《【精品文档】城市化建设和采矿对土壤侵蚀及环境的影响水利工程论文_工学论文_20040.doc》由会员分享，可在线阅读，更多相关《【精品文档】城市化建设和采矿对土壤侵蚀及环境的影响水利工程论文_工学论文_20040.doc（12页珍藏版）》请在三一文库上搜索。
1、论文范文题目：城市化建设和采矿对土壤侵蚀及环境的影响水利工程论文_工学论文编辑：小小摘要：本文着重研究了城市化建设与采矿业占地对土壤侵蚀和环境的影响，分析了土地利用类型转变对土壤侵蚀程度的影响。作者收集了北美部分地区土地利用的不同历史阶段产沙速度资料加以整理，采用人工神经网络模型模拟计算了可能的土地产出损失率。清楚地说明了土地利用类型的变化引起产沙的巨大变化。讨论了土地利用变化发展的总趋势。 关键词：城市化建设与采矿业 土壤侵蚀与环境 人工神经网络 土地生产率 1 前言土地利用问题是社会经济发展过程中产生的，与经济发展、人口增长等密切相关。现在，土地和人口增长的矛盾尖锐。目前我国每年净增人口1
2、500万人，国家和农村建设每年占用耕地80万hm2。我国现有人口已超过12亿，预计2050年将达到15亿。人口急剧增长，耕地面积不断减少，给土地带来极大压力。土地是人类一切生产活动的基地，无论农业、牧业、林业、城市化建设、工矿企业等各项建设事业的发展，都离不开对土地的利用。如美国因城市建设占用农业用地，从19581967年每年49万hm2增加到19671975的每年85万hm2；我国从19581978年21年间，城市化基本建设占用农牧业土地面积达3400万hm2，平均每年用地相当于一个福建省的耕地面积。1981年，仅农民盖房及院落占地达27万hm2。而每一种改变土地利用方式不可避免地带来对自然
3、环境的破坏作用，如环境污染、生态失调、水土流失、土壤沙漠化、盐渍化等，已成为社会重大问题。土地利用基本形式包括：农业、林业、牧业、城市化建设、工矿企业等。随着经济发展，各项生产建设都要占用土地。大量开发，多项占用，土地利用形式不断变化，成为水沙变化的主因。城市工业化建设、采矿和其它类似的活动对加速土壤的侵蚀是非常明显的。城市化工业建设，大量占用土地资源。随着经济发展，我国正由农业大国发展为工业大国。经济腾飞，必然带来建设高潮。城市大量占地，扩大建设要延续一个相当长的时期。连续不断的工程，破土施工到处可见，产流产沙可想而知。采矿是在生产过程中和自然环境相互作用最强烈的形式之一，在此过程中人类表现
4、为改造地球外貌的强有力因素。在开采矿产过程中，人类往往要从天然储藏地点移走大量岩土到相当远的距离，所有这一切不仅在直接开采的地点，而且在距它们相当远的地方也会造成自然界的重大变化。同时不仅改变岩石圈的组成和结构，而且改变包括生物圈在内的整个自然综合体。由于强度开采矿产所产生的自然综合体的变化，通常对生物圈是不利的，导致周围环境的恶化，水土流失严重。土地利用变化往往对环境带来某种程度的不利影响。例如砍伐森林改营农业，土壤侵蚀量发生变化，会降低有机质的含量。但重要的是，不要使这种环境退化趋于严重，否则，最终将导致土地遭到不可逆转的破坏。同时，也要注意不造成环境的渐进性退化，这是指采用某一种土地利用
5、方式导致土地处于持续耗竭状态，例如放牧中对牲畜数量不加控制，任其超载，致使草场逐渐退化。随着经济建设的高速发展，人口的大量增加，使土地资源大规模开发利用，土地利用变化剧烈。加剧土壤侵蚀，使其发生的初始、边界条件更趋复杂。造成生态环境恶化，动植物物种多样性减少或丧失。因此，在水土流失规律研究和治理技术方面受到限制，许多关键性问题尚未解决。目前国内外对土地利用的变化过程研究这一关键问题研究较少。无疑对这一问题进行研究具有特别重要的意义。2 城市土地利用在城市地区，自然生态系统的变异程度通常比农业、林业要大的多。城市地区的大部分土地覆盖着公路、建筑物以及其它难以渗透的地面。保存空旷的空间主要是为文化
6、娱乐和装饰的目的而不是为了生产粮食和木材，因此，城市中现存的绿色地区的生态系统的变迁与乡村有很大差异。城市地面几乎不能发生渗透现象；因有地下排水系统，城市排泄网比农村更有效，径流增加了34倍。当进行建设时，往往会给地面造成破坏，导致产沙量比农村高几倍；但建设完成后，大部分的地面密封了，产沙量降到高峰水平的1/10，低于农业经营时的水平。尽管如此，城市的产沙量仍然高于未受干扰的自然植被。城市的土地利用仍然遵循人类活动趋于增加产沙量的一般规律。城市化造成土地最高的侵蚀速度产生在建设阶段，这阶段有大量裸露地面和由于运输和开挖引起很大的扰动。为建筑而清除地面，一年间产生的土壤侵蚀相当于自然的甚至农业数
7、十年造成的侵蚀。在马里兰，城市化在建设期间，产沙量达到55000t/km2.a，而在同样的地区，森林地面产沙量大约为80200t/km2.a，在农田是400t/km2.a。在佐治亚，开挖新道路使产沙量达到2000050000t/km2.a。同样，在英格兰德文郡，在有排水建筑物地区，河中悬浮泥沙物浓度是未受干扰地区的210倍(偶尔达到100倍)。在美国弗吉尼亚，在城市化建设期间，侵蚀速度同样高。而且记录了在相同地区侵蚀速度是农田的10倍，是草地的200倍，是森林地区的2000倍。然而，施工不会永远进行下去，一旦呈现出道路、建起花园和草坪，干扰就停止，侵蚀整流速度就会大大地降低。可能与在自然条件下
8、，或农业耕种前的侵蚀速度基本相同27。平均来讲，城市化建设期土壤侵蚀率是农田的10350倍(平均180倍)，是森林的1500倍。作者收集了北美部分地区土地利用的不同历史阶段产沙速度资料加以整理，并用人工神经网络模型模拟计算了可能的土地产出损失率(见图1)。所谓土地产出损失率(O1)是指单位面积由于土壤侵蚀引起的产量(Y)或产值(Pv)减少。实际土地产出率(Oa)是单位面积的产量(Y)或产值(Pv)。用公式表达为 Oa=Y or Pv/ A=Od-O1式中 A为土地面积；Od为应有土地产出率。图1 不同历史阶段土地利用类型转变引起产沙率及产值损失率的变化Variation of sediment
9、 yield and the rate of production value loss during the process of land use transformationto different period根据皇甫川流域卡口站试验资料，以吨泥沙减产量为据，分析计算得出8：每损失1吨泥沙，农地产值减少12.5元；草地损失0.6元；林地损失0.39元。按该指标可计算得出土地产出损失率。图1很好地说明了由森林农地林地或草地城市化的不同土地利用方式产沙率的变化过程，更清楚地说明了土地利用类型的变化引起产沙的巨大变化。从19世纪初期开始，茂密的森林产沙量很小，土地产出损失率也很小；当农作物取
10、代原始森林，产沙量增加，土地产出损失率随之增加；随着耕作的开始，产沙量随之降低，农地的产出损失率降低；随着时间的推移，产沙率再次增高，农地的产出损失率也随着增高，即农地产出率减小；只是到20世纪，当某些耕地转变为林地和草地后，产沙量才再次下降，土地产出损失率下降，即土地产出率有所回升；在城市扩展和建设时期，由于地面暴露和建设施工对土地的干扰，产沙速度急剧上升，土地产出损失率也急剧上升，也就是说土地产出率降到历史最低；当大部分地表封在道路、建筑物以及其它难以渗透的表层下时，产沙量几乎以相同的速度下降，城市化后的土地产出率也将急剧升高。在土地利用类型的演化过程中，每一种类型的转化，都无疑带来了产沙
11、的急剧增加。3 采矿业目前我国正处于高速发展时期，人口膨胀需要开发矿产资源满足人民的物质生活的提高。采矿造成的土地利用变化虽然发展了经济，但造成了严重的环境污染，尤其是对水土流失和河流泥沙带来极其不利影响。这种影响国内外有很多实例。豫陕晋接壤区人烟稀少，林草茂密，80年代后期，国营和个体企业纷纷投入开采金矿，在1万多平方公里的范围内有开采点3000个，年产黄金30万两，虽带来了可观的经济效益，但直接破坏植被168km2，侵蚀模数由1030增加到1458t/km2.a，同时弃石废渣1645万m3，暴雨时形成人造泥石流和滑坡。采矿不仅造成了严重的水土流失，而且其废弃物严重污染当地水质。该矿区大小选
12、矿厂和个体土法混汞碾佯者鳞次栉比，所产生的废水中含汞、铅等有害物质注入当地水系，致使水资源受到污染带毒，既不能饮用，也不能灌溉。铜铁矿冶炼排放的SO2等有害气体所及之处，危害植物生长 9。黄河中游大型煤田，地处多沙粗沙区，处在暴雨多发地带，水土流失本来就非常严重，再加上大规模的开采煤炭，植被破坏殆尽，占用土地，造成地表地下土层松动，移动大量岩石土体，一遇暴雨极易形成滑坡、崩塌等重力侵蚀，更加剧了水土流失。在美国约有1500个大型烟煤露天采矿厂，占地3237km2，既不平整又无植被。在肯塔基州麦克克里郡，研究露天采矿对洪水和水质的影响表明：坎恩流域19571958年的输沙量为1082t/km2，
13、同一时期，附近的亥尔顿流域的输沙量仅为19t/km2，亥尔顿流域内没有采矿10(见图2)，含沙量增加了数十倍，且泥沙颗粒变粗。不仅如此，采矿活动对河流泥沙影响可能在数十年后才显示出来。图2 开矿与无矿小流域暴雨的输沙率与径流关系Comparison between the sediment discharge andrunoff in mining area and the neighbouringwatershed without mining图2给出了坎恩流域矿区与亥尔顿流域无矿区和准格尔煤田与其相邻的无矿业皇甫川流域的产沙率的对比11。在同样的径流条件下，采矿业导致水流含沙量和输沙率增大
14、了10倍以上。表1 神经网络模型预报开矿时及投产后产流产沙量(单位：产流量104m3；产沙量104t)Runoff rate and sediment yield of opening up a mine and putting into production with ANN forecast model土地利用类型露天工业广场及工民区居民坑口运输取水其它合计开矿前产沙量13.059.378.96.891.014.3427.0690.3估算值71.8172.9230.219.7828.241.7427.01791.5神网 产流量142.5321.4547.336.11144.265.8758
15、.73015.8基建期预报值 产沙量91.2160.7218.925.3915.352.6439.51873.5产沙误差-27.07.14.9-28.4-10.5-26.1-2.9-4.6增沙量(神网)78.2101.4140.018.5824.338.312.51183.2估算值82.4160.4213.515.5709.937.9451.51671.1神网 产流量132.9293.8482.026.61358.753.3563.62910.8过渡期预报值 产沙量77.1146.9192.818.6815.242.6468.31761.5产沙误差6.48.49.7-20.0-14.8-12.
16、4-3.7-5.4增沙量(神网)64.187.6113.911.8724.228.341.31071.2估算值92.983.4104.37.3325.418.8476.41108.5神网 产流量172.3243.8253.226.7860.228.0466.02050.2投产期预报值 产沙量103.497.593.716.3430.119.6497.81258.4产沙误差-11.3-16.910.2-123.3-32.2-4.3-4.5-13.5增沙量(神网)90.438.214.89.5339.15.370.8558.1由于皇甫川流域无采矿业，所以选择了相邻流域的准格尔矿区作为算例，利用人工
17、神经网络模型计算开矿引起的产流产沙量进行对比，见图2。网络的输入层单元数为46个，输出层为2，通过学习确定隐层单元数为10，网络稳定后结构为46-10-2。网络参数为：0.25；=0.7；E=0.15。对比方法采用经验估算法，参见文献10。计算对比结果见表1和图3。无论是哪一种土地利用类型，开矿后都加剧了土壤侵蚀，侵蚀最为严重的类型当属运输类。在矿山建设初期比任何时期侵蚀都要严重。 4 应用神经网络模型预报各种土地利用类型的产流产沙量与土地利用变化总趋势图3 不同土地利用类型开矿前后产沙量估算值与神经网络预报值对比Comparison between the sediment yield es
18、timationvalue and ANN forecastvalue per mining area流域产流产沙预报，影响因素多，物理机制复杂，采用数理方法建立降雨、产流和产沙之间的关系模型，通过计算来研究流域的水沙变化特性。然而在建模过程中边界条件不明确、模型自身的假设条件、参数率定的复杂性和数值计算的不稳定性影响了计算精度，其应用受到限制。而经验和随机模型需要大量的详尽资料，况且其建立要求有扎实的理论基础和丰富的实践经验，应用很不方便。对于一个流域来讲，卡口站的水文观测资料容易得到，但降雨、汇流与产沙过程资料较难获得。再加上人类活动强度的增加，导致许多无法量化的事件。应用人工神经网络技术
19、建模，可以避免这些缺陷，神经网络只注重起始条件和最终结果，能够通过部分准确样本自学习来体现各因子间的复杂的内在联系，比以往的计算模型有更好的适应性和稳定性。神经网络并不需要编制每个处理单元的算法，只需总观组织整个网络。转贴于 4.1 产流产沙预测模型4.1.1 初始权值的选择由于系统是非线性的，初始权值对于学习能否收敛的关系很大，一个重要的要求是希望初始权在输入时使每个神经元的状态值接近于零，这样可保证一开始时不落到那些平坦区上。权一般取比较小的随机值，使神经元一开始就在转换函数变化最大的地方进行迭代。对于输入样本同样希望能够进行归一，使那些比较大的输入仍落在神经元转换函数梯度最大的那些地方。
20、4.1.2 网络训练组和检验组的选取与优化网络在一个较好的学习训练组中，系统误差的训练将随着迭代次数增加而减少，最终收敛到一组稳定的权。进一步的学习，权值将仅仅出现一个极小的波动，这正是试验者所希望的。问题的关键在于如何选择一个合适的训练组，为考虑问题方便，先假设网络其它参数保持不变。训练组的选择包括对训练组的规模、训练组内模式的分布状况等几方面的确定。训练组的规模就是模式组中选取的模式总数及代表各类模式的数量。模式组不易选取太大，否则会使网络单纯记忆输入系列，从而失去宝贵的事件。各类模式的多少和它们的分布情况对训练结果都有比较大的影响，既然网络是仿真人脑的，就具有了人脑思维的一般规律，一类从
21、来没有见过的事件，网络是无法识别的，这就要求训练组中尽量包括有代表各类特征的模式，不能没有其中的任何一种。解决问题的最好办法是从训练组中去掉一些事例作为检验组，网络在减少后的训练组上训练，在保留的例子上测试。应当避免过多的训练，因为这会降低网络的泛化能力，所以训练网络的过程应在有限的阶段进行，然后在检验组上测试结果。继续训练和检验的循环，以达到最佳的训练水平，停止的标识是结果总在检验组上而不是在训练组上。这个过程应在不同的训练组和检验组构成上反复进行。在上述过程中，可以看到随着时间的增加，效果有所提高，可达到顶端水平，当达到顶端时网络开始过度训练，测试效果有所下降，在这个最优过程中会出现几个自
22、由度，包括学习率、动态参数、隐单元数、层数和训练模式组的构成。方法的实质是通过对有限的训练组中特殊模式进行学习来掌握普遍规律，以达到认识大自然无限多的模式，这些模式应具有比较典型的能说明事件共性的特征。另外在训练过程中特别要考虑降雨产流产沙的时间滞后影响。4.1.3 网络结构的确定影响流域产流产沙因素有：降雨、地形、土壤性质、植被因素和土地利用方式五大类，其中降雨是产流产沙的动力因素。根据问题的性质可定网络的输入层单元数为36个；根据要求网络的输出层单元数为2；隐层单元数根据经验公式知其下界为7，通过学习训练取隐层单元数为9；网络的层数为三层即可1989年Robert Hecht-Nielso
23、n证明了对于任何在闭区间内的一个连续函数都可以用具有一个隐层的BP网络来逼近，因而一个三层的BP网络可以完成任意的n维到m维的映射。网络稳定后为36 9 2结构。原始数据不能直接用来训练网络，需要进行数据转换。网络的输入项要求在-1到+1之间，根据数据本身的规律进行优化，这样有利于网络的运行。4.1.4 网络参数的确定训练网络调整参数达到最优，其过程较长，需经过多次反复的训练。学习速率的最优值出现时不一定对应最优的动量常数，但两者又有着天然的联系。一开始让网络按已确定的较优隐单元上训练模式，当结果有了明显变化时，反过来再对隐单元数作修改，这样有利于节约寻找时间，且能得到较为满意的结果。实验结果
24、表明，较优的网络参数为：学习速率=0.2；动量因子=0.6；误差终止值E=0.15。4.2 资料的选取资料的选取采用皇甫川流域数据，土地利用类型是变量。通过对该流域60年代、70年代、80年代和90年代(19901997年)每年的土地利用变化分析以及实地调研，确定土地利用分类，作为产流产沙预报的基本数据。表2表明了60年代、70年代、80年代和19901997年四个阶段土地利用变化的情况。表2 应用神经网络模型计算流域不同时期土地利用变化的产流产沙量The runoff rate and sediment yield of land use with ANN model for differe
25、nt period类别60年代70年代80年代1990199719982010面积(km2)299.5304.0476.4410.7307.8农地产出率(kg/亩)49.477.289.9105.4150.4径流量(m3/km2.a)53900.039800.054900.035867.729743.6侵蚀量(t/km2.a)15500.09500.016000.013667.512583.7面积(km2)130.7218.0244.2409.7617.6林地产出率(kg/亩)18.334.454.971.395.7径流量(m3/km2.a)796.1721.8663.5541.8362.2侵
26、蚀量(t/km2.a)364.2301.5275.6250.5236.4面积(km2)151.8218.9199.4180.1169.6牧地产出率(kg/亩)80.094.6120.2123.4134.6径流量(m3/km2.a)919.7891.2763.9546.8462.8侵蚀量(t/km2.a)368.1335.3272.9216.2199.9人口(人)701357593095998108947127783应用神经网络模型计算了由于土地利用类型随时代转变引起的产流产沙量的变化(见表2)及土地产出率的变化(见图4)。并对19982010年作了预测。图4 土地产出率与土壤侵蚀的关系Rela
27、tion between the rate of output value and soil erosion in Huangfuchuan Watershed皇甫川流域(面积3250km2)土地利用变化显著。从统计数字上看，该流域土地利用变化主要是农林牧业的变化，草地的减少恰好是林地和坡耕地的增加。从计算结果可知，坡耕地的增加引起了产沙量的增加，而把由于造林减少的产沙量的成绩抵消了。由此，应把坡耕地的治理放在首要位置。从表2和图4中可清楚地看到，农地和草地面积减少，林地面积增加，土地产出率增高，产流产沙量减少。随着农地面积的波动变化(增减)，产流产沙率也呈有规律性波动变化(增减)，70年代，
28、由于无计划地开荒种田，使农地面积(主要是坡耕地)增加很快，导致了产流产沙量的增加。80年代以来，该流域大力开展水土保持工程，农地开始有计划地减少，而人口又不断增加，形成了人地矛盾。但农地的减少，一部分地增加了基本农田(梯田、坝地等)的面积，另一部分是退耕还林，提高了土地的产出率；林地大面积增加，产流产沙量不断减少，林地的多种经营，其产出率增加很快；草地面积的有计划减少，主要用于造林与改良牧草，使草地质量和载畜能力提高，有效地控制了水土流失，草地产出率也在稳步上升。土地产出率的提高缓解了人地矛盾，是土地利用变化发展的总趋势。5 结论与讨论1.城市化建设期对产流产沙影响最严重。城市化建设期土壤侵蚀
29、率是农田的10350倍(平均180倍)，是森林的1500倍。2.采矿业对产流产沙影响严重。采矿不仅破坏了植被，而且也破坏了土壤结构。同时产生大量的弃土石方。如，准格尔露天煤矿，投产以后弃土石方达2.8亿m3。产沙率和输沙量比无采矿区增大了10倍以上。对当地环境造成了严重影响。采矿是必要的，对环境的影响无法避免。但加强管理能减少对环境的危害。3.土地利用变化发展趋势。随着经济蓬勃发展，农林牧副渔、城市化、工矿、交通、旅游等各业都在迅速发展。各项生产建设都要占用土地(含水域)，在逐年土地锐减的情况下，泱泱大国愈感土地量的不足。于是，土地变得紧张起来。经济愈发展，对土地需求量越大。必然形成相争竟发，
30、大量开发土地资源，在市场经济影响下，土地成为高值资源。这种形势将延续相当长的时期。大量开发，多项使用，土地产出率增高，这是土地利用变化发展的总趋势。参 考 文 献张勇勤等。土地管理和使用手册。中国经济出版社，1992.Wolman,M.G.(1967),A cycle of sedimentation and erosion in urban river channels,Geog.Ann.,49A,38595.Vice,R.B.,Guy,H.P.and Ferguson,G.E.(1969),Sediment movement in an area of suburban highway c
31、onstruction, Scott Run Basin,Fairfax County,Virginia,1961-64.United States Geological Survey Water Supply Paper 1591-E.4 Thompson,J.R.,Soil erosion in the Detroit metropolitan area.Journal of Soil and Water Conservation 25,1970,8-10.5 Fox,H.L.,The urbanizing river:a case study in the Maryland Piedmo
32、nt.In Coates,D.R.,editor,Geomorphology and engineering.Stroudsburg:Dowden,Hutchinson and Ross,1976,245-71.6 Yorke,T.H.and Herb,W.J.,Effects of urbanization on stream flow and sediment transport in the Rock Greek and Anacostia.River Basins,Montgomery County,Maryland,1962-74.United States Geological S
33、urvey Professioal Paper 1003,1978.7 Daniel,T.C.,MCGuire,P.E.,Stoffel,D.and Millfe,B.,Sediment and nutrient yield from residential construction sites.Journal of Environmental Quality 8,1979,304-8.8 金争平等。黄河皇甫川流域土壤侵蚀系统模型和治理模式。海样出版社，1992，pp200203.9 杜社谦等。豫陕晋接壤地区金矿开采造成人为水土流失调查报告。黄河上中游管理局监督处，1994.12.，pp415
34、.10 张胜利。黄河中游大型煤田开发对侵蚀和产沙影响的研究。泥沙研究，1993，(3).11 王向东等。黄甫川流域产流产沙数学模型及水沙变化原因分析。泥沙研究，1999，(5).转贴于 foM:y0KoOL98qIkDHX4mZhAGA9r:t0yr4fMGX5CtUWHrItkXtDSfb07DT;P5OQWIJjS1uzyanQntFUIZluxPqGPcvAp0F7An5hHwoY5SjFLAkRVDN=?iDUtBR=P14f4LPpv7BQ?NnoNsCHH|YwUp833xLoHn3881pFccmit_J3;Ipzfs5v?N:uwTaXu=nQDkUXE5MJAlCLVxd3n
35、q06iKhD;djcOsq_;8v9rX7U;UA_2foNEPXTIkt3qlZ=IvXMX9cfckwo=sZC1TpR6NdlPxiZKPq5gdy=9OZyITRaVrJv5B5BcsPvwj2RKPCvjeAbfI2I_EMO11cFTc2REVrd0qDyvR_KJN7aVDnliD?Q6VlS7T7wwgb5Hj;CbMclG0A3g2reHDAzhRuKHD57I66U2Lqms2lPm5Vs9yZ?Cl;IHWRBQsUg=UwIoLnY5ghs;rS1uZnqja3n|uhc8J?NBL=_Njh7msxPPP7x_3oMyx6aWBIaQGxIUGgpPFYLHmuXY
36、bLi5vJzE03vOIgL8s4m7OfTaKRc1UJFJTDbpCG_y=1?cBj:=_cdLV8;UdGdyYDLI6xi1bY5yIza6eh7eLshjrV=WZjuRJoG3nOsJFRPqZic4FTl|JYuJhz=u|ou4laFfBI9zKE8Q|2=Oknp4FstRp9g9L:fG7uUabKf?BzSiv9l2;5cIgFrTLM2hdvEjgbTwJuZO?vpy0wT0uA;Sjy;MXI6UjFchRAt9CuwDMCgtX8w=82EtooYe0_?jqLZ:QdWSLocZj2=zKe6t2fCNBiJhfLh2_FJHdasI96ErHeirL=hx
37、k4?FSw=i_in?OzW2XRDzbif2U:uOmEa0iLmZHEEtqDwCVBVdBe_0TU4LUV3YxbQrk|E1S03DCMxuv:rr:LeuaU4e_bRx?_ILtsApa7|iet99C?LEj0QTZ5A5Nt3rsGRuN1owpQixfHno5C0IE_KL?6GHIkPuzQI5oIvZUoD0q=drrwQNbNkGNx8jXf8c_=bMns9S65Aw7kCql3AF?MaMIFicP|JQR=Jh:aYb7nI1IwVH4zLpY_zeppuit=GRKq;av:fwY3oEaTr7lq9ib=TsBf:O:ctvmMTdQ9l1_1hYL=D;
38、w=CSb8Fzb32La1TR4B;45nX:Lt9oIZ6kC3;X7DWuxOabXMkIO3JmyXOmgL7WP;zHtNjb3R=XKU_L?76Di8Ek7g6TdA998rr9NlH7RJkFNQ:M:_5Crp8GQ8KZ;xAdHZos4_yg64?EVe4n|TJFfyG_Thq:N4Q=Z0ab8fgDyLUtbZc9zlj;:igC0:NczCXQMCOkeg:Velgy0iWLgIAVXHv8Kublu1OJ|b7mD=V9oCp9;Tmi6Z9F|W;uKnnMDEZr70ev:xmYS;ZMC?4?zXCPdukBS6s;ZVRMd:bbYrwzZDGYQv:U
39、md25Wj5rO;9PCCgcCKWcX1N:0zeCvsSfnbK6Fgn=42Nt|Ztd;ZYZVZ_ys5Nk;Se;0_TTLtFAXXMu6ZLqGB8N1;Q_M_gBa8eZnWSC3XAhZbGKKQa_:cMGVQroTKkHS7a_?UsAqsFxvGH60WPxHEAIn3YpNE09X5Mwf9fplzh=TtB:M0UcE68KgOKUc8dR=Xp94PkdXbcwxW6qp7inP5kYoQwPC7lN4IwT_aRqt1y799dG9=K2i2?xl4wcA_fHcRItno:2QKCj8?JvcmjPhGiv?Is8Ryy_1AEH0=w=OMQW0ypM
40、WQd8c8WqMRJqU8gqPkbebOOIgCMPqM4dlP46?C;ldmTxuujnBK;kdgVw0Y?3vO9ydlx9fuF1mLd3iblqZ5APgsAu5h2VKoHH=jSAcn1b0?y?eK?R6zVPuzk|O7UCLSYEC54eD_2Knd9X0ab9L_2at2:YyzL?fkG=43YPcR41iFEEy_gGCrgFXbgRv;UPK1R6wWPErwpOc6d3Qv8GAWcnl:pPrDZ6YOxuclmx:R=m_6lKVVuVWPFj6HYOqKZygjBtuYA7mEstjpLDVj8q_?_1Cr?qDeEAZbumC3zXX6t?3y=;xTR72SigMgnyTsv9bsGfF:W4;AoXwGsjLtc4XG