Clonal variation and selection for growth and branch traits in young Tectona grandis plantations
-
摘要:目的
研究柚木Tectona grandis无性系生长与分枝性状遗传变异及相关性，综合评价并筛选速生、优良枝型的柚木无性系。
方法调查位于广西凭祥市的19个5年生柚木无性系的生长和分枝性状，进行重复力估算和相关性分析，并通过主成分分析计算每个无性系的综合得分。
结果柚木无性系间树高、胸径和单株材积差异极显著(P<0.001)，变异系数28.2%~38.8%，重复力0.821~0.863；不同无性系间平均分枝角度、分枝基径和分枝长度呈极显著差异(P<0.001)，变异系数16.3%~57.9%，重复力0.497~0.817；生长和分枝性状之间存在极显著(P < 0.01)或显著(P < 0.05)相关；利用主成分得分值大小和15%的入选率，兼顾生长和分枝性状，选出了3个优良的柚木无性系(7765、6601、7703)，其综合得分大于对照，它们的树高、胸径、单株材积的平均值分别为5.68 m、6.20 cm和11.52 dm3，分别比相应均值提高了10.65%、15.39%和31.51%，选择后现实增益分别达到了9.07%、10.69%和30.20%。
结论5年生柚木无性系间生长与枝条性状存在丰富的遗传变异，有较高的改良潜力。生长和分枝性状受中等至较强的遗传控制。通过对5年生柚木无性系综合评价，选出了3个速生且分枝特性优良的柚木无性系，可作为优质柚木无性系材料在桂西南地区推广种植。
Abstract:ObjectiveThis study aims to investigate the genetic variation and correlation of the growth and branch traits of teak clones, and to comprehensively evaluate and select teak clones with rapid growth and excellent branch types.
MethodWe investigated the growth and branch traits of 19 teak clones at 5-year old located in the Pingxiang City of Guangxi, and conducted repeatability estimation and phenotype correlation analysis. The comprehensive score of each clone was calculated through principal component analysis.
ResultThere were significant differences (P<0.001) in tree height (H), diameter at breast height (DBH), and individual volume (V) among the teak clones, with coefficients of variation ranging from 28.2% to 38.8%, and repeatability ranging from 0.821 to 0.863. There were significant differences (P<0.001) in average branch angle (Ang), branch base diameter (BD), and branch length (BL) among different clones, with coefficients of variation ranging from 16.3% to 57.9%, and repeatablity ranging from 0.497 to 0.817. There were significant correlations (P<0.01 or P<0.05) between growth and branch traits. Using the principal component scores and a selection rate of 15%, three excellent teak clones (7765, 6601, 7703) were selected, with their comprehensive scores exceeding the control. Their average values for H, DBH and V were 5.68 m, 6.20 cm and 11.52 dm3 respectively, representing increases of 10.65%, 15.39% and 31.51% compared to the corresponding averages. After selection, the real gains in H, DBH and V were 9.07%, 10.69% and 30.20% respectively.
ConclusionThe growth and branch traits of 5-year-old teak clones exhibit rich genetic variation and high potential for improvement. The growth and branch traits are moderately to strongly controlled by genetic factors. Through comprehensive evaluation of the 5-year-old teak clones, three teak clones with rapid growth and excellent branch characteristics were selected. These clones can serve as high-quality genetic materials for teak clones and can be promoted in the southwest region of Guangxi.
-
Keywords:
- Tectona grandis /
- Clone /
- Branch character /
- Genetic variation /
- Comprehensive evaluation /
- Young tree stage
-
作为重要的经济作物，香蕉非常容易受病害影响，病虫害是限制香蕉种植业的主要因素之一。香蕉病害的早期发现和诊断有助于农户及时采取防控措施，减少经济损失。因此，病害的诊断是香蕉生产中的重要环节。传统的疾病监测和识别，主要依靠经验丰富的农户或专家，这种方法耗时费力，且结论存在主观性，导致生产效率较低。研究者探索了许多其他的方法来提高疾病诊断的准确性[1-2]，例如化学分析法[3]、高光谱分析法[4-6]等。但是这些方法步骤较为复杂，且设备成本较高。
随着计算机技术的飞速发展，利用图像处理技术自动识别病虫害受到越来越多的关注。尤其是进入21世纪后，基于计算机视觉和机器学习的方法[7-9]来实现病虫害诊断的研究越来越多。这些方法主要通过获取作物染病部位的图像来提取不同的疾病特征，然后建立分类器以识别疾病。最常见的方法是通过定向梯度直方图法(Histogram of gradient, HOG)[10-11]和尺度不变特征变换法(Scale invariant feature transform, SIFT)[12]来提取特征，然后再结合SVM分类器进行分类识别。近十年来，深度学习方法又逐渐替代传统机器学习方法，成为病虫害识别的主流方法。与手动提取特征的传统机器学习方法不同，深度学习网络会自动从数据集中学习更深层次的特征。国内外学者在利用深度学习诊断病虫害方面展开了大量研究与实践，并取得一定成果，尤其是卷积神经网络(Convolutional neural networks, CNN)，已应用于不同作物的病害鉴定，并取得了良好的效果[13-16]。但是，深度网络的训练耗时较长，为了改善这一问题，不少研究者采用迁移学习的方式来对网络进行训练[17-18]。现有网络的模型参数稳定，使用迁移学习的方式进行训练，时间花费较少，但是部分场景识别精度受到限制。国内外学者通过改变网络的一部分卷积层数、卷积核大小、激活函数等方法来提高识别精度，已取得初步成效[19-21]。
深度学习在植物病虫害诊断方面取得了很大的进展，但在香蕉作物中却鲜有报道。香蕉在热带、亚热带地区被广泛种植，是我国重要的经济作物之一，且香蕉极易受到枯萎病、束顶病、叶斑病等病虫害的侵袭。本文基于现有的GoogLeNet网络模型，利用迁移学习的方式对7种常见的香蕉病害数据集进行训练，构建诊断模型。将该模型进一步集成到软件系统中，该软件系统包括一个移动应用程序(APP)和一个远程服务器，用户可以通过移动终端将染病部位的图像上传至远程服务器进行在线诊断，以期实现实时、便捷的香蕉常见病害的诊断。
1. 香蕉病害诊断系统和模型训练
1.1 系统总览
本文是基于GoogLeNet深度模型架构进行香蕉病害模型的训练。训练得到的诊断模型被集成到远程服务器中，终端APP将采集的染病部位图像发送至服务器进行在线诊断，实时获取诊断结果。系统的总体结构如图1所示。
1.2 数据集获取
研究共搜集了香蕉常见的7种病害图像及健康植株的图像，共741张，图像来自蕉园现场拍摄及网络。其中枯萎病危害整株香蕉，最终呈现出整株发病的特征，数据样本多为整体或接近整体的图像，但也包含约1/5的局部样本，主要采集病害特征明显的叶片。健康类别的样本为局部和整体样本各占一半。其余病害均为局部病害，采集的样本也以局部图像为主。图2显示了香蕉常见病害及其典型症状。
1.3 数据增强
本研究的原始数据集样本数量较少、相似度较高，对模型性能会造成不利影响，尤其是深度学习框架(例如复杂的卷积神经网络)。增加图像的数量及多样性对模型的识别精度、鲁棒性和稳定性都具有积极的影响。当原始样本数量难以满足精度需求时，通常采用数据增强的方式来扩展数据集[14, 19, 22]。考虑到用户上传图像时，不同拍摄手法、角度、光线等会对诊断结果产生影响，本文采用了图像旋转、水平翻转、缩放、对比度增强等数据增强方法[23]，增加数据集的复杂性，使其更符合实际情况，最终将数据集扩展到5944幅图像，详情见表1。
表 1 各类别样本图像数量Table 1. Number of sample images in each category幅 植株类别
Category原始图像
Original
image数据增强
Data
augmentation健康 Healthy 130 1048 香蕉枯萎病 Fusarium wilt 217 1736 香蕉叶斑病 Banana leaf spot 170 1360 香蕉束顶病 Banana bunchy top 44 352 香蕉黑星病 Macrophoma musae 86 696 香蕉炭疽病 Banana anthracnose 38 304 香蕉黑疫病 Banana black blight 32 256 香蕉鞘腐病 Banana sheath rot 24 192 总计 Total 741 5944 1.4 模型训练
GoogLeNet架构是具有22层深度的卷积神经网络，最初的输入数据是图像的一个小区域，然后通过多层次的卷积运算得到每一层的代表性特征。GoogLeNet架构在卷积神经网络的基础上通过增大网络的深度(层数)在图像识别方面取得了更好的效果。GoogLeNet的核心模块Inception模块(本研究采用的是Inception-V3 模块)的结构如图3所示。
每个Inception模块从输入层获取前一级的卷积特征图像，然后使用并行的卷积以及一个最大池化，并行捕获输入图像的多种特征。每个Inception模块都将原来的n×n卷积，优化为2个卷积1×n和n×1，可以提升计算速度、减少计算成本，同时网络深度也进一步增加。为了改变每个并行卷积层输出特征图的数量，在各层之间方便进行计算，每个模块起始添加1×1卷积，最后经过滤波器连接层(Filter concatenation)，将并行卷积获得的所有特征图像按照深度链接起来。GoogLeNet总共使用了9个Inception模块，并在所有卷积层采用ReLU激活函数。该网络在中间层还具有2个辅助分类器，以有效地对所有层进行反向传播[3, 24]，帮助更新网络参数。
由于GoogLeNet架构的复杂性，从头开始进行培训需要大量数据集，且用时过长，因此本文选择迁移学习的方式。迁移学习的主要思想是将一个训练好的模型参数直接迁移到另一个场景或数据集，以帮助训练新需求下的分类模型[15]。本文固定GoogLeNet网络中一定层数的权重，并对分类层进行调整以适用于新的数据集分类，重新训练后几层的现有权重，实现快速模型训练。
利用TensorFlow框架、Jupyter Notebook开发环境和Python语言在计算机上训练和测试该模型。该计算机的处理器为Intel Core i5-4590，内存为16 G，显卡为NVIDIA GeForce GT 1030。模型训练时，学习率设置为0.01，训练批量大小为100，采用Top-1作为模型性能评价指标。整个数据集按7∶1∶2的比例分为训练集、验证集和测试数据集。模型的训练选取了GradientDescentOptimizer (GDO)、AdamOptimizer(AO)、MomentumOptimizer(MO)这3个不同的优化器，以及5000、10000、50000这3个不同的迭代次数来对比不同参数对模型性能的影响。
2. 结果与分析
用Top-1准确性和模型损失评估模型的性能，模型的训练结果、验证结果以及最终的测试结果如图4和表2所示。
表 2 模型的训练时间和平均测试精度Table 2. Model training time and average test accuracy迭代次数
Iteration优化器
Optimizer训练时间/min
Training time平均测试精度/%
Average test accuracy5000 GradientDescentOptimizer 11 94.5 10000 GradientDescentOptimizer 22 96.0 50000 GradientDescentOptimizer 110 98.0 10000 MomentumOptimizer 23 98.0 10000 AdamOptimizer 21 97.8 ![]()
图 4 不同优化器不同迭代次数下的模型训练结果Figure 4. Model training results using different optimizers with different iteration times从表2可以看出，5个模型的测试精度均高于94%；其中，采用MO优化器迭代10000次和采用GDO优化器迭代50000次的模型分类精度最高，达到了98.0%。从图4可以看出，随着迭代次数的增加，GDO优化器的验证精度越来越高，损失越来越小，但模型的训练时间几乎是线性增加的。从收敛速度来看，GDO优化器在迭代3000次左右时收敛，而AO和MO优化器在迭代300次左右时收敛，说明GDO优化器的收敛速度明显慢于AO和MO优化器。从损失函数趋势特点来看，在相同迭代次数(10000次)下，GDO优化器的损失函数较大，AO优化器的损失函数波动较大，而MO优化器的损失较小且最平稳。所以，综合考虑训练时间、分类精度及收敛速度等要素，MO优化器迭代10000次获得的模型具有最全面与稳定的性能，被选为最终的诊断模型。
混淆矩阵可用来比较实际类别与预测结果的关系，是表达分类准确性的有效方式。本模型测试结果的混淆矩阵如表3所示。计算了各类别的生产者精度(Producer’s accuracy，PA)和用户精度(User’s accuracy，UA)，结果如表4所示。PA是某类别被正确识别的图像数量和该类别实际包括的图像数量的比率；UA则是被正确识别的某类别的图像数量和被识别为该类别的图像总数的比率。从表3和表4可以看出，大部分类别的PA和UA都高于95%。进一步分析引起误差的类别可以看出，黑星病和炭疽病的UA相对较低，分别为94.5%和93.7%，模型较容易将叶斑病误识别为黑星病，将叶斑病和黑疫病误识别为炭疽病，原因是叶斑病、黑疫病和炭疽病在发病初期均会产生褐色至黑色的斑点，后期病斑均会扩大至相互交汇，叶片大面积黑死，后期可以通过进一步扩大数据集的样本降低识别错误率。另外，鞘腐病的PA为94.9%，也相对较低，引起误差的样本主要是模型将2例鞘腐病误识别成枯萎病；同时，也有1例被识别为鞘腐病的样本实际上感染的是枯萎病。鞘腐病类别的样本数量较少可能是造成该类别识别错误率较高的主要原因。
表 3 模型测试的混淆矩阵Table 3. Confusion matrix of model testing result类别
Category健康
Healthy香蕉枯萎病
Fusarium
wilt香蕉叶斑病
Banana
leaf spot香蕉束顶病
Banana
bunchy top香蕉黑星病
Macrophoma
musae香蕉炭疽病
Banana
anthracnose香蕉黑疫病
Banana
black blight香蕉鞘腐病
Banana
sheath rot总计
Total健康
Healthy210 0 0 1 0 0 0 0 211 香蕉枯萎病
Fusarium wilt0 345 0 1 0 0 0 2 348 香蕉叶斑病
Banana leaf spot0 0 263 0 3 1 0 0 267 香蕉束顶病
Banana bunchy top0 1 0 73 0 0 0 0 74 香蕉黑星病
Macrophoma musae0 0 7 0 134 1 0 0 142 香蕉炭疽病
Banana anthracnose0 0 2 0 0 59 2 0 63 香蕉黑疫病
Banana black blight0 0 0 0 2 0 49 0 51 香蕉鞘腐病
Banana sheath rot0 1 0 0 0 0 0 37 38 总计Total 210 347 272 75 139 61 51 39 1194 表 4 模型测试精度Table 4. Model testing accuracy类别
Category生产者精度/%
Producer’s accuracy用户精度/%
User’s accuracy健康
Healthy100 99.5 香蕉枯萎病
Fusarium wilt99.4 99.1 香蕉叶斑病
Banana leaf spot96.7 98.5 香蕉束顶病
Banana bunchy top97.3 98.6 香蕉黑星病
Macrophoma musae96.4 94.5 香蕉炭疽病
Banana anthracnose96.7 93.7 香蕉黑疫病
Banana black blight96.1 96.1 香蕉鞘腐病
Banana sheath rot94.9 97.4 总体分类精度/%
Overall accuracy98.0 3. 香蕉病害诊断系统的开发
根据得到的诊断模型进一步开发了香蕉病害远程诊断系统。整个系统主要由终端APP和远程服务器2部分组成。终端APP用来获取、处理、上传香蕉植株图像，并接收诊断结果。远程服务器主要有2个功能：与终端通信，收取图片、下发诊断结果；内嵌诊断模型，实现病害的快速识别。软件系统结构如图5所示。
终端APP是针对Android系统开发的，开发环境为Android Studio和IDE。它的主要功能是拍摄、查看、预处理和上传植物图像，接收和显示诊断结果。另外还包括病虫害科普知识，香蕉病虫害的典型症状及常用防治措施。APP可使用终端内置相机原位捕获图像或从其相册中进行选择，必要时还可进行一些基本的图像预处理，如裁剪、旋转、灰度化等，然后将图像发送到远程服务器，并实时接收诊断结果。
服务器采用Java socket模块开发。通过设置监听程序对相应端口进行监听，一旦检测到图像，就调用诊断模型对图像进行识别，并快速地将诊断结果反馈给移动终端。本文共设计了2个端口，一个用于接收图像信息，另一个用于反馈诊断信息。
系统通过整体调试，在4G网络下，从图像上传到获得诊断结果，平均用时3.1 s，APP可实现快速原位诊断香蕉病害类别，测试结果如图6所示。
随着5G技术的快速发展和推广，数据传输的带宽、速度、稳定性等都将得到跨越式地发展。未来在5G网络下，该应用能获取的图像质量将更有保障，测量时间还将明显缩短，甚至可实现视频流的诊断，进一步提高诊断精度及可靠性。
4. 结论
研究通过收集并扩展7种主要的香蕉病害数据集，利用深度卷积网络之一的GoogLeNet Inception-V3模型，通过迁移学习训练获得了香蕉病害诊断模型。通过对比不同网络优化器和迭代次数对模型性能的影响，最终选择了MO优化器迭代10 000次的模型，平均测试准确率达到了98%，大部分类别的用户精度及生产者精度均达到了95%以上。误差产生的主要原因有：一是部分病害在不同的发病阶段会出现相似的特征，如叶斑病、黑星病和炭疽病在发病初期均会产生褐色至黑色的斑点，后期病斑均会扩大至相互交汇，叶片大面积黑死，这2个阶段三者的特征相似度高；二是数据集样本数量偏少，如鞘腐病的测试集仅包含39个样本。后期可通过扩大数据集进一步提高模型的精度。为了使用户能够快速、准确地判断香蕉的病害，进一步开发了基于该诊断模型的在线诊断软件系统。该系统有效地提高了香蕉病害诊断的精度与速度，并解除了传统的高度依赖有经验的人工识别的局限性，可以作为香蕉种植者监测病害的高效诊断工具。
-
表 1 柚木无性系各性状均值、变幅和变异系数
Table 1 The mean value, amplitude and coefficient of variation of each character in teak clones
性状
Trait均值
Mean变幅
Range表型变异系数(PCV)/%
Phenotypic variation coefficient树高/m Tree height 5.37 1.70~9.60 28.2 胸径/cm DBH 5.13 1.00~12.00 35.1 单株材积/dm3 Individual volume 8.76 0.08~64.79 38.8 分枝频率/m−1 Branch frequency 2.36 1.76~2.91 37.7 分枝角度/(°) Branch angle 54.01 33.21~88.00 17.7 分枝基底面积/(cm2·m−1) Branch basal area 28.84 6.87~109.68 57.9 分枝长度/m Branch length 1.39 0.80~2.57 16.3 分枝基径/cm Branch diameter 2.31 1.00~5.80 19.8 
下载: 导出CSV
表 2 柚木无性系各性状方差分析与重复力
Table 2 Analysis of variance and repeatability of various indicators in teak clones
性状
TraitF1) 重复力
Repeatability无性系
Clone重复
Repeat无性系×重复
Clone×Repeat树高 Tree height 1.686*** 0.929 5.127*** 0.821 胸径 DBH 1.176*** 2.275** 3.921*** 0.863 单株材积 Individual volume 1.159*** 1.345** 3.269*** 0.846 分枝频率 Branch frequency 1.985 0.749 1.170 0.497 分枝角度 Branch angle 2.126*** 0.928 4.396*** 0.530 分枝基底面积 Branch basal area 2.856 2.827** 1.890*** 0.652 分枝长度 Branch length 3.823*** 0.552 1.517*** 0.739 分枝基径 Branch diameter 5.443*** 0.917 3.174*** 0.817 1)“**”和“***”分别表示在、0.01和0.001水平上差异显著 (F检验)
1) “**” and “***” represent significant differences at 0.01 and 0.001 levels, respectively (F statistics)
下载: 导出CSV
表 3 柚木无性系生长和分枝性状的多重比较1)
Table 3 Multiple comparisons of growth and branch traits of teak clones
无性系
Clone胸径/cm
DBH树高/m
Tree
height单株材积/dm3
Individual
volume分枝角度/(°)
Branch
angle分枝基底面积/
(cm2·m−1)
Branch basal area分枝基径/cm
Branch
diameter分枝频率/m−1
Branch
frequency分枝长度/m
Branch
length7765 6.09a 6.46a 14.09a 51.76b 30.02ab 2.25abc 2.43a 1.45ab 7703 5.78a 6.26a 11.38ab 53.54ab 35.51a 2.35abc 1.91a 1.51ab CK 5.72ab 5.87ab 11.52ab 54.53ab 32.49ab 2.23abc 2.28a 1.52a 7559 5.62ab 5.57abc 10.55abc 57.06ab 32.41ab 2.65a 2.05a 1.40ab 7107 5.40bab 4.74bc 7.55bcde 61.08a 41.81a 2.66a 2.91a 1.37b 7514 5.40abc 5.82ab 11.78a 55.95ab 31.01ab 2.30abc 2.11a 1.51a 7111 5.39abc 5.11bc 8.42abcde 53.03ab 19.68b 2.31abc 2.66a 1.24c 7663 5.36abcd 5.63abc 9.35bc 51.98b 29.73ab 2.30abc 2.23a 1.43ab 7773 5.34abcd 5.92ab 10.44abcd 56.07ab 28.30ab 2.36abc 2.18a 1.43ab 7551 5.23abcd 5.52abc 8.66bcd 55.58ab 28.99ab 2.24abc 2.51a 1.34b 7813 5.18bcd 5.51abc 8.62abcde 52.17ab 26.31ab 2.14abc 2.69a 1.30c 6601 5.16bcd 5.87ab 9.09bc 53.05ab 18.51b 2.09bc 1.90a 1.25c 7544 5.04bcd 5.36bc 8.47abcde 54.91ab 32.73ab 2.16abc 1.76a 1.31b FS3 4.75bcd 4.46c 5.66cde 55.97ab 20.62b 2.04c 2.31a 1.30c 7886 4.75bcd 5.27bc 6.73bcde 52.85ab 29.96ab 2.30ab 2.67a 1.39ab 7549 4.38cd 5.04bc 5.36de 49.21b 28.59ab 2.36abc 2.86a 1.45ab 7114 4.37cd 4.41c 6.58bcde 52.32ab 25.21ab 2.36abc 2.62a 1.38b 7772 4.33cd 4.62bc 4.99e 54.19ab 28.96ab 2.47ab 2.55a 1.40ab 7552 4.12cd 4.52bc 5.01de 51.99b 19.87b 2.11bc 2.34a 1.32b 7024 4.11d 4.24c 7.08bcde 55.31ab 43.28a 2.65a 1.93a 1.54a 总计
Total5.13±0.08 5.37±0.06 8.76±0.34 54.01±0.58 28.84±1.27 2.31±0.33 2.36±0.06 1.39±0.23 1) 同列数据后的不同小写字母表示差异显著(P<0.05，Duncan’s法)
1) Different lowercase letters of the same column indicate significant differences (P<0.05, Duncan’s method)
下载: 导出CSV
表 4 柚木无性系生长与分枝性状间的相关性1)
Table 4 Correlation between growth and branch traits of teak clones
性状Trait BF BA BD BBA BL DBH H V 分枝频率(BF) Branch frequency 1.00 分枝角度(BA) Branch angle 0.11* 1.00 分支基径(BD) Branch diameter 0.09* −0.18** 1.00 分枝基底面积(BBA) Branch basal area 0.19** 0.37 0.81** 1.00 分枝长度(BL) Branch length −0.12* 0.35 0.21** 0.13** 1.00 胸径(DBH) Diameter at breast height 0.10 −0.27 −0.15 0.15* 0.31** 1.00 树高(H) Tree height −0.20* −0.13* −0.16 0.11* 0.28** 0.78** 1.00 单株材积(V) Individual volume −0.15* −0.18 −0.05 0.23** 0.43** 0.86** 0.85** 1.00 1)“*”和“**”分别表示在0.05和0.01水平显著相关 (Pearson法)
1) “*” and “**” represent significant correlations at 0.05 and 0.01 levels, respectively (Pearson method)
下载: 导出CSV
表 5 柚木无性系生长与分枝性状主成分分析
Table 5 Principal component analysis of growth and branch traits of teak clones
成分
Component特征值
Eigenvalue方差百分比/%
Variance percentage累计贡献率/%
Contribution rate1 2.953 36.914 36.914 2 1.649 20.613 57.526 3 1.143 14.287 71.813 4 0.999 12.486 84.299 5 0.650 8.123 92.422 6 0.466 5.830 98.252 7 0.084 1.045 99.296 8 0.056 0.704 100
下载: 导出CSV
表 6 主成分得分和综合分数排名1)
Table 6 Main component score and comprehensive score ranking
无性系
CloneF1 F2 F3 F4 综合分值
Comprehensive score排名
Ranking7765 1.722 1.288 0.228 −1.367 0.905 1 6601 0.280 1.837 0.942 0.545 0.812 2 7703 1.479 −0.110 0.166 0.545 0.730 3 CK 1.103 −0.017 0.247 −0.576 0.435 4 7514 1.014 −0.389 −0.118 0.386 0.386 5 7544 0.300 −0.421 −0.144 2.381 0.357 6 7773 0.880 −0.311 −0.650 0.717 0.306 7 7559 0.911 −0.608 0.249 −0.127 0.274 8 7663 0.546 0.056 −0.674 0.729 0.246 9 7813 −0.187 0.197 0.634 −0.333 0.024 10 7111 −0.172 0.960 −0.652 −0.421 −0.013 11 7551 0.012 −0.587 0.975 −0.473 −0.043 12 FS3 −1.065 −0.426 1.709 1.043 −0.126 13 7886 −0.531 0.374 −0.613 −0.814 −0.365 14 7552 −1.455 0.990 −0.561 0.620 −0.398 15 7549 −1.273 1.449 −0.113 −1.698 −0.474 16 7024 −1.120 −1.522 2.439 −0.708 −0.554 17 7114 −1.306 0.122 −1.304 0.651 −0.667 18 7772 −1.162 −0.451 −1.120 0.513 −0.733 19 7107 0.026 −2.432 −1.641 −1.614 −1.101 20 1) F1、F2、F3和F4代表各主成分得分值
1) F1, F2, F3 and F4 represent the scores of each principal component
下载: 导出CSV
-
[1] YANG B G, JIA H Y, ZHAO Z G, et al. Horizontal and vertical distributions of heartwood for teak plantation[J]. Forests, 2020, 11(2): 225.
[2] PACHAS A N A, SAKANPHET S, MIDGLEY S, et al. Teak (Tectona grandis) silviculture and research: Applications for smallholders in Lao PDR[J]. Australian Forestry, 2019, 82(sup1): 94-105.
[3] 国家林业和草原局. 中国森林资源报告(2014—2018)[M]. 北京: 中国林业出版社, 2019. [4] 梁坤南, 周再知, 马华明, 等. 我国珍贵树种柚木人工林发展现状、对策与展望[J]. 福建林业科技, 2011, 38(4): 173-178. doi: 10.3969/j.issn.1002-7351.2011.04.39 [5] 陈天宇. 密度与施肥对柚木无性系生长及枝条发育的影响[D]. 北京: 中国林业科学研究院, 2020. [6] 王志海, 尹光天, 杨锦昌, 等. 不同造林密度对米老排人工林枝条发育的影响[J]. 林业科学研究, 2019, 32(2): 78-86. [7] 王志海. 米老排人工林枝条发育的密度效应[D]. 北京: 中国林业科学研究院, 2019. [8] ALCORN P J, PYTTEL P, BAUHUS J, et al. Effects of initial planting density on branch development in 4-year-old plantation grown Eucalyptus pilularis and Eucalyptus cloeziana trees[J]. Forest Ecology and Management, 2007, 252(1/2/3): 41-51. doi: 10.1016/j.foreco.2007.06.021
[9] WANG C S, ZHAO Z Z, HEIN S, et al. Effect of planting density on knot attributes and branch occlusion of Betula alnoides under natural pruning in southern China[J]. Forests, 2015, 6(12): 1343-1361. doi: 10.3390/f6041343
[10] HEIN S, MÄKINEN H, YUE C F, et al. Modelling branch characteristics of Norway spruce from wide spacings in Germany[J]. Forest Ecology and Management, 2007, 242(2/3): 155-164. doi: 10.1016/j.foreco.2007.01.014
[11] KINT V, HEIN S, CAMPIOLI M, et al. Modelling self-pruning and branch attributes for young Quercus robur L. and Fagus sylvatica L. trees[J]. Forest Ecology and Management, 2010, 260(11): 2023-2034. doi: 10.1016/j.foreco.2010.09.008
[12] WANG C S, TANG C, HEIN S, et al. Branch development of five-year-old Betula alnoides plantations in response to plantation density[J]. Forests, 2018, 9(1): 42.
[13] LIU K L, WANG C S, CHEN B Y, et al. Branch development in monoculture and mixed-species plantations of Betula alnoides, Erythrophleum fordii and Pinus kesiya var. langbianensis in southwestern China[J]. Forest Ecology and Management, 2023, 528: 120643. doi: 10.1016/j.foreco.2022.120643
[14] WEST P W, RATKOWSKY D A, SMITH R G B. Factors controlling individual branch development during early growth of an experimental plantation of Eucalyptus pilularis in subtropical Australia[J]. Trees, 2021, 35(2): 395-405. doi: 10.1007/s00468-020-02040-4
[15] 黄桂华, 梁坤南, 周再知, 等. 柚木无性系苗期抗寒生理评价与选择[J]. 东北林业大学学报, 2015, 43(9): 12-17. doi: 10.3969/j.issn.1000-5382.2015.09.003 [16] 黄桂华, 梁坤南, 周再知, 等. 柚木无性系苗期抗旱生理评价与选择的研究[J]. 中南林业科技大学学报, 2018, 38(5): 11-17. [17] 黄桂华, 梁坤南, 付强, 等. 11年生柚木无性系遗传变异与优良无性系选择[J]. 东北林业大学学报, 2023, 51(8): 18-22. [18] 黄桂华, 梁坤南, 周再知, 等. 柚木无性系生长性状的遗传变异与选择效应[J]. 华南农业大学学报, 2019, 40(1): 101-106. [19] 梁坤南, 黄桂华, 林明平, 等. 琼西南柚木次生种源/家系多性状综合选择[J]. 林业科学研究, 2020, 33(6): 13-22. [20] 王楚彪, 罗建中, 何文亮, 等. 桉树无性系多区域联合测试的G×E分析及选优[J]. 林业科学, 2022, 58(11): 108-117. [21] 王芳, 马茂, 王佳兴, 等. 日本落叶松遗传变异分析及优良家系无性系选择[J]. 森林工程, 2023, 39(4): 48-57. [22] 凌娟娟, 肖遥, 杨桂娟, 等. 灰楸无性系生长和形质性状变异与选择[J]. 林业科学研究, 2019, 32(5): 149-156. [23] 杨孟晴, 邵慰忠, 徐永宏, 等. 3年生赤皮青冈家系生长和形质性状变异与选择[J]. 林业科学研究, 2023, 36(4): 31-40. [24] CALLISTER A N. Genetic parameters and correlations between stem size, forking, and flowering in teak (Tectona grandis)[J]. Canadian Journal of Forest Research, 2013, 43(12): 1145-1150. doi: 10.1139/cjfr-2013-0226
[25] NARANJO S S, MOYA R, CHAUHAN S. Early genetic evaluation of morphology and some wood properties of Tectona grandis L. clones[J]. Silvae Genetica, 2012, 61: 58-65. doi: 10.1515/sg-2012-0008
[26] GOH D K S, JAPARUDIN Y, ALWI A, et al. Growth differences and genetic parameter estimates of 15 teak (Tectona grandis L. f.) genotypes of various ages clonally propagated by microcuttings and planted under humid tropical conditions[J]. Silvae Genetica, 2013, 62: 196-206. doi: 10.1515/sg-2013-0024
[27] 付强, 黄桂华, 周强, 等. 柚木无性系早期选择年龄的研究[J]. 中南林业科技大学学报, 2022, 42(10): 30-38. [28] 王家燚, 陈焕伟, 张蕊, 等. 木荷全同胞家系生长与分枝性状的遗传变异及效应分析[J]. 浙江农林大报, 2023, 40(4): 738-746. [29] 罗芊芊, 楚秀丽, 李峰卿, 等. 5年生南方红豆杉生长和分枝性状家系变异与选择[J]. 林业科学研究, 2020, 33(1): 136-143. [30] 黄桂华. 柚木种质资源遗传变异和优良无性系早期选择的研究[D]. 北京: 中国林业科学研究院, 2015. [31] 辛娜娜, 张蕊, 范辉华, 等. 5年生木荷生长和形质性状的家系变异和选择[J]. 林业科学研究, 2014, 27(3): 316-322. [32] 刘青华, 金国庆, 张蕊, 等. 24年生马尾松生长、形质和木材基本密度的种源变异与种源区划[J]. 林业科学, 2009, 45(10): 55-61. [33] 刘炳妤. 柚木无性系生长、光合与耐寒生理特性的研究[D]. 北京: 中国林业科学研究院, 2019.
计量
- 文章访问数: 64
- HTML全文浏览量: 9
- PDF下载量: 8
