摘要:类黄杞属(Palaeocarya Saporta, 1873, emend. Manchester, 1987)隶属于胡桃科,是一个化石属,典型特征为翅果具有三裂片。该属的化石记录非常丰富,在北半球的新生代地层中被广泛报道。在中国,类黄杞属的化石记录主要见于海南、广西、吉林和云南。本文描述了发现于广东茂名盆地晚始新世和早渐新世地层中的类黄杞属果化石4种,分别为:Palaeocarya yunnanensis San-Ping Xie et Bai-Nian Sun,P. guangxiensis Li et Chen Y. F.,P. gaolingensis Yun-Fa Chen,P. hispida H. H. Meng et Z. K. Zhou。这是迄今广东首次发现类黄杞属大化石,表明在晚始新世时类黄杞属植物即已分布到我国低纬度亚热带地区,并开始了多样性的演化。
摘要:滑坡空间易发性统计模型的构建需要正样本(滑坡点)和负样本(非滑坡点)两类数据,但历史观测数据仅记录了正样本,而负样本的选取容易受到正样本污染,因为没有滑坡记录的地方也可能在过去或未来发生滑坡,从而导致模型的预测精度与稳定性受到影响。针对此问题,将前期提出的半监督学习算法PBLC(positive and background learning with constraints)应用于滑坡空间易发性分析,探讨其解决负样本污染问题的有效性。本文以粤东地区为研究区,选择高程、坡度、坡向、剖面曲率、距离道路最短距离、距离断层线最短距离、距水系最短距离、年平均降雨量、归一化植被指数和地理坐标共11个影响因子作为环境变量。结果表明,与传统的人工神经网络模型相比,基于PBLC算法的预测概率取值范围更为合理,预测结果更加稳定,且预测精度随背景样本数量增加而提高;粤东地区的滑坡灾害高易发区集中于北部和西南区域,坡度和高程是影响该地区滑坡易发性的主要因子。结果表明,半监督学习算法PBLC可以有效解决滑坡统计建模过程负样本污染的问题,提高模型预测精度。