寻找月球上的水

猜一猜,什么地方有海却没有水？答案当然是月球。从风暴洋再到虹湾（形状非常像地球上雨后弯弯的彩虹）,月球上到处都是和水有关的地名。除此之外,月球表面和水却再无瓜葛——这些由40亿年前陨星轰击而成的熔岩平原比地球上最干燥的沙漠还要干燥。但也许这个谜语的答案并不是十分准确,在我们的近邻月球上,可能还存在着一些足以维持永久人类月球基地的水或者冰。     

无机胶凝沙漠绿化砖制备及其性质的研究

采用模压成型方式制备沙漠绿化砖,分析无机胶凝剂用量、固化剂浓度、固化时间3个因素对绿化砖抗压强度、密度和吸水率的影响,从而确定最佳的工艺参数.正交实验结果表明：制备每块绿化砖的最佳的工艺参数为沙子12 kg,无机胶凝剂1 500 mL,固化剂浓度2.5 mol/L,固化时间45 min.但在实际生产过程中,考虑到节约成本和效率问题,固化剂浓度可以降低到1 mol/L、固化时间缩短为5 min.同时证明,添加一定量的膨润土,可以在保证抗压强度不受影响的情况下有效达到节约成本的目的.     

“沙漠之鹰”

什么？不知道“沙漠之鹰”？那你可得好好补补军事知识了。1979年,以色列马格南研究公司开始研制一种靶枪和狩猎手枪。这种手枪在1983年以IMI公司生产“沙漠之鹰”的形式生产和销售。它是专门为近战中能一发制敌而研制的一种进攻性手枪,虽身形娇小,但威力巨大,命中率高。让我们来一睹它的风采吧。     

塔克拉玛干柽柳的根对多风环境的适应

采用全根挖掘的方法对塔克拉玛干沙漠腹地的成年塔克拉玛干柽柳根系分布的范围、垂直深度和特征分别进行了测量和研究.塔克拉玛干柽柳浅层侧根根系的形态分布与沙漠腹地的主导风向有着密切的关系;同时,垂直根分布深度受地下水水位的抑制.植株迎风面根系重量和长度的分布远远小于背风面.与此同时,柽柳背风面根径厚度相对于迎风面有明显增加.因此,塔克拉玛干柽柳对沙漠腹地多风生境的适应性响应是通过增加其背风面根系的分布和根径的厚度来实现的.     

小行星与地球

20世纪初期,美国采矿工程师丹尼尔·巴杰林在亚利桑那州北部沙漠,发现并确认巴杰林陨石坑后,人们始相信直径数百米以上的小行星或彗星从天而降时,可能会重创地球,导致生灵涂炭;才相信"杞人忧天"并非庸人自扰!     

现代沙漠对气候变化的响应与反馈:以古尔班通古特沙漠为例

现代沙漠对气候变化的响应与反馈作用是全球气候变化研究中不可缺少的重要组成部分。沙漠对气候变化作出响应,同时在响应过程中以特殊环境的反馈作用影响气候。因内外学者对沙漠气候的研究做过许多工作,但对于旱区现代国家、半固定沙和流动沙漠对气候变化的响应与反馈关系的研究甚少,特别是干旱沙漠区对响应与反作用因子、参数量级变化关系如何一直是研究中的难题之一。根据古尔班通古特沙漠区近４０年气候变化序列以沙漠表层的气     

中国沙漠科学研究进展

中国沙漠科学研开始于２０世纪３０年代,陈宗器等人对我国的个别沙漠进行了初步研究建国初期,沙漠研究工作根据营造防风固沙林带的需要,开展了一些小规模的研究,如结合营造陕北防护林带的建设,开展了陕北榆林、靖边、定边等地区毛乌素沙漠的流动沙丘研究．但真正的沙漠科学的综合研究,是从１９５９年中国科学院治沙队开始的．那时组织了多学科联合的庞大科研队伍,开展了对我国主要沙漠与戈壁的大规模综合考察,与此同时,在西北６省、自治区建立了多个治沙试验研究站,开展了防治风沙危害农田、铁路的试验研究。４０多年来,我国在沙…     

黄土高原北部风沙区喷播植物护坡研究

摘要：应用液体喷播快速绿化材料turf-mulch喷播植物技术对黄土高原北部风沙地区的护坡问题进行了探讨。喷播用植物种子为油蒿(Artimisia ordosica)，柠条(Caragana microphylla)，紫穗槐(Amorphafruticosa)，杨柴(Hedysarum mongolicum)，紫羊茅(Festuca rubra)。结果显示，对750黄土边坡来说抗风蚀效率能达到95％以上，对300边坡风沙土来讲抗风蚀效率能达到100％；坡向对植物的影响表现为南坡植物种类多于北坡，南坡植物密度大于北坡；不论黄土还是风沙土，喷播turf-mulch材料后。植物密度大于其它的固沙固土措施，而且对边坡具有明显的保水和防止水蚀的效果；就喷播植物种而言。以油蒿为喷播植物种护坡为最佳。     

Shearlet域深度残差CNN用于沙漠地震信号去噪

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet 变换的深度残差卷积神经网络( ST-CNN: Deep Ｒesidual Convolutional NeuralNetwork for Shearlet Transform) 模型,实现沙漠地震信号的随机噪声压制。在训练阶段,将沙漠地震信号经Shearlet 分解后的系数作为输入,将随机噪声经Shearlet 分解后的系数作为标签,通过卷积神经网络( CNN: Convolutional Neural Network) 学习输入和标签之间的映射关系; 在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet 反变换获得有效信号。通过与传统的Shearlet 硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从－ 4． 48 dB 提高到14． 15 dB,具有更好的去噪效果。