基于Xgboost的商业销售预测
基于Xgboost的商业销售预测，以德国Ｒｏｓｓｍａｎｎ商场的数据为例，通过对数据的探索性分析，以相关背景业务知识体系为基础，通过可视化分析，提取隐含在数据里的特征，使用性能较优的Ｘｇｂｏｏｓｔ方法进行规则挖掘，取得较好效果。第3期饶泓等:基于 Boost的商业销售预测277·(3)eta:收缩步长,即学习速率,取值范围是,3.1数据来源默认为0.3。在更新叶子节点的时候,权重乘以本文所有数据均来自 Haggle中的 Rossmanneta,以避免在更新过程中的过拟合。商店销售额数据集。 Rossmann是商人 Dirk ross(4) max _ depth:每棵树的最大深度,取值范围mann创立的德国首家平价日用品商店,现在的是,默认为6。树越深,越容易过拟合。Rossmann公司逼布欧洲7个国家,分店达100多(5) subsample:训练的实例样本占整体实例样家。论文通过位于德国的1115所 Rossmann连锁本的比例取值范围是(0.1],默认为1。值为0.5商店的历史数据预测未来48天商店的销售额时意味着 Boost随机抽取一半的数据实例来生成Haggle给出了三个数据集: train、test、 store,分树模型,这样能防止过拟合别是训练集测试集和商店基本信息的数据集,对训(6) colsample bytree:在构建每棵树时,列(特练集建模训练,对测试集进行预测。征)的子样本比,参数值的范围是(0,1]数据集基本信息如下(7) objective:默认为reg: linear;(1)训练集 train.csv:时间范围为2013年01月(8)sccd:随机数种子,为确保数据的可重现01日到2015年07月31日,共942天,1017209条性,默认为0。数据。2.2K折交叉验证方法(K一CV(2)测试集test.csv:时间范围为2015年08月论文采用K折交叉验证方法。将原始数据0日到2015年09月17日,共48天,41088条数分为K个子集,每个子集分别验证一次,剩余的K据组子集作为训练数据,这样可得到K组训练集(3)商店基本信息数据集 store.csv:1115条数和测试集以最终的分类平均精度作为性能指标。据,共1115家商店的信息。在实际应用中,K值一般大于或等于2,需要建立K3.2数据的可视化分析及原始特征提取个模型来进行K折交叉验证的实验,并计算K次为了获取影响销售额的基本数据特征,论文对测试集的平均辨识率Gaggle提供的 Rossmann数据集进行了可视化分K折交叉验证的结果能较好说明模型效果,有析,提取原始特征集。效地避免欠拟合与过拟合。在 Boost中,通过(1)顾客数和销售额之间的关系xgb.cv函数来做交叉验证。从图1中可以看出,顾客数和销售额之间存在2.3独热编码(One- hot encoding紧密的正相关关系。由于 Boost仅适用于处理数值型向量,因此处理训练集和测试集时需要将所有其它形式的数10.0据转换为数值型向量,本文采用独热编码将特征值转专换为数值。50独热编码也称一位有效编码,即对于任意时间任意给定的状态,状态向量中只有一位为1,其余6各位为0,将n类特征值转化成n位二进制数串,将顾客数特征的每个对应类设置为1。独热编码将每一个特图1顾客数与销售额的关系曲线征的个取值通过独热编码后转换成了n个二元特(2)促销对销售的影响的可视化分析征,通过该方法将特征转变成稀疏矩阵6。独热编图2和图3中 Promo取1表示当天有促销活码能够解决分类器不好处理属性数据的问题并在动取0表示没有促销活动。从图中可以看出促销一定程度上扩充了特征活动对顾客数并没有太大影响,但销售量却明显提3数据预处理高了,即促销活动并没有吸引更多的顾客,但提高了顾客的购买力,从而提高了销售额。通过查询原始为了获取数据中的有效特征,论文采用探索性数据发现没有促销的情况下顾客平均消费8.94欧数据分析方法对数据进行可视化分析获得数据分元,有促销活动的情况下平均消费10.18欧元布特征,理解原始数据的基本特征,发现数据之间的(3)星期( DayOf Week)对销售影响的可视化分潜在模式.找出数据中的有效特征析21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net278南昌大学学报(理科版)2017年40000表2商店薮据基本特征集30000特征名称含义值批20000ore商店号取值:1到1115商店类型10000商店类别分类:逢础类met最近的党争对手的距薮卷:桊商店0离里有761个商店有PromoCompetition-图2促销对销售额的影响Open SinceMonth竞争对手开张的月份月份Open since year竞争对手开张的年份年份数据6000P持续性的促销活动0:无,1:有的4000Prom2 Since Week开始参加Pomo2促销日历上的第几周数的日历周值2000Pomo2 Sincerer开始参加Pm2i年份数据PromoPromoInterval参加Pomn2促销开始Jan,Apr,Jo)e的月份列表Feb, May, Aug, Nov".图3促销对顾客数的影响Mar, Jun, Sept, Dec从图中可以看出,星期日的销售额中位数和上不同的分类特征在训练集和测试集中的比例见四分位数远远高出正常营业日,但是下四分位数却表3~6低于正常营业日,即有些商店星期日营业额高于平表3Open特征取值比例时,但也有一部分商店的销售额低于正常营业日。从图中也可以看出,从周一到周六,周一的销售额偏16.99高一些,星期六的销售额偏低一些test/yo14.5585,4440000表4Prom特征取值比例30000Pramo0凝train61.8538,15批2000test/%50.4239.5810000表5 Stateholiday特征取值比例y星期几1.990.660.40图4销售额在星期1~7中的分布情况test/%99.560.44由于篇幅的关系,对数据的可视化分析不表6 Schoolholiday特征取值比例列岀。根据这些数据的可视化化析,我们提取出如Schoclholiday表1所示和表2所示的训练数据和测试数据原始特test/%55.6544.35征集以及商店数据基本特征集。表1数据原始特征集3.3数据预处理持征名称含义3.3.1数据清洗为获得可训练用数据,我们对原tcre有店号取值:1到1115始数据进行清洗,具体过程如下:DayOfWeek星期几取值:1到7(1)标记异常数据。如商店是开门的,但是销Date时间如2013-01-01Sales销售额数值售额为零的数据为异常数据Customers顾客数数值(2)对训练集的 Sales销售额字段取对数,设置是否开店关店,1:开店为 Saleslog字段;P当天是否有促销0:无促销,1:促销0:非假日,a:公共假日;b:(3)缺失值用一1填充;State Holiday假日复活节,c:圣诞节(4)合并训练集和测试集,添加Set字段,用以SchoclHoliday学校假日0非假日,1:假日分训练集和测试集,值1为训练集,0为测试集;(3)数值化分类特征值。原始数据集中, State21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net第3期饶泓等:基于 Boost的商业销售预测holiday分类特征取值为0、a、b、c,无法代入模型计算因此重新编码为0、1、2、3; Store Type分类特4实验结果及分析值为a、b、c、d, Assortment分类特征值为a、b、c,采4.1实验条件用同样方法用整型数据重新编码(1)软件环境(6)分解特征。将原始数据集中Date特征分(a)操作系统: Windows7x64解为 DatcDay、 Datc Wcck、 DatcMonth、 Datc ycar(b)开发平台: Python2.7+R3.4.2DateDay OfYear5个特征(c)第三方库: Python: numpy+ pandas+(7)增加字段 PateNt,即Date转换为整型的 atplotlib I xgboost;R3.4.2库: data table|gg形式lot2tlubridate-zoo-dplyr+scales+xgboost+(8)规范化特征表达。对 Competition- forecast glmnetpen sinceRer和 CompetitionOpenSinceMonth字(2)硬件环境段合并成普通年月的表达,并转化为整型;将Pro处理器:Iner(R)Core(TM)i3-4160CPUcmoZsincc ycar和 Promo2 Since wcck字段合并成普3.60GHz通年月的表达,并转化为整型,增加字段内存:8GBPromo2 SinccInt4.2单 Boost模型()删除偏差大于2.5的异常数据。对特征工程后的所有特征用 Boost模型进行(10)删除存在异常的数据点,如图5所示的异训练,参数如表7所示。常数据。表7单 Boost模型参数25000参数值参数值15000thread500M4M小人Activereg: linear subsamplegrounds20000colsample bytearly stop. round250004.3组合模型0%时你以根据模型的作用将模型分为三类:商店模式模型、数据合并模型、混合模型。商店模式模型:下面采用单个模型是对每个商图5异常数据店进行单独拟合。这类模型关注商店各自的特性,3.3.2特征处理论文根据相关信息背景对数据但是它也错过了可在其他相似商店的模式中获取的进行特征处理:信息(1)增加字段 Competition OpenInt(1)线性模型lm拟合趋势,不带特征交互的(2)添加一些额外的特征,如商店的位置特征 Boost模型拟合残差StoreState发薪日效应特征 PayDay(在一个月的第(2)线性模型lm拟合趋势,带特征交互的Ⅹg个工作日设置特征值为3在随后的两天设置为 boost模型拟合残差2、1)(3)线性模型lm拟合趋势,不同参数值的(3)增加商店平均每天的销售额 Sales PerDay、 glmnet模型拟合残差平均每天的顾客数 CustomersPerDay、平均每天每(4)tslm模型拟合趋势丨季节性,Ⅹ gboost模位顾客的销售额 SalesPerCustomers Per Day作为新型拟合残差。的特征。(5)tslm模型拟合趋势十季节性, glmnet模型(4)增加特征组合,如: store; DayofWeek,拟合残差store: Dayofweek: Promo等等。(6)tslm模型拟合趋势十季节性,Ⅹ gboost模型+ gemnet模型拟合残差。(7)每个商店直接用Ⅹ gboost模型拟合残差。21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net·280·南昌大学学报(理科版)2017年这些模型中,含有 Boost模型的模型参数设1.5- A. train-rmspe- B. train-rmspe置如表8,其中模型7中参数 rounds值设为500。1.0-A.validation-rmspe-B validation表8组合 Boost的模型参数0.5参数值0150030004500600075009000参数值RMSPEreg: linear eta0.013C0max _ depth图6在训练集 train和验证集 validation上的 RMSPE值colsamplc bytrcc0.8subsample3.95图7给出了 Boost模型中非组合特征的重要数据合并模型:下列模型使用合并有 store数度得分,从图中可以看出时间类特征和有关竞争对据集和trai训练集的数据集。各个模型的参数设手的特征得分非常髙,这意味着这些特征对模型具置如表9-11有非常大的影响。表9没有特征工程的 Boost模型DateWeek参数参数CompetitionopenIntreg: lineareta0.01SalesperDayPromorounds3000max _depthcolsample bytreesubsampleAssortment 152100000020000003000000F score特征重要度表10有特征工程的 Boost模型图?特征重要度得分参数参数值bjectivereg: linear eta为了对比各模型的泛化效果,我们给出了单类模型(线性模型LM、时间序列线性模型TSLM、基4000subsoIl0.9于 Lasso和 Elastic net正则广义线性模型 glmnet、early stop. round100cclsample bytree极端梯度上升模型ⅹ gboost)和它们之间的组合模型在测试集上 RMSPE值,从而评价模型在测试集表11153个特征十特征交互的 Xgboost模型上的泛化能力。如表13所示参数值参数表13各模型 RMSPE值比较objectivereg: linear etaC.015max depth18模型RMSPE值.20657300CLM一简单的特征处理rounds. 1l.7TSLM+筒单的特征处理cCanvTree0.12751early stop. round100random forest-简单的特征处理glmnet+简单的特征工程3.11974组合模型:通过组合数据合并模型来获取跨多个商Boost十简单的特征工程0.11839店之间共同的特质。模型的残差用商店模式模型中Boost+特征工程Boost+ glmnet+特征工程0.11262的模型来拟合,从而获得每个商店的特质。用Igloos+ glmnet+tslm+lm+特征工程0.1114Gprcomp函数从数据中提取50个主成分,并用Xg从表中可以看出,Ⅹ ghost单模型的能力就优bost模型来拟合、计算残差。模型说明如下:于其它模型,在进行了简单特征工程后, Boost(1)使用线性模型lm拟合趋势,带特征交互的和 gemnet模型相比, Boost模型依然效果更好。glmnet模型+ Boost模型拟合残差,最后我们结合TSLM|LM在处理趋势和季节性上(2)使用tslm拟合趋势和季节性,带特征交互的优势,采用集成方法对 Xgboost+ glmnet进行组的 Boost模型拟合残差。合得出优化模型Ⅹ gboost+ glmnet+tslm+lm+特图6给出模型在训练集和验证集上的 RMSPE征工程, RMSPE值得到较大提升,泛化性能最优的变化过程,横坐标是次数,纵坐标是 RMSPE的值A是人工删除了异常点的数据中的异常数据5结论并没有删除。可以发现在训练集上训练的前500次本论文研究基于 Boost方法对实体零售业销RMSPE的值就迅速的降低到0.2,然后在1750次售额进行预测。论文以德国零售业 Rossmann公就在0.1左右了,可以看出在训练集上效果很好。司1115家实体门店的商场信息和销售数据为薮据21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net第3期饶泓等:基于 Boost的商业销售预测281·源,采用 Boost方法对公司销售额进行预测。参考文献通过在特征工程中对原始数据进行特征提取、L1」赵啸彬.基于数据挖掘的零售业销售预测LD.上海:选择和构建,筛选岀用于训练的特征属性;对比Xα上海交通大学.2010boost、随机森林、 GLMNET以及IM、TSIM模型2 CHEN T,HET. Higgs Boson Discovery with boosted等不同方法对销售额的预测结果,表明 Xgboosτ方TreesLCI.JMLR: Workshop and Conference Proceed法无论是训练速度还是在 RMSPE评价标准上都具2015.42:6980有明显的优势。3 ROBERT E. Banfield, Lawrence (. Hall. Kevin WBowyer. W. P. Kegelmeyer, A Comparison of Decision为了进一步提高 Boost预测模型的精度和泛Tree Ensemble Creation Techniques LI]. IEEE Trans-化能力,本文通过大量的特征工程,尝试多种模型的actions on Pattcrn Analysis and machinc intelligence集成学习方法和参数调优,利用 GLMNET和Xg2007,29(1):173-180boost模型拟合残差,并结合IM、TSLM在趋势和[]李航.统计学习方法[M]北京:清华大学出版社,李节性预测的优点,获得组合优化模型。实验表明2012该组合模型在性能上优于单一 Boost预测模型。[5]闻玲·移动平均季节模型在商品销售收入预测中的应这种基于Xⅹ gboost的组合模型不仅适用于对德AJ. Market Modernization, 2010(28):43-45国零售业销售额的预测还可以将此方法应用于国6黄伟陶俊才.一种基于k- means聚类和关监督学习内零售实体业甚至电商平台的销售额预测,对于提的医学图像分割算法[J].南吕大学学报(理科版),2(14,33(1):31-35高商店的运营生产模式、日常管理、价格管理、配送[7 RICE J Mathematical Statics and Data Analysis[M]方式及精准营销具有重要的意义cand Edition, Plymouth: Duxbury Press, 2006: 221-21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net
- 2021-05-06下载
- 积分：1
基于GIS模型的林火蔓延计算机仿真
基于GIS模型的林火蔓延计算机仿真 地理信息系统东北林业大学学报第36卷表4地形阻尼系数蔓延算法就显得较粗糙。边界外延算法计算量大,主要体现下山火上山火在排序、査找方面,可以通过减少这方面的计算量而达到提高坡度/(°)阻尼系数K2坡度(°)阻尼系数K2速度的目的。边界外延算法与迷宫算法的结果完全一样,但42~0.0738~421750从编程的角度看,迷宫算法较易实现,而且速度不是很慢,所0.1333~371010以在文中采用迷宫算法。28~30.3223~2722~-180.4618~22NWNNE-17~-130.63火点E0.830.90SESE-2~21.003林火蔓延模拟算法分析与选择图2林火的蔓延方向31边界插值算法4林火蔓延的计算机仿真与实现边界插值算法基于栅格数据,它对于火场边界的计算是林火蔓延的计算机仿真主要分为4个步骤:第一、建立林通过插值的方法来实现,它只计算从初始火点出发的8个方火蔓延的空间背景数据库,其空间背景数据库包括可燃物类向,森林起火后,火源点向8个方向蔓延,分别为正东、正南、型数据、坡度数据、高程数据,并且它们要以栅格数据形式存正西、正北和东南、东北、西南、西北。设火点的位置为行列号储,因为文中研究的林火蔓延仿真基于棚格数据结构;第二、(讠),各方向上只计算从火源点出发的该方向上的栅格,其把王正非的数学林火蔓延模型转换为计算机模型;第三、根据余栅格不计算。当各方向上的计算时间超过给定的林火蔓延输入的起火点的位置坐标,蔓延时间、风速及方向,在背景数时间时,就停止计算,并记录下各方向的栅格行列号,再反映据库之上对火场扩展进行动态模拟显示;第四、计算林火的蔓到具体地形上,则可得到火场状况的直观表示,再依据这8个延面积及火线周长等数据。具体流程如图3所示。终结点进行插值运算,形成封闭的火场边界。空间背景数据库32边界外延算法坡边界外延算法从火蔓延所具备的两个特性(时间和空间)出燃度程发来考虑,在假设没有二次燃烧等情况下,林火表现为从已燃区物向未燃区延烧的性质,它反映为林火在地理位置上的变化和时间的延续上,林火燃烧的路径总是遵循在诸多可到达的路径中选择林火蔓延模型最快到达的那一条,因此,它的路径并不一定是空间上的最短路(王正非林火蔓延模型)径。边界外延算法乜是基于栅格数据的蔓延算法,实施此算法的步骤是:记录每次加入一新的起燃栅格后形成的林火边界,在可像元起火特征计算机与数学知识蔓延边界相邻栅格集合中,搜索其各方向上所需时间最短的栅火点坐标蔓延时间格,并以此栅格作为下一个引燃栅格;对此栅格进行林火边界的风速风句林火蔓延计算机模拟判断,同时对该栅格的加入所导致的原有边界集合的变动作调整,然后再进入下一步循环,直至满足模拟时间为止。火场扩展图统计和计算火场动态模拟33迷宫算法图3火场蔓延的计算机仿真流程迷宫算法以栅格数据为基础,以火点为起点,从正东起沿41试验区空间背景数据库的建立顺时针方向,其八方邻位可表示为:E、 SE S SW、W、N、NNE。每一点向外扩散有8个方向的选择,如图2所示。从正釆用栅格数据进行林火蔓延模拟仿真,即将G丶中所输东开始,沿顺时针方向检测,每探测到某一方向,计算累积时入的矢量的图形数据(地形图、林相图等)转换成栅格数据,间∑t。若∑t小于给定的扩展蔓延时间T,且该方位没有走因此、模拟的过程就是对所有的栅格点处理的过程,每个栅格点所代表的长和宽(分辨率)越小,模拟的精度越高。考虑到过或是原先累积时间大于∑t就沿此方向走一步,并记下所数据的处理及计算机计算的速度,每一图形数据的栅格化都走的路径和方位,存放在堆栈或库中,同时将累积时间修改为∑t累积时间可用二维数组存放,初值置为零。如果探测到釆用30m×30m栅格精度。试验区背景数据库的建立主要某一方位四周的∑t值均大于或等于T,则退回一步重新检测需要3种专题数据分别为高程数据、坡度数据、可燃物类型数据。其中:前两种专题数据是利用现有的帽儿山数字等高线下一个方位,当初始火点四周的8个方位都已检测完毕,则蔓数据,通过 a rcv iew的3扩展模块生成;可燃物类型数据通延过程结束。最终二维数组中所存放的累积时间∑t均小于过帽儿山数字林相图进行再分类获得,并将可燃物类型数据转化是满足条件的像元集合,它们所形成的集合反映在图像当中为(RD栅格形式存储。文中所应用到的数据如表5所示。就是模拟的火场表5栅格数据34算法的选择名称数据格式数据类型描述边界插值算法不考虑蔓延过程中每个起燃栅格向8个邻 V ege tation ESR IGR D NTEGER可燃物类型数据格蔓延的可能,因而计算较简单,但是此算法人为地简化了林ElevationESR IGR DNTEGER高程数据火蔓延的复杂性,对于大范围的地形变化较复杂的地区,林火ShESR I GRⅢN TEGER坡度数据C1994-2011ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp:/www.cnki.net第9期毛学刚等:基于G模型的林火蔓延计算机仿真4142林火蔓延速度的计算难,因为不管用何种方法,都回避不了对可燃物、气象和地形在进行蔓延计算前,需婁先形成速度图文件,在林火蔓延的等因素的考虑,因而,火场蔓延模型的建立非常重要。文中结计算机仿真中最基夲的是林火的蔓延速度,通过速度图文件,可合帽儿山的实际情况建立了火行为的蔓延模型,并以Ⅴ isual以直观地得到可燃物蔓延速度的情况。形成速度图,具体来说,C++60为主要可视化开发厂具,采用先进的COM技术,成是对通过GS获得的各种薮据(可燃物类型数据、髙程数据和坡功地实现了基于G丶模型的林火蔓延计算机仿真度数椐)逐点进行处理,通过栅格的行列号得到栅格图像上与行目前的林火蔓延模型都是针对林火的始发阶段,今后对列号相对应的点的属性值,如可燃物类型、高程、坡度等信息,然森林大火和特大火的模型硏究将成为重点。林火蔓延模拟的后根据所选王正非蔓延模型并考虑实时参数,如发生火灾时的风研究也将向三维、立体的方向发展。随着对林火研究的深入,向、风速等信息计算出该点的林火蔓延速度,并将此速度值赋给也出现了一些新的林火研究方法,如突变理论、元胞自动该点这样形成的点集合在蔓延模拟中用作中间调用数据,称为机模拟林火蔓延、统计物理学方面的渗透理论、分形理速度图。速度图的生成由Ⅴ ialc++60编程实现。论2等,它们与计算机技术的结合必将对林火蔓延的研究做43林火蔓延动态显示出贡献。林火蔓延的动态显示是林火蔓延仿真中最关键的一步,参考文献主要利用Ⅴ isual c++60编程实现,其主要过程为:第一、从背景数据库中读入可燃物类型和高程数据;第二、根据输入的「1]黄作维.基于G和RS的林火行为预测研究[J西北林学院学报,20621(3):94-97风向、风速参数,利用王正非林火蔓延模型计算岀林火的蔓延「2」朱煌武,朱霁平,谢庆胜,等.基于地理信息系统的森林火灾救速度;第三、将计算结果在空间背景薮据库上输出。动态模拟辅助决策系统的研究[J.自然灾害学报,19998(1):60-70不同风向、风速的结果,如图4所示。[3 PerryG M, Sparrow A D, Ow ens I F AGs- supported modelbr the simu lation of the spatial stru cture of w iH land fire Cass barsin New Zealnd[ J]. Jou n al of a pp lied E coby, 1999 36(4)50-5184] Weber rα唐世敏.野火蔓延的数学模型[J力学与实践,199214(2):1-12I5 Rothemelr c. a m athem atical m odel for p red ct ng fire spreadw iH land fuels[R]. USDA: Forest Service R esearch Paper 1972113-115[6]毛贤敏.风和地形对林火蔓延速度的作用[小应用气象学报,1993,4(1):100-1047]温广玉,刘勇.林火蔓延模型的数学应用[J东北林业大学学报,19422(2):31-368]郑焕能,胡海清.东北东部山地可燃物类型的研究[J.森林防火,1990(4):10-13「9]钟茂华,范维澄,王清安.林火蔓延突变形态的模拟实验研究[J.自然科展,200010(4):330-353图4不同风速和风向的林火蔓延10]邬伦.地理信息系统一原理、方法和应用[M]北京:科学出版社,2000241-2465结论与展望「1]姚树人,火灾模型和辅助决策系统的现代发展[J.森林防火,1994(12):59-62从林火蔓延的硏究看,目前要做到精确的预测还比较困12]薄颖生,韩恩贤,韩刚,等.森林火灾自相似性质及其在林火管理中的应用研究初探[小森林防火,1997(3):20)-22perenne la l( Rannunau hus repe").I:wha"为adma[21李根前,黄宝龙,唐德瑞,等毛乌素沙地中国沙棘无性系生长(上接32页)10 Lovett Dous tL Popu at in dynam cs and spec ia ization格局与生物量分配[J西北农林科技大学学报:自然科学版m e2001,29(2):51-55con trast ing hab ita ts[J. Joumal ofe cology,1981.69743-7552李根前,赵粉侠,李秀寨,等.毛乌素沙地中国沙棘种群数量动11 Lovett Dous tL Popu ht on dynam is and chn al specialization in a态研究[J.林业科学,2004,40(1):180-184canal perens ial( Ranuna hus repens).l: responses to light and[23]贺斌,李根前,高海银,等.不同土壤水分条件下中国沙棘克险nu trient supply[ J]. Joumal of e co logy, 1987, 75 555-568生长的对比研究[J.云南大学学报:自然科学版,200729[12]王昱生,盖晓春.羊草无性系植物种群觅养生长格局与资源分(1):101-107配的研究[J植物生态学报,1995194:293-30124]贺斌,李根前,李周岐,等.木本克隆植物中国沙棘种群数量与13] Luo XG, DongM. A rch itec tu re p last city in response to soil mo is结构对土壤水分的响应[小西北农林科技大学学报:自然科hu re n the s tlon ife rou s herb Duchesnea ind iaa[ J. A cta Botan ica学版,2007,35(3):183-187Sinica200244(1):97-10025]赵成义,宋郁东,王玉潮,等.几种荒漠植物地上生物量估算的[14]刘庆,钟章成无性系植物种群生态学研究进展及有关概念初步研究[J应用生态学报,200415(1):49-52生态学杂志,19514(3):40-4「26刘佩勇,张庆灵,杨允菲松嫩平原朝鲜碱茅无性系种群构件生物5]刘庆,钟章成斑苦竹无性奈生长与水分供应及其适应对策的量结构及相关模型分析[小应用生态学报,20415(4):543-548研究[J.植物生态学报,199620(3):245-254I 27] A lpert P. N itrogen sharing am ong ram ets ncreases clonal grow th i[16]岳春雷,汪奎宏,何奇江,等.不同氮素条件下雷竹克隆生长的Frag aria chiloe sis[ J. Ecog y, 1991 72: 69-80比较研究[J.竹子研究汇刊,200221(1:38-40I 28 Evans JP. The effect of bcal resou Ice a vailab ility and clonal inte-[17]杨在娟,岳春雷,汪奎宏.光照强度对竹无性系生长的影响gration on ram et fun ct ina I m orphobgy in H ydroco le bonarien sisJ.0 eco log ia199289265-276I18」陈玉福,董鸣.毛乌素沙地根茎灌木羊柴的基株特征和不同生境中29董鸣.异质性生境屮的植物克隆生长:风险分摊[J植物生态的分株种群特征[J植物生态学报,2024(1):40-45学报,199620(6):543-54819]李根前,黄宝龙,唐德瑞,等.毛乌素沙地中国沙棘无性系生长[30] Pan JJ Price Js Fimess and evoht in n canal plan ts the mpact调节[J.应用生态学报,200,12(5):682-686of canal grow th[ J]. E volt inary Ecobgy 2002 15 583-600[》0]李根前,黄宝龙,唐德瑞,等.毛乌素沙地中国沙棘无性系种群311 Schm i b same ecological and ev oht in ary consequen ces ofm od年龄结构动态与遗传后果研究[J.应用生态学报,2001,12u ar org an iat in and chn al grow th in plants[ J]. Evoh tionaryC153432613chinaAcademicJournalElectronicPublishingHouseAimnrigntsreservedhttp://www.cnki.net
- 2020-12-03下载
- 积分：1
