CN112149895A - 一种古香樟树龄预测方法 - Google Patents

一种古香樟树龄预测方法 Download PDF

Info

Publication number
CN112149895A
CN112149895A CN202010985665.8A CN202010985665A CN112149895A CN 112149895 A CN112149895 A CN 112149895A CN 202010985665 A CN202010985665 A CN 202010985665A CN 112149895 A CN112149895 A CN 112149895A
Authority
CN
China
Prior art keywords
cinnamomum camphora
age
tree
thickness
ancient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010985665.8A
Other languages
English (en)
Other versions
CN112149895B (zh
Inventor
杨志坚
冯金玲
薛光宇
陈来贺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Agriculture and Forestry University
Original Assignee
Fujian Agriculture and Forestry University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Agriculture and Forestry University filed Critical Fujian Agriculture and Forestry University
Priority to CN202010985665.8A priority Critical patent/CN112149895B/zh
Publication of CN112149895A publication Critical patent/CN112149895A/zh
Application granted granted Critical
Publication of CN112149895B publication Critical patent/CN112149895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medicines Containing Plant Substances (AREA)

Abstract

本发明属于古树年龄预测技术领域，公开了一种古香樟树龄的预测方法，能够实现古树年龄的准确预测。查阅资料获得古香樟树龄，测定古香樟树体生长、新叶解剖结构和新叶生理三个层次共19个指标数据，利用逐步回归分析法筛选出响应古香樟树龄效应最显著的指标。利用这些最显著的指标建立预测古香樟树龄的预测模型，运用该模型能为古香樟保护和复壮提供帮助。

Description

一种古香樟树龄预测方法
技术领域
本发明属于树龄预测技术领域，涉及一种古树树龄预测方法。
背景技术
古树是指树龄在百年以上的树木，不仅是名胜古迹的重要景观、悠久历史见证、社会文明程度的标志，而且在生产科研中具有不容忽视和不可低估的价值。随着古树衰老现象严重，衰老趋势不断上升，损失巨大。因此，准确判断古树年龄，为保护古树减缓其衰老具有重大意义。
一般情况树龄的确定是通过资料记录和年轮来确定。但古树生长几百年，甚至上千年，资料一般不健全，甚至完全没有，其树龄是通过人们代代相传，存在好几个版本，版本之间相差几十年，甚至上百年。另一方面，古树几乎是名木，不充许磕碰，更不用说对树体破坏性的取年轮来确定树龄。近年来，国内外对古树的研究主要集中在衰老机理上，忽略了对古树衰老程度的判断，以便正确地应用保护或复壮技术。目前，国内还没有推出一个科学、准确的古树年龄预测方法。
香樟（Cinnamomum camphora L.）为樟科常绿乔木，树大浓荫，枝叶秀丽，气势雄伟，四季常青而具香气，广泛用作庭荫树、行道树、防护林及风景林，被誉为“江南宝树”。香樟主产于长江以南各省区，尤以江西、浙江、福建等东南地区，属国家二级重点保护野生植物。香樟在我国已有2 000多年的栽培历史，在古树名木中占有较大比重，因此在生态、科研、生产、社会历史等方面中都有重要大研究价值。
三明市古香樟保存较多，目前有几十棵古香樟，从中选择生长健康，分布在5个树龄阶段（50～149，150～349，350～549，550～750和 750～900a）23棵古香樟作分析材料，以9棵（0～49a阶段）的香樟为对照，用古树的生长指标、叶片解剖结构和叶片生理三个层次19个指标来判断古香樟树龄。
发明内容
本发明的目的是提供一种古香樟树龄预测方法及应用，能够实现古香樟树龄的准确预测，另一目的在于提供上述模型指导园林工作者或林业工作者保护或复壮香樟。
为实现上述目的，本发明提供了如下技术方案：
古香樟树龄预测模型的构建方法，包括以下步骤：
（1）在三明市区内选择代表性的32棵香樟独立木，其中23棵为古香樟，记录树龄，其中在0～49，50～149，150～349a这3个年龄阶段各选9棵，在350～549a阶段选3棵，在550～750和750～900a各选1棵。
（2）获取香樟生长指标数据。用围径尺测香樟的胸径；用皮尺测量选定香樟的长冠幅和短冠幅，用其平均值作为该树冠幅；在香樟胸径处，按东、南、西、北四个方向，各切取一块1 cm×3 cm树皮方块，用直尺测其厚度后，在原处回填，用四个方向的平均值作为该树的树皮厚度；在每株香樟的树冠外围中部，每120˚的范围内随机选择30枝生长停止，健壮，无病虫害的新梢，用直尺测量选定新梢的长度；用游标卡尺测选定新梢的粗度，每棵树共测3个方向。
（3）获取香樟新叶解剖指标数据。每120˚的范围内随机选择5片刚成熟的完全叶，每片叶以叶脉为中心，在叶长中间切取一个2 mm×2 mm方块，叶片方块用 FAA 固定，乙醇和二甲苯系列脱水，石蜡包埋，横切片，番红-固绿染色，中性胶封片。在OLYMPUS光学显微镜下观察，并用目测尺量叶片结构参数，包括叶片厚度、上表皮厚度、下表皮厚度、栅栏组织厚度和海绵组织厚度，每个指标测3次。同时计算：组织结构紧密度= 栅栏组织厚度/叶片厚度×100%，组织结构疏松度= 海绵组织厚度/叶片厚度×100%, 栅海比= 栅栏组织厚度/海绵组织厚度（王 宁, 袁美丽, 苏金乐. 几种樟树叶片结构比较分析及其与抗寒性评价的研究[J]. 西北林学院学报, 2013, 28(4): 43-49.）。
（4）获取香樟新叶生理指标数据。每120˚的范围内随机选择30片刚成熟的完全叶，每棵香樟3个方向90片叶子混合，混合，速冻，测过氧化物酶（POD）采用愈创木酚法，超氧化物歧化酶(SOD)采用氮蓝四唑光还原法，多酚氧化酶（PPO）测定邻苯二酚比色法，丙二醛（MDA）含量测定采用硫代巴比妥酸法，可溶性蛋白含量采用考马斯亮蓝法测定，可溶性糖含量采用蒽酮乙酸乙酯法测定，每株树单个指标重复实验3次。
所述步骤（2）、步骤（3）和步骤（4）在香樟新梢刚停长时进行，即6月上旬。
（5）根据香樟树龄数据与树体生长、新叶解剖及生理指标数据，建立回归模型Yi＝β1Xi1+β2Xi2+…+βmXim+εi，其中Yi表示第i棵的香樟树龄；Xim表示第i棵第m种指标，m＝1,2,…,19；βm表示第m种指标的回归系数；εi表示修正系数；
（6）运用逐步回归分析法，逐个引入显著性变量，同时剔除不显著性变量，以期获得最优的回归模型。
所述的逐步回归法是通过偏回归平方和对变量进行显著性检验考虑是否引入或是剔除变量。将对香樟树龄影响最大的因素引入回归方程，引入的条件是该因素的偏回归平方和在待选因素中最大，每引入一个对香樟树龄影响显著的因素都要以偏回归平方和来考虑是否引入新变量，若在显著性水平若在显著性水平α引入下，变量的显著性检验p<α引入，则表明引入该变量；若在显著性水平α剔除下，变量的显著性检验下p>α剔除，则应剔除该变量；直到对所有因素通过引入剔除的检验，此时保留下来的因素是对树龄影响显著的因素；
（7）利用逐步回归分析法筛选出的对香樟树龄影响显著的因素以及回归模型，根据逐步回归结果，将筛选出来的变量及其回归系数带入（5）中的回归模型，建立古香樟树龄预测模型，预测模型如下；
Y = 911.060-269.446*A +9.916*B -9.046*C+0.079*D+499.228*E。
其中：Y表示香樟树龄；A表示香樟胸径处树皮厚度，单位cm；B表示香樟平均冠幅，单位m；C表示香樟新叶SOD活性，单位U·g-1；D表示香樟新叶PPO活性，单位U·g-1；E表示香樟新叶栅海比。
上述预测模型的显著性水平α引入＝0.05，α剔除＝0.05。
上述预测模型的复相关系数R 2 = 0.995，P＜0.001。
本发明的有益效果：
（1）实现了对古树年龄的预测，建立了古树年龄预测模型。
（2）通过逐步回归从众多响应古树年龄的指标中选出对古树年龄响应最大的指标，为古树年龄预测和延缓衰老提供理论支持。
（3）使用古树生长指标、解剖结构指标和生理指标数据和古树年龄数据，得到预测模型，能够有效的实现对古树衰老的预测和预警，同时反馈到林业工作者或园林工作者，为保护和复壮古树提供了帮助。
附图说明
图1为古香樟树龄预测方法的流程图。
图2 为6个年龄阶段香樟新叶解剖结构图；其中A.50a；B.130a；C.250a；D.500a；E.650a；F.800a；UE.上表皮；LE.下表皮；PT.栅栏组织；ST.海绵组织。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
实施例1 古香樟树龄预测模型的构建
图1为本发明香樟树龄预测的方法流程图，具体步骤如下：
（1）在三明市区内选择代表性的32棵香樟独立木，其中23棵为古香樟，记录树龄，其中在0～49，50～149，150～349a这3个年龄阶段各选9棵，在350～549a阶段选3棵，在550～750和 750～900a各选1棵。
（2）获取香樟生长指标数据。用围径尺测香樟的胸径；用皮尺测量香樟的长冠幅和短冠幅，用其平均值作为该树冠幅；在香樟胸径处，按东、南、西、北四个方向，各切取一块1cm×3 cm树皮方块，用直尺测其厚度后，在原处回填，用四个方向的平均值作为该树的树皮厚度；在每株香樟的树冠外围中部，每120˚的范围内随机选择30枝生长停止，健壮，无病虫害的新梢，用直尺测量选定新梢的长度；用游标卡尺测选定新梢的粗度，每棵树共测3个方向。
（3）获取香樟新叶解剖指标数据。每120˚的范围内随机选择5片刚成熟的完全叶，每片叶以叶脉为中心，在叶长中间切取一个2 mm×2 mm方块，叶片方块用 FAA 固定，乙醇和二甲苯系列脱水，石蜡包埋，横切片，番红-固绿染色，中性胶封片。在OLYMPUS光学显微镜下观察（图2），并用目测尺测定叶片结构参数，包括叶片厚度、上表皮厚度、下表皮厚度、栅栏组织厚度和海绵组织厚度，每个指标测3次。同时计算：组织结构紧密度= 栅栏组织厚度/叶片厚度×100%，组织结构疏松度= 海绵组织厚度/叶片厚度×100%, 栅海比= 栅栏组织厚度/海绵组织厚度。
（4）获取香樟新叶生理指标数据。每120˚的范围内随机选择30片刚成熟的完全叶，每棵香樟3个方向90片叶子混合，混合，速冻，测过氧化物酶（POD）采用愈创木酚法，超氧化物歧化酶(SOD)采用氮蓝四唑光还原法，多酚氧化酶（PPO）测定邻苯二酚比色法，丙二醛（MDA）含量测定采用硫代巴比妥酸法，可溶性蛋白含量采用考马斯亮蓝法测定，可溶性糖含量采用蒽酮乙酸乙酯法测定，每株树单个指标重复实验3次。
逐步回归分析是多元回归分析中的一种方法。逐步回归分析往往用于建立最优或合适的回归模型，从而更加深入地研究变量之间的依赖关系。本发明利用逐步回归分析的目的是要从众多响应年龄效应的因素中筛选出重要的因素，建立最佳预测方程。需要设定一个系数用来判别引入和删除新的变量。本实施方式设置显著性水平α引入≤0 .05，α剔除>0.05。得到结果汇总到表1-2，表3为香樟各指标的年龄效应和环境效应。
表1各指标与树龄的相关系数及显著度
Figure DEST_PATH_IMAGE002
表2 逐步回归结果
Figure DEST_PATH_IMAGE004
R2=0.995；Durbin-Watson统计量 d=2.087
表3香樟各指标的年龄效应和环境效应
Figure DEST_PATH_IMAGE006
通过逐步回归分析，依次得到筛选指标为树皮厚度、平均冠幅、SOD活性、PPO活性、新叶栅海比。求得预测古香樟树龄的模型方程为：Y = 911.060-269.446* A +9.916* B -9.046* C+0.079*D+499.228* E。
其中：Y表示香樟树龄；A表示香樟胸径处树皮厚度，单位cm；B表示香樟平均冠幅，单位m；C表示香樟新叶SOD活性，单位U·g-1；D表示香樟新叶PPO活性，单位U·g-1；E表示香樟新叶栅海比。
实施例2
实验获得271a香樟胸径处树皮厚度为2.17cm，平均冠幅为26.68m；新叶SOD活性为106.42U·g-1；新叶PPO活性为29.50U·g-1；新叶栅海比为1.26。
把以上数据代入到古香樟树龄的模型：Y = 911.060-269.446* A +9.916* B -9.046* C+0.079*D+499.228* E 中，计算出预测年龄为262.49a。其中：Y表示香樟树龄；A表示香樟胸径处树皮厚度，单位cm；B表示香樟平均冠幅，单位m；C表示香樟新叶SOD活性，单位U·g-1；D表示香樟新叶PPO活性，单位U·g-1；E表示香樟新叶栅海比。
实际年龄与预测年龄相对误差为3.14%，误差率小于5%，古香樟树龄预测非常准确。
实施例3
实验获得489a香樟胸径处树皮厚度为2.05cm，平均冠幅为24.00m；新叶SOD活性为84.67U·g-1；新叶PPO活性为499.91U·g-1；新叶栅海比为1.26。
把以上数据代入到古香樟树龄的模型：Y = 911.060-269.446* A +9.916* B -9.046* C+0.079*D+499.228* E 中，计算出预测年龄为497.28a。其中：Y表示香樟树龄；A表示香樟胸径处树皮厚度，单位cm；B表示香樟平均冠幅，单位m；C表示香樟新叶SOD活性，单位U·g-1；D表示香樟新叶PPO活性，单位U·g-1；E表示香樟新叶栅海比。
实际年龄与预测年龄相对误差为1.69%，误差率小于5%，古香樟树龄预测非常准确。
实施例4
实验获得804a香樟胸径处树皮厚度为1.39cm，平均冠幅为32.66m；新叶SOD活性为69.65U·g-1；新叶PPO活性为2596.72U·g-1；新叶栅海比为0.69。
把以上数据代入到古香樟树龄的模型：Y = 911.060-269.446* A +9.916* B -9.046* C+0.079*D+499.228* E 中，计算出预测年龄为780.36a。其中：Y表示香樟树龄；A表示香樟胸径处树皮厚度，单位cm；B表示香樟平均冠幅，单位m；C表示香樟新叶SOD活性，单位U·g-1；D表示香樟新叶PPO活性，单位U·g-1；E表示香樟新叶栅海比。
实际年龄与预测年龄相对误差为2.94%，误差率小于5%，古香樟树龄预测非常准确。

Claims (2)

1.一种古香樟树龄预测模型，其特征在于，所述预测模型如下：
Y = 911.060-269.446*A +9.916*B -9.046*C+0.079*D+499.228*E；
其中：Y表示香樟树龄；A表示香樟胸径处树皮厚度，单位cm；B表示香樟平均冠幅，单位m；C表示香樟新叶超氧化物歧化酶活性，单位U·g-1；D表示香樟新叶多酚氧化酶活性，单位U·g-1；E表示香樟新叶栅海比。
2.一种如权利要求1所述的古香樟树龄预测模型的构建方法，其特征在于，包括以下步骤：
（1）在三明市区内选择32棵香樟，其中23棵为古香樟，记录树龄，其中 在0～49，50～149，150～349a这3个年龄阶段各选9棵，在350～549a阶段选3棵，在550～750和 750～900a各选1棵；
（2）获取香樟生长指标数据：用围径尺测香樟的胸径；用皮尺测量香樟的长冠幅和短冠幅，取其平均值作为该树冠幅；在香樟胸径处，按东、南、西、北四个方向，各切取一块1 cm×3 cm树皮方块，用直尺测其厚度后，在原处回填，用四个方向的平均值作为该树的树皮厚度；在每株香樟的树冠外围中部，每120˚的范围内随机选择30枝生长停止，健壮，无病虫害的新梢，用直尺测量选定新梢的长度；用游标卡尺测选定新梢的粗度，每棵树共测3个方向；
（3）获取香樟新叶解剖指标数据：每120˚的范围内随机选择5片刚成熟的完全叶，每片叶以叶脉为中心，在叶长中间切取一个2 mm×2 mm方块，叶片方块用 FAA 固定，乙醇和二甲苯系列脱水，石蜡包埋，横切片，番红-固绿染色，中性胶封片；在OLYMPUS光学显微镜下观察，并用目测尺测定叶片结构参数，包括叶片厚度、上表皮厚度、下表皮厚度、栅栏组织厚度和海绵组织厚度，每个指标测3次；同时计算：
组织结构紧密度= 栅栏组织厚度/叶片厚度×100%；
组织结构疏松度= 海绵组织厚度/叶片厚度×100%；
栅海比= 栅栏组织厚度/海绵组织厚度；
（4）获取香樟新叶生理指标数据：每120˚的范围内随机选择30片刚成熟的完全叶，每棵香樟3个方向90片叶子混合，速冻，采用愈创木酚法测过氧化物酶，采用氮蓝四唑光还原法测定测定超氧化物歧化酶，邻苯二酚比色法测定多酚氧化酶，采用硫代巴比妥酸法测定丙二醛含量，采用考马斯亮蓝法测定可溶性蛋白含量，采用蒽酮乙酸乙酯法测定可溶性糖含量，每株树单个指标重复实验3次；
所述步骤（2）、步骤（3）和步骤（4）在香樟新梢刚停长时进行，即6月上旬；
（5）根据香樟树龄数据与树体生长、新叶解剖及生理指标数据，建立回归模型Yi＝β1Xi1+β2Xi2+…+βmXim+εi，其中Yi表示第i棵的香樟树龄；Xim表示第i棵第m种指标，m＝1,2,…,19；βm表示第m种指标的回归系数；εi表示修正系数；
（6）运用逐步回归分析法，逐个引入显著性变量，同时剔除不显著性变量，获得最优的回归模型；
（7）利用逐步回归分析法筛选出的对香樟树龄影响显著的因素以及回归模型，根据逐步回归结果，将筛选出来的变量及其回归系数带入（5）中的回归模型，建立古香樟树龄预测模型。
CN202010985665.8A 2020-09-18 2020-09-18 一种古香樟树龄预测方法 Active CN112149895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010985665.8A CN112149895B (zh) 2020-09-18 2020-09-18 一种古香樟树龄预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010985665.8A CN112149895B (zh) 2020-09-18 2020-09-18 一种古香樟树龄预测方法

Publications (2)

Publication Number Publication Date
CN112149895A true CN112149895A (zh) 2020-12-29
CN112149895B CN112149895B (zh) 2022-07-01

Family

ID=73893854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010985665.8A Active CN112149895B (zh) 2020-09-18 2020-09-18 一种古香樟树龄预测方法

Country Status (1)

Country Link
CN (1) CN112149895B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030134311A1 (en) * 2000-06-23 2003-07-17 Simon Potter Nucleic acid-based method for tree phennotype prediction
CN108763784A (zh) * 2018-05-31 2018-11-06 贵州希望泥腿信息技术有限公司 一种贵州古茶树树龄判定方法
CN110656197A (zh) * 2019-10-17 2020-01-07 江西省科学院生物资源研究所 一种基于香樟叶片的端粒长度测定树龄的方法
CN110851974A (zh) * 2019-11-05 2020-02-28 云南省林业科学院 一种基于地径的云南古茶树树龄的判定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030134311A1 (en) * 2000-06-23 2003-07-17 Simon Potter Nucleic acid-based method for tree phennotype prediction
CN108763784A (zh) * 2018-05-31 2018-11-06 贵州希望泥腿信息技术有限公司 一种贵州古茶树树龄判定方法
CN110656197A (zh) * 2019-10-17 2020-01-07 江西省科学院生物资源研究所 一种基于香樟叶片的端粒长度测定树龄的方法
CN110851974A (zh) * 2019-11-05 2020-02-28 云南省林业科学院 一种基于地径的云南古茶树树龄的判定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张俊涛等: "广州市中心城区古樟树生长状况调查及评价指标探讨", 《安徽农业科学》, no. 35, 15 December 2017 (2017-12-15) *

Also Published As

Publication number Publication date
CN112149895B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
Clough et al. Allometric relationships for estimating biomass in multi-stemmed mangrove trees
Fritts Dendroclimatology and dendroecology
Uzun et al. Leaf area prediction models (Uzcelik-I) for different horticultural plants
Yeh et al. The relationship between tree diameter growth and climate for coniferous species in northern California
CN110245420A (zh) 沿海防护林生物量和碳储量监测计量的方法
Bronisz et al. Climate influence on radial increment of oak (Quercus sp.) in central Poland
Wang et al. Quantifying the effects of harvesting on carbon fluxes and stocks in northern temperate forests
Tan et al. Nitrogen use efficiency, allocation, and remobilization in apple trees: uptake is optimized with pre-harvest N supply
LeBlanc et al. Acidic deposition and tree growth: I. The use of stem analysis to study historical growth patterns
CN112149895B (zh) 一种古香樟树龄预测方法
May The value of an estimate of fruiting potential in the Sultana
Nicholls et al. The effect of environmental factors on wood characteristics. 3. The influence of climate and site on young Pinus radiata material
Stankova et al. Stump-level allometric models for aboveground dendromass of two coppiced black poplar clones in South-western Bulgaria.
Macdowall Midday closure of stomata in aging tobacco leaves
Brügger et al. Phenological variation of forest trees
Manrique-Ascencio et al. Experimental drought on seedlings in a canopy gap and understory of a tropical cloud forest, Veracruz, Mexico
Camacho Moreno et al. Phenology and tree architecture of Calyptranthes schiedeana O. Berg, Lysiloma acapulcense (Kunth) Benth and Tabebuia chrysantha (Jacq.) G. Nicholson in agroecosystems of Veracruz
von Rebwurzeln Studies on cold hardiness of grapevine roots
Stephenson Vegetation change in the pine barrens of New Jersey
Harrington et al. Factors influencing growth and flowering of understory plants in conifer stands in western Washington
Rajchal et al. Above-ground biomass models for Seabuckthorn (Hippophae salicifolia) in Mustang District, Nepal
Bayar et al. A comparison of photosynthetic gas exchange parameters measured under in situ and in vitro conditions in Pinus nigra subsp. pallasiana and Pinus brutia trees
Etheridge Decay losses in subalpine spruce on the Rocky Mountain Forest Reserve in Alberta
Jakubowski et al. Density of wood of 2year Paulownia plantation damaged by wind in Poland
Jayson et al. Habitat utilization by larger mammals in Chinnar Wildlife Sanctuary

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant