灰斑古毒蛾幼虫空间分布及防治指标序贯抽样模型

灰斑古毒蛾幼虫在沙冬青、杨柴和花棒上呈聚集型分布,聚集度较大,且聚集度随着种群密度的升高而增加。灰斑古毒蛾幼虫分布为聚集型分布,属一般负二项分布,分布的基本成分是个体群,个体间相互吸引。根据Iwao(1975)得出理论抽样数模型为N=3.8416(2.1698/m+0.7206)/D2。并建立防治指标序贯抽样数模型和抽样数表,对提高种群密度估计精度、指导林间调查和判断防治决策,具有一定的实践指导意义。     

波纹杂毛虫幼虫空间分布型及其抽样技术的初步研究

用聚集度指标法、Iwao的回归法对波纹杂毛虫幼虫在马尾松林内的空间分布型进行研究 ,结果表明幼虫在马尾松林内为聚集分布。并用Iwao法确定平均拥挤度 (m )与平均密度 (x)的回归方程 ,分析并计算了林间调查的最佳抽样数 ,列出序贯抽样表。林间抽样方法比较认为 ,对角线取样法精度较高 ,适用于林间虫情调查     

樟子松梢斑螟幼虫空间分布型研究

为了研究樟子松梢斑螟(Dioryctria mongolicella)幼虫在樟子松栽植区的空间分布格局和抽样技术,并为该虫的野外调查与防治提供理论依据,采用8个聚集度指标和3种回归分析法对樟子松梢斑螟幼虫的空间分布型进行测定。同时,通过Iwao回归法计算了樟子松梢斑螟幼虫种群的最适抽样量并拟合序贯抽样模型。结果表明,樟子松梢斑螟的8个聚集度指标均显示为聚集分布,分布的基本成分是种群,且个体之间相互吸引。随着田间平均虫口密度的增大,抽样数逐渐减少;随着允许误差逐渐减小,所需要的抽样数就越大。建立的序贯抽样表和最适抽样量表可在林间调查中应用。     

樟子松梢小卷蛾幼虫空间分布型的研究

文章介绍了以样枝为取样单位,采用8种聚集度指标和三种概率频次分布来确定樟子松梢小卷蛾(Rhyacionia pinicolana(Doubleday))幼虫的空间分布型。测定结果表明,樟子松梢小卷蛾(Rhya-cionia pinicolana(Doubleday))幼虫呈Neyman分布,且在一切密度下都呈聚集分布,聚集程度不因种群密度的变化而变化。同时介绍了空间分布型在最适抽样数的确定及序贯抽样中的应用。     

白骨壤林小袋蛾幼虫空间分布型的初步研究

小袋蛾 Acanthopsyche suberalbata Hampson是红树林的主要害虫之一,为了研究该虫在白骨壤 Avicennia marina 林内的空间分布情况,2008年8月在广西北海市北背岭红树林育苗站的成年白骨壤林中进行了调查研究,应用扩散系数(C)、平均拥挤度(m)等6种聚集度指标分析小袋蛾空间分布型,结果表明该虫在白骨壤林中的分布型为聚集分布,并利用聚集参数入分析了该虫聚集原因是其本身的习性和环境因素中任何一个,或者二者共同作用引起的.在此基础上,建立了该虫林间理论抽样数公式,同时给出了不同虫口密度及其不同误差要求的最适抽样数.     

花椒虎天牛初龄幼虫集团初龄幼虫空间分布研究

本文运用聚集度指标法对花椒虎天牛初龄幼虫集团、初龄幼虫的空间分布型进行了研究。结果,初龄幼虫集团是负二项式分布;初龄幼虫个体呈聚集分布;所需最大抽样株数为:n=1.03+(516.24)/(?);序贯抽样的上限、下限方程式为:T_0(N)=2n±6.493n~(1/2)。     

杨干透翅蛾种群空间分布型及其应用的研究

利用平均拥挤度、扩散指数等5种聚集度指标以及Iwao回归模型、Taylor冥法则等方法分析了杨干透翅蛾幼虫种群的空间分布型。对结果分析得到杨干透翅蛾幼虫种群在林内呈现聚集分布,并且聚集度高;采用聚集均数法进行进一步分析表明聚集原因主要为生物学特性所致。同时,对杨干透翅蛾幼虫种群的理论抽样数和序贯抽样技术进行了初步研究。     

黑色软蚧蚜小蜂空间分布型及抽样技术研究

黑色软蚧蚜小蜂在柑桔园内的空间分布型为聚集分布 ,分布的基本成分为个体群 ,其聚集度具有密度依赖性。利用Iwao公式的α、β参数确定了理论抽样数和序贯抽样方案。     

蠕须盾蚧空间分布型及抽样技术的研究

蠕须盾蚧空间分布型测定结果表明：频次分布检验为Ｎｅｙｍａｎ分布;聚集度指标测定为聚集分布;根据ｍ~＊－ｍ的线性回归方程ｍ~＊＝０．０７２＋１．３７５ｍ,表明属于聚集分布。根据聚集均数λ测定结果,分析了聚集原因。在分布型研究基础上,探讨了资料代换模型,最适抽样数和种群序贯抽样模型。     

纵坑切梢小蠹越冬成虫种群空间分布与抽样技术

通过对纵坑切梢小蠹越冬成虫种群在树干根际分布情况的调查数据分析,采用对各样地和不同方位的聚集指标测定、幂指数测定和平均拥挤度(m )与均数(x)的回归检验,证明越冬成虫种群属聚集分布。应用对角线、"Z"字型、五点式、棋盘式、平行线式5种取样方法比较,以"Z"字型和棋盘式抽样效果比较好。同时提出不同虫口密度的最适抽样数。     

云杉落针病空间分布型及抽样技术的研究

应用聚集度指标法对云杉落针病空间分布型的研究结果表明，其空间分布型为聚集分布中的负二项分布，分布的基本成分为致密的个体群，聚集强度因种群密度的升高而增加。林地抽样方法比较结果表明，以平行线法取样精度较高，适用于苗圃病情调查，并计算了病害调查的最适抽样数以及序贯抽样决策模型。     

弧目大蚕蛾卵块空间分布型及其应用研究

用6种聚集度指标对弧目大蚕蛾卵的空间分布状况进行调查与分析,结果表明：（1）该虫卵的空间分布符合负二项分布,其空间图式是聚集的,分布的基本成分是卵块的个体群;（2）最适抽样数N与平均卵密度m及允许误差D的关系为N=（I／O）。[（6．6814／m）＋0．9758]。     

松黄叶蜂幼虫空间分布型的研究

研究了松黄叶蜂幼虫在林内和树冠内地北方位及各小区的分布。通过聚集指标测定,幼虫在林内,树南北方位,上、中、下三层均为聚集分布。树冠内南中和北上层小区为均匀分布,其余小区为聚集分布。适合于松黄叶抽样方法为以抽样,最佳抽样区为树冠下层。     

毛红椿天然群体遗传多样性及取样策略探讨

[目的]研究毛红椿天然群体遗传多样性取样策略,为其种质资源收集、保存和遗传多样性保护等提供参考依据。[方法]利用8对微卫星分子标记进行毛红椿天然群体遗传多样性和空间自相关分析,综合制定其天然群体合理取样策略。[结果]毛红椿天然群体等位基因数平均为7.5个,期望杂合度(H_e)和多态性信息指数(PIC)均值分别为0.643 7和0.636 0,基因分化系数(G_(ST))均值为0.290 7。在遗传多样性取样策略方面,提出了根据毛红椿群体基因分化系数来确定取样群体遗传变异所占总变异比例的运算公式为1-(G_(ST))~(n-1),其中,n为取样群体的数量。当取样群体达到4个时,基本上能包括该树种97.5%的遗传变异;同时确定了目标群体的选择方法,应选择与其它群体间基因分化系数均值较大的4个群体,即贵州册亨(CH)、浙江遂昌(SC)、浙江仙居(XJ)和云南师宗(SZ)。通过构建云南宾川(BC)、云南师宗(SZ)和江西宜丰(YF)群体内取样单株数量与基因多样性和等位基因之间的捕获曲线,确定了群体内取样单株数量应达到15个以上;毛红椿天然群体内300～520 m范围内的单株间存在相似关系,超出此范围个体间差别较大,说明在进行群体内单株取样时,单株间距应大于520 m。[结论]取样群体数量、群体间遗传分化系数、群体内单株数量以及单株间距离等影响了毛红椿取样群体的遗传多样性。毛红椿天然群体遗传多样性取样策略为取样群体4个、每个群体最少取样15个单株,单株间距大于520 m。     

Wild pistachio tree (Pistacia mutica) in the Qalajeh forest region of western Iran

Wild pistachio tree (Pistacia mutica) is considered the most important species in the Zagros forests. It can adapt to unfavorable environmental conditions. To find the suitable ecological conditions for pistachio species, we investigated different environmental factors such as gradient, aspect and position of the slopes through the distribution area. Frequency of pistachio trees in the north and northwest of Qalajeh forests was 36.4% and 1%, respectively. Maximum (32%) and minimum (13%) number of wild pistachio trees were in 30%–60% and >120% slope classes, respectively. The most number and least number of pistachio trees were found at elevations of 1100–1200 m and 2200–2300 m, respectively. The percentage of pistachio canopy coverage was 10. The average percentage of herbaceous coverage was 6.5. Pistachio trees of diameter per hectare at breast height (DBH) >20 cm numbered 5 while average number of pistachio trees was 8 per hectare. Pistachio seedlings per hectare averaged 3.5. The number of other species per ha was 7 trees. The effect of aspect on other species was not significant (p=0.151). Slope class and geographical aspect did not affect regeneration (p=0.275 and p=0.111, respectively). Pistachio plays an important economic role in semi-arid areas, therefore it is essential to protect and restore Qalajeh forests through participation by government and local people.     

基于MaxEnt模型对大花序桉 在我国南方的适生区预测

大花序桉材性优良是我国重要的实木利用树种,本文对大花序桉在我国南方十省(区)的潜在分布区进行预测,并对其适生区进行划定和分析.通过收集大花序桉的地理信息数据,利用最大熵模型(MaxEnt)和ArcGIS空间分析技术,综合相关气候因子,预测划定大花序桉在我国南方十省(区)的潜在地理分布区.结果表明:采用MaxEnt模拟大花序桉潜在地理分布的准确性较高,模型预测准确性的衡量指标训练子集和验证子集AUC值均大于0.88.大花序桉在我国南方的发展空间较大,其中最适宜分布区主要集中在广东、广西、海南、福建沿海,面积依次为广东(11.25×104 km2),广西(9.19×104 km2),海南(2.00×104 km2),福建(1.91×104 km2);适宜区集中在广西、广东、重庆、福建省中部,面积依次为广西(5.87×104 km2)、广东(4.51×104 km2)、重庆(3.64×104 km2)、福建(3.02×104 km2).刀切法(Jackknife)分析结果显示,影响大花序桉潜在适生区分布的主导气候因子为年平均气温、≥10℃积温、最冷月最低温、最冷月均温和极端低温.结合最大熵模型(MaxEnt)和ArcGIS技术,预测和分析了大花序桉在我国南方十省(区)的潜在适生区,阐明了影响其分布的主导气候因子,为该树种在我国的有序推广种植提供科学依据.     

Species richness estimation from probabilities of observing new species

A new species richness estimator applicable to probability sampling with fixed-area (a) plots in a finite-area (A) population is presented and tested in simulated sampling from three stem-mapped forest compartments, and from six large collections of forest inventory data. The estimator of richness is the average number of species per plot times the sum—over the N = A/n plots in a population—of the probability (p _m ) of observing a new species in the mth plot (m = 1,…, N). A Cauchy distribution function is used to capture trends in p _m . The parameters of the Cauchy distribution were estimated by optimizing a weighted maximum likelihood function. In comparison to five presumed best alternative estimators, the new estimator was ‘average’ with respect to bias, but best in terms of average root mean squared error. Taking the average of the estimates of richness produced by the five alternate and the new estimator would, generally, keep bias below 15 %. With relatively large sample sizes, the bias is moderately small (<10 %).