应用SVM预测杜鹃属（Rhododendron L.）在中国的潜在分布中心

杜鹃属(Rhododendron L.)是中国种子植物中最大的属，其现代分布和分化中心是我国西南部的横断山区和东喜马拉雅地区。我国西部、西南部的云南、四川、西藏等地共有杜鹃达450种，仅特有种就有约300种。对杜鹃属分布的深入研究是横断山区生物多样性保护不可缺少的重要部分。 由于物种分布与环境因子之间存在着紧密的联系，利用环境因子作为预测物种分布模型的变量是当前最普遍的建模思路。但是绝大多数物种分布预测模型都遇到了难以解决的“高维小样本”问题――模型在标本数据不足时无法给出合理的预测，或者模型无法处理大量的环境变量。机器学习领域的理论和实践已经证明，基于结构风险最小化原理的支持向量机(Support Vector Machine, SVM)算法非常适合“高维小样本”的分类问题。为了探索其应用在物种分布预测问题上的可能性，本文创新性的实现了基于SVM算法的物种分布预测系统。然后，本文以30个杜鹃属(Rhododendron L.)物种为检验对象，利用其标本数据和11个1km的栅格环境变量图层作为模型变量，预测其在中国的潜在分布区。本文通过全面的模型评估——专家评估，ROC (Receiver Operator Characteristic)曲线和曲线下方面积AUC (Area Under the Curve)——来比较模型的性能。试验结果表明，我们所实现的以SVM为核心的物种分布预测系统无论在计算速度还是预测效果上都远远优于当前广泛使用的GARP (Genetic Algorithm for Rule-Set Prediction)预测系统。 之后，本文进一步探讨了SVM预测系统预测效果与环境变量维数和标本点个数的关系。试验结果表明，对于只有少量标本点的物种SVM的预测结果仍然具有相当的合理性。由此可见， SVM预测系统很好的解决了以前众多模型无法克服的稀有种和标本点稀少的物种的潜在分布区模拟问题。同时本文发现大的环境维数（高维）对于物种潜在分布区的预测有着决定性的作用，因此模型处理高维问题的能力显得至关重要。 最后，我们使用中国所有可获取的杜鹃属标本数据，以及83个1km的栅格环境变量图层，对400种杜鹃属物种的潜在分布区进行预测。根据预测出来的物种潜在分布区，我们得到了中国杜鹃属物种潜在多样性分布格局，特有物种潜在多样性分布格局，濒危杜物种潜在的分布格局，各亚属物种潜在分布格局，以及不同生活型物种潜在多样性分布格局。这些分布区图不仅可以对杜鹃属起源研究提供分析验证的条件，还能为其引种、保护和新种的搜寻提供有利的空间依据。

Morphometric studies in Penaeus merguiensis from Ratnagiri waters for selection of the brood stock in genetic improvement programmes

Studies on genetic improvement of penaeid prawns for the character higher tail weight using methods of selective breeding were undertaken. Prior to the actual breeding experiments it was necessary to find out the quantum of available variability in the character tail weight amongst the natural populations of Penaeus merguiensis from the Indian waters. Thirteen morphometric variables were measured and various statistical analyses were carried out. The tail weight showed almost double values of coefficient of variation in the females than the males (C.V. 20.37 and 11.08 respectively). The combination of the characters viz. sixth segment length (SSL), sixth segment depth (SSD) and posterior abdominal circumference (PAC) gave the highest R super(2) values. These variables were easy to measure and gave maximum variation in the character tail weight without sacrificing the breeders in the brood stock. The quantitative character tail weight was influenced by both genetic and environmental factors was statistically ascertained by applying 2-Factor analysis.