下载:
-
氮元素是植物生长所需要的重要的大量元素元素之一，在植物生长过程中起到关键作用。菌根真菌氮元素的吸收利用研究被人们所关注[1-2]。通过接种，菌根真菌能有效地促进植株对氮素的吸收利用[3-5]。特殊内生菌根杜鹃花类菌根（ericoid mycorrhiza，ERM），对杜鹃花类植物克服恶劣环境、加强养分吸收和提高生长量起着重要作用[6-8]。ERM菌根共生体能够帮助杜鹃花科Ericaceae植物缓解环境压力，改善营养获取方式，吸收复杂有机态的氮[9-10]。张春英等[11]报道了云锦杜鹃Rhododendron fortunei幼苗接种形成菌根苗后，能提高对各种氮源营养的吸收，直接表现为增加植株的干物质积累。桃叶杜鹃Rhododendron annae为常绿灌木，成年树冠为圆球形，花色丰富，花期为晚春，主要分布于贵州海拔1 800～1 830 m高山地区，在城市园林建设中具有较高的开发应用潜力。野生桃叶杜鹃菌根结构复杂且侵染率较高[12]，通过接种，菌根真菌提高了菌根苗叶片的叶绿素含量，增强光合性能，促进了碳同化的高效运转和有机物的积累，提高了菌根苗同源激素含量，最终表现为菌根苗生物量的增加[13-14]。笔者研究ERM菌株接种后对桃叶杜鹃菌根苗硝酸还原酶（NR）活性和氮元素积累的影响，为桃叶杜鹃等高山常绿杜鹃菌根化园林栽培应用提供理论依据与技术支持。
-
12株供试菌株从野生桃叶杜鹃根部分离得到，编号为TY02，TY07，TY12，TY14，TY18，TY19，TY21，TY24，TY29，TY34，TY35和TY41[14]。分离菌株培养液为PDA培养基，置于28 ℃摇床上黑暗振荡160 r·min-1，培养15 d打碎并制成液体菌剂备用。
-
试验苗为实验室通过种子和土壤灭菌后培养的2年生实生桃叶杜鹃苗。育苗基质采自百里杜鹃风景区桃叶杜鹃林下腐殖质土，土样带回实验室进行土壤理化性质试验。供试土壤理化性质如下：pH 4.8，有机质44.1 g·kg-1，全氮1.5 g·kg-1，全磷0.2 g·kg-1，碱解氮269.0 mg·kg-1，速效磷7 mg·kg-1，速效钾206. mg·kg-1。
-
育苗基质经121 ℃高温蒸汽灭菌2 h，自然冷却后80 ℃烘2 h，然后放置室温后装入花盆（规格24 cm × 16 cm × 20 cm）。花盆装基质3 kg·盆-1，移植无菌桃叶杜鹃幼苗1株·盆-1。接种处理采用单因素完全随机设计，试验设13个处理（含对照ck），5盆·处理-1，重复3次。移栽3 d后每株苗根部各施入真菌液体菌剂10 mL，以浇不含菌的PDA培养液为对照，以后隔7 d浇1次菌液，连续浇3次结束，试验处理严格保证土壤微生物区系一致。接种后随机放置贵州大学林学院苗圃温室进行培养，按照常规育苗方法进行管理。
-
接种培养180 d后，随机取出幼苗10株·盆-1，流水洗净后吸干水分，在105 ℃杀青20 min，置于80 ℃烘箱48 h烘干至恒量，取出后分别称量地下部分（根）和地上部分（叶、茎和芽）的干质量，计算总生物量。采用Phillips等[15]的改进法统计侵染率。测定苗分地下根系及地上部分全氮采用H2SO4-H2O2消煮-半微量蒸馏法。用分光光度计测定法测定硝酸还原酶（NR）活性。以上测试重复3次。
-
运用Excel 2003记录及绘图；使用SPSS 11.5软件进行统计分析，采用单因素方差分析（one-way ANOVA），应用Duncan多重分析法进行方差检验（P=0.01）。
-
从图 1可以看出：接种苗菌根侵染率达到45.0%～74.1%。不同菌株对幼苗的侵染率表现出差异性，说明不同菌株与幼苗之间有相互选择性。
图 1 接种不同ERM菌株桃叶杜鹃菌根侵染率
Figure 1. Mycorrhizal colonsation of different strains inoculation of Rhododendron annae seedlings
-
从表 1可以看出：不同菌株侵染对桃叶杜鹃地上部分和地下根系生物量的影响存在显著差异，接种苗地上部分干质量比对照增加2.5%~99.7%，地下部分干质量增加6.0%~27.3%，接种苗总生物量比对照增加3.9%~61.2%。从植株外观上也明显看出接种对宿主生物量的影响较大（图 2）。
表 1 不同ERM菌株接种对桃叶杜鹃幼苗干质量的影响（平均值±标准差）
Table 1. Effects of inoculation with different ericoid mycorrhizal strains on growth of Rhododendron annae seedling (mean±SD)
处理 地上部分生物量 地下部分生物量 总生物量 干质量/g 增幅/% 干质量/g 增幅/% 干质量/g 增幅/% ck 0.213±0.003 A 0.0 0.183±0.027 A 0.0 0.396±0.030 A 0.0 TY02 0.335±0.001 D 57.3 0.210±0.011 ABCDE 14.4 0.544±0.010 E 37.4 TY07 0.267±0.004 C 25.3 0.212±0.008 DCDE 15.8 0.479±0.004 D 21.0 TY12 0.365±0.001 E 71.4 0.223±0.004 CDE 21.6 0.588±0.004 E 48.5 TY14 0.219±0.007 AB 2.7 0.203±0.006 ABCD 10.7 0.411±0.010 AB 3.8 TY18 0.425±0.009 G 99.7 0.214±0.012 BCDE 16.5 0.639±0.021 F 61.4 TY19 0.275±0.006 C 29.3 0.197±0.002 ABC 7.6 0.473±0.005CD 19.4 TY21 0.260±0.002C 21.9 0.206±0.006 ABCDE 12.5 0.466±0.004 CD 17.7 TY24 0.235±0.005 B 10.3 0.201±0.010 ABCD 9.8 0.436±0.008 BC 10.1 TY29 0.397±0.001 F 86.4 0.233±0.015 CD 27.3 0.630±0.014 F 59.1 TY34 0.259±0.030 C 21.6 0.204±0.006 ABCD 11.3 0.463±0.033 CD 16.9 TY35 0.377±0.002 EF 76.8 0.227±0.006 DE 23.8 0.604±0.008 EF 52.5 TY41 0.218±0.002 AB 2.5 0.194±0.002 AB 6.0 0.413±0.004 AB 4.3 说明：同列不同大写字母表示差异达到极显著水平（P < 0.01）。 
图 2 不同ERM菌株接种处理桃叶杜鹃幼苗外形比较
Figure 2. Appearance of Rhododendron annae seedling inoculationed with different strains of ericoid mycorrhizae
-
由图 3可见：接种苗地上部分叶的氮质量分数均高于对照，除TY19，其他菌根差异极显著（P < 0.01），较未接种处理，接种幼苗叶部氮质量分数提高2.8%~50.6%。地下根系氮质量分数除TY19低于对照外（差异不显著），其他处理均高于对照，且差异极显著（P < 0.01），接种苗根部氮质量分数提高2.0%~40.3%。这表明通过接种处理后，增强了幼苗对氮的吸收，但不同菌株之间的影响有差异。
图 3 不同ERM菌株接种对桃叶杜鹃幼苗氮的影响
Figure 3. Effect on nitrogen content in Rhododendron annae seedling inoculationed with different strains of ericoid mycorrhizae
从图 4可以看出：不同菌株接种提高了幼苗硝酸还原酶活性，且各处理差异极显著（P < 0.01）。接种苗根部硝酸还原酶活性除TY41外，高于对照0.9%~29.3%，叶部硝酸还原酶活性除TY41和TY24外，高于对照6.5%~43.9%。不同器官硝酸还原酶活性表现为根系 > 叶片。
图 4 不同ERM菌株接种对桃叶杜鹃幼苗硝酸还原酶活性的影响
Figure 4. Effect on nitrate reductase active in Rhododendron annae seedling inoculationed with different strains of ericoid mycorrhizae
-
从表 2相关性分析可知：侵染率与地下部分干质量呈极显著正相关，与总生物量和叶部硝酸还原酶活性呈显著相关关系。这表明侵染率的高低直接影响桃叶杜鹃幼苗的生物量积累、硝酸还原酶活性。根部及叶部硝酸还原酶活性与地上干质量、总生物量有相关性，但叶部的相关性大于根部；叶部硝酸还原酶活性与叶部氮质量分数呈极显著正相关关系。
表 2 菌根侵染率、生物量、氮吸收量及硝酸还原酶活性Pearson相关系数
Table 2. Pearson correlation coefficient of mycorrhizal colonize, biomass, nitrogen content and nitrate reductase activity
项目 侵染率 地下部分干质量 地下部分干质量 总生物量 根部氮量分数 叶部氮质量分数 根部硝酸还原酶活性 叶部硝酸还原酶活性 侵染率 1 地下部分干质量 0.706** 1 地上部分干质量 0.584 0.831** 1 总生物量 0.613* 0.872** 0.996** 1 根部氮质量分数 0.595 0.308 0.119 0.144 1 叶部氮质量分数 0.565 0.451 0.490 0.496 0.360 1 根部硝酸还原酶活性 0.515 0.505 0.647* 0.642* 0.207 0.423 1 叶部硝酸还原酶活性 0.579* 0.653 0.815** 0.806** 0.194 0.272** 0.763** 1 说明：*差异达到显著水平（P < 0.05）；**差异达到极显著水平（P < 0.01）。 -
研究桃叶杜鹃菌根氮效应极有意义，因为对于杜鹃花科植物来说，土壤中能供给此类植物的氮养分多数以有机态形式存在，因此在杜鹃花科植物氮养分吸收中菌根共生体起到了重要的作用。对于杜鹃花类菌根吸收利用氮素的原因可能有：①由于杜鹃花生长土壤为酸性土，pH值较低，土壤中铵盐比硝酸盐多，氮素矿物化过程缓慢，氨离子在土壤中的流动性不大，其扩散速度一般会小于根的吸收速度，所以，杜鹃花类植物的吸收根周围会形成一个缺氮区。根外菌丝越过缺氮区能够把远处的铵盐吸收到菌根中来。②ERM真菌的吸收系统对氮有很高的亲和力，能在含氮量少的低浓度溶液中吸收氨离子。③利用植物所不能利用的或很少利用的有机氮源[16]。
本研究得出桃叶杜鹃幼苗接种后，地上部分与地下部分的氮含量均显著增加，说明菌根真菌促进了幼苗对氮的吸收与利用。这与云锦杜鹃菌根苗试验结果相似[11, 17]。宋福强等[18]认为菌根改善宿主植物的氮营养状况的作用主要表现在2个方面，一是根外菌丝直接吸收土壤氮的作用；二是菌根首先改善植物的磷营养状况，进而促进植物对土壤氮的吸收作用。菌根真菌提高植物对氮、磷元素的吸收报道很多，桃叶杜鹃接种后根部与叶部的磷含量均比对照增加且大于氮的吸收强度（文章待发），有些宿主吸收氮的强度大于磷，这可能与不同宿主及不同菌根有关，因此，菌根是否先通过改善植物的磷营养状况，进而促进植物对土壤氮的吸收有待试验和验证。施氮情况下，菌根宿主云锦杜鹃[11]、刺槐Robinia pseudoacacia[19]生物量增加，吸氮量及硝酸还原酶活性发生变化。由于本研究所有基质均一致，未额外添加不同氮源，所以菌根真菌吸收和利用氮源情况及与宿主的共生机理关系还需进一步深入研究。
Foissner等[20]采用激光共聚焦的方法发现真菌激发子诱导烟草表皮细胞浆和叶绿素的一氧化氮迸发。一氧化氮影响植物的生长发育等生理代谢过程，而硝酸过原酶硝酸还原酶普遍具有合成一氧化氮的功能。Kaiser等[21]发现，硝酸还原酶催化NO2-产生的一氧化氮在脱落酸诱导气孔关闭的过程中有重要的作用，通过对脱落酸钝感型等突变体的研究发现，由硝酸还原酶催化生成的一氧化氮是脱落酸诱导气孔关闭所必需。在相关性分析数据中，桃叶杜鹃菌根苗根部硝酸还原酶与地下根部生物量相关，与地上部和总生物量显著相关，叶部硝酸还原酶与地上根部生物量相关，与地上部和总生物量极显著相关。接种后菌根苗体内的脱落酸含量增加[15]，这说明生物量的增加与接种真菌具有很大关系。硝酸还原酶是一种诱导酶，同时是一种调节酶和限速酶，存在于植物的根部质体中和叶绿体中，菌根真菌是如何激活和诱导硝酸还原酶，菌根植物硝酸还原酶是如何合成一氧化氮等分子机制有待深入研究。
Nitrate reductase activity and N absorption of Rhododendron annae seedlings with ericoid mycorrhiza inoculation
-
摘要: 研究12株杜鹃花类菌根(ericoid mycorrhiza, ERM)菌株对2年生桃叶杜鹃Rhododendron annae幼苗生长及矿质元素氮积累的影响。结果表明:接种ERM真菌的植株根系均被有效地感染, 不同菌株促生效应显著, 接种ERM真菌显著增加幼苗地上、地下部分及总生物量。与对照相比, ERM菌株接种后, 显著提高了接种幼苗氮质量分数和硝酸还原酶(NR)活性, 且各处理差异极显著(P < 0.01)。接种苗根部氮质量分数提高了2.0%~40.3%, 叶部提高了2.8%~50.6%。接种苗根部硝酸还原酶活性除菌株TY41外, 其余处理高于对照0.9%~29.3%, 叶部除菌株TY41和菌株TY24外, 高于对照6.5%~43.9%。不同器官硝酸还原酶活性表现为根系大于叶片。Abstract: To measure growth and N accumulation in two-year-old Rhododendron annae seedlings, twelve ericoid mycorrhiza (ERM) fungal strain isolates were used for inoculation. The test design set 13 treatments (including ck), each disposed 5 trees, 3 times repeated. The inoculated method was soil inoculation. Results showed that ERM fungi colonized the seedling roots improving biomass of seedling aboveground and belowground parts. Compared to uninoculated controls, inoculation with different ERM strains showed a highly significant increase (P < 0.01) for N content in the leaves and roots of seedlings as well as nitrate reductase (NR) activity. Root N content increased 2.0%-40.3%, and foliar N increased 2.8%-50.6%. Except for TY14, root NR activity was higher than the control (0.9%-29.3%), and except for TY41 and TY24, foliar NR activity was higher than the control 6.5%-43.9%. NR activity in different organs showed root>leaf. ERM fungal strain promoted the growth, NR activity and N content of R. annae seedlings, which meant to promote seedling nitrogen absorption and utilization. Effects of mycorrhiza varied by different ERM fungi strain.
-
Key words:
- botany /
- ericoid mycorrhiza(ERM) /
- nitrogen /
- nitrate reductase /
- Rhododendron annae
-
森林是陆地生态系统的主体，在全球碳循环中起着十分重要的作用。森林蓄积量作为衡量森林数量的重要的指标之一，能够直观反映森林资源数量和质量，获取森林蓄积量是推算森林生物量和碳储量的必要环节[1-3]。《“十四五”林业草原保护发展规划纲要》明确指出：将增加中国森林蓄积量作为主要目标之一，并将森林蓄积量与森林覆盖率作为两大约束性指标。因此，实现森林资源动态检测、准确获取森林蓄积量等参数信息，已成为当前森林资源调查的迫切需求。激光雷达(light detection and ranging, LiDAR)作为一种新兴的主动式遥感技术，能够从不同空间尺度对生态系统进行高效精准的监测[4]。机载LiDAR发射的激光脉冲能穿透森林冠层并获取树冠上部枝叶的空间信息，通过林分内的空隙，测量冠层结构信息和林下地形信息[5]。而传统方法通过样木、样地等抽样调查进行林分森林参数的推算，调查周期长、成本高且调查范围有限[6-7]。激光雷达在获取森林空间结构因子和地形因子等信息方面具有精度高、范围广等优势。
近年来，基于机载激光雷达的林分蓄积量反演已有许多研究成果，集中在构建参数方法和非参数方法的蓄积量反演模型。PAWE等[8]基于机载LiDAR数据对波兰东南部林区建立多元线性回归蓄积量反演模型，其中均方根误差(root mean square error, RMSE)为15.2%；CHIRICI等[9]以Landsat 5TM、卫星LiDAR数据等预测变量联合气温、降水和地形等辅助变量进行意大利中部地区蓄积量的大尺度反演，其中随机森林回归模型最优，决定系数(R2)为0.69、RMSE为37.2%；陈松等[10]基于Sentinel-2与机载LiDAR数据采用不同回归方法对广西高峰林场界牌、东升分场进行蓄积量反演，构建MLR-Logistic联立模型精度优于随机森林等机器学习方法，R2为0.60、相对均方根误差(relative root mean-squared error, RRMSE)为29.29%；曾伟生等[11]基于机载LiDAR数据，采用线性和非线性参数回归方法对东北林区进行蓄积量反演，其中非线性回归模型R2为0.71~0.82，略优于线性回归。已有多位研究者基于机载LiDAR数据进行林分蓄积量反演模型研究，但对于建模方法中参数回归和非参数回归模型的比较国内研究较少。本研究以广西国有高峰林场桉Eucalyptus树人工林为研究对象，基于机载激光雷达数据及地面调查数据，采用逐步回归、偏最小二乘回归等参数回归和随机森林、支持向量回归等非参数回归进行蓄积量反演模型研建，并通过模型评价指标对以上4种方法进行模型评估，进而选择出拟合优度、泛化能力最优模型。
1. 数据获取与预处理
1.1 研究区概况
研究区位于广西壮族自治区南宁市兴宁区的国有高峰林场，22°51′~23°02′N，108°06′~108°31′E，该区地处亚热带地区，年平均气温约21 ℃，年平均降水量为1 200~1 500 mm，相对湿度为79%，属丘陵地貌，海拔为100~460 m，坡度为6°~35°，具有较厚的赤红壤，适宜亚热带和热带树种生长，森林覆盖率达87%，主要树种为杉木Cunninghamia lanceolata、巨尾桉Eucalyptus grandis × E. urophylla、马尾松Pinus massoniana等。
1.2 样地数据
调查时间为2018年1—2月，研究区内共设置71块桉树样地(图1)，其中激光雷达覆盖范围内共57块样地。样地大小为20 m×20 m、25 m×25 m和25 m×50 m。采用实时动态差分技术(real-time Kinematic，RTK)进行样地定位，记录样地中心点及样地角点。采用每木检尺的方法，使用胸径尺、激光测高仪和皮尺逐一测量样地内树木的胸径、树高等数据。统计样地调查数据得到样地算数平均树高、算数平均胸径、样地面积(表1)。通过广西地区桉树二元材积表对单木材积量进行计算[12]，进而计算得到样地尺度的公顷蓄积量值(V样地)：V样地=V公顷S样地/10 000。其中：V公顷为通过二元材积公式计算得的每公顷蓄积量，S样地为桉树样地面积。
表 1 样地参数统计Table 1 Parameter statistics of sample plots项目 平均树高/m 平均胸径/cm 单位蓄积量/(m3·hm−2) 最大值 30.40 21.10 320.66 最小值 7.48 5.24 17.79 平均值 15.19 12.06 90.47 标准差 4.22 3.55 65.58 1.3 LiDAR数据及预处理
于2018年1月采集机载LiDAR数据，使用有人机并搭载LMS-Q680i激光雷达扫描仪，实际飞行高度为1 000 m，最大扫描角度为30°，波长为1 550 nm，激光脉冲长度为3 ns，采样间隔为1 ns，最大扫描频率为400 KHz，垂直分辨率为0.15 m，点云密度为10 pt·m−2。
使用LiDAR 360软件对机载激光雷达点云进行点云拼接、去噪、地面点分类、基于地面点归一化等预处理，结果如图2所示。根据样地角点以中心点坐标对点云进行裁剪，提取出基于样地尺度特征变量共48个，包括37个点云高度参数、10个密度参数、郁闭度等点云特征变量，具体参数见表2。
表 2 提取点云特征变量Table 2 Extracting point cloud feature variables变量类型 变量名 特征描述 高度变量 Hmax 归一化后所有点的Z值的
最大值Hmin 归一化后所有点的Z值的
最小值Hmedian_z 高度平均偏差 Hstddev 高度标准差 Hkurtosis 高度峰度 Hsqrt_m 高度二次幂均值 Hcurt_m 高度三次幂均值 HP1, HP5$, \cdots, $ HP99 归一化点云高度分布的百
分位数，共15个HA1, HA2$, \cdots, $ HA99 归一化点云累计高度的百
分位数，共15个密度变量 D1, D2$, \cdots, $ D9 将点云从低到高分成10个
相同高度的切片，该层
回波数点在所有返回点
的所占比例，共9个郁闭度 CC 首次回波中，植被点数与
所有点的比值1.4 建模数据准备
使用MATLAB激光雷达覆盖范围内57个样本进行随机抽样，按照3∶1的比例选取42个作为训练样本，15个作为验证样本。以样地实测公顷蓄积量为因变量，筛选后点云特征为自变量，采用逐步回归、偏最小二乘回归、随机森林回归、支持向量回归模型进行拟合 。
2. 研究方法
2.1 变量筛选
2.1.1 基于逐步筛选法优选变量
对于逐步回归，采用逐步筛选法对所有特征变量进行变量筛选；再对筛选出特征变量进行多重共线性检验，计算各变量间容忍度或特征变量间方差膨胀因子(FVI) 2个统计量[13]，对于容忍度≤0.2或FVI≥5的变量进行进一步讨论，确定最优特征变量子集。FVI=1/(1−R2)。其中：R为特征变量间相关系数。
2.1.2 基于随机森林优选变量
对于偏最小二乘回归、支持向量机回归、随机森林回归等方法，使用随机森林中重要性排序对特征变量进行优选。其主要原理为随机森林算法在构建各决策树时，对某一特征变量进行取舍，若此时均方误差(mean square error, MSE)有较大变化，则该特征变量重要性高，最终得到所有特征变量重要性排序。
2.2 蓄积量模型建立方法
2.2.1 逐步回归
逐步回归(stepwise regression, SR)可用于筛选并剔除引起多重共线性的变量，逐步回归建立模型一般形式为：Y=β0+β1X1+β2X2
$+\cdots + $ βiXi+ε。逐步筛选法结合了向前选择变量法和向后选择变量法的优点，对i个自变量X分别与因变量Y建立一元回归模型，计算各变量所对应F值，其中，β0为常数，βi为回归系数，ε为误差项。在建立逐步回归模型时，选择当前未加入模型的预测变量中F的最大值所对应的$ {X}_{i} $ 加入模型，再对已选入预测变量逐个进行t检验，若存在已选入预测变量不再显著，则将其剔除。重复以上步骤，直到既没有显著的解释变量选入回归方程，也没有不显著的解释变量从回归方程中剔除为止，将保留下来的最优子集作为建立模型的特征变量，并将候选变量对应系数保留。2.2.2 偏最小二乘回归
偏最小二乘回归(partial least squares regression, PLSR)结合了主成分分析、典型相关分析的优点，实现了数据降维、信息综合[14]。首先对训练样本进行数据标准化处理，调用plsregress函数提取主成分与自变量和因变量组合。分别计算自变量和因变量提取出成分的贡献率进而计算得到累计贡献率，当度量因子Q2h≥0.097 5停止主成分的提取[15]。统计主成分对个数并建立各自变量与因变量的线性表达式，最后根据所建立的各主成分对模型，整理得到PLSR模型。
2.2.3 支持向量机回归
支持向量机算法(support vector machine, SVM)利用内积核函数代替高维空间的非线性映射, 不涉及大数定律和概率测度等有关问题, 且SVM的决策函数仅有少数支持向量决定，该算法在解决小样本多维度回归和分类问题时泛化能力强，具备较好的“鲁棒性”。VAPNIK[16]在SVM分类的基础上引入了不敏感损失函数，得到了支持向量机回归算法(support vector regression, SVR)。
使用Libsvm工具箱实现SVR算法，采用网格搜索法(grid search)对常用的4种核函数进行参数寻优[17]，即线性、多项式、RBF (径向基核函数)、sigmoid (多层感知机核函数)。同时进行十折交叉验证，保证回归模型中惩罚系数(C)与gamma值(g)达到最优。
2.2.4 随机森林回归
随机森林回归(RFR)算法采用自助采样法(bootstrap sampling)，在以决策树构建Bagging集成的基础上，对样本和特征变量进行随机选择[18]。调用TreeBagger函数进行RFR算法建模，通过对决策树数量(ntree)和最小叶子点数进行参数寻优，直到袋外(out-of-bag，OOB)误差的MSE达到最小，保证模型预测性能达到最优，将寻优结果作为RFR模型的建模参数，用于模型构建。
2.3 模型评估方法
本研究使用决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)对林分蓄积量估测模型进行定量的精度验证和评价。其计算公式为：
$$\quad\;\;\, {R}^{2}=1-\frac{\displaystyle\sum\limits_{i = 1}^{{n}} {({y}_{i}-{\hat{y}}_{i})}^{2}}{\displaystyle\sum\limits _{i=1}^{n}{({y}_{i}-{\bar{y}}_{i})}^{2}} \text{；} $$ $$ {E}_{\mathrm{R}\mathrm{M}\mathrm{S}}=\sqrt{\frac{\displaystyle\sum \limits_{i=1}^{n}{({y}_{i}-{\hat{y}}_{i})}^{2}}{n}} \text{；} $$ $$ {E}_{\mathrm{M}\mathrm{A}}=\frac{1}{n}\displaystyle\sum\limits _{i=1}^{n}\left|({y}_{i}-{\hat{y}}_{i})\right| 。 $$ 其中：
$ {y}_{i} $ 、$ {\bar{y}}_{i} $ 、$ {\hat{y}}_{i} $ 分别为实测蓄积量值、实测蓄积量均值、模型预测蓄积量值；ERMS为均方根误差；EMA为平均绝对误差；n为验证样本数量。进行评估模型时，R2越趋近于1，代表拟合程度越高；ERMS越小，代表真实值与模型预测值之间离散程度越小；EMA越小，代表真实值与模型预测值之间的误差越小。3. 结果与分析
3.1 变量筛选结果
3.1.1 逐步筛选法
在采用逐步筛选法进行偏F检验时，取偏F检验拒绝域的临界值为F进＞F出，F进为选入变量时的临界值、F出为删除变量时的临界值。本研究设定F进为0.10，F出为0.11，筛选特征变量结果为D9、HP95、Hmax、Hkurtosis。
对筛选出的变量进行双变量相关性分析，根据相关系数(R)计算各变量间方差膨胀因子(FVI)。计算结果如表3，Hmax与HP95之间FVI为250.25，FVI大于5，认为两者之间存在共线性。因此分别以D9、Hmax、Hkurtosis和D9、HP95、Hkurtos为建模因子。
表 3 各特征变量间的方差膨胀因子Table 3 FVI calculation of each variable变量 D9 Hmax HP95 Hkurtosis D9 2.46 2.69 1.00 Hmax 2.46 250.25 1.01 HP95 2.69 250.25 1.01 Hkurtosis 1.00 1.01 1.01 3.1.2 基于随机森林筛选变量
对所有的48个特征变量进行重要性排序，调用随机森林中OOBPermutedVarDeltaError参数，得到所有特征变量的重要性。选择重要性大于0.2的变量作为建模因子，筛选结果如图3，包括8个高度变量、2个密度变量，其中Hcurt重要性最高，达0.52；D6重要性相对最低，为0.22。
3.2 模型建立与评价
3.2.1 逐步回归法
根据特征变量优选结果，分别建立以D9、Hmax、Hkurtosis和D9、HP95、Hkurtos为建模因子的多元线性模型:
$$ Y_{\rm{1}} = 470.232D_{\rm{9}} + 4.897H_{\rm{P95}} + 1.453H_{\rm{kurtosis}} - 56.903 \text{；} $$ $$ Y_{\rm{2}} = 482.214D_{\rm{9}} + 4.855H_{\text{max}} + 1.461H_{\rm{kurtosis}} - 65.01 。 $$ 使用SPSS 26对Y1、Y2模型进行初步评估，计算2种模型的相关系数(R)、R2以及标准估算误差(SE)，结果如表4。结果表明Y2中R2、SE均优于Y1，因此选定Y2作为逐步回归模型。
表 4 逐步回归模型初步评估Table 4 Preliminary evaluation of stepwise regression model模型 R R2 调整后R2 SE Y1 0.950 0.902 0.894 18.460 Y2 0.953 0.908 0.900 17.904 3.2.2 偏最小二乘回归
利用PLSR提取的主成分F1、F2与因变量Y关系分别为F1=5.840Y+b和F2=0.271Y+b，b为常数，得到最小二乘回归模型为：
$$ \begin{split} Y=\;&-42.571{-1.344H}_{{\rm{A}}25}-0.513{H}_{{\rm{A}}30}+1.450{H}_{{\rm{curt}}}+\\ \;&1.134{H}_{{\rm{mean}}}+0.705{H}_{{\rm{P}}20}+1.088{H}_{{\rm{P}}25}+{1.337H}_{{\rm{P}}30}+\\ \;&{1.523H}_{{\rm{P}}40}+24.647{D}_{6}+{445.634D}_{9} 。 \end{split} $$ 3.2.3 支持向量机回归
调用meshgrid函数对C、gamma进行参数寻优并采用十折交叉验证，调用svmtrain函数，分别构建4种不同核函数的SVR模型并进行模型训练，训练结果如表5。得到拟合结果最优模型为RBF-SVR，其C为8，gamma为0.125。RBF-SVR模型R2为0.85，RMSE为29.24 m3·hm−2，MAE为94.98 m3·hm−2，选定该模型作为本研究的SVR模型。
表 5 SVR不同核函数拟合结果Table 5 Fitting results of different kernel functions of SVR核函数 R2 RMSE/(m3·hm−2) MAE/(m3·hm−2) 线性 训练样本 0.89 18.62 14.49 验证样本 0.83 30.43 24.73 多项式 训练样本 0.74 34.34 23.06 验证样本 0.78 52.33 33.54 RBF 训练样本 0.95 13.09 11.65 验证样本 0.85 29.24 23.96 sigmoid 训练样本 0.80 24.91 17.79 验证样本 0.77 35.91 25.71 3.2.4 随机森林回归
本研究采用穷举法对决策树数量和最小叶子点数进行参数寻优。分别设置决策树数量和最小叶子点数最小值为50和2，每次递增10和1，对寻优过程循环，通过观察OOB误差的MSE变化，直到寻找到本模型最优参数，寻优结果如图4。最终确定决策树数量为90，叶子节点数量为2，将寻优结果作为建模参数，输入训练样本，完成RFR模型构建。
3.2.5 模型评价
使用验证样本对各模型的预测性能进行评估，结果如表6、图5。可以看出不同的回归模型均表现出较好的拟合结果，其中拟合结果最优模型为RFR模型，模型评价结果R2为0.95，RMSE为12.64 m3·hm−2，MAE为8.00 m3·hm−2，RBF-SVR模型其次，R2为0.94，RMSE为13.09 m3·hm−2，MAE为11.65 m3·hm−2。将验证样本带入模型，检验模型的预测能力，结果显示各模型预测能力与模型的拟合效果一致。通过传统方法的划分训练样本与验证样本，存在一定的偶然性与不确定性，为了进一步确保各模型的稳定性与泛化能力，采用留一法交叉验证(leave-one-out cross validation，LOOCV)对本研究中各模型进行再次评估[19]，如图6所示：RBF-SVR模型表现最优，R2为0.88，RMSE为21.35 m3·hm−2，MAE为16.62 m3·hm−2，与其他模型相比，R2高出0.03~0.07，RMSE减少2.58~5.17 m3·hm−2，MAE减少0.79~3.32 m3·hm−2。
表 6 蓄积量反演模型评估Table 6 Evaluation of growing stock volume inversion model模型 样本 R2 RMSE/(m3·hm−2) MAE/(m3·hm−2) SR 训练样本 0.91 17.03 13.27 验证样本 0.82 33.33 24.03 PLSR 训练样本 0.90 17.63 13.49 验证样本 0.80 34.53 27.76 RBF-SVR 训练样本 0.94 13.09 11.65 验证样本 0.85 29.24 23.96 RFR 训练样本 0.95 12.64 8.00 验证样本 0.88 28.11 19.48 
图 5 各模型训练结果与验证结果散点图Figure 5 Scatter diagram of training results and verification results of each model4. 讨论
本研究采用SR、PLSR等参数回归方法与RFR、SVR等非参数回归方法进行广西高峰林场桉树人工林的蓄积量反演模型研建，通过对点云特征变量筛选、建模因子优选、参数寻优等方法保证各模型达到最优性能，在此基础上采用留一法对各模型进行交叉验证，保证了模型的稳定性与泛化能力，并将该结果作为本研究各模型性能评估的最终结果。研究结果如下：①核函数为RBF的SVR在4种模型中预测精度最高(ΔR2为0.03~0.07、ΔRMSE为2.58~5.17 m3·hm−2、ΔMAE为0.79~3.32 m3·hm−2)，采用SVR模型在解决林业激光雷达领域的回归预测问题已有广泛应用，肖越[20]结合Landsat 8、高分2号(GF-2)共2种光学遥感数据与极化SAR数据进行旺业甸林场尺度的蓄积量反演，采用SVR模型拟合精度最高(R2为0.48，RMSE为57.27 m3·hm−2)，与MLR、RFR等方法相比，ΔR2为0.10~0.11、ΔRMSE为5.30~6.00 m3·hm−2。赵勋等[21]基于机载激光雷达进行广西高峰林场林分平均树高估测中，通过随机森林特征变量筛选，采用SVR相比较RFR方法，R2增加0.01、RMSE减少0.06 m。以上研究结果与本研究一致，进一步表明解决基于LiDAR点云特征变量的林分蓄积量反演问题时，结合随机森林筛选特征变量与支持向量机回归可作为有效建模方法。
②本研究采用2种方法对特征变量进行筛选，逐步回归法保证入选的特征变量显著且各变量之间不存在共线关系，随机森林则通过计算各特征变量对建模时的贡献度排序进而筛选变量。肖越[20]利用逐步回归法从遥感特征变量中筛选出建模因子用于蓄积量回归模型构建；周蓉等[22]在基于Landsat 8 遥感影像反演地上生物量的研究中，采用随机森林重要性排序方法从遥感因子中筛选出特征变量用于构建模型。这2种方法均广泛应用于构建模型前的变量筛选，合理地选择模型筛选方法，更有利于回归模型构建。
③本研究旨在选取最优桉树蓄积量反演模型，参数方法SR中逐步筛选法已对变量进行筛选，故SR模型不再采用随机森林进行特征变量筛选。在本研究模型评估中，SR模型评估结果均优于PLSR模型，袁钰娜等[23]对东北林区4种不同针叶林蓄积量反演所建立的回归模型中，PLSR模型的拟合结果和预测精度均优于SR (ΔR2为0.05~0.15，ΔRMSE为2.6%~4.2%)，与本研究结果不一致，但由于2种回归方法并未使用同一变量筛选方法，因此，不能直接认为在解决预测回归问题时前者更加可靠，对于以上2种回归方法的模型性能与预测能力需进一步讨论。
④本研究在林场尺度通过较少样本进行桉树林分蓄积量反演，非参数方法总体预测精度较高且RBF-SVR模型略优于RFR模型。SVR核心思想为将低维空间中的向量用非线性函数映射到一个高维特征空间，进而寻求线性回归超平面并解决低维空间中的非线性问题[24]，支持向量机回归解决多维度小样本回归预测问题相较随机森林回归更有优势。在反演尺度较大且训练样本较多的林分蓄积量反演问题时，采用支持向量机回归方法训练效率将明显下降，此时选择随机森林回归将更适用。
⑤本研究采用逐步筛选法筛选出的4个特征变量中，点云密度变量被选择1次；在采用随机森林筛选的10个变量中，点云密度变量被选择2次，且密度变量D9在重要性排序中位于第3位。点云密度变量作为本研究中重要解释变量之一，该类型变量能够描述林分中树木的水平结构信息，与树高(垂直结构变量)等参数结合可解释林分空间结构信息。孙忠秋等[25]加入林分郁闭度作为水平结构的解释变量，与仅用点云高度参数相比较，RMSE下降0.27 m3·hm−2、MAE下降0.08 m3·hm−2，该变量对模型预测性能有一定提升。本研究将郁闭度作为候选变量，但在逐步筛选法中又将其剔除，因为在基于随机森林法的重要性排序中，林分郁闭度参数在48个候选变量中排名第44位。由此可见，在林业激光雷达应用中，将林分密度用于衡量林分水平结构信息更加可靠。
5. 结论
本研究通过2种参数回归方法(逐步回归、偏最小二乘回归)与2种非参数方法(随机森林回归、支持向量机回归)对林分蓄积量进行估测。在采用传统方法划分训练样本与验证样本的结果中，非参数方法模型精度均优于参数回归方法；采用留一法对各模型预测精度进行交叉验证时，表现最优模型RBF-SVR属于非参数回归方法，表明解决林业激光雷达领域中的回归预测问题时，非参数方法相较参数方法更有优势。本研究中蓄积量反演模型已在广西高峰林场内取得较好模型精度，但对于大尺度反演森林蓄积量的适用性有待进一步论证。
-
图 1 接种不同ERM菌株桃叶杜鹃菌根侵染率
Figure 1 Mycorrhizal colonsation of different strains inoculation of Rhododendron annae seedlings
图 2 不同ERM菌株接种处理桃叶杜鹃幼苗外形比较
Figure 2 Appearance of Rhododendron annae seedling inoculationed with different strains of ericoid mycorrhizae
图 3 不同ERM菌株接种对桃叶杜鹃幼苗氮的影响
Figure 3 Effect on nitrogen content in Rhododendron annae seedling inoculationed with different strains of ericoid mycorrhizae
图 4 不同ERM菌株接种对桃叶杜鹃幼苗硝酸还原酶活性的影响
Figure 4 Effect on nitrate reductase active in Rhododendron annae seedling inoculationed with different strains of ericoid mycorrhizae
表 1 不同ERM菌株接种对桃叶杜鹃幼苗干质量的影响（平均值±标准差）
Table 1. Effects of inoculation with different ericoid mycorrhizal strains on growth of Rhododendron annae seedling (mean±SD)
处理 地上部分生物量 地下部分生物量 总生物量 干质量/g 增幅/% 干质量/g 增幅/% 干质量/g 增幅/% ck 0.213±0.003 A 0.0 0.183±0.027 A 0.0 0.396±0.030 A 0.0 TY02 0.335±0.001 D 57.3 0.210±0.011 ABCDE 14.4 0.544±0.010 E 37.4 TY07 0.267±0.004 C 25.3 0.212±0.008 DCDE 15.8 0.479±0.004 D 21.0 TY12 0.365±0.001 E 71.4 0.223±0.004 CDE 21.6 0.588±0.004 E 48.5 TY14 0.219±0.007 AB 2.7 0.203±0.006 ABCD 10.7 0.411±0.010 AB 3.8 TY18 0.425±0.009 G 99.7 0.214±0.012 BCDE 16.5 0.639±0.021 F 61.4 TY19 0.275±0.006 C 29.3 0.197±0.002 ABC 7.6 0.473±0.005CD 19.4 TY21 0.260±0.002C 21.9 0.206±0.006 ABCDE 12.5 0.466±0.004 CD 17.7 TY24 0.235±0.005 B 10.3 0.201±0.010 ABCD 9.8 0.436±0.008 BC 10.1 TY29 0.397±0.001 F 86.4 0.233±0.015 CD 27.3 0.630±0.014 F 59.1 TY34 0.259±0.030 C 21.6 0.204±0.006 ABCD 11.3 0.463±0.033 CD 16.9 TY35 0.377±0.002 EF 76.8 0.227±0.006 DE 23.8 0.604±0.008 EF 52.5 TY41 0.218±0.002 AB 2.5 0.194±0.002 AB 6.0 0.413±0.004 AB 4.3 说明：同列不同大写字母表示差异达到极显著水平（P < 0.01）。 
下载: 导出CSV
表 2 菌根侵染率、生物量、氮吸收量及硝酸还原酶活性Pearson相关系数
Table 2. Pearson correlation coefficient of mycorrhizal colonize, biomass, nitrogen content and nitrate reductase activity
项目 侵染率 地下部分干质量 地下部分干质量 总生物量 根部氮量分数 叶部氮质量分数 根部硝酸还原酶活性 叶部硝酸还原酶活性 侵染率 1 地下部分干质量 0.706** 1 地上部分干质量 0.584 0.831** 1 总生物量 0.613* 0.872** 0.996** 1 根部氮质量分数 0.595 0.308 0.119 0.144 1 叶部氮质量分数 0.565 0.451 0.490 0.496 0.360 1 根部硝酸还原酶活性 0.515 0.505 0.647* 0.642* 0.207 0.423 1 叶部硝酸还原酶活性 0.579* 0.653 0.815** 0.806** 0.194 0.272** 0.763** 1 说明：*差异达到显著水平（P < 0.05）；**差异达到极显著水平（P < 0.01）。
下载: 导出CSV
-
[1] FENG Gu, ZHANG Fusun, LI Xiaolin, et al. Uptake of nitrogen from indigenous soil pool by cotton plant inoculated with arbuscular mycorrhizal fungi[J]. Commun Soil Sci Plant Anal, 2002, 33(19/20):3825-3836. [2] HODGE A. Plant nitrogen capture from organic matter as affected by spatial dispersion, interspecific competition and mycorrhizal colonization[J]. New Phytol, 2003, 157(2):303-314. [3] 高悦, 吴小芹. 6种外生菌根菌对3种松苗叶绿素含量及叶绿素荧光参数的影响[J].南京林业大学学报:自然科学版, 2010, 34(6):9-12. GAO Yue, WU Xiaoqin. Efects of several ectomycorrhizal fungi on the chlorophyll content and chlorophyll fluorescence parameters in different pine seedlings[J]. J Nanjing For Univ Nat Sci Ed, 2010, 34(6):9-12. [4] 闫明, 钟章成.铝胁迫对感染丛枝菌根真菌的樟树幼苗生长的影响[J].林业科学, 2007, 43(4):59-65. YAN Ming, ZHONG Zhangcheng. Effects of aluminum stress on growth of Cinnamomum camphora seedlings inoculatde with AMF[J]. Sci SilvSin, 2007, 43(4):59-65. [5] 王如岩.菌根真菌对喀斯特地区幼苗生长状况的影响[D].南京:南京林业大学, 2011. WANG Ruyan. Effects of Mycorrhizal Fungal on Growth Status of Seedings in Karst Areas[D]. Nanjing:Nanjing Forestry University, 2011. [6] CAIRNEY J W G, MEHARG A A. Ericoid mycorrhiza:a partnership that exploits harsh edaphic conditions[J]. Eur J Soil Sci, 2003, 54(4):735-740. [7] SOKOLOVSKI S G, MEHARG Y A, MAATHUIS F J M. Calluna vulgaris root cells show increased capacity for amino acid uptake when colonized with the mycorrhizal fungus Hymenoscyphus ericae[J]. New Phytol, 2002, 155(3):525-530. [8] 陈真, 杨兵, 张春英, 等.锦绣杜鹃菌根真菌rDNA ITS序列分析及接种效应研究[J].菌物学报, 2011, 30(5):729-737. CHEN Zhen, YANG Bing, ZHANG Chunying, et al. Molecular analysis and inoculation effect of mycorrhizal fungi isolated from hair roots of Rhododendron pulchrum[J]. Mycosystema, 2011, 30(5):729-737. [9] BENDING G D, READ D J. Nitrogen mobilisation from protein polyphenol complex by ericoid and ectomycorrhizal fungi[J]. Soil Biol Biochem, 1996, 28(12):1603-1612. [10] BURKE R M, CAIRNEY J W G. Carbohydrolase production by the ericoid mycorthizal fungus Hymenoscyphus ericae under solid state fermentation conditions[J]. Mycol Res, 1997, 101(9):1135-1139. [11] 张春英, 戴思兰.杜鹃花类菌根研究进展[J].北京林业大学学报, 2008, 30(3):113-119. ZHANG Chunying, DAI Silan. Research advances on ericoid myeorrhiza[J]. J Beijing For Univ, 2008, 30(3):113-119. [12] 欧静, 刘仁阳, 陈训.桃叶杜鹃菌根显微结构及侵染情况[J].中南林业科技大学学报, 2012, 32(11):28-33. OU Jing, LIU Renyang, CHEN Xun. Study on microstructure and infections of Rhododendron annae mycorrhiza[J]. J Cent South Univ For & Technol, 2012, 32(11):28-33. [13] 欧静, 韦小丽, 何跃军, 等.接种ERM真菌对桃叶杜鹃幼苗的促生效应及生理生化影响[J].林业科学, 2013, 49(7):48-56. OU Jing, WEI Xiaoli, HE Yuejun, et al. Effects of Inoculation with ERM fungi isolates on the growth and physio-biochemical properties of Rhododendron annae seedlings[J]. Sci Silv Sin, 2013, 49(7):48-56. [14] 欧静, 何跃军, 刘仁阳, 等. ERM真菌对桃叶杜鹃幼苗光合性能及叶绿素荧光参数的影响[J].微生物学通报2013, 40(8):1423-1436. OU Jing, HE Yuejun, LIU Renyang, et al. Effects of inoculation with different ERM isolates on photosynthesis and chlorophyll fluorescence parameter of Rhododendron annae Franch. seedlings[J]. Microbiol China, 2013, 40(8):1423-1436. [15] PHILLIPS J M, HAYRNAN D S. Improved procedures for clearing roots and staining parasitic and vesicular arbuscular mycorrhizal fungi for rapid assessment of infection[J]. Transac Br Mycol Soc, 1970, 55(1):158-161. [16] 刘润进, 陈应龙.菌根学[M].北京:科学出版社, 2007:161-162. [17] 尹丽娟, 张春英, 杨兵.云锦杜鹃菌根真菌吸收氮源特性及其接种效应[J].中国农业科学, 2010, 43(4):868-872. YIN Lijuan, ZHANG Chunying, YANG Bing. Characteristics of nitrogen absorbed by ericoid mycorrhizal fungi and impact on growth of Rhododendron fortunei[J]. Sci Agric Sin, 2010, 43(4):868-872. [18] 宋福强, 杨国亭, 孟繁荣, 等.丛枝菌根对大青杨苗木生长的影响[J].林业科学研究, 2004, 17(6):770-776. SONG Fuqiang, YANG Guoting, MENG Fanrong, et al. Effect of albuscular mycorrhizal fungi on the growth of Populus ussuriensis[J]. For Res, 2004, 17(6):770-776. [19] 付淑清, 屈庆秋, 唐明, 等.施氮和接种AM真菌对刺槐生长及营养代谢的影响[J].林业科学, 2011, 47(1):95-100. FU Shuqing, QU Qingqiu, TANG Ming, et al. Effects of nitrogen and AM fungi on the growth and nutrition metabolism of Robinia pseudoacacia[J]. Sci Silv Sin, 2011, 47(1):95-100. [20] FOISSNER I, WENDEHENNE D, LANGEBARTELS C, et al. In vivo imaging of an elicitor induced nitric oxide burst in tobcco[J]. Plant J, 2000, 23(6):817-824. [21] KAISER W M, HUBER S C. Post translational regulation of nitrate reductase mechanism, physiological relevance and environmental triggers[J]. J Experi Bot, 2001, 52(363):1981-1989. 期刊类型引用(5)
1. 郭佳昌，杨斌，张晗钰，刘炳杰，胡振华，张梦弢，杨朝晖，张建双. 应用云西林场两种人工林激光雷达数据估测单木蓄积量. 东北林业大学学报. 2024(09): 69-74 . 
百度学术2. 闫宇，邓焯，李斌，赵天忠. 基于Landsat 8数据的人工林地上生物量估测模型研究. 西北林学院学报. 2024(05): 53-60+77 . 百度学术3. 张澜钟，岳彩荣，李初蕤，李馨，李佳，沈健，宗发荣. 依据背包和无人机激光雷达数据对思茅松林分结构参数估测. 东北林业大学学报. 2024(12): 92-100 . 百度学术4. 陈雨，陈亮. 空洞卷积胶囊网络环境中的激光雷达点云数据分类处理方法. 电子设计工程. 2024(22): 31-36 . 百度学术5. 李杰，刘晓彤，高金萍，付安民，吴发云. 基于机载激光雷达点云数据的海南主要树种蓄积量反演. 林草资源研究. 2024(03): 25-32 . 百度学术其他类型引用(9)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2014.06.015
点击查看大图
计量
- 文章访问数: 2579
- HTML全文浏览量: 459
- PDF下载量: 497
- 被引次数: 14
