格氏栲种群生态学研究Ⅲ.格氏栲种群优势度增长动态规律研究

采用有限空间种群增长的逻辑斯谛模型探讨格氏栲种群基面积增长规律．提出自适应通用模型ｄｓ／ｄｔ＝ｒｓ（１－ｓθ／ｋφ）．该模型包括Ｌｏｇｉｓｔｉｃ模型、Ｓｍｉｔｈ模型、Ｇｏｍｐｅｒｔｚ模型、崔Ｌａｗｓｏｎ模型和ＺＬｏｇｉｓｔｉｃ模型;运用改进单纯形对自适应通用模型进行优化,拟合结果比Ｌｏｇｉｓｔｉｃ模型更符合格氏栲种群实际增长趋势,增长速度最大是在１４７年．     

格氏栲种群生态学研究 Ⅲ. 格氏栲种群优势度增长动态规律研究

采用有限空间种群增长的逻辑斯谛模型探讨格氏栲种群基面积增长规律。提出自适应通用模型ds/dt=rs(1-s^θ/k^φ).该模型包括Logistic模型、Smith模型、Gompertz模型、崔Lawson模型和Z-Logistic模型;运用改进单纯形对自适应通用模型进行优化,拟合结果比Logistic模型更符合格氏栲种群实际增长趋势,增长速度最大是在147年。     

格氏栲种群调节模型的研究

在前人对植物种群自然稀疏过程的研究基础上,结合自适应通用增长模型,推导出一种能描述密度变化全过程的理论模型,ｌｎＮ＝ａｌｎ＾２Ｓ＋ｂｌｎＳ＋ｃ,其中Ｎ和Ｓ分别为种群密度和单株基面积,ａ、ｂ、ｃ为参数。     

格氏栲种群优势度增长改进模型新在何处

笔者考虑新模型创立 ,是承袭前人建模研究基础上 ,试图探索一种对密度制约效应是非线性化假设的更加合理的 Logistic新模型 ,客观反映种群增长规律 ,从而克服前人研究不足 ,促进种群增长规律的研究发展。植物种群学是 2 0世纪的科学 ,其中种群增长的规律研究发展较快 ,得到广大学者的关注 :比利时数学家 Verhulst(1 838) (见 2 2 9页 )首先提出 Logistic经典增长模型 :d Sdt=r S 1 - SK (1 )其中 ,S为种群大小 ,t为时间间隔 ,K为环境容纳量 ,r为瞬时增长率 ;但该模型往往使模拟结果产生偏差 ,如其要求种群的最大增长速率在 K/2曲线的拐…     

格氏栲种群数量动态的谱分析研究

运用谱分析数学方法,研究分析格氏栲林格氏栲种群动态规律．结果表明：格氏栲种群数量动态的周期波动性是明显的,与格氏栲天然更新过程有关;不同生境、人为干扰均对辂氏栲种群数量动态的波动产生影响;格氏栲生长量的周期波动与其种群数量动态的周期波动特征基本一致,表明格氏栲种群数量动态呈周期波浪式发展,即表征格氏栲林优势种群的稳定性。     

大丰自然保护区麋鹿种群增长模型以及种群密度对种群增长影响的研究

创建了一个关于大丰自然保护区半散养麋鹿种群增长的Logistic模型,该模型准确地预测了麋鹿种群的增长规律.作者通过对比和分析相关数据揭示了种群密度对糜鹿种群增长的影响并给出两个导致种群增长发生改变的临界值.     

孑遗植物水松(Glyptostrobus pensilis)种群优势度增长规律研究

运用有限空间种群增长的逻辑斯谛模型探讨屏南水松(Glyptostrobus pensilis)种群基面积的增长规律,并通过改进单纯型法进行最优拟合.研究结果表明,洪-Logistic新模型比其它种群增长模型更符合水松种群的实际增长趋势.该模型残差平方和Q为1.7831,内禀增长率为0.7604,特征返回时间Tr为1.3116径级年,最大增长速率出现在第8径级,即胸径为48～54 cm时期,平衡位置在环境容量为58.1991 m2/hm2处.可见水松种群增长较慢,平衡性脆弱,受破坏后恢复时间较长.研究结果可为屏南水松种群的保护和管理提供理论依据.     

孑遗植物水松（Glyptostrobus pensilis）种群优势度增长规律研究

运用有限空间种群增长的逻辑斯谛模型探讨屏南水松（Glyptostrobus pensilis）种群基面积的增长规律,并通过改进单纯型法进行最优拟合。研究结果表明,洪-Logistic新模型比其它种群增长模型更符合水松种群的实际增长趋势。该模型残差平方和Q为1．7831,内禀增长率为0．7604,特征返回时间n为1．3116径级年,最大增长速率出现在第8径级,即胸径为48～54cm时期,平衡位置在环境容量为58．1991m^2／hm^2处。可见水松种群增长较慢,平衡性脆弱,受破坏后恢复时间较长。研究结果可为屏南水松种群的保护和管理提供理论依据。     

格氏栲种群个体年龄与胸径的时间序列模型研究

本文提出格氏栲种群以年轮确定种群个体年龄并与胸径、树高确定种群个体年龄有机结合的时间序列预测个体年龄方法。通过时间序列分析,确定出格氏栲种群个体年龄与胸径关系的ＡＲＩＭＡ（１,２,０）模型,经检验该模型的相似性系数为９３．４８％,即该模型预测胸径生长量是可靠的。同时,通过ＡＲＩ－ＭＡ（１,２,０）模型预测结果与实际调查材料组合起来,建立较为准确反映个体年龄的组合模型：Ａ＝１０．１５４５１＋１．１１３８５１Ｄ＋０．０４２２００４９Ｄ２－０．０００２２７３０３Ｄ３式中Ｄ为格氏栲种群个体胸径,Ａ为格氏栲种群个体年龄,相关指数为０．９９９８。可见,组合模型的格氏栲种群个体胸径与年龄回归关系极显著,效果理想,为相应研究提供一个较为可靠的方法。     

种群增长模型中的增长率和增长速率的比较

针对在一道高考题中出现的种群增长率与高中必修(人教版)教材中增长率的涵义不同,通过介绍种群增长模型的三种类型,旨在辨析增长率和增长速率.     

用模糊聚类探讨福建三明格氏栲自然保护区植被类型的划分

初步统计三明格氏栲自然保护区有种子植物１４５科,４３４属,１０１０种（变种）。植物区系古老,地理成分以泛热和热带分成分较多,我们运用模糊聚类分析了保护区群落的划分,结果表明,划分的类型与用植物所在群落层中重要值来确定群落乔木层的优势种划分群系的方法基本相一致,计自然植被３个群系,格氏栲林,米储林,栲树林;人工植被５个群系：马尾松林,杉木林,建柏林,楠木林,毛竹林。     

福建三明瓦坑的赤枝栲林

本文讨论的赤枝栲1)(Castanopsis kawakamii)林,地处福建省三明市郊瓦坑地区,属我国中亚热带东南缘。据调查31块样地共3100m2群落种类组成中,含维管束植物52科、90属、139种;其中单种属占总数的75.6%。植物区系为热带、泛热带分布的成分、共占科与属总数的61.5%与67.8%。高位芽生活型植物占总数的87.9%。基于对群落外貌的植物生活型与叶特征等分析表明,该群落是从南亚热带雨林到中亚热带常绿阔叶林的过渡类型。对该森林乔木种的年龄结构分析,乔、灌木种多样性指数与均匀度的计算等,显示出赤枝栲林是相对稳定性较大的群落。     

格氏栲群落生态学研究——格氏栲林主要种群生态位的研究

采用定量分析方法,对格氏栲(Castanopsis kawakamii Hayata)自然保护区格氏栲林群落中11个主要种群进行了生态位研究.以群落组成类型:①格氏栲+马尾松+木荷+黄瑞木(Castanopsis kawakamii+Pinus massoniana+Schima superba+Adinandra millettii);②格氏栲+虎皮楠+木荷(Castanopsis kawakamii+Daphniphyllum oldhamii+Schima superba);③马尾松+木荷+格氏栲+石栎(Pinus massoniana+Schima superba+Castanopsis kawakamii+Lithocarpus glaber);④格氏栲+木荷+青冈(Castanopsis kawakamii+Schima superba+Cyclobalanopsis glauca);⑤格氏栲+马尾松+木荷(Castanopsis kawakamii+Pinus massoniana+Schima superba);⑥甜槠+格氏栲+木荷+米槠+乌饭(Castanopsis eyrei+Castanopsis kawakamii+Schima superba+Castanopsis carlesii+Vaccinium bracteatum),及海拔梯度(180～340m)综合为一维资源位,调查6个资源位,定量测定格氏栲林群落主要种群生态位宽度、生态位相似比例、生态位重叠,并分析各种群生态位的生态学意义.研究结果为进一步研究格氏栲林群落稳定性、演替、空间分布格局提供理论基础.     

非线性增长模型的回归分析

本文对Logistic模型和Gompertz模型给出了计算参数值的迭代公式,并提出了一种确定迭代初始值的新方法．     

与年龄相关的Logistic种群增长方程的局部稳定性

本文讨论与年龄相关的人口增长Logistic模型在平衡人口结构附近的局部稳定性。借助于文[2][6]中方法,研究死亡率函数是与年龄相关的。首先我们导出平衡方程,从平衡方程可以证明当两个参数值即临界出生率δB与临界死亡率δD满足一定关系时,稳定性完全被确定;在其它一些关系时,稳定性与不稳定性问题有待以后深入研究。最后,用实例过进一步阐明这些结果。     

黑颈鹤种群动态模型

本研究据已收集到的数据,用非参数统计方法确定了黑颈鹤种群的性比为1:1,避免了大量取样。根据黑颈鹤的特点,我们将其种群分成4个年龄组,并求出了各年龄组的存活率和繁殖率,据此建立了描述黑颈鹤种群动态的数学模型。用模型计算得出在乌蒙山区越冬的黑颈鹤种群的自然增长率为1.85‰;理想的种群结构为幼鹤、亚成鹤、成鹤、老鹤分别占总数的15.5％、21.5％、60.2％、2.8％,最后预测了乌蒙山黑颈鹤种群在1988～2000年越冬期的数量。1989年1月经实地调查该种群总数为310只,而预测值为303只,误差约2％。