排序方式: 共有100条查询结果,搜索用时 296 毫秒
1.
基于稳定氧同位素确定植物水分来源不同方法的比较 总被引:3,自引:0,他引:3
利用稳定同位素技术确定植物水分来源,对提高生态水文过程的认识和对干旱半干旱区的生态管理至关重要。目前基于稳定同位素技术确定植物水分来源的方法众多,但不同方法之间对比的研究较少。本研究基于原位样品采集,室内实验测试,利用直接对比法、多元线性混合模型(IsoSource)、贝叶斯混合模型(MixSIR、MixSIAR)和吸水深度模型分析植物水分来源,并对比各方法的优缺点。结果表明:相对于多元线性混合模型(IsoSource)而言,贝叶斯混合模型(MixSIR、MixSIAR)具有更好的水源区分性能,但对数据要求较高,且植物木质部水和潜在水源同位素组成的标准差越小,模型运行结果的可信度更高。本研究中贝叶斯混合模型(MixSIR)为最优解。在利用稳定氢氧同位素技术确定植物水分来源时,可先通过直接对比法定性判断植物可能利用的潜在水源,然后再用多元线性混合模型(IsoSource)、贝叶斯混合模型(MixSIR、MixSIAR)计算出各潜在水源对植物的贡献率和贡献范围,必要时可评估模型性能,选择出最优模型,定量分析植物的水分来源。若植物主要吸收利用不同土层深度的土壤水,可结合吸水深度模型计算出植物吸收土壤水的平均深度。本研究为干旱半干旱地区利用同位素技术确定植物水分来源方法的选择提供了理论依据。 相似文献
2.
森林天然更新的复杂性和不确定性是森林生态系统动态预测中的关键问题。本研究引入贝叶斯技术和全局敏感性分析,构建基于竞争、气候和地形3类因子的秦岭松栎林天然更新模型。备选模型形式以泊松(Poisson)模型、负二项(negative binomial,NB)模型、零膨胀泊松(zero-inflated Poisson,ZIP)模型和零膨胀负二项(zero-inflated negative binomial,ZINB)模型为基础。同时,根据模型参数传递的不确定性量化分析结果,阐释影响森林更新小概率事件的主导因子。结果表明: ZINB模型在油松和锐齿栎更新模拟中均优于其他模型。林分总断面积、光截留、坡位和生长季最低温是影响松栎林中油松天然更新的最关键因子;而林分总断面积、坡向与海拔的组合、年均温和最热季节降水量则是影响松栎林中锐齿栎天然更新的关键因子。油松更新模拟中,各类因子对模型输出的不确定性贡献率从小到大依次为: 竞争因子(25%)<气候因子(29%)<地形因子(46%);锐齿栎更新模拟中为: 气候因子(12%)<竞争因子(24%)<地形因子(64%)。油松天然更新数量对生长季最低温和最干季节降水量为正响应,对最干季节均温为负响应;锐齿栎天然更新数量对年均温、生长季最低温和最热季节降水量为正响应,对最干季节均温为负响应。基于贝叶斯技术的ZINB模型可以量化森林更新的影响因子,并解释参数传递的不确定性,是预测森林天然更新的有力工具。 相似文献
3.
植物功能性状可以反映植物应对环境变化的适应策略。本文以黄梅秤锤树(Sinojackia huangmeiensis)当前唯一野生种群为对象, 比较了3种微生境(湖边、种群中心、耕地边)中该物种的叶片功能性状均值、种内变异和叶片生态化学计量特征的差异, 分析了黄梅秤锤树对湖岸带微生境变化的响应及其适应策略。结果表明: (1) 3种微生境中土壤C、N、P含量没有显著性差异(P > 0.05), 但土壤C∶N和C∶P具有显著性差异(P < 0.05), 土壤类型和养分条件有所不同。(2)黄梅秤锤树叶片功能性状的比较用单因素方差分析和贝叶斯方差分析得出的结果一致, 均为叶长、叶面积和比叶面积在中心区域显著高于湖边(P < 0.05), 而耕地边与湖边和中心区域均没有显著差异(P > 0.05); 叶N含量在湖边显著高于中心区域和耕地边(P < 0.05), 而中心区域和耕地边间没有显著差异(P > 0.05); 叶宽、叶长/叶宽、叶干物质含量、叶C和叶P含量在3种微生境间都没有显著性差异(P > 0.05)。(3)黄梅秤锤树叶片的N∶P在湖边显著高于中心区域和耕地边(P < 0.05), C∶N在湖边显著小于中心区域和耕地边(P < 0.05), N∶P和C∶N在中心区域和耕地边没有显著性差异(P > 0.05), C∶P在3种微生境间都没有显著性差异(P > 0.05)。(4)黄梅秤锤树叶片功能性状的总体变异程度在0.02-0.28之间, 其中叶片C和N含量在湖边和中心区域的种内变异程度显著较低, 表明3种生境中湖边和中心区域黄梅秤锤树种群的稳定性相对较差。(5)湖边黄梅秤锤树主要通过增加叶N含量促进生长; 中心区域黄梅秤锤树主要通过增加叶面积和比叶面积以及提高叶N的利用效率来提高光捕获能力促进生长; 耕地边黄梅秤锤树的叶N含量和叶面积、比叶面积都处于中等水平, 通过性状之间的共同作用使植株生长达到最佳水平。以上结果表明, 由于微地形、水位波动和土壤环境条件的差异, 黄梅秤锤树对3种生境中的适应策略有所不同, 并且不是通过单一性状调整来适应环境的变化, 而是通过多种性状之间的权衡达到更好的适应效果。 相似文献
4.
5.
探讨原发性肝癌患者精确放疗后乙型肝炎病毒(hepatitis b virus,HBV)再激活的危险特征和分类预测模型。提出基于遗传算法的特征选择方法,从原发性肝癌数据的初始特征集中选择HBV再激活的最优特征子集。建立贝叶斯和支持向量机的HBV再激活分类预测模型,并预测最优特征子集和初始特征集的分类性能。实验结果表明,基于遗传算法的特征选择提高了HBV再激活分类性能,最优特征子集的分类性能明显优于初始特征子集的分类性能。影响HBV再激活的最优特征子集包括:HBV DNA水平,肿瘤分期TNM,Child-Pugh,外放边界和全肝最大剂量。贝叶斯的分类准确性最高可达82.89%,支持向量机的分类准确性最高可达83.34%。 相似文献
6.
稳定同位素技术可以用于消费者营养溯源,以确定多种营养来源对消费者营养的贡献比重。因此,稳定同位素质量平衡混合模型已经是消费者营养溯源分析的必要方法之一。通常使用贝叶斯混合模型来估计不同营养来源的贡献;此类模型提供了每个营养来源对消费者的贡献比例的概率分布特征。然而,混合模型拟合结果的好坏,及其与实际生态学理论的匹配水平,是模型性能的重要评价内容。例如,模型在不能很好地解析营养来源贡献时,仍将返回默认先验结果,给模型解释带来困难。为直接避免同位素构建消费者营养溯源分析中的诸多技术问题,文章将综述在拟合和评估贝叶斯混合模型时遵循的最佳实践。因此,文章基于实测的同位素数据集(蒙古鲌Culter mongolicus mongolicus同位素数据集),通过识别消费者营养功能类群特征、改变营养来源先验信息特征,构建系列贝叶斯模型;通过比较模型总体性能、实测值与预测值差异,及先验信息和后验信息差异等多种模型性能评价方法,来描述模型性能评价的方法和过程。通过这些方法的综合运用,将进一步提高消费者营养溯源准确性,为更深刻地认识食物网规律提供科学支撑。 相似文献
7.
基于支持向量机的蛋白质同源寡聚体分类研究 总被引:14,自引:1,他引:13
基于支持向量机和贝叶斯方法,从蛋白质一级序列出发对蛋白质同源二聚体、同源三聚体、同源四聚体、同源六聚体进行分类研究,结果表明:基于支持向量机, 采用“一对多”和“一对一”策略, 其分类总精度分别为77.36%和93.43%, 分别比基于贝叶斯协方差判别法的分类总精度50.64%提高26.72和42.79个百分点.从而说明支持向量机可用于蛋白质同源寡聚体分类,且是一种非常有效的方法.对于多类蛋白质同源寡聚体分类,基于相同的机器学习方法(如支持向量机),采用“一对一”策略比“一对多”效果好.同时亦表明蛋白质同源寡聚体一级序列包含四级结构信息. 相似文献
8.
北京东灵山地区植物群落多样性研究 Ⅵ.几种类型植物群落物种数目的估计 总被引:9,自引:1,他引:8
采用经验贝叶斯方法、非参数方法(刀切法和自助法)和种-面积曲线外推方法对北京东灵山地区5种类型植物群落的物种数目进行了估计,考察了这些方法的估计行为,从中得出如下结论:(1)只要抽样强度不是很小,经验贝叶斯方法就能给出群落物种数目很好的估计,但与非参数方法相比,其估计的标准差较大;(2)在适当的抽样强度下,非参数方法也能给出群落物种数目很好的估计。如果抽样强度过低,则估计值也偏低;相反,如果抽样强度过高,则估计值也偏高。但在各种抽样强度下,非参数方法估计的标准差都比经验贝叶斯方法的小;(3)种-面积曲线2、3、4、5、6可以给出群落物种数目较好的估计,曲线1的估计值偏高,而曲线7、8、9、10的估计值则偏低;(4)经过几种方法的综合比较,可以对群落1、2、3、4、5的各层及整个群落的物种数目分别做出如下估计;乔木层16、19、21、12、16,灌木层13、15、21、14、21,草本层49、46、54、82、55,整个群落79、80、96、107、92。 相似文献
9.
基于氨基酸的16种分类模型,给出蛋白质序列的派生序列,进而结合加权拟熵和LZ复杂度构造出34维特征向量来表示蛋白质序列。借助于贝叶斯分类器对同源性不超过25%的640数据集进行蛋白质结构类预测,准确度达到71.28%。 相似文献
10.
基于果蝇polⅡ启动予的序列特征,利用结合了离散增量和位置权重矩阵的贝叶斯判别函数对果蝇启动予进行了预测。对预测算法进行10交叉检验。通过比较不同大小训练集对结果的影响,说明了参数选取的合理性和算法的预测能力。同时比较了不同参数的选取对预测结果的影响,从而获得最佳启动子预测结果。预测结果显示成功率达到93%,相互关联系数达到83%。 相似文献