引用本文
高鹏, 杨可明, 荣坤鹏, 程凤, 李燕, 王思佳. 铜胁迫下玉米污染特征波段提取与程度监测[J]. 光谱学与光谱分析, 2020, 40(2): 529-534.
GAO Peng, YANG Ke-ming, RONG Kun-peng, CHENG Feng, LI Yan, WANG Si-jia. Feature Band Extraction and Degree Monitoring of Corn Pollution under Copper Stress[J]. Spectroscopy and Spectral Analysis, 2020, 40(2): 529-534.  
Permissions
Copyright©2020, 光谱学与光谱分析
光谱学与光谱分析 所有
铜胁迫下玉米污染特征波段提取与程度监测
高鹏1, 杨可明1,*, 荣坤鹏1, 程凤1, 李燕1, 王思佳2
1. 煤炭资源与安全开采国家重点实验室, 中国矿业大学(北京), 北京 100083
2. 北京师范大学地理科学学部, 北京 100875;
*通讯联系人 e-mail: ykm69@163.com

作者简介: 高 鹏, 1994年生, 中国矿业大学(北京)硕士研究生 e-mail: 1292724050@qq.com

收稿日期:2019-01-08 接受日期:2019-05-25 网络出版日期:2020-02-12
基金项目:国家自然科学基金项目(41271436, 41971401), 煤炭资源与安全开采国家重点实验室2017年开放基金课题(SKLCRSM17KFA09), 宁夏农林科学院科技创新引导项目(NKYG-18-01), 宁夏农牧厅东西部合作项目资助
摘要

我国农田重金属污染形势不容乐观。 土壤中的重金属被作物根系吸收后会影响作物正常的生长发育, 降低农产品质量, 进而通过食物链进入人体, 危害人体健康。 高光谱遥感为实时动态高效监测作物重金属污染提供了可能。 设置不同浓度Cu2+胁迫梯度的玉米盆栽实验, 并采集苗期、 拔节期和穗期玉米老、 中、 新叶片光谱数据, 测定不同生长时期叶片叶绿素含量、 叶片Cu2+含量。 基于所获取的光谱数据、 叶绿素含量和叶片Cu2+含量, 结合相关分析法、 最佳指数法(OIF)和偏最小二乘法(PLS)构建OIF-PLS法提取含有Cu2+污染信息的特征波段。 首先依据苗期、 拔节期和穗期叶片叶绿素含量及穗期叶片Cu2+含量与相应叶片光谱的相关系数初步筛选特征波段; 然后, 从中选取三个波段计算最佳指数因子, 并以该三个波段为自变量, 对玉米叶片Cu2+含量进行偏最小二乘回归分析, 计算均方根误差; 最后根据最佳指数因子最大、 均方根误差最小的原则选取最佳特征波段。 基于OIF-PLS法所选取的特征波段构造植被指数OIFPLSI监测重金属铜污染, 并与常规的红边归一化植被指数(NDVI705)、 改进红边比值植被指数(mSR705)、 红边植被胁迫指数(RVSI)和光化学指数(PRI)监测结果做比较, 验证OIFPLSI的有效性和优越性。 另外利用在相同的实验方法下获取的不同年份的数据对OIFPLSI进行检验, 验证OIFPLSI的适用性和稳定性。 实验结果表明, 基于OIF-PLS法提取的特征波段(542, 701和712 nm)比基于OIF法提取的特征波段(602, 711和712 nm)能更好地反映Cu2+污染信息; 植被指数OIFPLSI与叶片Cu2+含量显著正相关, 相关性优于NDVI705, mSR705, RVSI和PRI; OIFPLSI与叶片叶绿素含量显著负相关, 与土壤中Cu2+含量显著正相关; 不同生长时期OIFPLSI与土壤中Cu2+含量的相关性高低依次为拔节期、 穗期、 苗期。 基于不同年份数据验证结果表明, OIFPLSI与叶片Cu2+含量显著正相关, OIFPLSI具有较强的稳定性。 基于OIF-PLS法所提取的特征波段构建的OIFPLSI能够较好地诊断分析玉米叶片铜污染水平, 可为作物重金属污染监测提供一定的技术参考。

关键词: 重金属污染; 光谱分析; 特征波段; 植被指数; 农作物
中图分类号:TP75 文献标志码:A
Feature Band Extraction and Degree Monitoring of Corn Pollution under Copper Stress
GAO Peng1, YANG Ke-ming1,*, RONG Kun-peng1, CHENG Feng1, LI Yan1, WANG Si-jia2
1. State Key Laboratory Coal Resources and Safe Mining, China University of Mining & Technology (Beijing), Beijing 100083, China;
2. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China;
*Corresponding author
Abstract

The situation of heavy metal pollution in farmland isn’t optimistic. The heavy metals in soil can affect normal growth and development of crops after being absorbed by the roots, reduce quality of agricultural products, and then enter human body through food chain, endangering human health. Hyperspectral Remote Sensing provides possibility for a real-time, dynamic and efficient monitoring of heavy metal pollution in crops. The potted corn experiment with different Cu2+ stress gradients was set up, the spectral data of old, middle and new leaves in seedling, jointing and spike stages were collected, and the chlorophyll content and leaves Cu2+ content were determined in different growth periods. Based on the spectral data, chlorophyll content and leaves Cu2+ content, OIF-PLS method was constructed to extract feature bands containing Cu2+ pollution information by combining correlation analysis, optimal index factor (OIF) and partial least square (PLS). Firstly, the characteristic bands were preliminarily screened according to correlation coefficient between chlorophyll content in leaves at seedling stage, jointing stage and spike stage and Cu2+ content in leaves at spike stage and corresponding leaf spectra. Then, three bands were selected to calculate optimum index factor, and the three bands were taken as independent variables to carry out partial least squares regression analysis on Cu2+ content in corn leaves to calculate root mean square error. Finally, the best feature band was selected according to principle of maximum optimum index factor and minimum root mean square error. The vegetation index OIFPLSI was constructed based on the characteristic bands selected by OIF-PLS method to monitor heavy metal copper pollution, and compared with red edge normalized difference vegetation index (NDVI705), modified red edge simple ratio vegetation index (mSR705), red-edge vegetation stress index(RVSI) and photochemical reflectance index (PRI) monitoring results to verify the effectiveness and superiority of OIFPLSI. In addition, the applicability and stability of OIFPLSI were verified by using the data obtained from different years under same experimental method. The experimental results show that the feature bands (542, 701, 712 nm) extracted from OIF-PLS can better reflect Cu2+ pollution information than the feature bands (602, 711, 712 nm) based on OIF. OIFPLSI was significantly positively correlated with leaf Cu2+ content, and the correlation was better than NDVI705, mSR705, RVSI and PRI. OIFPLSI was significantly negatively correlated with leaf chlorophyll content and positively correlated with Cu2+ content in soil. The correlation between OIFPLSI and Cu2+ content in soil at different growth stages is successively higher in jointing stage, ear stage and seedling stage. Based on the data of different years, the results show that OIFPLSI is positively correlated with leaf Cu2+ content, and OIFPLSI has strong stability. OIFPLSI based on the characteristic bands extracted by OIF-PLS method can better diagnose and analyze copper pollution level of corn leaves, which can provide a certain technical reference for crop heavy metal pollution monitoring.

Keyword: Heavy metal pollution; Spectral analysis; Feature band; Vegetation index; Crop
引言

近年来, 我国农田土壤重金属污染形势严峻, 污染面积逐渐增大, 污染程度不断提高[1]。 工业生产排放、 污水灌溉、 矿产资源开采、 农药化肥使用和大气沉降等是我国农田土壤重金属污染的主要来源[2]。 土壤中的重金属富集后不易分解, 当其积累到一定程度后会污染农作物, 破坏农作物细胞结构, 影响农作物生长发育, 降低农产品质量, 进而通过食物链进入人体, 危害人体健康[3]。 因此, 快速有效地监测重金属污染成为研究焦点。 传统的监测方法步骤繁琐, 耗时费力, 具有一定的破坏性, 而高光谱遥感具有光谱分辨率高, 波段多, 图谱合一的优点, 为实时高效监测重金属污染提供了可能[4]。

目前, 国内外学者对利用高光谱遥感监测重金属污染进行了研究。 郭辉[5]等基于一阶微分与谐波分析, 构建光谱微分差信息熵与谐波振幅诊断玉米铜铅污染程度; Dunagan[6]等认为“ 红边” 位置和比值植被指数能够较好的判别菠菜叶片汞污染程度; Hede[7]等构建绿波短波红外指数探测植被重金属污染程度, 发现该指数监测结果优于归一化植被指数; 杨可明[8]等基于高阶谱和灰度共生矩阵有效地区分铜、 铅胁迫下的玉米叶片光谱, 并判别玉米叶片铜、 铅污染程度。 尽管利用高光谱遥感监测作物重金属污染已取得一些成果, 但对不同生长时期玉米重金属污染诊断的研究较少。

相关分析法是依据参数与光谱波段间相关系数大小来提取特征波段的方法, 该方法简单易行, 在高光谱数据降维和特征波段提取中应用广泛[9]。 最佳指数法是以最佳指数因子为评价指标, 选取冗余度小、 信息量丰富波段组合的方法, 但不能保证其选取的波段与参数之间具有较好的相关性[10]。 偏最小二乘法是集主成分分析、 典型相关分析和多元线性回归分析于一体的多元统计数据回归方法, 能够消除各变量间多重共线性对估测模型的影响, 在光谱数据处理方面意义重大[11]。 本研究拟基于铜胁下玉米盆栽实验所测的苗期、 拔节期和穗期叶片光谱数据, 结合相关分析法、 最佳指数法和偏最小二乘法提取特征波段, 构建植被指数监测玉米重金属污染, 同时与红边归一化植被指数、 改进红边比值植被指数、 红边植被胁迫指数和光化学指数监测结果做对比分析, 验证该指数在监测重金属方面的有效性与优越性, 以期为识别诊断作物重金属污染提供一定的技术参考。

1 实验部分
1.1 实验设计

采用有底漏花盆对“ 密糯8号” 玉米种子进行培育, 所用土壤含有不同浓度CuSO4· 5H2O(分析纯)。 盆栽土壤共设置0, 50, 100, 150, 200, 300, 400, 600, 800, 1 000和1 200 μ g· g-1等11个Cu2+胁迫梯度, 相应标记为Cu(ck), Cu(50), Cu(100), Cu(150), Cu(200), Cu(300), Cu(400), Cu(600), Cu(800), Cu(1 000)和Cu(1200), 每个胁迫梯度设置三组平行实验。 2017年5月10日进行玉米种子催芽并于5月12日种植在盆栽土壤中。 待玉米出苗后向各盆中加入等量的适量的NH4NO3, KH2PO4和KNO3等营养液。 培育期间保证所有盆栽生长环境一致, 定期浇水通风。

1.2 数据采集

1.2.1 光谱数据采集

在玉米的苗期、 拔节期和穗期采集叶片光谱数据。 选用美国SVC HR-1024I地物光谱仪在室内采集光谱。 测量时以功率为50 W卤素灯作为光源, 光谱仪探头视场角为25° 并垂直于叶片表面5 cm处, 采用专用白板对光谱反射系数进行标准化处理。 测量过程中用黑色塑料袋盖住花盆以防止土壤影响玉米叶片光谱。 在每株玉米老、 中、 新叶片上各测量三次, 取三次平均值作为最终数据。

1.2.2 叶绿素含量测定

在采集不同生长时期玉米叶片光谱的同时, 采用SPAD-502叶绿素仪测定玉米叶片中叶绿素含量。 在每株玉米老、 中、 新叶片上各测量三次, 取三次平均值作为最终结果。

1.2.3 Cu2+含量测定

测定穗期玉米叶片中Cu2+含量。 对玉米叶片进行干燥、 冲洗、 微波消解等预处理后, 在相同的实验条件下, 采用电感耦合等离子体发射光谱仪(ICP-OES)测定叶片中Cu2+含量。

1.3 特征波段提取方法

结合相关分析法、 最佳指数法(optimum index factor, OIF)和偏最小二乘法(partial least square method, PLS)构建OIF-PLS法提取特征波段, 具体过程为:

(1)基于相关分析法初步筛选特征波段

对不同生长时期玉米叶片光谱与叶绿素含量、 穗期玉米叶片光谱与叶片Cu2+含量进行相关性分析, 筛选相关系数通过显著性检验(p< 0.01)且叶片光谱与叶绿素含量相关系数|r|> 0.45的波段;

(2)计算最佳指数因子

最佳指数法是依据波段组合信息量同各波段间相关系数之和成反比, 同各波段的标准差之和成正比的基本思想来提取特征波段的方法, 该方法提取的特征波段所包含信息量大, 冗余度小[11]。 定义最佳指数因子OIF为

OIF=∑i=13Si/∑r=13|Rij|

式中: Si为第i波段的标准差, Rij为第i和j两波段间的相关系数, r为i和j两波段的组合数。

标准差越大表明波段所含信息量越大, 波段间相关系数越小表明波段间独立性越好, 因此OIF值越大, 表明波段组合所含有的总信息量越大。

(3)OIF-PLS法提取特征波段

以OIF提取的三个波段组合为自变量, 对玉米叶片Cu2+含量进行偏最小二乘回归建模, 计算均方根误差(root mean square error, RMSE)。 构建指示因子M=OIF/RMSE提取特征波段, OIF越大, RMSE越小, 表明三个波段组合冗余度低, 信息量大, 且能够较好地反映Cu2+污染信息, 故指示因子M最大的波段组合即为最佳特征波段。

2 结果与讨论
2.1 特征波段提取

依据玉米叶片光谱反射率与叶绿素含量、 叶片Cu2+含量的相关系数显著性检验初步筛选特征波段, 结果分别如图1、 图2所示, 可以看出, 不同生长时期玉米叶片光谱与叶绿素含量在402~718 nm波段范围内显著负相关, 在481~712 nm波段范围内相关系数达到0.45; 在500~542, 555~650和683~712 nm波段范围内, 穗期玉米叶片光谱与叶片Cu2+含量显著正相关。 在红外波段, 不同生长时期玉米叶片光谱与叶绿素含量的相关系数差异较大, 穗期叶片光谱与叶片Cu2+含量相关系数较低。 综合分析, 基于相关系数初步筛选的波段范围为500~542, 555~650和683~712 nm。 通过OIF法和OIF-PLS法对初步筛选出的169个波段进行最佳特征波段提取, 结果如图3和图4所示, 基于OIF选取的特征波段为602, 711和712 nm, 其最佳指数因子OIF值为5.459 7; 基于OIF-PLS选取的特征波段为542, 701和712 nm, 其指示因子M值为3.178 6。

图1 不同生长时期玉米叶片光谱反射率与叶绿素含量相关系数曲线Fig.1 Correlation coefficient curve between spectral reflectance and chlorophyll content of corn leaves at different growth stages

图2 穗期玉米叶片光谱反射率与叶片Cu2+含量相关系数曲线Fig.2 Correlation coefficient curve between spectral reflectance and Cu2+ content of corn leaves in spike period

图3 OIF值分布Fig.3 OIF value distribution

图4 OIF-PLS指示因子(M)分布Fig.4 OIF-PLS indicator (M) distribution

将OIF-PLS法提取的波段光谱数据作为自变量, 对玉米叶片Cu2+含量和叶绿素含量进行偏最小二乘法回归建模, 并与OIF法提取的波段光谱数据建立的回归模型进行比较, 结果如表1所示。 从表中可以看出, 由OIF-PLS选取的波段光谱数据所建模型决定系数R2和均方根误差RMSE均优于基于OIF法所建模型, 基于OIF-PLS法提取的特征波段能更好的用于监测重金属铜污染。

表1 OIF法和OIF-PLS法回归结果对比分析 Table 1 Comparative analysis of regression results of OIF and OIF-PLS
2.2 指数设计与污染监测

为了充分利用542, 701和712 nm三个特征波段的信息, 便于直接分析特征波段与玉米叶片Cu2+含量、 叶绿素含量和土壤中Cu2+含量的关系, 构建植被指数

OIFPLSI=(R712-R542)/(R712-R701)

并计算该指数及红边归一化植被指数[12](red edge normalized difference vegetation index, NDVI705)、 改进红边比值植被指数[13](modified red edge simple ratio index, mSR705)、 光化学指数[14](photochemical reflectance index, PRI)、 红边植被胁迫指数[15](red edge vegetation stress index, RVSI)与玉米叶片中Cu2+含量的相关系数, 结果如表2所示。 由表2可见, 玉米叶片Cu2+含量与NDVI705, mSR705呈现显著负相关性, 与RVSI, OIFPLSI呈现显著正相关性, 与PRI没有显著相关性, 相关系数由大到小依次为OIFPLSI, NDVI705, RVSI和mSR705。 因此认为NDVI705, mSR705, RVSI和OIFPLSI均能区分玉米叶片Cu2+污染程度, 其中OIFPLSI效果最佳。

图5为玉米老、 中、 新叶片OIFPLSI与叶片Cu2+含量的相关关系, 相关系数均通过显著性检验, 相关性由高到低依次为新叶、 中叶、 老叶。 新叶OIFPLSI与叶片Cu2+含量的相关性优于中叶、 老叶可能是因为: Cu2+是玉米生长所需的微量元素, 优先向新叶运输来满足生长需要[16], 因而光谱特征表现较为明显。

表2 不同植被指数计算方法及其与叶片Cu2+含量的相关系数 Table 2 Calculation methods of different vegetation indices and correlation coefficients with Cu2+ content in leaves

图5 老、 中、 新叶片OIFPLSI与Cu2+含量相关关系Fig.5 Correlation between OIFPLSI of old, middle and new leaves and Cu2+

2.3 OIFPLSI与叶绿素含量、 土壤Cu2+含量相关分析

土壤中的Cu2+被植物根系吸收后, 过量的Cu2+会影响植物酶的活性, 破坏叶绿体结构, 使得叶绿素的氧化分解速度加快; 同时, Cu2+会取代植物叶绿体内的Mg2+, Fe2+等离子, 影响光合作用, 从而降低叶绿素含量。 图6、 图7分别为不同生长时期玉米叶片OIFPLSI与叶绿素含量、 土壤中Cu2+含量的相关关系。 分析发现, 苗期、 拔节期和穗期玉米叶片OIFPLSI均与叶绿素含量成负相关关系, 与土壤Cu2+含量成正相关关系, 且相关系数均通过0.01极显著检验水平, 即随着土壤中Cu2+含量的增大, 叶绿素含量随之降低, 叶片OIFPLSI值随之增大。 不同生长时期叶片OIFPLSI与叶绿素含量的相关性高低依次为拔节期、 苗期、 穗期, 与土壤中Cu2+含量的相关性高低依次为拔节期、 穗期、 苗期。

图6 OIFPLSI与叶绿素含量相关关系Fig.6 Correlation between OIFPLSI and chlorophyll content

图7 OIFPLSI与土壤Cu2+含量相关关系Fig.7 Correlation between oifplsi and Cu2+ content in soil

相关研究表明, 植物与Cu2+作用时, 根部首先接触Cu2+并分泌有机物与Cu2+结合成稳定的化合物, 阻止Cu2+向茎叶转运。 过量Cu2+富集在根部, 抑制酶活性, 影响铵根离子转化, 进而损伤根部组织, 影响植物生长。 逐渐地, 根部吸附固定Cu2+能力减弱, Cu2+向茎叶运输不断增加。 在此过程中, 随着植物的生长, 植物的氧化系统和渗透调节系统等会做出一定的反映缓解重金属伤害[17, 18]。 拔节期叶片OIFPLSI与土壤中Cu2+含量的相关性优于苗期和穗期可能是因为: 玉米幼苗时期, Cu2+主要集中在根部, 随着玉米的生长, 根部吸收Cu2+减少, Cu2+向茎叶转运增多, 大量的Cu2+影响叶绿素合成, 破坏细胞结构, 从而在拔节期叶片光谱上有较明显的表现; 穗期玉米抗氧化能力和调节能力都有所增强, 使得Cu2+对玉米的伤害有所降低, 因而Cu2+对玉米的影响在光谱上的表现有所减弱。

2.4 OIFPLSI验证

为了验证指数OIFPLSI的稳定性和适用性, 采用在相同的实验方法下获取的2014年和2016年数据对OIFPLSI进行验证, 结果如图8所示。 从结果来看, OIFPLSI与叶片Cu2+含量的相关系数为0.847 0, 相关性通过显著性检验, 表明OIFPLSI在监测玉米重金属铜污染方面具有一定的稳定性与有效性。

图8 OIFPLSI与叶片Cu2+含量相关关系Fig.8 Correlation between OIFPLSI and Cu2+ content in leaves

3 结 论

为监测重金属污染, 结合相关分析法、 最佳指数法和偏最小二乘构造OIF-PLS法提取反映重金属污染信息的特征波段。 基于不同浓度Cu2+胁迫下玉米盆栽实验数据, 提取了542, 701和712 nm为反映玉米叶片Cu2+污染信息的最佳特征波段, 并利用3个特征波段构建植被指数OIFPLSI。 植被指数OIFPLSI与玉米叶片中Cu2+含量显著正相关, 相关性优于红边归一化植被指数、 改进红边比值指数、 红边植被胁迫指数和光化学指数等常规指数; 玉米不同生长时期叶片的OIFPLSI与叶片叶绿素含量、 土壤中Cu2+含量存在显著相关关系。 利用不同年份的数据对OIFPLSI进行验证, 结果表明OIFPLSI具有一定的稳定性和适用性。 研究结果为利用高光谱遥感监测重金属污染提供了一定的技术支持。

参考文献
[1] ZHAO Ji-xin, YIN Peng-cheng, YUE Rong, et al(赵纪新, 尹鹏程, 岳荣, 等). Journal of Anhui Agricultural Sciences(安徽农业科学), 2018, 46(4): 19. [本文引用:1]
[2] Teng Y G, Wu J, Lu S, et al. Environment International, 2014, 69: 177. [本文引用:1]
[3] SU Chun-tian, TANG Jian-sheng, PAN Xiao-dong, et al(苏春田, 唐健生, 潘晓东, 等). Chinese Agricultural Science Bulletin(中国农学通报), 2011, 27(8): 323. [本文引用:1]
[4] Feng W, Yao X, Tian Y, et al. Australian Journal of Agricultural Research, 2008, 59(8): 748. [本文引用:1]
[5] GUO Hui, YANG Ke-ming, ZHANG Wen-wen, et al(郭辉, 杨可明, 张文文, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(1): 212. [本文引用:1]
[6] Dunagan S C, Gilmore M S, Varekamp J C. Enviromnetal Pollution, 2007, 148(10): 301. [本文引用:1]
[7] Hede A N H, Kashiwaya K, Koike K. Remote Sensing of Environment, 2015, 171: 83. [本文引用:1]
[8] YANG Ke-ming, WAGN Xiao-feng, ZHANG Wei, et al(杨可明, 王晓峰, 张伟, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2018, 49(2): 191. [本文引用:1]
[9] CHENG Zhi-qing, ZHANG Jin-song, MENG Ping, et al(程志庆, 张劲松, 孟平, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(12): 179. [本文引用:1]
[10] CHENG Zhi-qing, ZHANG Jin-song, MENG Ping, et al(程志庆, 张劲松, 孟平, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2015, 46(8): 264. [本文引用:1]
[11] YU Lei, HONHG Yong-sheng, GENG Lei, et al(于雷, 洪永胜, 耿雷, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(14): 103. [本文引用:2]
[12] Anatoly Gitelson, Mark N. Merzlyak. Journal of Plant Physiology, 1994, 143(3): 286. [本文引用:1]
[13] Sims D A, Gamon J A. Remote Sensing of Environment, 2002, 81: 337. [本文引用:1]
[14] Gamon J A, Penuelas J, Field C B. Remote Sense Environ, 1992, 41: 35. [本文引用:1]
[15] Merton R, Huntington J. Summaries of the Eight JPL Airborne Earth Science Workshop, 1999, 99(17): 299. [本文引用:1]
[16] XIONG Chun-hong, CAO Fang, TU Bei-ping, et al(熊春红, 曹芳, 涂北平, 等). Journal of Food Science and Biotechnology(食品与生物技术学报), 2012, 31(1): 55. [本文引用:1]
[17] LIU Su-hong, LIU Xin-hui, HOU Juan, et al(刘素红, 刘新会, 侯娟, 等). Scientia Sinica·Technologica(中国科学·科学技术), 2007, 37(5): 693. [本文引用:1]
[18] WANG Hui, ZENG Lu-sheng, SUN Yong-hong, et al(王慧, 曾路生, 孙永红, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 32(2): 171. [本文引用:1]