Short-term effects of disturbance and nitrogen deposition on Alternanthera philoxeroides invading wetland plant communities
-
摘要:目的 干扰和氮沉降是影响植物入侵的重要环境要素。目前，干扰和氮沉降如何协同影响空心莲子草入侵湿地植物群落的研究相对缺乏。本研究探讨了干扰、氮沉降和湿地植物群落对空心莲子草入侵的短期影响，为入侵植物空心莲子草的物理控制及湿地植被的恢复与重建提供了一定的理论支撑和实践基础。方法 以入侵植物空心莲子草为主要研究对象，构建4种湿地植物粉绿狐尾藻、水葱、黄花鸢尾和千屈菜组成的湿地植物群落，设计干扰（无干扰、模拟采食、刈割）、氮沉降（无氮添加和氮添加）以及有无湿地植物群落竞争（仅空心莲子草单种模式和空心莲子草与湿地植物群落混种模式）的三因素控制试验。结果 模拟采食和刈割两种干扰显著降低了空心莲子草的生长繁殖指标，且刈割相较于模拟采食影响更大。刈割处理下空心莲子草生物量、茎长和节数的相对生长率为负值，同时，刈割处理下空心莲子草生物量、茎长和分枝数的补偿系数均显著小于模拟采食处理，但存在欠补偿生长；湿地植物群落显著影响了空心莲子草根、叶、总生物量、叶片数、茎长和分枝数等指标；而氮沉降仅显著影响了空心莲子草分枝数补偿系数。除叶片数和分枝补偿系数，干扰与氮沉降对空心莲子草入侵的湿地植物群落并没有显著的交互作用。结论 模拟采食和刈割两种干扰一定程度上抑制空心莲子草的入侵，且随着干扰强度增加，对空心莲子草生长恢复抑制效应越强。氮沉降对空心莲子草综合指标影响不显著。本地湿地植物群落一定程度上可抑制空心莲子草入侵。而干扰与氮沉降的交互作用仅对空心莲子草叶片数和分枝数补偿系数有显著影响，对其入侵的湿地植物群落并无显著作用。Abstract:Objective Disturbance and nitrogen deposition are important environmental factors influencing plant invasion. At present, studies on the synergistic effects of disturbance and nitrogen deposition on plant communities in wetland invaded by Alternanthera philoxeroides are relatively lacking. This study was to explore the short-term effects of disturbance, nitrogen deposition and wetland plant communities on A. philoxeroides invasion, which established a strong theoretical support and practical foundation for the physical control of A. philoxeroides and the restoration and reconstruction of wetland vegetation.Method In this study, invasive plant A. philoxeroides and four wetland plant communities, including Myriophyllum aquaticum, Scirpus validus, Iris wilsonii and Lythrum salicaria were selected as the subjects. And three-factor control experiments were designed for invasive plant disturbance (no disturbance, simulated herbivory, mowing), nitrogen deposition (no nitrogen addition and with nitrogen addition), and native plant competition or not (only A. philoxeroides modes, and A. philoxeroides and wetland plant communities composed by 4 plant species).Result Simulated herbivory and mowing had significantly reduced the growth and reproduction traits, including the relative growth rate based on biomass, plant height and node number of A. philoxeroides. And mowing had a greater impact than simulated herbivory. The growth rate of biomass, stem length and internode numbers of A. philoxeroides was negative under mowing, the compensation index of biomass, stem length and ramet numbers of A. philoxeroides was significantly lower than those of simulated herbivory treatment, but there was insufficient compensation. Furthermore, the wetland plant community significantly reduced the indexes including root, leaf, total biomass, leaf number, stem length and branch number of A. philoxeroides. However, nitrogen deposition only significantly affected the compensation coefficient of A. philoxeroides branching. Except for leaf number and branching compensation coefficient, there was no significant interaction between disturbance and nitrogen deposition on plant communities in the wetland invaded by A. philoxeroides.Conclusion Simulated herbivory and mowing are not conducive to the invasion of A. philoxeroides to a certain extent, and have a strong inhibitory effect on the growth and recovery of A. philoxeroides with the increase of interference intensity. Nitrogen deposition does not significantly affect the composite indicator of A. philoxeroides. The local wetland plant community can inhibit the invasion of A. philoxeroides to a certain extent. Combination of the disturbance and nitrogen deposition only has a significant effect on the compensation coefficient of number of leaves and number of ramets, but has no significant effect on the wetland plant community invaded by A. philoxeroides.
-
Keywords:
- Alternanthera philoxeroides /
- compensation /
- simulated herbivory /
- mowing /
- relative growth rate
-
通常情况下，图像识别分类时存在着类内相似、类间差异的特点，但是在树种图像识别中，往往存在着类内差异、类间相似的现象[1]。同类树种之间，由于年龄大小、季节变化等因素，导致图像之间会有很大的差异；不同树种之间，尤其是同科树种之间，在局部特征和细节方面，却存在相似之处。这就给基于单一人工特征的传统识别方法带来了更大的难度。寻求新的方法快速准确地对树种图像进行自动识别是研究的关键所在。
现有的树种识别研究比较热门的有基于遥感影像和基于数字图像两个方面。Richter等[2]利用高光谱数据，通过引入基于偏最小二乘的判别分析，对树种进行分类，总体准确率达到78.4%；Pham等[3]将激光雷达和光谱数据相结合，利用随机森林确定重要的特征变量，支持向量机作为分类器，总体精确度为85.4%（Kappa系数为80.6%）。在基于数字图像方面，又可分为传统人工特征识别和神经网络智能识别。传统人工特征识别方面，陈明健等[4]将叶片传统特征、距离矩阵和角点矩阵相融合，对树种进行识别，识别率达到90%以上；李可心等[5]以树皮图像为研究对象，通过灰度共生矩阵，提取树皮图像的纹理信息，并利用SOM神经网络，对3类树种进行识别，识别率较为理想；杨洋[6]基于Haar小波变换的方法，并将SVM作为分类器，对树种进行识别，通过对叶片提取几何特征和纹理特征，并采用SVM的分类方法，取得了理想的识别准确率；于海鹏等[7]通过对木材图像提取色调、饱和度等9个特征参数，从纹理特征的最大相似性入手，对木材树种进行分类识别，检索正确率较高；孙伶君等[8]对木材图像采用分块LBP特征提取，使用衰减、卡方、欧式3种方法分类，最近邻法识别，准确率高达93.3%。神经网络智能识别方面，在国外，Bertrand等[9]将树干、树叶特征相结合，并将算法嵌入到智能手机中，大大增强了实用化和利用率。Zhao等[10]将树种叶片作为研究对象，基于Android系统，开发一款名为“Apleap”的移动端软件，不仅为专业人士识别带来便利，对普通民众来说，普及率大大提高；在国内，对于树种智能识别的研究起步相对较晚，赵鹏超等[11]以阔叶叶脉的纹理特征为切入点，构建卷积神经网络，最终训练识别率达到95%以上，为树种识别提供新思路。上述方法，尽管都取得了不错的识别效果，但也存在着一些问题，如大部分研究是依靠人工提取图像特征来满足实验要求。众所周知，同一棵树，在不同季节、不同年龄、不同拍摄角度等条件下，都会显示出不同的形态，其图像中各个特征信息都会随之发生变化，因此对继续提高树种识别率带来了困难。
近年来，深度卷积神经网络发展迅速，得到了广泛关注。物体不管呈现出何种状态，深度学习方法获取的低层和深层的特征信息都能够做到保持不变[12]。早期，Lecun等[13]提出L提出LeNet-5模型，基于反向传播算法对网络进行训练，通过卷积层和池化层将原始图像特征进行自动提取，并转化为相对应的特征子图，最后将全连接层作为“分类器”，进行最后的分类输出，并最终在MNIST手写字符数据集的识别上取得了成功。2012年，卷积神经网络迎来了发展高潮，Krizhevsky等[14]首次将深度学习理念应用到图像分类中，提出AlexNet模型，并在ImageNet[15]图像分类大赛中，以巨大优势获得冠军，使得卷积神经网络在图像处理领域成为最受欢迎的方法。在接下来的几年里，在经典卷积神经网络模型的基础上，不断有学者和研究人员进行改进和创新，如Simonyan等[16]提出的VGG模型、Szegedy等[17]提出的GoogLeNet模型、He等[18]提出的ResNet模型等。鉴于卷积神经网络在图像识别分类上的广泛应用，陆续有研究人员在树种图像识别中采用CNN。例如，上面提到的赵鹏超等人，将叶脉的纹理特征作为CNN的输入值，其分类效果明显高于传统人工特征方法，一定程度上表明深度学习方法的可行性。但是，此研究采用单一特征进行识别，不够全面，是否能应用到其他特征识别上来，还有待进一步验证。
基于上述问题，本文基于CNN模型，提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法，使用3路相同的CNN模型作为并行网络，对RGB图像、HSV图像、人工特征Gabor特征和颜色矩分别进行特征提取，并在最后一个全连接层进行汇总，识别输出。通过多特征融合解决了树种单一特征识别的限制问题，完成了对不同树种图像的自动识别。
1. 材料与方法
1.1 图像数据集
6类树种包括：樟子松（Pinus sylvestris var. mongolica）、山杨（Populus davidiana）、白桦（Betula platyphylla）、落叶松（Larix gmelinii）、雪松（Cedrus deodara）和白皮松（Pinus bungeana）。示例图像见图1A ~ F。为满足深度学习模型训练要求，通过裁剪、水平翻转、旋转对原始图像进行扩增。树种图像数据集共计3 375幅，其中训练集2 775幅，测试集600幅，各个树种图像具体数量见图2。最后，利用python脚本语言将图像像素值调整至256 × 256像素，JPG格式保存。所有图像均采集于自然状态下，拍摄设备为数码相机和智能手机。
1.2 卷积神经网络
典型的卷积神经网络（CNN）主要由输入层、卷积层、池化层（降采样层）、全连接层和输出层组成[19]。
通常情况下，CNN网络的输入层为图像，紧接着是卷积层，卷积层通过对卷积核设置不同的个数和大小，将输入的图像转化为特征子图（feature map），传递到下一层。卷积的计算公式可以表示为：
Ilj=∑iIl−1i⊗kl−1ij+blj (1) 式中：
Ilj 代表第l层产生的第j个特征图；kl−1ij 代表卷积核个数；blj 为偏置项；⊗ 代表卷积运算。池化层通常紧连接着卷积层，选择某种池化方法[20]，对卷积得到的特征图进行池化，此操作也被称为下采样。池化的主要目的就是降低特征图的维度和在一定程度上保持特征的尺度不变性。池化层计算公式一般为：
Zlj=down(Ylj) (2) 式中：
Zlj 为池化层的输出项；Ylj 为池化层的输入项；down(Δ) 为池化函数。经过卷积和池化操作后，卷积神经网络会采用全连接层，作为“分类器”，对前面提取的大量特征进行分类，来确定最终的图像类别。计算公式如下：
h(IL)=f(WTIL+b) (3) 式中：
h(Δ) 为全连接层的输出项；IL 为第L层的卷积输出；W和b分别为全连接层的权重和偏置项；f(Δ) 为激励函数。除上述常规网络层之外，为提高CNN网络模型的性能和泛化能力，往往采用辅助方法。本文在每个卷积层采用ReLU激励函数，此函数不会随着输入项的增加而接近饱和[21]。ReLU激励函数计算公式如下：
f(x)=max (4) 式中：x为输入值。
另外，在ReLU函数后，也采用LRN（Local Response Normalization）[22]策略方法，旨在增强网络模型的泛化能力，计算公式如下：
b_{x,y}^i = \frac{{a_{x,y}^i}}{{{{\left( {k + \alpha \displaystyle\sum\limits_{j = \max \left( {0,i - n/2} \right)}^{\min \left( {N - 1,i + n/2} \right)} {{{\left( {a_{x,y}^j} \right)}^2}} } \right)}^\beta }}} (5) 式中：b代表特征图中i泛化后对应的像素值；j代表j ~ i的像素值的平方和；x，y为像素的位置；a代表特征图中i对应的像素值；N为特征图里面最内层向量的列数；k，α，n，β均为超参数，本文取值分别为：k = 2，α = 0.000 1，n = 5，β = 0.75。
1.3 特征提取
1.3.1 RGB图像
RGB图像，即代表红（R）、绿（G）、蓝（B）3个通道的颜色，通过不同颜色分量来表示彩色图像。本文原始数据集，即RGB图像，直接作为本文第1路CNN网络的输入图像。
1.3.2 HSV图像
HSV图像，即代表色调（H）、饱和度（S）、亮度（V），较RGB图像相比，HSV图像更加符合人类对于颜色的直观感受。之所以选择HSV图像作为另一种特征，是因为在拍摄树种图像时，亮度的变化对树种识别产生一定程度的影响。因此，本文将树种图像从RGB颜色空间转化为HSV颜色空间，作为本文第2路CNN网络的输入图像。转换思路如下：
\begin{split} & H = \left\{ \begin{array}{*{20}{l}} \!\!\!\!\!{0^ \circ ,} & \!\!\!\!\!{{\rm{if}}\;{\rm{MAX}} = {\rm{MIN}}}\\ \!\!\!\!{{60^ \circ } \times \dfrac{{G - B}}{{{\rm{MAX}} - {\rm{MIN}}}} + {0^ \circ },} &\!\!\!\!\! {{\rm{if}}\;{\rm{MAX}} = R\;{\rm{and}}\;G \geqslant B}\\ \!\!\!\!{{60^ \circ } \times \dfrac{{G - B}}{{{\rm{MAX}} - {\rm{MIN}}}} + {360^ \circ },} & \!\!\!\!\!{{\rm{if}}\;{\rm{MAX}} = R\;{\rm{and}}\;G < B}\\ \!\!\!\!{{60^ \circ } \times \dfrac{{B - R}}{{{\rm{MAX}} - {\rm{MIN}}}} + {120^ \circ },} & \!\!\!\!\!{{\rm{if}}\;{\rm{MAX}} = G}\\ \!\!\!\!{{60^ \circ } \times \dfrac{{R - G}}{{{\rm{MAX}} - {\rm{MIN}}}} + {240^ \circ },} & \!\!\!\!\!{{\rm{if}}\;{\rm{MAX}} = B} \end{array} \right.\\ & S = \left\{ \begin{array}{*{20}{l}} \!\!\!\!\!{0^ \circ ,} & \!\!\!{{\rm{if}}\;{\rm{MAX}} = 0}\\ \!\!\!\!{\dfrac{{{\rm{MAX}} - {\rm{MIN}}}}{{{\rm{MAX}}}} = 1 - \dfrac{{{\rm{MIN}}}}{{{\rm{MAX}}}},} & \!\!\!\!\!{{\rm{Otherwise}}} \end{array} \right.\\ & V = {\rm{MAX}} \end{split} (6) 式中：R、G、B为红（R）、绿（G）、蓝（B）的颜色值；H、S、V为色调（H）、饱和度（S）、亮度（V）的值；MAX为R、G、B中的最大值，MIN为最小值；H在[0，360°]之间，S在[0，100°]之间，V在[0，MAX]之间。
1.3.3 LBP特征
本文采用LBP[23]来描述树种图像局部纹理特征，利用其灰度不变性、旋转不变性以及对光照变化的鲁棒性，能够表示90%以上的纹理信息。LBP计算公式如下：
{\rm{LBP}}\left( {{x_{\rm{c}}},{y_{\rm{c}}}} \right) = \sum\limits_{p = 0}^{p - 1} {{2^p}s\left( {{i_p} - {i_{\rm{c}}}} \right)} (7) s\left( x \right) = \left\{ \begin{gathered} 1\begin{array}{*{20}{c}} {}&{x \geqslant 0} \end{array} \\ 0\begin{array}{*{20}{c}} {}&{x < 0} \end{array} \\ \end{gathered} \right. (8) 式中：（xc，yc）是邻域窗口的中心元素，像素值大小为ic；ip是3 × 3邻域窗口内其他像素值；s（x）是符号函数。
LBP特征提取步骤：
（1） 首先，根据原始图像的像素大小为256 × 256，因此将检测窗口划分为16 × 16的子区域。
（2） 利用上述公式对每个子区域的像素点的LBP进行计算。
（3） 计算每个子区域的直方图，也就是每个LBP值出现的频率，并对直方图进行归一化处理。
（4） 最后将得到的所有直方图连接成为一个特征向量，即整个图像的LBP纹理信息。
1.3.4 HOG特征
本文采用HOG特征[24]来描述树种图像的形状特征，提高模型对光照因素的鲁棒性，其通过计算图像局部的方向梯度直方图来表达形状特征。HOG特征计算公式如下：
\begin{gathered} {G_{\rm{x}}}\left( {x,y} \right) = H\left( {x + 1,y} \right) - H\left( {x - 1,y} \right) \\ {G_{\rm{y}}}\left( {x,y} \right) = H\left( {x,y + 1} \right) - H\left( {x,y - 1} \right) \\ \end{gathered} (9) 式中：Gx（x，y）代表图像中像素点（x，y）水平方向梯度，Gy（x，y）代表图像中像素点（x，y）垂直方向梯度，H（x，y） 代表图像的像素值。
\begin{gathered} {G_{\rm{x}}}\left( {x,y} \right) = \sqrt {{G_{\rm{x}}}{{\left( {x,y} \right)}^2}{\rm{ + }}{G_{\rm{y}}}{{\left( {x,y} \right)}^2}} \\ \alpha \left( {x,y} \right) = {\tan ^{ - 1}}\left( {\frac{{{G_{\rm{y}}}\left( {x,y} \right)}}{{{G_{\rm{x}}}\left( {x,y} \right)}}} \right) \\ \end{gathered} (10) 式中：α（x，y）代表像素点（x，y）处的方向。
HOG特征提取步骤：
（1） 灰度化：由于颜色信息起的作用不大，因此将图像转化为灰度图像。
（2） 为减少光照等因素的影响，对整个图像进行归一化处理。
（3） 本文采用的梯度算子为：水平方向算子为[− 1, 0, 1]，垂直方向算子为[− 1, 0, 1]T。再通过公式（9）和公式（10）计算梯度幅值和梯度方向。
（4） 将整个图像分割成小的Cell单元格（8 × 8像素）。
（5） 本文采用9个组距的直方图来统计8 × 8个像素的梯度信息，对单元格内的每个像素进行加权投影，得到该单元格对应的9维特征向量。
（6） 最后将得到的所有单元格组成大的块，块内归一化直方图，即整个图像的HOG纹理信息。
1.4 构建树种识别CNN模型
本文在经典卷积神经网络的基础上，进行改进和完善，根据数据集的实际情况，经过不断调试，构建了适合本文树种图像识别的3路并列网络模型（图3）。每路CNN树种识别模型，由4个卷积层、4个池化层、3个全连接层组成，具体的参数设置如下。
第1个卷积层：有64个卷积核，大小为11 × 11；步长为2，激励函数为ReLU；采用最大池化法，池化窗口大小为2 × 2；并加入LRN层。
第2个卷积层：有128个卷积核，大小为5 × 5；步长为2，激励函数为ReLU；采用最大池化法，池化窗口大小为2 × 2；特征图的高度宽度均填充2像素。
第3个卷积层：有128个卷积核，大小为5 × 5；步长为1；采用最大池化法，池化窗口大小为4 × 4；特征图的高度宽度均填充1像素，激励函数为ReLU。
第4个卷积层：有128个卷积核，大小为3 × 3；步长为2；采用最大池化法，池化窗口大小为2 × 2；特征图的高度宽度均填充1像素，激励函数为ReLU。
全连接层：前两个全连接层包含4 096个神经元，最后一个全连接层包含1 000个神经元。输出类别：6类树种名称。
1.5 识别结果评价标准
本文用验证识别准确率和平均验证识别准确率作为识别结果的评价标准。
\begin{array}{l} {\text{验证识别准确率}} = \dfrac{{\text{正确识别出树种类别的数量}}}{{\text{树种图形的总数量}}}\\ \!\!\!\!{\text{平均验证识别准确率}}\! =\! \dfrac{{\text{每类树种验证识别准确率之和}}}{{\text{树种类别总数}}} \end{array} 2. 结果与分析
本文实验是采用的编程语言是Python3.5，在TensorFlow框架下实现的。计算机操作系统为Windows 8.1，处理器为Intel(R) Core(TM) i5-3330 CPU，安装内存6 GB。CNN模型训练参数设置为：学习率0.000 1，迭代次数为6 000，Batch_size为64。整个并列网络训练时的准确率和损失率如图4所示。从图4中可以看出，在训练到5 000次时，训练准确率趋于稳定，且无较大变化。在训练开始的500次时，损失率迅速下降，经过5 000次后，损失率下降到0.1左右，并趋于一个平稳的状态。
基于本文方法的实验结果如表1所示。从最终识别结果可以看出，利用3路并列网络，将多个特征进行融合，平均验证识别准确率为91.17%，基本满足对树种图像的识别要求。其中，白皮松树种图像验证识别准确率最高，达到93.50%，落叶松识别准确率较低，达到88.70%。
表 1 本文方法的实验结果Table 1. Experimental results in this paper% 项目 Item 樟子松
Pinus sylvestris
var. mongolica山杨
Populus
davidiana白桦
Betula
platyphylla落叶松
Larix
gmelinii雪松
Cedrus
deodara白皮松
Pinus
bungeana验证识别准确率
Accuracy rate of verification and recognition91.50 90.40 92.80 88.70 90.10 93.50 平均验证识别准确率
Average accuracy rate of verification and recognition91.17 2.1 模型训练特征图显示
本文以一张白桦图像为例，分别展示了RGB图像、HSV图像、LBP图像和HOG图像在卷积层、池化层的特征图（图5 ~ 8）。由于篇幅有限，本文每层只展示4幅特征图。从图中可以得出4张图像可视化的共同点：在浅层的卷积和池化过程中，模型对图像的边缘信息最感兴趣；在越高层的卷积和池化过程中，提取的图像特征信息越来越抽象，越来越复杂，肉眼已经很难去识别。通过调用CNN的可视化功能，能够及时了解CNN识别图像的过程，也为我们改进网络模型结构提供了参考依据。
2.2 卷积核数目对实验的影响
本文对CNN模型的卷积层中卷积核数目进行不同的组合和测试，对比实验的具体参数和结果如表2所示。经过几种不同的卷积核数目的组合，64-128-128-128组合的训练准确率最高，达到了96.13%。一般情况下，卷积核数目越多，可提取学习的特征信息就越多，但也造成了网络模型中的参数骤增，计算速度变慢，容易在训练过程中造成过拟合。
表 2 不同卷积核数目的训练准确率Table 2. Training accuracy rate of different convolution kernel numbers卷积核数目
Convolution kernel number训练准确率
Training accuracy rate/%32-64-64-128 75.26 32-64-128-64 72.21 32-64-128-192 78.28 48-64-128-128 75.12 48-128-192-128 81.79 48-128-128-192 82.23 64-128-128-128 96.13 64-128-192-192 91.27 64-64-128-192 92.02 2.3 不同特征组合对实验的影响
由表3可以看出，在单一特征条件下，训练准确率和验证准确率最高的是RGB特征，分别为75.21%和72.17%；其次是HSV特征；HOG纹理特征和LBP形状特征的识别率最差。将HSV图像进行单通道提取，分别作为单一特征进行测试，虽然相对LBP-HOG特征来说，训练准确率和验证准确率有所提高，但是实验结果仍然不理想。将RGB像素值特征与其他特征进行融合，与单一特征或其他特征融合得到的模型相比，其中，“RGB + LBP形状 + H通道”的特征融合得到的识别效果最好，训练准确率和验证识别准确率分别为96.13%、93.50%。
表 3 不同特征组合的识别率Table 3. Recognition rate of different feature combinations特征
Feature训练准确率
Training accuracy rate/%验证准确集
Verification accuracy set验证集
Validation set验证识别准确率
Verifying the recognition accuracy rate/%RGB 75.21 433 600 72.17 HSV 71.56 416 600 69.33 HOG-LBP 56.28 314 600 52.33 H 63.78 377 600 62.83 S 68.12 391 600 65.17 V 64.14 375 600 62.50 RGB + H 78.26 451 600 75.17 RGB + S 75.26 440 600 73.33 RGB + V 78.21 445 600 74.17 RGB + LBP 75.23 446 600 74.33 RGB + HOG 77.58 460 600 76.67 RGB + HOG + H 86.29 498 600 83.00 RGB + HOG + S 82.15 475 600 79.17 RGB + HOG + V 84.26 493 600 82.17 RGB + LBP + H 96.13 561 600 93.50 RGB + LBP + S 88.14 525 600 87.50 RGB + LBP + V 92.36 541 600 90.17 RGB + HSV + LBP-HOG 990.56 537 600 89.50 图9给出了本文树种识别模型对6类树种测试结果的混淆矩阵[25]。混淆矩阵的每一列代表树种实际的类别，每一行代表模型预测后的类别，直观地对本文模型的识别效果进行展示。本文识别模型得到的混淆矩阵，在对角线上显示高值，在矩阵的其余部分显示低值。混淆矩阵用从蓝色到红色的颜色标度表示，蓝色表示低值，红色表示高值。从图9中可以看出，对角线上红色最多，说明识别准确率最高，也进一步说明，本文提出的树种识别算法模型取得了理想的识别效果。
![]()
图 9 树种识别结果的混淆矩阵bh：白桦Betula platyphylla；zzs：樟子松Pinus sylvestris var. Mongolica；lys：落叶松Larix gmelinii；sy：山杨Populus davidiana；bps：白皮松Pinus bungeana；xs：雪松Cedrus deodaraFigure 9. Confusion matrix of tree species recognition results2.4 不同方法的实验结果
为验证本文提出的3路并列CNN网络模型的有效性，与SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型作比较，比较结果见表4。由表4中数据可以看出，本文方法对6类树种的识别率最高。原因为：SVM和BP分类器，过度依赖于手动提取图像特征，尤其是在提取特征的过程中，不可避免的会发生一些图像关键特征的遗漏和受无关因素干扰的现象，造成识别率低；另外，LeNet-5模型，虽然是深度学习方法，但最初的设计仅仅应用于手写数字的识别，且一般情况下为灰度图像，在处理复杂的树种图像时，识别能力受到了大大的限制；VGG-16模型，是由13层卷积层和3层全连接层构成的深度学习模型，更适合于大样本量的数据识别，对于本文树种图像的小样本来说，对模型泛化能力的提高是一件困难的事，因此也没有取得理想的识别效果。本文的3路并列网络模型，从数据集中自动提取图像特征，从不同角度对图像特征进行深入挖掘并学习，使得模型泛化能力变强，识别效果理想。
表 4 与其他方法的识别率比较结果Table 4. Comparison results of recognition rates with other methods% 方法
Method识别率 Recognition rate 白桦
Betula platyphylla樟子松
Pinus sylvestris var. mongolica落叶松
Larix gmelinii雪松
Cedrus deodara山杨
Populus davidiana白皮松
Pinus bungeanaSVM 47.25 48.41 48.02 44.95 43.66 45.28 BP 36.25 39.41 40.25 39.65 39.12 38.25 LeNet-5 59.28 55.36 57.25 54.78 55.45 52.36 VGG-16 63.21 60.17 66.28 64.58 64.11 60.29 本文方法
Method in this study92.80 91.50 88.70 90.10 90.40 93.50 3. 结论与讨论
3.1 结 论
本文根据在树种图像识别时存在类内差异、类间相似的现象，提出3路并列CNN网络模型对6类树种图像进行识别。通过设计11层（4层卷积层、4层池化层、3层全连接层）CNN网络模型，分成3路，通过将RGB图像像素值特征、HSV图像色彩特征、LBP纹理和HOG形状特征进行融合，作为CNN模型的识别输入特征，在最后一层全连接层进行特征汇总，对树种种类进行识别分类。本文方法在一定程度上避免了单一特征或传统手动提取特征造成识别率低的问题，并在与SVM、BP、LeNet-5模型、VGG-16模型的比较实验中，识别效果更好，模型泛化能力得到大大提高。
众所周知，树种图像特征选择的好坏，直接影响着最终的识别结果。本文从全局特征中选择了LBP特征和HOG特征，分别从树种图像纹理和形状的角度出发，对树种图像特征做进一步表达。
本文实验研究结果表明，多特征融合的树种种类识别相对于单一特征和传统手动特征的识别方法，具有更好的识别能力。另外，多特征融合的分类器取得了对6类树种图像的最高识别率。
3.2 讨 论
尽管本文研究取得了理想的识别结果，但不同树种图像对应不同的特征，本文的CNN网络模型和参数是否仍能取得同样的识别结果，有待进一步验证。在后续的研究工作中，进一步扩大树种样本的种类和数量，继续探索更具代表性的图像特征，不断调试模型参数和权重，寻找最优的网络模型，训练出更好的CNN树种识别模型。
-
![]()
图 1 试验设计图
对照为无氮沉降，为喷施同量的去离子水。The control is no nitrogen deposition, and the same amount of deionized water is sprayed.
Figure 1. Experimental design drawing
![]()
图 2 干扰、氮沉降及湿地植物群落对空心莲子草生物量指标的影响
对照为空心莲子草单种模式，群落为空心莲子草与湿地植物群落混种模式。大写字母A表示有无氮沉降差异显著，不同小写字母a、b、c表示干扰差异显著，不同小写字母x、y表示有无湿地植物群落差异显著。下同。The control is a single species model of A. philoxeroides, and the community is a mixed species model of A. philoxeroides and wetland plant communities. The capital letter A indicates whether there is significant difference in nitrogen deposition, different lowercase letters a, b, c indicate significant difference in disturbance, and different lowercase letters x, y indicate whether there is significant difference in wetland plant community. The same below.
Figure 2. Effects of disturbance, nitrogen deposition and plant community on the biomass index of A. philoxeroides
![]()
图 3 干扰、氮沉降及湿地植物群落对空心莲子草其他生长指标的影响
Figure 3. Effects of disturbance, nitrogen deposition and wetland plant community on other growth indexes of A. philoxeroides
![]()
图 4 干扰、氮沉降和湿地植物群落对空心莲子草生长指标相对生长率的影响
Figure 4. Effects of disturbance, nitrogen deposition and wetland plant community on the RGR of A. philoxeroides
![]()
图 5 干扰、氮沉降和湿地植物群落对空心莲子草补偿系数的影响
*表明t-检验结果显示与1.0之间无显著差异，即为等量补偿。对照为空心莲子草单种模式，群落为空心莲子草与湿地植物群落混种模式。* indicates that there is no significant difference between the t-test result and 1.0, which is equal compensation. The control is a single species model of A. philoxeroides, and the community is a mixed species model of A. philoxeroides and wetland plant community.
Figure 5. Effects of disturbance, nitrogen deposition and plant community on the CI of A. philoxeroides
![]()
图 6 干扰和氮沉降对被空心莲子草入侵的湿地植物群落的整体生长指标的影响
不同大写字母表示有无干扰显著差异，不同小写字母表示有无氮沉降显著差异。Different uppercase letters indicate significant difference in disturbance, while different lowercase letters indicate significant difference in nitrogen deposition.
Figure 6. Effects of disturbance and nitrogen deposition on the overall growth of wetland plant communities invaded by A. philoxeroides
![]()
图 7 干扰、氮沉降及湿地植物群落对空心莲子草所有生长指标的影响
实线表示促进作用，虚线表示抑制作用。***表示P < 0.001，**表示P < 0.01。数值表示3个处理对生长指标的综合影响。Gof是一种模型整体拟合度指标，反映模型拟合数据的程度。拟合优度的取值范围为0~1。N为氮沉降，D为干扰，C为群落，SH为模拟采食，M为刈割，K为空心莲子草的所有生长指标，R为根生物量，S茎生物量，L为叶生物量，T为总生物量，NL为叶片数，IL为节间长，NI为节数，SL为茎长，NR为分枝。The solid line indicates promoting effect, the dashed line indicates inhibitory effect. *** indicates P < 0.001, ** indicates P < 0.01. The data indicate the comprehensive impact of three treatments on growth indicators. Gof is an indicator of the overall fit of a model, reflecting the degree to which the model fits the data. The value range of goodness of fit is 0−1. N is nitrogen deposition, D is disturbance, C is community, SH is simulated herbivory, M is mowing, K is the total growth indexes of A. philoxeroides, R is root biomass, S is stem biomass, L is leaf biomass, T is total biomass, NL is the number of leaf, IL is internode length, NI is number of internode, SL is stem length, NR is the number of ramet.
Figure 7. Effect of disturbance, nitrogen deposition and wetland plant community on the total growth indexes of A. philoxeroides
表 1 干扰、氮沉降及群落对空心莲子草生长的影响
Table 1 Effects of disturbance, nitrogen deposition and wetland plant community on growth traits of A. philoxeroides
指标 Index 二级指标 Secondary index 干扰
Disturbance (D)氮沉降
Nitrogen deposition (N)群落
Community (C)
D × ND × C N × C
D × N × C生物量
Biomass根生物量 Root biomass 25.497*** 0.885 12.881** 0.449 1.174 0.020 0.697 茎生物量 Stem biomass 68.514*** 0.289 3.952 0.236 2.701 0.191 0.123 叶生物量 Leaf biomass 52.331*** 0.395 18.869*** 0.265 7.982** 0.001 0.123 总生物量 Total biomass 66.938*** 0.423 9.733** 0.231 4.457* 0.064 0.138 生长指标
Growth index叶片数 Number of leaf 131.223*** 0.734 19.582*** 3.465** 9.794*** 1.465 0.459 节间长 Internode length 6.862** 3.129 3.419 0.882 0.482 0.069 0.190 节数 Number of internode 148.776*** 0.170 0.503 1.121 0.090 0.369 0.207 茎长 Stem length 357.447*** 1.922 18.329*** 0.221 0.454 1.566 0.995 分枝数 Number of ramet 71.112*** 0.137 7.802** 2.438 7.271** 0.137 0.157 相对生长率
Relative growth
rate (RGR)生物量相对生长率
RGR of biomass568.727*** 2.684 23.474*** 0.312 0.682 0.669 0.669 叶片数相对生长率
RGR of leaf number223.261*** 0.482 21.877*** 2.608 5.247** 1.692 1.692 茎长相对生长率
RGR of stem length568.727*** 2.684 23.474*** 0.312 0.682 0.669 0.669 节数相对生长率
RGR of internode number184.376*** 0.054 0.676 0.876 0.138 0.200 0.200 补偿系数
Compensation
index (CI)生物量补偿系数a Biomass CIa 58.763*** 1.717 4.981* 0.198 0.004 0.663 0.264 茎长补偿系数 CI of stem length 257.899*** 0.495 0.006 0.017 0.334 0.019 0.722 分枝数补偿系数
CI of ramet number101.221*** 7.746* 22.956*** 7.474* 8.822** 2.278 0.315 注：数据为F值，标粗表示具有显著性。*表示P < 0.05，**表示P < 0.01，***表示P < 0.001。a表示数据经过取对数数据转换。下同。Notes: the data are F values, and the bold mark indicates significant. * means P < 0.05, ** means P < 0.01, *** means P < 0.001. a means data has been converted from logarithmic data. The same below. 
下载: 导出CSV
表 2 干扰和氮沉降对湿地植物群落生物量的影响
Table 2 Effects of disturbance and nitrogen deposition on the biomass of wetland plant communities
项目 Item 生物量 Biomass D N D × N 整体群落 Whole community 总生物量 Total biomass 0.047 0.174 0.381 地上生物量 Aboveground biomass 0.104 0.001 0.277 地下生物量 Underground biomass 0.435 0.490 0.304 粉绿狐尾藻
Myriophyllum aquaticum总生物量 Total biomass 0.086 0.885 0.050 地上生物量 Aboveground biomass 0.050 0.548 0.015 地下生物量 Underground biomass 0.826 1.815 0.276 黄花鸢尾 Iris wilsonii 总生物量 Total biomass 0.352 0.885 0.050 地上生物量 Aboveground biomass 0.613 0.645 0.148 地下生物量 Underground biomass 0.454 1.068 0.268 千屈菜 Lythrum salicaria 总生物量 Total biomass 0.473 0.477 0.520 地上生物量 Aboveground biomass 0.582 0.914 0.448 地下生物量 Underground biomass 0.285 0.074 0.527 水葱 Scirpus validus 总生物量 Total biomass 0.607 0.158 0.332 地上生物量 Aboveground biomass 0.224 1.954 1.419 地下生物量 Underground biomass 0.564 0.001 0.133 注：数据为F值。Note: data is F value.
下载: 导出CSV
-
[1] 吴昊, 丁建清. 入侵生态学最新研究动态[J]. 科学通报, 2014, 59(6): 438−448. doi: 10.1360/972013-450 Wu H, Ding J Q. Recent progress in invasion ecology[J]. Chinese Science Bulletin, 2014, 59(6): 438−448. doi: 10.1360/972013-450
[2] 彭少麟, 向言词. 植物外来种入侵及其对生态系统的影响[J]. 生态学报, 1999, 19(4): 560−568. doi: 10.3321/j.issn:1000-0933.1999.04.024 Peng S L, Xiang Y C. The invasion of exotic plants and effects of ecosystems[J]. Acta Ecologica Sinica, 1999, 19(4): 560−568. doi: 10.3321/j.issn:1000-0933.1999.04.024
[3] Mack R N, Simberloff D, Lonsdale W M, et al. Biotic invasions: causes, epidemiology, global consequences, and control[J]. Ecological Applications, 2000, 10(3): 689−710. doi: 10.1890/1051-0761(2000)010[0689:BICEGC]2.0.CO;2
[4] Seebens H, Bacher S, Blackburn T M, et al. Projecting the continental accumulation of alien species through to 2050[J]. Global Change Biology, 2021, 27(5): 970−982. doi: 10.1111/gcb.15333
[5] 陈俊芳. 浅谈生物入侵机制中的假说[J]. 农业与技术, 2020, 40(4): 51−53. doi: 10.19754/j.nyyjs.20200229014 Chen J F. A brief talk on hypotheses in the mechanism of biological invasion[J]. Agriculture and Technology, 2020, 40(4): 51−53. doi: 10.19754/j.nyyjs.20200229014
[6] Manzoor S A, Griffiths G, Lukac M. Land use and climate change interaction triggers contrasting trajectories of biological invasion[J]. Ecological Indicators, 2021, 120: 106936. doi: 10.1016/j.ecolind.2020.106936
[7] Quijano-Medina T, Covelo F, Moreira X, et al. Compensation to simulated insect leaf herbivory in wild cotton (Gossypium hirsutum): responses to multiple levels of damage and associated traits[J]. Plant Biology, 2019, 21(5): 805−812. doi: 10.1111/plb.13002
[8] 高芳磊, 郭素民, 闫明, 等. 不同生境下空心莲子草响应模拟昆虫采食的生长和化学防御策略[J]. 生态学报, 2018, 38(7): 2344−2352. Gao F L, Guo S M, Yan M, et al. Effects of simulated insect herbivory on the growth and chemical defense of Alternanthera philoxeroides in different habitats[J]. Acta Ecologica Sinica, 2018, 38(7): 2344−2352.
[9] 申思, 郭文锋, 王伟, 等. 地上−地下植食性天敌对入侵植物空心莲子草与本地种莲子草种间关系的影响[J]. 应用生态学报, 2021, 32(8): 2975−2981. Shen S, Guo W F, Wang W, et al. Effects of above- and below-ground herbivore interactions on interspecific relationship between the invasive plant Alternanthera philoxeroides and its native congener Alternanthera sessilis[J]. Chinese Journal of Applied Ecology, 2021, 32(8): 2975−2981.
[10] Kumaran N, Lockett C, Dhileepan K. Effect of simulated herbivory on bellyache bush (Jatropha gossypiifolia L.) growth and implications for biological control[J]. Weed Biology and Management, 2018, 18(4): 151−159. doi: 10.1111/wbm.12159
[11] 闫卫东. 不同刈割强度对北方农牧交错带草地生态系统温室气体通量的影响 [D]. 太谷: 山西农业大学, 2019. Yan W D. Effects of different cutting intensities on greenhouse gas fluxes in grassland ecosystem in northern agro-pastoral ecotone [D]. Taigu: Shanxi Agricultural University, 2019.
[12] 王楠楠, 皇甫超河, 陈冬青, 等. 刈割对外来入侵植物黄顶菊的生长、气体交换和荧光的影响[J]. 生态学报, 2012, 32(9): 2943−2952. doi: 10.5846/stxb201103160328 Wang N N, Huangfu C H, Chen D Q, et al. Effects of clipping on the growth, gas exchange and chlorophyll fluorescence of invasive plant Flaveria bidentis[J]. Acta Ecologica Sinica, 2012, 32(9): 2943−2952. doi: 10.5846/stxb201103160328
[13] Bozzolo F H, Lipson D A. Differential responses of native and exotic coastal sage scrub plant species to N additions and the soil microbial community[J]. Plant and Soil, 2013, 371(1/2): 37−51.
[14] Yu H W, He W M. Congeneric invasive versus native plants utilize similar inorganic nitrogen forms but have disparate use efficiencies[J]. Journal of Plant Ecology, 2021, 14(2): 180−190. doi: 10.1093/jpe/rtaa085
[15] 周一平, 张玉革, 马望, 等. 氮添加和干旱对呼伦贝尔草原5种植物性状的影响[J]. 生态环境学报, 2020, 29(1): 41−48. Zhou Y P, Zhang Y G, Ma W, et al. Effects of nitrogen addition and water reduction on the traits of five plants in Hulunbeir Grassland[J]. Ecology and Environmental Sciences, 2020, 29(1): 41−48.
[16] 陆光亚, 王晋萍, 桑卫国. 氮沉降对外来种豚草入侵能力与竞争能力的影响[J]. 东北林业大学学报, 2012, 40(6): 60−66. doi: 10.3969/j.issn.1000-5382.2012.06.016 Lu G Y, Wang J P, Sang W G. Effects of nitrogen deposition on invasive and competitive abilities of an alien plant Ambrosia artemisiifolia[J]. Journal of Northeast Forestry University, 2012, 40(6): 60−66. doi: 10.3969/j.issn.1000-5382.2012.06.016
[17] 吴昊, 张三煜, 姬秋博, 等. 异质生境对水生型空心莲子草−双穗雀稗共存的影响[J]. 应用生态学报, 2022, 33(1): 85−96. Wu H, Zhang S Y, Ji Q B, et al. Effect of heterogeneous habitats on species coexistence of aquatic ecotype Alternanthera philoxeroides and Paspalum paspaloides[J]. Chinese Journal of Applied Ecology, 2022, 33(1): 85−96.
[18] Jeschke J M. General hypotheses in invasion ecology[J]. Diversity and Distributions, 2014, 20(11): 1229−1234. doi: 10.1111/ddi.12258
[19] Wang Z X, He Z S, He W M. Nighttime climate warming enhances inhibitory effects of atmospheric nitrogen deposition on the success of invasive Solidago canadensis[J]. Climatic Change, 2021, 167(1/2): 20. doi: 10.1007/s10584-021-03175-0
[20] Livingstone S W, Isaac M E, Cadotte M W. Invasive dominance and resident diversity: unpacking the impact of plant invasion on biodiversity and ecosystem function[J/OL]. Ecological Monographs, 2020, 90(4): e01425 [2021−12−19]. https://doi.org/10.1002/ecm.1425.
[21] Geng X M, He W M. Success of native and invasive plant congeners depends on inorganic nitrogen compositions and levels[J]. Journal of Plant Ecology, 2021, 14(2): 202−212. doi: 10.1093/jpe/rtaa088
[22] 陈燕丽, 陈中义. 空心莲子草入侵控制的生态学研究进展[J]. 湖北农业科学, 2010, 49(9): 2260−2263, 2267. doi: 10.3969/j.issn.0439-8114.2010.09.068 Chen Y L, Chen Z Y. Ecology research progress on invasion control of alligator weed Alternanthera philoxeroides (Mart.) Griseb[J]. Hubei Agricultural Sciences, 2010, 49(9): 2260−2263, 2267. doi: 10.3969/j.issn.0439-8114.2010.09.068
[23] Geng Y, Gao L, Yang J. Epigenetic flexibility underlying phenotypic plasticity [M]. Heidelberg: Springer, 2013.
[24] Gao L X, Geng Y P, Li B, et al. Genome-wide DNA methylation alterations of Alternanthera philoxeroides in natural and manipulated habitats: implications for epigenetic regulation of rapid responses to environmental fluctuation and phenotypic variation[J]. Plant, Cell & Environment, 2010, 33(11): 1820−1827.
[25] Burns J H. A comparison of invasive and non-invasive dayflowers (Commelinaceae) across experimental nutrient and water gradients[J]. Diversity & Distributions, 2004, 10(5/6): 387−397.
[26] 秦启文, 赵昕, 周守标. 水禾和粉绿狐尾藻对生活污水净化效果研究[J]. 安徽师范大学学报(自然科学版), 2020, 43(5): 452−458. doi: 10.14182/J.cnki.1001-2443.2020.05.007 Qin Q W, Zhao X, Zhou S B. Study on purification effect of Hygroryza aristata and Myriophyllum aquaticum vulgare on domestic sewage[J]. Journal of Anhui Normal University (Natural Science), 2020, 43(5): 452−458. doi: 10.14182/J.cnki.1001-2443.2020.05.007
[27] 冯春慧, 孙梅, 田昆, 等. 模拟增温对水葱输导组织的影响[J]. 东北林业大学学报, 2020, 48(4): 24−28. doi: 10.3969/j.issn.1000-5382.2020.04.005 Feng C H, Sun M, Tian K, et al. Effect of conducting tissue of Scirpus validus to simulated warming[J]. Journal of Northeast Forestry University, 2020, 48(4): 24−28. doi: 10.3969/j.issn.1000-5382.2020.04.005
[28] 雷晓寒. 黄花鸢尾微生态系统底泥覆盖的水质效应研究 [D]. 南京: 南京大学, 2018. Lei X H. Study the effects of sediment capping on water quality in an Iris wilsonii microcosm [D]. Nanjing: Nanjing University, 2018.
[29] 孙焕荣, 李静, 封晓辉, 等. 盐胁迫对荷兰菊、千屈菜及狼尾草生长的影响[J]. 河北林业科技, 2020(2): 13−16. Sun H R, Li J, Feng X H, et al. Effects of salt stress on the growth of Symphyotrichum novi-belgii,Lythrum salicaria and Pennisetum alopecuroides[J]. The Journal of Hebei Forestry Science and Technology, 2020(2): 13−16.
[30] 杨翔宇, 董炜华, 陆娟, 等. 生物质炭对黄花鸢尾湿地浮游植物群落的影响[J]. 吉林大学学报(理学版), 2018, 56(1): 184−189. Yang X Y, Dong W H, Lu J, et al. Effects of biochar on phytoplankton community in Iris wilsonii wetland[J]. Journal of Jilin University (Science Edition), 2018, 56(1): 184−189.
[31] 周建. 环境因子对空心莲子草种内和种间关系的影响[D]. 北京: 北京林业大学, 2015. Zhou J. Effects of environmental factors on interspecific and intraspecific relationships of Alternanthera philoxeroides[D]. Beijing: Beijing Forestry University, 2015.
[32] 赵鸿怡, 张勇, 崔媛, 等. 退化梯度上滇西北高山草甸植物群落的补偿生长能力[J]. 草业科学, 2020, 37(6): 1025−1034. doi: 10.11829/j.issn.1001-0629.2019-0526 Zhao H Y, Zhang Y, Cui Y, et al. Study on the compensatory growth of alpine meadows along a degradation gradient in northwestern Yunnan Province[J]. Pratacultural Science, 2020, 37(6): 1025−1034. doi: 10.11829/j.issn.1001-0629.2019-0526
[33] 申时才, 徐高峰, 李天林, 等. 5种入侵植物补偿反应及其形态可塑性比较[J]. 西北植物学报, 2012, 32(1): 173−179. doi: 10.3969/j.issn.1000-4025.2012.01.028 Shen S C, Xu G F, Li T L, et al. Comparative study of compensatory response and morphological plasticity of five invasive plants[J]. Acta Botanica Boreali-Occidentalia Sinica, 2012, 32(1): 173−179. doi: 10.3969/j.issn.1000-4025.2012.01.028
[34] 赵威, 王艳杰, 李亚鸽. 草地入侵植物对枝叶去除的生理生态响应: 模式、机理与研究展望[J]. 草业学报, 2017, 26(6): 195−202. doi: 10.11686/cyxb2016368 Zhao W, Wang Y J, Li Y G. The eco-physiological responses of invasive plants to defoliation in grassland: patterns, mechanisms, and research prospects[J]. Acta Prataculturae Sinica, 2017, 26(6): 195−202. doi: 10.11686/cyxb2016368
[35] 廖慧璇, 周婷, 陈宝明, 等. 外来入侵植物的生态控制[J]. 中山大学学报(自然科学版), 2021, 60(4): 1−11. Liao H X, Zhou T, Chen B M, et al. Ecological control of exotic invasive plants[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2021, 60(4): 1−11.
[36] 陈中义, 陈燕丽, 李华成. 几种物理方式控制空心莲子草种群生长的效应研究[J]. 长江大学学报(自然科学版), 2014, 11(17): 47−51. Chen Z Y, Chen Y L, Li H C. Study on the effect of several physical methods on controlling the growth of Alternanthera philoxeroides community[J]. Journal of Yangtze University (Natural Science Edition), 2014, 11(17): 47−51.
[37] 周颖, 刘杰, 闫晓慧, 等. 模拟昆虫取食对牛膝菊防御特征的影响[J]. 应用生态学报, 2022, 33(3): 808−812. doi: 10.13287/j.1001-9332.202202.036 Zhou Y, Liu J, Yan X H, et al. Effects of simulated insect herbivory on the defense traits of Galinsoga parviflora[J]. Chinese Journal of Applied Ecology, 2022, 33(3): 808−812. doi: 10.13287/j.1001-9332.202202.036
[38] 周雨露, 李凌云, 高俊琴, 等. 种间竞争对入侵植物和本地植物生长的影响[J]. 生态学杂志, 2016, 35(6): 1504−1510. Zhou Y L, Li L Y, Gao J Q, et al. Effects of interspecific competition on the growth of invasive and native species[J]. Chinese Journal of Ecology, 2016, 35(6): 1504−1510.
[39] Grime J P. The role of plasticity in exploiting environmental heterogeneity[J/OL]. Exploitation of Environmental Heterogeneity by Plants, 1994: 1−19[2021−12−18]. https://doi.org/10.1016/B978-0-12-155070-7.50006-8.
[40] Belsky A J, Carson C L, Jensen C L, et al. Overcompensation by plants: herbivore optimization or red herring[J]. Evolutionary Ecology, 1993, 7(1): 109−121. doi: 10.1007/BF01237737
[41] 杨中领, 张家洋, 楚莉莉, 等. 施肥和刈割对青藏高原东部高寒草甸群落生物量补偿效应的影响[J]. 生态学杂志, 2012, 31(9): 2276−2282. Yang Z L, Zhang J Y, Chu L L, et al. Effects of fertilization and mowing on community biomass compensation in eastern alpine meadow of Tibetan Plateau[J]. Chinese Journal of Ecology, 2012, 31(9): 2276−2282.
[42] Lamb E G, Stewart A C, Cahill J F. Root system size determines plant performance following short-term soil nutrient pulses[J]. Plant Ecology, 2012, 213(11): 1803−1812. doi: 10.1007/s11258-012-0135-0
[43] 刘琳. 氮沉降、繁殖体压力及基因型对加拿大一枝黄花(Solidago canadensis L.)入侵的影响[D]. 北京: 北京林业大学, 2018. Liu L. Effects of nitrogen pulses, propagule pressure and genotypic diversity on the invasion of Solidago canadensis L. [D]. Beijing: Beijing Forestry University, 2018.
[44] 孙思邈, 陈吉欣, 冯炜炜, 等. 植物氮形态利用策略及对外来植物入侵性的影响[J]. 生物多样性, 2021, 29(1): 72−80. doi: 10.17520/biods.2020072 Sun S M, Chen J X, Feng W W, et al. Plant strategies for nitrogen acquisition and their effects on exotic plant invasions[J]. Biodiversity Science, 2021, 29(1): 72−80. doi: 10.17520/biods.2020072
[45] 王桔红, 陈文, 张燕芳, 等. 不同入侵程度的微甘菊及本土种豨莶碳氮磷化学计量特征与营养策略[J]. 生态学杂志, 2020, 39(6): 1994−2003. Wang J H, Chen W, Zhang Y F, et al. Carbon, nitrogen, and phosphorus stoichiometry and nutrition strategy of invasive species Mikania micrantha with three invasive degrees and native species Siegesbeckia orientalis[J]. Chinese Journal of Ecology, 2020, 39(6): 1994−2003.
[46] 陈旭, 王国严, 彭培好, 等. 四川攀西地区云南松群落物种多样性和谱系多样性对紫茎泽兰入侵的影响[J]. 生物多样性, 2021, 29(7): 865−874. doi: 10.17520/biods.2020485 Chen X, Wang G Y, Peng P H, et al. Effects of taxonomic and phylogenetic diversity of resident Pinus yunnanensis communities on Ageratina adenophora invasion in the Panxi Region, Sichuan Province[J]. Biodiversity Science, 2021, 29(7): 865−874. doi: 10.17520/biods.2020485
计量
- 文章访问数: 855
- HTML全文浏览量: 305
- PDF下载量: 100
