【摘 要】
：
建立了加速溶剂萃取-固相萃取-气相色谱法同时测定土壤中阿特拉津与乙草胺。采用加速溶剂萃取提取目标物，以正己烷-乙酸乙酯（体积比1∶1）为萃取溶剂与淋洗溶剂时，提取效果最好。在阿特拉津与乙草胺浓度为0.05～5.0 mg/L的线性范围内，其线性相关系数分别为0.9980与0.9970。对空白土壤样品进行0.25 mg/kg水平的加标，阿特拉津与乙草胺的平均回收率分别为94.0%与93.3%;利用所建
【机 构】
：
河南省煤炭地质勘察研究总院自然资源部黄河流域中下游水土资源保护与修复重点实验室
论文部分内容阅读
建立了加速溶剂萃取-固相萃取-气相色谱法同时测定土壤中阿特拉津与乙草胺。采用加速溶剂萃取提取目标物，以正己烷-乙酸乙酯（体积比1∶1）为萃取溶剂与淋洗溶剂时，提取效果最好。在阿特拉津与乙草胺浓度为0.05～5.0 mg/L的线性范围内，其线性相关系数分别为0.9980与0.9970。对空白土壤样品进行0.25 mg/kg水平的加标，阿特拉津与乙草胺的平均回收率分别为94.0%与93.3%;利用所建立起来的方法进行0.05 mg/kg、0.25 mg/kg、0.5 mg/kg质量浓度点空白加标回收试验，加标回收率为91.0%～94.0%,相对标准偏差为4.1%～7.5%,阿特拉津与乙草胺的方法检出限为0.01 mg/kg。该方法简便快捷、灵敏度高、准确度好，满足土壤有机污染物分析质量控制要求。
其他文献
通过对比分析第四次与第三次全国中药资源普查物种变化情况发现，第四次全国中药资源普查甘肃省新增了22科309属2072种，其中包括新分布种37种；消失或未调查到的药用植物资源有187种，隶属于87科158属。探究了时隔40年甘肃省药用植物资源物种变化的成因，表明此次普查从技术方法、仪器设备、人员组织、调查范围、顶层设计等各个方面都有了极大的改进和提升，使本次普查药用植物资源物种数大幅增长；生态环境的
帕金森病（Parkinson’s disease,PD）是一种常见的神经系统变性疾病，以静止性震颤、肌强直、运动迟缓以及姿势步态异常等为主要临床表现。PD的发病机制的确切病因至今未明。近年来，肠道微生物与PD之间的关系越来越得到重视。肠道微生物可通过微生物-肠-脑轴双向信号传导体系参与PD发生发展的过程，此外研究发现肠道菌群结构及代谢物可能与PD临床表型有关。目前已有证明肠道微生物菌群失调可导致P
健康信息关乎民生,一直以来都是人们关注的重要议题。随着互联网技术的飞速发展,各类网络媒介应运而生,拓宽了用户获取信息的渠道。短视频作为一种新型网络媒介,其出现得到了用户的广泛使用。有关报告数据显示,短视频用户规模达8.73亿,用户日均启动短视频APP达26.1亿次,用户短视频观看时长达日均3亿小时。短视频已经成为人们获取信息的新的重要平台。健康信息在已有网络媒介中早有广泛传播。但短视频与其他网络媒
设立跨学科学习，强化课程的综合性与实践性，是我国新课程改革的重要理念与课程内容。以一位卓越教师实施的中学语文跨学科主题活动作为案例，探讨跨学科教学模式的关键特质与实践路径。研究发现，卓越教师在活动目标上以发展学生的文学、文化与艺术的跨学科素养为核心，重视开展丰富的校内外语文实践活动，善用跨学科阅读与写作，开展过程性评价，加强教师的协同合作与终身学习。基于研究发现，从主题定位、活动设计、实施、评价、
当前我国网络教学在理论与实践方面都取得了突飞猛进的发展，但是由于教育教学形式设置的单一性、缺乏教育交互功能，导致网络教学无法对学生的学习量以及学习水准进行科学衡量。根据智能教学平台在高校英语教学实践中的应用价值，探索智能教学平台在高校英语实践教学中的具体应用措施，希望能够为不断提升高校英语教学的质量和效率提供参考意见。
随着经济的快速发展，人民的生活质量也在逐渐提升。在新的血液注入建筑行业中后，装配式建筑系统就出现了，这就需要更加严格的技术管理和技术创新。为保证在工程建设中应用更加先进的绿色建筑技术，必须采取相应的管理措施和技术革新。文章对现阶段的装配式建筑绿色施工技术作了较为全面的分析与研究，希望能对我国有关的工程建设有所裨益。
本试验以白燕2号（耐盐性较强）和草莜1号（耐盐性较弱）为试验材料,研究水培培养条件下,70 m M和100 m M盐胁迫浓度下喷施0.75 m M亚精胺（Spermidine,Spd）对燕麦幼苗生长、叶片抗氧化酶活性、活性氧积累、渗透调节物质积累、内源多胺和内源激素含量以及离子平衡的影响。在温室盆栽条件下,研究了150 m M盐胁迫浓度下喷施0.75 m M Spd对两燕麦不同生育时期各器官抗氧化
针对表情识别时出现参数量大和识别能力弱等问题，提出一种基于卷积网络人脸表情识别方法。引入改进型残差模块，减少参数量的同时增强对表情区域的关注；利用通道-空间注意力机制对网络提取的表情区域实现不同维度和位置上的权重分配，专注于表情关键点中细微差别特征信息；利用细节模块进一步提取深度特征信息。为得到更高准确度，引入联合损失函数增加类外距离，减少类内距离以提高表情识别准确度。本文将此网络运用到数据集FE