边界层低等多种因素造成颗粒物中SOC浓度较高,其中BJ点位易受到东北气团的污染物传输累积.(本文来源于《中国环境科学》期刊2019年09期）
周雪莹[3]（2019）在《基于颜色指数的全球大洋颗粒有机碳（POC）遥感反演算法》一文中研究指出颗粒有机碳是指海水中有机颗粒物,由生物成分和非生物成分组成,颗粒有机碳在海洋碳循环中具有十分重要的地位,相关研究越来越受到重视。水色遥感提供了在短时间内获取大范围的数据的手段,对有效监测海域内颗粒有机碳的分布与动态变化具有重要作用。目前虽然反演颗粒有机碳算法众多,但适用于全球大洋水体的反演算法仍有进一步改善的空间。本文利用实测颗粒有机碳浓度(Particulate Organic Carbon,POC)和相对应的卫星遥感反射率数据(Rrs),建立并验证了基于颜色指数CIPOC反演海洋表层POC的经验算法。该算法最初为估算叶绿素a浓度而开发的,本文反演POC的方法利用以约490nm,550nm和670nm为中心的叁个光谱带来确定CIPOC,并基于光学分类进行建模,从而可实现利用SeaWiFS(Sea-viewing Wide-Field-of-view Sensor)、MODIS/Aqua(Moderate Resolution Imaging Spectroradiometer)、MERIS(Medium Resolution Imaging Spectrometer)等不同的海洋水色传感器反演POC。目前使用的全球POC反演算法为标准蓝绿波段比BG算法,为了客观比较,本文使用相同的数据集和相同的分类算法重新制定了蓝绿波段比BG算法。利用SeaWiFS共297个数据建立基于光学分类的反演模型后,利用SeaWiFS(455个)、MODIS/Aqua(899个)、MERIS(72个)数据进行精度验证,结果表明,当CIPOC和BG算法应用于CIPOC值相对较低的开阔海域水域时,表征卫星POC和对比实测POC之间差异的统计参数相近。在CIPOC值普遍较高的沿海水域,CIPOC算法的性能参数更好。此外,本文还利用长时间序列站点、全球月平均影像数据及区域影像数据进行进一步的适用性评价,发现CIPOC算法不仅在沿海水域性能优良,而且由于CIPOC算法对卫星导出的Rrs中的误差和噪声不敏感,还可在开阔海域改善图像质量。(本文来源于《浙江大学》期刊2019-06-30）
安崇霄,张永杰,符小文,杜孝敬,徐文修[4]（2019）在《夏大豆土壤微生物有机碳及颗粒有机碳对不同耕作措施的响应》一文中研究指出【目的】研究周年土壤不同层次碳对耕作措施的响应,为复播条件下进行有利大豆土壤固碳的合理耕作措施提供参考依据。【方法】在2017年大田滴灌条件下,设置翻耕覆膜(TP)、翻耕(T)、深松(ST)、免耕(NT)4种土壤耕作处理,研究不同耕作处理对不同土壤层次土壤总有机碳(SOC)、微生物有机碳(MBC)、土壤颗粒有机碳(POC)含量的影响。【结果】相对于T与TP处理,NT与ST处理均有利于增加0～10 cm表层土壤的SOC、MBC和POC的质量分数,但两者间无显着性差异。在10～30 cm耕作层,TP处理较比于其余叁种处理,能保持土壤中SOC、MBC和POC的质量分数。但在土层深度30 cm以下,ST处理的MBC、POC质量分数逐渐与其余叁种处理的差异性逐渐增大并呈显着性差异。在0～60 cm土层深度,微生物有机碳与颗粒有机碳占总有机碳的比例范围分别为1.29%～2.35%与17.81%～31.99%,并均在深度至60 cm的土层达到最高点,其占在总有机碳的比率为ST>TP>T>NT。【结论】深松和免耕均能够有效增加表层土壤的SOC、MBC和POC的质量分数,其中深松对土层深度30 cm以下的MBC、POC质量分数与比率具有显着提升,而在土层20～30 cm翻耕覆膜能够更好保持土壤中SOC、MBC和POC的质量分数。(本文来源于《新疆农业科学》期刊2019年06期）
雒园园[5]（2019）在《黄河叁角洲地区大气颗粒物中水溶性有机碳污染特征研究》一文中研究指出水溶性有机碳(WSOC)是碳质气溶胶的重要组成部分,约占细颗粒物中有机碳(OC)质量浓度的20%-80%。WSOC对太阳光近紫外波段有一定吸收;此外,WSOC能通过改变气溶胶表面张力和吸湿性等物理性质,影响成云过程,从而对大气辐射强迫产生一定的影响。在排除生物质燃烧影响的情况下,WSOC还能作为二次有机气溶胶(SOA)的指示物,用于外场观测中SOA的估算。因此,系统地探究WSOC的特性对于区域气候变化以及SOA的研究都具有重要意义。黄河叁角洲位于我国华北平原,近年来,快速的经济发展使该地区空气质量急剧恶化,细颗粒物污染事件频发。此外,黄河叁角洲所在的东营市由于当地石油开采业的发展,导致该地区挥发性有机物的排放量增大,加之黄河叁角洲靠近渤海,该地区的相对湿度也相对较高,这些都有利于颗粒相WSOC的生成。因此,研究黄河叁角洲地区大气颗粒中的水溶性有机碳具有重要意义。本研究于2017年冬季和夏季分别在黄河叁角洲自然保护区内进行野外观测实验,通过对PM2.5中碳质组分、水溶性离子组分以及WSOC的分析测定,利用源解析模型、气流轨迹模型等对WSOC的季节变化特征包括来源、二次生成、吸光以及区域传输等理化性质进行了系统探究。此外,本研究还将2017年冬季黄河叁角洲站点与同时期济南市站点得到的WSOC的结果进行了对比分析。本研究结果表明,在黄河叁角洲地区,WSOC是OC的主要组成物种,占OC质量浓度的70%。WSOC的平均浓度夏季(4.62±2.90μg/m3)高于冬季(3.23±1.75 μg/m3)。区域传输对WSOC季节变化有一定的影响,其中山东省东营市以及山东省中部及南部的一些城市如潍坊、淄博、济南和临沂等是WSOC最主要的来源区域。此外,京津冀地区以及江苏省东部沿海地区分别在冬季和夏季对黄河叁角洲地[区的WSOC存在明显的输送。WSOC的质量吸收效率在冬季和夏季分别为1.32 m2/g和0.38 m2/g,冬季WSOC具有更强的吸光能力。WSOC的来源主要有五类:类似硫酸盐的形成、类似硝酸盐的形成、混合二次生成源、混合一次源以及生物质燃烧。二次生成源对于该地区WSOC的贡献最大,在冬季和夏季分别为59.5%和76.0%。气溶胶液态水(ALW)含量的升高以及颗粒物酸性的升高都会增加细颗粒物中二次生成WSOC的含量。黄河叁角洲地区背景站点冬季WSOC的浓度小于济南市城市站点,但WSOC/OC的浓度比值却略高于济南市。黄河叁角洲背景站点WSOC还具有更高的质量吸收效率,吸光能力更强。济南市细颗粒物中WSOC的主要来源与黄河叁角洲背景站点类似,不同的是,黄河叁角洲背景站点细颗粒物中WSOC主要来源于二次生成(59.5%),而济南市WSOC的主要来源却为一次排放(60.3%)。本研究为科技工作者系统认识黄河叁角洲地区细颗粒物的污染状况,尤其是WSOC的污染特征提供了基础资料,同时也为该地区细颗粒物污染防控工作提供了科学的理论依据。(本文来源于《山东大学》期刊2019-05-30）
王娜[6]（2019）在《亚热带植被恢复对不同粒径土壤颗粒有机碳、酶活性的影响》一文中研究指出土壤有机碳(SOC)库是全球碳循环过程的重要因素。土壤酶活性对土壤碳氮磷养分的循环转化起着重要的作用,表征着土壤的肥力状况。目前,有关土地利用方式改变和不同农业经营措施对不同粒径土壤颗粒有机碳含量及其分布、酶活性的影响己有一些研究报道,然而关于植被恢复对土壤颗粒有机碳含量和分布、酶活性动态特征的影响仍少见研究报道。本研究在位于亚热带丘陵区的长沙县选取地域相邻、环境条件基本一致,不同植被恢复阶段的4种植物群落:檵木+南烛+杜鹃灌草丛(LVR),檵木+杉木+白栎灌木林(LCQ),马尾松+柯+檵木针阔混交林(PLL),柯+红淡比+青冈常绿阔叶林(LAG)作为一个恢复序列,研究植被恢复过程中,不同粒径土壤颗粒有机碳含量和土壤酶活性的变化特征及其对植被因子、土壤因子共同作用的响应,揭示植被恢复过程中土壤物理固碳机制以及土壤酶活性的演变机制,为亚热带植被恢复与重建以及土壤碳库、养分管理提供科学依据。主要结论如下:(1)LCQ土壤容重最高,且显着高于LVR、PLL、LAG;随着植被恢复,>2μm砂粉粒百分含量增高,而<2μm黏粒百分含量下降,土壤质地粘质化,土壤颗粒组成由砂粉粒向黏粒转移;土壤pH为4.39～5.07,呈酸性,不同植被恢复阶段差异不显着;各土层TN、TP、AN、AP含量以及BcC、BN、BP随着植被恢复而增加;不同植被恢复阶段土壤N/P比为2.5～10.2,随着植被恢复,土壤N/P比增大,且不同植被恢复阶段之间差异显着,表明随着植被恢复,土壤受P的限制性增大。(2)随着植被恢复,4个土层SOC含量增高,LAG与其他3个林地差异显着,LAG 0—40cm土层SOC分别比LVR、LCQ、PLL增加49.80,30.83和12.58 g/kg,分别提高了65.61%,54.16%,32.51%。LAG SOC库以粉粒、黏粒有机碳为分配主体,而PLL、LCQ、LVR以粉粒、砂粒有机碳为分配主体;随着植被恢复,同一土层同一粒径有机碳含量呈增加趋势,砂粒有机碳含量的分配比例明显下降,黏粒有机碳含量的分配比例明显上升,表现为由粉粒有机碳含量向黏粒转移;同一土层颗粒有机碳(POC)/矿物结合有机碳(MOC)比值减少,土壤对SOC的固持和保护作用增强,SOC稳定性上升。(3)土壤粉粒、黏粒有机碳含量与凋落物层现存量、凋落物层N、P含量、地上部分生物量、根系生物量、群落总生物量呈极显着正相关关系,与凋落物层C/N、C/P相关性为负相关,与土壤TN、TP、AN、AP、C/P、N/P、SOC为正相关关系,与土壤容重、pH值呈极显着负相关关系;而土壤砂粒有机碳含量与土壤TN、TP、AN、AP、C/N、C/P、N/P、SOC呈极显着正相关关系,与土壤容重、pH值相关性为负相关。说明植被因子、土壤因子的改变对不同粒径土壤颗粒有机碳的含量起一定的作用。其中,根系生物量、凋落物层C、N含量和凋落物层C/P,土壤SOC、TN、AN、C/N对不同粒径土壤颗粒有机碳含量的变化影响显着。此外,SOC显着影响着砂粒有机碳含量,其次是土壤AN;粉粒受SOC影响最大,其次是凋落物层N含量;黏粒受土壤TN影响最大。(4)随着植被恢复,土壤酶活性增高,不同植被恢复阶段之间差异显着;LAG、PLL、LCQ土壤脲酶活性(URE)比LVR分别增加了69.18%、43.26%、52.57%,蔗糖酶活性(INV)分别增加了29.90%、13.32%、13.23%,酸性磷酸酶活性(ACP)分别增加了 44.29%、39.01%、18.62%,过氧化氢酶活性(CAT)分别增加了48.50%、42.74%、40.42%。4种土壤酶活性的季节变化特征不同,大体表现为:秋、夏、春季相对较高,冬季最低。4种土壤酶活性之间及其与BC、BN、BP之间存在极显着正相关关系。土壤酶活性与根系生物量、凋落物层N、P含量、地上部分生物量、群落总生物量,凋落物层现存量(除ACP外)均呈极显着正相关关系。通径分析表明,URE、INV、ACP、CAT的直接影响因素和主要影响因素均为砂粒、粉粒百分含量。此外,URE、INV、ACP、CAT活性的剩余余项通径系数较高,说明还存在其他未考虑的土壤因子。(本文来源于《中南林业科技大学》期刊2019-05-01）
曹华星[7]（2019）在《大气细颗粒物中水溶性有机碳的污染特征及有机物的识别》一文中研究指出大气细颗粒物中的有机碳对人体的健康和生活影响尤其明显,因此研究大气细颗粒物中的化学成分,分布规律及来源解析,对于认识区域和城市大气污染状况和控制颗粒物的污染具有重要意义。大气有机污染是影响城市空气能见度和人体健康状况的重要因素。本研究分析了2016-2017年为期一年的上海市PM_(2.5)样品,利用TOC仪分析了样品中的WSOC、利用LC-MS分析了样品中的有机物。主要分析了PM_(2.5)季中WSOC的季节分布特征,WSOC与离子、气态污染物、元素的相关性以及灰霾日与非灰霾日中WSOC与离子、气态污染物、元素的关系,以及样品中的有机物,并对WSOC的来源进行解析。本次研究得到了以下的结论:(1)采样期间,WSOC和IC的浓度均值分别为3.53μg/m~3、0.12μg/m~3。与全国其他城市相比,尽管处于相对较低水平,但高于国外发达城市。WSOC的季节变化呈现为:冬季>秋季>春季>夏季,而其中的原因是是由不同气象条件的差异和污染源的变化造成的。(2)WSOC与O_3在夏季和冬季具有较好的正相关,而在春季和秋季却呈现负相关;WSOC与Na~+、NO_3~-在夏季的相关性较好,但WSOC与其他离子的R~2并未呈现良好的线性关系致使其相关性不明显,这可能是由于WSOC来源复杂造成的;在春季WSOC与Al、Cr、Mn的相关性较好,WSOC相对受机动车尾气、化石燃料燃烧。而在夏季,WSOC与As、Cr、Cu、Zn元素均具有较好的相关性,说明在夏季WSOC主要有机动车尾气和化石燃烧燃烧所贡献。(3)在灰霾日期间,WSOC与O_3呈现正相关,说明WSOC有部分来源于二次转化;而在非灰霾日期间,WSOC。SO_2、Na~+、NH_4~+、SO_4~(2-)、NO_3~-、Nss-K~+均呈现正相关,说明WSOC主要来源受农业生产、燃煤、机动车尾气影响。整个来看,WSOC、IC、TC、O_3,V元素等外,灰霾日期间的PM_(2.5)、元素和离子均大于非灰霾日期间。其中WSOC主要可能是由于非灰霾日较活跃的光化学反应,致使转化的二次有机碳相对较多。(4)通过对流动相的组成筛选、流动相本身筛选、超声次数,萃取剂的筛选,采样膜的比较分析我们采取了合适的条件,并通过二级质谱得到质荷比为484.4、528.4、572.4、163.1的物质,然后根据手动解谱和数据库解谱相结合,得出了这些物质可能含有的官能团,比如羟基、氨基、醚键、酮键等官能团,并且严格控制母离子的误差及匹配率误差。再通过高分率飞行时间质谱和质谱数据库结合,共检验出36种物质,但由于条件限制,没有对其进行标样检验,故只能是可能存在。检出的物质种类类别为有机酸类、酚类、脂类、酮类等,这与已有的文献相合。(5)利用SPSS做主成分因子分析,分别对上海市PM_(2.5)中水溶性有机碳、和可溶性离子、元素进行了源解析。得出WSOC主要来源于二次转化、生物质燃烧和建筑扬尘等。(本文来源于《上海师范大学》期刊2019-05-01）
张金流,夏兆昌[8]（2019）在《巢湖西半湖水体中颗粒有机碳浓度季节变化及其来源研究》一文中研究指出对巢湖西半湖水体中颗粒有机碳(POC)、叶绿素a (Chla)浓度开展为期一年的野外调查,结合颗粒有机物C/N比值、POC/Chla浓度比值及降雨量等数据,分析了巢湖西半湖水体中POC浓度的季节变化规律、影响因素及其主要来源。结果表明,巢湖西半湖水体中POC浓度呈现夏季最高,春秋季次之,冬季最低的变化趋势; Chla浓度与POC浓度变化趋势基本一致,水体中颗粒有机物C/N比值在4. 47-7. 86之间,年平均值5. 86,POC/Chla比值在72. 66-145. 68之间,年平均值为106. 58;上述研究结果说明巢湖西半湖水体中POC主要来源于内源。通过计算表明,内源输入对水体中POC的贡献率在55. 94%-100%之间,年平均值为82. 80%。(本文来源于《蚌埠学院学报》期刊2019年02期）
杨海全,陈敬安,王敬富,郭建阳,曾艳[9]（2019）在《利用Δ~(14)C和δ~(13)C示踪湖泊水体颗粒有机碳来源与循环》一文中研究指出湖泊是全球碳循环的重要组成部分,影响着陆地和水生生态系统有机碳的迁移转化、矿化分解和埋藏(Elisabet et al.,2018;Mccullough et al.,2019)。湖泊碳循环对全球碳源汇有重要影响。全球湖泊总面积虽不及海洋总面积的2%,但每年的碳埋藏量占海洋碳埋藏量的25%～58%,而全球湖泊每年释放CO_2估计达140 Tg C,相当于每年河流向海洋输入碳的总(本文来源于《中国矿物岩石地球化学学会第17届学术年会论文摘要集》期刊2019-04-19）
张莉,李玉义,逄焕成,王婧,丛萍[10]（2019）在《玉米秸秆颗粒还田对土壤有机碳含量和作物产量的影响》一文中研究指出为改进麦玉轮作区秸秆还田方式,推进秸秆资源高效利用,快速提升土壤质量,以秸秆不还田为对照(CK),通过连续3年田间微区试验,研究了等量玉米秸秆粉碎还田(CCSI)和颗粒化还田(GSI)对0～20 cm和20～40 cm土层土壤有机碳(SOC)、可溶性有机碳(DOC)和作物产量的影响。结果表明:与CK相比,GSI和CCSI两种秸秆还田方式均能提高SOC和DOC含量,但主要集中在还田后1.5年内,还田后1.5～3年处理间无显着差异。在秸秆还田处理中,GSI处理能快速提高SOC和DOC含量。在还田当年,GSI处理0～20 cm土层SOC和DOC的平均含量较CCSI处理提高6.59%和3.00%,20～40 cm土层分别提高17.36%和12.65%,且两土层DOC/SOC也显着高于CCSI处理,但随着还田后时间延长,CCSI和GSI处理间差异逐渐缩小,还田后1.5年两者无显着差异。此外,GSI处理利于提高作物产量,且在还田当年增产效应更加突出。与CK和CCSI处理相比,GSI处理还田当年小麦产量分别提高9.80%和10.82%,玉米产量分别提高9.54%和3.45%。进一步分析发现,2013—2016年GSI处理虽然增加了经济投入,但由于具有更高的籽粒产量,最终获得较高的年均净利润,分别比CK和CCSI处理提高10.09%和3.24%。研究表明,秸秆颗粒还田较常规粉碎还田能快速提高SOC和DOC含量,促进当季作物增产,获得较高的经济效益。(本文来源于《农业资源与环境学报》期刊2019年02期）
颗粒态有机碳论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
2017年9月4日～2018年1月19日期间分别在关中地区的5个主要城市西安(XA),渭南(WN),铜川(TCH),宝鸡(BJ),咸阳(XY)设置采样点进行PM_(2.5),PM10颗粒物手工采样观测,采用热光透射法(TOT)分析碳组分,最小值法估算二次有机碳(SOC)浓度,结果显示PM_(2.5)与PM10中SOC平均浓度分别为(7.44±5.54),(9.62±7.49)μg/m~3,一次有机碳(POC)平均浓度分别为(7.04±2.59),(9.33±4.33)μg/m~3,不同粒径颗粒物中SOC各点位的浓度值分布表现基本相同为XY>XA>WN>BJ>TCH.PM_(2.5)中SOC含量为8.76%,OC占比为48.03%,PM10含量为6.28%,OC占比为48.09%,季节分布均呈现为秋季低冬季高,关中地区SOC污染严重.后向轨迹聚类分析结果显示污染气团传输主要是关中地区局部污染和西北,东北方向传输,其中局部污染轨迹的数量占比较多,浓度较高.低空传输与近地面风向风速及污染物分布存在差异,结合关中地区盆地地形,静风频率高,边界层低等多种因素造成颗粒物中SOC浓度较高,其中BJ点位易受到东北气团的污染物传输累积.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
颗粒态有机碳论文参考文献
[1].张世汉,武均,张仁陟,蔡立群,齐鹏.施氮对陇中黄土高原旱作农田土壤颗粒态有机碳的影响[J].水土保持研究.2019
[2].康宝荣,刘立忠,刘焕武,李扬扬,艾双双.关中地区秋冬季颗粒物二次有机碳的估算[J].中国环境科学.2019
[3].周雪莹.基于颜色指数的全球大洋颗粒有机碳（POC）遥感反演算法[D].浙江大学.2019
[4].安崇霄,张永杰,符小文,杜孝敬,徐文修.夏大豆土壤微生物有机碳及颗粒有机碳对不同耕作措施的响应[J].新疆农业科学.2019
[5].雒园园.黄河叁角洲地区大气颗粒物中水溶性有机碳污染特征研究[D].山东大学.2019
[6].王娜.亚热带植被恢复对不同粒径土壤颗粒有机碳、酶活性的影响[D].中南林业科技大学.2019
[7].曹华星.大气细颗粒物中水溶性有机碳的污染特征及有机物的识别[D].上海师范大学.2019
[8].张金流,夏兆昌.巢湖西半湖水体中颗粒有机碳浓度季节变化及其来源研究[J].蚌埠学院学报.2019
[9].杨海全,陈敬安,王敬富,郭建阳,曾艳.利用Δ~(14)C和δ~(13)C示踪湖泊水体颗粒有机碳来源与循环[C].中国矿物岩石地球化学学会第17届学术年会论文摘要集.2019
[10].张莉,李玉义,逄焕成,王婧,丛萍.玉米秸秆颗粒还田对土壤有机碳含量和作物产量的影响[J].农业资源与环境学报.2019