Modeling variable exponential taper function for Cunninghamia lanceolata based on quantile regression
-
摘要:目的 采用非线性分位数回归法构建不同分位点的杉木可变指数削度方程，与非线性模型进行比较，以提高杉木干形的预测精度。方法 利用福建省将乐国有林场的73 株（793组）杉木解析木数据，选取4个可变指数削度方程，基于5折交叉验证，分别采用非线性分位数回归与非线性回归构建削度方程。选用调整后决定系数（R2）、均方根误差（RMSE）、平均误差（ME）、相对误差（RE）和平均绝对误差（MAE）5个模型评价指标，结合图形对各模型的拟合结果和预测结果进行评价。结果 （1）4个可变指数削度方程在5个分位点（t = 0.1, 0.3, 0.5, 0.7, 0.9）处均能收敛，说明分位数回归可以建立不同分位点的估测模型，能更全面地描述杉木干形的变化。（2）4个削度方程在分位点为0.5处的精度最高，R2均在0.97左右。对于削度方程M1和M3，基于中位数回归（t = 0.5）的拟合精度与预测精度均高于非线性回归，且M1的预测值更加集中。（3）在不同分位点下，各模型对树干不同位置的预测精度不同，分位值为0.9和0.3的模型分别对梢头部分和树干基部的预测精度最高。结论 基于分位数回归的可变指数削度方程不仅能精确预测平均条件下杉木的树干直径，而且能预测任意分位条件下杉木干形的变化趋势。不同分位点模型对树干不同位置的预测精度不同，基于M1削度方程，建立多分位点回归模型能进一步提高研究区杉木干形的预测精度。Abstract:Objective In order to improve prediction accuracy of Chinese fir stem profile, we used nonlinear quantile regression to establish variable exponential taper equations at different quantile points, and compared their fitting and prediction accuracy with nonlinear regression model.Method This study took 73 Chinese fir (Cunninghamia lanceolata) stem data from the Jiangle Forest Farm in Fujian Province of eastern China. Then we selected 4 variable exponential taper equations, and based on 5-fold cross-validation, used nonlinear quantile regression and nonlinear regression to establish taper equations, respectively. Five model evaluation indicators were selected, including the adjusted coefficient of determination (R2), root mean square error (RMSE), average error (ME), relative error (RE) and average absolute error (MAE), combined with graphs to evaluate the fitting and prediction results.Result The research results showed: (1) the 4 variable exponential taper equations converged at all quantile points (t = 0.1, 0.3, 0.5, 0.7, 0.9), indicating that quantile regression can develop different models at different quantiles. So this method can describe the change of Chinese fir stem shape more comprehensively. (2) The accuracy of four taper equations at the quantile point of 0.5 was all higher than others, with R2 about 0.97. For taper equations M1 and M3, the fitting and prediction accuracy based on the median regression (t = 0.5) were both higher than those of nonlinear regression. And the prediction values of the M1 equation were more concentrated. (3) At different quantile points, models had different prediction accuracies for varied stem positions. Models with quantile values of 0.9 and 0.3 had the highest prediction accuracy for the stem top part and the base part, respectively.Conclusion The variable exponential taper equations developed by quantile regression can not only accurately predict stem diameters under average condition, but also predict the changing trend of stem shape under arbitrary quantile conditions. Quantile models have different prediction accuracies for varied stem positions. The multi-quantile regression model of M1 can further improve the prediction accuracy of the Chinese fir stem profile.
-
白桦(Betula platyphylla)作为我国重要的阔叶用材树种，广泛分布于东北、华北、西北及西南高山林区等14个省区[1]，其木质坚硬，质地细白，在家具、建材、造纸等方面具有广泛用途。由于白桦为异花授粉树种，自交不育，基因型高度杂合，因此群体内个体间遗传差异十分明显，主要表现在个体间的干型、生长、适应性等性状各不相同。开展白桦家系多点造林试验，对不同地点间的参试家系进行选择，可最大限度地利用家系间及家系内个体间变异，加速白桦遗传改良进程。
研究团队于1997—2000年间，依据表型性状从帽儿山、草河口、辉南、露水河、汪清、小北湖和东方红等多个种源内筛选出若干株白桦优良单株，将这些优树个体分年度定植于棚式种子园内，建立了白桦初级实生种子园。前期，对园中母树自由授粉的半同胞子代在单一地点的试验结果进行过初步分析[2]，但是这仅为单一试验点的结果且林龄尚小。然而，通过多点试验研究，不仅能够分析各家系在单一地点的生长性状，同时也能够对参试家系进行基因型与环境交互作用的分析，是筛选对不同类型环境具有特殊适应性基因型的必要手段，也是进行优良家系选择及遗传改良的重要方法之一[3-4]。在以往的白桦多点试验研究中，本团队曾就白桦杂交子代2~5年生幼龄林测定数据进行过早期选择与评价[5-7]，但也仅限于幼龄林时期，尚未对成年林分进行跟踪调查。为此，本试验开展12年生自由授粉的半同胞家系多点子代测定研究，在进行优良家系选择的同时对建园母树进行评价，为白桦种子园的改建提供参考。
1. 材料与方法
1.1 试验材料及设计
试验材料为东北林业大学白桦初级实生种子园内53株白桦母树自由授粉的半同胞子代家系。2001年采种，2002年育苗，2003年分别在黑龙江省伊春市朗乡林业局小白林场、吉林省吉林市林业科学研究院实验林场、黑龙江省尚志市帽儿山实验林场营建白桦半同胞家系测定林，3个试验点地理与气候条件见表 1。试验林按照完全随机区组设计，在帽儿山试验点为20株双行排列，在吉林与朗乡2试验点为10株单行排列，株行距2m×2m，3次重复。2015年春分别对3个地点的12年生白桦半同胞子代试验林进行全林树高、胸径调查。
表 1 3个试验点的地理气候条件Table 1. Geographical and climatic conditions of the three test sites序号
No.试验点
Test site纬度
Latitude经度
Longitude年降水量
Annual precipitation/mm年平均温度
Annual average temperature/℃无霜期
Frost-freeseason/d土壤类型
Soil type1 朗乡
Langxiang46°48′N 128°50′E 676.0 1.0 100 永冻暗棕壤
Permafrost dark brown2 帽儿山
Maoershan45°16′N 127°31′E 666.1 2.4 120 暗棕壤
Dark brown3 吉林
Jilin43°40′N 126°40′E 700.0 4.1 135 暗棕壤
Dark brown1.2 数据调查处理
1.2.1 生长性状测量
采用超声波测高仪及塔尺测量树高，采用围尺测量胸径。家系保存率按各试验点内各家系实际保存株数计算。根据白桦的二元材积表公式计算单株材积：V=0.0000051935163D1.8586884H1.0038941[8]。
1.2.2 遗传参数估计
表型变异系数(PCV)采用公式：PCV=σˉX×100%，式中：σ为性状标准差，X为性状平均值[9]。
遗传增益(G)：G=h2SˉX×100%, 式中：h2为性状遗传力，S为入选各优良家系性状平均值与参试家系相应性状平均值的差值, X为参试家系性状平均值。
1.2.3 数据处理
方差分析及多重比较(Duncan)利用SPSS16.0和Microsoft Excel等统计分析软件进行计算。
各试验地点间及试验点内均采用双因素方差分析线性模型进行分析，其模型表达式及各参数含义详见参考文献[6]。
采用南京林业大学林木多地点半同胞子代测定遗传分析R语言程序包以及R软件进行多地点半同胞子代材积育种值BLUP估计。模型建立过程根据童春发[10-11]的方法进行，详见文献[11]。
BLUP的线性混合模型公式为[11]：
yy=XXβ+ZZu+e 式中: y为材积观测值向量，X和Z分别为β和u的相关矩阵，β为固定效应，u为随机遗传效应，e为随机误差效应。
2. 结果与分析
2.1 家系生长性状的多地点联合方差分析及主要遗传参数计算
3个地点联合方差分析(表 2)表明：单株材积、树高性状在地点间和家系间以及地点与家系的交互作用均表现出极显著(P＜0.01)的差异，胸径性状在地点间和家系间也表现出极显著(P＜0.01)的差异；说明不同家系在同一地点内生长差异明显，同一个家系在不同立地条件下的生长表现也各不一致，各地点与家系间存在较为明显的互作效应。
表 2 参试家系生长性状多地点联合方差分析Table 2. Joint variance analysis of growth traits for birch families at different sites生长性状
Growth trait变异来源
Source of variationdf SS MS F P 树高
Height(H)/m地点Site 2 1755.112 877.556 490.323** ＜0.01 地点内区组Site (Block) 6 315.480 52.580 29.378** ＜0.01 家系Family 52 351.766 6.765 3.780** ＜0.01 家系×地点Family×site(G×E) 104 474.421 4.562 2.549** ＜0.01 试验误差Experiment error 4065 7275.337 1.790 总变异Total variance 4230 423725.196 胸径
Diameter at breast height (DBH)/cm地点Site 2 3674.704 1837.352 435.896** ＜0.01 地点内区组Site (Block) 6 283.320 47.220 11.203** ＜0.01 家系Family 52 389.907 7.498 1.779** ＜0.01 家系×地点G×E 104 542.376 5.215 1.237 0.053 试验误差Experiment error 4065 17134.428 4.215 总变异Total variance 4230 366062.640 单株材积Volume(V)/m3 地点Site 2 0.189 0.094 509.010** ＜0.01 地点内区组Site (Block) 6 0.017 0.003 15.243** ＜0.01 家系Family 52 0.025 ＜0.001 2.621** ＜0.01 家系×地点G×E 104 0.029 ＜0.001 1.499** ＜0.01 试验误差Experiment error 4065 0.753 ＜0.001 总变异Total variance 4230 6.436 注: *差异显著，P＜0.05; **差异极显著，P＜0.01。下同。Notes: * means significant difference at P＜0.05 level; ** means extremely significant difference at P＜0.01 level. The same below. 单个地点的方差分析(表 3)表明：树高、胸径以及单株材积在家系间均达到差异显著(P＜0.05)或极显著(P＜0.01)水平，说明不同家系间生长存在明显差别。在3个试验点中，帽儿山试验点的白桦家系树高、胸径和单株材积生长表现最好，均值分别为10.3928m、9.6489cm和0.0408m3，且变异系数较小，分别为11.79%、22.64%和34.80%，说明参试家系在帽儿山试验点不仅生长量最大，而且生长整齐度也较好。吉林试验点的参试家系各性状均值均处于中间，生长变异水平也处于中等。朗乡试验点各性状均值最小，为8.6575m、7.1091cm和0.0226m3，这与当地年均温较低，无霜期较短等气候条件有关。
表 3 不同试验点间参试家系生长性状的遗传参数Table 3. Genetic parameters for growth traits of birch families at different sites试验地点
Test site性状
Growth trait均值
Mean标准差
Standarddeviation变幅
Amplitude ofvariation变异系数
Coefficient of variation/%F P 朗乡
Langxiang树高H/m 8.6575 1.6515 9.19~9.89 19.08 2.349 ** ＜0.01 胸径DBH/cm 7.1091 2.0069 5.90~8.34 28.23 1.446* 0.02 单株材积V/m3 0.0226 0.0119 0.0156~0.0311 52.65 1.650** ＜0.01 帽儿山
Maoershan树高H/m 10.3928 1.2252 9.39~11.30 11.79 7.984** ＜0.01 胸径DBH/cm 9.6489 2.1848 8.67~10.77 22.64 1.868** ＜0.01 单株材积V/m3 0.0408 0.0142 0.0331~0.0499 34.80 3.653** ＜0.01 吉林
Jilin树高H/m 9.7268 1.5534 8.15~11.00 15.97 3.408** ＜0.01 胸径DBH/cm 9.1610 1.9483 7.73~10.21 21.27 2.293** ＜0.01 单株材积V/m3 0.0351 0.0152 0.0231~0.0453 43.30 2.892** ＜0.01 2.2 各试验点参试家系生长性状多重比较及保存率比较
由于家系间各性状均达到显著差异水平(P＜0.05)，进而进行多重比较(表 4)，初步筛选优良家系。将树高、胸径和单株材积分别在各试验点按均值高低排序后发现，由于3个试验点地理环境各有不同，基因型与环境的交互作用明显，所以53个家系在不同试验点生长表现各有差异，因此首先考虑在各试验点内进行单点优良家系初选，然后再进行3试验点间的联合选择。
表 4 各试验地点参试家系生长性状多重比较Table 4. Multiple comparisons of birch H, DBH and V for the tested lines at different sites家系
Family朗乡Langxiang 帽儿山Maoershan 吉林Jilin 树高H/m 胸径DBH/cm 单株材积V/m3 树高H/m 胸径DBH/cm 单株材积V/m3 树高H/m 胸径DBH/cm 单株材积V/m3 B1 9.65 abcd 7.43 abcde 0.0291 ab 10.23 fghijklm 9.40 bcdef 0.0384 defghijkl 9.58 bcdefghijkl 9.28 abcdef 0.0335 bcdefghij B2 7.90 hijk 6.93 abcde 0.0193 bcdefgh 10.28 efghijkl 9.64 abcdef 0.0394 cdefghijkl 8.72 lm 7.73 g 0.0265 jk B3 8.30 defghijk 6.77 abcde 0.0209 abcdefgh 10.41 bcdefghijkl 9.47 bcdef 0.0406 cdefghijk 10.07 abcdefghij 9.50 abcdef 0.0395 abcdef B4 8.86 abcdefghij 7.05 abcde 0.0251 abcdefgh 9.67 nop 8.67 f 0.0331 l 9.56 bcdefghijkl 8.39 cdefg 0.0311 cdefghijk B5 9.53 abcde 7.79 abcd 0.0280 abcd 10.13 hijklmno 9.70 abcdef 0.0382 defghijkl 10.30 abcdef 9.44 abcdef 0.0394 abcdef B6 8.27 efghijk 6.81 abcde 0.0205 bcdefgh 10.34 cdefghijkl 9.27 cdef 0.0383 defghijkl 8.69 lm 9.15 abcdef 0.0278 ijk B7 9.11 abcdefghij 6.68 abcde 0.0230 abcdefgh 9.92 lmno 8.95 ef 0.0354 ijkl 9.24 hijkl 8.25 defg 0.0295 efghijk B8 8.14 fghijk 6.27 cde 0.0172 efgh 10.44 bcdefghijkl 9.15 cdef 0.0390 cdefghijkl 8.15 m 8.43 cdefg 0.0231 k B9 8.28 defghijk 6.05 de 0.0177 defgh 9.91 lmno 9.70 abcdef 0.0366 hijkl 9.83 bcdefghijk 8.58 cdefg 0.0326 cdefghijk B10 8.81 abcdefghij 8.34 a 0.0251 abcdefgh 10.56 bcdefghij 9.60 abcdef 0.0411 cdefghijk 9.77 bcdefghijk 8.82 abcdefg 0.0343 bcdefghij B11 8.29 defghijk 6.75 abcde 0.0221 abcdefgh 10.89 abc 9.50 bcdef 0.0425 bcdefghi 9.57 bcdefghijkl 9.57 abcdef 0.0348 bcdefghij B12 9.09 abcdefghij 6.91 abcde 0.0230 abcdefgh 10.47 bcdefghijkl 9.45 bcdef 0.0404 cdefghijk 9.71 bcdefghijk 8.35 cdefg 0.0321 cdefghijk B13 8.84 abcdefghij 7.09 abcde 0.0221 abcdefgh 10.35 cdefghijkl 9.89 abcde 0.0408 cdefghijk 9.92 bcdefghijk 9.14 abcdef 0.0356 abcdefghij B14 9.15 abcdefghi 7.65 abcde 0.0275 abcdef 10.45 bcdefghijkl 9.88 abcde 0.0415 bcdefghij 9.97 bcdefghijk 9.25 abcdef 0.0366 abcdefghij B15 9.52 abcde 7.50 abcde 0.0277 abcde 10.45 bcdefghijkl 10.47 ab 0.0437 abcdefgh 11.00 a 9.78 abc 0.0453 a B16 8.96 abcdefghij 7.29 abcde 0.0237 abcdefgh 10.94 ab 9.98 abcde 0.0460 abc 10.38 abcde 9.45 abcdef 0.0410 abcd B17 8.77 abcdefghij 8.18 ab 0.0247 abcdefgh 10.21 fghijklm 9.55 bcdef 0.0387 cdefghijkl 9.74 bcdefghijk 10.13 ab 0.0376 abcdefghi B18 9.72 ab 7.55 abcde 0.0284 abc 10.32 defghijkl 9.17 cdef 0.0382 defghijkl 9.74 bcdefghijk 9.36 abcdef 0.0351 abcdefghij B19 9.27 abcdefgh 7.54 abcde 0.0254 abcdefgh 10.42 bcdefghijkl 9.57 bcdef 0.0405 cdefghijk 10.26 abcdefg 9.72 abc 0.0400 abcde B20 8.53 abcdefghij 7.02 abcde 0.0215 abcdefgh 10.10 ijklmno 9.23 cdef 0.0371 fghijkl 9.04 kl 8.47 cdefg 0.0283 hijk B21 8.06 fghijk 7.06 abcde 0.0200 bcdefgh 10.58 bcdefghij 9.51 bcdef 0.0414 bcdefghij 9.05 kl 8.69 bcdefg 0.0292 fghijk B22 9.02 abcdefghij 7.91 abc 0.0262 abcdefg 10.01 jklmno 9.32 bcdef 0.0381 efghijkl 9.32 fghijkl 8.77 abcdefg 0.0302 efghijk B23 8.71 abcdefghij 6.44 bcde 0.0200 bcdefgh 10.23 fghijklm 9.33 bcdef 0.0398 cdefghijkl 9.37 fghijkl 8.63 cdefg 0.0336 bcdefghij B24 8.75 abcdefghij 6.97 abcde 0.0229 abcdefgh 10.09 ijklmno 9.49 bcdef 0.0385 cdefghijkl 9.15 jkl 9.01 abcdefg 0.0300 efghijk B25 7.98 ghijk 6.24 cde 0.0172 fgh 10.25 fghijklm 10.01 abcde 0.0418 bcdefghi 10.09 abcdefghij 9.57 abcdef 0.0385 abcdefgh B26 9.08 abcdefghij 7.77 abcd 0.0251 abcdefgh 9.72 mnop 9.05 def 0.0369 ghijkl 9.13 jkl 9.28 abcdef 0.0350 abcdefghij B27 8.41 bcdefghijk 7.23 abcde 0.0226 abcdefgh 10.32 defghijkl 9.81 abcdef 0.0410 cdefghijk 9.52 cdefghijkl 9.17 abcdef 0.0329 cdefghijk B28 8.77 abcdefghij 6.22 cde 0.0251 abcdefgh 10.07 jklmno 10.10 abcde 0.0407 cdefghijk 10.52 ab 10.10 ab 0.0453 a B29 7.19 k 6.12 cde 0.0161 gh 10.91 abc 9.87 abcde 0.0444 abcdef 9.95 bcdefghijk 9.50 abcdef 0.0374 abcdefghi B30 9.68 abc 6.47 bcde 0.0254 abcdefgh 10.65 bcdefghi 9.58 bcdef 0.0418 bcdefghi 9.73 bcdefghijk 9.28 abcdef 0.0346 bcdefghij B31 8.91 abcdefghij 6.80 abcde 0.0228 abcdefgh 10.40 bcdefghijkl 9.66 abcdef 0.0414 cdefghij 10.39 abcde 9.71 abc 0.0416 abc B32 8.48 bcdefghijk 7.62 abcde 0.0221 abcdefgh 10.38 bcdefghijkl 9.53 bcdef 0.0399 cdefghijkl 9.29 ghijkl 8.70 bcdefg 0.0303 efghijk B33 8.94 abcdefghij 7.66 abcde 0.0258 abcdefgh 10.29 efghijkl 9.19 cdef 0.0387 cdefghijkl 10.00 bcdefghijk 9.70 abcd 0.0390 abcdefg B34 9.89 a 7.88 abcd 0.0311 a 10.87 abcd 10.16 abcd 0.0458 abc 10.50 abc 9.78 abc 0.0414 abc B35 8.30 defghijk 6.93 abcde 0.0206 bcdefgh 10.83 abcde 10.77 a 0.0486 ab 9.70 bcdefghijk 8.75 bcdefg 0.0342 bcdefghij B36 8.08 fghijk 7.04 abcde 0.0189 bcdefgh 10.70 bcdefgh 10.09 abcde 0.0444 abcdef 10.00 bcdefghijk 9.44 abcdef 0.0368 abcdefghij B37 8.25 efghijk 7.49 abcde 0.0214 abcdefgh 10.58 bcdefghij 10.00 abcde 0.0435 abcdefgh 9.87 bcdefghijk 9.28 abcdef 0.0355 abcdefghij B38 8.31 cdefghijk 7.44 abcde 0.0239 abcdefgh 9.61 op 8.96 ef 0.0339 kl 9.27 ghijkl 8.87 abcdefg 0.0313 cdefghijk B39 8.56 abcdefghij 7.58 abcde 0.0226 abcdefgh 10.17 ghijklmn 9.82 abcdef 0.0404 cdefghijk 9.61 bcdefghijkl 8.84 abcdefg 0.0334 bcdefghij B40 7.81 ijk 6.57 abcde 0.0169 gh 11.30 a 10.31 abc 0.0499 a 9.96 bcdefghijk 9.37 abcdef 0.0382 abcdefghi B41 8.12 fghijk 6.91 abcde 0.0199 bcdefgh 10.66 bcdefghi 9.37 bcdef 0.0404 cdefghijk 10.17 abcdefghi 9.34 abcdef 0.0382 abcdefghi B42 8.79 abcdefghij 7.33 abcde 0.0229 abcdefgh 10.91 abc 10.11 abcde 0.0456 abcd 9.96 bcdefghijk 9.75 abc 0.0382 abcdefghi B43 8.73 abcdefghij 7.76 abcd 0.0250 abcdefgh 10.69 bcdefgh 9.50 bcdef 0.0427 bcdefghi 9.83 bcdefghijk 9.36 abcdef 0.0356 abcdefghij B44 7.74 jk 7.11 abcde 0.0185 cdefgh 10.69 bcdefgh 10.04 abcde 0.0442 abcdefg 10.21 abcdefgh 9.61 abcdef 0.0389 abcdefgh B45 9.45 abcdef 7.41 abcde 0.0285 abc 10.69 bcdefgh 10.27 abc 0.0452 abcde 9.50 defghijkl 9.51 abcdef 0.0344 bcdefghij B46 8.93 abcdefghij 7.85 abcd 0.0245 abcdefgh 10.50 bcdefghijk 9.86 abcde 0.0418 bcdefghi 9.48 efghijkl 8.20 efg 0.0300 efghijk B47 8.66 abcdefghij 6.29 cde 0.0196 bcdefgh 9.39 p 9.37 bcdef 0.0342 jkl 9.19 ijkl 8.19 fg 0.0308 defghijk B48 9.33 abcdefg 6.54 abcde 0.0222 abcdefgh 10.73 bcdefg 10.33 abc 0.0452 abcde 9.96 bcdefghijk 9.46 abcdef 0.0364 abcdefghij B49 7.84 ijk 5.90 e 0.0156 h 10.41 bcdefghijkl 9.04 def 0.0384 defghijkl 10.11 abcdefghij 9.39 abcdef 0.0380 abcdefghi B50 8.15 efghijk 6.42 bcde 0.0183 cdefgh 10.55 bcdefghij 10.23 abcd 0.0436 abcdefgh 10.06 bcdefghij 9.66 abcde 0.0389 abcdefgh B51 8.96 abcdefghij 7.94 abc 0.0248 abcdefgh 10.45 bcdefghijkl 9.61 abcdef 0.0413 cdefghij 10.48 abcd 10.21 a 0.0439 ab B52 8.18 efghijk 7.14 abcde 0.0195 bcdefgh 9.97 klmno 9.20 cdef 0.0354 ijkl 9.06 kl 8.52 cdefg 0.0284 ghijk B53 7.83 ijk 7.13 abcde 0.0184 cdefgh 10.75 bcdef 9.67 abcdef 0.0427 bcdefghi 9.86 bcdefghijk 9.13 abcdefg 0.0352 abcdefghij 注：表中不同字母表示在P < 0.05水平上差异显著。Note: different letters mean significant difference at P < 0.05 level. 在朗乡试验点，若以各性状均值加上0.2倍标准差为选择条件，则3个性状均高于选择标准的有：B5、B14、B15、B18、B19、B22、B26和B34家系，这8个家系为生长性状最优家系，其树高、胸径和单株材积均值分别为：9.40m、7.70cm和0.0274m3, 分别高于参试家系均值的8.54%、8.30%和21.49%，仅有2个生长性状高于选择标准的有：B1、B10、B33、B43和B45家系，为生长良好家系，其树高、胸径和单株材积均值分别为：9.12m、7.72cm和0.0267m3。根据多重比较结果，朗乡试验点初步选择这13个家系为优良家系，入选率为24.53%。依据上述选择标准，在帽儿山试验点生长最优家系为B34、B35、B36、B40、B42、B45和B48，这7个家系的树高、胸径和单株材积均值为：10.86m、10.29cm、0.0464m3，分别高于参试家系均值的4.51%、6.66%和13.76%，较好家系为B15、B16、B29和B44，其树高、胸径和单株材积均值为：10.75m、10.09cm和0.0446m3，因此，这11个家系入选为帽儿山试验点的优良家系，入选率为20.75%。同样选择标准，在吉林试验点选择B15、B19、B25、B28、B31、B34、B44、B50、B51、B3、B5、B16、B33、B41和B42等15个家系为优良家系，入选率为28.30%。
进而对3个试验地点的选优结果进行比较发现：B34、B15家系在3个地点均入选为优良家系，说明这2个家系在各试验地不仅生长表现较为优异，而且生长稳定性也良好，是参试家系中的最优家系。另外，入选的优良家系中有些家系仅在2个地点表现良好，如在朗乡与吉林2试验点生长良好的是B5、B19和B33家系；在帽儿山与吉林2试验点均表现较好的是B16、B42和B44家系；在朗乡与帽儿山2试验点表现较好的是B45家系，说明这些家系虽然生长表现优良，但适应能力略低于B34、B15这2个最优家系。其余优良家系仅在其所入选地点内表现优良，说明这些家系由于基因型与环境交互作用的差异而导致的适应范围各有不同，所以仅在适宜其生长的地点表现良好。
参试的53个白桦家系在各试验点平均保存率不尽相同(表 5)。3个地点中吉林试验点的各家系保存率最好，53个家系保存率均值为69.75%，有12个家系的保存率大于80.00%，其中B9家系保存率高达96.67%，B8家系保存率最低，仅为43.33%；帽儿山试验点53个家系保存率均值为60.40%，其中保存率最高的是B14家系，为94.29%, 保存率最低的是B3家系，仅为38.57%；朗乡试验点参试家系保存率均值为54.34%，B35和B25家系的保存率最高，为90.00%，B4、B50等2个家系次之，其他49个家系的保存率均在80.00%以下，B53、B51家系保存率最低，仅为23.33%。
表 5 各试验地点参试家系保存率Table 5. Preservation rate for the tested families at different sites参试家系
Tested family保存率Preservation rate/% 3个地点保存率均值
Average preservation rate at three sites/%朗乡
Langxiang帽儿山
Maoershan吉林
JilinB1 40.00 55.71 63.33 53.01 B2 30.00 61.43 60.00 50.48 B3 66.67 38.57 46.67 50.64 B4 83.33 51.43 83.33 72.70 B5 73.33 45.71 76.67 65.24 B6 56.67 58.57 53.33 56.19 B7 33.33 62.86 70.00 55.40 B8 63.33 62.86 43.33 56.51 B9 40.00 50.00 96.67 62.22 B10 60.00 65.71 73.33 66.35 B11 26.67 62.86 76.67 55.40 B12 70.00 68.57 80.00 72.86 B13 66.67 68.57 83.33 72.86 B14 43.33 94.29 53.33 63.65 B15 30.00 50.00 53.33 44.44 B16 50.00 65.71 70.00 61.90 B17 40.00 65.71 76.67 60.79 B18 70.00 60.00 76.67 68.89 B19 76.67 51.43 63.33 63.81 B20 76.67 65.71 76.67 73.02 B21 73.33 61.43 66.67 67.14 B22 56.67 64.29 73.33 64.76 B23 33.33 54.29 90.00 59.21 B24 50.00 57.14 66.67 57.94 B25 90.00 55.71 76.67 74.13 B26 50.00 57.14 50.00 52.38 B27 50.00 60.00 70.00 60.00 B28 30.00 57.14 70.00 52.38 B29 36.67 70.00 70.00 58.89 B30 53.33 71.43 86.67 70.48 B31 36.67 65.71 60.00 54.13 B32 56.67 67.14 80.00 67.94 B33 63.33 54.29 76.67 64.76 B34 56.67 60.00 73.33 63.33 B35 90.00 67.14 66.67 74.60 B36 53.33 61.43 83.33 66.03 B37 53.33 68.57 76.67 66.19 B38 46.67 44.29 50.00 46.99 B39 63.33 50.00 60.00 57.78 B40 66.67 75.71 83.33 75.24 B41 70.00 70.00 80.00 73.33 B42 40.00 71.43 86.67 66.03 B43 70.00 70.00 76.67 72.22 B44 36.67 61.43 80.00 59.37 B45 60.00 58.57 46.67 55.08 B46 66.67 64.29 76.67 69.21 B47 53.33 44.29 70.00 55.87 B48 63.33 62.86 73.33 66.51 B49 46.67 40.00 60.00 48.89 B50 86.67 55.71 60.00 67.46 B51 23.33 60.00 76.67 53.33 B52 33.33 57.14 56.67 49.05 B53 23.33 57.14 46.67 42.38 2.3 参试家系材积性状育种值估算及优良家系选择
上述针对各试验点各家系间的树高、胸径和单株材积等3个性状单独进行了方差分析、多重比较及各试验点的优良家系初步筛选。但优良家系的评定往往应考虑多个地点的综合表现，考虑到材积是公认的反映立地质量的林木生长主要性状，并且是能够综合体现树高性状与胸径性状的高低最直接的指标。因此，在本研究中选择BLUP模型利用各家系在3个试验点的单株材积数据进行育种值估算，进而进行家系的评价和选择(表 6)。
表 6 参试家系材积性状育种值Table 6. Breeding value for volume of birch families综合排名
Comprehensive ranking家系
Family育种值
Breeding value标准误
Standard error1 B34 0.009487 0.408866 2 B15 0.008838 0.400508 3 B28 0.007473 0.404450 4 B16 0.006786 0.408455 5 B51 0.005843 0.403728 6 B40 0.005191 0.411808 7 B42 0.005067 0.408921 8 B45 0.004931 0.406538 9 B48 0.003846 0.409883 10 B35 0.003845 0.411074 11 B19 0.002876 0.408067 12 B31 0.002838 0.405394 13 B5 0.002812 0.409427 14 B43 0.002792 0.411366 15 B14 0.002778 0.410816 16 B44 0.002584 0.407243 17 B36 0.002060 0.409832 18 B29 0.001729 0.407011 19 B33 0.001726 0.409499 20 B11 0.001424 0.404868 21 B37 0.001349 0.409699 22 B17 0.001340 0.407742 23 B30 0.001311 0.410246 24 B18 0.001297 0.410728 25 B10 0.001276 0.409895 26 B50 0.001214 0.409561 27 B41 0.000381 0.411618 28 B3 0.000183 0.403408 29 B26 0.000130 0.405231 30 B13 -0.000096 0.410798 31 B53 -0.000154 0.399256 32 B1 -0.000505 0.405265 33 B46 -0.001507 0.410566 34 B25 -0.001666 0.411684 35 B39 -0.001780 0.407691 36 B12 -0.002024 0.411479 37 B22 -0.002113 0.409472 38 B23 -0.002169 0.405577 39 B27 -0.002352 0.407904 40 B32 -0.003134 0.410325 41 B24 -0.003471 0.407761 42 B49 -0.003577 0.402874 43 B21 -0.004966 0.409794 44 B20 -0.005170 0.411443 45 B7 -0.005506 0.405812 46 B38 -0.005755 0.403724 47 B6 -0.005835 0.406911 48 B9 -0.005966 0.407067 49 B4 -0.005967 0.410607 50 B2 -0.006776 0.403709 51 B47 -0.007239 0.407103 52 B52 -0.007793 0.403611 53 B8 -0.007885 0.406856 由育种值的结果可以看出，与前文多重比较选择的结果基本一致，综合排名在第1位的是B34家系，第2位的是B15家系，B28、B16、B51、B40、B42、B45、B48、B35、B19等家系次之。若以20.00%入选率为选择标准，则以上排名前11位的家系入选为优良家系，入选的优良家系材积均值分别较朗乡、帽儿山和吉林等3个地点的参试家系均值高8.29%、9.80%和13.60%，材积性状在3个地点的遗传增益分别为3.23%、7.16%和8.84%。
3. 结论与讨论
研究基因型与环境交互作用效应对林木遗传改良具有重要意义[12-13]。对3个参试地点的白桦家系生长性状遗传变异分析显示，位于小兴安岭朗乡试验点参试的白桦家系生长量明显低于另外2个试验点，但各性状的变异系数却普遍偏高。这与该试验点所处的地理位置以及特殊的气候环境密切相关，朗乡试验点位于纬度较高的小兴安岭地区，无霜期短，年均温与≥10℃年积温均较低，而参试的大部分家系原产地均处于纬度较低的张广才岭与长白山地区，原产地与造林地环境差异较大，导致参试白桦家系间产生较大分化，有部分家系生长较好，而大多数家系则长势较弱。从而导致了在朗乡试验点定植的家系各性状生长量较低，并且变异系数较高。但这也为抗逆性家系的选择提供了可能，在较恶劣环境条件下依然能保持稳定的生产力以及较高保存率的家系必然是首选，如B5、B19等家系在朗乡试验点生长性状均排在前列并且保存率均高于70.00%。另外2个试验点环境条件虽较朗乡试验点优越但家系生长依然各有差异，因此，分别依据参试家系在各试验点的生长表现，利用多重比较的结果在各试验点内进行了优良家系的初选。
早期选择可靠性及选择年龄的确定等问题一直以来都备受国内外同行关注。但是，越来越多的试验分析表明林木早期选择具有较高的可信度。如油松(Pinus tabulaeformis)、马尾松(P. massoniana)等树种的育种实践证明对生长期达1/4~1/2轮伐期的林分即可进行早期选择，并且早期选择的效率更高[14]。白桦人工林的主伐年龄为31~41年生[15]，本项研究所选取的对象为12年生白桦半同胞家系子代测定林，其林龄已达1/3轮伐期，因此，对其进行早期选择应该具有较高准确性。
对于多点造林试验，由于待测群体数量庞大，加之各造林点间的地理气候环境不尽相同，试验林的保存率也各不相同，导致观测数据复杂多样，给遗传评价和选择带来相当难度[16-17]。而育种值的估算恰恰能克服这一问题，它能体现表型值中遗传效应的加性效应部分，对群体规模大、结构复杂的不平衡数据进行统计分析时，能有效地剔除各种非遗传因素的影响，因而具有较高的选择准确性，已被广泛应用于马尾松、火炬松(Pinus taeda)、尾叶桉(Eucalyptus urophylla)等多个树种的选择中，是一种较理想的综合评价方法[18-20]。本研究采用BLUP最佳线性无偏预测模型参试家系进行多地点材积育种值估算，依据育种值高低对参试家系进行综合评价，以20.00%入选率为标准选择育种值排名前11位的家系为优良家系。同时，基于各地点白桦半同胞子代测定林生长表现分析结果，建议种子园改建时B34和B15这2个家系的采种母树为首选保留母树，B28、B16、B51、B40、B42、B45、B48、B35、B19这9个家系的采种母树为备选母树。
-
![]()
图 1 不同分位点模型对杉木干形拟合图
Figure 1. Cunninghamia lanceolata stem curve simulation of quantile regression
![]()
图 2 基于非线性回归与中位数回归的各削度方程对不同树高处截面直径的预测结果
Figure 2. Prediction results of taper function at different heights of stem based on nonlinear regression and median regression
![]()
图 3 中位数回归的杉木干形预测图
散点为观测值，线条为中位数回归模型的预测曲线。Points are the observed values and the lines are predicting curves of the median regression models.
Figure 3. Stem profile prediction for Chinese fir based on median regression
![]()
图 4 基于不同分位点对树干不同位置的预测结果
Figure 4. Prediction results of different stem positions based on varied quantiles
表 1 杉木调查因子统计表
Table 1 Basic statistic information of sample trees
项目 Item 最小值 Min. 最大值 Max. 平均值 Mean 中位数 Median 标准差 SD 变异系数 CV 树干直径 Stem diameter (di)/cm 0.96 54.00 11.81 11.43 5.987 4.490 树干高 Height along stem (hi)/m 0.0 25.0 8.0 7.0 5.980 3.141 胸径 DBH (D)/cm 4.90 28.40 17.23 17.12 5.003 1.365 树高 Tree height (H)/m 4.1 25.5 17.3 18.2 5.980 1.236 
下载: 导出CSV
表 3 基于非线性回归与分位数回归的各削度方程的拟合结果
Table 3 Fit-goodness statistics of taper functions based on nonlinear regression and quantile regression
模型 Model 建模方法 Modeling method 分位点 Quantile 模型的评价指标 Evaluation index of the model R2 MAE/cm RMSE/cm RE ME/cm M1 非线性回归 Nonlinear regression 0.972 0.635 0.990 3 379.627 0.018 分位数回归 Quantile regression 0.1 0.940 0.953 1.427 5 076.793 0.843 0.3 0.960 0.699 1.122 4 391.152 0.192 0.5 0.975 0.627 0.801 3 337.980 −0.017 0.7 0.970 0.702 1.067 3 738.042 −0.310 0.9 0.930 1.089 1.542 5 799.579 −0.922 0.960 0.830 1.172 4 421.905 0.016 M2 非线性回归 Nonlinear regression 0.971 0.704 1.022 3 749.541 0.017 分位数回归 Quantile regression 0.1 0.920 1.329 1.742 7 076.160 1.263 0.3 0.950 0.932 1.303 4 961.605 0.629 0.5 0.968 0.825 1.180 4 395.446 −0.012 0.7 0.950 0.940 1.320 5 003.610 −0.423 0.9 0.900 1.473 1.877 7 844.500 −1.292 M3 非线性回归 Nonlinear regression 0.972 0.731 1.090 3 892.878 0.032 分位数回归 Quantile regression 0.1 0.940 1.062 1.484 5 656.519 0.999 0.3 0.960 0.764 1.179 4 070.373 0.525 0.5 0.974 0.626 1.008 3 397.303 −0.013 0.7 0.970 0.785 1.102 4 182.318 −0.350 0.9 0.920 0.309 1.685 6 969.442 −1.180 M4 非线性回归 Nonlinear regression 0.975 0.734 1.022 3 949.541 0.170 分位数回归 Quantile regression 0.1 0.940 0.953 1.472 5 076.793 0.843 0.3 0.960 0.726 1.137 3 867.362 0.345 0.5 0.979 0.710 1.003 3 781.487 −0.017 0.7 0.960 0.800 1.165 4 259.591 −0.267 0.9 0.920 1.141 1.664 7 513.007 −1.184
下载: 导出CSV
表 2 非线性回归与分位数回归对各削度方程的参数估计结果
Table 2 Parameter estimates of taper function based on nonlinear regression and quantile regression
模型 Model 建模方法 Modeling method 分位点 Quantile 模型参数 Parameters of model b1 b2 b3 b4 b5 M1 非线性回归 Nonlinear regression 0.783 3 −3.151 0 1.841 7 1.158 8 分位数回归 Quantile regression 0.1 −0.181 2 −0.500 4 0.231 5 1.194 4 0.3 0.623 3 −2.716 6 1.659 8 1.155 7 0.5 0.788 4 −3.388 2 2.068 0 1.191 0 0.7 1.533 0 −5.229 0 3.185 1 1.143 0 0.9 1.947 9 −6.171 4 3.604 2 1.149 8 M2 非线性回归 Nonlinear regression 2.899 0 6.165 0 分位数回归 Quantile regression 0.1 3.024 9 7.133 1 0.3 2.868 6 6.263 2 0.5 2.817 7 5.880 6 0.7 2.769 8 5.519 8 0.9 2.901 9 5.677 5 M3 非线性回归 Nonlinear regression 1.446 6 0.914 6 1.182 4 −1.770 1 1.306 2 分位数回归 Quantile regression 0.1 1.353 6 0.918 7 1.109 7 −1.422 7 1.188 5 0.3 1.312 0 0.929 5 0.766 2 −0.963 6 0.974 8 0.5 1.366 9 0.920 3 0.918 1 −1.223 2 1.029 3 0.7 1.440 5 0.921 0 1.359 8 −1.960 8 1.317 8 0.9 1.516 5 0.925 0 1.179 5 −2.099 3 1.482 4 M4 非线性回归 Nonlinear regression 1.390 6 0.636 9 −0.727 4 分位数回归 Quantile regression 0.1 1.331 0 0.754 1 −0.836 5 0.3 1.294 7 0.677 3 −0.749 8 0.5 1.293 5 0.629 2 −0.700 0 0.7 1.323 9 0.574 5 −0.651 2 0.9 1.598 4 0.565 1 −0.684 9 注：M1、M2、M3和M4分别代表文中的公式(1)、公式(2)、公式(3)和公式(4)。下同。Notes: M1, M2, M3 and M4 represent formula (1), formula (2), formula (3) and formula (4), respectively. The same below.
下载: 导出CSV
表 4 非线性回归模型与中位数回归模型的预测精度检验
Table 4 Prediction statistics of nonlinear regression models and median regression models
模型
Model非线性回归模型预测精度检验
Prediction statistics of non-linear regression中位数回归模型预测精度检验
Prediction statistics of median regressionR2 MAE/cm RMSE/cm RE ME/cm R2 MAE/cm RMSE/cm RE ME/cm M1 0.972 0.638 0.994 850.911 0.017 0.975 0.158 0.801 797.121 0.007 M2 0.961 0.832 1.180 1109.960 0.088 0.966 0.207 1.155 960.196 0.612 M3 0.970 0.177 1.028 945.102 0.015 0.979 0.174 1.031 926.861 0.011 M4 0.966 0.201 1.095 978.018 0.031 0.966 0.178 1.100 950.730 0.017
下载: 导出CSV
-
[1] 曾伟生, 廖志云. 削度方程的研究[J]. 林业科学, 1997, 33(2):32−37. Zeng W S, Liao Z Y. A study on taper equation[J]. Scientia Silvae Sinicae, 1997, 33(2): 32−37.
[2] 梁子瑜, 孙圆, 梁欣廉, 等. 基于地面激光扫描仪的树干削度方程提取[J]. 南京林业大学学报(自然科学版), 2014, 38(5):6−10. Liang Z Y, Sun Y, Liang X L, et al. The extraction of stem taper equation based on terrestrial laser scanning[J]. Journal of Nanjing Forestry University (Natural Science), 2014, 38(5): 6−10.
[3] 胥辉, 孟宪宇. 天山云杉削度方程与材种出材率表的研究[J]. 北京林业大学学报, 1996, 18(3): 21−30. Xu H, Meng X Y. Study on taper function and merchantable volumn yielding rate table of Picea sehrenkiana var. tianshaca[J]. Journal of Beijing Forestry University, 1996, 18(3): 21−30.
[4] 庞丽峰, 贾宏炎, 陆元昌, 等. 分段削度方程2种估计方法比较[J]. 林业科学, 2015, 51(12):141−148. Pang L F, Jia H Y, Lu Y C, et al. Comparison of two parameters estimation methods for segmented taper equations[J]. Scientia Silvae Sinicae, 2015, 51(12): 141−148.
[5] Lanssanova L R, Machado S D A, Garrett A T D A, et al. Mixed-effect non-linear modelling for diameter estimation along the stem of Tectona grandis in mid-western Brazil[J]. Southern Forests: a Journal of Forest Science, 2019, 81(2): 167−173. doi: 10.2989/20702620.2018.1531279
[6] Pukkala T, Hanssen K H, Andreassen K. Stem taper and bark functions for Norway spruce in Norway[J/OL]. Silva Fennica, 2019, 53(3): 10187 [2020−03−15]. https://doi.org/10.14214/sf.10187.
[7] 韩飞. 落叶松人工林削度方程的研究[D]. 哈尔滨: 东北林业大学, 2010. Han F. The study of taper equation for Larix olgensis plantation[D]. Harbin: Northeast Forestry University, 2010.
[8] Fonweban J, Gardiner B, Macdonald E, et al. Taper functions for Scots pine (Pinus sylvestris L.) and Sitka spruce (Picea sitchensis (Bong.) Carr.) in northern Britain[J]. Forestry, 2011, 84(1): 49−60. doi: 10.1093/forestry/cpq043
[9] Rojo A, Perales X, Sánchez-Rodríguez F, et al. Stem taper functions for maritime pine (Pinus pinaster Ait.) in Galicia (Northwestern Spain)[J]. European Journal of Forest Research, 2005, 124(3): 177−186. doi: 10.1007/s10342-005-0066-6
[10] 马岩岩, 姜立春. 基于非线性分位数回归的落叶松树干削度方程[J]. 林业科学, 2019, 55(10):68−75. Ma Y Y, Jiang L C. Stem taper function for Larix gmelinii based on nonlinear quantile regression[J]. Scientia Silvae Sinicae, 2019, 55(10): 68−75.
[11] Zang H, Lei X, Zeng W. Height-diameter equations for larch plantations in northern and northeastern China: a comparison of the mixed-effects, quantile regression and generalized additive models[J]. Forestry, 2016, 89(4): 434−445. doi: 10.1093/forestry/cpw022
[12] Cao Q V, Wang J. Evaluation of methods for calibrating a tree taper equation[J]. Forest Science, 2015, 61(2): 213−219. doi: 10.5849/forsci.14-008
[13] Zhang B, Sajjad S, Chen K, et al. Predicting tree height-diameter relationship from relative competition levels using quantile regression models for Chinese fir (Cunninghamia lanceolata) in Fujian Province, China[J]. Forests, 2020, 11(2): 183−185. doi: 10.3390/f11020183
[14] 谢晶晶. 非参数分位数回归模型估计方法的比较研究[D]. 厦门: 厦门大学, 2019. Xie J J. A comparative of nonparametric conditional quantile estimation[D]. Xiamen: Xiamen University, 2019.
[15] 高慧淋, 董利虎, 李凤日. 基于分位数回归的长白落叶松人工林最大密度线[J]. 应用生态学报, 2016, 27(11):3420−3426. Gao H L, Dong L H, Li F R. Maximum density-size line for Larix olgensis based on quantile regression[J]. Chinese Journal of Applied Ecology, 2016, 27(11): 3420−3426.
[16] 赵梦草, 顾海燕. 用分位数回归建立的混交林树高生长模型[J]. 东北林业大学学报, 2020, 48(2):24−28. Zhao M C, Gu H Y. Growth model of mixed forest tree height based on quantile regression[J]. Journal of Northeast Forestry University, 2020, 48(2): 24−28.
[17] 张冬燕, 王冬至, 李晓, 等. 基于分位数回归的针阔混交林树高与胸径的关系[J]. 浙江农林大学学报, 2020, 37(3):424−431. Zhang D Y, Wang D Z, Li X, et al. Relationship between height and diameter at breast height (DBH) in minxed coniferous and broadleaved forest based on quantile regression[J]. Journal of Zhejiang A&F University, 2020, 37(3): 424−431.
[18] 付立华, 侯金潮, 孙赫, 等. 基于分位数回归的华北落叶松干形曲线模拟[J]. 林业资源管理, 2020(1):151−157. Fu L H, Hou J C, Sun H, et al. Stem shape simulation for Larix principis-rupprechtii using quantile regression[J]. Forestry Resources Management, 2020(1): 151−157.
[19] 张森森. 基于混合效应模型的可变密度可变指数削度方程构建研究[D]. 北京: 中国林业科学研究院, 2017. Zhang S S. Nonlinear mixed-effects modeling of variable exponent taper equations with density for Chinese fir[D]. Beijing: Chinese Academy of Forestry, 2017.
[20] 梅光义, 孙玉军. 国内外削度方程研究进展[J]. 世界林业研究, 2015, 28(4):44−49. Mei G Y, Sun Y J. Research progress in stem taper equation[J]. World Forestry Research, 2015, 28(4): 44−49.
[21] 梅光义. 杉木人工林生长模型与多功能经营模拟研究[D]. 北京: 北京林业大学, 2017. Mei G Y. Study on growth model and multi-functional simulation of chinese fir plantation [D]. Beijing: Beijing Forestry University, 2017.
[22] 李婷婷. 浙江开化县林场杉木理论出材率表编制方法研究[D]. 北京: 北京林业大学, 2011. Li T T. Research on compiling method of theoretical yield rate table of Chinese fir in the forest farm of Kaihua County, Zhejiang [D]. Beijing: Beijing Forestry University, 2011.
[23] 陈萍. 福建省主要用材树种杉木削度方程的研究[J]. 华东森林经理, 2005, 19(1):58−63. Chen P. Research on the taper equation of the main timber species Chinese fir in Fujian Province[J]. East China Forestry Manager, 2005, 19(1): 58−63.
[24] 段爱国, 张建国, 童书振. 6种生长方程在杉木人工林林分直径结构上的应用[J]. 林业科学研究, 2003, 16(4):423−429. Duan A G, Zhang J G, Tong S Z. Application of six growth equations on stands diameter structure of Chinese fir plantations[J]. Forestry Science Research, 2003, 16(4): 423−429.
[25] 王明亮. 理论造材: 削度方程和出材率表的编制[J]. 林业科学研究, 1998, 11(3):271−276. Wang M L. Theoretical bucking taper equations and merchantable volume tables[J]. Forestry Science Research, 1998, 11(3): 271−276.
[26] 辛士冬, 姜立春. 利用分位数回归模拟人工樟子松树干干形[J]. 北京林业大学学报, 2020, 42(2):1−8. Xin S D, Jiang L C. Modeling stem taper profile for Pinus sylvestris plantations using nonlinear quantile regression[J]. Journal of Beijing Forestry University, 2020, 42(2): 1−8.
-
期刊类型引用(3)
1. 管奥，毋玉婷，陈宇，孙扬，祁鹏志，郭宝英. 曼氏无针乌贼转录组微卫星特征分析. 渔业科学进展. 2018(03): 144-151 . 
百度学术
2. 杜改改，孙鹏，索玉静，韩卫娟，刁松锋，傅建敏，李芳东. 基于柿雌雄花芽转录组测序的SSR和SNP多态性分析. 中国农业大学学报. 2017(10): 45-55 . 百度学术
3. 梅利那，范付华，崔博文，文晓鹏. 基于马尾松转录组的SSR分子标记开发及种质鉴定. 农业生物技术学报. 2017(06): 991-1002 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 1151
- HTML全文浏览量: 397
- PDF下载量: 69
- 被引次数: 8
