龙羊峡水库入库径流中长期预报问题的研究
|
摘要
龙羊峡水库是黄河上游梯级水库的龙头,在防汛、抗旱及发电等方面发挥着重要的作用。由于一直没有开展水库中长期预报的研究工作,水库管理部门在安排防汛、发电等工作时始终处于被动局面。
本文针对实际存在的问题,根据龙羊峡以上流域的水文、地理特征,通过分析其产汇流机制,从物理成因和统计分析角度确定了影响径流的基本因子,采用混沌动力系统分析方法确定了最大可能的预报时间尺度,并用多元回归分析和人工神经网络预测方法,对龙羊峡入库径流进行预测,目的就是建立可用于作业的可靠性较高的中长期预报模型,为水库的防洪、发电提供有价值的参考依据。主要的研究成果如下:
广泛查阅国内外有关文献资料,对中长期水文预报的国内外研究现状和预报手段进行了归纳。并在此基础上,根据流域的特性和现有水文资料状况确定了研究方法,即成因分析和混沌动力系统分析方法。
以物理成因分析和数理统计分析两种途径,对影响龙羊峡水库入库径流的因子进行系统地分析和研究。结果表明:降雨是丰水期影响龙羊峡水库入库径流的主要因子。枯水期则主要以流域和河网的退水为主。而且在预报时段内,降水的时空分布对预报径流的影响很小。
把混沌动力分析方法引入到水文预测实践,通过对龙羊峡入库径流时间序列的混沌动力特性分析,确定了龙羊峡入库径流时间序列的最大可能预报时间尺度和序列中的最小嵌入维数,为其中长期预报模型预见期和影响因子个数的确定提供了科学依据。
利用所确定的主要影响因子,在其最大可能预报时间尺度和序列中的最小嵌入维数范围内,分别建立了基于多元线性回归方法和BP神经网络方法的非线性中长期预报模型,并进行了预报检验和不同模型预报成果的对比分析。结果表明模型对径流的预报效果好,完全可以达到实用要求。
通过以上的研究表明,对龙羊峡入库径流的成因分析和混沌特性分析是合理的,与径流的实际情况相吻合。建立在时间序列分析基础上的中长期预报模型具有很好的预报效果,可以用于作业预报。所获得的成果不仅能为龙羊峡水库和电站运行提供有价值的参考依据,而且也能为黄河上游梯级水库联合调度的研究提供依据。
The Longyangxia reservoir is the first one of the Yellow river upper stream reservoirs in cascade. It plays an important role in aspects of flood-control, drought prevention and electric power generation etc. Because the mid and long term hydrological forecast of the reservoir has not been completed, the reservoir management is always in a passive situation when arranging flood operation, electric power generation etc.
Aiming at the actual existing problems and according to the hydrological and geographic characteristics of the reservoir, the basic factors influencing the runoff are determined in this paper from the point of view of the physical cause and statistics analysis through the analysis on the mechanism of the runoff generation and afflux. Using chaotic dynamic system analysis, the maximum possible forecast time dimension is determined. Using multivariate linear regression analysis and artificial neural network forecast method, the Longyangxia reservoir inflow is forecasted .The purpose is to establish a mid and long term forecast model that can be used in practice and has higher dependability and to offer worthy consult basis for the reservoir flood prevention and electric power generation. The main research results are as follows:
(1) Broadly referring to related domestic and international materials, the present condition of the domestic and international research of the mid and long term hydrology forecast and forecast means are generalized. Based on this, the research method, that is genetic analysis and chaotic dynamic system analysis method, is determined according to the characteristic of the river basin and the status of the hydrology data.
(2) The factors, which influence the Longyangxia reservoir inflow, are analyzed and researched systemically by means of physical cause analysis and statistics analysis. The results show that the rainfall is the main factor influencing the Longyangxia reservoir inflow in high flow period and while the recession of the river basin and river network in low flow period. Inside the forecast time interval the influence of the rainfall distribution on the runoff forecast is small.
(3) The chaotic dynamic analysis method is introduced into the hydrology forecast. Through the analysis on the chaotic dynamic characteristic of the time series of the Longyangxia reservoir inflow, the maximum possible forecast time dimension of the
inflow time series and the minimum imbedding dimension of the series are determined. These offer a scientific basis for the determinations of the forecast period of the mid and long term forecast model and the number of forecasters..
(4) Making use of the main influence factors determined, models respectively based on multivariate linear regression analysis method and artificial neural network forecast method are established inside the range of the maximum possible forecast time dimension and the minimum imbedding dimension. The checking of forecast and the contract analysis on the forecast results of different models are executed. The results show that the effect of the runoff forecast is good and can entirely reach the need of practical uses. The improvement of the forecast scheme is expected.
Researches above indicate that the genetic analysis and chaotic characteristic analysis on the Longyangxia inflow are rational and consistent with the practical situation of the runoff. The mid and long term forecast model based on the time series analysis has a good forecast effect. It can be used in the practice forecast. The results attained can offer worthy consult basis not only for the operation of the Longyangxia reservoir and the power station, but also for the joint dispatch of the Yellow river upper stream reservoirs in cascade.
本文针对实际存在的问题,根据龙羊峡以上流域的水文、地理特征,通过分析其产汇流机制,从物理成因和统计分析角度确定了影响径流的基本因子,采用混沌动力系统分析方法确定了最大可能的预报时间尺度,并用多元回归分析和人工神经网络预测方法,对龙羊峡入库径流进行预测,目的就是建立可用于作业的可靠性较高的中长期预报模型,为水库的防洪、发电提供有价值的参考依据。主要的研究成果如下:
广泛查阅国内外有关文献资料,对中长期水文预报的国内外研究现状和预报手段进行了归纳。并在此基础上,根据流域的特性和现有水文资料状况确定了研究方法,即成因分析和混沌动力系统分析方法。
以物理成因分析和数理统计分析两种途径,对影响龙羊峡水库入库径流的因子进行系统地分析和研究。结果表明:降雨是丰水期影响龙羊峡水库入库径流的主要因子。枯水期则主要以流域和河网的退水为主。而且在预报时段内,降水的时空分布对预报径流的影响很小。
把混沌动力分析方法引入到水文预测实践,通过对龙羊峡入库径流时间序列的混沌动力特性分析,确定了龙羊峡入库径流时间序列的最大可能预报时间尺度和序列中的最小嵌入维数,为其中长期预报模型预见期和影响因子个数的确定提供了科学依据。
利用所确定的主要影响因子,在其最大可能预报时间尺度和序列中的最小嵌入维数范围内,分别建立了基于多元线性回归方法和BP神经网络方法的非线性中长期预报模型,并进行了预报检验和不同模型预报成果的对比分析。结果表明模型对径流的预报效果好,完全可以达到实用要求。
通过以上的研究表明,对龙羊峡入库径流的成因分析和混沌特性分析是合理的,与径流的实际情况相吻合。建立在时间序列分析基础上的中长期预报模型具有很好的预报效果,可以用于作业预报。所获得的成果不仅能为龙羊峡水库和电站运行提供有价值的参考依据,而且也能为黄河上游梯级水库联合调度的研究提供依据。
The Longyangxia reservoir is the first one of the Yellow river upper stream reservoirs in cascade. It plays an important role in aspects of flood-control, drought prevention and electric power generation etc. Because the mid and long term hydrological forecast of the reservoir has not been completed, the reservoir management is always in a passive situation when arranging flood operation, electric power generation etc.
Aiming at the actual existing problems and according to the hydrological and geographic characteristics of the reservoir, the basic factors influencing the runoff are determined in this paper from the point of view of the physical cause and statistics analysis through the analysis on the mechanism of the runoff generation and afflux. Using chaotic dynamic system analysis, the maximum possible forecast time dimension is determined. Using multivariate linear regression analysis and artificial neural network forecast method, the Longyangxia reservoir inflow is forecasted .The purpose is to establish a mid and long term forecast model that can be used in practice and has higher dependability and to offer worthy consult basis for the reservoir flood prevention and electric power generation. The main research results are as follows:
(1) Broadly referring to related domestic and international materials, the present condition of the domestic and international research of the mid and long term hydrology forecast and forecast means are generalized. Based on this, the research method, that is genetic analysis and chaotic dynamic system analysis method, is determined according to the characteristic of the river basin and the status of the hydrology data.
(2) The factors, which influence the Longyangxia reservoir inflow, are analyzed and researched systemically by means of physical cause analysis and statistics analysis. The results show that the rainfall is the main factor influencing the Longyangxia reservoir inflow in high flow period and while the recession of the river basin and river network in low flow period. Inside the forecast time interval the influence of the rainfall distribution on the runoff forecast is small.
(3) The chaotic dynamic analysis method is introduced into the hydrology forecast. Through the analysis on the chaotic dynamic characteristic of the time series of the Longyangxia reservoir inflow, the maximum possible forecast time dimension of the
inflow time series and the minimum imbedding dimension of the series are determined. These offer a scientific basis for the determinations of the forecast period of the mid and long term forecast model and the number of forecasters..
(4) Making use of the main influence factors determined, models respectively based on multivariate linear regression analysis method and artificial neural network forecast method are established inside the range of the maximum possible forecast time dimension and the minimum imbedding dimension. The checking of forecast and the contract analysis on the forecast results of different models are executed. The results show that the effect of the runoff forecast is good and can entirely reach the need of practical uses. The improvement of the forecast scheme is expected.
Researches above indicate that the genetic analysis and chaotic characteristic analysis on the Longyangxia inflow are rational and consistent with the practical situation of the runoff. The mid and long term forecast model based on the time series analysis has a good forecast effect. It can be used in the practice forecast. The results attained can offer worthy consult basis not only for the operation of the Longyangxia reservoir and the power station, but also for the joint dispatch of the Yellow river upper stream reservoirs in cascade.
引文
龙羊峡电厂水调办公室.黄河龙羊峡以上流域水文踏勘报告.1986年.
龙羊峡电厂水调办公室.黄河龙羊峡以上流域产汇流特性分析.1986年.
龙羊峡电厂水调办公室.龙羊峡水电站水库调度手册.1999年12月.
王燕生.工程水文学.北京:水利电力出版社,1991.
陈守煜.中长期水文预报综合分析理论模式与方法[J].水利学报,1997,(8):15—21.
陈金荣,范钟秀,中国中长期水文预报的现状与发展趋势[A].长江流域规划办公室.水文预报论文选集(1981年全国水文预报学术讨论会)[C].北京:水利电力出版社,1985.174—179.
水利电力部水文水利调度中心.水文情报预报规范(SD138-85)[S].
毛昭雄.中长期水文预报.青海省电力工业局印.1992年6月.
黄忠恕,王钦梁,匡 奇.北太平洋和青藏高原下垫面热状况与长江流域汛期旱涝关系初步探讨[A].长江流域规划办公室.水文预报论文选集(1981年全国水文预报学术讨论会)[C].北京:水利电力出版社.1985.180—187.
刘清仁.松花江流域水旱灾害发生规律及长期预报研究[J].水科学进展.1994,5(4):319—327.
章 淹. 致洪暴雨中期预报进展[J].水科学进展,1995:6(2):162—168.
杨旭,栾继河,冯国章.中长期水文预报研究评述与展望.西北农业大学学报,2000.12,28(6):103-207.
Box G E P,Time series analysis:forecasting and control[M].San Francisco:Holden-day:1976.
卢华友,邵东国,郭元格.丹江口水库径流长期预报研究[J].武汉水利电力大学学报,1996,29(6):6—10.
冯国章.枯水径流预报的最优模糊划分自激励门限自回归模型[J].西北农业
大学学报,1997,25(2):21—26.
冯国章,王双银,王学斌.自激励门限自回归模型在枯水径流预报中的应用[J].西北农业大学学报,1995,23(4):78—83.
陈守煜.水利水文水资源与环境模糊集分析[M].大连:大连工业学院出版社,1987.
陈守煜.模糊水文学与水资源系统模糊优化原理[M].大连:大连理工大学出版社,1990.
蔡煜东,徐伟杰.自组织人工神经网络在鄱阳湖年最高水位长期预报中的应用[J].水文科技情报,1993,10(2):27—29.
吴越羽,张文.水文预报的人工神经网络方法[J].中山大学学报(自然科学版),1994,33(1):79—90.
钟登华,王仁超,皮 钧.水文预报时间序列神经网络模型[J].水利学报,1995,(2):69—75.
胡铁松,袁 鹏,丁 晶.人工神经网络在水文水资源中的应用[J].水科学进展,1995,69(1):76—82.
Hsu K,Gupta H V,Sorroshian S. Artificial neural network modeling of the rainfall-runoff process[J]. Water Resource Research(USA).1995,31(10):2517—2530.
丁 晶,黄伟军,邓育仁.水文水资源人工神经网络模型的研究[J].水资源研究.1996,17(1):22—24,13.
丁 晶,邓育仁,安雪松.人工神经前馈(BP)网络模型用作过渡期径流预报的探索[J].水电站设计.1997,13(2):69—74.
胡铁松,丁 晶.径流长期分级预报的Kohonen网络方法[J].水电站设计.1997,13(2):24—29.
冯国章,李佩成.人工神经网络结构对径流预报精度的影响分析[J].自然资源学报.1998,13(2):169—174.
邱 林,陈守煜,聂相田.模糊模式识别神经网络预测模型及其应用[J].水科学进展,1998,9(3):258—264.
李正最.谈灰色静态模型与多元线性回归模型的关系[J].水资源研究,1990,9(1):68—71.
谢科范.评灰色系统理论[J].系统工程,1991,9(4):49—52.
冯 平,杨 鹏,李润苗.枯水期径流量的中长期预报模式[J].水利水电技术,1992,(2):6—9.
夏 军.中长期径流预估的一种灰关联模式与预测方法[J].水科学进展,1993,4(3):190—197.
陈意平,李小牛.灰色系统理论在水利中的应用及前景[J].人民珠江,1996,(1):25—27.
钟桂芳.灰色变基模型在密云水库长期水文预报中的应用[J].北京水利,1996,(3):47—50.
范忠秀编.中长期水文预报.河海大学油印本.1987年8月.
武汉水利电力学院编.河流水文学.水利电力出版社.1992年11月.
章基嘉,葛玲.中长期天气预报基础.气象出版社.1986年6月.
丁 晶,邓育仁.随机水文学.
黄忠恕.波谱分析方法及其在水文气象学中的应用.气象出版社.1983.3
庄一鸰,林三益.水文预报.水利水电出版社.1986.10
陈南祥,张金炳,张民安.一维水文要素时间序列及可预报时间尺度研究.灌溉排水.2002.3,21(1).
吕金虎,陆君华,陈士华.混沌时间序列分析及其应用.武汉大学出版社.
赵永龙,丁晶,邓育仁.混沌分析在水文预测中的应用和展望.水利科学进展.1998.6,9(6):181-186.
王东生,曹 磊.混沌、分形及其应用[M].北京:中国科学技术大学出版
社,1995.
冯国章,李佩成.论水文系统混沌特征的研究方向[J].西北农业大学学报,1997,25(4):97—101.
蒋传文,陈实.混沌分析在水文径流预报中的应用.系统工程.1999.11,17(6):69-71.
郑兆芯,张军,汪秉宏. 最大Lyapunov指数计算的几种方法.地震.1994.8,4:86-92.
许传华,任青文,房定旺.基于神经网络的混沌时间序列预测.水文地质工程地质.2003.1,30(189):30—32.
韩力群.人工神经网络理论、设计及应用.化学工业出版社.2002年1月.
Morshed J, Kaluarachchi JJ,Application of artificial neural network and genetic algorithm in flow and transport simulations[J]. Advanced Water Resource(UK).1998,22(2):145—158.
黄 洁.浑沌神经网络的研究现状及应用[J].信息工程学院学报,1997,16(2):25—32.
魏文秋,孙春鹏.灰色神经网络水质预测模型[J].武汉水利电力大学学报,1998,31(4):26—28,42.
陈守煜,聂相田,朱文斌等.模糊优选神经网络模型及其应用[J].水科学进展,1999,10(1):69—74.
黄润生.混沌及其应用[M].武汉:武汉大学出版社,2000.
王文均,叶 敏,陈显维.长江径流时间序列的混沌特性的定量分析[J].水科学进展,194(6):21—25.
洪时中.非线性时间序列分析的最新进展及其在地球科学中的应用前景[J].地球科学进展,19D(6):10—14.
权先章,蒋传文,张勇传.径流预测的混沌神经网络理论及应用[J].武汉城市建设学院学报,1993(3):1—5.张立民.人工神经网络的模型及其应
用[M].上海:复旦大学出版社,1992.
李义天,李 荣,黄 伟.基于神经网络的水沙运动预报模型与回归模型比较及应用[J].泥沙研究,2001(1):13—16.
苑希民,李鸿雁,刘树坤,崔广涛.神经网络和遗传算法在水科学领域的应用.中国水利水电出版社.2002年8月.
苑希民,李鸿雁,刘树坤,崔广涛.神经网络和遗传算法在水科学领域的应用.中国水利水电出版社.2002年8月.
刘少华,毛红梅. 一种水文时间序列预报的新方法. 武汉大学学报(工学版).2002.8,35(4):52-55.
刘少华,丁贤荣,毛红梅. 水文时间序列的混沌神经网络预报.人民长江.2002.9,33(9):13-15.
冯平,钟翔,张波.基于人工神经网络的干旱程度评估方法.系统工程理论与实践.2000.3,20(3):141-144.
龙羊峡电厂水调办公室.黄河龙羊峡以上流域产汇流特性分析.1986年.
龙羊峡电厂水调办公室.龙羊峡水电站水库调度手册.1999年12月.
王燕生.工程水文学.北京:水利电力出版社,1991.
陈守煜.中长期水文预报综合分析理论模式与方法[J].水利学报,1997,(8):15—21.
陈金荣,范钟秀,中国中长期水文预报的现状与发展趋势[A].长江流域规划办公室.水文预报论文选集(1981年全国水文预报学术讨论会)[C].北京:水利电力出版社,1985.174—179.
水利电力部水文水利调度中心.水文情报预报规范(SD138-85)[S].
毛昭雄.中长期水文预报.青海省电力工业局印.1992年6月.
黄忠恕,王钦梁,匡 奇.北太平洋和青藏高原下垫面热状况与长江流域汛期旱涝关系初步探讨[A].长江流域规划办公室.水文预报论文选集(1981年全国水文预报学术讨论会)[C].北京:水利电力出版社.1985.180—187.
刘清仁.松花江流域水旱灾害发生规律及长期预报研究[J].水科学进展.1994,5(4):319—327.
章 淹. 致洪暴雨中期预报进展[J].水科学进展,1995:6(2):162—168.
杨旭,栾继河,冯国章.中长期水文预报研究评述与展望.西北农业大学学报,2000.12,28(6):103-207.
Box G E P,Time series analysis:forecasting and control[M].San Francisco:Holden-day:1976.
卢华友,邵东国,郭元格.丹江口水库径流长期预报研究[J].武汉水利电力大学学报,1996,29(6):6—10.
冯国章.枯水径流预报的最优模糊划分自激励门限自回归模型[J].西北农业
大学学报,1997,25(2):21—26.
冯国章,王双银,王学斌.自激励门限自回归模型在枯水径流预报中的应用[J].西北农业大学学报,1995,23(4):78—83.
陈守煜.水利水文水资源与环境模糊集分析[M].大连:大连工业学院出版社,1987.
陈守煜.模糊水文学与水资源系统模糊优化原理[M].大连:大连理工大学出版社,1990.
蔡煜东,徐伟杰.自组织人工神经网络在鄱阳湖年最高水位长期预报中的应用[J].水文科技情报,1993,10(2):27—29.
吴越羽,张文.水文预报的人工神经网络方法[J].中山大学学报(自然科学版),1994,33(1):79—90.
钟登华,王仁超,皮 钧.水文预报时间序列神经网络模型[J].水利学报,1995,(2):69—75.
胡铁松,袁 鹏,丁 晶.人工神经网络在水文水资源中的应用[J].水科学进展,1995,69(1):76—82.
Hsu K,Gupta H V,Sorroshian S. Artificial neural network modeling of the rainfall-runoff process[J]. Water Resource Research(USA).1995,31(10):2517—2530.
丁 晶,黄伟军,邓育仁.水文水资源人工神经网络模型的研究[J].水资源研究.1996,17(1):22—24,13.
丁 晶,邓育仁,安雪松.人工神经前馈(BP)网络模型用作过渡期径流预报的探索[J].水电站设计.1997,13(2):69—74.
胡铁松,丁 晶.径流长期分级预报的Kohonen网络方法[J].水电站设计.1997,13(2):24—29.
冯国章,李佩成.人工神经网络结构对径流预报精度的影响分析[J].自然资源学报.1998,13(2):169—174.
邱 林,陈守煜,聂相田.模糊模式识别神经网络预测模型及其应用[J].水科学进展,1998,9(3):258—264.
李正最.谈灰色静态模型与多元线性回归模型的关系[J].水资源研究,1990,9(1):68—71.
谢科范.评灰色系统理论[J].系统工程,1991,9(4):49—52.
冯 平,杨 鹏,李润苗.枯水期径流量的中长期预报模式[J].水利水电技术,1992,(2):6—9.
夏 军.中长期径流预估的一种灰关联模式与预测方法[J].水科学进展,1993,4(3):190—197.
陈意平,李小牛.灰色系统理论在水利中的应用及前景[J].人民珠江,1996,(1):25—27.
钟桂芳.灰色变基模型在密云水库长期水文预报中的应用[J].北京水利,1996,(3):47—50.
范忠秀编.中长期水文预报.河海大学油印本.1987年8月.
武汉水利电力学院编.河流水文学.水利电力出版社.1992年11月.
章基嘉,葛玲.中长期天气预报基础.气象出版社.1986年6月.
丁 晶,邓育仁.随机水文学.
黄忠恕.波谱分析方法及其在水文气象学中的应用.气象出版社.1983.3
庄一鸰,林三益.水文预报.水利水电出版社.1986.10
陈南祥,张金炳,张民安.一维水文要素时间序列及可预报时间尺度研究.灌溉排水.2002.3,21(1).
吕金虎,陆君华,陈士华.混沌时间序列分析及其应用.武汉大学出版社.
赵永龙,丁晶,邓育仁.混沌分析在水文预测中的应用和展望.水利科学进展.1998.6,9(6):181-186.
王东生,曹 磊.混沌、分形及其应用[M].北京:中国科学技术大学出版
社,1995.
冯国章,李佩成.论水文系统混沌特征的研究方向[J].西北农业大学学报,1997,25(4):97—101.
蒋传文,陈实.混沌分析在水文径流预报中的应用.系统工程.1999.11,17(6):69-71.
郑兆芯,张军,汪秉宏. 最大Lyapunov指数计算的几种方法.地震.1994.8,4:86-92.
许传华,任青文,房定旺.基于神经网络的混沌时间序列预测.水文地质工程地质.2003.1,30(189):30—32.
韩力群.人工神经网络理论、设计及应用.化学工业出版社.2002年1月.
Morshed J, Kaluarachchi JJ,Application of artificial neural network and genetic algorithm in flow and transport simulations[J]. Advanced Water Resource(UK).1998,22(2):145—158.
黄 洁.浑沌神经网络的研究现状及应用[J].信息工程学院学报,1997,16(2):25—32.
魏文秋,孙春鹏.灰色神经网络水质预测模型[J].武汉水利电力大学学报,1998,31(4):26—28,42.
陈守煜,聂相田,朱文斌等.模糊优选神经网络模型及其应用[J].水科学进展,1999,10(1):69—74.
黄润生.混沌及其应用[M].武汉:武汉大学出版社,2000.
王文均,叶 敏,陈显维.长江径流时间序列的混沌特性的定量分析[J].水科学进展,194(6):21—25.
洪时中.非线性时间序列分析的最新进展及其在地球科学中的应用前景[J].地球科学进展,19D(6):10—14.
权先章,蒋传文,张勇传.径流预测的混沌神经网络理论及应用[J].武汉城市建设学院学报,1993(3):1—5.张立民.人工神经网络的模型及其应
用[M].上海:复旦大学出版社,1992.
李义天,李 荣,黄 伟.基于神经网络的水沙运动预报模型与回归模型比较及应用[J].泥沙研究,2001(1):13—16.
苑希民,李鸿雁,刘树坤,崔广涛.神经网络和遗传算法在水科学领域的应用.中国水利水电出版社.2002年8月.
苑希民,李鸿雁,刘树坤,崔广涛.神经网络和遗传算法在水科学领域的应用.中国水利水电出版社.2002年8月.
刘少华,毛红梅. 一种水文时间序列预报的新方法. 武汉大学学报(工学版).2002.8,35(4):52-55.
刘少华,丁贤荣,毛红梅. 水文时间序列的混沌神经网络预报.人民长江.2002.9,33(9):13-15.
冯平,钟翔,张波.基于人工神经网络的干旱程度评估方法.系统工程理论与实践.2000.3,20(3):141-144.
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |