下载:
-
营养元素是植物生长的基础，不同器官营养元素的含量和积累体现了植物对其的需求量和吸收能力，植物营养元素的积累与分布是研究森林生态系统物流和能流的基础，直接影响森林生产力，一定程度上制约着地力的演变，对维持林地的养分平衡有重要作用[1]。竹子是集经济、生态和社会效益于一体的优良林种，是区域社会经济发展和生态环境保护的重要刚性资源，被誉为21世纪最有发展前景的植物类型[2]。了解营养元素在竹子各器官中的分布、积累及分配规律对于指导竹林生产经营、提高系统的养分利用率和最大限度地提高林地生产力和可持续经营都具有重要意义。黄甜竹Acidosasa edulis隶属于禾本科Gramineae竹亚科Bambusoideae酸竹属Acidosasa，是一种优质笋用竹种。黄甜竹笋期为4−6月，竹笋产量高、品质佳，是已知竹笋中营养成分最丰富最合理的一种[2]。但目前对黄甜竹的研究主要集中于栽培技术、生长发育规律、竹笋营养成分和次生代谢产物[3-6]等方面，关于竹类植物营养元素的研究主要集中在毛竹Phyllostachys edulis[7-10]上，其他竹种如雷竹Phyllostachys violascens[11]、苦竹Pleioblastus amarus[12]、绿竹Bambusa oldhamii[13]、黄竹Dendrocalamus membranaceus[14]、青皮竹Bambusa textilis[15]等也有涉及，但黄甜竹的相关报道尚未见。本研究通过分析黄甜竹地上器官中氮(N)、磷(P)、钾(K)、钙(Ca)、镁(Mg)、铁(Fe)、锰(Mn)、铜(Cu)和锌(Zn)等9种营养元素，了解黄甜竹不同年龄和不同器官的营养元素的变化规律，为黄甜竹资源开发利用提供科学基础。
-
试验地位于浙江省丽水市莲都区丽水市林业科学研究院百果园科研基地(28°28′ N，119°53′ E)，平均海拔为150 m，平均坡度为25°。该区属浙西南低山丘陵地带，年平均气温为18.1 ℃，年平均日照时数为l 783 h，年降水量1 427 mm，无霜期为256 d，极端最高气温为43.2 ℃，极端最低气温为−7.5 ℃。土壤为红壤，pH 5.1，有机质为29.8 g·kg−1，碱解氮、有效磷和速效钾分别为134.1、3.2和124.3 mg·kg−1。试验地于1990年建园，长期人工经营，黄甜竹林面积20 hm2，林分长势良好，立竹密度10 250株·hm−2，平均胸径为5.2 cm，林分保留3年生及以下的立竹，竹林结构1年生∶2年生∶3年生=1∶1∶1，4年生及以上竹子全部采伐。每年夏进行竹林垦复并施复合肥[m(氮)∶m(磷)∶m(钾)=18∶5∶8] 1次，施肥量1 500 kg·hm−2。
-
2018年10月，在人工种植的黄甜竹纯林中，设立20 m×20 m标准样地3个，立竹密度(10 250±267)株·hm−2。在标准地内每株检尺，按不同竹龄测量并计算黄甜竹平均胸径；各样地中分别选取1年生、2年生、3年生平均胸径的标准竹各4株，采用全收获法砍伐。
-
参照WU等[16]方法进行样品采集和生物量调查，按样地中各年龄标准株生物量和各年龄株数[15]计算地上部生物量。叶、枝、秆样品分别置于样品袋中，带回实验室分析；分别用去离子水清洗后，在105 ℃下杀青30 min，然后在80 ℃烘干至恒量，粉碎后测定元素质量分数。氮(N)的测定：浓硫酸-双氧水(H2SO4-H2O2)消化后采用凯氏半微量法(全自动凯氏定氮仪，FOSS)测定。磷(P)、钾(K)、钙(Ca)、镁(Mg)等的测定：采用微波消解法消解样品，用IRIS/AP型全谱直读电感耦合等离子体发射光谱仪测定(ICP-OES法)[17]。计算营养元素积累量(吸收量)=营养元素质量分数×干物质量；植物地上部某器官营养元素分配=某器官营养元素积累量/地上部积累量×100%[13]。
-
使用Excel 2003和SPSS 22分析软件进行数据处理。
-
由表1可知：不同竹龄黄甜竹地上部单株生物量均以秆最高(4 107.78 g)，叶最低(661.11 g)。单株叶、枝、秆的生物量分别占地上部生物量的11.56%、16.56%和71.86%，说明黄甜竹生物量主要集中在秆。随竹龄增大，不同部位生物量均逐渐增大，其中3年生黄甜竹秆、枝、叶生物量比1年生分别提高17.24%、38.43%和137.40%；随竹龄增长，叶和枝生物量占地上部生物量的比例有所提升。
表 1 黄甜竹标准株生物量
Table 1. Biomass of A. edulis standard plant
竹龄 秆/(g·株−1) 枝/(g·株−1) 叶/(g·株−1) 合计/(g·株−1) 1年生 3 866.67±359.49 bA 806.67±70.24 bB 410.00±26.46 cC 5 086.67 2年生 3 923.33±101.16 bA 916.67±40.41 abB 600.00±45.83 bC 5 440.00 3年生 4 533.33±446.58 aA 1 116.67±140.12 aB 973.33±45.09 aB 6 623.33 平均 4 107.78 946.67 661.11 5 716.67 说明：小写字母表示不同竹龄间差异显著(P＜0.05)，大写字母表示不同部位间差异显著(P＜0.05) -
植物不同器官生理机能不同，不同营养元素在植物体内的功能也不同，因此营养元素在植物不同部位及不同营养元素在同一部位中的分布具有差异性[18-19]。由表2可知：黄甜竹地上部营养元素最高为叶(48.73 g·kg−1)，其次是枝(17.61 g·kg−1)，秆中最低(16.30 g·kg−1)，与毛竹[8]、雷竹[11]、青皮竹[15]、高节竹Phyllostachys prominens[20]、慈竹Neosinocalamus affinis[21]等的研究结果一致。对不同部位营养元素分布的方差分析可知：除Zn外，叶中其他8种营养元素质量分数均显著高于秆和枝(P＜0.05)。N、P和K质量分数分别为31.20、1.18和7.49 g·kg−1，分别比枝高133.13%、178.27%和172.03%，比秆高215.79%、81.59%和62.80%；Ca比枝和秆分别高971.70%和952.40%，Mg比枝和秆分别高出856.62%和470.50%；Fe、Mn和Cu质量分数分别比枝高208.29%、192.26%和116.53%，比秆高132.50%、247.14%和197.07%。叶和秆中Zn质量分数分别为37.27和37.55 mg·kg−1，两者差异不显著(P＞0.05)，但均显著高于枝中(P＜0.05)。枝和秆中营养元素质量分数高低不一，N质量分数表现为枝中高于秆中(P＜0.05)，P、K和Zn表现为秆中高于枝中(P＜0.05)，Ca、Mg、Fe、Mn和Cu在枝和秆中差异不显著(P＞0.05)。
表 2 不同竹龄黄甜竹各部位营养元素质量分数分析
Table 2. Nutrient content in different parts of A. edulis with different bamboo ages
部位 竹龄 N/(g·kg−1) P/(g·kg−1) K/(g·kg−1) Ca/(g·kg−1) Mg/(g·kg−1) 叶 1年生 31.45±2.76 aA 1.14±0.03 aA 7.81±0.39 aA 5.40±1.01 bA 1.65±0.06 aA 2年生 30.20±3.57 aA 1.21±0.08 aA 7.33±0.24 aA 6.26±0.91 abA 1.39±0.23 aA 3年生 31.94±1.77 aA 1.18±0.27 aA 7.34±0.80 aA 8.00±1.42 aA 1.51±0.32 aA 平均 31.20±1.53 A 1.18±0.07 A 7.49±0.06 A 6.55±0.53 A 1.52±0.17 A 枝 1年生 15.88±1.48 aB 0.58±0.08 aB 4.42±0.24 aB 0.67±0.18 aB 0.26±0.01 aB 2年生 13.70±0.32 bB 0.47±0.13 aC 2.37±0.17 bC 0.49±0.10 aB 0.10±0.03 bB 3年生 10.56±1.09 cB 0.22±0.04 bC 1.47±0.07 cC 0.68±0.15 aB 0.11±0.05 bB 平均 13.38±0.52 B 0.42±0.06 C 2.75±0.13 C 0.61±0.07 B 0.16±0.02 B 秆 1年生 9.52±1.79 aC 0.54±0.11 aB 6.30±0.53 aA 0.26±0.02 bB 0.18±0.01 bB 2年生 9.33±1.21 aC 0.79±0.28 aB 4.03±0.32 bB 0.47±0.10 bB 0.21±0.04 abB 3年生 10.79±0.84 aC 0.61±0.12 aB 3.48±0.37 bB 1.13±0.52 aB 0.40±0.16 aB 平均 9.88±1.17 C 0.65±0.17 B 4.60±0.18 B 0.62±0.15 B 0.27±0.06 B 部位 竹龄 Fe/(mg·kg−1) Mn/(mg·kg−1) Cu/(mg·kg−1) Zn/(mg·kg−1) 叶 1年生 282.01±24.01 aA 551.68±53.53 aA 7.22±0.36 aA 38.65±7.87 aA 2年生 177.98±30.25 bA 519.09±53.53 aA 6.43±0.33 bA 35.16±6.50 aA 3年生 152.25±10.06 bA 567.65±34.83 aA 5.72±0.18 bA 38.00±8.42 aB 平均 204.08±21.44 A 546.14±47.30 A 6.46±0.29 A 37.27±7.6 A 枝 1年生 39.45±10.03 bC 165.74±50.11 aB 3.98±1.13 aB 25.31±2.75 bB 2年生 38.02±6.89 bC 166.21±89.96 aB 2.86±0.32 abB 23.07±4.33 bB 3年生 121.13±38.06 aA 228.66±111.23 aB 2.10±0.08 bB 36.88±3.33 aB 平均 66.20±18.33B 186.87±83.76B 2.98±0.51 B 28.42±3.47 B 秆 1年生 88.13±20.34 aB 46.39±12.99 bC 2.37±0.15 aC 29.86±5.76 aB 2年生 95.86±19.35 aB 124.30±34.72 abB 2.36±0.38 aB 33.67±6.68 aA 3年生 79.34±6.61 aB 301.28±79.33 aB 1.79±0.26 aB 49.11±7.58 aA 平均 87.78±15.43 B 157.32±42.34 B 2.17±0.27 B 37.55±6.67 A 说明：小写字母表示不同竹龄间差异显著(P＜0.05)，大写字母表示不同部位间差异显著(P＜0.05) 同一部位中不同营养元素质量分数也不同，叶中各元素质量分数从高到低依次为N、K、Ca、Mg、P、Mn、Fe、Zn、Cu，枝中依次为N、K、Ca、P、Mn、Mg、Fe、Zn和Cu，秆中依次为N、K、P、Ca、Mg、P、Mn、Fe、Zn、Cu。不同部位中各营养元素质量分数大致相似，最大的2种元素均为N和K，最小的2种元素均为Cu和Zn，与葛高波等[14]在黄竹上的研究结果相似。
竹龄对不同部位营养元素质量分数影响不同。总体上看，叶受竹龄影响最小，秆其次，枝受竹龄影响最大。具体看，叶中N、P和K质量分数受竹龄影响不大，枝中N、P、K质量分数随竹龄增大而降低，秆中N、P质量分数受竹龄影响不大，但K质量分数随竹龄增大而降低，其中1年生显著高于2年生、3年生立竹(P＜0.05)。叶和秆中Ca质量分数随竹龄增大而增大，叶中Mg质量分数受竹龄影响不大，枝中表现为1年生最高，显著高于2年生和3年生(P＜0.05)，秆中则表现为逐年增大。叶中Fe和Cu表现为随竹龄增大而降低，Mn和Zn较稳定，受竹龄影响不大；枝中Fe和Zn表现为3年生高于1年生和2年生，Cu表现为逐年下降；秆中Mn质量分数表现逐年增高，各竹龄差异显著(P＜0.05)，Zn随竹龄增大而逐年增高，但差异不显著(P＞0.05)，而Fe和Cu受竹龄影响不显著(P＞0.05)。
-
从表3可知：黄甜竹地上部9种营养元素积累总量为1 186.69 kg·hm−2，秆中的积累量最大(687.38 kg·hm−2)，其次是叶(333.01 kg·hm−2)，枝积累量最小，仅166.29 kg·hm−2，与绿竹[13]研究结果相同。不同营养元素累积量从大到小依次为N、K、Ca、P、Mg、Mn、Fe、Zn、Cu。
表 3 黄甜竹不同部位各营养元素的积累量
Table 3. Accumulation of nutrient elements in different parts of A. edulis
部位 N/
(kg·hm−2)P/
(kg·hm−2)K/
(kg·hm−2)Ca/
(kg·hm−2)Mg/
(kg·hm−2)Cu/
(kg·hm−2)Zn/
(kg·hm−2)Fe/
(kg·hm−2)Mn/
(kg·hm−2)合计/
(kg·hm−2)叶 212.18 8.00 50.37 47.00 10.19 0.04 0.25 1.27 3.72 333.01 枝 126.98 3.90 25.22 5.87 1.47 0.03 0.28 0.69 1.85 166.29 秆 417.91 27.21 191.10 27.34 11.50 0.09 1.61 3.68 6.95 687.38 合计 757.06 39.11 266.69 80.21 23.16 0.16 2.14 5.63 12.52 1 186.69 如图1可知：9种营养元素在黄甜竹叶、枝、秆中的分配率不同，除Ca外，其他元素的分配率均表现为秆中最大，其次是叶，枝中最小；秆中分配率最低的为Ca(34.09%)和Mg(49.65%)，另外7种元素均大于50%。叶中分配率最高的为Ca和Mg，占营养元素总量的58.59%和43.99%。
图 1 黄甜竹营养元素在各部位中的分配
Figure 1. Distribution of nutrient elements in aboveground parts of A. edulis
-
植物营养元素含量是植物生物学特性与生态环境相统一的结果，不但反映了植物自身的特征，也反映了植物在一定生境下从土壤中吸收和蓄积养分的能力[22]。竹子依靠根鞭吸收养分，按各器官所需运输、分配并积累；长期的自然进化导致竹叶作为有机物合成的“加工厂”，代谢活动最为活跃，营养元素需求量也最多，这也是黄甜竹竹叶中大部分营养元素远高于枝和秆的原因，与秦武明等[23]、刘鹏等[24]认为代谢越活跃的部位营养元素含量越高的观点一致。从营养元素功能的角度看，氮、磷、镁等是光合色素的重要组成元素，钾参与光合酶活化、促进碳水化合物合成、加速光合产物的流动，是确保光合过程高效运行的重要因子，因此，N、P、K、Mg等元素在光合器官叶中的质量分数显著高于非光合器官枝和秆。各营养元素在地上部分布规律大体相似，不同部位质量分数最大的2种元素均为N和K，最小的均为Cu和Zn，可能与物种的遗传特性密切相关[25]。对不同经营方式下毛竹各器官营养元素的研究表明[9]，毛竹各器官营养元素在集约经营和粗放经营中差异并不显著，表现出了较高的遗传稳定性。
黄甜竹不同器官通过有机配合进行物质的循环和能量的流动，以适应生长发育需要。随着竹龄的增长，竹叶通过周期性换叶增加竹叶数量实现叶生物量的积累，而竹枝和竹秆主要是靠竹壁增厚和竹壁密度的增加来实现生物量的积累，因此不同部位营养元素质量分数受竹龄的影响不同。本研究发现：不同竹龄的竹叶中营养元素质量分数差别不大，而秆和枝则受年龄的影响较大；说明不同竹龄竹叶生理状态和有机物合成能力相似，尽管竹龄增加了，但由于周期性脱落换新，叶龄相近。不同器官对养分需求量有差异，不同竹龄黄甜竹生物量增长不同，1年生单株枝和秆的生物量增长远高于2年生和3年生，与黄张婷等[11]和杨杰等[26]的研究结果相似，说明竹类植物在不同生长阶段竹叶对养分的合成能力差异不大，但在物质分配和积累上有较大差异。
黄甜竹地上部营养元素主要积累在秆中，其次为叶，枝中最少，积累量高低与生物量大小不完全一致，差异主要体现在叶和枝上，原因在于生物量的构成不仅仅包括上述9种营养元素，还包括大量的碳(C)、氢(H)、氧(O)等其他元素；叶中营养元素含量远远高于枝，因此叶中营养元素的积累量高于枝。就各营养元素积累量来看，黄甜竹N积累量高达63.80%，表现出了极强的N吸收能力；以此计算林地需肥量，适时补充N肥，为黄甜竹林地养分管理和定向培育提供数据支撑。
竹叶中含多种矿质元素，其中很多有一定的生理和药理作用，是竹叶保健功能的物质基础之一[27]。K在人体中可维持碳水化合物、蛋白质代谢，维持细胞正常渗透压；Ca参加骨骼和牙齿的组成；Fe参与血红蛋白形成，促进造血；Mn被认为是抗癌元素，是多种酶的催化剂；Zn参与多种酶的合成，促进人体生长发育，增强创伤组织再生[28]。本研究发现：黄甜竹叶中K、Ca、Fe、Mn、Zn等元素极为丰富，如K高达7.49 g·kg−1，Ca高达6.55 g·kg−1，是潜在的保健食品原料。在植物生长代谢过程中，营养元素不仅是细胞生长的物质来源，而且参与植物初生代谢和次生代谢，影响植物体内生理活性物质的组分和含量[29]，在日益关注健康的当下，挖掘竹子的保健功能已成为竹产业发展的新业态与新趋势[29]，分析营养元素的积累与分配可为黄甜竹竹叶资源综合开发利用提供理论基础和方向。
Content and distribution of the main nutrient elements in aboveground parts of Acidosasa edulis in southwest of Zhejiang Province
-
摘要:
目的 研究浙西南地区不同年龄黄甜竹Acidosasa edulis地上部营养元素质量分数及分配特性，为黄甜竹林地土壤养分管理和资源开发利用提供依据。 方法 采用全收获法计算生物量，测定不同年龄(1~3 a)和不同地上部位(叶、枝、秆)的植株样品中氮(N)、磷(P)、钾(K)、钙(Ca)、镁(Mg)、铁(Fe)、锰(Mn)、铜(Cu)和锌(Zn)等9种营养元素。 结果 ①黄甜竹地上部营养元素质量分数最高为叶(48.73 g·kg−1)，其次为枝(17.61 g·kg−1)，秆中最低(16.30 g·kg−1)；叶中各营养元素从高到低依次为N、K、Ca、Mg、P、Mn、Fe、Zn、Cu，枝中为N、K、Ca、P、Mn、Mg、Fe、Zn、Cu，秆中为N、K、P、Ca、Mg、P、Mn、Fe、Zn、Cu。各部位营养元素质量分数受竹龄影响不同，其中枝受竹龄影响最大，秆次之，叶最小。②营养元素积累量秆中最大(687.38 kg·hm−2)，其次是叶(333.01 kg·hm−2)，枝中最小(166.29 kg·hm−2)。不同营养元素的积累量从大到小依次为N、K、Ca、P、Mg、Mn、Fe、Zn、Cu。③不同部位营养元素分配率不同，总体表现为秆中最高(57.92%)，其次是叶(28.06%)，枝中最低(14.01%)。 结论 黄甜竹中N元素积累量最高，表明黄甜竹有较强的氮吸收能力，生产上要适时补充氮肥。竹叶中营养元素全面，有较高的开发利用价值。图1表3参29 Abstract:Objective With an investigation of the content and distribution characteristics of the main nutrient elements in the aboveground parts of Acidosasa edulis of different ages located in the southwest of Zhejiang Province, this study is aimed to provide a scientific basis for the management and exploitation of soil nutrients, as well as the rational utilization of Phyllostachys pubescens resources. Method Total harvest method was employed to estimate the biomass, and the contents of nitrogen (N), phosphorus (P), potassium (K), calcium (Ca), magnesium (Mg), iron (Fe), manganese (Mn), copper (Cu) and zinc (Zn) in plant samples of different ages (1−3 a) in different parts (leaves, branches and culms). Result a) In the aboveground parts of A. edulis, the total contents of the nine nutrient elements were as follows: leaf (48.73 g·kg−1), branch (17.61 g·kg−1) and culm (16.30 g·kg−1); whereas the contents of nutrient elements in leaves, branches and culms were as follows: N, K, Ca, Mg, P, Mn, Fe, Zn and Cu in leaf; N, K, Ca, P, Mn, Mg, Fe, Zn and Cu in branch; N, K, P, Ca, Mg, P, Mn, Fe, Zn and Cu in culm. b) The contents of nutrient elements in different parts were affected differently by the bamboo age which means that branches were most affected, culms were the second, and leaves were the least affected. c) The accumulation of the nine kinds of nutrient elements in culms was the highest (687.38 kg·hm−2), followed by that of the leaves (333.01 kg·hm−2), and the branches (166.29 kg·hm−2). d) The accumulation of different nutrient elements in A. edulis is as follows: N, K, Ca, P, Mg, Mn, Fe, Zn and Cu. e) The distribution rate of nutrient elements was different in leaves, branches and culms with the total distribution rate as follows: culm (57.92%), leaf (28.06%) and branch (14.01%). Conclusion The accumulation of N is the highest, indicating that A. edulis has strong nitrogen absorption capacity. Thus, extra attention should be paid to the timely supplement of nitrogen fertilizer to ensure a better production. Also, the leaves of A. edulis have high utilization value because of their comprehensive nutrient elements for human health, thus highly exploitable. [Ch, 1 fig. 3 tab. 29 ref.] -
Key words:
- Acidosasa edulis /
- nutrient elements /
- accumulation /
- distribution
-
宁夏回族自治区固原市位于黄土高塬沟壑区[1]。长期的过度放牧、不合理耕作，导致该地区植被稀疏、水土流失加剧[2]，严重影响了当地社会经济发展和生态安全。梯田有效缓解了农业生产带来的水土流失问题[3]，从20世纪80年代开始，固原市实施了大面积的坡改梯工程[4]。加之2000年开始实施的国家退耕还林还草工程[5]，该地区的水土流失问题有所缓解，生态环境持续向好[6]。随着遥感技术的快速发展，如何从遥感影像中高效、准确、大尺度地获取梯田时空分布信息，对于指导农业生产、水土保持监测和防治水土流失具有重要的意义。传统的梯田遥感识别主要采用目视解译[7]，该方法精度较高，但存在耗时耗力、成本高、方法复用性差等问题，目前更多用来采集机器学习(machine learning)的样本[8]。近年来，大部分学者采用面向对象或基于像元的监督识别技术，利用决策树(CART)、随机森林(RF)、支持向量机(SVM)、深度学习(DL)等[9-11]机器学习算法，先学习采集的样本，然后利用学习好的模型识别新的样本。面向对象技术较基于像元识别技术，不仅依靠地物的光谱特征，还利用像元和像元之间的关系提高识别精度，识别过程更加复杂，影像分辨率要求更高[7]。但是，无论采用哪种方法进行梯田遥感识别，基本上都是基于单机处理，普遍存在遥感数据获取困难、预处理复杂、性能限制等问题[9]，难以开展大尺度的遥感识别研究。为了解决这些问题，Google公司借助其强大的计算资源与海量数据存储，推出了遥感云平台Google Earth Engine(GEE)[12]。借助该平台，研究人员可以极大扩展自身原有研究的覆盖范围，提供国家乃至全球尺度的研究成果[13]。目前，GEE在大尺度森林变化监测、土地利用类型分类、人类居住地动态监测等[14-16]方面应用广泛，但大尺度梯田遥感识别未见相关报道。为此，本研究在GEE平台支持下，利用Landsat时间序列数据和SRTM数字高程模型(digital elevation model，DEM)，建立每年时间序列影像的百分位数特征。对比3种机器学习算法的分类精度大小，选择分类精度最高的识别结果，应用LandTrendr时序算法逐像元拟合修正时间序列，实现固原市1988−2019年度梯田动态监测的目的。研究结果可为黄土丘陵地区梯田的高效、准确识别和水土保持监测、评价提供参考。
1. 研究区概况
固原市(35°14′~36°31′N，105°19′~106°57′E)位于宁夏回族自治区南部的六盘山地区，辖原州区、西吉县、隆德县、泾源县、彭阳县，国土面积1.05 万km2。属大陆暖温带半干旱气候，年均气温6.3 ℃，年均降水量493.5 mm，降水量由东南向西北递减，年均蒸发量1 472.9 mm，年均无霜期152.0 d。域内地形南高北低，沟壑纵横，黄土丘陵面积达67.9%。地带性土壤以黑垆土为主，但严重的土壤侵蚀导致土壤母质层出露，黄绵土广布。植被总体上由东南的半湿润森林草原区向西北的干旱半干旱草原区过渡[4]。
2. 数据源与研究方法
黄土梯田动态监测的流程可分为4个主要功能模块：遥感数据加载、数据预处理、分类算法优选、序列优化。各模块从上到下，层层递进，最终实现黄土梯田动态监测(图1)。
2.1 数据源
2.1.1 Landsat影像
使用T1级别(质量最高)的Landsat地表反射率数据(surface reflectance, SR)。该数据产品已经过几何校正、辐射校正和大气校正，空间分辨率30 m，时间分辨率16 d。由于Landsat 5/7/8卫星的服务年限不同，1988−2011年使用Landsat 5影像，2012年使用Landsat 7影像，2013−2019年使用Landsat 8影像，共使用1 690景影像。
2.1.2 高程数据
采用30 m空间分辨率的数字高程模型，具体编号为SRTMGL1_003。
2.1.3 样本数据
地类仅分为梯田和其他2类。通过Google Earth Pro提供的高清历史影像，利用目视解译法采集样本数据。样本数据包括样点数据和斑块数据。样点数据按时间分为2010−2014年地类属性相同和2000年的样点，以满足Landsat 5/7/8不同卫星分别进行机器学习样本训练的需求。样点采集遵循以下原则：①在研究区生成5 km方形格网，以使样点分布均匀；②保持样点100 m以内属性相同。样点数据共2 673个，梯田样点1 040个，其他样点1 633个。斑块数据为6个随机分布的5 km×5 km正方形区域，参考Google Earth Pro中2019年厘米级高清遥感影像人工勾绘以及实地验证。
2.2 研究方法
2.2.1 合成影像
选择Landsat对应卫星影像的红波段(Br)、绿波段(Bg)、蓝波段(Bb)、近红外(Bnir)、短波红外1(Bswir1)、短波红外2(Bswir2)6个光谱波段；再经裁边(坏像元)、光谱指数计算(计算方法如表1)、去云后，针对黄土梯田全年季相变化特点[17]，统计每年度内时间序列影像百分位数特征融合影像[18]，即逐像元对某一波段1 a内所有观测值取其10%、25%、50%、75%、90%百分位数，获得该像元位置该波段对应的5个指标波段；再与6个地形特征波段组合，即由数字高程计算得到的海拔、坡度、坡向，以及3个3×3、7×7、11×11像元窗口内地形起伏度波段。共计61个特征波段。
表 1 光谱指数计算方法Table 1 Calculation methods of spectral index光谱指数名称 计算方法 归一化植被指数 BNDVI = (Bnir−Br)/(Bnir + Br) 增强型植被指数 BEVI = (Bnir−Br)/(Bnir + 6Br−7.5Bb + 1) 归一化建筑指数 BNDBI = (Bswir2−Bnir)/(Bswir2 + Bnir) 归一化湿度指数 BNDMI = (Bnir−Bswir1)/(Bnir + Bswir1) 归一化水体指数 BNDWI = (Bg−Bnir)/(Bg + Bnir) 说明：Br为红波段；Bg为绿波段；Bb为蓝波段；Bnir为近红 外；Bswir1为短波红外1；Bswir2为短波红外2 2.2.2 机器学习
3种机器学习算法为随机森林、决策树、支持向量机，GEE均有内建，可直接调用。另外，针对不同卫星分别进行机器学习，把样点数据分年度映射到对应合成影像并汇总(如Landsat 5包括2000、2010和2011年的样本)，再按9∶1划分样本，90%的样本用于分类器训练，10%的样本用于精度验证。
2.2.3 LandTrendr算法
LandTrendr算法将以年时间序列的值进行分割、逐段拟合、平滑[19]，获取单个像元在整个研究时间段内的整体变化特征。具体介绍参考文献[19]。
2.2.4 识别结果优化
应用前文分类精度最高的机器学习算法，对研究区1988−2019年逐年进行梯田遥感识别。为减少极端天气和人类活动导致识别错误，利用地类在时间序列上连续、稳定的特征，使用LandTrendr算法[19]对识别结果的时间序列(概率为0~1的浮点)拟合平滑处理。参考中国水土保持措施分类[20]，提取坡度＞2°和坡度＜25°区域的梯田，以减少沟壑地及塬地的误分。
2.2.5 精度验证方法
采用混淆矩阵的方法，以总体精度、Kappa系数、生产者精度和用户精度等指标作为识别精度评价依据。具体计算方法参考文献[18]。
2.3 植被覆盖度计算
植被覆盖度(fractional vegetation cover, FVC)采用归一化植被指数和像元二分模型计算。具体计算方法参考文献[21]。
3. 结果与分析
3.1 不同机器学习算法的精度
表2为随机抽取的1 051个样点的验证结果。4种精度指标均为随机森林算法最高，决策树算法次之，支持向量机算法最小。随机森林算法基于样点检验的精度分别为：梯田的生产者精度94.46%、梯田的用户精度89.03%、总体精度94.10%、Kappa系数为0.87，都远大于另外2种算法。因此，后文采用随机森林机器学习算法进行梯田遥感识别。
表 2 不同机器学习算法识别结果的样点验证精度Table 2 Sample points verification accuracy of the results of different machine learning algorithms机器学习
算法梯田的生产
者精度/%梯田的用户
精度/%总体精
度/%Kappa
系数随机森林 94.46 89.03 94.10 0.87 决策树 78.89 78.07 84.40 0.66 支持向量机 70.88 67.36 78.02 0.52 3.2 识别结果与人工勾绘斑块的验证
表3显示：去除交界100 m缓冲区后的验证精度高于未去除时(0 m)的验证精度。另外，经LandTrendr处理后梯田的生产者精度、梯田的用户精度、总体精度和Kappa系数分别为：81.75%、85.97%、93.33%、0.80，均大于LandTrendr处理前的验证精度。
表 3 原始识别结果及使用LandTrendr算法处理后的斑块验证精度(随机森林)Table 3 Speckles verification accuracy of the original results and the results of using LandTrendr algorithm(RF)去除交界
缓冲区/m验证像元数/
(×104个)LandTrendr
处理梯田的生产者
精度/%梯田的用户
精度/%总体精
度/%Kappa
系数0 20.66 处理前 78.24 73.47 84.73 0.65 处理后 80.82 76.18 86.38 0.68 100 14.43 处理前 77.55 84.93 92.04 0.76 处理后 81.75 85.97 93.33 0.80 说明：去除交界缓冲区是指去除梯田与其他类型交界线缓冲区范围内的像元，减少有地理配准误差较大的像元输入。0 m代表不 去除 3.3 LandTrendr拟合效果示例
选择3个不同位置来展示LandTrendr算法拟合效果(图2)，位置A原始识别结果在1994、2002、2004年被错误识别为其他类型，位置B原始识别结果在1997年被错误识别为其他类型，在2015年被错误识别为梯田类型。经LandTrendr算法处理后，这些错误类型均被校正。位置C原始识别结果与经LandTrendr算法处理后的结果均为其他类型，识别类型没有变化。
图 2 3个不同位置的原始识别结果及使用LandTrendr算法处理后的概率Figure 2 Classification probability of the original results and the results of using LandTrendr algorithm at 3 different positions3.4 近30年梯田面积和植被覆盖度
经LandTrendr算法处理后的研究区梯田面积(图3)变化趋势更稳定，从1988年5 816.59 km2减少到2019年3 146.72 km2，年均减少90.85 km2·a−1。1988−2019年，研究区植被覆盖度则呈现不断增加的趋势，与梯田面积变化趋势相反。另外，处理前、处理后的梯田面积与植被覆盖度极显著(P＜0.001)相关，其相关系数分别为−0.50和−0.75。
图 3 1988−2019年研究区梯田面积与植被覆盖度变化Figure 3 Variations of annual terraces area and annual mean fractional vegetation cover in the research area from 1988−20193.5 梯田使用时间分析
图4显示了研究区1988−2019年梯田使用时间长短的分布。从整体上来看，梯田主要分布在六盘山山脉两侧，且西部的梯田使用时间较东部更长。从局部来看，南部的泾源县区域，梯田零星分布，使用时间相对较短；西部西吉县的沟谷条带、中部的六盘山山脉、北部原州区清水河的河谷冲积平原(红色部分)能明显区分出来。
图 4 1988−2019年研究区梯田使用时间分布示意图Figure 4 Distribution of time to use terraces in the research area from 1988−20194. 讨论
4.1 机器学习识别精度的影响与优化
已有的梯田遥感监测研究[3-4]受限于单机处理性能和准确的历史样本采集，其研究内容往往时间短、区域小，限制了长时间序列、大尺度遥感监测的应用与发展。本研究使用模型迁移法，针对每一个传感器独立训练机器学习分类模型，减少了样本采集的难度，得以实现黄土梯田动态监测。然而，机器学习的识别精度主要受样本量、特征、机器学习算法的影响[7]。本研究利用多年采样法增加样本量，选取最优机器学习算法，得到较高的识别精度。另外，关于特征选取，我们前期使用了最大值、最小值、众数、中位数、平均数等多种特征融合方法，但识别精度均低于本研究的百分位数特征融合。而对于深度学习，我们在本地电脑使用相同样本集，多次构建深度学习模型并训练，然而识别精度也低于本研究的随机森林。最后引入LandTrendr算法逐像元拟合时间序列轨迹，有效校正了如图2中的异常值，提高了识别精度。而且，在斑块验证数据与样点采集时同样保留100 m空间误差时，消除2种利用类型相邻区域地理配准误差带来的系统错误后，基于2019年斑块检验总体精度93.33%，与样点验证总体精度94.10%相当，说明训练好的模型随时间迁移应用，识别性能不会降低。
4.2 梯田面积变化分析
整体来看，研究区1988−2019年梯田面积呈减少趋势，植被覆盖度则呈现逐步增长趋势，梯田面积与植被覆盖度极显著相关(P＜0.01)，说明梯田面积减少有助于生态环境向好发展。局部来看，研究区在1988−1996年梯田面积年均减少69.02 km2·a−1，与该时期宁南山区逐步退耕还林还草时间一致；1997−2000年梯田面积年均增长91.60 km2·a−1，与该时期耕地面积增长趋势相同[22]；在2001−2005年梯田面积下降较快，梯田面积年均减少250.51 km2·a−1，远高于1988−2019年年均减少速率90.85 km2·a−1，且2001−2005年植被覆盖度年均增长速率是1988−2019年植被覆盖度年均增长速度的4倍，与宁夏“退耕还林工程”生态政策大力实施的时间节点相符；从2007年开始，为巩固退耕还林工作，持续推进生态文明建设，研究区梯田面积下降减缓[6]。另外，研究区西部的梯田使用时间较东部更长，这可能与东部年降水量达650 mm，而西部年降雨量不到450 mm[4]，在东部进行梯田退耕后有利于提高植被成活率有关。
5. 结论
基于GEE云平台，使用随机森林机器学习算法与LandTrendr算法，可以高效、准确地实现长时间序列、大尺度的黄土梯田动态监测。相比1988年，研究区2019年梯田面积减少45.90%，植被覆盖度增长52.44%，说明近30 a梯田农业比例逐渐降低，生态环境持续向好发展。
-
图 1 黄甜竹营养元素在各部位中的分配
Figure 1 Distribution of nutrient elements in aboveground parts of A. edulis
表 1 黄甜竹标准株生物量
Table 1. Biomass of A. edulis standard plant
竹龄 秆/(g·株−1) 枝/(g·株−1) 叶/(g·株−1) 合计/(g·株−1) 1年生 3 866.67±359.49 bA 806.67±70.24 bB 410.00±26.46 cC 5 086.67 2年生 3 923.33±101.16 bA 916.67±40.41 abB 600.00±45.83 bC 5 440.00 3年生 4 533.33±446.58 aA 1 116.67±140.12 aB 973.33±45.09 aB 6 623.33 平均 4 107.78 946.67 661.11 5 716.67 说明：小写字母表示不同竹龄间差异显著(P＜0.05)，大写字母表示不同部位间差异显著(P＜0.05) 
下载: 导出CSV
表 2 不同竹龄黄甜竹各部位营养元素质量分数分析
Table 2. Nutrient content in different parts of A. edulis with different bamboo ages
部位 竹龄 N/(g·kg−1) P/(g·kg−1) K/(g·kg−1) Ca/(g·kg−1) Mg/(g·kg−1) 叶 1年生 31.45±2.76 aA 1.14±0.03 aA 7.81±0.39 aA 5.40±1.01 bA 1.65±0.06 aA 2年生 30.20±3.57 aA 1.21±0.08 aA 7.33±0.24 aA 6.26±0.91 abA 1.39±0.23 aA 3年生 31.94±1.77 aA 1.18±0.27 aA 7.34±0.80 aA 8.00±1.42 aA 1.51±0.32 aA 平均 31.20±1.53 A 1.18±0.07 A 7.49±0.06 A 6.55±0.53 A 1.52±0.17 A 枝 1年生 15.88±1.48 aB 0.58±0.08 aB 4.42±0.24 aB 0.67±0.18 aB 0.26±0.01 aB 2年生 13.70±0.32 bB 0.47±0.13 aC 2.37±0.17 bC 0.49±0.10 aB 0.10±0.03 bB 3年生 10.56±1.09 cB 0.22±0.04 bC 1.47±0.07 cC 0.68±0.15 aB 0.11±0.05 bB 平均 13.38±0.52 B 0.42±0.06 C 2.75±0.13 C 0.61±0.07 B 0.16±0.02 B 秆 1年生 9.52±1.79 aC 0.54±0.11 aB 6.30±0.53 aA 0.26±0.02 bB 0.18±0.01 bB 2年生 9.33±1.21 aC 0.79±0.28 aB 4.03±0.32 bB 0.47±0.10 bB 0.21±0.04 abB 3年生 10.79±0.84 aC 0.61±0.12 aB 3.48±0.37 bB 1.13±0.52 aB 0.40±0.16 aB 平均 9.88±1.17 C 0.65±0.17 B 4.60±0.18 B 0.62±0.15 B 0.27±0.06 B 部位 竹龄 Fe/(mg·kg−1) Mn/(mg·kg−1) Cu/(mg·kg−1) Zn/(mg·kg−1) 叶 1年生 282.01±24.01 aA 551.68±53.53 aA 7.22±0.36 aA 38.65±7.87 aA 2年生 177.98±30.25 bA 519.09±53.53 aA 6.43±0.33 bA 35.16±6.50 aA 3年生 152.25±10.06 bA 567.65±34.83 aA 5.72±0.18 bA 38.00±8.42 aB 平均 204.08±21.44 A 546.14±47.30 A 6.46±0.29 A 37.27±7.6 A 枝 1年生 39.45±10.03 bC 165.74±50.11 aB 3.98±1.13 aB 25.31±2.75 bB 2年生 38.02±6.89 bC 166.21±89.96 aB 2.86±0.32 abB 23.07±4.33 bB 3年生 121.13±38.06 aA 228.66±111.23 aB 2.10±0.08 bB 36.88±3.33 aB 平均 66.20±18.33B 186.87±83.76B 2.98±0.51 B 28.42±3.47 B 秆 1年生 88.13±20.34 aB 46.39±12.99 bC 2.37±0.15 aC 29.86±5.76 aB 2年生 95.86±19.35 aB 124.30±34.72 abB 2.36±0.38 aB 33.67±6.68 aA 3年生 79.34±6.61 aB 301.28±79.33 aB 1.79±0.26 aB 49.11±7.58 aA 平均 87.78±15.43 B 157.32±42.34 B 2.17±0.27 B 37.55±6.67 A 说明：小写字母表示不同竹龄间差异显著(P＜0.05)，大写字母表示不同部位间差异显著(P＜0.05)
下载: 导出CSV
表 3 黄甜竹不同部位各营养元素的积累量
Table 3. Accumulation of nutrient elements in different parts of A. edulis
部位 N/
(kg·hm−2)P/
(kg·hm−2)K/
(kg·hm−2)Ca/
(kg·hm−2)Mg/
(kg·hm−2)Cu/
(kg·hm−2)Zn/
(kg·hm−2)Fe/
(kg·hm−2)Mn/
(kg·hm−2)合计/
(kg·hm−2)叶 212.18 8.00 50.37 47.00 10.19 0.04 0.25 1.27 3.72 333.01 枝 126.98 3.90 25.22 5.87 1.47 0.03 0.28 0.69 1.85 166.29 秆 417.91 27.21 191.10 27.34 11.50 0.09 1.61 3.68 6.95 687.38 合计 757.06 39.11 266.69 80.21 23.16 0.16 2.14 5.63 12.52 1 186.69
下载: 导出CSV
-
[1] SHARMA J C, SHARMA Y. Nutrient cycling in forest ecosystems: a review [J]. Agric Rev, 2004, 25(3): 157 − 172. [2] 何林. 中国黄甜竹[M]. 北京: 中国林业出版社, 2012. [3] 谢益贵, 叶树军, 张世平. 高山引种黄甜竹试验初报[J]. 浙江林业科技, 2001, 21(4): 38 − 40. XIE Yigui, YE Shujun, ZHANG Shiping. Preliminary report on introduction of Acidosasa edulis on hills [J]. J Zhejiang For Sci Tech, 2001, 21(4): 38 − 40. [4] 陈松河, 郑清芳. 黄甜竹笋用林丰产培育技术模式的研究[J]. 竹子研究汇刊, 2001, 20(1): 61 − 67. CHEN Songhe, ZHENG Qingfang. Technical study on high-yield management pattern of shoot stand of Acidosasa edulis [J]. J Bamboo Res, 2001, 20(1): 61 − 67. [5] 何林, 傅冰, 王军峰, 等. 黄甜竹丰产林地下竹鞭结构生长规律研究[J]. 竹子研究汇刊, 2011, 30(3): 17 − 21. HE Lin, FU Bing, WANG Junfeng, et al. Growth pattern of the rhizome system in high-yield stands of Acidosasa edulis [J]. J Bamboo Res, 2011, 30(3): 17 − 21. [6] 吕兆林. 竹叶黄酮和挥发油的制备及生物活性的研究[D]. 北京: 北京林业大学, 2009. LÜ Zhaolin. Characterization, Production and Bioactivity of Flavonoids and Volatile Oil from Bamboo Leaves[D]. Beijing: Beijing Forestry University, 2009. [7] 周芳纯. 竹林培育学[M]. 北京: 中国林业出版社, 1998: 397 − 399. [8] 夏传格, 宁晨, 罗赵慧, 等. 不同年龄毛竹林养分分布及生物循环特征[J]. 生态学报, 2020, 40(11): 3715 − 3725. XIA Chuange, NING Chen, LUO Zhaohui, et al. Nutrient distribution and biochemical cycling in different aged moso bamboo (Phyllostachys pubescens) ecosystems [J]. Acta Ecol Sin, 2020, 40(11): 3715 − 3725. [9] 吴家森, 周国模, 钱新标, 等. 不同经营类型毛竹林营养元素的空间分布[J]. 浙江林学院学报, 2005, 22(5): 486 − 489. WU Jiasen, ZHOU Guomo, QIAN Xinbiao, et al. Distribution of nutrient elements in different organs of Phyllostachys pubescens under different managements [J]. J Zhejiang For Coll, 2005, 22(5): 486 − 489. [10] 宋艳冬, 金爱武, 金晓春, 等. 施肥对毛竹叶片光合生理的影响[J]. 浙江林学院学报, 2010, 27(3): 334 − 339. SONG Yandong, JIN Aiwu, JIN Xiaochun, et al. Physiology of leaf photosynthesis with fertilization in Phyllostachys pubescens [J]. J Zhejiang For Coll, 2010, 27(3): 334 − 339. [11] 黄张婷, 姜培坤, 宋照亮, 等. 不同竹龄雷竹中硅及其他营养元素吸收和积累特征[J]. 应用生态学报, 2013, 24(5): 1347 − 1353. HUANG Zhangting, JIANG Peikun, SONG Zhaoliang, et al. Uptake and accumulation characteristics of silicon and other nutritional elements in different age Phyllostachys praecox plants [J]. Chin J Appl Ecol, 2013, 24(5): 1347 − 1353. [12] 刘力, 林新春, 金爱武, 等. 苦竹各器官营养元素分析[J]. 浙江林学院学报, 2004, 21(2): 172 − 175. LIU Li, LIN Xinchun, JIN Aiwu, et al. Analysis of nutrient elements in various organs of Pleioblastus amarus [J]. J Zhejiang For Coll, 2004, 21(2): 172 − 175. [13] 叶晶, 陶立华, 柯和佳, 等. 绿竹地上部营养元素的吸收、积累和分配特性[J]. 浙江农林大学学报, 2015, 32(4): 545 − 550. YE Jin, TAO Lihua, KE Hejia, et al. Uptake, accumulation, and distribution of the main elemental nutrients in Dendrocalamopsis oldhami [J]. J Zhejiang A&F Univ, 2015, 32(4): 545 − 550. [14] 葛高波, 高智群, 刘欢, 等. 黄竹地上部分营养元素的吸收、积累和分配特性[J]. 竹子研究汇刊, 2016, 35(1): 41 − 45, 57. GE Gaobo, GAO Zhiqun, LIU Huan, et al. Uptake, accumulation and distribution of main elemental nutrients in the aboveground parts of Dendrocalamus membranceus [J]. J Bamboo Res, 2016, 35(1): 41 − 45, 57. [15] 叶晶, 葛高波, 应雨骐, 等. 青皮竹地上部营养元素的吸收、积累和分配特性研究[J]. 植物营养与肥料学报, 2015, 21(1): 154 − 160. YE Jing, GE Gaobo, YING Yuqi, et al. Absorption, accumulation and distribution of bamboo (Bambusa textilis) to the main nutrients [J]. J Plant Nutr Fert Sci, 2015, 21(1): 154 − 160. [16] WU Jiasen, XU Qiufang, JIANG Peikun, et al. Dynamics and distribution of nutrition elements in bamboos [J]. J Plant Nutr, 2009, 32(3): 489 − 501. [17] 石元值, 马立峰, 韩文炎, 等. 茶叶中磷、钾、铅、锌等17种元素的快速测定方法研究[J]. 食品科学, 2006, 27(1): 193 − 196. SHI Yuanzhi, MA Lifeng, HAN Wenyan, et al. Study on simultaneous determination of phosphorus, potassium, lead, zinc etc. altogether 17 elements in tea [J]. Food Sci, 2006, 27(1): 193 − 196. [18] 陈迪, 潘伟槐, 周哉材, 等. 植物营养元素运输载体的功能及其调控机制研究进展[J]. 浙江大学学报(农业与生命科学版), 2018, 44(3): 283 − 293. CHEN Di, PAN Weihuai, ZHOU Zaicai, et al. Research progresses on functional roles and regulation mechanisms of nutrient element transporters in plants [J]. J Zhejiang Univ Agric Life Sci, 2018, 44(3): 283 − 293. [19] 佟志龙, 陈奇伯, 王艳霞, 等. 不同林龄云南松林营养元素积累与分配特征研究[J]. 西北农林科技大学学报(自然科学版), 2014, 42(6): 100 − 106, 114. TONG Zhilong, CHEN Qibo, WANG Yanxia, et al. Accumulation and distribution characteristics of nutrients in Pinus yunnanensis forests with different ages [J]. J Northwest A&F Univ Nat Sci Ed, 2014, 42(6): 100 − 106, 114. [20] 储晓燕, 杨杰, 叶柳欣, 等. 高节竹地上器官氮、磷、钾含量及积累特性[J]. 福建林业科技, 2018, 45(3): 19 − 21. CHU Xiaoyan, YANG Jie, YE Liuxin, et al. Content and accumulation of N, P, K in above-ground organs of Phyllostachys prominens [J]. J Fujian For Sci Tech, 2018, 45(3): 19 − 21. [21] 陈瑞国, 彭超, 刘广路, 等. 不同年龄慈竹养分地上空间分布特征及叶养分与土壤肥力关系[J]. 四川农业大学学报, 2017, 35(3): 353 − 358. CHEN Ruiguo, PENG Chao, LIU Guanglu, et al. Above-ground spatial distribution feature of nutrients in different ages of Neosinocalamus affinis and correlation between soil and leaves nutrients [J]. J Sichuan Agric Univ, 2017, 35(3): 353 − 358. [22] 史瑞和. 植物营养原理[M]. 南京: 江苏科学技术出版社, 1989: 217 − 398. [23] 秦武明, 何斌, 覃世赢, 等. 厚荚相思人工林营养元素生物循环的研究[J]. 水土保持学报, 2007, 21(4): 103 − 107. QIN Wuming, HE Bin, QIN Shiying, et al. Biological cycling of nutrients in Acacia crassicarpa plantation [J]. J Soil Water Conserv, 2007, 21(4): 103 − 107. [24] 刘鹏, 郝朝运, 陈子林, 等. 不同群落类型中七子花器官营养元素分布及其与土壤养分的关系[J]. 土壤学报, 2008, 45(2): 304 − 312. LIU Peng, HAO Chaoyun, CHEN Zilin, et al. Nutrient element distribution in organs of Heptacodium miconioides in different communities and its relationship with soil nutrients [J]. Acat Pedol Sin, 2008, 45(2): 304 − 312. [25] 孙明茂, 洪夏铁, 李圭星, 等. 水稻籽粒微量元素含量的遗传研究进展[J]. 中国农业科学, 2006, 39(10): 1947 − 1955. SUN Mingmao, HONG Hachoel, LEE Kyuseong, et al. Progress of genetic research on trace minerals content in rice seed [J]. Sci Agric Sin, 2006, 39(10): 1947 − 1955. [26] 杨杰, 吴家森, 姜培坤, 等. 苦竹林植硅体碳与硅的研究[J]. 自然资源学报, 2016, 31(2): 299 − 309. YANG Jie, WU Jiasen, JIANG Peikun, et al. Study on phytolith-occluded organic carbon and silicon in a Pleioblastus amarus forest [J]. J Nat Resour, 2016, 31(2): 299 − 309. [27] 魏琦, 姚曦, 汤锋, 等. 苦竹属竹叶矿质元素比较研究[J]. 竹子研究汇刊, 2014, 34(3): 43 − 46. WEI Qi, YAO Xi, TANG Feng, et al. Mineral elements in bamboo leaves of ten Pleioblastus species [J]. J Bamboo Res, 2014, 34(3): 43 − 46. [28] WALLACE T C, MCBURNEY M, FULGONI V L. Multivitamin/mineral supplement contribution to micronutrient intakes in the United States, 2007−2010 [J]. J Am Coll Nutr, 2014, 33(2): 94 − 102. [29] 何跃君. 竹叶挥发油化学成分及其生物活性研究[D]. 北京: 中国林业科学研究院, 2009. HE Yuejun. Chemical Components and Biological Activities of Essential Oils from Bamboo Leaves[D]. Beijing: Chinese Academy of Forestry, 2009. 期刊类型引用(7)
1. 王晶，宋顺喜，王茹楠，张美云. 新型纤维素绝缘纸基材料的研究及应用现状. 中国造纸. 2025(03): 51-59 . 
百度学术2. 贾漫珂，刘钦，周子芸，张荣华，张昕，刘立明，周航旭，范金涛. 多种漂白助剂协同下棉短绒浆粕过硫酸氢钾漂白工艺研究. 中国造纸. 2025(03): 112-121 . 百度学术3. 邱竑韫，黄慧，闫实，刘春林，刘斌，贺磊，杨杰芳. 疏解工艺对簕竹重组材力学性能及尺寸稳定性的影响. 南方林业科学. 2024(01): 31-35+42 . 百度学术4. 闫实，杨正勇，周晓剑，陈新义，杨杰芳，贺磊，黄慧. 竹龄和竹秆纵向部位对簕竹材性及纤维性能的影响. 浙江农林大学学报. 2024(04): 861-869 . 本站查看5. 秦晓，倪静波，肖玉英，胡健，李海龙. 黄竹生长过程中纤维形态与结构的演变过程研究. 中国造纸. 2024(07): 15-23 . 百度学术6. 王炳智，田英姿. EST-SSR标记在竹亚科植物纤维资源评价中的应用. 造纸科学与技术. 2024(05): 1-6 . 百度学术7. 张健. 造纸生产中竹材制浆造纸工艺技术的应用研究. 华东纸业. 2024(11): 37-39 . 百度学术其他类型引用(1)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200646
点击查看大图
计量
- 文章访问数: 1020
- HTML全文浏览量: 243
- PDF下载量: 18
- 被引次数: 8
