-
近年来,植物的功能性状及其影响因子受到各界广泛关注[1-2]。叶片作为植物与周围环境接触面积最大的器官,其性状的变化对了解植物生长发育及采取相应适应性决策有很大帮助[3]。叶面积(LA)是衡量植被冠层结构的重要指标[4]。测定方法主要分为直接测量法和间接测量法。前者主要有透明方格纸法、打孔测定法和剪纸法等;后者主要是通过计算机模型软件的方法获得[5-6]。直接测量法只能获取叶片的上下表面积,常被用于阔叶树种。而间接测量法如WinSEEDLE种子和针叶图像分析系统软件,因其方便快捷、易于操作,正在被广泛使用。与叶面积相关的另一个指标,比叶面积(SLA)是指单位干质量的叶片面积[7-8],是植物生理生态学研究中叶片性状的首选指标[9-10]。但比叶面积在实际生活中不易获取,针叶植物或无叶片植物很难测定比叶面积。本研究中比叶面积主要通过3种方法计算获得:1)算术平均法,2)比估计法,3)最小二乘法[5]。目前,国内相关研究多集中在杉木(Cunninghamia lanceolata (Lamb.) Hook)[11-12]、灌木[13-15]、草本植物[15-17]和木本植物[18-19]等。
长白落叶松(Larix olgensis Henry)是我国东北地区三大针叶林用材树种之一。叶线形或倒披针状条形,叶片短而细窄,具有旱生叶的形态特征,叶面积较小。目前有关长白落叶松针叶面积测算的研究如孙志虎等[20]利用针叶扫描后的图像,将扫描后的叶片轮廓及白纸上已画好的图形跟踪为多边形,利用ArcGIS软件准确求出2类多边形面积(针叶面积和已知面积的多边形),采用比例的方法换算出落叶松针叶的叶面积。李娜等[21]先采用平台扫描仪结合ImageJava软件的方法对叶面积较大的叶片测算叶面积,再借助LI-COR公司研制的Li-3000A叶面积仪对叶面积较小的叶片测算叶面积。比叶面积的研究也较少,如宋林等[22]通过留取解析木的部分针叶,基于解析木的针叶生物量及解析木胸径建立了单木针叶生物量模型,再结合每木检尺来测算比叶面积;而李娜等[21]、全先奎等[23]是将实测的总叶面积结合叶干质量来直接计算比叶面积,但结果都不一致。
WinSEEDLE是加拿大Regent公司开发的一种专为扫描和测量种子或针叶而设计的图像分析系统,通过分段计算种子或针叶的横断面积而得到长度、宽度、周长和面积等指标。常用于测量形状弯曲不规则的种子或叶片。因此,本研究以长白落叶松为对象,基于WinSEEDLE软件,首先建立了针叶面积估计模型,然后比较了3种比叶面积的估算方法,为长白落叶松经营和相关研究提供基础参数。
-
研究区金沟岭林场位于吉林省汪清县境内东北部(130°05′~130°19′E,43°17′~43°25′N),属长白山系。地貌属低山丘陵,海拔300~1 200 m,坡度一般在5°~25°。林区属季风型气候,全年平均气温为3.9 ℃左右,多年平均年降水量600~700 mm。土壤主要是玄武岩中低山暗棕壤类型,平均厚度在40 cm左右。该区域森林类型丰富,属于长白山植物区系。
-
WinSEEDLE系统由专业版图像分析软件、STD4800扫描仪和样品固定装置3部分组成。在测量时先预热扫描仪,后启动WinSEEDLE图像分析系统,将叶片样本均匀、无接触地放入样品盘中,然后置于扫描仪内进行图像扫描,获得的叶片图像将自动进入图像分析系统。通过系统对叶片图像的检测和分析,可数字化叶片形态学指标,系统自动统计叶片数量,测量单个叶片(或样本平均)长度、宽度、周长、曲度、表面积(或投影面积)和体积等参数。
-
2018年8月,采用典型取样方法从40株林龄在10~40年的长白落叶松上不同方位(东、西、南、北)、不同部位(枝条前部、中部和后部)采集健康的针叶50束共150针。用精度为1/10 000 g电子天平称取每个针叶的鲜质量,利用中国林科院资源信息研究所的WinSEEDLE种子和针叶图像分析系统求取每个针叶的面积、长度、宽度以及周长。然后置于烘箱在90℃下杀青10 min,之后在80℃下烘干至恒质量[24-25]。针叶面积、干质量、长度、宽度以及周长统计量见表 1。
表 1 长白落叶松针叶参数统计量
Table 1. The statistics of needle parameters of Larix olgensis
统计量
Statistics针叶面积
Needle area/mm2干质量
Dry mass/mg长度
Length/mm宽度
Width/mm周长
Perimeter/mm最大值
Maximum84.54 13.1 61.69 2.24 145.09 最小值
Minimum8.75 0.7 21.18 0.45 47.39 平均值
Average32.39 4.2 35.77 1.19 81.49 标准差
Standard deviation17.67 2.0 9.69 0.36 22.92 -
首先对长白落叶松针叶面积及针叶长、叶宽、叶干质量和叶周长分别进行Pearson相关性分析,观察其间是否存在相关关系。分别建立针叶叶面积与叶长、叶宽、叶周长和叶干质量之间的一元、二元和三元回归模型,用于在没有WinSEEDLE种子和针叶图像分析系统软件时快速估测叶面积。基于长白落叶松针叶面积与叶长、叶宽、叶周长和叶干质量的散点图,分别采用线性、指数和幂函数三类模型进行拟合(表 2)。随机选取80%的数据建模,20%数据进行模型检验,模型计算用SPSS18.0软件完成。
表 2 针叶面积回归模型
Table 2. Regression models for needle area estimation
模型
Model回归方程
Regression equation一元线性函数 LA=ax+b 一元指数函数 LA=aebx 一元幂函数 LA=axb 二元线性函数 LA=ax1+bx2+c 二元指数函数 LA= ae(bx1+cx2) 二元幂函数 LA=ax1bx2c 三元线性函数 LA=ax1+bx2+cx3+d 三元指数函数 LA= ae(bx1+cx2+dx3) 三元幂函数 LA=ax1bx2cx3d 注:a、b、c、d为参数;LA为叶面积,x为自变量,包括叶长L,叶宽W,叶周长P,叶干质量X。 -
本研究通过计算决定系数(R2),平均误差(ME)、总体相对误差(TRE)、平均系统误差(MSE)、平均预估误差(MPE)和均方根误差(RMSE)6种统计量来检验回归模型的误差和拟合优度[26-28]。在这6项指标中,R2、ME和RMSE是回归模型的最常用指标,反映了模型的拟合优度;TRE和MSE是反映拟合效果的重要指标,二者都应该控制在一定范围内(如±3%或±5%),趋于0时效果最好;MPE是反映模型预估精度的核心指标,据此可以评价模型是否达到预期的精度要求。
-
分别采用算术平均法(式1)、比估计法(式2)和最小二乘法(式3)3种方法来计算比叶面积,并比较选取精度最高的方法。采用比叶面积估计量的方差大小判断3种方法的好坏,即比叶面积估计量的方差越小,其精度越高[28-29]。将比叶面积和叶长、叶宽、叶周长、叶干质量和叶面积进行Pearson相关性分析,观察它们之间是否存在相关关系。
$ SLA = \frac{{\sum\limits_{i = 1}^n {\frac{{L{A_i}}}{{{X_i}}}} }}{n} $
(1) $ SLA = \frac{{\sum\limits_{i = 1}^n L {A_i}}}{{\sum\limits_{i = 1}^n {{X_i}} }} $
(2) $ SLA = \frac{{\sum\limits_{i = 1}^n L {A_i} \cdot {X_i}}}{{\sum\limits_{i = 1}^n {X_i^2} }} $
(3) 式中:n为所测叶子片数,LAi为第i片叶子的叶面积,Xi为第i片叶子的干质量。
-
长白落叶松针叶面积与叶长、叶宽、叶周长和叶干质量之间呈极显著正相关关系(相关系数介于0.797~0.908,P<0.01)。表 3是用总针叶的80%即120针叶进行以针叶面积为因变量,以叶长、叶宽、叶周长和叶干质量分别作为自变量的一元线性、指数和幂函数回归方程的模拟结果。从拟合结果可以看出:以叶宽为自变量时,指数方程的决定系数最高,达到0.858。以叶干质量为自变量时,3个方程的决定系数普遍不高,决定系数最大值仅0.645。所有估测模型的总体相对误差均在6.50%以内。以上所有模型的平均误差和均方根误差均较小(ME<1.93 mm2,RMSE<14.18 mm2),且平均系统误差均不大。但鉴于以上模型无论自变量取值如何,叶面积估测精度均有待提高,因此考虑建立以针叶面积为因变量,叶长、叶宽、叶周长和叶干质量为自变量的二元和三元回归方程。
表 3 针叶面积与针叶各变量之间的一元回归方程
Table 3. Univariate regression equations between needle area and each needle variable
序号
Number回归方程
Regression equation调整后的R2
Adjusted R2平均误差
ME/mm2总体相对误差
TRE/%平均系统误差
MSE/%平均预估误差
MPE/%均方根误差
RMSE/mm21 LA=1.677L-27.293 0.822 -0.01 -0.04 3.32 3.62 7.84 2 LA=6.009e0.043L 0.677 1.46 4.68 5.30 3.63 7.84 3 LA=0.078L1.665 0.657 1.29 4.09 3.94 3.58 7.74 4 LA=44.652W-20.476 0.802 0.00 0.00 -6.77 3.82 8.26 5 LA=5.929e1.313W 0.858 0.53 1.66 1.97 3.82 8.25 6 LA=23.665W1.462 0.831 1.14 3.60 2.40 3.81 8.24 7 LA=0.708P-25.211 0.837 0.03 0.08 2.74 3.47 7.51 8 LA=6.325e0.018P 0.691 1.93 6.28 6.81 3.61 7.80 9 LA=0.022P1.637 0.678 1.67 5.37 5.44 3.49 7.55 10 LA=7 209.152X+2.374 0.645 0.00 0.00 0.32 5.12 11.07 11 LA=12.549e193.388X 0.573 1.29 4.12 6.28 6.56 14.18 12 LA=3 638.091X0.870 0.602 1.91 6.21 5.67 5.27 11.40 表 4仅列举了2组效果最优的二元线性、指数和幂函数回归方程。从表中可以看出:二元回归方程的决定系数均较一元回归方程有很大提高。其中,以叶长、叶宽为自变量的回归方程的决定系数最优(介于0.936~0.968)。所有模型的总体相对误差和平均系统误差均较小,且平均误差和均方根误差也较小(ME在±2%以内,RMSE<5.30 mm2),可以看出:以上回归模型无论自变量如何选取,叶面积估测精度均较高。为了验证是否三元回归方程精度更高,下一步需要进行三元回归方程的建模。
表 4 针叶面积与针叶变量组合之间的二元回归方程
Table 4. Binary regression equation between needle area and combination of needle variables
序号
Number回归方程
Regression equation调整后的R2
Adjusted R2平均误差
ME/mm2总体相对误差
TRE/%平均系统误差
MSE/%平均预估误差
MPE/%均方根误差
RMSE/mm21 LA=1.023L+25.895W-34.765 0.968 0.02 0.05 0.75 1.52 3.30 2 LA=6.194e(0.023L+0.637W) 0.936 -0.81 -2.42 -4.69 2.20 4.76 3 LA=0.817L0.977W0.883 0.966 -0.13 -0.41 -1.81 1.60 3.45 4 LA=24.979W+0.437P-32.757 0.966 -0.02 -0.07 0.17 1.58 3.42 5 LA=6.517e(0.620W+0.010P) 0.931 -1.77 -5.13 -7.03 2.45 5.30 6 LA=0.417W0.858P0.948 0.961 -0.17 -0.51 -2.02 1.71 3.69 表 5列举了2组效果最优的三元线性、指数和幂函数回归方程。从表中可以看出:三元回归方程的决定系数普遍较高,介于0.939~0.974之间,均优于一元和二元回归方程。其中,以叶长、叶宽、叶干质量为自变量的线性回归方程的决定系数最优,为0.974。从误差统计量可看出:无论自变量如何选择,回归模型的结果总体上高估了叶面积。同时,各误差统计量均较小(ME在±2%以内,RMSE<4.56 mm2),可见三元回归方程预估的叶面积更加准确。
表 5 针叶面积与针叶变量组合之间的三元回归方程
Table 5. Ternary regression equation between needle area and combination of needle variables
序号
Number回归方程
Regression equation调整后的R2
Adjusted R2平均误差
ME/mm2总体相对误差
TRE/%平均系统误差
MSE/%平均预估误差
MPE/%均方根误差
RMSE/mm21 LA=0.944L+22.932W+1 096.935X-33.000 0.974 -0.01 -0.03 0.82 1.37 2.96 2 LA=6.445e(0.021L+0.598W+18.067X) 0.941 -0.71 -2.12 -4.47 2.11 4.56 3 LA=2.175L0.892W0.806X0.120 0.971 -0.12 -0.38 -1.76 1.48 3.20 4 LA=21.746W+0.401P+1 201.993X-31.035 0.973 -0.01 -0.03 0.38 1.40 3.02 5 LA=6.790e(0.564W+0.009P+22.743X) 0.939 -1.30 -3.83 -5.92 2.23 4.81 6 LA=1.342W0.764P0.861X0.140 0.968 -0.08 -0.25 -1.70 1.55 3.35 -
为了验证以上回归模型的适用性,用剩下的20%数据对各模型分别进行检验,计算总体相对误差TRE和平均系统误差MSE,其结果见表 6。由误差项可以看出,三元回归模型的各误差统计量较一元和二元回归小,三元回归方程预估的叶面积更加稳定且准确。综合模型拟合及检验的各误差统计量,且考虑到线性方程的外推能力较差,在误差统计量相差不大的情况下,优先选择幂函数形式的非线性模型。由此得到:对于一元回归模型而言,以叶宽W为自变量时,估测效果最佳,即LA=5.929e1.313W。对于二元回归模型而言,以叶长L、叶宽W为自变量时,估测效果最佳,即LA=6.194e(0.023L+0.637W)。对于三元回归模型而言,以叶长L、叶宽W和叶干质量X为自变量时的估测模型效果最佳,即LA=6.445e(0.021L+0.598W+18.067X)。综上所述:长白落叶松针叶面积LA与叶长L、叶宽W和叶干质量X之间的估测模型效果为最优,即LA=6.445e(0.021L+0.598W+18.067X)。
表 6 针叶面积与针叶变量之间的回归模型检验
Table 6. Validation of regression models between the needle area and needle variables
回归方程
Regression equation序号
Number总体相对误差
TRE/%平均系统误差
MSE/%一元回归模型
Unitary regression models1 -4.50 -2.00 2 4.81 6.28 3 1.13 2.09 4 -4.23 0.13 5 3.64 3.15 6 0.51 0.18 7 -1.79 -0.19 8 9.95 10.05 9 5.27 5.55 10 2.17 4.46 11 11.64 12.38 12 7.58 9.33 二元回归模型
Binary regression models1 -4.16 -2.96 2 -1.60 -3.30 3 -2.35 -3.36 4 -2.71 -2.16 5 -2.54 -4.56 6 -1.02 -2.46 三元回归模型
Ternary regression models1 -3.27 -1.50 2 -0.79 -2.52 3 -1.67 -2.50 4 -1.71 -0.54 5 -0.79 -2.83 6 -0.11 -1.31 -
表 7是算术平均法、比估计法和最小二乘法3种方法所得到的比叶面积及其方差。3种方法所得到的方差相近。其中,以算术平均法计算获得的比叶面积估计值的方差最小,精度最高。由此,本研究得到长白落叶松的比叶面积为8.026 m2·kg-1。长白落叶松针叶比叶面积与叶长、叶宽、叶周长和叶面积之间呈极显著正相关关系(相关系数在0.379~0.417之间,P<0.01),与叶干质量呈极显著负相关关系(相关系数为-0.157,P<0.01)。
表 7 比叶面积的估计值及其方差
Table 7. Estimated value of SLA and its variance
项目
Items算术平
均法
Arithmetic
average
method比估计法
Ratio
estimation
method最小二
乘法
The least
square
methodSLA /(m2·kg-1) 8.026 7.813 7.680 SLA的方差
Variance of SLA8.134 8.180 8.255 SLA的标准差
Standard deviation of SLA2.852 2.860 2.873
长白落叶松叶面积回归模型及比叶面积估计
Needle Area Regression Model and Specific Leaf Area Estimation of Larix olgensis
-
摘要:
目的 以吉林省汪清林业局金沟岭林场40株10~40年生长白落叶松的健康针叶为研究对象,建立叶面积回归模型并估计其比叶面积。 方法 通过WinSEEDLE种子和针叶图像分析系统获取长白落叶松50束共150针的针叶面积、长度、宽度以及周长,再分别烘干至恒质量获得叶片干质量。建立以叶长L、叶宽W、叶周长P和叶片干质量X为自变量,叶面积LA为因变量的一元、二元和三元线性、指数和幂函数回归模型,并用平均误差、总体相对误差、平均系统误差、平均预估误差和均方根误差等统计量来评价模型误差和拟合优度。采用算术平均法、比估计法和最小二乘法计算比叶面积,并对3种方法的方差进行比较,获取最优估算值。 结果 一元、二元和三元模型均以指数函数最佳,模型分别为LA=5.929 e1.313W(R2=0.858),LA=6.194 e(0.023L+0.637W)(R2=0.936)和LA=6.445 e(0.021L+0.598W+18.067X)(R2=0.941)。 结论 算术平均法获取的比叶面积的精度最高,该方法得到的长白落叶松的比叶面积为8.026 m2·kg-1。 Abstract:Objective A total of 50 healthy clusters about 150 needles were sampled from 40 Larix olgensis trees at the age of 10 to 40 years in Jingouling Forest Farm of Wangqing Forestry Bureau, Jilin Province, for the establishment of leaf area regression models and estimation of specific leaf area. Method The needle area, needle length, needle width and needle perimeter were obtained using WinSEEDLE software, and the needles were dried to a constant weight to obtain the needle dry mass. The unitary, binary and ternary regression models were established with needle length (L), needle width (W), needle perimeter (P) and needle dry mass (M) as independent variables and needle area (LA) as a dependent variable. Linear, exponential and power function models were used for fitting. The mean error, total relative error, mean system error, mean prediction error and root mean square error were used to verify the errors and evaluate the goodness of model fitting. The variance of arithmetic average method, ratio estimation method and the least square method was compared to obtain the specific leaf area of Larix olgensis. Result LA=5.929e1.313W (R2=0.858), LA=6.194e(0.023L+0.637W (R2=0.936) and LA=6.445e(0.021L+0.598W+18.067X)(R2=0.941) are proved to be the best unitary, binary and ternary regression models. Conclusion The arithmetic average method is the best for specific leaf area estimation of L. olgensis which is 8.026 m2·kg-1. -
Key words:
- leaf area model
- / specific leaf area
- / Larix olgensis
- / WinSEEDLE
-
表 1 长白落叶松针叶参数统计量
Table 1. The statistics of needle parameters of Larix olgensis
统计量
Statistics针叶面积
Needle area/mm2干质量
Dry mass/mg长度
Length/mm宽度
Width/mm周长
Perimeter/mm最大值
Maximum84.54 13.1 61.69 2.24 145.09 最小值
Minimum8.75 0.7 21.18 0.45 47.39 平均值
Average32.39 4.2 35.77 1.19 81.49 标准差
Standard deviation17.67 2.0 9.69 0.36 22.92 表 2 针叶面积回归模型
Table 2. Regression models for needle area estimation
模型
Model回归方程
Regression equation一元线性函数 LA=ax+b 一元指数函数 LA=aebx 一元幂函数 LA=axb 二元线性函数 LA=ax1+bx2+c 二元指数函数 LA= ae(bx1+cx2) 二元幂函数 LA=ax1bx2c 三元线性函数 LA=ax1+bx2+cx3+d 三元指数函数 LA= ae(bx1+cx2+dx3) 三元幂函数 LA=ax1bx2cx3d 注:a、b、c、d为参数;LA为叶面积,x为自变量,包括叶长L,叶宽W,叶周长P,叶干质量X。 表 3 针叶面积与针叶各变量之间的一元回归方程
Table 3. Univariate regression equations between needle area and each needle variable
序号
Number回归方程
Regression equation调整后的R2
Adjusted R2平均误差
ME/mm2总体相对误差
TRE/%平均系统误差
MSE/%平均预估误差
MPE/%均方根误差
RMSE/mm21 LA=1.677L-27.293 0.822 -0.01 -0.04 3.32 3.62 7.84 2 LA=6.009e0.043L 0.677 1.46 4.68 5.30 3.63 7.84 3 LA=0.078L1.665 0.657 1.29 4.09 3.94 3.58 7.74 4 LA=44.652W-20.476 0.802 0.00 0.00 -6.77 3.82 8.26 5 LA=5.929e1.313W 0.858 0.53 1.66 1.97 3.82 8.25 6 LA=23.665W1.462 0.831 1.14 3.60 2.40 3.81 8.24 7 LA=0.708P-25.211 0.837 0.03 0.08 2.74 3.47 7.51 8 LA=6.325e0.018P 0.691 1.93 6.28 6.81 3.61 7.80 9 LA=0.022P1.637 0.678 1.67 5.37 5.44 3.49 7.55 10 LA=7 209.152X+2.374 0.645 0.00 0.00 0.32 5.12 11.07 11 LA=12.549e193.388X 0.573 1.29 4.12 6.28 6.56 14.18 12 LA=3 638.091X0.870 0.602 1.91 6.21 5.67 5.27 11.40 表 4 针叶面积与针叶变量组合之间的二元回归方程
Table 4. Binary regression equation between needle area and combination of needle variables
序号
Number回归方程
Regression equation调整后的R2
Adjusted R2平均误差
ME/mm2总体相对误差
TRE/%平均系统误差
MSE/%平均预估误差
MPE/%均方根误差
RMSE/mm21 LA=1.023L+25.895W-34.765 0.968 0.02 0.05 0.75 1.52 3.30 2 LA=6.194e(0.023L+0.637W) 0.936 -0.81 -2.42 -4.69 2.20 4.76 3 LA=0.817L0.977W0.883 0.966 -0.13 -0.41 -1.81 1.60 3.45 4 LA=24.979W+0.437P-32.757 0.966 -0.02 -0.07 0.17 1.58 3.42 5 LA=6.517e(0.620W+0.010P) 0.931 -1.77 -5.13 -7.03 2.45 5.30 6 LA=0.417W0.858P0.948 0.961 -0.17 -0.51 -2.02 1.71 3.69 表 5 针叶面积与针叶变量组合之间的三元回归方程
Table 5. Ternary regression equation between needle area and combination of needle variables
序号
Number回归方程
Regression equation调整后的R2
Adjusted R2平均误差
ME/mm2总体相对误差
TRE/%平均系统误差
MSE/%平均预估误差
MPE/%均方根误差
RMSE/mm21 LA=0.944L+22.932W+1 096.935X-33.000 0.974 -0.01 -0.03 0.82 1.37 2.96 2 LA=6.445e(0.021L+0.598W+18.067X) 0.941 -0.71 -2.12 -4.47 2.11 4.56 3 LA=2.175L0.892W0.806X0.120 0.971 -0.12 -0.38 -1.76 1.48 3.20 4 LA=21.746W+0.401P+1 201.993X-31.035 0.973 -0.01 -0.03 0.38 1.40 3.02 5 LA=6.790e(0.564W+0.009P+22.743X) 0.939 -1.30 -3.83 -5.92 2.23 4.81 6 LA=1.342W0.764P0.861X0.140 0.968 -0.08 -0.25 -1.70 1.55 3.35 表 6 针叶面积与针叶变量之间的回归模型检验
Table 6. Validation of regression models between the needle area and needle variables
回归方程
Regression equation序号
Number总体相对误差
TRE/%平均系统误差
MSE/%一元回归模型
Unitary regression models1 -4.50 -2.00 2 4.81 6.28 3 1.13 2.09 4 -4.23 0.13 5 3.64 3.15 6 0.51 0.18 7 -1.79 -0.19 8 9.95 10.05 9 5.27 5.55 10 2.17 4.46 11 11.64 12.38 12 7.58 9.33 二元回归模型
Binary regression models1 -4.16 -2.96 2 -1.60 -3.30 3 -2.35 -3.36 4 -2.71 -2.16 5 -2.54 -4.56 6 -1.02 -2.46 三元回归模型
Ternary regression models1 -3.27 -1.50 2 -0.79 -2.52 3 -1.67 -2.50 4 -1.71 -0.54 5 -0.79 -2.83 6 -0.11 -1.31 表 7 比叶面积的估计值及其方差
Table 7. Estimated value of SLA and its variance
项目
Items算术平
均法
Arithmetic
average
method比估计法
Ratio
estimation
method最小二
乘法
The least
square
methodSLA /(m2·kg-1) 8.026 7.813 7.680 SLA的方差
Variance of SLA8.134 8.180 8.255 SLA的标准差
Standard deviation of SLA2.852 2.860 2.873 -
[1] Chapin F S, Zavaleta E S, Eviner V T, et al. Consequences of changing biodiversity[J]. Nature, 2000, 405(6783):234-242. doi: 10.1038/35012241 [2] Hooper D U, Chapin F S, Ewel J J, et al. Effects of biodiversity on ecosystem functioning:a consensus of current knowledge[J]. Ecological Monographs, 2005, 75(1):3-35. doi: 10.1890/04-0922 [3] Lavorel S, Garnier E. Predicting changes in community composition and ecosystem functioning from plant traits:revisiting the Holy Grail[J]. Functional Ecology, 2010, 16(5):545-556. [4] Kim J H, Lee J W, Ahn T I, et al. Sweet pepper (Capsicum annuum L.) canopy photosynthesis modeling using 3D plant architecture and light ray-tracing[J]. Frontiers in Plant Science, 2016, 7(887):1321. [5] 刁军, 国红, 卢军, 等.油松针叶面积估计模型及比叶面积的研究[J].林业科学研究, 2013, 26(2):174-180. doi: 10.3969/j.issn.1001-1498.2013.02.008 [6] 谭峰, 高艳萍.基于图像的植物叶面积无损测量方法研究[J].农业工程学报, 2008, 24(5):170-173. doi: 10.3321/j.issn:1002-6819.2008.05.037 [7] Evans J, Poorter H. Photosynthetic acclimation of plants to growth irradiance:The relative importance of SLA and nitrogen partitioning in maximizing carbon gain[J]. Plant, Cell & Environment, 2001, 24(8):755-767. [8] Cunningham S A, Summerhayes B, Westoby M. Evolutionary divergences in leaf structure and chemistry, comparing rainfall and soil nutrient gradients[J]. Ecological Monographs, 1999, 69(4):569-588. doi: 10.1890/0012-9615(1999)069[0569:EDILSA]2.0.CO;2 [9] Rosbakh S, R Mermann C, Poschlod P. Specific leaf area correlates with temperature:new evidence of trait variation at the population, species and community levels[J]. Alpine Botany, 2015, 125(2):79-86. doi: 10.1007/s00035-015-0150-6 [10] Weraduwage S M, Chen J, Anozie F C, et al. The relationship between leaf area growth and biomass accumulation in Arabidopsis thaliana[J]. Frontiers in Plant Science, 2015, 6:167-188. [11] 彭曦, 闫文德, 王凤琪, 等.基于叶干质量比的杉木比叶面积估算模型的构建[J].植物生态学报, 2018, 42(2):209-219. [12] 李凯, 项文化.湘中丘陵区12个树种比叶面积、SPAD值和种子干质量的比较[J].中南林业科技大学学报, 2011, 31(5):213-218. doi: 10.3969/j.issn.1673-923X.2011.05.037 [13] 王子奇, 查天山, 贾昕, 等.油蒿光合参数季节动态及其与叶氮含量和比叶面积的关系[J].生态学杂志, 2017, 36(4):916-924. [14] 任昱, 卢琦, 吴波, 等.不同模拟增雨下白刺比叶面积和叶干物质含量的比较[J].生态学报, 2015, 35(14):4707-4715. [15] 林华, 陈双林, 郭子武, 等.苦竹叶片性状及其异速生长关系的密度效应[J].林业科学研究, 2017, 30(4):617-623. [16] 刘铁梅, 邹薇, 刘铁芳, 等.不同冬油菜品种比叶面积的多因子分析[J].作物学报, 2006, 32(7):1083-1089. doi: 10.3321/j.issn:0496-3490.2006.07.021 [17] 李玉霖, 崔建垣, 苏永中.不同沙丘生境主要植物比叶面积和叶干物质含量的比较[J].生态学报, 2003, 25(2):304-311. [18] 曹林青, 钟秋平, 罗帅, 等.干旱胁迫下油茶叶片结构特征的变化[J].林业科学研究, 2018, 31(3):136-143. [19] 陶骏骏, 王海晖, 姚奉奇, 等.木本植物叶片热值测试和分析[J].林业科学研究, 2018, 31(2):48-54. [20] 孙志虎.长白落叶松人工用材林长期生产力维持的研究.哈尔滨:东北林业大学, 2005. [21] 李娜.落叶松幼苗对干旱胁迫及氮添加的生理生态响应.哈尔滨:东北林业大学, 2014. [22] 宋林, 孙志虎.长白落叶松人工林叶面积指数测定[J].东北林业大学学报, 2012, 40(9):6-9. doi: 10.3969/j.issn.1000-5382.2012.09.002 [23] 全先奎, 王传宽.帽儿山17个种源落叶松针叶的水分利用效率比较[J].植物生态学报, 2015, 39(4):352-361. [24] Chen B, Fu Z, Pan Y, et al. Single leaf area measurement using digital camera image//International Conference on Computer & Computing Technologies in Agriculture. Springer Berlin Heidelberg, 2011, 345:525-530. [25] Waring R H, Schroeder P E, Oren R. Application of the pipe model theory to predict canopy leaf area[J]. Canadian Journal of Forest Research, 1982, 12(3):556-560. doi: 10.1139/x82-086 [26] Diao J, Lei X D, Hong L X, et al. Single leaf area estimation models based on leaf weight of eucalyptus in southern China[J]. Forest Reseach, 2010, 21(1):73-76. doi: 10.1007/s11676-010-0012-4 [27] Diao J, Lei X, Hong L, et al. Estimating single leaf area of Eucalyptus (Eucalyptus grandis x Eucalyptus urophylla) using leaf length and width//Third International Symposium on Plant Growth Modeling. IEEE, Beijing, China, 2010. [28] 唐守正.生物数学模型的统计学基础[M].北京:高等教育出版社, 2002. [29] 曾伟生, 唐守正.立木生物量方程的优度评价和精度分析[J].林业科学, 2011, 47(11):106-113. doi: 10.11707/j.1001-7488.20111117 [30] 夏国威.日本落叶松人工林冠层光合生产力研究.北京:中国林业科学研究院, 2017. [31] 刘宁, 张芸香, 郭晋平, 等.华北落叶松-白杄混交林下更新幼苗幼树的功能特性[J].林业科学, 2010, 46(7):22-29. [32] Fellner H, Dirnberger G F, Sterba H. Specific leaf area of European Larch (Larix deciduas Mill.):[J]. Trees, 2016, 30(4):1237-1244. doi: 10.1007/s00468-016-1361-1 [33] Sterck F J, Poorter L, Schieving F. Leaf traits determine the growth-survival trade-off across rain forest tree species[J]. The American Naturalist, 2006, 167(5):758-765. doi: 10.1086/503056 [34] Catoni R, Gratani L, Sartori F, et al. Carbon gain optimization in five broadleaf deciduous trees in response to light variation within the crown:correlations among morphological, anatomical and physiological leaf traits[J]. Acta Botanica Croatica, 2015, 74(1):71-94. doi: 10.1515/botcro-2015-0010 [35] Brian A, Nishanta R, David A, et al. Ecological strategies in California chaparral:interacting effects of soils, climate, and fire on specific leaf area[J]. Transactions of the Botanical Society of Edinburgh, 2011, 4(2-3):10. [36] 胡耀升, 么旭阳, 刘艳红.长白山森林不同演替阶段比叶面积及其影响因子[J].生态学报, 2015, 35(5):1480-1487.