KubeDL 加入 CNCF Sandbox，加速 AI 产业云原生化

2021-08-19 10:23:52KubeDL 是阿里开源的基于 Kubernetes 的 AI 工作负载管理框架，取自”Kubernetes-Deep-Learning”的缩写，希望能够依托阿里巴巴的场景，将大规模机器学习作业调度与管理的经验反哺社区。

2021 年 6 月 23 日，云原生计算基金会（CNCF）宣布通过全球 TOC 投票接纳 KubeDL 成为 CNCF Sandbox 项目。KubeDL 是阿里开源的基于 Kubernetes 的 AI 工作负载管理框架，取自”rnetes-eep-earning”的缩写，希望能够依托阿里巴巴的场景，将大规模机器学习作业调度与管理的经验反哺社区。

项目地址：

项目介绍

随着 TensorFlow, PyTorch，XGBoost 等主流 AI 框架的不断成熟，和以 GPU/TPU 为代表的多种AI异构计算芯片的井喷式涌现，人工智能正快速进入“大规模工业化”落地的阶段。从算法工程师着手设计第一层神经网络结构，到最终上线服务于真实的应用场景，除 AI 算法的研发外还需要大量基础架构层面的系统支持，包括数据收集和清理、分布式训练引擎、资源调度与编排、模型管理，推理服务调优，可观测等。如以下经典图例所展示，众多系统组件的协同组成了完整的机器学习流水线。

与此同时，以 Kubernetes 为代表的云原生技术蓬勃发展，通过优秀的抽象和强大的可扩展性，将应用层与 IaaS（Infrastructure as a Service）层的基础设施完美解耦：应用能够以“云”的范式按需使用资源，无需关注底层基础设施的复杂性，从而解放生产力并专注于自身领域的创新。

Kubernetes 的出现解决了云资源如何高效交付的问题，但对于 AI 这类本身具备高度复杂性的工作负载还无法做到很好地原生支持，如何整合各类框架的差异并保留其通用性，同时围绕 AI 工作负载的运行时去建设一系列完善的周边生态及工具，业界还在不断探索与尝试。在实践中，我们发现了 AI 负载运行在 Kubernetes 生态中面临着如下挑战：

机器学习框架百花齐放，各自有不同的优化方向和适用场景，但在分布式训练作业的生命周期管理上又存在着诸多共性，同时针对一些高级特性也有相同的诉求（如网络模式，镜像代码分离，元数据持久化，缓存加速等）。为每类框架的负载单独实现 operater，各自独立进程无法共享 state，缺乏全局视角，使得全局 Job 层面的调度以及队列机制难以实现。此外，不利于功能的抽象和复用，在代码层面存在重复劳动。原生 Kubernetes 无法满足离线任务多样的调度需求。Kubernetes 面向 Pod 调度的模型天然适用于微服务等 Long Running 的工作负载，但针对离线任务的高吞吐，Gang Scheduling 调度（All-Or-Nothing），Elastic Capacity 等多种调度诉求，社区演进出了多种调度方案。以机器学习分布式训练作业调度场景中极为常见的Gang Scheduling为例，社区目前就有YuniKorn，Volcano，Coscheduling 等调度器实现，提供不同的交互协议，我们需要有插件化的手段来启用对应的调度协议。同时，像 PS/worker 这类根据业务特有属性，不同 role 之间有启动依赖的 DAG 编排诉求，需要在控制器中实现；分布式训练的结果往往以模型作为 output，并存储在分布式文件系统中如(阿里云 OSS/NAS)，但如何从训练作业的视角去管理模型，像容器镜像那样成为AI服务的“不可变基础设施”并实现简单且清晰的版本管理与追溯，业界还缺乏最佳实践。同时，“训练”与“推理”两个阶段相对独立，算法科学家视角中的“训练->模型->推理”机器学习流水线缺乏断层，而“模型”作为两者的中间产物正好能够充当那个“承前启后”的角色；分布式训练尚能大力出奇迹，但推理服务的规格配置却是一个精细活。显存量、 CPU 核数、BatchSize、线程数等变量都可能影响推理服务的质量。纯粹基于资源水位的容量预估无法反映业务的真实资源需求，因为某些引擎如 TensorFlow 会对显存进行预占。理论上存在一个服务质量与资源效能的最优平衡点，但它就像黑暗中的幽灵，明知道它的存在却难以琢磨。随着 GPU 虚拟化技术的成熟，这个平衡点的价值越来越凸显，更优的规格能显著提供单 GPU 卡的部署密度，节约大量的成本。推理服务本身是一种特殊的 long running 微服务形态，除了基础的 deployment 外，针对不同的推理场景还欠缺一些实例与流量的管理策略，如：

1) 算法科学家通常会同时部署两个甚至多个不同版本的模型实例进行 A/B Test 以验证最佳的服务效果，需要基于权重的精细化流量控制；

2) 能够根据流量请求水平和当前推理服务的 metrics 来自动触发实例的扩缩，在充分保障服务可用性的前提下最小化资源成本等等。

针对上述难题，阿里巴巴云原生，集群管理和 PAI 团队将管理大规模机器学习工作负载的经验沉淀为通用的运行时管理框架——KubeDL，涵盖分布式训练，模型管理，推理服务等机器学习流水线的各阶段，使工作负载能够高效地运行在 Kubernetes 之上。

1、分布式训练

KubeDL 支持了主流的机器学习分布式训练框架（TensorFlow / PyTorch / MPI / XGBoost / Mars 等），其中 Mars 是阿里巴巴计算平台开源的基于张量的大规模数据计算框架，能够分布式地加速 numpy，pandas 等数据处理框架的效率，帮助 Mars 作业以更 native 的方式集成进云原生大数据生态中。

我们将各类训练作业生命周期管理中的共同部分进行抽象，成为一层通用的运行时库，被各分布式训练作业控制器复用，同时用户也可以在此基础上快速扩展出自定义的 workload 控制器并复用现有的能力。借助声明式 API 与 Kubernetes 网络/存储模型，KubeDL 能够进行计算资源的申请/回收，各 Job Role 之间的服务发现与通信，运行时的 Fail-over 等，算法模型的开发者只需声明好此次训练依赖的 Job Role 及各自的副本数，计算资源/异构资源数量等，然后提交任务。另外，我们针对训练领域的痛点也做了诸多的特性设计来提升训练的效率与体验：

不同的训练框架往往包含不同的 Job Role，如 TensorFlow 中的 PS/Chief/Worker 和 PyTorch 中的 Master/Worker，Role 与 Role 之间往往隐含着依赖关系，如 Worker 依赖 Master 启动之后才能正常开始计算，错乱的启动顺序不仅容易造成资源长时间空转，甚至可能引发 Job 直接失败。KubeDL 设计了基于 DAG（Direct Acyclic Graph）的调度编排控制流，很好地解决了 Role 之间的启动依赖顺序，并能够灵活扩展。大模型的训练时长往往受制于计算节点间的通信效率，RDMA 等高性能网络技术的应用将极大地提升了数据的传输速度，但这些定制网络往往需要计算节点使用 Hostnetwork 进行互相通信，同时有些时候由于环境限制无法提供基于 Service 模式的服务发现机制。这就需要作业管理引擎能够支持 Host 网络模式下的服务发现机制，处理好各计算节点的网络端口分配，并与各训练框架的特性结合来处理节点 Fail-over 后的网络连通性，KubeDL 支持了 Host 网络模式下的高性能分布式训练。Gang Scheduling 是分布式训练作业调度场景中的常见需求，组成单个训练作业的一簇 Pod 往往要求同时被调度，避免在集群容量紧张时因作业间的资源竞争出现活锁，但 Kubernetes 强大的可扩展性也使得不同的调度器实现了不同的 Gang Scheduling 协议，如 YuniKorn, KubeBatch 等。为了避免与具体调度器实现的耦合，适应不同用户环境的差异，KubeDL 将 Gang Scheduling 的协议实现插件化，按需启用对应的插件即可与调度器相互协作，实现作业的批量调度。Job 是一次性的，但在实际的生产应用中我们经常会遇到反复训练/定时训练的场景，如每日拉取某一时间区间的离线表并进行数据清洗以及模型的 Re-train，KubeDL 提供了一类单独的工作负载—Cron 来处理定时的训练请求，并支持任意类型的训练作业（如 TFJob，PyTorchJob 等），用户可以提交 cron tab 风格的定时命令及作业模板，并在 Cron 资源的状态中追踪训练作业的历史及当前进行中的作业。针对海量离线作业元数据需要长时间保存（Job CRD 被删除后元数据即从 etcd 销毁）的诉求，KubeDL 还内置了元数据的持久化，实时监听 Job/Pod/Events 等资源对象的变化，转化成对应的>

2、推理服务规格调优

GPU 虚拟化与分时复用技术的发展和成熟，让我们有机会在一块 GPU 上同时运行多个推理服务，显著降低成本。然而如何为推理服务选择合适的 GPU 资源规格，尤其是不可压缩的显存资源，成为一个关键难题。一方面，频繁的模型迭代让算法工程师无暇去精确估计每个模型的资源需求，流量的动态变化也让资源评估变得不准确，因此他们倾向于配置较多的 GPU 资源冗余，在稳定性和效率之间选择牺牲后者，造成大量浪费；另一方面，由于 Tensorflow 等机器学习框架倾向于占满所有空闲的显存，站在集群管理者的角度，根据显存的历史用量来估计推理业务的资源需求也非常不准确。在 KubeDL-Morphling 这个组件中我们实现了推理服务的自动规格调优，通过主动压测的方式，对服务在不同资源配置下进行性能画像，最终给出最合适的容器规格推荐。画像过程高度智能化：为了避免穷举方式的规格点采样，我们采用贝叶斯优化作为画像采样算法的内部核心驱动，通过不断细化拟合函数，以低采样率（<20%）的压测开销，给出接近最优的容器规格推荐结果。

3、模型管理与推理服务

模型是训练的产物，是计算与算法结合后的浓缩精华，通常收集与维护模型的方式是托管在云存储上，通过组织文件系统的方式来实现统一管理。这样的管理方式依赖于严格的流程规范与权限控制，没有从系统层面实现模型管理的不可变，而容器镜像的诞生解决的就是 RootFS 的构建-分发-不可变等问题，KubeDL 将两者进行结合，实现了基于镜像的模型管理。训练成功结束后，通过 Job Spec 中指定的 ModelVersion 会自动触发模型镜像的构建。用户可以在 ModelVersion.Spec 中约定模型的存储路径，目标的镜像 Registry 等基本信息，将每次的训练输出 Push 到对应的镜像仓库。

同时镜像作为训练的输出，以及推理服务的输入，很好地串联起了两个阶段，也借此实现了分布式训练->模型构建与管理->推理服务部署的完整机器学习流水线。KubeDL 提供了 Inference 资源对象提供推理服务的部署与运行时控制，一个完整的 Inference 服务可以由单个或多个 Predictor 组成，每个 Predictor 对应前序训练输出的模型，模型会被自动拉取并挂载到主容器 Volume 中。当多个不同模型版本的 Predictor 并存时，可以根据分配的权重进行流量的分发与控制，达到 A/B Test 的对照实验效果，后续我们还会在 Batching 批量推理和 AutoScale 上针对推理服务场景做更多的探索。

KubeDL 分布式训练在公有云上的实践

随着云计算的深入人心以及越来越多的业务都用云原生的方式进行，阿里云计算平台 PAI 机器学习团队推出了 DLC（Deep Learning Cloud）这一深度学习平台产品。DLC 采用全新的云原生架构，底层采用 Kubernetes 作为资源底座支持，而训练部分全面采用 KubeDL 进行管理，是 KubeDL 在深度学习云计算场景中的大规模实践。

DLC 在阿里集团内部内广泛支撑了众多的业务，包括淘系安全部达摩院的图像视频、自然语言、语音、多模态理解、自动驾驶等众多业务部门的深度学习计算需求。在服务于深度学习驱动的前沿业务生产中，PAI 团队在框架和平台建设方面积累了许多的经验，沉淀了兼容社区（eg，TensorFlow/PyTorch）并且具有鲜明特色的大规模工业界实践过的框架平台能力，如万亿规模参数的M6模型的训练、工业级图神经网络系统 Graph-Learn、极致资源管理和复用能力等等。

如今，PAI-DLC 的能力也在全面拥抱公有云，为开发者和企业提供的云原生一站式的深度学习训练平台，一个灵活、稳定、易用和高性能的机器学习训练环境，以及全面支持支持多种社区和 PAI 深度优化的算法框架，高性能且稳定的运行超大规模分布式深度学习任务，为开发者和企业降本增效。

公有云的 DLC 作为阿里巴巴集团机器学习平台最佳实践的透出，在产品细节、框架优化、平台服务等方面都吸取了工程实践中的宝贵的经验。除此之外，DLC 产品在设计之初就充分考量了公有云场景中的独特属性，提供了竞价实例、自动 Fail-Over、弹性扩缩等功能，为客户努力降低 AI 算力成本。

进一步的，DLC 也与 PAI 的其他公有云产品相结合，比如说服务于算法工程师建模的 DSW、服务于企业级 AI 全流程的、自动化的 AutoML、在线推理服务 EAS 等，打造全流程的 AI 标杆性产品。

云米和小米什么关系？

合作关系

云米和小米属于独立公司，双方彼此独立运行，属于合作关系。

虽然企业名称中都带着米字，而且云米和小米确实存在着紧密的联系，但此二者其实并不是想象中的从属关系。 首先，我们需要厘清一个概念，云米≠小米。 无论是云米还是小米，其实都是独立的公司，当然双方确实存在着合作关系。 云米电器作为一家高科技互联网公司，是小米的生态链公司，并不算是小米子公司，属于合作关系。

因此，想要了解云米和小米什么关系，我们就要弄清楚一个概念，什么是小米生态链？作为国内知名的互联网企业，小米公司在拥有出机量全国排名前列的手机品牌的同时，也致力于以合作与共赢的方式，联合其他企业与品牌，完善小米的产业链和品牌辐射范围。 因此，简单概括小米生态链，就是一个基于小米企业生态的智能硬件孵化器。

云米和小米什么关系，其实可以用小米和其他小米生态链公司的关系来概括总结。 小米生态链内的合作公司，通常也是在小米生态链内被认为最具潜力的初创公司，因此获得了小米的投资，在为小米生产商品的同时，小米生态链企业也成为小米公司设计产品的独家代工厂。 但需要注意的是，小米生态链企业是小米投资的独立运营的公司，也就是非小米子公司，小米看好的企业，小米会去投资他们，加速企业发展，同时多家企业会结盟，互相合作，如优先供货，最低价格。

成立于2014年5月的云米打开知名度可以说是在2015年，这一年小米发布小米净水器，产品就来自云米。 小米净水器自推出以来成绩单颇为好看，随后成为明星商品，并持续在净水市场占有相当的比例。 而云米的产品线也是以成立之初的小米净水器为起点，如今以覆盖至物联网智能家居产品、互补消费品及增值业务。

因此，云米和小米什么关系，简单概括一下就是，云米作为小米生态链内的企业，接受小米的投资，但小米并不对云米进行控股。 此外，小米对云米提供产品方法论、价值观等全方位的支持，但云米并不是小米旗下的子公司，而是独立运营的企业。

工业互联网云平台有什么作用？

工业互联网平台体系包括边缘层、IaaS、PaaS和SaaS四个层级，相当于工业互联网的“操作系统”，有四个主要作用。

一是数据汇聚。 网络层面采集的多源、异构、海量数据，传输至工业互联网平台，为深度分析和应用提供基础。

二是建模分析。 提供大数据、人工智能分析的算法模型和物理、化学等各类仿真工具，结合数字孪生、工业智能等技术，对海量数据挖掘分析，实现数据驱动的科学决策和智能应用。

三是知识复用。 将工业经验知识转化为平台上的模型库、知识库，并通过工业微服务组件方式，方便二次开发和重复调用，加速共性能力沉淀和普及。

四是应用创新。 面向研发设计、设备管理、企业运营、资源调度等场景，提供各类工业APP、云化软件，帮助企业提质增效。

高中地理环境保护知识点

▲环境可持续发展1、中国的可持续发展——《中国21世纪议程》第二章：环境污染与防治▲重金属污染:污染过程及危害:通过水体或食物链造成人或动物中毒▲水体富营养化:1、污染物：氮磷等植物营养元素2、污染源：工业废水、生活污水、农业废水3、危害——①水生植物和鱼类死亡②水质变坏③湖泊变沼泽▲海洋石油污染1、怎样清除石油①分散：喷洒强效洗涤剂，不宜在近岸或渔场使用 ②沉降：撒粉状石灰，危害海底生物③吸收：利用麦秆等吸收石油，在静水环境 ④围栏：小面积油污，静水环境⑤放任：任其自然分解 ⑥燃烧：油层达2mm，造成大气污染▲水污染的危害：①危害人体健康 ②降低农作物的产量和质量③影响渔业生产的产量和质量④制约工业的发展 ⑤加速生态环境的退化和破坏⑥造成经济损失▲水污染的防治措施（1） 工业水污染防治对策1. 优化产业结构与工业结构2. 积极推行清洁生产，提高工业用水重复利用率，实行污染物排放总量控制制度3. 完善法律法规，加大执法力度，健全环境监测网络（2） 城市水污染防治对策1. 将水污染防治纳入城市的总体规划2.加强城市地表和地下水源的保护3.大力开发低耗高效废水处理与回用技术（3）农村水污染防治对策1.发展节水型农业2.合理利用化肥和农药3.加强对畜禽排泄物，乡镇企业废水及村镇生活污水的有效处理▲固体废弃物污染防治与综合利用（1）固体废物减量化1.对城市固体废物：逐步改变燃料结构，净菜进城、减少垃圾生产量，加强产品的生态设计，推行垃圾分类收集，搞好产品的回收、利用的再循环2、对工业固体废物：推广清洁生产工艺，发展物质循环利用工艺（2）固体废物的无害化处理处置▲大气污染扩散和自净的因素：⑴污染物排放量大小：若排放量小，则易扩散⑵气象条件：风速、风向、气温、湿度、云况、辐射等凡是有利于增大风速、增强湍流的气象条件，都有利于污染物的扩散；出现逆温天气，大气层异常稳定时，不利于大气污染物的扩散⑶地形：盆地、河谷地形，不利于污染物扩散▲大气污染物以可吸入颗粒物为主的北方城市的原因（以北京为例）①北方降水少，天气干燥，多大风，有些地区荒漠化严重，导致自然降尘多②燃煤 ③机动车尾气④建筑工地扬尘▲大气污染物的可吸入颗粒物污染的治理①使用清洁能源，代替燃煤②制定汽车尾气排放标准，达标排放③扩大绿化面积。 建筑工地控制扬尘④加大对污染企业的治理力度，减少污染物排放，达标排放。 ▲大气污染物酸雨：1、酸雨――PH值小于5.6的降水；PH值小于4.5的为重酸雨2、形成酸雨的大气污染物主要有硫氧化物和氮氧化物，分别形成硫酸型酸雨和硝酸型酸雨3、污染源：自然污染源：火山喷发、地震等自然现象放出大量酸性气体人为污染源；工矿企业、交通工具、家庭炉灶燃烧煤、石油、天然气，向大气中排放酸性气体危害：①使河湖水酸化,②使土壤酸化,农作物减产③腐蚀树叶,毁坏森林④腐蚀石材,钢材,造成建筑物损坏我国酸雨类型以硫酸型酸雨为主(原因是燃烧高硫煤)，汽车尾气造成硝酸型酸雨我国酸雨80年代出现在西南地区，90年代扩大到长江以南、青藏高原以东，目前已扩展到华北和东北地区▲怎样防治酸雨①建立酸雨控制区和SO2污染控制区②限制高硫煤的开采③发展洁净煤燃烧技术和煤炭脱硫技术 ④调整能源结构，开发利用新能源、清洁能源⑤加强废气中SO2的回收与利用▲大气污染防治措施：①提高能源效率和节能②开发洁净煤技术③开发清洁能源和可再生能源④控制酸雨和二氧化硫污染⑤其它，如调整产业结构，合理生产布局，植树造林，控制地面扬尘第三章自然资源的利用与保护▲淡水资源短缺：淡水资源短缺地区分布：世界主要分布在中东与非洲。 我国主要是分布在华北与西北地区1、原因： 自然原因：①可利用的淡水资源总量有限: 河流,湖泊,浅层地下水②淡水资源的时间、空间分布不均, 平均径流量排名：巴西、俄罗斯、加拿大、美国、印尼、中国人为原因：③淡水资源的污染、浪费严重④人口增长，经济发展，生产、生活用水需求量增长快2、新加坡是热带雨林气候，但新加坡是缺水国家，试分析其原因①陆地面积小，地表径流少 ②经济发达，生产、生活用水量大▲淡水资源短缺带来的危害：①制约经济发展②影响粮食生产安全③损害生态环境④损害人体健康⑤引发国际冲突▲我国淡水资源的时空分布规律：时间：夏秋多，冬春少，年际变化大空间：南多北少，东多西少⑵我国不同地区差异南方地区：（以上海为例）水资源总量丰富，多水带―――水质型缺水原因：水污染严重华北地区：（黄河，淮河，海河）总量不丰富，过渡带，缺水最严重――资源型缺水原因：自然原因：①降水量少，季节、年际变化大②流经本地区的河流径流量小，季节、年际变化大人为原因：③人口稠密，工农业发达，用水量大④水资源污染，浪费严重西北地区：总量不丰富，缺水带――经济用水挤占生态用水带来生态问题，如土地荒漠化加剧3、长江以北地区人多，地多，水少，水土资源不匹配，水资源最紧张，缺水问题最突出▲水资源的合理利用与保护开源：①修筑水库②开渠引水③合理开发与提取地下水④废水处理再利用⑤海水淡化⑥人工降雨节流：农业：①改进灌溉技术，降低灌水定额②发展节水农业工业：③提高用水效率④提高水的重复利用率⑤实行污水资源化⑥发展清洁生产※海水淡化――――目前，中东一些产油国建立了实用性海水淡化工厂生态：因地制宜地退田还湖、退耕还林、退牧还草，植树造林 其他：提高水价，增强公民节水意识，制定水法,调整产业结构▲耕地日渐减少1、世界可耕地资源面临不足的原因：①土地荒漠化、水土流失等原因导致土地退化，使可耕地面积减少②人口急剧增加，所需耕地越来越多③非农业用地不断增加2、我国耕地资源面临不足的原因①耕地面积占国土面积比重不大，人均耕地少②耕地分布不均，人均耕地水平差异大③非农业建设用地增长迅速④中低产田多，不合理利用耕地导致土地退化和耕地污染严重，加剧耕地不足3、我国耕地分布：主要分布在400MM等降水量线以东的湿润、半湿润地区的平原、盆地和低缓的丘陵地区. 黑龙江、内蒙古人均耕地最多6、亚洲耕地面积最大的国家是-------印度；世界耕地面积最大的国家是-------美国※耕地供需矛盾实质是人地矛盾，控制人口增长是解决此矛盾的关键▲我国在解决土地现状与粮食需求不断增加的矛盾时，采取的措施①实行耕地总量不减少的措施②提高土地利用率③提高耕地质量④土地退化的防治▲我国三大生态问题：石漠化，水土流失，荒漠化1、石漠化：发生地-------我国的云贵高原，两广丘陵地区（亚热带湿润，喀斯特地区）外力作用-------流水侵蚀作用原因：自然：①坡度陡峻②土层浅薄③降水丰富，夏季降水强度大人为：①过度砍伐②毁林开荒③陡坡开荒2、水土流失：黄土高原为例外力作用------流水侵蚀作用原因：自然：①黄土土质疏松②降水集中，且多暴雨③植被覆盖率低人为：①破坏植被-----农牧业方式的改易，营造宫殿，樵采，战争②不合理的耕作制度-----轮荒 ③开矿中不注意环保④人地矛盾突出江南丘陵：红色荒漠外力作用------流水侵蚀作用原因：自然：①降水多，集中于夏季，多暴雨②地表起伏大，坡地水土不稳定③河流水系发育，侵蚀能力强人为：①毁林开荒②滥砍滥伐，过度樵采③人地矛盾突出3、荒漠化：西北地区为例外力作用------风蚀作用原因：自然：①气候干旱，降水少②地表覆盖深厚的沙质沉积物③大风日数多且集中④生态环境脆弱人为：①过度樵采②过度放牧③过度农垦④水资源的利用不当⑤工矿交通建设中不注意环保⑥人地矛盾突出▲土壤侵蚀的防治措施：①生物措施：退耕还林还草，植树种草，营造经济林②工程措施：修建水库，修梯田，淤地坝③农牧业措施：等高耕作，使用有机肥，适时耕作，舍饲养畜▲化石燃料的合理开发与利用一次能源是指可以从自然界直接获取的能源。 煤炭、石油、天然气、水能、太阳能、风能等二次能源是指无法从自然界直接获取，电能是最主要的二次能源。 ▲化石燃料的分布1、煤的分布：北半球多于南半球2、煤带：世界---------欧亚大陆煤带：从我国的华北向西经新疆,横贯哈萨克斯坦,俄罗斯,乌克兰,波兰,德国,法国直到英国北美洲的美国和加拿大 南半球的煤炭分布在澳大利亚和南非中国-------主要分布在华北，其中山西、陕西、内蒙古三省区的储量最多，南方除贵州外，均严重缺煤。 ▲3、石油和天然气的分布主要油田分布区世界东半球从地中海地区经中东到印尼 中东，北非蕴藏量最丰富。 中东是世界最大的石油出口地区西半球 从阿拉斯加，经加拿大、美国西部、墨西哥和委内瑞拉，到哥伦比亚中国东部大庆、辽河、大港、中原、胜利等油田和沿海大陆架西部塔里木、柴达木、准噶尔三大盆地及吐鲁番----哈密盆地4、思考：你认为西气东输在我国经济发展与环境保护中有什么重要作用?西气东输是21世纪初中国大型的基础设施建设工程。 西气东输工程既有利于西部大开发战略和协调东、西部的经济发展，也有利于东部地区改善大气环境质量。 3、水能资源前五位国家：中国、俄罗斯、巴西、美国、加拿大水电比重最大国家：挪威，巴西生态环境保护▲滥伐森林的生态灾难※森林破坏时随着人类社会发展而加速的，尤其是工业社会以来原始森林：①亚寒带针叶林：存在于亚欧大陆北部、北美大陆北部②热带雨林：存在于非洲的刚果盆地、南美洲的亚马孙河流域、东南亚等洲▲森林的生态价值：①调节气候②涵养水源，保持水土，防风固沙③吸收噪声，吸烟尘，释放氧气，净化空气④繁衍物种，维护生物多样性⑤保护农田⑥美化环境※▲明确不同地区的森林所起的作用不同：三北防护林------涵养水源，保持水土，防风固沙沿海防护林------防御台风、海啸侵袭，改善沿海生态环境长江中上游水土保持林、山区森林------涵养水源，保持水土城市绿地的作用-----吸烟除尘，过滤空气，吸收噪声，美化环境，调节气候红树林----------保护海岸，维护生物多样性▲6、森林破坏的后果：生态失调，环境恶化，洪水频发，水土流失加剧，土地沙化，全球气温升高，物种灭绝▲7、森林破坏的原因：①过度的焚耕开垦②大规模的农场和牧场开发③商业性采伐④采矿、水利、公路建设，城镇建设⑤农业时代的毁林开荒，滥砍滥伐⑥战争，森林火灾▲3、我国森林保护有哪些措施①加强法治，严禁滥砍滥伐②封山育林，退耕还林，建自然保护区③计划采伐，采育结合④植树造林，积极营造人工林⑤鼓励保护性开发，改变山区经济结构⑥提高人们的环境意▲草地概念区分：（1）草原——内蒙古草原、青海、甘肃的荒漠草原（2）草场：草场可以认为是已被人们进行开发利用的草地。 （3）草坪：是人工建造并管理的具有特殊功能的草地。 （4）草甸：湿润条件下发育的多年生草本植被（5）草地是一种泛指，草原、草场、草坪都被包括在其中。 ▲2、我国草地退化的原因及其治理措施⑴原因：自然原因：①气候干旱，生态环境脆弱②全球变暖，蒸发加剧，降水减少③鼠害，虫害严重人为原因：①过度放牧②过度开垦③乱采滥挖④滥捕滥猎野生动物⑤人工管理少⑥水资源不合理利用⑵治理措施：①实行禁牧、轮牧制度②变逐水草而居的游牧方式为牲畜舍饲、半舍饲方式③加强牧场的基本建设④建立饲草料基地，建设“草库伦”⑤优化畜群结构，合理放牧⑥退耕还草，严禁滥牧，滥垦，滥挖▲湿地的生态价值------调节气候，调蓄水量，净化水体，释放氧气，美化环境，维护生物多样性（3）分布：东北三江平原是世界上最大的湿地之一（成因：①纬度高，气温低，蒸发弱②冻土广布，阻碍地表水下渗③地势低洼，排水不畅，易积水④河流泛滥）；青藏高原上有着世界海拔最高的湿地（三江源湿地自然保护区，哪三江？），对涵养水源、调节全球气候变化有极其重要的作用。 ▲湿地减少的原因自然原因（时间漫长）：①沉积物充满湖泊，沼泽②全球变暖，气候暖干化人为原因（时间短暂）：①土壤侵蚀，导致泥沙大量沉积②围湖围海造田，导致湖泊和海滨滩涂面积缩小③环境污染，导致水体富营养化④引水灌溉、河流的该向，导致水量减少▲我国湖泊面积减少 主要原因：过度引水灌溉和盲目围湖造田产生的影响：调温、减少洪水、动植物的栖息地等功能丧失。 湖泊面积缩减、水面缩小还往往导致湖水矿化度增加。 案例：洞庭湖面积缩小的原因：①泥沙淤积；②围湖造田青海湖面积缩小的原因：①全球变暖，气候暖干化，降水减少，蒸发加剧②饮水灌溉，汇入湖泊水量减少；中亚咸海面积缩小的原因：①全球变暖，气候暖干化，降水减少，蒸发加剧②饮水灌溉，汇入湖泊水量减少；中国西部湿地比较少的原因：地处内陆，气候干旱，降水少▲保护湿地措施①恢复和重建已退化和受损湿地②建立自然保护区③退耕还湿地，退耕还湖④基本建设，水利工程注意湿地保护⑤确定世界湿地日，国际合作，保护湿地▲生物多样性：三个层次：遗传多样性，物种多样性，生态系统多样性世界上物种最为丰富的地区：热带雨林和珊瑚礁人类社会不同时期导致物种灭绝的原因：早期---狩猎和采集；现在---污染和破坏生态▲保护生物多样性①就地保护，建立自然保护区②迁地保护，建动物园，植物园③离体保护，建基因库，种子库▲我国生态环境问题分布特征1、图4.16地区名称自然背景主要生态问题形成原因自然认为大兴安岭西侧大兴安岭西侧，内蒙古半干旱草原区森林破坏、土壤侵蚀（风蚀）、草地退化 半干旱草原地区，降水少 过垦，过牧，过樵西北干旱半干旱地区西北干旱半干旱荒漠绿洲区草地退化，土壤侵蚀降水少过度樵采，过垦，黄淮海平原区暖温带半湿润黄淮海平原区 土 壤 侵 蚀风蚀，次生盐碱化暖温带半湿润地区，春旱严重，蒸发旺盛，多大风，地势低洼 人口密集，过垦严重；不合理灌溉南方亚热带丘陵区南方亚热带丘陵区水土流失亚热带丘陵，降水丰富， 河流发育侵蚀强烈 毁林开荒，过度樵柴，陡坡开荒亚热带的横断山区、云贵高原西南横断山区，云贵高原西部亚热带丘陵山地区土壤侵蚀（水土流 失），森林破坏，物种灭绝，生物多样性锐减亚热带丘陵山地地区，地质条件复杂，坡度陡峻，土层浅薄，降水丰富 毁林开荒，过度樵柴，陡坡开荒青藏高原青藏高原高寒地区土壤侵蚀（冻融侵蚀，冰川侵蚀），草地退化高寒地区，气候变化，生态环境脆弱人为活动的影响▲6、中国不同区域的生态环境问题及其防治措施生态环境问题主要分布区域自然背景主要防治措施森林破坏 东北、西南、华南林区 中温带、亚热带边远山区 封山育林、计划砍伐、采育结合、退耕还林、改变林区经济结构草原退化内蒙古、青海、宁夏、新疆属半干旱干旱草原区退牧还草、封育草场、舍饲养畜湿地萎缩 三江低地、湖滨海滨属湿润低平原湖泊海洋边缘地区建立湿地自然保护区、停止围垦、退田还湖 生物多样性锐减 林区、草原、近海海域物种资源丰富扩大自然保护区，建立生态走廊、采育结合、合理放牧、实行禁渔期制度 土壤侵蚀（水土流失） 黄土高原、东南丘陵半湿润湿润丘陵地区退田还林、植树种草、改坡为梯荒漠化西北、华北半干旱区 属半干旱内陆或春旱严重地区解决当地群众生活用能，严禁砍伐a) 节约资源，减少污染b) 绿色消费，环保选购c) 重复使用，多次利用d) 分类回收，循环再生e) 保护自然，万物共存