Multiscale biomass modeling and carbon stock characterization of shrubs in arid and semiarid regions——a case study of the Hubq Desert
-
摘要:目的
灌丛生态系统具有独特的生物学特性，为完善干旱区碳计量体系并提升区域碳汇管理效能，本研究系统评估库布齐沙漠3种典型灌木的碳储量特征，为荒漠生态系统碳平衡核算提供支撑。
方法针对库布齐沙漠地区沙柳、柠条锦鸡儿和梭梭3种典型灌木，采用样方调查和无人机遥感影像两种方法计量区域碳储量。通过样方调查构建灌木生物量（M）与冠幅面积（C）及体积（V）的最佳预测模型；利用无人机获取灌丛覆盖度，建立生物量与覆盖度的关系模型。将模型估算的灌丛碳储量与实测的土壤、凋落物碳储量相结合，得到区域生态系统碳储量。
结果（1）沙柳（MS = 0.563C2.563，R2 = 0.710，P < 0.001）和柠条锦鸡儿（MC = 1.776C1.315，R2 = 0.873，P < 0.001）生物量主要受冠幅面积调控，而梭梭（MH = 1.694V0.952，R2 = 0.585，P < 0.001）生物量与灌木体积显著相关。（2）构建了以灌丛覆盖度为自变量的沙柳（R2 = 0.896，P < 0.001）、柠条锦鸡儿（R2 = 0.861，P < 0.05）和梭梭（R2 = 0.937，P < 0.001）生物量回归模型。（3）研究区域生态系统碳储量为50.12 ~ 59.33 t/hm2，其中土壤，灌丛及凋落物的碳储量分别为46.68 ~ 53.87 t/hm2，3.38 ~ 6.53 t/hm2，土壤，灌丛及凋落物对生态系统碳储量的平均贡献率分别为90.52%，9.48%。
结论本研究构建了3种典型灌木生物量方程，填补了最新颁布的造林碳汇方法学中荒漠灌木的计量空白，并计算出库布齐沙漠腹地灌丛的碳储量。研究成果为优化区域灌丛生态系统管理提供科学依据，进而提升灌丛在区域碳固持中的作用。
Abstract:ObjectiveShrub ecosystems possess unique biological characteristics. To improve the carbon accounting system in arid regions and enhance regional carbon sink management efficiency, this study systematically evaluated the carbon storage characteristics of three typical shrubs in the Hubq Desert, providing methodological support for carbon balance accounting in desert ecosystems.
MethodFor the three typical shrubs of Salix psammophila, Caragana korshinskii and Haloxylon ammodendron in the Hobq Desert, we used quadrat surveys and drone remote sensing imagery to quantify regional carbon storage. Sample plot survey to construct the optimal predictive model between shrub biomass (M) and crown area (C) and volume (V); and drone remote sensing to obtain shrub cover and establish the relationship model between biomass and cover. The regional ecosystem carbon storage is the sum of the model-estimated shrub carbon storage and the measured soil and litter carbon storage.
Result(1) The biomass of S. psammophila (MS = 0.563C2.563, R2 = 0.710, P < 0.001)and C. kroshinskii is most strongly correlated with crown area (MC = 1.776C1.315, R2 = 0.873, P < 0.001), while the biomass of H. ammodendron is most closely related to shrub volume (MH = 1.694V0.952, R2 = 0.585, P < 0.001). (2) Regression models for biomass based on shrub cover were established for S. psammophila (R2 = 0.896, P < 0.001), C. korshinskii (R2 = 0.861, P < 0.05), and H. ammodendron (R2 = 0.937, P < 0.001). (3) The ecosystem carbon storage ranges from 50.12 to 59.33 t/ha, the carbon storage of soil, biomass+litter were 46.68 ~ 53.87 t/ha, 3.38 ~ 6.53 t/ha, and the average contribution rates of shrub soil and biomass to ecosystem carbon storage were 90.52% and 9.48%.
ConclusionThe biomass equations for the three typical shrubs constructed in this study fill the gap of shrub species in the Chinese Certified Emission Reduction-14-001-V01 and calculate the carbon storage of shrublands in the study area. This lays the foundation for more scientifically assessing and managing the shrub ecosystems in the Hobq Desert region, thereby enhancing their role in regional carbon sequestration.
-
Keywords:
- Hobq Desert /
- shrub /
- biomass model /
- carbon stocks
-
植物是依赖于光合作用生存的光能自养型生物，而光合作用的主要场所为叶绿体。叶绿体拥有自身的遗传物质DNA[1]，其基因组较小，仅占植株总基因组的10% ~ 20%，呈双链闭环形式，一般为四分体结构[2]，包括小单拷贝区（SSC，small single copy region），大单拷贝区（LSC，large single copy region），和两个大小相等、方向相反的反向重复区（IR，inverted repeat region）。大单拷贝区和小单拷贝区被两个反向重复区在中间隔开。叶绿体是半自主细胞器，具有独立的遗传系统，作为光合作用的中心，同时进行着多种生化反应[3]。
密码子在核酸和蛋白质之间起传递的作用[4]，其偏好性会受到自然选择、基因突变、碱基组成、遗传进化、基因漂移等多种因素影响[5]。密码子偏好性可影响物种的分子进化、环境适应和基因组特征，进而影响外源基因的表达、反映物种间的进化关系，还可为引种驯化提供重要依据。通过分析密码子中碱基的使用情况，可以推断影响其使用偏好的原因。叶绿体基因组密码子对植物光合作用的机制和代谢调控具有重要意义。此前，已有研究对忍冬属（Lonicera）[6]、车轴草属（Trifolium）[7]、赖草属（Leymus）[8]、梁山慈竹（Dendrocalamus farinosus）[9]、人参（Panax ginseng）和三七（Panax notoginseng）[10]等植物的叶绿体基因组密码子偏好性进行了探讨。目前，关于油茶叶绿体基因组密码子偏好性分析的报道仅限于普通油茶（Camellia oleifera）[11]和香花油茶（Camellia osmantha）[12]，研究发现其密码子偏好性不仅受到突变作用的影响，更多地受到自然选择的作用。
油茶属于山茶科（Theaceae）山茶属（Camellia），灌木或中乔木，嫩枝有粗毛，叶革质，花顶生，蒴果球形或卵圆形，与油橄榄（Olea europaea）、油棕（Elaeis guineensis）、椰子（Cocos nucifera）并称世界四大木本油料植物[13]，与乌桕（Triadica sebifera）、油桐（Vernicia fordii）、核桃（Juglans regia）并称中国四大木本油料植物[14]。油茶不仅可提炼食用油，还可入药，茶枯还可作为农药、肥料，有提高农田蓄水能力和防治稻田害虫的功能[15]。小果油茶（Camellia meiocarpa）又称小子茶和江西子，因其种子形状与鸡心相似，故又称鸡心子[16]。其生长习性与普通油茶相似，适宜种植在亚热带季风气候的中低海拔山地、丘陵地区。越南油茶（Camellia vietnamensis）分布于中国广东南部、海南、广西靠近越南边界各县，以及越南和老挝。越南油茶是一种在中国广泛栽培的油料树种，栽培面积仅次于普通油茶和小果油茶。小果油茶和越南油茶是油茶资源中的两个重要栽培类型，其栽培面积在全国范围内位居前三，两者在植物学特性、地理分布、果实特征、栽培利用和亲缘关系等方面既存在显著差异，又具有一定的内在联系。借助基因测序、分子标记等现代生物技术手段，能够深入剖析小果油茶和越南油茶之间的遗传差异，为其遗传改良提供坚实的理论基础。通过对小果油茶与越南油茶叶绿体基因组密码子偏好性的研究，可以揭示二者在进化规律和突变方式上的特点，进而阐释这两个品种适应外界环境的分子机制。在此研究基础上，通过对目标基因密码子进行优化，能够显著提高基因的表达效率。这不仅为后续良种培育提供了理论依据，更为将小果油茶的适应性强、抗炭疽病能力强、产量稳定等优良性状与越南油茶生长速度快、种仁含油率高这一优势相结合，培育出更具市场竞争力的新品种奠定了基础。
截至目前，尚未有针对小果油茶和越南油茶这两个油茶近源物种叶绿体基因组密码子使用偏好性的对比研究报道。本研究以市场上常见的小果油茶和越南油茶为研究对象，拟通过相关软件对其叶绿体基因组密码子进行碱基组成分析、中性绘图、ENC-plot绘图、PR2-plot偏倚、最优密码子分析，构建高低表达库，揭示叶绿体基因组密码子的使用偏好性，并探讨影响其偏好性的原因，进而筛选出两物种的最优密码子。研究结果旨在为油茶基因组研究及其良种培育提供理论依据。
1. 材料与方法
1.1 序列材料
在NCBI数据库中下载小果油茶和越南油茶的叶绿体全基因组CDS序列，小果油茶[17]登陆号为NC_058881.1，共85条基因序列156 550 bp。越南油茶[18]登录号为NC_060778.1，共87条基因序列156 999 bp。为减少结果误差，将两个物种的CDS序列进行筛选，剔除重复和长度小于300 bp的序列后[19]，选择包含起始密码子（ATG）和终止密码子（TAA、TAG、TGA）的序列[20]，最终两物种以各52条CDS序列作为此次分析的基础数据，利用Origin、Excel等软件绘制相关图表[21]。
1.2 研究方法
1.2.1 密码子组成分析
运用Codon W 1.4.2软件、CUSP在线软件（http://emboss.toulouse.inra.fr/cgi-bin/emboss/cusp）、MEGA软件[22]等分析处理剔除相关序列后的CDS序列，得出氨基酸密码子组成数量、同义密码子相对使用度（relative synonymous codon usage，RSCU）、有效密码子数（effective number of codon，ENC）、密码子适应指数（codon bias index，CAI）、各碱基（A、T、G、C）在每一位置的含量以及每一位置的G + C含量。其中，A3、T3、G3、C3为基因中所有密码子第3位碱基A、T、G、C的含量；GC1、GC2、GC3分别为基因中所有密码子（除蛋氨酸、色氨酸和终止密码子外）第1位、第2位、第3位碱基G + C的含量。ENC计算公式为
ENC=2＋t＋29/(t2＋(1－t2)2) 式中：t 为密码子第3位G + C的含量（GC3）。
1.2.2 中性绘图分析
以GC3为横坐标，以 GC1 和 GC2 的均值（GC12）为纵坐标绘制散点图，图中每 1个点代表1个基因的位置，直观体现3个密码子位置之间的相关性[23]，初步判断密码子使用偏好性的影响因素[24−25]。若回归曲线斜率较低，表明基因突变对密码子偏好性的影响较小，自然选择在其中发挥了更重要的作用。
表 1 小果油茶与越南油茶叶绿体基因组中GC含量、ENC值和CAI值Table 1. GC content, ENC value and CAI value in chloroplast genes of Camellia meiocarpa and C. vietnamensis物种 A3/% T3/% G3/% C3/% GC1/% GC2/% GC3/% GCall/% ENC CAI 小果油茶 Camellia meiocarpa 39.73 36.96 27.85 23.22 45.81 38.00 28.64 37.49 48.561 0.158 越南油茶 Camellia vietnamensis 39.82 38.74 26.28 22.75 45.88 38.02 28.59 37.50 48.529 0.160 注：T3、C3、A3、G3分别代表基因组中所有密码子第3位碱基T、C、A、G的含量；GC1、GC2、GC3分别代表基因组中所有密码子（除蛋氨酸、色氨酸和终止密码子外）第1位、第2位、第3位碱基G + C的含量；GCall：基因中所有密码子第1位、第2位、第3位碱基G + C含量的平均值；ENC表示有效密码子数；CAI表示密码子适应指数。下同。 1.2.3 ENC-plot绘图分析
以GC3为横坐标，以ENC值为纵坐标使用Origin绘制散点图，并在散点图中绘制ENC值的标准曲线。ENC常被用来衡量单个基因的密码子偏好性大小，取值范围在 20 ~ 61 之间。其值越接近20，认为该基因具有强密码子偏好性，越接近61，认为该基因无密码子偏好性。
当基因ENC值在标准曲线附近时，表明基因密码子使用偏好受突变压力的影响较大；而当 ENC 值偏离标准曲线较远时，表明密码子使用模式受选择压力的影响较大[26−28]。以ENC检测值和ENC标准值两者的差值与ENC标准值的比值作为各基因有效密码子比值，并进行油茶叶绿体基因组有效密码子比值频率分布分析。
1.2.4 PR2-plot偏倚分析
以A3/（A3 + T3）为纵坐标，G3/（ G3 + C3）为横坐标绘制散点图，并画出散点图的中心点（A = T且C = G），表示基因两条互补链间不存在任何突变或自然选择上的偏倚，从中心点发出的矢量距离代表该碱基偏移的程度和方向[29]。如果密码子第 3 位碱基使用AT 的频率等于 GC 的频率，则表明基因的密码子使用偏好仅受到突变压力的影响；否则，说明自然选择或两者共同作用影响了密码子的偏好性使用[30]。
1.2.5 最优密码子分析
以ENC值作为高表达和低表达基因的参考依据，将所有基因的CDS序列按照ENC值进行排序，排序前后两端各选取5条基因序列，分别建立高、低表达组。随后计算高、低表达组的RSCU，以 RSCU > 1 的密码子为高频密码子，并计算△RSCU（高、低两组RSCU的差值），△RSCU ≥ 0.08的密码子作为高表达密码子。高频（RSCU > 1）且高表达（△RSCU ≥ 0.08）的密码子确定为油茶叶绿体基因组的最优密码子[31]。
2. 结果与分析
2.1 小果油茶和越南油茶密码子组成特征
小果油茶和越南油茶叶绿体基因组密码子中GC分布不均，均呈现GC1 > GC2 > GC3；两物种A3/T3均远大于G3/C3,表明两种油茶编码基因的密码子中碱基偏好以A/T结尾；CAI理论取值在0 ~ 1之间[32]，两物种的CAI值均小于0.17，表明小果油茶与越南油茶的适应性弱（表1）。
在小果油茶与越南油茶叶绿体基因组不同的基因中，ENC值分布在35.640 ~ 61.000之间，两物种ENC均值为48.561和48.529（表2）。ENC值可决定偏好性强弱，以35为标准，低于35为偏好性强，高于35为偏好性弱[33]。因两物种各52条叶绿体基因组序列ENC均大于35，可知两物种叶绿体基因组密码子的偏好性均比较弱。
表 2 小果油茶和越南油茶不同基因密码子的GC含量和ENC值Table 2. GC contents and ENC values of different gene codons of Camellia meiocarpa and C. vietnamensis基因 小果油茶Camellia meiocarpa 越南油茶C. vietnamensis GC1/% GC2/% GC3/% GCall/% ENC GC1/% GC2/% GC3/% GCall/% ENC rps12 51.61 48.39 27.42 44.90 55.31 52.10 50.42 29.41 45.60 45.54 ycf1 43.55 34.68 38.71 30.70 49.34 45.38 33.61 38.66 30.60 49.16 rps7 50.00 45.16 20.16 40.40 45.81 51.26 45.38 20.17 41.70 53.41 ndhB 37.10 30.65 35.48 37.40 50.52 36.97 30.25 36.13 37.00 46.46 ycf2 40.32 31.45 37.90 37.70 53.35 39.50 31.09 36.97 38.80 50.59 rpl2 45.97 42.74 30.65 45.00 57.04 38.98 43.22 25.42 39.00 41.33 psbA 48.39 45.16 31.45 43.40 55.78 47.06 45.38 31.93 43.30 55.79 matK 44.35 22.58 22.58 32.80 47.1 44.54 22.69 23.53 32.80 46.71 atpA 58.06 37.10 20.97 41.40 51.02 57.98 36.13 21.85 41.60 60.37 atpF 45.16 36.29 37.90 38.00 43.37 44.54 35.29 38.66 39.90 48.78 atpI 48.39 37.90 27.42 38.70 56.35 47.90 38.66 28.57 38.70 56.35 rps2 41.13 45.97 27.42 39.70 55.68 41.18 47.06 26.05 39.70 55.68 rpoC2 50.00 34.68 32.26 38.70 56.29 50.42 33.61 31.09 38.80 56.17 rpoC1 48.39 38.71 25.00 38.80 50.15 48.74 37.82 26.05 38.80 50.15 rpoB 41.94 31.45 24.19 39.70 56.80 42.86 31.93 23.53 39.70 56.73 psbD 45.97 48.39 30.65 43.50 54.60 45.38 48.74 31.09 43.50 54.60 psbC 57.26 43.55 35.48 44.90 53.61 57.98 42.86 36.97 43.70 43.75 rps14 43.93 49.07 29.63 42.00 50.66 43.56 47.52 31.68 42.00 50.66 psaB 56.45 45.16 28.23 42.20 48.20 57.14 45.38 26.89 42.20 48.14 psaA 50.00 43.55 37.90 43.60 52.35 49.58 44.54 37.82 43.50 52.29 ycf3 45.97 37.10 28.23 40.80 55.61 44.54 36.97 26.89 39.60 61.00 rps4 53.23 40.32 25.81 39.90 48.7 52.1 40.34 26.89 39.90 48.70 ndhJ 50.81 37.10 31.45 41.30 56.28 52.1 37.82 31.93 39.90 51.41 ndhK 40.32 49.19 22.58 38.10 58.39 40.34 49.58 21.01 36.90 47.24 ndhC 45.53 33.87 24.19 36.30 46.95 47.06 33.61 24.37 35.00 45.99 atpE 50.81 38.71 26.61 39.10 47.78 51.26 36.13 26.89 41.70 55.91 atpB 62.10 41.94 29.03 42.00 44.86 62.18 42.86 31.09 43.30 56.14 rbcL 54.84 47.58 27.42 44.20 48.16 54.62 48.74 27.73 44.20 47.96 accD 35.48 33.06 29.84 36.40 46.69 36.13 31.93 31.09 37.40 51.70 ycf4 38.71 42.74 29.03 38.00 46.79 38.66 44.54 30.25 38.00 55.97 cemA 34.68 23.39 37.10 33.50 52.34 34.45 22.69 38.66 33.50 52.34 petA 52.42 40.32 24.19 39.20 48.56 51.26 39.5 25.21 39.20 48.56 rps18 35.29 43.14 26.47 35.00 35.64 35.29 43.69 26.47 35.00 35.64 rpl20 38.98 43.22 25.42 39.00 41.33 38.98 43.22 25.42 39.00 41.33 clpP 50.81 36.29 27.42 40.60 52.48 57.14 37.82 25.21 41.80 54.64 psbB 50.81 47.58 38.71 44.20 47.41 51.26 48.74 40.34 44.00 47.14 petB 48.39 38.71 31.45 42.80 55.46 47.06 38.66 30.25 41.60 60.80 petD 48.39 40.32 30.65 39.50 44.62 51.26 36.13 26.05 41.20 44.37 rpoA 47.58 41.94 27.42 35.00 59.26 47.9 42.02 25.21 34.90 58.49 rps11 53.23 58.06 20.97 45.60 50.97 52.10 50.42 29.41 45.60 45.54 rps8 42.74 41.13 26.61 39.00 54.31 45.38 33.61 38.66 30.00 49.16 rpl14 56.10 36.59 26.02 41.70 55.31 51.26 45.38 20.17 41.70 53.41 rpl16 52.42 53.23 20.16 42.70 44.20 36.97 30.25 36.13 37.00 46.46 rps3 46.77 29.03 25.81 35.00 47.72 39.50 31.09 36.97 38.80 50.59 rpl22 43.55 38.71 22.58 36.70 57.04 52.10 57.98 20.17 45.60 50.97 ndhF 39.52 34.68 23.39 33.20 50.05 40.34 41.18 26.89 38.20 57.94 ccsA 29.84 33.87 24.19 33.80 59.41 56.30 37.82 26.05 41.70 55.31 ndhE 39.22 33.01 24.51 33.30 50.31 52.94 52.94 19.33 42.70 44.20 ndhG 41.13 33.06 25.00 33.80 61.00 46.22 27.73 26.05 34.60 44.18 ndhI 42.74 39.52 29.84 37.40 55.31 43.70 39.50 23.53 36.70 57.04 ndhA 44.35 37.10 21.77 34.00 41.23 40.34 34.45 22.69 31.70 41.66 ndhH 49.19 37.10 22.58 38.30 58.29 28.57 34.45 24.37 33.80 59.38 对小果油茶与越南油茶叶绿体基因组密码子不同位置上GC含量和ENC值进行关联性分析，结果表明：小果油茶密码子中GCall与GC1、GC2极显著相关，GC1与GC2极显著相关；越南油茶密码子中GCall与GC1、GC2极显著相关，GC1与GC2极显著相关，GC2与GC3显著相关，表明两物种叶绿体基因密码子第1、2位上的碱基组成相似（图1）。
![]()
图 1 密码子不同位置上GC占比及ENC值的关联性分析**表示极显著相关（P≤0.01），*表示显著相关（P≤0.05）。Figure 1. Correlation analysis of GC proportion and ENC value at different positions of codons将RSCU值 > 1的密码子作为高频密码子。RSCU分析（表3）显示：小果油茶有28种高频密码子，其中以U或A结尾的分别有12、13个，以G或C结尾的分别有3、0个；越南油茶有30种高频密码子，其中以U或A结尾的分别有14、13个，以G或C结尾的分别有3、0个。因此两物种密码子都偏好以A或U结尾。
表 3 小果油茶和越南油茶不同基因密码子RSCU分析Table 3. RSCU analysis of different gene codons of Camellia meiocarpa and C. vietnamensis氨基酸 小果油茶 Camellia meiocarpa 越南油茶 C. vietnamensis 密码子 数目 RSCU 密码子 数目 RSCU 苯丙氨酸 Phe UUU 795 1.17 UUU 815 1.19 UUC 553 0.83 UUC 520 0.81 亮氨酸 Leu UUA 520 1.51 UUA 535 1.59 UUG 558 1.46 UUG 493 1.44 CUU 478 1.12 CUU 439 1.11 CUC 217 0.52 CUC 214 0.54 CUA 340 0.84 CUA 314 0.86 CUG 254 0.56 CUG 230 0.47 异亮氨酸 Ile AUU 720 1.27 AUU 732 1.33 AUC 436 0.73 AUC 422 0.75 AUA 581 0.99 AUA 548 0.92 蛋氨酸 Met AUG 513 0.96 AUG 463 0.92 缬氨酸 Val GUU 367 1.32 GUU 366 1.44 GUC 172 0.75 GUC 181 0.7 GUA 336 1.21 GUA 312 1.11 GUG 204 0.71 GUG 174 0.69 丝氨酸 Ser UCU 362 1.2 UCU 405 1.04 UCC 250 0.84 UCC 264 0.85 UCA 405 1.65 UCA 422 1.49 UCG 184 0.87 UCG 200 0.81 脯氨酸 Pro CCU 230 1.06 CCU 248 1.16 CCC 146 0.85 CCC 126 0.65 CCA 239 1.19 CCA 265 1.3 CCG 143 0.91 CCG 145 0.88 苏氨酸 Thr ACU 235 1.01 ACU 233 1 ACC 169 0.8 ACC 174 0.73 ACA 297 1.41 ACA 299 1.02 ACG 133 0.79 ACG 133 0.89 丙氨酸 Ala GCU 196 1.1 GCU 233 1.17 GCC 109 0.77 GCC 117 0.99 GCA 188 1.11 GCA 192 1.04 GCG 89 0.87 GCG 76 0.79 酪氨酸 Tyr UAU 595 1.28 UAU 622 1.32 UAC 319 0.68 UAC 313 0.68 终止密码子 TER UAA 403 1.18 UAA 407 1.06 UAG 340 0.91 UAG 365 0.96 组氨酸 His CAU 288 1.26 CAU 315 1.18 CAC 154 0.66 CAC 161 0.66 谷氨酰胺 Gln CAA 446 1.31 CAA 430 1.37 CAG 249 0.69 CAG 215 0.63 天冬酰胺 Asn AAU 636 1.32 AAU 575 1.25 AAC 313 0.68 AAC 322 0.71 赖氨酸 Lys AAA 831 1.25 AAA 824 1.36 AAG 459 0.75 AAG 437 0.64 天冬氨酸 Asp GAU 447 1.31 GAU 451 1.43 GAC 166 0.66 GAC 152 0.57 谷氨酸 Glu GAA 592 1.37 GAA 612 1.33 GAG 280 0.63 GAG 277 0.67 半胱氨酸 Cys UGU 235 0.99 UGU 227 1.04 UGC 232 0.86 UGC 235 0.84 终止密码子 TER UGA 336 0.92 UGA 407 0.98 色氨酸 Trp UGG 421 0.96 UGG 428 0.94 精氨酸 Arg CGU 152 0.7 CGU 149 0.86 CGC 93 0.45 CGC 83 0.4 CGA 214 1.11 CGA 224 1.08 CGG 143 0.74 CGG 147 0.73 丝氨酸 Ser AGU 205 0.85 AGU 227 1.01 AGC 186 0.59 AGC 164 0.57 精氨酸 Arg AGA 383 1.79 AGA 406 1.69 AGG 263 1.81 AGG 251 1.34 甘氨酸 Gly GGU 237 0.9 GGU 249 0.88 GGC 164 0.54 GGC 161 0.56 GGA 333 1.16 GGA 404 1.28 GGG 300 1.33 GGG 284 1.28 注：加粗的表示高频密码子（RSCU > 1）。 2.2 中性绘图分析
中性绘图分析（图2）显示：小果油茶和越南油茶的GC12的取值范围分别为29.0% ~ 55.7%、28.6% ~ 55.0%，GC3的取值范围分别为20.1% ~ 38.7%、19.3% ~ 40.3%；小果油茶和越南油茶的回归曲线斜率分别为-0.137 86和-0.136 17，GC12与GC3呈负相关关系，基因大量分布在坐标轴对角线上方，说明两物种叶绿体基因组密码子使用偏好性受自然选择影响较大。
![]()
图 2 叶绿体基因密码子中性绘图GC12.GC1和GC2的平均值；GC3.基因中所有密码子第3位碱基G + C含量（除蛋氨酸、色氨酸和终止密码子外）。Figure 2. Codon neutrality mapping of chloroplast genes2.3 ENC-plot分析
ENC-plot分析（图3）显示：小果油茶和越南油茶基因总体分布均较为分散，较多基因距离标准曲线较远且分布于标准曲线下方，表明两物种的密码子使用偏好性受自然选择压力的影响较大。通过计算ENC比值，进一步量化ENC检测值与ENC标准值之间的差异。结果（表4）显示：−0.05 ~ 0.05区间内，小果油茶有14个基因，约占26.9%；越南油茶有18个基因，约占34.6%，这部分基因ENC检测值与ENC标准值较为接近，而小果油茶（73.1%）和越南油茶（65.4%）大部分基因ENC检测值与ENC标准值差异比较大，进一步表明两个物种的密码子使用偏好性主要受自然选择影响。
![]()
图 3 叶绿体基因密码子ENC-plot分析ENC. 有效密码子数；GC3. 基因中所有密码子第3位碱基GC含量。Figure 3. ENC-plot analysis of chloroplast gene codons表 4 ENC比值的频率分布Table 4. Frequency distribution of ENC ratios小果油茶 Camellia meiocarpa 越南油茶 C. vietnamensis 组段 组中值 组数 频率/% 组段 组中值 组数 频率/% −0.15 ~ −0.05 −0.1 2 3.8 −0.15-−0.05 −0.1 4 7.7 −0.05 ~ 0.05 0 14 26.9 −0.05-0.05 0 18 34.6 0.05 ~ 0.15 0.1 27 51.9 0.05-0.15 0.1 21 40.4 0.15 ~ 0.25 0.2 6 11.5 0.15-0.25 0.2 6 11.5 0.25 ~ 0.35 0.3 3 5.8 0.25-0.35 0.3 3 5.8 合计 52 100 合计 52 100 2.4 PR2-plot分析
PR2-plot分析结果（图4）显示：小果油茶和越南油茶的密码子基因大部分分布在右上角，密码子第3位碱基嘧啶碱（A 和 G）的使用频率高于嘌呤碱（T和C），这表明两物种密码子第3位碱基分布不均匀，可以推测自然选择影响了小果油茶和越南油茶叶绿体基因的密码子使用偏好性。
![]()
图 4 叶绿体基因密码子PR2-plot分析A3、T3、G3、C3代表基因中所有密码子第3位碱基A、T、G、C的含量。Figure 4. Analysis of codon PR2-plot of chloroplast genes2.5 最优密码子分析
在小果油茶中选择5个高表达基因（ycf4、accD、rps7、atpB、petD）和5个低表达基因（ndhG、ccsA、rpoA、ndhK、ndhH），在越南油茶中选择5个高表达基因（psbC、ndhA、rpl2、rpl20、rps18）和5个低表达基因（ycf3、petB、atpA、ndhH、rpoA）分别进行分析，构建两物种基因的高低表达库（表5）。以RSCU > 1且△RSCU ≥ 0.08为标准筛选最优密码子，其中小果油茶有23个最优密码子，分别为UUU、UUA、UUG、CUU、GUU、GUA、UCU、UCA、CCA、ACU、ACA、GCU、GCA、UAU、UAA、CAU、CAA、AAU、AAA、GAU、GAA、CGA、AGA，以U结尾的有10个，以A结尾的有12个，以G结尾的有1个，以C结尾的有0个。越南油茶有11个最优密码子，分别为UUU、AUU、GUU、UCA、CCU、ACU、GCU、UAA、CAU、AAU、UGU，以U结尾的有9个，以A结尾的有2个，以G、C结尾的有0个。小果油茶和越南油茶的最优密码子均偏好以A或U结尾，这与前面RSCU分析的结果（表3）相一致。
表 5 小果油茶和越南油茶叶绿体基因组的最优密码子分析Table 5. Optimal codons analysis in chloroplast genome of Camellia meiocarpa and C. vietnamensis氨基酸 密码子 小果油茶Camellia meiocarpa 密码子 越南油茶C. vietnamensis 高表达基因 低表达基因 △RSCU 高表达基因 低表达基因 △RSCU 数目 RSCU 数目 RSCU 数目 RSCU 数目 RSCU Phe UUU* 46 1.32 75 1.18 0.14 UUU* 75 1.28 19 1.15 0.13 UUC 26 0.68 46 0.82 −0.14 UUC 40 1.04 20 1.22 −0.18 Leu UUA*** 50 2.12 51 1.47 0.65 UUA 56 1.13 27 1.30 −0.18 UUG* 40 1.43 40 1.21 0.22 UUG 35 0.78 25 0.83 −0.05 CUU** 35 1.24 27 0.81 0.43 CUU 15 0.60 55 0.93 −0.33 CUC 11 0.32 25 0.68 −0.36 CUC 15 1.20 34 1.13 0.07 CUA 22 0.60 33 1.02 −0.42 CUA 13 0.60 59 0.87 −0.27 CUG 10 0.29 25 0.80 −0.51 CUG 8 0.40 49 1.07 −0.67 Ile AUU 60 1.46 72 1.63 −0.17 AUU* 14 1.20 31 0.98 0.22 AUC 38 0.65 26 0.59 0.06 AUC 9 0.60 48 0.95 −0.35 AUA* 46 0.89 37 0.78 0.10 AUA 3 1.00 28 1.00 0.00 Met AUG 45 1.00 45 1.00 0.00 AUG* 12 1.20 46 1.07 0.13 Val GUU* 44 1.39 29 1.23 0.15 GUU* 50 0.86 13 0.64 0.22 GUC 9 0.36 9 0.52 −0.16 GUC 19 0.79 35 0.78 0.01 GUA* 54 1.62 30 1.52 0.10 GUA 9 1.08 83 1.05 0.03 GUG 29 0.63 17 0.72 −0.10 GUG 42 1.05 13 1.03 0.02 Ser UCU* 22 1.31 10 1.14 0.17 UCU 34 1.32 11 1.37 −0.05 UCC*** 16 1.49 2 0.40 1.09 UCC 41 0.83 5 1.44 −0.61 UCA** 16 1.41 19 1.04 0.37 UCA* 32 1.01 19 0.84 0.17 UCG 9 0.51 6 0.93 −0.43 UCG** 34 1.12 6 0.66 0.46 Pro CCU 23 0.91 6 1.24 −0.33 CCU* 16 0.91 5 0.80 0.11 CCC 15 0.92 13 1.25 −0.33 CCC*** 5 2.00 23 1.01 0.99 CCA*** 18 1.31 3 0.80 0.51 CCA 4 0.80 17 0.91 −0.11 CCG 16 0.86 8 0.86 0.01 CCG 6 0.68 8 1.12 −0.44 Thr ACU*** 28 1.61 5 0.95 0.66 ACU* 5 1.13 23 1.00 0.13 ACC 9 0.32 14 1.24 −0.92 ACC 8 1.07 14 1.13 −0.06 ACA*** 36 1.87 8 0.96 0.91 ACA 3 0.80 13 1.05 −0.25 ACG 5 0.19 13 1.03 −0.84 ACG* 7 1.08 8 0.83 0.25 Ala GCU** 30 1.10 12 0.80 0.30 GCU** 22 1.13 5 0.80 0.33 GCC 18 0.94 18 1.30 −0.36 GCC 20 0.80 17 1.17 −0.37 GCA* 29 1.23 16 1.02 0.22 GCA 18 1.03 31 1.02 0.01 GCG 15 0.73 6 1.12 −0.39 GCG 21 0.93 12 1.20 −0.27 Tyr UAU** 33 1.73 48 1.33 0.40 UAU 25 0.68 15 1.09 −0.42 UAC 7 0.27 51 1.12 −0.85 UAC* 43 1.09 20 1.00 0.09 TER UAA* 15 1.44 61 1.29 0.14 UAA* 22 1.11 24 0.97 0.14 UAG 7 0.13 51 1.12 −0.99 UAG 26 0.92 15 1.04 −0.12 His CAU** 12 1.70 29 1.27 0.43 CAU* 36 1.13 80 0.87 0.27 CAC 4 0.30 12 0.73 −0.43 CAC*** 14 1.25 19 0.69 0.55 Gln CAA** 33 1.59 47 1.27 0.32 CAA 9 0.90 31 0.91 −0.01 CAG 14 0.41 29 0.73 −0.32 CAG 19 0.87 43 1.13 −0.27 Asn AAU* 41 1.55 38 1.34 0.21 AAU* 15 1.20 62 1.03 0.17 AAC 17 0.45 18 0.66 −0.21 AAC* 18 1.11 43 1.01 0.11 Lys AAA** 67 1.53 45 1.22 0.32 AAA 9 0.89 33 0.99 −0.11 AAG 20 0.47 27 0.78 −0.32 AAG 1 0.60 35 0.98 −0.38 Asp GAU** 32 1.80 14 1.40 0.40 GAU 21 0.77 17 1.11 −0.34 GAC 8 0.20 9 0.60 −0.40 GAC* 40 1.12 33 1.03 0.10 Glu GAA* 51 1.44 27 1.16 0.28 GAA 28 0.98 45 1.03 −0.04 GAG 16 0.56 25 0.84 −0.28 GAG 16 0.83 18 0.89 −0.06 Cys UGU*** 8 1.22 6 0.69 0.53 UGU*** 30 1.66 6 0.67 0.99 UGC 4 0.38 10 1.31 −0.93 UGC 59 1.19 12 1.22 −0.03 TER UGA*** 15 1.44 25 0.58 0.85 UGA 20 0.72 27 1.10 −0.37 Trp UGG 21 0.80 29 1.00 −0.20 UGG 11 0.53 7 0.65 −0.12 Arg CGU*** 26 2.05 3 0.44 1.61 CGU** 32 1.44 19 1.03 0.42 CGC 4 0.22 8 0.92 −0.70 CGC 3 0.43 28 1.53 −1.10 CGA** 20 1.48 8 1.06 0.41 CGA 6 1.03 18 1.03 0.00 CGG 2 0.10 10 1.13 −1.03 CGG 19 1.11 8 1.04 0.07 Ser AGU** 15 0.98 8 0.52 0.46 AGU 7 0.80 30 0.94 −0.14 AGC 6 0.30 9 0.74 −0.43 AGC 16 1.24 11 1.17 0.08 Arg AGA* 27 1.74 10 1.53 0.21 AGA 4 0.87 11 0.91 −0.04 AGG 7 0.42 8 0.92 −0.50 AGG 3 0.21 22 0.99 −0.77 Gly GGU*** 43 1.54 10 0.95 0.59 GGU 11 0.66 16 0.88 −0.23 GGC 5 0.21 7 0.46 −0.25 GGC* 29 0.87 18 0.73 0.14 GGA 33 1.22 16 1.18 0.04 GGA 23 0.55 29 0.75 −0.20 GGG 28 1.03 3.8 1.41 −0.37 GGG 25 1.20 22 1.29 −0.09 注：*表示0.08 ≤ △RSCU < 0.3，**表示0.3 ≤ △RSCU < 0.5，***表示△RSCU ≥ 0.5，加粗表示最优密码子。 3. 讨 论
叶绿体基因组具有母系遗传的特点，即遗传信息通过母本传递给后代，其序列信息可以揭示物种的起源、进化和亲缘关系，具有进化速率慢、序列较为保守、易受到选择压力影响等特性[34]。叶绿体基因组的密码子偏好性可能受到自然选择、基因突变和基因表达水平等多种因素的影响[35]，研究叶绿体基因组的密码子偏好性不仅有助于深入了解植物的遗传特性和进化历程，还能提高基因表达效率，推动基因工程研究与应用，揭示植物适应性与环境响应机制，促进植物资源保护与利用[36]，以及拓展生物信息学应用，对植物科学研究和农业生产实践具有重要意义。
研究叶绿体基因组密码子偏好性的过程中，最直观体现偏好性的是密码子使用的频率和碱基的分布，GC3常用于衡量密码子偏好性[37]。本研究小果油茶与越南油茶的GC3含量为28.64%和28.59%，该结果与普通核桃（Juglans regia）、深纹核桃（Juglans sigillate）[31]等相近。前人研究[38−40]表明，单子叶植物偏好G/C结尾，双子叶植物偏好A/T（U）结尾，小果油茶与越南油茶的研究结果符合双子叶植物的这一特性，由此推出，同类物种在进化的过程中遵循着相似的规律。中性绘图结果表明，小果油茶与越南油茶的回归系数分别为−
0.13786 和−0.13617 ，接近于0，表明两物种的密码子偏好性更多受到自然选择的影响，该结果与王鹏良等[11]在普通油茶和郝丙青等[12]在香花油茶中的相关结果一致，这一结果也证实了叶绿体基因组具有进化速率慢、序列较为保守、易受到选择压力影响的特性。结合ENC-plot与PR2-plot分析的结果同样发现，小果油茶与越南油茶叶绿体基因偏好性主要受自然选择的影响，该结果与北沙参（Glehnia littoralis）[41]、葫芦巴（Trigonella foenum-graecum）[42]、甜高粱（Sorghum bicolor）[43]的研究结果一致，与大部分双子叶植物的研究结果保持一致。近年来，国家重视粮油安全，大力发展木本油料作物，油茶作为明星树种，得以大力推广，但油茶病害、虫害日益严重。因此，培育抗病良种有益于油茶提质增产，研究油茶叶绿体基因组可为培育抗病良种助力，进而提高油茶抗逆性。本文对小果油茶和越南油茶叶绿体基因组密码子偏好性进行分析，发现两个物种在碱基组成分析、中性绘图、ENC-plot分析、PR2-plot分析和相关性分析等方面都呈现出极强的相似性，也进一步说明小果油茶与越南油茶存在一定的亲缘关系。该研究结果为未来实现小果油茶与越南油茶优良性状的结合提供了理论依据，通过优化目标基因的密码子，可显著提升基因表达效率，从而为培育更具市场竞争力的优良油茶品种奠定坚实基础。鉴于资源和研究时间的限制，本文聚焦于叶绿体基因组这一关键领域，进行了深入的分析与研究。此外，叶绿体基因组的母系遗传特性使其在某些育种策略中具有独特的优势。通过研究叶绿体基因组的密码子偏好性，能够更深入地挖掘这一特性在育种中的应用潜力。与此同时，植物细胞核基因组在育种过程中也起着至关重要的作用。在未来的研究中，我们将对叶绿体基因组和核基因组展开综合分析，以获取更全面且深入的遗传信息，为育种研究提供更有力的支持。
4. 结 论
小果油茶和越南油茶叶绿体基因组密码子碱基使用偏好性不强，其偏好性主要受到自然选择的影响。本研究在小果油茶中筛选到23个最优密码子，越南油茶中有11个最优密码子。研究成果为进一步探索油茶基因组研究和良种培育提供了坚实的理论依据和数据支撑。
-
![]()
图 3 灌木生物量与形态学指标相关性Mantel检验结果
MS、HS、CS和VS分别为沙柳的生物量、株高、冠幅面积和体积；MC、HC、CC和VC分别为柠条锦鸡儿的生物量、株高、冠幅面积和体积；MH、HH、CH和VH分别为梭梭的生物量、株高、冠幅面积和体积。
Figure 3. The Mantel test result for the correlation between shrub biomass and morphological indicators
![]()
图 4 灌木生物量模型建立与精度检验
n为样本量；虚线为1∶1验证线。
Figure 4. Shrub biomass regression models and precision estimation
![]()
图 5 凋落物、土壤、灌木和生态系统的碳储量
不同小写字母表示不同物种间碳储量差异显著（P < 0.05）。
Figure 5. Litter, soil, shrubs and ecosystem carbon stocks
表 1 灌木生长基本特征
Table 1 Basic information of shrubs characteristics
灌丛类型 项目 样方数量 每公顷灌木株数 灌木形态学指标 株高/m 南北冠幅/m 东西冠幅/m 冠幅面积/m2 体积/m3 沙柳
Salix psammophila最大值 15 1 622 3.26 5.10 4.80 15.21 47.16 最小值 677 0.84 0.50 0.50 0.28 0.28 平均值 1 011 2.11 2.06 2.09 3.37 7.11 标准差 92 0.53 0.73 0.81 1.13 1.07 柠条锦鸡儿
Caragana kroshinskii最大值 10 2 488 2.10 2.60 2.60 5.31 9.66 最小值 1 111 0.33 0.30 0.20 0.81 0.23 平均值 2 075 1.27 1.56 1.50 1.83 2.32 标准差 124 0.36 0.43 0.43 0.26 0.39 梭梭
Haloxylon ammodendron最大值 15 1 611 4.63 3.30 3.50 9.63 35.58 最小值 822 1.00 0.40 0.40 0.16 0.16 平均值 1 505 1.88 2.28 2.39 3.49 6.56 标准差 148 0.37 0.44 0.43 0.83 0.53 
下载: 导出CSV
表 2 灌木生物量与形态学指标的回归分析结果
Table 2 Results of regression analysis between shrub biomass and morphological indicators
回归方程 沙柳 柠条锦鸡儿 梭梭 R2 P R2 P R2 P y=β0+β1x 0.631 < 0.001 0.666 < 0.001 0.574 < 0.001 y=β0+β1ln x 0.541 < 0.001 0.497 0.005 0.528 < 0.001 y=β0+β1x+β2x2 0.651 < 0.001 0.793 < 0.001 0.578 < 0.001 y=β0βx1 0.636 < 0.001 0.797 < 0.001 0.491 < 0.001 y=β0xβ1 0.710 < 0.001 0.873 < 0.001 0.585 < 0.001 注：x为自变量因子，沙柳和柠条锦鸡儿的x为冠幅面积，梭梭的x为体积。y为生物量。β0、β1、β2为模型参数。
下载: 导出CSV
-
[1] Nabuurs G J, Thürig E, Heidema N, et al. Hotspots of the European forests carbon cycle[J]. Forest Ecology and Management, 2008, 256(3): 194−200. doi: 10.1016/j.foreco.2008.04.009
[2] Brown S, Swingland I R, Hanbury T R, et al. Changes in the use and management of forests for abating carbon emissions: issues and challenges under the Kyoto Protocol[J]. Philosophical Transactions of the Royal Society A, 2002: 1021.
[3] 北京林业大学, 北京中创碳投科技有限公司, 中国林业科学研究院, 等. 林业碳汇项目审定和核证指南: GB/T 41198—2021[S]. 北京: 国家林草局, 2021. Beijing Forestry University, SinoCarbon, Chinese Academy of Forestry, et al. Guidelines for validation and verification of forestry carbon projects: GB/T 41198−2021[S]. Beijing: National Forestry and Grassland Administration, 2021.
[4] Zhang Z T, Wang K, Li G L, et al. Beyond shrub dieback: understory plant diversity, soil water and soil carbon storage were improved in a semi-arid region[J]. Forest Ecology and Management, 2023, 545: 121267. doi: 10.1016/j.foreco.2023.121267
[5] 卜文圣, 马耀华, 刘虹冰, 等. 菌根类型和树种耐荫性对宿存枯枝碳储量的影响[J]. 北京林业大学学报, 2022, 44(10): 85−92. doi: 10.12171/j.1000-1522.20220350 Bu W S, Ma Y H, Liu H B, et al. Effects of mycorrhizal types and shade tolerance of tree species on carbon storage of standing dead branches[J]. Journal of Beijing Forestry University, 2022, 44(10): 85−92. doi: 10.12171/j.1000-1522.20220350
[6] 刘庆超, 郭月峰, 祁伟, 等. 平茬对中间锦鸡儿叶形态及叶组织化学性状的影响[J]. 内蒙古林业科技, 2023, 49(4): 34−40. doi: 10.3969/j.issn.1007-4066.2023.04.008 Liu Q C, Guo Y F, Qi W, et al. Effects of stumping on leaf morphology and leaf histochemical traits of Caragana intermedia[J]. Journal of Inner Mongolia Forestry Science and Technology, 2023, 49(4): 34−40. doi: 10.3969/j.issn.1007-4066.2023.04.008
[7] 格日乐, 额尔敦花, 宋想斌, 等. 6种水土保持植物枝条的数量特征[J]. 中国水土保持科学, 2012, 10(6): 71−76. doi: 10.3969/j.issn.1672-3007.2012.06.012 Ge Rile, Er Dunhua, Song X B, et al. Branch quantity characteristic of six kinds of soil and water conservation plants[J]. Science of Soil and Water Conservation, 2012, 10(6): 71−76. doi: 10.3969/j.issn.1672-3007.2012.06.012
[8] Nandal A, Yadav S S, Rao A S, et al. Advance methodological approaches for carbon stock estimation in forest ecosystems[J]. Environmental Monitoring and Assessment, 2023, 195(2): 315−347. doi: 10.1007/s10661-022-10898-9
[9] Chen W, Zhao J, Cao C X , et al. Shrub biomass estimation in semi-arid sandland ecosystem based on remote sensing technology[J]. Global Ecology and Conservation, 2018, 16: e00479.
[10] 生态环境部办公厅. 关于印发《温室气体自愿减排项目方法学 造林碳汇(CCER-14-001-V01)》等4项方法学的通知[EB/OL]. (2023−10−24) [2023−12−27]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk06/202310/t20231024_1043877.html. Notice on the issuance of methodologies for voluntary greenhouse gas reduction projects: afforestation carbon sink (CCER-14-001-V01) and three other methodologies [EB/OL]. (2023−10−24) [2023−12−27]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk06/202310/t20231024_1043877.html.
[11] 内蒙古自治区第三次国土调查领导小组办公室, 内蒙古自治区自然资源厅, 内蒙古自治区统计局. 内蒙古自治区第三次国土调查主要数据公报[R]. 内蒙古自治区: 内蒙古自治区自然资源厅, 2021. Inner Mongolia Autonomous Region Third National Land Survey Leading Group Office, Inner Mongolia Autonomous Region Natural Resources Department, Inner Mongolia Autonomous Region Bureau of Statistics. The Main Data Bulletin of the Third National Land Survey of Inner Mongolia Autonomous Region[R]. Inner Mongolia Autonomous Region: Inner Mongolia Autonomous Region Natural Resources Department, 2021.
[12] 王凌菲, 徐霞, 江红蕾, 等. 内蒙古温带典型草原围封十年草灌景观格局动态[J]. 生态学报, 2020, 40(7): 2234−2241. Wang L F, Xu X, Jiang H L, et al. The dynamics of landscape pattern within a ten-year exclosure in temperate typical grassland in Inner Mongolia[J]. Acta Ecologica Sinica, 2020, 40(7): 2234−2241.
[13] 陈丽茹, 李秧秧. 沙柳和柠条茎水力学特性对模拟降雨改变的响应[J]. 应用生态学报, 2018, 29(2): 507−514. Chen L R, Li Y Y. Responses of stem hydraulic traits in Salix psammophila and Caragana korshinskii to manipulated precipitation variation[J]. The Journal of Applied Ecology, 2018, 29(2): 507−514.
[14] Gao X, Zhao X, L H, et al. Exotic shrub species (Caragana korshinskii) is more resistant to extreme natural drought than native species (Artemisia gmelinii) in a semiarid revegetated ecosystem[J]. Agricultural and Forest Meteorology, 2018, 263: 207−216. doi: 10.1016/j.agrformet.2018.08.029
[15] 马沈轲, 王春梅, 赵春林, 等. 西北干旱半干旱地区节水增汇植物种类筛选[J]. 北京林业大学学报, 2024, 46(8): 122−131. doi: 10.12171/j.1000-1522.20240041 Ma S K, Wang C M, Zhao C L, et al. Screening of water-saving and sink-enhancing plant species in arid and semi-arid regions of Northwest China[J]. Journal of Beijing Forestry University, 2024, 46(8): 122−131. doi: 10.12171/j.1000-1522.20240041
[16] Yang F, Lv G H. Metabolomic analysis of the response of Haloxylon ammodendron and Haloxylon persicum to drought[J]. International Journal of Molecular Sciences, 2023, 24(10): 9099. doi: 10.3390/ijms24109099
[17] Gao Y, Wang S Y, Chen L Y, et al. Achieving accurate regional carbon-sink accounting and its significance for “missing” carbon sinks[J]. The Innovation, 2024, 5(1): 100552.
[18] 国家发展改革委应对气候变化司. 《省级温室气体清单编制指南(试行)》[R]. 国家发展改革委, 2011. National Development and Reform Commission, Department of Climate Change. Provincial greenhouse gas inventory guidelines (Trial)[R]. National Development and Reform Commission, 2011.
[19] Abdullah M M, Al-Ali Z M, Abdullah M T, et al. Investigating the applicability of UAVs in characterizing desert shrub biomass and developing biological indicators for the selection of suitable revegetation sites[J]. Journal of Environmental Management, 2021, 288: 112416.
[20] 李玉凤, 郭飞, 莫燕华, 等. 两种密度马尾松人工林生态系统碳储量及其分配特征[J]. 广西林业科学, 2024, 53(5): 577−584. Li Y F, Guo F, Mo Y H, et al. Carbon storages and distribution characteristics of Pinus massoniana plantation ecosystems with two densities[J]. Guangxi Forestry Science, 2024, 53(5): 577−584.
[21] 于欢, 魏天兴, 陈宇轩, 等. 黄土丘陵区典型人工林土壤有机碳储量的分布特征[J]. 北京林业大学学报, 2023, 45(12): 100−107. doi: 10.12171/j.1000-1522.20230097 Yu H, Wei T X, Chen Y X, et al. Distribution characteristics of soil organic carbon stocks in typical plantations in loess hilly region of northwestern China[J]. Journal of Beijing Forestry University, 2023, 45(12): 100−107. doi: 10.12171/j.1000-1522.20230097
[22] Cheng F, Ou G, Wang M, et al. Remote sensing estimation of forest carbon stock based on machine Learning algorithms[J]. Forests, 2024, 15(4): 681. doi: 10.3390/f15040681
[23] 侯正清, 颜安, 谢开云, 等. 基于多特征融合的无人机天山假狼毒地上生物量估算[J]. 新疆农业科学, 2024, 61(10): 2527−2536. doi: 10.6048/j.issn.1001-4330.2024.010.020 Hou Z Q, Yan A, Xie K Y, et al. Estimation of above ground biomass of drone Diarthron tianschanicum based on multi feature fusion[J]. Xinjiang Agricultural Sciences, 2024, 61(10): 2527−2536. doi: 10.6048/j.issn.1001-4330.2024.010.020
[24] Lu N, Zhou J, Han Z X, et al. Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system[J]. Plant Methods, 2019, 15: 1−16. doi: 10.1186/s13007-018-0385-5
[25] Bispo P C, Pedro R, Zimbres B, et al. Woody aboveground biomass mapping of the Brazilian savanna with a multi-sensor and machine learning approach[J]. Remote Sensing, 2020, 12(17): 2685. doi: 10.3390/rs12172685
[26] Silva J P M, Da Silva M L M, Da Silva E F, et al. Computational techniques applied to volume and biomass estimation of trees in Brazilian savanna[J]. Journal of Environmental Management, 2019, 249: 109368. doi: 10.1016/j.jenvman.2019.109368
[27] Al-Ali Z M, Abdullah M M, Asadalla N B, et al. A comparative study of remote sensing classification methods for monitoring and assessing desert vegetation using a UAV-based multispectral sensor[J]. Environmental Monitoring Assessment, 2020, 192(6): 389. doi: 10.1007/s10661-020-08330-1
[28] Niu X M, Chen B J, Sun W W, et al. Estimation of coastal wetland vegetation aboveground biomass by integrating UAV and satellite remote sensing data[J]. Remote Sensing, 2024, 16(15): 2760. doi: 10.3390/rs16152760
[29] 陈哲, 王浩, 王金洲等. 基于物候相机归一化植被指数估算高寒草地植物地上生物量的季节动态[J]. 植物生态学报, 2021, 45(5): 487−495. doi: 10.17521/cjpe.2020.0076 Chen Z, Wang H, Wang J Z, et al. Estimation on seasonal dynamics of alpine grassland aboveground biomass using phenology camera-derived NDVI[J]. Chinese Journal of Plant Ecology, 2021, 45(5): 487−495. doi: 10.17521/cjpe.2020.0076
[30] Liu M, Li D D, Hu J, et al. Altitudinal pattern of shrub biomass allocation in Southwest China[J]. Plos One, 2020, 15(10): e0240861. doi: 10.1371/journal.pone.0240861
[31] Ma X Z, Wang X P. Biomass partitioning and allometric relations of the Reaumuria soongorica shrub in Alxa steppe desert in NW China[J]. Forest Ecology and Management, 2020, 468: 118178. doi: 10.1016/j.foreco.2020.118178
[32] Cairns M A, Brown S, Helmer E H, et al. Root biomass allocation in the world’s up land forests[J]. Oecologia, 1997, 111: 1−11. doi: 10.1007/s004420050201
[33] Ye J Z, Chao Y, Hu Y F, et al. Spatial patterns of global-scale forest root-shoot ratio and their controlling factors[J]. Science of the Total Environment, 2021, 800: 149251. doi: 10.1016/j.scitotenv.2021.149251
[34] Wang L M, Li L H, Chen X, et al. Biomass allocation patterns across China's terrestrial biomes[J]. Plos One, 2014, 9(4): e93566. doi: 10.1371/journal.pone.0093566
[35] Yang X P, Steven F, Hu F G, et al. Initial insights into the age and origin of the Kubuqi sand sea of northern China[J]. Geomorphology, 2016, 259: 30−39.
计量
- 文章访问数: 39
- HTML全文浏览量: 11
- PDF下载量: 15
