排序方式： 共有75条查询结果，搜索用时 15 毫秒
31.
制作盆景的高山松，一般都生长在海拔1000米以上，安徽黄山称黄山松，浙江天目山称天目松，高山松的特点是苍老、挺拔、奇形怪状、松毛粗短、耐寒、耐早，是制作盆景的名贵树种。 相似文献
32.
川西高山松林火烧迹地植被天然恢复过程中物种多样性动态 总被引：9，自引：0，他引：9
以“空间序列”代替“时间序列”的研究方法对川西灌木高山松林不同年龄火烧迹地进行了调查研究。结果表明：灌木高山松林火烧迹地恢复早期,物种多样性波动较大,火烧后4a～5a是群落发生剧变的时期,8a～20a、20a～27a是群落结构组成连续变化的时期。生物多样性并非绝对随群落演替的顺向发展而增加,火烧后恢复2a物种数量急剧增加,但均匀度极低,随演替发展,种间激烈竞争,排斥和替代,物种数比恢复2a时有所减少,物种均匀度增加,多样性在恢复6a时达到一高峰。随演替进行,优势度的增加,物种减少,多样性逐渐变小,恢复8a～20a时期是一低谷。随演替的进一步进行,高山松幼苗幼树逐步生长形成乔木层。林地由开敞变为郁闭,物种增加,群落变得复杂,多样性又随演替发展而增加,群落中物种多样性最大值出现在恢复27a时耐荫物种和不耐荫物种同时出现的阶段。 相似文献
33.
基于树干解析的高山松天然林单木木材生物量生长模型 总被引：1，自引：0，他引：1
以云南省香格里拉市两块典型样地内的10株高山松样木为研究对象,基于树干解析测定和计算其单木木材生物量生长及木材生物量生长率,采用非线性混合效应模型技术,分别考虑了样地效应和样木效应,将所有不同随机参数组合的模型进行拟合并分析模型的方差和协方差结构,构建其生物量生长及生物量生长率混合效应模型。结果表明:考虑样地效应、样木效应作为随机效应的单水平混合效应模型和两水平混合效应模型均提高了模型的拟合精度,其中考虑两水平随机效应的混合效应模型具有最佳的拟合表现,具有最低的AIC和BIC值。考虑两水平混合效应在生物量生长量及生物量生长率模型构建中预估精度最高,分别达93.05%和89.83%;考虑样木效应的混合效应模型次之,分别为88.34%和88.74%;考虑样地效应的混合模型预估精度均最低,分别为83.99%和67.27%;而一般回归模型的预估精度仅87.00%和87.11%。 相似文献
34.
香格里拉高山松天然林最优树高曲线研究 总被引：1，自引：1，他引：0
《林业资源管理》2016,(1):46-51
树高曲线是研究森林生长与收获的重要基础。以云南省香格里拉732株高山松天然林实测数据为例,分别选用11个经典常用的树高曲线,拟合高山松树高与胸径的关系,求解模型参数,用决定系数R2、均方根误差RMSE、残差和MD对模型的精度进行评价。结果表明:抛物线方程的R2=0.6073,RMSE=1.711,MD=-0.0101,经检验该方程Spearman相关系数为0.676,显著性水平Sig小于0.01,抛物线方程可以作为香格里拉高山松天然林的最优树高曲线,研究结果可为高山松的经营以及林分调查提供科学依据。 相似文献
35.
36.
云南楚雄、中甸地区松茸生态环境调查研究 总被引：4，自引：2，他引：2
本文对云南楚雄、中甸地区松茸的分布、生长条件、共生树种、松茸发生林分的生态环境特征及菌根组织形态等内容进行了初步研究 ,旨在为科学合理利用松茸自然资源和探索松茸特殊模式的人工栽培技术与途径提供理论基础。 相似文献
37.
西藏色季拉山高山松种群点格局分析 总被引：1，自引：0，他引：1
【目的】研究高山松种群不同生长阶段的空间分布格局类型及其空间关联性。【方法】2014年6-8月,在西藏色季拉山选择有代表性的区域设置50m×50m的高山松林样地4块,对样地内的高山松进行定位和每木检尺,按胸径12cm、≥12~32cm、≥32cm将高山松分为小树、中树和大树,运用点格局分析方法中的Ripley’s L函数,对高山松种群不同发育阶段的空间格局及关联性进行分析。【结果】(1)色季拉山高山松种群径级结构呈典型的"金字塔"型,种群自然更新良好,属增长型种群;(2)高山松不同发育阶段的分布格局各异,小树在小尺度范围内的聚集强度均明显强于中树和大树,中树主要表现为随机分布-集群分布-随机分布,而大树主要表现为随机分布;(3)样地1与样地2中,高山松小树与中树、大树之间的空间关联性基本上均呈负关联关系,但中树与大树之间基本上无关联;样地3和样地4中,高山松不同龄级的小树、中树和大树三者之间相互独立,关联性小。【结论】在从小树发育到大树的过程中,高山松种群的空间分布格局演变过程基本表现为由集群分布到随机或均匀分布;高山松种群的更新不仅受种间竞争的影响,同样受种内竞争的制约;在环境条件相似的情况下,高山松种群自身的生物、生态学特性是影响其分布格局的最主要因素。 相似文献
38.
针对传统k-最近邻法（k-nearest neighbor,k-NN）在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题,在云南省香格里拉市,以高山松Pinus densata为研究对象,基于49块实测标准地,116株高山松样木和Landsat 8/OLI影像,在前期进行基于遗传算法（genetic algorithm,GA）优化的k-NN模型实现的基础上,对k-NN的3个参数（k,t和d）进行反复测试优化组合,在像元尺度上对研究区高山松地上生物量进行遥感估算。结果表明:基于遗传算法优化的k-NN模型精度优于传统的k-NN模型,优化前均方根误差为30.0 t·hm-2,偏差为-0.418 t·hm-2,相对标准误差百分比（RMSE）为54.8%;优化后均方根误差为24.0 t·hm-2,偏差为-0.123 t·hm-2,RMSE为43.7%。基于优化k-NN模型的研究区高山松地上生物量总储量估测结果为0.89×107 t。 相似文献
39.
40.