Selection of superior individual Pistacia chinensis based on 24 phenotypic traits
-
摘要:目的
解决中国黄连木缺乏良种并改善产量普遍较低的现状，为黄连木优良品种选育提供应用材料。
方法对我国7个省份（市、自治区）88份中国黄连木种质测定了包括产量性状、品质性状在内的24项指标，利用相关性分析、聚类分析、主成分分析等统计方法，分析了指标间的变异，量化评价各经济性状。
结果（1）黄连木果实性状表现丰富的多样性，产量、产油能力性状变异幅度极大，果实体积、表面积、百粒质量变异幅度相对较大，外观性状变异幅度相对较小。健康果实各项指标变异幅度均小于非健康果实。（2）单株产量与果枝率、结果枝数、单枝果穗数、果穗果量、单株果量分别呈极显著正相关，含油率与健康果实率、单枝果穗数、单株产量、冠幅单位面积产量、果实百粒质量也分别呈极显著正相关。（3）聚类分析将种质分为4种类群，分别为低产古树类群、大果型类群、中果型类群、小果型类群。（4）利用主成分分析，筛选出10份最优种质，5份来自大果型类群，5份来自中果型类群，综合评分前3名均来自大果型类群，平均增益达56.49%。
结论黄连木果实性状指标变异幅度大，为黄连木良种选育提供较大空间。大果型类群容易出现综合得分极为靠前的优良单株，中果型类群则易稳定产出综合得分较高的优良单株。陕西、山东地区具有适合中国黄连木产业发展的环境条件，更具备发展中国黄连木油用树种的潜力。
Abstract:ObjectiveThis study was conducted to address the current situation of lack of improved varieties and low yield in China, and to provide application materials for the selection and breeding of improved varieties of Pistacia chinensis.
MethodTwenty-four indicators, including yield traits and quality traits, were measured on 88 germplasm resources from seven provinces (cities and autonomous regions) in China and statistical methods such as correlation analysis, cluster analysis and principal component analysis were used to analyze the variation among the indicators and to quantitatively evaluate each economic trait.
Result(1) The fruit traits of P. chinensis showed rich diversity, with great variation in yield and oil-producing capacity, relatively large variation in fruit volume, surface area and 100-fruit mass, and relatively small variation in appearance traits. The variation in all indicators was less in healthy fruit than that in unhealthy fruit. (2) Yield per tree was highly significantly positively correlated with bearing branch rate, number of the bearing branch, number of the fruit cluster per branch, number of the fruit per fruit cluster and number of the fruit per tree, respectively. Oil content was highly significantly positively correlated with healthy fruit rate, number of the fruit cluster per branch, yield per tree, yield of the unit crown area and 100-fruit mass, respectively. (3) Cluster analysis classified the germplasm into four groups: low-yielding ancient tree group, large-fruited group, medium-fruited group and small-fruited group. (4) Using principal component analysis, 10 superior germplasms were selected, five from the large-fruited group and five from the medium-fruited group. The top three overall scores were all from large-fruited taxa, with an average gain of 56.49%.
ConclusionThe wide variation of the fruit traits of P. chinensis provides a large scope for the selection and breeding of improved varieties of P. chinensis. The large-fruited group is prone to produce superior individuals with very high overall scores, while the medium-fruited group is prone to stably produce superior individuals with high overall scores. The Shaanxi and Shandong regions have the environmental conditions suitable for the development of P. chinensis industry, and have more potential for the development of P. chinensis oil species.
-
Keywords:
- Pistacia chinensis /
- phenotypic trait /
- superior individual
-
磨削是木材加工中必不可少的重要工序，所用磨具大多为砂带，主要用于工件定厚和表面抛光。砂带磨削具有“冷态磨削”和“弹性磨削”的特点，是一种高精度、高效率、低成本的加工技术。材料去除率和表面粗糙度作为最常用的砂带磨削性能指标，是衡量砂带磨削效率、砂带寿命，以及评定加工质量的重要指标。材料去除率是指磨削过程中砂带在单位时间内去除被磨削材料的质量百分比，该指标直接影响到工件的定厚效果和表面粗糙度。影响砂带材料去除率的主要因素有砂带制造工艺、砂带目数、磨削压力、磨削速度和磨削延续长度。任青剑等[1]进行了300M超高强度钢的切入式磨削实验，发现在微观形貌方面，磨粒间距较大的砂带多是因磨粒磨损而失效，这是磨削效率降低的一个原因，但针对磨削效率降低的其他原因及其影响因素的探究仍然不够深入。Torrance[2]建立了磨料磨损模型，并将该方法应用于磨削过程中磨削力和金属材料去除率之间关系的预测以及磨料劣化的预测中。由于木材种类繁多，各项性质差异较大，此模型在木材磨削领域的应用存在局限性，仍需进一步研究探索。表面粗糙度的影响因素主要是关于木材特性的，包括纹理、密度、含水率等。刘博等[3]研究发现磨削表面质量会受到木材材性和加工工艺等因素的影响。Tian等[4]使用磨削效率测试系统和表面粗糙度测量仪进行磨削实验，分析比较了3种试材磨削效率和表面粗糙度的变化规律以及相关因素对磨削效率和表面粗糙度的影响，结果表明：磨削效率与表面粗糙度的变化趋势是随磨削次数的增加而逐渐降低，且同一树种、相同的磨削次数下，横向磨削时的磨削效率高于纵向磨削时的磨削效率。该实验在较为宏观的层面下进行探讨，缺乏对于砂带与试件表面微观形貌的进一步研究与分析。
砂带在磨削材料过程中将不可避免地产生磨损，且砂带的磨损是多个因素共同作用的结果，如磨削压力、砂带速度、工件材料等，在磨削不同材料或不同的磨削条件下的砂带磨损形式也会有差异。Ferguson等[5]在进行磨料磨损实验时，通过改变磨料磨粒尺寸、磨削压力、滑动速度和滑动距离来评估复合材料的磨损率。Malinov等[6]发现随着磨削压力的增加，Fe-B合金的耐磨性降低，磨损机制从微切割变为微切割和微耕的混合模式。在实际生产中，砂带生产厂家无法提供准确的砂带使用寿命，多依赖熟练工人的经验来判别砂带的使用寿命，这在一定程度上影响企业的生产效率和经济效益。随着人工智能和传感技术的发展，木材加工智能化已成为重要的发展方向，智能化控制一方面是提高机械设备的智能化控制程度，更重要的一方面是使切削（包括磨削）过程和结果可控，也就是根据要求达到相应的材料去除效率和表面加工质量[7]。比如美国将砂带磨削应用于汽车制造业的FMS生产线上，从磨削过程和设备控制两方面共同调控以达到最终的生产过程智能化。美国3M公司发明的微晶复制砂带使磨粒形状细致均匀且统一，使得磨削过程变得更加精密和高效[8]。
有关木材磨削方面的研究基础较为薄弱，而金属磨削理论并不完全适用于木材，对于木材砂带磨损和磨削效率方面的研究则是少之又少，砂带磨损机理也尚不明晰，这严重阻碍了木材加工技术和砂带制造技术向高效智能方向的发展。针对以上问题，本研究对水曲柳试件开展砂带磨削实验，分析砂带磨损机理及磨粒磨损对材料去除率和表面粗糙度的影响，进一步完善木材磨削理论，并为发展适用于木材的砂带磨削技术提供理论支持。
1. 材料和方法
1.1 材 料
水曲柳（Fraxinus mandshurica）材质坚韧致密，富弹性，纹理通直，刨面光滑，胶接、油漆性能较好，具有良好的装饰性能，在建筑、飞机、造船、仪器、运动器材、家具等行业应用广泛，因此本研究选用水曲柳作为实验材料，其气干密度为0.76 g/cm3，含水率为5.41%。制备的试件尺寸为46 mm（长） × 46 mm（宽） × 24 mm（厚）；所有试件取自边材，表面平整，无明显缺陷。本研究所选用砂带为60目普通布基疏植砂型砂带（JW342，DEER，韩国）。
1.2 研究方法
1.2.1 砂带磨削实验装置
本研究所使用的实验装置如图1所示。该装置主要由使工作平台作直线往复运动的驱动系统和提供恒定磨削压力的气动装置组成。将砂带展平放置在工作平台上，调节两端的张紧轮，确保砂带张紧固定；将木制试件放置于夹具内，调节夹紧螺母完成试件的装夹；通过立式布置的带直线导轨的气缸（ADNGF-50-40-A，FESTO，德国），为试件提供恒定的磨削压力（约为100 N）；随着试件材料不断去除，其厚度也逐渐减小，试件夹具可沿立式滑轨在气缸导杆行程内下移，使试件与砂带表面始终相接触；驱动系统带动工作平台沿水平滑轨作往复直线运动（平均速度约为0.3 m/s），同时智能计数装置完成磨削次数记录。
![]()
图 1 砂带磨削实验装置示意图1. 气缸Cylinder；2. 机架Framework；3. 砂带Abrasive belt；4. 张紧轮Tensile wheel；5. 水平滑轨Horizontal slideway; 6. 驱动系统Driver system；7. 竖直滑轨Vertical slideway；8. 夹紧装置Fasten device；9. 试件Sample；10. 夹具Fixture.Figure 1. Schematic of abrasive belt sanding apparatus1.2.2 材料去除率表征及表面形貌分析
在本研究中，材料去除率定义为每磨削1 000次后试件的质量变化率。每磨削一次则磨削长度为50 mm，可将磨削次数累计与磨削长度进行换算。实验过程中，采用精密分析天平（BSA4235，Sartorious，德国）对试件和砂带进行称重，且每次称重前使用高压气枪（额定压力为3.0 MPa）去除试件和砂带表面的磨屑，进而计算相应的材料去除率和砂带的质量变化情况，直至材料去除率降至3%以内，认为此时砂带寿命已达极限，砂带上的磨粒已无法完成对试件材料的有效切除。采用3D轮廓仪（VR5000，KEYENCE，日本）对磨削过程中试件磨削表面和砂带表面进行扫描，再通过专业分析软件（VR Series version 3.2.0.277）测定试件磨削表面以及砂带的表面粗糙度，并使用扫描电子显微（日立S-3400N Ⅱ）对试件的磨削表面形貌进行分析。实验中对水曲柳分别进行顺纹磨削（磨削方向平行于木材纹理方向）和横纹磨削（磨削方向垂直于木材纹理方向）。
2. 结果与讨论
2.1 横纹磨削
横纹磨削时，磨粒的切削方向与木材纤维方向基本垂直，磨粒多呈负前角或小后角，锋利的刃口将木材纤维拦腰截断，木材纤维基本上以剥离的形式去除[9-10]。观察发现图2a中有较多细窄且清晰的单个磨粒磨削痕迹，而图2b、2c中这种磨削痕迹则逐渐减少，直至较宽的磨削痕迹占绝大多数。由于现有的磨粒制备技术及植砂工艺，新砂带上的磨粒等高性不好，如图3a所示，切削刃曲率半径很小且参差不齐，所以磨削初期会在试件表面上留下细窄、清晰的磨削痕迹。
![]()
图 2 横纹磨削时水曲柳表面形貌与磨粒磨损示意图Figure 2. Surface topography and grit wear diagram during transverse sanding![]()
图 3 横纹磨削时砂带表面三维形貌图Figure 3. Three-dimensional topography of the belt surface during transverse sanding随着磨削次数增加，高度较高的磨粒由于与试件接触深度加大，会首先发生破碎和脱落，这也就是所谓的“初锐阶段”[11]。从图4b中明显看出，初锐阶段大约在磨削次数5 000次以内，砂带上的磨粒在发生脱落和破碎之外，磨粒的磨损也同时发生，此时砂带质量减小的速率较快，只是砂带脱落、破碎和磨损所占比例不同。图5b中对应的砂带表面粗糙度较高，即磨粒高度之间差异较大，所以更易压入试件进行磨削，故此时对应图4a处材料去除率极高。
![]()
图 4 横纹磨削水曲柳时材料去除率与砂带质量变化Figure 4. Material removal rate of workpiece and the mass variation of abrasive belt during transverse sanding![]()
图 5 横纹磨削时试件、砂带的表面粗糙度Figure 5. Surface roughness of workpiece and abrasive belt during transverse sanding初锐阶段结束后，在图3b中可观察到砂带表面相同高度磨粒的个数明显增加，主要由于试件与磨粒之间的相互作用使得磨粒尖端钝化为小平面，其等高性变好且高度变矮，材料去除率会随之下降。此时磨粒协同干涉作用逐渐显著，从图2b中可以看出在一条较宽的磨削痕迹中有许多条细小的磨削痕迹，但是并没有非常明显且完整的单个磨粒的磨削痕迹，这是由于前一个磨粒所产生的磨削痕迹会被后续的磨粒进行进一步“加工”，而最终体现出来的磨削痕迹是众多磨粒共同作用的效果，消除了之前单个磨粒的磨削痕迹，使磨削痕迹的界限变得模糊，这种多磨粒干涉效应[12]也是使工件表面变光滑的最关键因素。
随着磨削阶段到达中、后期，从图2c中可以看出磨粒将木纤维从两侧挤出翘起，在试件表面犁出凹痕，只能切除少量材料，故材料去除率呈下降趋势并在一定程度上影响了试件表面的粗糙度。从图5可以看出，磨削中期试件表面的粗糙度是比较高的，但磨削后期由于磨粒钝化更加明显且高度更低，如图3c，砂带表面等高性进一步增加，表面的粗糙度迅速降低，磨粒与试件表面接触深度变浅，试件表面发生弹塑性变形，导致几乎无法去除材料，表面凹痕更浅，故可见图5a在中、后期表面粗糙度明显下降。观察图4b可得磨削中期到后期砂带质量基本是线性减小的，也就说明砂带的磨损、脱落、破碎最终达到一个较为平衡的阶段。
2.2 顺纹磨削
顺纹磨削时，切削方向与木材纤维方向基本平行，磨粒是从木材纤维的端向切入木材[13]。与横纹磨削类似，在初期阶段磨粒顶端的曲率半径较小，切削刃较为锋利，如图6a，砂带上磨粒的等高性较差，易压入木材做有效切削，从图7a中可观察到初期阶段试件表面有多条清晰且完整的磨粒磨削痕迹。
![]()
图 6 顺纹磨削时的砂带表面三维形貌图Figure 6. Three-dimensional topography of the belt surface during longitudinal sanding![]()
图 7 顺纹磨削时水曲柳表面形貌和磨削过程示意图Figure 7. Surface topography and the schematic diagram for workpiece during longitudinal sanding process对比图8a与图4a发现，水曲柳横纹磨削时材料去除率整体大于顺纹磨削的材料去除率，且顺纹磨削时材料去除率的下降速率大于横纹的下降速率。这说明砂带在顺纹磨削时更难去除材料，主要由于顺纹磨削过程中，磨粒切入木材时是从木纤维的端头切入，加之磨粒一般为负前角，很难依靠锋利的刃口将木纤维切断，更多的是将其牵扯拉断[14]。从图8b中也可发现此时砂带的磨损速率更快，导致砂带使用寿命也更短。
![]()
图 8 顺纹磨削水曲柳时材料去除率、砂带质量变化Figure 8. Material removal rate of workpiece and the mass variation of abrasive belt during longitudinal sanding随磨削次数增加，砂带磨粒高度降低，顶端刃口曲率半径不断增大，在图7b中可以看到许多较宽的磨削痕迹且在凹痕两侧有较多毛刺及翘起的木纤维，故在图9a中可明显观察到试件表面粗糙度增高。在磨削中期，从图6b可看出，砂带上磨粒脱落，破碎所占比例较大，等高性增大，磨粒与试件的接触深度降低且切割纤维能力减弱，在试件表面发生更多的是耕犁现象，木纤维在多次牵拉下被扯断，如图7b左侧示意图。
![]()
图 9 顺纹磨削时试件、砂带的表面粗糙度Figure 9. Surface roughness of workpiece and abrasive belts during longitudinal sanding至磨削后期，观察图7c发现部分磨削痕迹被木屑填埋，翘起的毛刺被抹平，且凹痕大多较浅，故可见图9a中试件表面粗糙度明显下降。如图6c，此时磨粒整体高度下降，磨粒磨损情况严重，大多仅摩擦试件表面，几乎无法切除材料，同时将折断、翘起的木纤维碾平并填充空隙，使得表面粗糙度降低。但是不难从图9b中发现，顺纹磨削时后期砂带的表面粗糙度更大，这也和切削方式和磨粒破碎形式有关，因为在顺纹切削时纤维大多被拉断，所以磨粒更易受拉力造成破碎和脱落，这也是砂带在顺纹和横纹磨削时的一个主要差异[15]。
2.3 材料去除率、表面粗糙度灰色预测模型
在砂带寿命范围内，累计磨削长度与磨削过程中材料去除率、表面粗糙度间有着密切联系，但由于样本量少[16-17]，且存在如木材非均质、砂带植砂磨粒分布偶然性等较多未知因素，较难建立磨削长度与材料去除率、表面粗糙的回归模型。20世纪80年代邓聚龙教授创立了一种就数找数的方法，即灰色系统生成法。其研究对象是“部分信息已知，部分信息未知”的“小样本”、“贫信息”不确定性系统，用于解决“小样本”、“贫信息”的不确定性问题，这种方法容错率较高，也易于实现模糊控制[18]。因此本研究采用均值GM（1,1）预测模型建立磨削长度与材料去除率、表面粗糙度间的灰色预测模型，如图10所示。
2.3.1 模型预测
在本次模型中，系列特征序列为材料去除率和表面粗糙度，相关因素序列为磨削长度，模型原始数据及建模步骤如下：
第一步，根据表1、2中数据，建立初始材料去除率序列
X(0)1 、表面粗糙度序列X(0)2 。表 1 横纹磨削模型数据Table 1. Model data of transverse sanding序号
No.磨削长度
Sanding length/m表面粗糙度
Surface roughness/μm材料去除率
Material removal rate/%1 200 41.178 15.11 2 400 39.723 13.48 3 600 40.546 15.71 4 800 51.551 7.27 5 1 000 54.409 12.66 6 1 200 63.536 11.39 7 1 400 60.472 8.35 8 1 600 67.846 9.61 注：为提高所建灰色模型的预测精度，选取数据均在砂带最佳使用寿命范围内。下同。Notes: to improve the precision of the established gray model, the selected data is located in the range of optimal abrasive belt life. Same as below. 表 2 顺纹磨削模型数据Table 2. Model data of longitudinal sanding序号
No.磨削长度
Sanding length/m表面粗糙度
Surface roughness /μm材料去除率
Material removal rate/%1 100 42.572 14.57 2 200 78.737 14.96 3 300 69.976 11.70 4 400 79.229 12.13 5 500 71.151 7.43 6 600 79.812 11.40 7 700 81.305 8.46 8 800 81.221 5.77 9 900 74.79 6.53 10 1 000 78.662 4.86 X(0)1=(X(0)1(1),X(0)1(2),X(0)1(3),⋯,X(0)1(n−1),X(0)1(n))X(0)2=(X(0)2(1),X(0)2(2),X(0)2(3),⋯,X(0)2(n−1),X(0)2(n)) 式中：
X(0)1(n) 代表材料去除率第n个数据的原始数值；X(0)2(n) 代表表面粗糙度第n个数据的原始数值；n表示原始数列的个数，本文横纹磨削时n = 8，顺纹磨削时n = 10。第二步，均值GM（1,1）建模。
（1）对原始数据做一次累加得
X(1)1 和X(1)2 ，原始序列的1-AGO生成；（2）
X(1)(n) 表示原始序列第n个数的一阶累加数值，X(0)(n) 表示原始序列第n个数值，构造数据矩阵B和数据向量Y；B=[−12(X(1)(1)+X(1)(2)1−12(X(1)(2)+X(1)(3)1⋮⋮−12(X(1)(n−1)+X(1)(n)1],Y=[X(0)(2)X(0)(3)⋮X(0)(n)] GM（1,1）模型可表示为
Y=Bu ，即[X(0)(2)X(0)(3)⋮X(0)(n)]=[−12(X(1)(1)+X(1)(2)1−12(X(1)(2)+X(1)(3)1⋮⋮−12(X(1)(n−1)+X(1)(n)1][ˆaˆb] （3）计算待估向量
ˆu ；ˆu=(ˆa,ˆb)T=(BT⋅B)−1BTY 式中：a为发展灰数，表示序列的发展趋势；b为内生控制灰数，表示数据间的变化关系。
（4）建立模型。
dX(1)1dt+a1X(1)=b1 dX(1)2dt+a2X(1)=b2 式中：t表示序号1，2，······，n−1，n的连续变量；a1、b1分别为计算材料去除率预估向量的发展灰数和内生控制灰数；a2、b2分别为计算表面粗糙度预估向量的发展灰数和内生控制灰数。
第三步，模型检验。
从图11a中数据计算得到：横纹磨削过程中，材料去除率平均模拟相对误差为18.362%，表面粗糙度的平均模拟相对误差为5.170%。从图11b中数据计算可得：顺纹磨削过程中，材料去除率平均模拟相对误差为13.491%，表面粗糙度的平均模拟相对误差为4.603%。
2.3.2 结果分析
由图11可知：采用灰色模型均值GM（1,1）的预测平均模拟相对误差都是在20%以内。考虑预测系统本身局限性，以及木质材料的各向异性导致原始数据的随机性较高，本身规律性不是很明显的情况下，这些因素都加大了预测难度，一定程度上影响了模拟预测的准确性。故本模型适用于预测水曲柳磨削过程中，磨削长度分别与材料去除率、表面粗糙度之间关系的预测，对实际生产具有借鉴意义。
3. 结 论
木材磨削过程中材料去除行为会影响木材加工表面质量，其影响因素主要有磨削方向、材料种类以及磨削过程中砂带的磨损情况。本文主要研究了水曲柳在不同磨削方向时的材料去除率和试件、砂带表面粗糙度变化情况，探究了磨粒磨损过程及其与材料去除率之间的关系，得出以下结论：
（1）磨削过程中磨削方向对砂带磨损的影响不同，顺纹磨削对砂带上磨粒的磨损大于横纹磨削。磨粒的磨损对材料去除率有较大的影响，磨粒磨损程度越大，材料去除率越小。当材料去除率降低至3%时，可认为达到砂带使用寿命，应及时更换砂带。
（2）磨削过程中，砂带上磨粒的等高性对材料去除率也有较大影响。等高性越差，材料去除率越高。随磨削次数增加，砂带材料去除能力不断下降，试件表面粗糙度则呈现先增大后减小的趋势。
（3）采用灰色模型均值GM（1,1）的预测平均模拟相对误差都是在20%以内。适用于水曲柳磨削过程中磨削长度分别与材料去除率、表面粗糙度之间关系的预测。
-
![]()
图 1 88份黄连木种质性状的相关性分析
*代表P < 0.05；**代表P < 0.01；黑色星号代表相关系数 ≤ 0.51，白色星号代表相关系数 > 0.51。红色和蓝色色块分别代表正相关和负相关，颜色越深，相关系数值越大。* represents P < 0.05; ** represents P < 0.01. The black asterisk represents the correlation coefficient ≤ 0.51, and the white asterisk represents the correlation coefficient > 0.51. Red and blue of the squares represent positive and negative correlation, respectively. The darker the color is, the larger the correlation coefficient value is.
Figure 1. Correlation analysis of 88 Pistacia chinensis germplasms
![]()
图 2 88份黄连木种质的聚类分析
方块颜色代表标准化后的值，颜色越红表示值越大，颜色越蓝表示值越小。The colour of the squares represents normalised value, the redder the color is, the larger the value is, and the bluer the color is, the smaller the value is.
Figure 2. Cluster analysis of 88 Pistacia chinensis germplasms
表 1 88份黄连木种质基本情况
Table 1 Basic situation of 88 Pistacia chinensis germplasms
种源
Provenance编号
Code经度
Longitude
(E)纬度
Latitude
(N)海拔
Altitude
(At)/m树高
Tree height
(TH)/m冠幅面积
Crown
width area
(Cr)/m2胸径
DBH/cm果枝率
Bearing
branch
rate
(BBR)/%结果枝数
Number
of the
bearing
branch
(NBB)单枝果穗数
Number of the
fruit cluster
per branch
(NFC)果穗果量
Number of
the fruit per
fruit cluster
(NPC)单株果量
Number of
the fruit
per tree
(NPT)单株产量
Yield per tree
(YPT)/kg冠幅单位
面积产量
Yield of the
unit crown
area
(YCA)/
(kg·m−2)山东曲阜
Qufu,
Shangdong
（QF）1 ~ 35 116°59′13" ~
116°59′17″35°35′24" ~
35°36′04″48 ~ 76 4.5 ~ 8.0 6.28 ~ 31.40 18.1 ~ 33.6 30 ~ 90 100 ~ 600 4 ~ 14 33 ~ 140 55200 ~
5390004.58 ~ 81.85 0.21 ~ 3.48 陕西商洛
Shangluo,
Shaanxi
（SL）1 ~ 30 110°01′08" ~
110°06′10″33°49′23" ~
33°53′04″664 ~ 930 6.0 ~ 13.0 6.28 ~ 87.92 15.3 ~ 55.8 40 ~ 95 75 ~ 600 6 ~ 18 53 ~ 226 54450 ~
10836004.53 ~ 117.03 0.18 ~ 6.80 北京
Beijing
（BJ）1、6、9、
11、13116°10′45" ~
116°12′32″39°57′23" ~
39°59′21″68 ~ 99 5.8 ~ 10.0 4.71 ~ 28.26 18.2 ~ 42.3 10 ~ 75 60 ~ 350 4 ~ 8 41 ~ 81 9840 ~
1701000.84 ~ 12.93 0.17 ~ 0.69 黔东南
自治州
Qiandongnan
Autonomous
Prefecture
（QZ）1 ~ 5 109°09′17" ~
108°30′24″26°20′33" ~
26°44′59″399 ~ 745 9.0 ~ 15.0 23.55 ~ 62.80 33.2 ~ 65.6 50 ~ 80 200 ~ 600 4 ~ 8 35 ~ 122 98000 ~
2232004.89 ~ 12.90 0.21 ~ 0.31 湖南永州
Yongzhou,
Hunan
（YZ）1 ~ 5 111°35′08" ~
111°35′11″25°08′14" ~
25°08′22″233 ~ 274 3.0 ~ 11.0 6.28 ~ 62.80 23.2 ~ 40.7 30 ~ 60 100 ~ 250 4 ~ 8 20 ~ 65 18000 ~
650000.80 ~ 4.19 0.02 ~ 0.19 安徽滁州
Chuzhou,
Anhui
（CZ）1 ~ 5 118°12′38" ~
118°12′39″32°37′34" ~
32°37′35″105 ~ 112 7.0 ~ 9.0 9.42 ~ 14.13 15.2 ~ 28.6 20 ~ 40 100 ~ 200 4 ~ 6 48 ~ 98 19200 ~
1176001.54 ~ 3.41 0.14 ~ 0.54 河南鹤壁
Hebi,
Henan
（HB）1 ~ 3 114°01′49" ~
114°01′53″35°57′46" ~
35°57′50″387 ~ 392 3.0 ~ 9.0 4.71 ~ 37.68 12.7 ~ 45.2 20 ~ 70 110 ~ 510 4 ~ 6 14 ~ 18 11880 ~
285601.07 ~ 2.21 0.04 ~ 0.29 
下载: 导出CSV
表 2 果实性状统计分析
Table 2 Statistical analysis of fruit traits
性状
Trait果实状态
State of the fruit最小值
Min. value最大值
Max. value平均值
Average标准差
Standard deviation变异系数
Coefficient of variation/%横径 Width (W)/mm 全部果 All fruit 2.43 6.36 4.31 0.57 13.18 健康 Healthy 2.43 6.36 4.44 0.56 12.57 非健康 Unhealthy 2.56 6.34 4.22 0.56 13.29 纵径 Length (L)/mm 全部果 All fruit 3.43 7.74 5.40 0.62 11.54 健康 Healthy 3.59 7.21 5.43 0.59 10.86 非健康 Unhealthy 3.43 7.74 5.39 0.65 12.06 侧径 Thickness (T)/mm 全部果 All fruit 2.02 7.76 5.18 0.66 12.66 健康 Healthy 3.45 7.25 5.30 0.57 10.84 非健康 Unhealthy 2.02 7.76 5.10 0.70 13.76 长宽比 Aspect ratio (Ra) 全部果 All fruit 0.39 1.24 0.80 0.10 12.95 健康 Healthy 0.43 1.24 0.82 0.11 13.21 非健康 Unhealthy 0.39 1.12 0.79 0.10 12.35 果形指数 Fruit shape index (INS) 全部果 All fruit 0.48 1.25 0.88 0.10 10.92 健康 Healthy 0.50 1.25 0.90 0.09 10.46 非健康 Unhealthy 0.48 1.20 0.87 0.10 10.93 算术平均直径
Arithmetic mean diameter (Da)/mm全部果 All fruit 3.24 6.70 4.97 0.51 10.25 健康 Healthy 3.51 6.70 5.06 0.47 9.36 非健康 Unhealthy 3.24 6.68 4.90 0.53 10.79 几何平均直径
Geometric mean diameter (Dg)/mm全部果 All fruit 3.06 6.68 4.93 0.51 10.36 健康 Healthy 3.42 6.68 5.03 0.48 9.47 非健康 Unhealthy 3.06 6.67 4.87 0.53 10.87 球形度 Sphericity (φ) 全部果 All fruit 0.60 1.16 0.92 0.07 7.40 健康 Healthy 0.63 1.16 0.93 0.07 7.12 非健康 Unhealthy 0.60 1.13 0.91 0.07 7.39 表面积 Surface area (S)/mm2 全部果 All fruit 29.39 140.32 77.17 16.09 20.86 健康 Healthy 36.72 140.32 80.15 15.30 19.09 非健康 Unhealthy 29.39 139.86 75.24 16.52 21.96 体积 Volume (V)/mm3 全部果 All fruit 14.98 156.29 64.77 20.52 31.69 健康 Healthy 20.92 156.29 68.38 19.81 28.97 非健康 Unhealthy 14.98 155.54 62.46 20.92 33.49 果实百粒质量 100-fruit mass (AfW)/g 全部果 All fruit 3.18 16.87 8.95 2.48 27.72 健康 Healthy 6.68 17.58 11.17 2.38 21.33 非健康 Unhealthy 3.00 15.58 7.79 2.74 35.23 含油率 Oil content (OC)/% 健康 Healthy 2.62 53.80 23.07 12.70 55.03 健康果实率 Healthy fruit rate (HFR)/% 健康 Healthy 0.00 100.00 38.95 32.65 83.85 单株产量 Yield per tree (YPT)/kg 全部果 All fruit 0.80 117.03 22.62 22.66 100.15
下载: 导出CSV
表 3 种质经济性状的主成分分析
Table 3 Principal component analysis of economic traits of germplasm
性状
Trait第1主成分
Principal component 1第2主成分
Principal component 2第3主成分
Principal component 3Dg 0.920 −0.379 0.023 S 0.915 −0.396 0.027 V 0.906 −0.410 0.030 AfW 0.827 0.414 0.231 HFR 0.174 0.824 0.361 OC 0.153 0.775 0.502 YCA 0.349 0.687 −0.546 YPT 0.367 0.647 −0.581 特征值 Eigenvalue 3.498 2.811 1.073 方差贡献率 Variance contribution rate/% 43.727 35.134 13.410 累计方差贡献率 Cumulative variance contribution rate/% 43.727 78.860 92.270
下载: 导出CSV
表 4 88份黄连木种质综合得分排名
Table 4 Ranking of the comprehensive scores of 88 Pistacia chinensis germplasms
种质编号
Germplasm No.主成分值 Principal component value 综合得分
Comprehensive score排名
Ranking第1主成分
Principal component 1第2主成分
Principal component 2第3主成分
Principal component 3QF17 5.32 2.37 −0.99 3.03 1 QF12 4.41 0.15 1.58 2.19 2 SL27 3.47 1.14 0.50 1.99 3 SL26 1.81 4.10 −3.59 1.75 4 SL17 2.03 2.23 −0.83 1.56 5 QF19 2.33 0.73 1.31 1.45 6 QF5 1.29 2.00 0.37 1.32 7 QF4 1.99 0.21 1.77 1.18 8 SL14 1.89 1.35 −0.89 1.18 9 QF2 1.08 1.84 0.41 1.17 10 SL21 1.34 3.02 −3.88 1.13 11 QF6 0.91 2.35 −1.09 1.08 12 QF18 2.20 −0.17 0.66 0.99 13 QF31 2.59 −1.06 1.09 0.90 14 QF13 0.35 1.92 0.22 0.86 15 SL4 1.08 0.72 0.65 0.81 16 SL25 0.96 0.95 0.36 0.80 17 QF9 0.28 1.68 0.47 0.78 18 QF24 1.23 0.27 1.13 0.78 19 SL5 2.95 −1.27 −0.53 0.77 20 CZ3 −1.25 −1.85 −0.30 −1.24 79 CZ5 −1.21 −1.83 −0.61 −1.25 80 QZ4 −1.54 −2.15 −0.64 −1.51 81 CZ4 −2.32 −1.74 −0.49 −1.69 82 CZ1 −2.98 −1.01 −0.65 −1.74 83 CZ2 −2.72 −1.48 −0.62 −1.79 84 YZ1 −2.39 −2.02 −0.55 −1.83 85 YZ2 −2.96 −1.69 −0.66 −1.98 86 YZ3 −4.03 −1.52 −0.79 −2.40 87 YZ4 −5.64 −0.59 −0.71 −2.77 88
下载: 导出CSV
表 5 10份中国黄连木种质平均增益
Table 5 Average gain of 10 superior Pistacia chinensis germplasms
项目
Item健康果实率
Healthy fruit
rate含油率
Oil content单株产量
Yield
per tree冠幅单位面积产量
Yield of the
unit crown area果实百粒质量
100-fruit mass几何平均直径
Geometric
mean diameter表面积
Surface
area体积
Volume增益 Gain/% 76.65 51.78 106.63 122.84 45.73 7.96 16.06 24.27
下载: 导出CSV
-
[1] Dey S, Reang N M, Das P K, et al. A comprehensive study on prospects of economy, environment, andefficiency of palm oil biodiesel as a renewable fuel[J]. Journal of Cleaner Production, 2021, 286: 124981. doi: 10.1016/j.jclepro.2020.124981
[2] Mulyatun M, Prameswari J, Istadi I, et al. Production of non-food feedstock based biodiesel using acid-base bifunctional heterogeneous catalysts: a review[J]. Fuel, 2022, 314: 122749. doi: 10.1016/j.fuel.2021.122749
[3] 符瑜, 潘学标, 高浩. 中国黄连木的地理分布与生境气候特征分析[J]. 中国农业气象, 2009, 30(3): 318−322. Fu Y, Pan X B, Gao H. Geographical distribution and climate characteristics of habital of Pistacia chinensis Bunge in China[J]. Chinese Journal of Agrometeorology, 2009, 30(3): 318−322.
[4] 李广会. 黄连木的种质资源与开发利用[J]. 天津农业科学, 2009, 15(6): 68−70. Li G H. Genetic resources and development of Pistacia chinensis Bunge[J]. Tianjin Agricultural Sciences, 2009, 15(6): 68−70.
[5] 牛正田, 李涛, 菅根柱, 等. 黄连木资源概况、栽培技术及综合利用前景[J]. 经济林研究, 2005, 23(3): 72−75. Niu Z T, Li T, Jian G Z, et al. Resource survey, cultivation techniques and multipurpose utilization of Pistacia chinensis Bunge[J]. Nonwood Forest Research, 2005, 23(3): 72−75.
[6] 秦飞, 郭同斌, 刘忠刚, 等. 中国黄连木研究综述[J]. 经济林研究, 2007, 25(4): 90−96. Qin F, Guo T B, Liu Z G, et al. Literature review of researches on Pistacia chinensis Bunge[J]. Nonwood Forest Research, 2007, 25(4): 90−96.
[7] 马蓁, 朱玮, 尉芹. 木本油料生产生物柴油研究[J]. 西北林学院学报, 2007, 22(6): 125−130. Ma Z, Zhu W, Wei Q. Advances in the researches of biodiesel from woody oil-bearing plants[J]. Journal of Northwest Forestry University, 2007, 22(6): 125−130.
[8] 王涛. 中国主要生物质燃料油木本能源植物资源概况与展望[J]. 科技导报, 2005, 23(5): 12−14. Wang T. A survey of the woody plant resources for biomass fuel oil in China[J]. Science & Technology Review, 2005, 23(5): 12−14.
[9] 白倩. 中国黄连木性别表现分子机制的研究[D]. 北京: 北京林业大学, 2019. Bai Q. Sthdy on molecular mechanism of sex expression of Pistacia chinensis Bunge[D]. Beijing: Beijing Foresty University, 2019.
[10] 吴志庄. 木本能源植物黄连木单株选择、类型划分与群落调查研究[D]. 北京: 中国林业科学研究院, 2008. Wu Z Z. Study on individual selection, type classification and community investigation of woody energy plant Pistacia chinensis Bunge[D]. Beijing: Chinese Academy of Forestry Sciences, 2008.
[11] 刘新, 梁博, 徐昌建, 等. 滕州市黄连木优良单株选择[J]. 山东林业科技, 2007(3): 30−31. Liu X, Liang B, Xu C J, et al. Superior individual selection of Pistacia chinensis in Tengzhou[J]. Shandong Forestry Science and Technology, 2007(3): 30−31.
[12] 曾列先, 陈深, 杨健源, 等. 国际水稻白叶枯病圃种质资源在华南的抗性评价和利用[J]. 植物遗传资源学报, 2013, 14(5): 930−935. Zeng L X, Chen S, Yang J Y, et al. The resistance evaluation and their utilization of the germplasm resources from international rice bacterial blight nursery (IRBBN) in south China[J]. Journal of Plant Genetic Resources, 2013, 14(5): 930−935.
[13] 齐国辉, 李保国, 郭素萍, 等. 黄连木优株果实品质及结实特性研究[J]. 西北林学院学报, 2012, 27(2): 70−74. Qi G H, Li B G, Guo S P, et al. Fruit quality and fruiting characteristics of superior strains of Pistacia chinensis[J]. Journal of Northwest Forestry University, 2012, 27(2): 70−74.
[14] 王立宪, 刘济铭, 徐圆圆, 等. 无患子果实经济性状与环境因子的相关性[J]. 生态学杂志, 2021, 40(2): 373−380. Wang L X, Liu J M, Xu Y Y, et al. The correlation between economic traits of soapberry fruit and environmental factors[J]. Chinese Journal of Ecology, 2021, 40(2): 373−380.
[15] 吴志庄, 尚忠海, 鲜宏利, 等. 黄连木优良类型综合评价指标体系的构建[J]. 经济林研究, 2008, 26(4): 22−25. Wu Z Z, Shang Z H, Xian H L, et al. Establishment of comprehensive evaluation index system of fine types in Pistacia chinensis Bunge[J]. Nonwood Forest Research, 2008, 26(4): 22−25.
[16] 吴志庄, 厉月桥, 汪泽军, 等. 黄连木天然群体表型变异与多样性研究[J]. 林业资源管理, 2011(4): 53−58. Wu Z Z, Li Y Q, Wang Z J, et al. Study on the phenotype diversity of woody energy plant Pistacia chinensis Bunge[J]. Forest Resources Management, 2011(4): 53−58.
[17] 吴志庄, 王学勇, 汪泽军. 黄连木优树子代苗期测定与初步选择[J]. 福建林学院学报, 2008, 28(3): 348−352. Wu Z Z, Wang X Y, Wang Z J. Preliminary selection and seeding testing of plus trees progeny of Pisticia chinensis[J]. Journal of Fujian College of Forestry, 2008, 28(3): 348−352.
[18] 阮福娜. 不同性别类型黄连木的亲缘关系研究[D]. 北京: 北京林业大学, 2019. Ruan F N. Study on the genetic relationships between different gender types of Pistacia chinensis Bunge[D]. Beijing: Beijing Foresty University, 2019.
[19] 吴志庄, 厉月桥, 汪泽军, 等. 影响黄连木单株产量的因素分析[J]. 经济林研究, 2012, 30(1): 23−27. Wu Z Z, Li Y Q, Wang Z J, et al. Analysis on influence factors of individual yield in Pistacia chinensis Bunge[J]. Nonwood Forest Research, 2012, 30(1): 23−27.
[20] 吴志庄, 鲜宏利, 尚忠海, 等. 黄连木天然群体果实含油率的地理变异[J]. 林业科学, 2009, 45(5): 69−73. Wu Z Z, Xian H L, Shang Z H, et al. Analysis on geographical variation of fruit oil content of Pistacia chinensis[J]. Scientia Silvae Sinicae, 2009, 45(5): 69−73.
[21] Liu D, Wang X, Li W, et al. Genetic diversity analysis of the phenotypic traits of 215 sugar beet germplasm resources[J]. Sugar Tech, 2022, 24(6): 1790−1800. doi: 10.1007/s12355-022-01120-8
[22] Yuan L, Yun Y, Gao Z, et al. Transcription profile analysis for biosynthesis of flavor volatiles of Tunisian soft-seed pomegranate arils[J]. Food Research International, 2022, 156: 111304. doi: 10.1016/j.foodres.2022.111304
[23] 赵娣. 我国东北野生榛子种质资源调查及选优[D]. 北京: 北京林业大学, 2013. Zhao D. The research of germplasm resources and superior individual selection of wild hazelnut in north east China[D]. Beijing: Beijing Foresty University, 2013.
[24] 赵爽, 寇艳茹, 王忠, 等. 我国铁岭地区平榛优良单株选育[J]. 东北林业大学学报, 2015, 43(6): 15−21. Zhao S, Kou Y R, Wang Z, et al. superior individual selection of Corylus heterophylla for nut production in Tieling, China[J]. Journal of Northeast Forestry University, 2015, 43(6): 15−21.
-
期刊类型引用(5)
1. 罗斌，杜瑶，柳浩雨，王钦悦，李春瑜，李黎，刘红光. 定组态砂带粒度对刨花板磨削的影响. 北京林业大学学报. 2024(09): 141-150 . 
本站查看
2. 施晨阳，赖文峰，文国卫，蒋天雨，朱晓如，吕增伟，张国防. 基于Maxent模型预测水曲柳的潜在适生区. 西北林学院学报. 2022(02): 149-156 . 百度学术
3. 罗斌，张健，柳浩雨，李黎，刘红光，李昊. 木质材料磨削理论及技术研究进展. 木材科学与技术. 2022(04): 6-12 . 百度学术
4. 杜瑶，田彪，张健，刘红光，罗斌. 中密度纤维板磨削时的砂带磨损研究及寿命评判. 北京林业大学学报. 2021(10): 126-134 . 本站查看
5. 卢冬冬，杨铁牛，杨保健，叶榕伟，阳亚，杜华娜. 肉桂打磨方法优化. 农业工程. 2020(01): 73-78 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 359
- HTML全文浏览量: 111
- PDF下载量: 63
- 被引次数: 10
