Modeling and parameter optimization of net primary productivity in the Korean pine-broadleaved forests of northeast China
-
摘要:目的
本研究旨在通过优化生物地球化学循环模型（Biome-BGC）的参数估计，提高东北阔叶红松林净初级生产力（NPP）的模拟精度，并探讨关键敏感参数对NPP的影响机制。
方法以中国东北阔叶红松林为研究对象，基于中分辨率成像光谱仪获取的叶面积指数数据，结合参数估计模型（PEST），对Biome-BGC模型中针叶树和阔叶树的28个生理生态参数进行优化，并评估参数敏感性。通过对比优化前后的模拟结果，使用线性回归模型评价NPP模拟精度的变化；同时，运用结构方程模型量化高敏感性参数（敏感性指数 > 0.2）对模拟NPP的影响路径。
结果（1）参数优化后，模拟NPP的拟合优度显著提高（p < 0.01），决定系数由0.15提升到0.31，均方根误差降低了59%。（2）针叶树和阔叶树共有的高敏感性参数包括：植物受火灾影响的年死亡率、最大气孔导度、边界层导度和二磷酸核酮糖羧化酶（Rubisco）中的叶氮含量。（3）结构方程模型的结果显示，Rubisco中的叶氮含量和最大气孔导度是影响模拟NPP的主要参数，分别通过羧化限制作用和二氧化碳扩散限制调控光合能力。然而，气孔导度的调控作用易受环境条件影响，可能对光合作用产生促进或抑制作用。
结论在Biome-BGC模型的参数优化过程中，结合观测数据与PEST模型，重点关注Rubisco中的叶氮含量和最大气孔导度等关键参数，可显著提升NPP模拟的精度和效率。本研究为东北阔叶红松林生态系统碳循环模拟和植被参数研究提供了理论依据和方法支持。
-
关键词:
- 净初级生产力 /
- Biome-BGC模型 /
- PEST模型 /
- 参数优化 /
- 阔叶红松林
Abstract:ObjectiveThis study aims to enhance the accuracy of Net Primary Productivity (NPP) simulations by optimizing parameter estimation in the Biome-BGC model. It also seeks to analyze the pathways through which key sensitive parameters influence NPP.
MethodThe research focuses on the Korean pine-broadleaved forests in northeastern China. In the Biome-BGC model, 28 physiological and ecological parameters for conifers and broadleaved trees were optimized separately using the Parameter Estimation System (PEST), based on leaf area index data obtained from the Moderate-resolution Imaging Spectroradiometer (MODIS). A sensitivity analysis was conducted to identify parameters with sensitivity indices above 0.2. Simulation accuracy before and after optimization was evaluated using linear regression models. Additionally, structural equation models were employed to quantify the response of NPP to changes in highly sensitive parameters (sensitivity index > 0.2).
Result(1) Parameter optimization significantly improved the goodness of fit for NPP simulations (p < 0.01), with the coefficient of determination (R2) increasing from 0.15 to 0.31 and the root mean squared error (RMSE) decreasing by 59%. (2) The highly sensitive parameters shared by conifers and broadleaf trees include four key parameters: the annual fire mortality fraction, maximum stomatal conductance, boundary layer conductance, and the fraction of leaf nitrogen content in Rubisco. (3) Structural equation modeling indicated that leaf nitrogen content in Rubisco and maximum stomatal conductance are key parameters affecting simulated NPP. These parameters regulate photosynthetic capacity through carboxylation limitation and carbon dioxide diffusion. However, the regulatory effect of stomatal conductance on photosynthesis may vary with environmental conditions, potentially promoting or inhibiting photosynthetic activity.
ConclusionIntegrating observational data with the PEST system, while focusing on critical parameters such as leaf nitrogen content in Rubisco and maximum stomatal conductance, can significantly improve the accuracy and efficiency of NPP simulations in the Biome-BGC model. This study provides a theoretical foundation and methodological support for vegetation parameterization and carbon cycle simulations in the Korean pine-broadleaved forest ecosystems in northeastern China.
-
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 1 相关系数和目标函数值的对数变化趋势
Figure 1. The trend of the logarithm of the objective function and correlation coefficient
![]()
图 2 净初级生产力和叶面积指数优化前和优化后模拟值与遥感值的回归分析
Figure 2. Regression analysis of simulated and remote sensing values of net primary productivity (NPP) and leaf area index (LAI) before and after optimization
![]()
图 3 被优化参数的敏感性分析
实线表示敏感性指数为0.2，虚线表示敏感性指数为0.1，误差条表示每个敏感性指数的均值和标准误。
Figure 3. Sensitivity analysis of the optimized parameters
![]()
图 4 被优化参数的不确定性分析
参数的不确定性大小用条形表示。
Figure 4. Uncertainty analysis of the optimized parameters
![]()
图 5 各敏感性参数对净初级生产力影响的结构方程模型
方框内的变量为内生变量和外生变量，并给出了内生变量的R2值。变量间的关系用线条表示，数字标注了标准化的路径系数。线条的方向代表变量间的因果关系，线条的粗细代表路径系数的大小。实线和虚线分别表示正效应和负效应。黑色线条表示路径显著（p < 0.05），灰色线条表示路径不显著（p > 0.05）。
Figure 5. Structural equation modeling (SEM) analysis of the impact of parameters on net primary productivity (NPP)
![]()
图 6 各敏感性参数对叶面积指数影响的结构方程模型
方框内的变量为内生变量和外生变量，并给出了内生变量的R2值。变量间的关系用线条表示，数字标注了标准化的路径系数。线条的方向代表变量间的因果关系，线条的粗细代表路径系数的大小。实线和虚线分别表示正效应和负效应。黑色线条表示路径显著（p < 0.05），灰色线条表示路径不显著（p > 0.05）。The variables inside the boxes represent endogenous and exogenous variables, and the R² values of the endogenous variables are provided. Relationships between the variables are indicated by lines, with numbers showing the standardized path coefficients. The direction of the lines represents causal relationships between variables, and the thickness of the lines reflects the magnitude of the path coefficients. Solid and dashed lines indicate positive and negative effects, respectively. Black lines represent significant paths （p < 0.05）, while gray lines indicate non-significant paths （p > 0.05）
Figure 6. Structural equation modeling (SEM) analysis of the impact of parameters on leaf area index (LAI)
表 1 阔叶红松林样地基本概况
Table 1 Basic characteristics of Korean pine-broadleaved forests
样地编号 纬度 海拔/ m 土壤颗粒组成/ % 反照率 土壤有效
深度/ m大气氮沉降速率/
（kg·m−2·a−1）生物固氮量/
（kg·m−2·a−1）林分密度/
（株·hm−2）平均胸径/cm 郁闭度 砂粒 粉粒 黏粒 样地1 43°57′44″′N 453 34 40 26 0.2 1 0.000 2 0.000 6 1 352 14.60 ± 0.45 0.9 样地2 43°57′44″N 443 34 40 26 0.2 1 0.000 2 0.000 6 1 681 14.90 ± 0.37 0.9 样地3 43°58′04″′N 430 34 40 26 0.2 1 0.000 2 0.000 6 2 209 14.25 ± 0.40 0.9 样地4 43°58′23″N 497 34 40 26 0.2 1 0.000 2 0.000 6 2 358 13.93 ± 0.33 0.9 
下载: 导出CSV
表 2 常绿针叶林和落叶阔叶林的最优参数
Table 2 The optimal parameters of the evergreen needle forest and deciduous broadleaf forest
缩写名 参数 常绿针叶林 落叶阔叶林 基准值 取值范围 优化值 基准值 取值范围 优化值 TGF 生长转化期占生长季天数比例 0.3 [0.24, 0.36] 0.3 0.2 [0.16, 0.24] 0.2 LTF 凋落期占生长季天数比例 0.3 [0.24, 0.36] 0.3 0.2 [0.16, 0.24] 0.2 ALFTF 叶和细根生物量的年变化比 0.324 7 [0.256, 0.384] 0.25 1 [0.8, 1.2] 1 ALWTF 活木木质部生物量的年变化比 0.7 [0.56, 0.84] 0.84 0.7 [0.56, 0.84] 0.7 AWMF 整株植物的年死亡率 0.009 [0.007 2, 0.010 8] 0.010 8 0.022 8 [0.018, 0.027] 0.022 8 AFMF 植物受火灾影响的年死亡率 0.002 2 [0.001 76, 0.002 67] 0.005 0.002 2 [0.001 8, 0.002 7] 0.002 2 NFCNLC 新生细根与新生叶碳分配比 1.2 [0.96, 1.44] 1.2 0.9 [0.72, 1.08] 0.9 NSCNLC 新生茎与新生叶碳分配比 2.62 [2.1, 3.1] 3.1 2.66 [2.128, 3.192] 2.66 NLCNTC 新生活木与新生的总木质组织碳分配比 0.379 [0.303, 0.455] 0.33 0.1 [0.08, 0.12] 0.1 NCCNSC 新生粗根与新生茎碳分配比 0.3 [0.24, 0.36] 0.36 0.35 [0.28, 0.42] 0.35 CGP 植物新增生物量占植物生物量的比例 0.5 [0.4, 0.6] 0.6 0.5 [0.4, 0.6] 0.5 CNLV 叶片碳氮比 29.05 [23.24, 34.86] 28.19 18.696 [14.96, 22.44] 18.7 CNLT 叶片凋落物碳氮比 99.91 [79.9, 119.9] 119.9 33.81 [27.05, 40.57] 33.81 CNFR 细根碳氮比 49.15 [39.32, 58.98] 49.15 42.86 [34.29, 51.43] 42.86 CNLW 活木木质部碳氮比 97.43 [77.94, 116.92] 77.94 97.06 [77.65, 116.47] 97.06 CNDW 枯木木质部碳氮比 398 [318.4, 477.6] 736.03 189.3 [151.4, 227.16] 189.3 LTLAB 叶片凋落物易分解物质占比/% 0.2 0.2 0.3 0.2 LTCEL 叶片凋落物纤维素占比/% 0.48 0.48 0.5 0.48 LTLIG 叶片凋落物木质素占比/% 0.32 0.32 0.2 0.32 FRLAB 细根易分解物质占比/% 0.27 0.27 0.3 0.27 FRCEL 细根纤维素占比 /% 0.43 0.43 0.45 0.43 FRLIG 细根木质素占比/% 0.3 0.3 0.25 0.3 DWCEL 枯木纤维素占比 /% 0.71 0.71 0.76 0.71 DWLIG 枯木木质素占比/% 0.29 0.29 0.24 0.29 WIC 冠层水分截留系数 0.21 [0.168, 0.252] 0.17 0.235 [0.188, 0.282] 0.24 CLEC 冠层消光系数 0.35 [0.28, 0.42] 0.35 0.58 [0.464, 0.696] 0.58 ASPLAR 投影叶面积与全部叶面积的比 7.745 [6.196, 9.294] 4.44 4.28 [3.43, 5.14] 4.28 CASLA 冠层平均比叶面积/（m2·kg−1） 7.46 [5.97, 8.39] 15.34 26.18 [20.95, 31.42] 26.18 SSSLA 阴生叶与阳生叶的比叶面积比 2 [1.6, 2.4] 2.4 2 [1.6, 2.4] 2 FLNR 二磷酸核酮糖羧化酶中叶氮含量 0.04 [0.032, 0.048] 0.066 0.075 [0.06, 0.09] 0.075 MSC 最大气孔导度/（m·s−1） 0.006 1 [0.004 9, 0.007 4] 0.006 5 0.004 3 [0.003 4, 0.005 2] 0.004 3 CC 角质层导度/（m·s−1） 0.000 06 0.000 06 0.000 01 0.000 01 BLC 边界层导度/（m·s−1） 0.09 [0.072, 0.108] 0.09 0.01 [0.008, 0.012] 0.01 LWPstart 叶水势传导上限（气孔导度开始降低时的值）/MPa −0.65 [−0.78, −0.52] −0.78 −0.6 [−0.72, −0.48] −0.6 LWPclose 叶水势传导下限（气孔导度关闭时的值）/MPa −2.5 [−3, −2] −2.11 −2.3 [−2.76, −1.84] −2.3 VPDstart 水汽压差限制传导上限（气孔导度开始降低时的值）/Pa 610 [488, 732] 663.25 930 [744, 1 116] 930 VPDclose 水汽压差限制传导下限（气孔导度关闭时的值）/Pa 3 100 [2 480, 3 720] 3 140.49 4 100 [3 280, 4 920] 4 100 注：参数基准值和最优值分别由Biome-BGC模型和PEST模型给出，故精确位数无法一致。
下载: 导出CSV
表 3 结构方程模型中各敏感性参数对净初级生产力和叶面积指数的直接、间接和总效应
Table 3 Direct, indirect, and total effects of parameters on net primary productivity (NPP) in structural equation models
响应变量 参数 针叶树 阔叶树 直接效应 间接效应 总效应 直接效应 间接效应 总效应 净初级生产力的对数 AFMF −0.256*** 0.076* 0.283 −0.513*** 0.365*** 1.139 BLC −0.383*** 0.014 0.125 −0.036 CLEC 0.634*** FLNR 0.089* 0.159*** 0.872*** −0.209 MSC −0.179*** 0.535*** SSSLA −0.070* 0.198*** 叶面积指数 AFMF −0.110*** 0.057** 1.225 −0.151 0.482*** 1.681 BLC −0.114*** 0.004 −0.006 −0.038 CLEC 0.343*** FLNR 0.519*** 0.048*** 1.160*** −0.324** MSC −0.054 0.558*** SSSLA 0.228*** 0.305*** 注：***表示显著性水平小于0.005；**表示显著性水平小于0.01；*表示显著性水平小于0.05。
下载: 导出CSV
-
[1] Field C B, Behrenfeld M J, Randerson J T, et al. Primary production of the biosphere: integrating terrestrial and oceanic components[J]. Science, 1998, 281: 237−240. doi: 10.1126/science.281.5374.237
[2] Wu Y l, Wang X p, Ouyang S, et al. A test of BIOME-BGC with dendrochronology for forests along the altitudinal gradient of Mt. Changbai in northeast China[J]. Journal of Plant Ecology, 2017, 10(3): 415−425.
[3] Thornton P E. Description of a numerical simulation model for predicting the dynamics of energy, water, carbon, and nitrogen in a terrestrial ecosystem[D]. Missoula, MT: University of Montana, 1998.
[4] 何丽鸿, 王海燕, 雷相东. 基于BIOME-BGC模型的长白落叶松林净初级生产力模拟参数敏感性[J]. 应用生态学报, 2016, 27(2): 412−420. He L H, Wang H Y, Lei X D. Parameter sensitivity of simulating net primary productivity of Larix olgensis forest based on BIOME-BGC model[J]. Chinese Journal of Applied Ecology, 2016, 27(2): 412−420.
[5] 李旭华, 孙建新. Biome-BGC模型模拟阔叶红松林碳水通量的参数敏感性检验和不确定性分析[J]. 植物生态学报, 2018, 42(12): 1131−1144. doi: 10.17521/cjpe.2018.0231 Li X H, Sun J X. Testing parameter sensitivities and uncertainty analysis of Biome-BGC model in simulating carbon and water fluxes in broadleaved-Korean pine forests[J]. Chinese Journal of Plant Ecology, 2018, 42(12): 1131−1144. doi: 10.17521/cjpe.2018.0231
[6] 贾畅, 王丽娜, 唐亚坤. 利用Biome-BGC模型模拟黄土区沙棘人工林碳通量时的生理生态参数敏感性[J]. 林业科学, 2022, 58(11): 49−60. doi: 10.11707/j.1001-7488.20221105 Jia C, Wang L N, Tang Y K. Sensitivity analysis of ecophysiological parameters for the simulated carbon flux using the Biome-BGC model in a Hippophae rhamnoides plantation in the Loess region[J]. Scientia Silvae Sinicae, 2022, 58(11): 49−60. doi: 10.11707/j.1001-7488.20221105
[7] White M A, Thornton P E, Running S W, et al. Parameterization and sensitivity analysis of the BIOME–BGC terrestrial ecosystem model: Net primary production controls[J]. Earth interactions, 2000, 4(3): 1−85. doi: 10.1175/1087-3562(2000)004<0003:PASAOT>2.0.CO;2
[8] Hu Z M, Shi H, Cheng K L, et al. Joint structural and physiological control on the interannual variation in productivity in a temperate grassland: A data-model comparison[J]. Global Change Biology, 2018, 24(7): 2965−2979. doi: 10.1111/gcb.14274
[9] 王绪高, 吕晓涛, 郗凤明, 等. 东北陆地生态系统碳汇现状与研究展望[J]. 应用生态学报, 2024, 35(9): 2322−2337. Wang X G, Lu X T, Xi F M, et al. Current status and research prospects of terrestrial ecosystem carbon sink in Northeast China[J]. Chinese Journal of Applied Ecology, 2024, 35(9): 2322−2337.
[10] 徐崇刚, 胡远满, 常禹, 等. 生态模型的灵敏度分析[J]. 应用生态学报, 2004, 15(6): 1056−1062. doi: 10.3321/j.issn:1001-9332.2004.06.029 Xu C G, Hu Y M, Chang Y, et al. Sensitivity analysis in ecological modeling[J]. Journal of Applied Ecology, 2004, 15(6): 1056−1062. doi: 10.3321/j.issn:1001-9332.2004.06.029
[11] Ren H g, Zhang L, Yan M, et al. Sensitivity analysis of Biome-BGCMuSo for gross and net primary productivity of typical forests in China[J]. Forest Ecosystems, 2022, 9(1): 111−123.
[12] White J T, Hunt R J, Fienen M N, et al. Approaches to highly parameterized inversion: PEST + + Version 5, a software suite for parameter estimation, uncertainty analysis, management optimization and sensitivity analysis[R]. Washington, D. C. : Survey U S G, 2020.
[13] 张盈盈, 刘旻霞, 潘竟虎, 等. 甘南高寒草甸碳收支时空格局及动态模拟[J]. 生态学报, 2024, 44(13): 5542−5553. Zhang Y Y, Liu M X, Pan J H, et al. Spatial and temporal characteristics of the alpine meadow carbon budget in Gannan, China[J]. Acta Ecologica Sinica, 2024, 44(13): 5542−5553.
[14] 温永斌, 韩海荣, 程小琴, 等. 基于Biome-BGC模型的千烟洲森林水分利用效率研究[J]. 北京林业大学学报, 2019, 41(4): 69−77. Wen Y B, Han H R, Cheng X Q, et al. Forest water use efficiency in Qianyanzhou based on Biome-BGC model, Jiangxi Province of eastern China[J]. Journal of Beijing Forestry University, 2019, 41(4): 69−77.
[15] Liu Q y, Zhang T l, Du M x, et al. A better carbon-water flux simulation in multiple vegetation types by data assimilation[J]. Forest Ecosystems, 2022, 9(1): 131−45.
[16] You Y F, Wang S Y, Pan N Q, et al. Growth stage-dependent responses of carbon fixation process of alpine grasslands to climate change over the Tibetan Plateau, China[J]. Agricultural and Forest Meteorology, 2020, 291: 108085. doi: 10.1016/j.agrformet.2020.108085
[17] 岳庆敏, 何怀江, 张春雨, 等. 吉林蛟河阔叶红松林谱系多样性和功能多样性对采伐干扰的响应[J]. 生态学报, 2024, 44(19): 8617−8626. Yue Q M, He H J, Zhang C Y, et al. Response of phylogenetic and functional diversity to harvesting disturbance in the Korean pine-broadleaved forest[J]. Acta Ecologica Sinica, 2024, 44(19): 8617−8626.
[18] 于大炮, 周旺明, 包也, 等. 天保工程实施以来东北阔叶红松林的可持续经营[J]. 生态学报, 2015, 35(1): 10−7. Yu D P, Zhou W m, Bao Y, et al. Forest management of Korean pine and broadleaf mixed forest in Northeast China since the implementation of Natural Forest Protection Project[J]. Acta Ecologica Sinica, 2015, 35(1): 10−7.
[19] 吴松泽, 陈潜. 林业高质量发展与新质生产力的耦合协调关系研究[J]. 林业经济问题, 2024, 44(2): 128−135. Wu S Z, Chen Q. Research on the coupling and coordination relationship between high-quality forestry development and new productivity[J]. Issues of Forestry Economics, 2024, 44(2): 128−135.
[20] 李一哲, 张廷龙, 刘秋雨, 等. 生态过程模型敏感参数最优取值的时空异质性分析: 以BIOME-BGC模型为例[J]. 应用生态学报, 2018, 29(1): 84−92. Li Y Z, Zhang T L, Liu Q Y, et al. Temporal and spatial heterogeneity analysis of optimal value of sensitive parameters in eco- logical process model: The BIOME-BGC model as an example[J]. Journal of Applied Ecology, 2018, 29(1): 84−92.
[21] 刘晨, 张春雨, 赵秀海. 采伐干扰对吉林蛟河针阔混交林生产力稳定性的影响[J]. 林业科学, 2022, 58(3): 1−9. doi: 10.11707/j.1001-7488.20220301 Liu C, Zhang C Y, Zhao X H. Effects of disturtance by thinning on productivity stability of conifer-broadleaf mixed forest in Jiaohe, Jilin province[J]. Scientia Silvae Sinicae, 2022, 58(3): 1−9. doi: 10.11707/j.1001-7488.20220301
[22] FAO I, ISRIC I. Jrc: Harmonized world soil database (version 1.2)[Z]. FAO, Rome, Italy and IIASA, Laxenburg, Austria, 2012.
[23] Masson-Delmotte V, Zhai P, Pirani A, et al. Climate Change 2021[R]. London: Press C U, 2021.
[24] 国家气象信息中心. 中国国家级地面气象站基本气象要素日值数据集(V3.0)(1951—2010)[Z]. 时空三极环境大数据平台, 2019. National Meteorological Information Center. Daily meteorological dataset of basic meteorological elements of China National Surface Weather Station (V3.0)(1951−2010)[Z]. A Big Earth Data Platform for Three Poles, 2019.
[25] Running S W, Nemani R R, Hungerford R D. Extrapolation of synoptic meteorological data in mountainous terrain and its use for simulating forest evapotranspiration and photosynthesis[J]. Canadian Journal of Forest Research, 1987, 17(6): 472−83. doi: 10.1139/x87-081
[26] Thornton P E, Running S W. An improved algorithm for estimating incident daily solar radiation from measurements of temperature, humidity, and precipitation[J]. Agricultural and forest meteorology, 1999, 93(4): 211−28.
[27] 何怀江, 叶尔江·拜克吐尔汉, 张春雨, 等. 吉林蛟河针阔混交林12个树种生物量分配规律[J]. 北京林业大学学报, 2016, 38(4): 53−62. He H J, Yeerjiang B, Zhang C Y, et al. Biomass allocation of twelve tree species in coniferous and broad-leaved mixed forest in Jiaohe, Jilin Province, northeast China[J]. Journal of Beijing Forestry University, 2016, 38(4): 53−62.
[28] 胡乘风, 陈巧玲, 乔雪涛, 等. 阔叶红松林主要树种光合与光谱反射特性及初级生产力研究[J]. 北京林业大学学报, 2020, 42(5): 12−24. doi: 10.12171/j.1000-1522.20190364 Hu C F, Chen Q L, Qiao X T, et al. Photosynthetic, spectral reflectance characteristics and primary productivity of main tree species in broadleaved Korean pine forest[J]. Journal of Beijing Forestry University, 2020, 42(5): 12−24. doi: 10.12171/j.1000-1522.20190364
[29] 桑卫国, 李景文. 小兴安岭南坡红松林动态模拟[J]. 生态学报, 1998, 18(1): 38−47. doi: 10.3321/j.issn:1000-0933.1998.01.006 Sang W G, Li J W. Dynamics modeling of Korean pine forest in southern Lesser Xingan mountains of China[J]. Acta Ecologica Sinica, 1998, 18(1): 38−47. doi: 10.3321/j.issn:1000-0933.1998.01.006
[30] 及莹, 蔡体久. 小兴安岭原始红松林降雨截留观测及分段模拟[J]. 北京林业大学学报, 2015, 37(10): 41−49. Ji Y, Cai T J. Canopy interception in original Korean pine forest: measurement and dividual simulation in Xiaoxing'an Mountains, northeastern China[J]. Journal of Beijing Forestry University, 2015, 37(10): 41−49.
[31] Jarvis P, Leverenz J. Productivity of temperate, deciduous and evergreen forests[M]. Berlin: Springer, 1983.
[32] Turner D P, Ritts W D, Cohen W B, et al. Evaluation of MODIS NPP and GPP products across multiple biomes[J]. Remote sensing of environment, 2006, 102(3-4): 282−292.
[33] Fang M Z, Cheng C J, He N P, et al. Implication of community-level ecophysiological parameterization to modelling ecosystem productivity: a case study across nine contrasting forest sites in eastern China[J]. Journal of Forestry Research, 2024, 35(1): 7.
[34] Running S, Mu Q, Zhao M. MOD17A3H MODIS/terra net primary production yearly L4 global 500m SIN grid V006. NASA EOSDIS Land Processes DAAC[Z]. Accessed 2023-01-11 from https://doi.org/10.5067/MODIS/MOD17A3H.006, 2015. 2015.
[35] Tuck S L, Phillips H R P, Hintzen R E, et al. MODISTools–downloading and processing MODIS remotely sensed data in R, Ecol. Evol. , 4, 4658–4668[Z]. 2014.
[36] Running S W, Zhao M. User’s guide daily GPP and annual NPP (MOD17A2H/A3H) and year-end gap-filled (MOD17A2HGF/A3HGF) products NASA Earth Observing System MODIS Land Algorithm (For Collection 6)[J]. Process DAAC, 2019, 490: 1−37.
[37] Cooley R L, Naff R L. Regression modeling of ground-water flow[M]. U. S.: Geological Survey Techniques in Water-Resources Investigations, 1990.
[38] Doherty J, Johnston J M. Methodologies for calibration and predictive analysis of a watershed model 1[J]. Journal of the American Water Resources Association, 2003, 39(2): 251−65. doi: 10.1111/j.1752-1688.2003.tb04381.x
[39] 李衡, 周义朋. 基于PEST的地下水模型参数优化及不确定性分析[J]. 科学技术与工程, 2019, 19(26): 88−93. doi: 10.3969/j.issn.1671-1815.2019.26.012 Li H, Zhou Y P. Parameter optimization and uncertainty analysis of groundwater model based on PEST[J]. Science Technology and Engineering, 2019, 19(26): 88−93. doi: 10.3969/j.issn.1671-1815.2019.26.012
[40] Del Pozo A, Pérez P, Gutiérrez D, et al. Gas exchange acclimation to elevated CO2 in upper-sunlit and lower-shaded canopy leaves in relation to nitrogen acquisition and partitioning in wheat grown in field chambers[J]. Environmental and Experimental Botany, 2007, 59(3): 371−80.
[41] Dong N, Prentice I C, Wright I J, et al. Leaf nitrogen from the perspective of optimal plant function[J]. Journal of Ecology, 2022, 110(11): 2585−602.
[42] Juárez-López F J, Escudero A, Mediavilla S. Ontogenetic changes in stomatal and biochemical limitations to photosynthesis of two co-occurring Mediterranean oaks differing in leaf life span[J]. Tree Physiology, 2008, 28(3): 367−374.
[43] Meziane D, Shipley B. Direct and indirect relationships between specific leaf area, leaf nitrogen and leaf gas exchange. Effects of irradiance and nutrient supply[J]. Annals of Botany, 2001, 88(5): 915−927. doi: 10.1006/anbo.2001.1536
[44] Pearcy R W, Seemann J R. Photosynthetic induction state of leaves in a soybean canopy in relation to light regulation of ribulose-1-5-bisphosphate carboxylase and stomatal conductance[J]. Plant Physiology, 1990, 94(2): 628−633. doi: 10.1104/pp.94.2.628
[45] Pozo A, Pérez P, Gutiérrez D, et al. Gas exchange acclimation to elevated CO2 in upper-sunlit and lower-shaded canopy leaves in relation to nitrogen acquisition and partitioning in wheat grown in field chambers[J]. Environmental and Experimental Botany, 2007, 59: 371−380. doi: 10.1016/j.envexpbot.2006.04.009
[46] Hu W G, Ran J Z, Dong L W, et al. Aridity-driven shift in biodiversity–soil multifunctionality relationships[J]. Nature Communications, 2021, 12(1): 5350. doi: 10.1038/s41467-021-25641-0
[47] Mazziotta M, Pareto A. Normalization methods for spatio-temporal analysis of environmental performance: Revisiting the Min–Max method[J]. Environmetrics, 2022, 33(5): e2730. doi: 10.1002/env.2730
[48] Grace J B, Anderson T M, Olff H, et al. On the specification of structural equation models for ecological systems[J]. Ecological monographs, 2010, 80(1): 67−87. doi: 10.1890/09-0464.1
[49] Rosseel Y. lavaan: An R package for structural equation modeling[J]. Journal of statistical software, 2012, 48: 1−36.
[50] Akaike H. A new look at the statistical model identification[J]. IEEE transactions on automatic control, 1974, 19(6): 716−723. doi: 10.1109/TAC.1974.1100705
[51] Burnham K P, Anderson D R. Multimodel inference: understanding AIC and BIC in model selection[J]. Sociological methods & research, 2004, 33(2): 261−304.
[52] 樊华烨, 李英, 张廷龙, 等. 陆地植被水碳通量模型模拟与数据同化研究进展[J]. 应用生态学报, 2020, 31(6): 2098−2108. Fan H Y, Li Y, Zhang T L, et al. Research advances in model simulation and data assimilation of water and carbon fluxes in land surface vegetation[J]. Chinese Journal of Applied Ecology, 2020, 31(6): 2098−2108.
[53] 康满春. 北方典型杨树人工林能量分配与碳水通量模拟[D]. 北京: 北京林业大学, 2016. Kang M C. Energy Partitioning and Modelling of Carbon and Water Fluxes of a Poplar Plantation Ecosystem in Northern China[D]. Beijing: Beijing Forestry University, 2016.
[54] Woodrow I E, Berry J A. Enzymatic Regulation of Photosynthetic CO2, Fixation in C3 Plants[J]. Annual Review of Plant Physiology and Plant Molecular Biology, 1988, 39(1): 533−594. doi: 10.1146/annurev.pp.39.060188.002533
[55] Yin X, Lantinga E A, Schapendonk A H, et al. Some quantitative relationships between leaf area index and canopy nitrogen content and distribution[J]. Annals of Botany, 2003, 91(7): 893−903. doi: 10.1093/aob/mcg096
[56] Wang D, Maughan M W, Sun J, et al. Impact of nitrogen allocation on growth and photosynthesis of Miscanthus (Miscanthus × giganteus)[J]. Global Change Biology Bioenergy, 2012, 4(6): 688−697. doi: 10.1111/j.1757-1707.2012.01167.x
[57] Gratani L, Covone F, Larcher W. Leaf plasticity in response to light of three evergreen species of the Mediterranean maquis[J]. Trees, 2006, 20: 549−558. doi: 10.1007/s00468-006-0070-6
计量
- 文章访问数: 4
- HTML全文浏览量: 4
- PDF下载量: 0
