不同产地花楸无性系苗期田间耐热性评价研究

刘迪; 孙操稳; 王立宪; 贾黎明

doi:10.12171/j.1000-1522.20190266

不同产地花楸无性系苗期田间耐热性评价研究

1.
北京林业大学城乡生态环境北京实验室，北京 100083
2.
南京林业大学林学院，江苏南京 210037

基金项目: 城乡生态环境北京实验室-北京乔木类乡土植物筛选及高效繁育技术（200-67191003）

详细信息

作者简介:
刘迪。主要研究方向：树木栽培生理。Email：617548609@qq.com　地址：100083 北京市海淀区清华东路35号北京林业大学林学院

责任作者:
贾黎明，教授，博士生导师。主要研究方向：生态林及城市森林培育。Email：jlm@bjfu.edu.cn　地址：同上

中图分类号: S792.25
计量
- 文章访问数: 2041
- HTML全文浏览量: 737
- PDF下载量: 56
出版历程
- 收稿日期: 2019-06-25
- 修回日期: 2020-01-18
- 网络出版日期: 2020-04-09
- 发布日期: 2020-04-26

Evaluation on field heat resistance of Sorbus pohuashanensis clonal seedlings introduced from different regions

1.
Beijing Laboratory of Urban and Rural Ecological Environment, Beijing Forestry University, Beijing 100083, China
2.
College of Forestry, Nanjing Forestry University, Nanjing 210037, Jiangsu, China

摘要

摘要:
目的花楸是分布在我国山区海拔500 ~ 2 200 m的重要乡土树种，具有极高的观赏价值。本研究对不同花楸无性系的田间耐热性进行综合评价，为早期筛选出适应于北京高平原地区的优良品种提供科学依据。
方法以来自5个种源的14个无性系花楸的2年生嫁接苗为材料，在北京延庆海拔500 m的田间条件下，对幼苗的苗高和地径的生长量、叶片丙二醛（MDA）、可溶性蛋白、可溶性糖和叶绿素含量以及SOD、POD的活性进行测定；利用基于主成分分析的隶属函数分析法对14个无性系花楸幼苗的耐热性进行了综合评价。
结果各单项指标值在4个月之间的差异显著，且在不同无性系之间的差异也显著；WL1、WL2、SH1和SH2的苗高和地径的生长表现显著优于其他无性系。TB1和TB2的生长表现最差；TB1和TB2的MDA含量从5月到6月升高最显著，耐热性表现差。FN2和WL2的MDA含量从5月到6月反而下降，优于其他无性系；WL2、FN1和FN2的两种保护酶活性高，优于其他无性系；FN1和FN2的叶绿素含量受高温的影响下降最少，优于其他无性系；SS1、SS2、SS3和SS4的渗透调节物质含量较高，优于其他无性系。指标的相关性分析表明，叶绿素含量两两间呈显著正相关关系（P < 0.01）；叶绿素含量变化与地径增长量间呈显著负相关关系（P < 0.05）；苗高和地径之间呈显著正相关关系。10个单项指标经过主成分分析后，得到4个新的相互独立的综合指标；
结论经过隶属函数综合评价，各无性系幼苗的田间耐热性从强到弱的顺序为：WL2、WL1、FN1、SH2、SH1、FN2、SS2、HS2、SS4、SS3、SS1、HS1、TB2、TB1。
- 花楸 /
- 产地 /
- 耐热性 /
- 高平原 /
- 隶属函数
Abstract:
ObjectiveSorbus pohuashanensis is one of the important Chinese native tree species with high ornamental value ranging from 500 to 2 000 m altitude. In this study, the field trial for heat resistance of different clones was evaluated comprehensively, which provided scientific basis for early selecting fine varieties adapting to high plains in Beijing.
Method2-year-old grafted seedlings of 14 clones from 5 provenances were used as materials. In the field trial, which performed in Yanqing County of Beijing with 500 m altitude, the height and stem growth of seedlings, content of malondialdehyde (MDA), soluble protein, soluble sugar, chlorophyll in the leaves, activity of superoxide dismutase (SOD) and peroxidase (POD) in the leaves were measured; and the heat resistance of 14 clones was evaluated comprehensively by membership function analysis based on principal component analysis.
ResultThe value of each single index showed significant difference among 4 months and was significantly different among different clones. The growth performance of Wuling1 (WL1),Wuling2 (WL2), Shihui1 (SH1) and Shihui2 (SH2) was significantly better than other clones. The growth performance of Taibai1 (TB1) and Taibai2 (TB2) was the worst; the MDA contents of TB1 and TB2 increased most significantly from May to June, showing poor heat resistance. However, the MDA contents of Fengning2 (FN2) and WL2 decreased, showing stronger heat resistance than other clones. The activity of two protective enzymes of WL2, Fengning1 (FN1) and FN2 was higher than other clones. The chlorophyll content of FN1 and FN2 was minimally impacted by high temperature; the content of osmotic regulator of Songshan1 (SS1), Songshan2 (SS2), Songshan3 (SS3) and Songshan4 (SS4) was higher than other clones. Correlation analysis showed significantly positive correlation between every two groups of chlorophyll content (P < 0.01); chlorophyll and ground diameter growth (P < 0.05) were significantly negatively correlated. Significantly positive correlation was found between seedling height and ground diameter of seedlings; after principal component analysis, 10 single indexes were transformed into 4 new independent comprehensive indexes;
ConclusionAfter the comprehensive evaluation of membership function, the sequence of field heat resistance of each clone seedling from strong to weak is: WL2, WL1, FN1, SH2, SH1, FN2, SS2, Huangshan shuiyu2 (HS2), SS4, SS3, SS1, Huangshan shuiyu1 (HS1), TB2, TB1.
- Sorbus pohuashanensis /
- place of origin /
- heat resistance /
- high plain /
- membership function

HTML全文

地面激光雷达（Terrestrial Laser Scanning，TLS）获取点云数据方便快捷，能够较好地反映林下垂直结构，基于这一特性有研究者将其应用于林分参数提取^[1]、树干点检测^[2−3]、单木分割和建模^[4−6]等研究。根据TLS林分点云分离出地面、树干和枝叶等类别可为数字高程模型构建、单木定位^[6]、胸径和树高反演^[1]等研究提供重要依据，所以将点云按类别快速分离在林业研究中具有重要意义。

点云分类任务主要包括特征构造和特征识别。构造特征是点云分类的基础，多年来，研究者们一直在致力于构造适当的点特征用以描述点与点之间的差异。根据构造策略的不同，构造点特征的方法大致分为两类，一类通过计算直方图的方法来描述点特征^[7−9]；另一类通过点与其近邻的相关关系构造几何特征。前者解译性较差，研究者不能从这些特征中直观地解读其所表征的三维特性，且特征维度较高，至少有33维^[8]，因而很少用于点云分类研究。通过近邻关系构造的特征几何含义明显，研究者可以从中解读其表征的几何含义^[12]，特征维度相对较低，应用较为广泛。如将近邻点投影到水平的二维平面中构造特征D_2D和R_λ,2D^[10−11]；通过近邻点协方差矩阵特征值的不同组合来挖掘其所表征的几何含义^[12−14]；通过计算近邻点的法向量和曲率构造特征^[15−16]。构造好特征之后需要寻找适当的方法进行特征识别，成熟的机器学习算法能够快速分离不同特征对应的类别，所以有较多的研究者选择用机器算法学习点特征以达到点云高精度分类的目的。Hackel等^[15]和Becker等^[17]的研究中分别构造了16和15个几何特征训练随机森林，分类准确率分别为0.90和0.84。上述方法均构造了较高维度的特征，而特征维度较高容易使得特征之间的相关关系复杂化，降低分类器对特征的敏感度，增加特征构造时间和内存消耗^[11]。

为了解决地面激光雷达点云分类特征维度较高的问题，本研究以TLS扫描的蒙古栎（Quercus mongolica）人工林数据为基础，通过对原始点云滤波处理后采用快速KDtree搜索近邻点，用近邻点分别计算协方差矩阵特征值、法向量、曲率、方差和最大高程差构造5个几何特征训练分类器。为了表明上述特征在TLS林分点云分类中具有较高的稳定性，本研究分别用Hackel等^[15]和Becker等^[17]使用的随机森林和本研究引入的xgboost这两个成熟的分类器进行训练，然后选用表现优异的分类器模型分离测试集点云。上述方法旨在构造一组稳健且维度较低的几何特征用于点云分类，以期达到快速分离林分点云的目的。

1. 研究方法

1.1 数据收集与样本选取

本研究数据用地面激光雷达（表1）扫描蒙古栎人工林获取，点间距最小为2 mm，扫描树型完整，扫描时间为2016年6月1日，共架设5个扫描站（图1a），站间平均间距20 m，其中S1扫描站设为360°全景扫描，其余4站（S2、S3、S4、S5）为定向扫描。该蒙古栎人工林（图1b）地势平坦、树种单一且垂直结构较好、林分单木间隔为3 m左右，枝叶间存在遮挡，灌木较少，林分平均密度为2 500株/hm²，平均树高和胸径分别为9.98 m和13.55 cm。

表 1 三维激光扫描仪技术参数

Table 1. Technical parameters of TLS

参数 Parameter	数值 Value
点位精度 Position precision	6 mm
距离精度 Resolution of distance	4 mm
角度分辨率 Resolution of angle	12″
颜色及波长 Color and wavelength	Green/532 nm
扫描距离 Scanning range	300 m
扫描速率 Scanning velocity	50 000 点/s
扫描速率 Scanning velocity	50 000 points/s
扫描光斑直径 Scanning spot diameter	4.5 mm (0 ~ 50 m)

下载: 导出CSV

| 显示表格

图 1 扫描站和蒙古栎人工林

Figure 1. Scanning stations and plantation of Mongolian oak

下载: 全尺寸图片幻灯片

用以训练分类器的样本通常分为训练样本、验证样本和测试样本3类。训练样本用于训练分类器；验证样本和训练样本均采集自同一样本集，验证样本常用做比较不同分类器的性能。本研究将验证集准确率较高的分类器用于测试样本的分类。本研究的5个站点TLS林分点云数据几何特征相近，全景扫描相较于定向扫描数据量丰富，所以本研究的训练样本和验证样本分别是从标记好的全景扫描数据中随机采集1 000 000和10 000个点获得，测试样本为剩余4个站点中任选1站的点云数据。

1.2 数据坐标系定义

本研究的5站数据坐标系均由相对独立的笛卡尔坐标系定义（图2），坐标原点O为扫描仪中心所在的空间位置，X、Y轴互相垂直，其所确定的平面为水平平面，Z轴指向由右手法则确定。使用激光雷达进行数据采集时，若空间中存在一点P，其在上述坐标系中的空间距离为OP，那么P点的空间坐标即为OP向量在X、Y、Z轴3个方向上的分量。

图 2 数据坐标系

Figure 2. Data coordinate system

下载: 全尺寸图片幻灯片

1.3 点近邻特征构造

在林分点云分类任务中，同一类别的点云具有相似的特征，所以特征的构造对点云分类准确率有决定性作用。本研究构造的5个几何特征定义如下：

$\begin{aligned} &\;\\ {R_{\lambda ,2D}} &= \dfrac{{{\lambda _{2,2D}}}}{{{\lambda _{1,2D}}}}\\ V = &1 - \left| {n_{Z}} \right|\\ {C_\lambda } = & \dfrac{{{\lambda _3}}}{{{\lambda _1} + {\lambda _2} + {\lambda _3}}}\\ {\sigma _{Z_{\rm{KNN}}}} = \dfrac{1}{{k - 1}} & \sum \limits_{i = 1}^k \left( {{Z_i} - \bar Z} \right)\left( {{Z_i} - \bar Z} \right)\\ \Delta {Z_{\rm{KNN}}} =& {Z_{\max}} - {Z_{\min}} \end{aligned}$

(1)

式中：λ₁ > λ₂ > λ₃ ≥ 0表示点和近邻点协方差矩阵的特征值，λ_{1, 2D} > λ_{2, 2D}≥ 0表示近邻点在X，Y坐标的特征值，R_{λ, 2D}指近邻点在水平投影中第二特征值与第一特征值的比值；V是垂直度；n_Z是邻近点法线向量Z轴方向分量；C_λ是点与近邻点构成曲面的曲率； ${\sigma _{Z_{\rm{KNN}}}}$ 是近邻点在Z方向的方差； $\Delta {Z_{\rm{KNN}}}$ 是近邻点在Z方向的最大距离，KNN表示快速KDtree搜索的近邻值，Z_i和 $\bar Z$ 分别表示近邻点的Z坐标值和Z坐标均值，Z_max和Z_min分别表示近邻点最大和最小Z坐标值。

图3a、b、c分别为全景扫描站中截取的3个类别林分激光雷达点云。由图3可知，本研究的地面点平面特性较好，树干点的垂直特性显著，枝叶点形状不规则且离散特性较差。为不失一般性，表2给出了用全景扫描点云计算3个类别几何特征的均值。特征R_λ,2D与近邻点在X、Y轴投影的离散程度相关，近邻点云分布集中则其值较小，反之则较大；地面点X、Y方向分布较为分散，故特征R_λ,2D较大，趋近1；树干点在水平投影面呈月牙形，故其值较小，趋近0；枝干离散特性不稳定，故其值趋近0.5。特征V与近邻点逼近曲面的法向量相关，地面的曲面法向量近似平行于Z轴，树干的曲面法向量近似垂直于Z轴，故地面与树干的特征V分别趋近0和1；枝叶的近邻点法向量分布不规律，故其特征V介于地面与树干之间。特征C_λ用于衡量近邻点逼近曲面的弯曲程度，在3个类别中，地面弯曲程度较小，故C_λ最小；枝叶近邻点比树干近邻点分布集中，故其曲率相对较大；树干曲率介于两者之间。特征 ${\sigma _{Z_{\rm{KNN}}}}$ 和ΔZ_KNN仅与近邻点的Z方向分布相关，分布越集中其值越小，反之越大；地面点Z方向差异最小分布集中，故其特征 ${\sigma _{Z_{\rm{KNN}}}}$ 和ΔZ_KNN最小；树干Z方向差异比地面大但比枝叶均匀，故枝叶特征 ${\sigma _{Z_{\rm{KNN}}}}$ 和ΔZ_KNN值最大，树干特征 ${\sigma _{Z_{\rm{KNN}}}}$ 与ΔZ_KNN值介于地面与枝叶之间。

图 3 全景扫描站中截取的3个类别点云

Figure 3. 3 categories of point clouds intercepted in the panoramic scanning station

下载: 全尺寸图片幻灯片

表 2 全景扫描不同类别点云的特征均值

Table 2. Mean features of different kinds of points from full scanning

类别 Category	R_λ,2D	V	C_λ	$\scriptstyle{{\sigma _{Z_{\rm{KNN}}}}}$	ΔZ_KNN
地面 Ground	0.732 4	0.012 9	0.012 7	0.000 1	0.047 3
树干 Stem	0.183 5	0.873 2	0.047 2	0.002 4	0.142 8
枝叶 Branch and leaf	0.471 5	0.281 5	0.085 2	0.005 9	0.212 8
注：R_λ,2D是近邻点在水平投影中第二特征值与第一特征值的比值，V是垂直度，C_λ是点与近邻点构成曲面的曲率， $\scriptstyle{{\sigma _{Z_{\rm{KNN}}}}}$ 是近邻点在Z方向的方差，ΔZ_KNN是近邻点在Z方向的最大距离。Notes: R_λ,2D is the ratio of the second eigenvalue to the first eigenvalue in the horizontal projection of the neighboring points, V is the verticality, C_λ is the curvature of the surface formed by the neighboring points, $\scriptstyle{{\sigma _{Z_{\rm{KNN}}}}}$ is the variance of the neighboring points in the Z direction, ΔZ_KNN is the maximum distance of the neighboring points in the Z direction.

下载: 导出CSV

| 显示表格

1.4 近邻搜索方法

点近邻计算要考虑两个重要因素：（1）依据近邻点计算的点特征质量；（2）搜索近邻的算法效率。

在本研究中点云密度与扫描距离呈负相关变化，即距离扫描仪较近的点云密度较大，距离扫描仪较远点云密度较小。一般而言，近邻点云可以基于定半径和定近邻个数进行搜索，前者受点云密度影响较大，点云密度小定半径搜索的点数量较少计算的特征不具代表性；点云密度大定半径搜索点数量急剧增加则降低算法运算效率。通常学者考虑基于K近邻搜索点云^[11,14−16]，这样不仅保证搜索点云个数，而且受点云密度影响较小。当遍历点云数据搜索近邻点时，若近邻点数量相近则其对应的几何特征差异较小；近邻点数量较大则容易搜索到较多其他类别点云促使计算的几何特征失真，所以本研究的K值拟在20 ~ 200范围内,以30为步长分别取值，并进行最优K值探究。

随着计算机科学的进步，相近样本的搜索效率也取得长足的发展。早期研究者通过计算单样本与所有样本之间的最近距离搜索近邻样本，即KNN搜索^[18]。KNN算法的效率与样本的数量呈线性关系，随着样本数量和特征维度的增加其对计算机内存的要求逐渐增高，该算法容易陷入维度灾难。而后研究者又提出了维度递归二叉树的方法搜索最近样本，即KDtree。KDtree算法依据二分类思想按维度迭代分割样本所在空间，直到每个最后一棵树仅由一个元素构成，然后采用回溯方法查找临近点，当近邻点数量达到阈值或近邻点最大距离达到阈值则查找结束。本研究数据量较大，故采用改进的快速KDtree^[19]搜索点云K近邻，其算法效率相较于传统KDtree取得了巨大进步。当然也有基于Octree搜索近邻的方法^[20]。

1.5 分类器

分类器的分类精度往往取决于构造的特征，即特征对类别的表征能力决定了分类器的上限。如果两个成熟分类器均能够有效分离地面、树干和枝叶则表明本研究构造的几何特征具有较高的稳定性。本研究分别取Hackel等^[15]和Becker等^[17]研究中选用的随机森林^[21]与近年来在分类比赛中表现优异的xgboost^[22]这两个分类器进行比较研究。

1.5.1 随机森林

Breiman^[21]在文章中对随机森林做如下定义：随机森林是一种包含多个决策树的分类器，每棵树针对输入X给出其所属类别的判断。 $\left\{ {h\left( {X,{{\varTheta} _m}} \right)} \right.,$ $m = 1,2, \cdots ,$ $M\}$ ， $h\left( {X,{{\varTheta} _m}} \right)$ 是分类器对输入X所属类别做出判断；Θ是一组随机向量，其取决于树的结构；M是决策树的数量。随机森林有3个特性：（1）对输入的N个样本采用bagging方式进行重新采集。（2）节点特征采样，这个策略可以防止过拟合，提高分类器的泛化能力。（3）每棵树都使用贪心算法尽量增长到最大深度。

随机森林的边缘函数（Mg）定义如下：

${\rm{Mg}} = a{v_m}I\left( {{h_m}\left( X \right) = Y} \right) - \mathop {\max }\limits_{j \ne Y} a{v_m}I\left( {{h_m}\left( X \right) = j} \right)$

(2)

式中：I（）是判断函数，h_m（X）为决策树对样本的判断，m为决策树索引，X表示输入，Y表示类别标签，av_m表示所有决策树正确判断的均值， $\mathop {\max }\limits_{j \ne Y} a{v_m}$ 表示最多错判的均值。

该公式的含义是所有决策树正确判断的均值与最多错判均值的差，差值越大表明分类器的置信度越高。

1.5.2 xgboost

xgboost是梯度提升决策树^[23]（Gradient Boosted Decision Trees，GBDT）的改进，也是基于决策树的训练，xgboost相较于GBDT在训练方法上做了较大的改进。其优点如下：（1）引入正则化项，该策略能够防止分类器过拟合；（2）采用剪枝技术，保证算法精度；（3）目标函数采用泰勒展开式的二项逼近；（4）支持并行计算，提高运算效率。

xgboost优化的目标函数（OBJ）定义如下:

$\begin{aligned} {\rm{OBJ}} =& - \dfrac{1}{2}\displaystyle\sum\limits_{j = 1}^T {\dfrac{{{{\left( {\displaystyle\sum\limits_{i \in {I_j}} {{g_i}} } \right)}^2}}}{{\displaystyle\sum\limits_{i \in {I_j}} {{h_i}} + \lambda }}} + \gamma T \\ {w_j^*} =& - \dfrac{{\displaystyle\sum\limits_{i \in {I_j}} {{g_i}} }}{{\displaystyle\sum\limits_{i \in {I_j}} {{h_i}} + \lambda }} \end{aligned}$

(3)

式中：g_i、h_i为目标函数的梯度，γ、λ是目标函数的优化参数，T是决策树的叶子节点数，I_j是训练样本所在的叶子索引， $w_j^*$ 是第j个叶子节点的权重。

1.6 精度评价

训练好分类器之后，需要对其表现做出定性的评价，在机器学习中衡量分类器性能的定义如下：

$\begin{aligned} A =& \dfrac{{{C_N}}}{{{T_N}}}\\ P =& \dfrac{{{C_{N_i}}}}{{{P_{N_i}}}}\\ R =& \dfrac{{{C_{N_i}}}}{{{T_{N_i}}}}\\ F_{1{\rm{score}}} =& 2\dfrac{{PR}}{{P + R}}\\ M_{F_{1{\rm{score}}}} =& \dfrac{1}{n}\displaystyle\mathop \sum \limits_{i = 1}^n F_{1{\rm{score}}} \end{aligned}$

(4)

式中：A、P、R、F_1score、 $M_{F_{1{\rm{score}}}}$ 分别表示分类器的准确率、查准率、召回率、F₁分数和F₁分数均值。C_N表示正确估计的样本数，T_N表示样本总量， ${C_{N_i}}$ 表示类别i中正确估计的样本数量， ${P_{N_i}}$ 表示估计为类别i的总量， ${T_{N_i}}$ 表示实际为类别i的总量，n表示样本类别个数。

A用于分类器表现直观估计，P和R用于评价分类器在某类上的表现。由于难以用两个量衡量分类器在某一类别上的表现，研究者引入F_1score。通常还采用 $M_{F_{1{\rm{score}}}}$ 衡量分类器的总体表现，其值越大表示分类器分类效果越好。

2. 结果与分析

2.1 快速KDtree的K值的选择

用分类器处理点云分类任务时，研究者常常考虑在不影响分类器精度前提下，兼顾特征计算速度和分类器训练速度。图4a、b分别展示了随着K值的变化随机森林算法在数据集上的表现。由图4a可知，快速KDtree近邻搜索的时间与K值近似线性关系；在用特征训练分类器时发现随着K值的增大，训练时间逐渐减小，当K大于140时训练用时趋于稳定。

图 4 快速KDtree搜索用时和随机森林的训练统计量

Figure 4. Statistics of random forest training and fast KDtree search

下载: 全尺寸图片幻灯片

在图4b中分别绘制了随着K值增大分类器在训练样本、验证样本和测试样本上的表现。随着K值的增大，分类器训练准确率逐渐增长，在达到0.96时趋于稳定。测试准确率随着K值的增长也不断提高，当K大于80时，准确率趋于平稳，且在K为140时，准确率达到最大值。随机森林的训练精度总是比测试精度大了近0.03，且在K为140时差值最小，说明随机森林存在轻微的过拟合现象。综上所述，本研究采用K为140的快速KDtree搜索近邻点云。

2.2 分类器比较

在用机器学习处理点云分类时，一组好的特征能够适应多种分类器，即分类器的分类精度很大程度上取决于构造的特征。本研究中随机森林和xgboost均由50个决策树组成，决策树分裂最大深度为6层。由表3可知，xgboost和随机森林在林分点云分类中均有较好的表现，测试集的准确率分别达到0.936 3和0.932 1。仔细分析不难发现，xgboost在每个类别的查准率、召回率、F_1score和 $M_{F_{1{\rm{score}}}}$ 均比随机森林有千分级的优势。由2.1节分析可知，随机森林存在轻微的过拟合现象，xgboost在目标函数中引入了正则化项，其在训练中能够较好地控制分类器过拟合，所以xgboost有较好的泛化能力。综合准确率和 $M_{F_{1{\rm{score}}}}$ 可知，xgboost的表现略优于随机森林，但两个分类器在本研究构造的特征中均能够较好地完成分类任务。

表 3 多分类器分类统计量

Table 3. Labeling statistics of different classifiers

分类器 Classifier	准确率 Precision	类别 Category	正确估计 Right estimation	估计数量 Number of estimation	真实数量 Real number	查准率 Precision ratio	召回率 Recall ratio	F₁分数 F₁ score	F₁分数均值 Mean F₁ score
xgboost	0.936 3	地面 Ground	362 553	371 882	374 843	0.974 9	0.967 2	0.971 0	0.942 5
		树干 Stem	704 596	746 743	774 039	0.943 6	0.910 3	0.926 6
		枝叶 Branch and leaf	828 648	906 250	875 963	0.914 4	0.946 0	0.929 9
随机森林 Random forest	0.932 1	地面 Ground	362 718	373 029	374 843	0.972 4	0.967 7	0.970 0	0.938 9
		树干 Stem	699 419	744 994	774 039	0.938 8	0.903 6	0.920 9
		枝叶 Branch and leaf	825 283	906 852	875 963	0.910 1	0.942 1	0.925 8

下载: 导出CSV

| 显示表格

2.3 点云分类结果

由2.2节分析可知相较于随机森林，xgboost分类性能较好，所以本节结合xgboost的分类结果进行讨论。图5a和图5b分别为用于分类的训练样本和基于xgboost分类结果标记的测试样本，其中颜色绿、红、灰分别代表枝叶、树干、地面。表4为测试样本点云分类的混淆矩阵和错估统计，在混淆矩阵中每行表示分类器在该类别的预测分布，每列的和表示类别总量。表5的列表示每个类别的分类占比。

图 5 训练样本和xgboost的分类结果

Figure 5. Training sets and classification results of xgboost

下载: 全尺寸图片幻灯片

表 4 测试样本的混淆矩阵和错估统计

Table 4. Confusion matrix and the statistics of wrong estimation in test sets

类别 Category	地面 Ground	树干 Stem	枝叶 Leaf	错估量 Wrong estimation	错估占比 Ratio of wrong estimation/%
地面 Ground	362 553	1 990	7 339	9 329	0.46
树干 Stem	2 171	704 596	39 976	42 147	2.08
枝叶 Branch and leaf	10 149	67 453	828 648	77 602	3.83
总和 Total	374 873	774 039	875 963	129 078	6.37

下载: 导出CSV

| 显示表格

表 5 测试样本的类别间的估计准确率统计

Table 5. Statistics in estimation accuracy of different classes in test sets

类别 Category	地面 Ground	树干 Stem	枝叶 Branch and leaf
地面 Ground	96.71	0.26	0.84
树干 Stem	0.58	91.03	4.56
枝叶 Branch and leaf	2.71	8.71	94.60

下载: 导出CSV

| 显示表格

通过对图5b所示结果进行分析发现，分类器正确标记了测试集中大多类别点云，而且能够有效分离冠层中的树干点，但在地面处分类器容易将部分地面点云错分为枝叶，而在枝叶处分类器容易将部分点云错分为树干。

结合表4和表5可知，分类器正确标记地面、树干和枝叶的准确率分别为96.71%、91.03%和94.60%，错估数据量分别占测试样本总量的0.46%、2.08%和3.83%。2.2节中指出xgboost的准确率为93.63%，由此分析可知其中近6%的错估率来自树干和枝叶的影响。由于树干和枝叶的关系紧密，在树干产生枝干处点近邻构造的空间特征相似度较高，所以分类器容易产生错误估计；分类器能够较好地分离地面，但由于地面起伏和部分落叶的影响分类器在地面与枝叶间也容易产生部分错误估计。由表5可知，类别树干中8.71%的点被错估为枝叶，类别枝叶中4.56%的点被错估为树干，类别地面中2.71%的点被错估为枝叶。

3. 结论与讨论

为了解决地面激光雷达点云分类特征维度较高的问题，本研究依据近邻点的相关关系构造了5个几何特征，借助随机森林和xgboost分类器实现了TLS点云高精度分类，所得结论如下：

（1）适当的K近邻构造特征有利于提高分类器性能。本研究样地林间间距适中，点云密度与距扫描仪距离呈负相关变化，在使用本研究点云构造K近邻的几何特征训练分类器时发现：随着K值的增大分类器训练准确率不断提高且训练时间逐渐减小，并都慢慢趋于平稳。

（2）本研究构造的几何特征在林分点云分类任务中有较高的稳定性。使用本研究TLS数据构造特征训练的随机森林和xgboost均能正确标记大多数点云。

（3）在空间上相近的类别间分类器容易产生错误估计。错分的点云大多在地面与树干或树干与枝叶空间上相交处，这两处点搜索的K近邻多包含两种类别点云。

本研究构造了5个几何特征，xgboost的训练和测试准确率分别为0.96和0.93，类别错估占比介于0.46% ~ 3.83%之间。Hackel等^[15]和Becker等^[17]在其研究中分别构造了16和15个几何特征用于随机森林训练。在Hackel等的研究中分类器的测试准确率为0.90，本研究的值比其提高了0.03；本研究的训练准确率与Becker等的研究结果相近（0.95），其测试准确率为0.84，比本研究少0.09，类别间的错估占比介于1.1% ~ 18.9%之间，说明本研究在保证点云分类准确率的基础上，达到了降低特征维度的目的。

在保证分类器估计准确率的前提下，本研究在处理点云分类任务时极大地降低了用于训练的特征维度，但对在空间上相近的点云识别能力较低。因此，在接下来的研究中，我们将继续探索构造特征的方法，以期能够更好地完成林分点云分类任务。

图 1 2018年5—8月延庆的最高气温和最低气温

Figure 1. The highest and lowest temperature of Yanqing District during May and August, 2018

下载: 全尺寸图片幻灯片

图 2 不同无性系幼苗的苗高和地径增长量

不同大写字母表示不同无性系间差异显著（P < 0.05）。 Different capital letters indicate significant differences between different clones (P < 0.05).

Figure 2. Seedling height and ground diameter growth of different clonal seedlings

下载: 全尺寸图片幻灯片

图 3 不同无性系花楸的MDA含量

不同大写字母表示同一无性系在5到8月间差异显著（P < 0.05），不同小写字母表示同月不同无性系间的差异显著（P < 0.05）。下同。 Different capital letters indicate significant differences for the same clones from May to August (P < 0.05), and different lowercase letters indicate significant differences between different clones in the same month (P < 0.05). The same below.

Figure 3. MDA content in different clones of Sorbus pohuashanensis

下载: 全尺寸图片幻灯片

图 4 不同无性系POD酶活性

Figure 4. POD enzyme activities of different clones

下载: 全尺寸图片幻灯片

图 5 不同无性系SOD酶活性

Figure 5. SOD enzyme activities of different clones

下载: 全尺寸图片幻灯片

图 6 不同无性系花楸的可溶性糖含量

Figure 6. Soluble sugar content in different clones of Sorbus pohuashanensis

下载: 全尺寸图片幻灯片

图 7 不同无性系花楸的可溶性蛋白含量

Figure 7. Soluble protein content in different clones of Sorbus pohuashanensis

下载: 全尺寸图片幻灯片

表 1 各参试种源地理位置与温度

Table 1 Geographical location and temperature of the tested provenances

种源地 Provenance	东经 East longitude	北纬 North latitude	海拔 Altitude/m	年平均温度 Annual average temperature/℃	最热月平均温度 Average temperature of the hotest month/℃	年均降水量 Average annual precipitation/mm
北京松山 Songshan, Beijing	115°43′ ~ 115°50′	40°29′ ~ 40°33′	1 300 ~ 2 067	8.2	24.5	450 ~ 600
河北雾灵山 Wulingshan, Hebei	117°27′ ~ 117°29′	40°33′ ~ 40°35′	1 042 ~ 1 847	7.6	18	600 ~ 800
河北平顶山 Pingdingshan, Hebei	112°14′ ~ 113°45′	33°08′ ~ 34°20′	1 568 ~ 1 815	1	17.6	410 ~ 600
安徽黄山 Huangshan, Anhui	118°08′ ~ 118°11′	24°57′ ~ 31°19′	1 154 ~ 1 864	7.8	17.7	1 500 ~ 2 394
陕西太白山 Taibaishan, Shaanxi	107°22′ ~ 107°52′	34°49′- ~ 34°08′	1 028 ~ 2 771	6	15	650 ~ 1 100

下载: 导出CSV

表 2 供试花楸无性系品种及编号

Table 2 Varieties and No. of tested Sorbus pohuashanensis clones

种源地 Provenance	无性系 Clone	品种 Variety	种源地 Provenance	无性系 Clone	品种 Variety
北京松山 Songshan, Beijing	SS1	花楸树 Sorbus pohuashanensis	陕西太白山 Taibaishan, Shaanxi	SHI	石灰花楸 Sorbus folgneri
	SS2		陕西太白山 Taibaishan, Shaanxi	SH2	石灰花楸 Sorbus folgneri
	SS3		陕西太白山 Taibaishan, Shaanxi	TB1	太白花楸 Sorbus tapashana
	SS4		陕西太白山 Taibaishan, Shaanxi	TB2	太白花楸 Sorbus tapashana
河北雾灵山 Wulingshan, Hebei	WL1	花楸树 Sorbus pohuashanensis	河北平顶山 Pingdingshan, Hebei	FN1	花楸树 Sorbus pohuashanensis
河北雾灵山 Wulingshan, Hebei	WL2	花楸树 Sorbus pohuashanensis	河北平顶山 Pingdingshan, Hebei	FN2	花楸树 Sorbus pohuashanensis
安徽黄山 Huangshan, Anhui	HS1	水榆花楸 Sorbus alnifolia
安徽黄山 Huangshan, Anhui	HS2	水榆花楸 Sorbus alnifolia
注：SS1. 松山1；SS2. 松山2；SS3. 松山3；SS4. 松山4；WL1. 雾灵1；WL2. 雾灵2；HS1. 黄山水榆1；HS2. 黄山水榆2；SH1. 石灰1；SH2. 石灰2；TB1. 太白1；TB2. 太白2；FN1. 丰宁1；FN2. 丰宁2。下同。Notes: SS1, Songshan1; SS2, Songshan2; SS3, Songshan3; SS4, Songshan4; WL1, Wuling1; WL2, Wuling2; HS1, Huangshan shuiyu1; HS2, Huangshan shuiyu2; SH1, Shihui1; SH2, Shihui2; TB1, Taibai1; TB2, Taibai2; FN1, Fengning1; FN2, Fengning2. The same below.

下载: 导出CSV

表 3 各无性系5月和6月平均叶绿素含量

Table 3 Average chlorophyll content of all clones in May and June

无性系 Clone	叶绿素a Chlorophyll a/(mg·g^{− 1})			叶绿素b Chlorophyll b/(mg·g^{− 1})			总叶绿素 Total chlorophyll/(mg·g^{− 1})
无性系 Clone	5月 May	6月 June	下降 Decline/%	5月 May	6月 June	下降 Decline/%	5月 May	6月 June	下降 Decline/%
FN1	1.27Ab	1.23Ac	2.64	0.41Ac	0.40Ac	1.33	1.69Ad	1.65Ac	2.32
FN2	0.77Bf	0.81Af	−5.75	0.25Bg	0.27Ag	−7.78	1.02Ak	1.09Af	−6.20
WL1	1.07Ad	0.52Bj	51.15	0.38Ad	0.16Bk	59.15	1.46Af	0.68Bk	52.25
WL2	0.77Af	0.70Bi	9.33	0.25Ag	0.22Bi	11.48	1.03Ak	0.93Bj	9.84
TB1	0.94Ae	0.91Be	3.80	0.32Af	0.29Bf	8.28	1.27Aj	1.21Be	4.93
TB2	0.95Ae	0.42Bk	55.79	0.34Ae	0.14Bl	58.96	1.30Ai	0.57Bl	56.36
HS1	1.26Ab	1.41Aa	−11.30	0.42Bc	0.50Aa	−6.36	1.70Bc	1.87Aa	−10.07
HS2	1.43Aa	1.10Bd	23.34	0.50Aa	0.34Bd	30.71	1.94Aa	1.45Bd	25.23
SH1	1.21Ac	0.75Bh	38.22	0.46Ab	0.32Be	31.02	1.69Ad	1.07Bg	36.26
SH2	1.28Ab	1.28Ab	0.08	0.50Ba	0.57Aa	−14.11	1.80Bb	1.86Ab	−3.87
SS1	1.19Ac	0.70Bi	41.7	0.39Ac	0.23Bi	42.48	1.60Ae	0.93Bj	41.87
SS2	0.98Ae	0.81Bf	17.2	0.33Ae	0.21Bj	36.03	1.32Ah	1.03Bh	21.86
SS3	0.63Bg	0.71Ai	−12.3	0.21Ah	0.21Aj	−0.05	0.85Bl	0.92Aj	−9.32
SS4	1.06Ad	0.76Bg	27.9	0.32Ae	0.24Bh	25.63	1.40Ag	1.01Bi	27.35
注：同行不同大写字母表示同一无性系在5月与6月间差异显著（P < 0.05），同列不同小写字母表示不同无性系之间的差异显著（P < 0.05）。Notes: different capital letters in the same row indicate significant difference for the same clone between May and June (P < 0.05), and different lowercase letters in the same column indicate significant difference between varied clones (P < 0.05).

下载: 导出CSV

表 4 不同无性系花楸幼苗各指标的相关性分析

Table 4 Correlation analysis on seedling indexes of different Sorbus pohuashanensis clones

指标 Index	相关系数 Correlation coefficient
指标 Index	X₁	X₂	X₃	X₄	X₅	X₆	X₇	X₈	X₉	X₁₀
X₁	1.00
X₂	0.00	1.00
X₃	−0.27	−0.27	1.00
X₄	−0.28	−0.53	0.42	1.00
X₅	−0.10	−0.02	−0.21	0.17	1.00
X₆	0.22	−0.14	−0.23	0.03	0.05	1.00
X₇	0.22	−0.05	−0.29	0.02	0.11	0.95**	1.00
X₈	0.21	−0.12	−0.25	0.03	0.06	0.99**	0.97**	1.00
X₉	0.45	−0.08	−0.22	−0.21	0.11	−0.42	−0.41	−0.43	1.00
X₁₀	0.17	0.05	−0.14	−0.33	−0.24	−0.67**	−0.68**	−0.68**	0.66*	1.00
注：X₁. POD 酶活性；X₂. SOD 酶活性；X₃. MDA含量；X₄. 可溶性糖含量；X₅. 可溶性蛋白含量；X₆. 叶绿素a含量；X₇. 叶绿素b含量；X₈. 总叶绿素含量；X₉. 苗高增长量；X₁₀. 地径增长量。. 在 0.05 水平上显著相关；. 在 0.01 水平上显著相关。Notes: X₁, POD enzyme activity; X₂, SOD enzyme activity; X₃, MDA content; X₄, soluble sugar content; X₅, soluble protein content; X₆, chlorophyll a content; X₇, chlorophyll b content; X₈, total chlorophyll content; X₉, seedling height growth; X₁₀, ground diameter growth. means significant correlation at the 0.05 level; ** means significant correlation at the 0.01 level.

下载: 导出CSV

表 5 花楸各单项指标的主成分分析

Table 5 Principal component analysis of each single index of Sorbus pohuashanensis

各指标的特征向量 Eigenvector of each index	主成分因子及载荷 Principal component factor and loading
各指标的特征向量 Eigenvector of each index	PC1	PC2	PC3	PC4
POD酶活性 POD enzyme activity	0.00	−0.46	−0.44	0.23
SOD酶活性 SOD enzyme activity	0.00	−0.21	0.65	0.00
MDA含量 MDA content	0.12	0.48	0.00	0.36
可溶性糖含量 Soluble sugar content	0.00	0.42	−0.33	−0.14
可溶性蛋白含量 Soluble protein content	0.00	0.00	−0.13	−0.84
叶绿素a含量 Chlorophyll a content	−0.48	0.00	0.00	0.12
叶绿素b含量 Chlorophyll b content	−0.48	−0.12	0.00	0.00
总叶绿素含量 Total chlorophyll content	−0.49	0.00	0.00	0.11
苗高增长量 Seedling height growth	0.29	−0.33	−0.46	−0.16
地径增长量 Ground diameter growth	0.42	−0.18	−0.15	0.19
特征根 Eigenvalue	3.89	2.16	1.38	1.20
方差贡献率 Variance contribution rate	0.39	0.22	0.14	0.12
累积贡献率 Cumulative contribution rate	0.39	0.61	0.74	0.86
注：PC1. 第1个主成分；PC2. 第2个主成分；PC3. 第3个主成分；PC4. 第4个主成分。Notes: PC1, principal component 1; PC2, principal component 2; PC3, principal component 3; PC4, principal component 4.

下载: 导出CSV

表 6 不同无性系花楸的综合评价值和排名

Table 6 Comprehensive evaluation value and the ranking of different Sorbus pohuashanensis clones

无性系 Clone	CI(1)	CI(2)	CI(3)	CI(4)	μ(X₁)	μ(X₂)	μ(X₃)	μ(X₄)	D	排名 Rank
FN1	1.95	0.47	−3.14	−0.34	0.34	0.39	0.95	1.00	0.54	3
FN2	1.39	0.58	−2.43	−0.62	0.04	0.75	0.97	0.25	0.40	6
WL1	13.75	0.40	−35.24	−0.57	1.00	0.18	0.00	0.39	0.55	2
WL2	4.85	0.66	−9.72	−0.54	0.31	1.00	0.76	0.48	0.58	1
TB1	0.82	0.35	−1.55	−0.66	0.00	0.03	1.00	0.15	0.19	14
TB2	1.29	0.35	−2.84	−0.52	0.04	0.00	0.96	0.52	0.24	13
HS1	1.41	0.43	−3.32	−0.65	0.05	0.26	0.95	0.15	0.26	12
HS2	1.60	0.48	−3.20	−0.47	0.06	0.44	0.95	0.66	0.38	8
SH1	7.84	0.36	−15.76	−0.53	0.54	0.04	0.58	0.49	0.41	5
SH2	13.23	0.38	−33.72	−0.64	0.96	0.12	0.04	0.19	0.50	4
SS1	3.37	0.40	−7.38	−0.69	0.20	0.16	0.83	0.06	0.27	11
SS2	2.47	0.50	−5.33	−0.55	0.13	0.50	0.89	0.43	0.38	7
SS3	2.74	0.48	−6.32	−0.65	0.15	0.44	0.86	0.16	0.34	10
SS4	3.30	0.53	−7.90	−0.71	0.19	0.61	0.81	0.00	0.37	9
w_j/%					0.45	0.25	0.16	0.14
注：CI（1）. 第1个综合指标；CI（2）. 第2个综合指标；CI（3）. 第3个综合指标；CI（4）. 第4个综合指标；μ（X₁）. 第1个隶属函数值；μ（X₂）. 第2个隶属函数值；μ（X₃）. 第3个隶属函数值；μ（X₄）. 第4个隶属函数值；w_j. 权重；D. 综合评价值。Notes: CI(1), the first comprehensive index; CI(2), the second comprehensive index; CI(3), the third comprehensive index; CI(4), the fourth comprehensive index; μ(X₁), the first subordinate function value; μ(X₂), the second subordinate function value; μ(X₃), the third subordinate function value; μ(X₄), the fourth subordinate function value; w_j, weight; D, comprehensive evaluation value.

下载: 导出CSV

参考文献(29)

[1]	郑万钧. 中国树木志(第二卷)[M]. 北京: 中国林业出版社, 1985. Zheng W J. Tree records of China (volume 2)[M]. Beijing: China Forestry Publishing House, 1985.
[2]	Aldasoro J. The genus Sorbus (Maloideae, Rosaceae) in Europe and in North Africa: morphological analysis and systematics[J]. Systematic Botany, 1998, 23(2): 189−212. doi: 10.2307/2419588
[3]	郑健. 花楸树的地理分布及天然更新方式[J]. 林业科学, 2007, 43(12):86−93. doi: 10.3321/j.issn:1001-7488.2007.12.015 Zheng J. Geographical distribution and patterns of natural regeneration of Sorbus pohuashanensis[J]. Scientia Silvae Sinicae, 2007, 43(12): 86−93. doi: 10.3321/j.issn:1001-7488.2007.12.015
[4]	郑健. 花楸树遗传资源评价、保存与利用[D]. 北京: 中国林业科学研究院, 2008. Zheng J. Evaluation, conservation and domestication of genetic resources of Sorbus pohuashanensis[D]. Beijing: Chinese Academy of Forestry, 2008.
[5]	Fu J, Huang B. Effects of foliar application of nutrients on heat tolerance of creeping bentgrass[J]. Journal of Plant Nutrition, 2003, 26(1): 81−96. doi: 10.1081/PLN-120016498
[6]	Tang S, Zhang H X, Li L, et al. Exogenous spermidine enhances the photosynthetic and antioxidant capacity of rice under heat stress during early grain-filling period[J]. Functional Plant Biology, 2018, 45(9): 911−921. doi: 10.1071/FP17149
[7]	Peng S, Zheng Y Q, Miao M A, et al. Physiological adaptation of Sorbus pohuashanensis seedlings to heat stress[J]. Forest Research, 2011, 24(5): 602−608.
[8]	彭松. 不同种源花楸树幼苗越夏能力的比较[J]. 生态学杂志, 2014, 33(2):321−327. Peng S. Comparision in thermotolerance over summer of seedlings among different provenances of Sorbus pohuashanensis[J]. Chinese Journal of Ecology, 2014, 33(2): 321−327.
[9]	李合生, 孙辉, 赵世杰. 植物生理生化实验原理和技术[M]. 北京: 高等教育出版社, 2000. Li H S, Sun H, Zhao S J. Experimental principles and techniques of plant physiology and biochemistry[M]. Beijing: Higher Education Press, 2000.
[10]	陈建勋, 王晓峰. 植物生理学实验指导[M]. 广州: 华南理工大学出版社, 2006. Chen J X, Wang X F. Experimental guidance for plant physiology[M]. Guangzhou: South China University of Technology Press, 2006.
[11]	申惠翡, 赵冰. 杜鹃花品种耐热性评价及其生理机制研究[J]. 植物生理学报, 2018, 54(2):335−345. Shen H F, Zhao B. Study on evaluation of heat tolerance and its physiological mechanisms in Rhododendron cultivars[J]. Plant Physiology Journal, 2018, 54(2): 335−345.
[12]	Ismail A M, Hall A E. Reproductive-stage heat tolerance, leaf membrane thermostability and plant morphology in cowpea[J]. Crop Science, 1999, 39(6): 1762−1768. doi: 10.2135/cropsci1999.3961762x
[13]	井大炜. 干旱胁迫对杨树幼苗生长、光合特性及活性氧代谢的影响[J]. 应用生态学报, 2013, 24(7):1809−1816. Jing D W. Effects of drought stress on the growth, photosynthetic characteristics and active oxygen metabolism of poplar seedlings[J]. Chinese Journal of Applied Ecology, 2013, 24(7): 1809−1816.
[14]	Xia Q, He B Y, Liu Y M. Effects of high temperature stress on the morphological and physiological characteristics in Scaevola albida cutting seedlings[J]. Acta Ecologica Sinica, 2010, 30(19): 5217−5224.
[15]	史燕山, 骆建霞, 王煦, 等. 5种草本地被植物抗旱性研究[J]. 西北农林科技大学学报(自然科学版), 2005, 33(5):130−134. Shi Y S, Luo J X, Wang X, et al. Study on draught resistance of five herb ground cover plants[J]. Journal of Northwest Sci-Tech University of Agriculture and Forestry (Natural Science Edition), 2005, 33(5): 130−134.
[16]	Saebo A, Johnsen O. Growth and morphology differ between wind-exposed families of Sorbus aucuparia L.[J]. Journal of Arboriculture, 2000, 26(5): 255−263.
[17]	Nayyar H, Gupta D. Differential sensitivity of C3 and C4 plants to water deficit stress: association with oxidative stress and antioxidants[J]. Environmental and Experimental Botany, 2006, 58(1−3): 106−113. doi: 10.1016/j.envexpbot.2005.06.021
[18]	Song X L, Wang Y H. Responses of plant biomass, photosynthesis and lipid peroxidation to warming and precipitation change in two dominant species from North China grasslands[J]. Ecology and Evolution, 2016, 6(6): 1871−1882. doi: 10.1002/ece3.1982
[19]	Das S, Krishnan P, Nayak M, et al. High temperature stress effects on pollens of rice (Oryza sativa L.) genotypes[J]. Environmental and Experimental Botany, 2014, 101: 36−46. doi: 10.1016/j.envexpbot.2014.01.004
[20]	Finkel T, Holbrook N J. Oxidants, oxidative stress and the biology of ageing[J]. Nature, 2000, 408: 239−247. doi: 10.1038/35041687
[21]	杜尧东. 高温胁迫对水稻剑叶光合和叶绿素荧光特征的影响[J]. 生态学杂志, 2012, 31(10):2541−2548. Du Y D. Effects of high temperature stress on the flag leaf photosynthesis and chlorophyll fluorescence parameters of rice[J]. Chinese Journal of Ecology, 2012, 31(10): 2541−2548.
[22]	任军. 花楸幼苗光合特性及其影响因子分析[J]. 东北师大学报(自然科学版), 2006, 38(2):96−100. Ren J. Study on photosynthesis of young Sorbus pohuashanensis Hedl and the effect of ecological factors[J]. Journal of Northeast Normal University (Natural Science Edition), 2006, 38(2): 96−100.
[23]	Yeh D M, Lin H F. Thermostability of cell membranes as a measure of heat tolerance and relationship to flowering delay in chrysanthemum[J]. American Society for Horticultural Science, 2003, 128(5): 656−660. doi: 10.21273/JASHS.128.5.0656
[24]	张会玲, Marian B, Katarina O, 等. 高温胁迫下不同热敏感性小麦光化学活性和能量分配差异[J]. 植物生理学报, 2015, 51(7):1142−1150. Zhang H L, Marian B, Katarina O, et al. Photochemical activity and energy distribution on wheat varieties with different heat-sensitivity under high temperature stress[J]. Plant Physiology Journal, 2015, 51(7): 1142−1150.
[25]	Ghannoum O, Conroy J P, Driscoll S P. Nonstomatal limitations are responsible for drought-induced photosynthetic inhibition in four C4 grasses[J]. New Phytologist, 2003, 159(3): 599−608. doi: 10.1046/j.1469-8137.2003.00835.x
[26]	张朝阳, 许桂芳. 利用隶属函数法对4种地被植物的耐热性综合评价[J]. 草业科学, 2009, 26(2):57−60. doi: 10.3969/j.issn.1001-0629.2009.02.010 Zhang C Y, Xu G F. Comprehensive evaluation of heat tolerance of four ground covering plants by subordinate function values analysis[J]. Pratacultural Science, 2009, 26(2): 57−60. doi: 10.3969/j.issn.1001-0629.2009.02.010
[27]	Zhao F, Zhang D, Zhao Y, et al. The difference of physiological and proteomic changes in maize leaves adaptation to drought, heat, and combined both stresses[J/OL]. Frontiers in Plant Science, 2016, 7(7): 1471 [2019−01−10]. http://journal.frontiersin.org/article/10.3389/fpls.2016.01471/ful.
[28]	周亚峰, 许彦宾, 王艳玲, 等. 基于主成分-聚类分析构建甜瓜幼苗耐冷性综合评价体系[J]. 植物学报, 2017, 52(4):520−529. doi: 10.11983/CBB16138 Zhou Y F, Xu Y B, Wang Y L, et al. Establishment of a comprehensive evaluation system for chilling tolerance in melon seedlings based on principal component analysis and cluster analysis[J]. Chinese Bulletin of Botany, 2017, 52(4): 520−529. doi: 10.11983/CBB16138
[29]	高洁, 姜灵敏, 曾艳, 等. 上海耐热月季品种的田间筛选及其综合评价[J]. 生态学杂志, 2012, 31(7):1707−1713. Gao J, Jiang L M, Zeng Y, et al. Field screening and comprehensive evaluation of heat-resistant rose varieties in Shanghai[J]. Chinese Journal of Ecology, 2012, 31(7): 1707−1713.

施引文献(1)

期刊类型引用(0)

其他类型引用(1)

资源附件(0)

图(7) / 表(6)

计量

文章访问数: 2041
HTML全文浏览量: 737
PDF下载量: 56
被引次数: 1

1. 研究方法
1.1 数据收集与样本选取
1.2 数据坐标系定义
1.3 点近邻特征构造
1.4 近邻搜索方法
1.5 分类器
1.5.1 随机森林
1.5.2 xgboost
1.6 精度评价
2. 结果与分析
2.1 快速KDtree的K值的选择
2.2 分类器比较
2.3 点云分类结果
3. 结论与讨论

不同产地花楸无性系苗期田间耐热性评价研究

作者简介: 刘迪。主要研究方向：树木栽培生理。Email：617548609@qq.com 地址：100083 北京市海淀区清华东路35号北京林业大学 林学院

责任作者: 贾黎明，教授，博士生导师。主要研究方向：生态林及城市森林培育。Email：jlm@bjfu.edu.cn 地址：同上

计量

出版历程