*

（1.河南農(nóng)業(yè)大學(xué)，煙草行業(yè)煙草栽培重點(diǎn)實(shí)驗(yàn)室，鄭州 450002；2.商丘師范學(xué)院，河南 商丘 476000）

干旱脅迫下旺長期烤煙冠層葉綠素密度的高光譜估測

李夢竹1，劉國順1*，賈方方2

（1.河南農(nóng)業(yè)大學(xué)，煙草行業(yè)煙草栽培重點(diǎn)實(shí)驗(yàn)室，鄭州 450002；2.商丘師范學(xué)院，河南 商丘 476000）

為精準(zhǔn)、實(shí)時(shí)、無損地估算烤煙冠層葉綠素密度，快速獲取烤煙光合性能與營養(yǎng)狀況，基于不同程度干旱脅迫處理，采用ASD光譜儀，在綜合分析群體原始高光譜反射率、一階導(dǎo)數(shù)光譜反射率及已有光譜指數(shù)與冠層葉綠素密度（CCD）關(guān)系的基礎(chǔ)上，建立烤煙 CCD估算模型。結(jié)果表明：（1）干旱脅迫后烤煙冠層光譜反射率隨葉綠素密度呈現(xiàn)規(guī)律性變化。（2）712 nm處的一階導(dǎo)數(shù)與CCD相關(guān)性最好（r=0.838）。（3）利用一階導(dǎo)數(shù)光譜建立的反演葉綠素密度的線性模型和BP神經(jīng)網(wǎng)絡(luò)模型中，均以BP神經(jīng)網(wǎng)絡(luò)模型效果最好，其模型決定系數(shù)R2為0.9686，均方根誤差RMSE0.0778，表明模型的精度和穩(wěn)定性均較好。研究結(jié)果可為實(shí)時(shí)監(jiān)測旺長期烤煙群體光合能力及水分脅迫狀況提供栽培管理依據(jù)。

烤煙；旺長期；冠層葉綠素密度；干旱脅迫；估算模型

葉綠素是植物營養(yǎng)狀況、光合性能及植被發(fā)育的良好指示器[1-2]，眾多研究表明，干旱脅迫會(huì)引起烤煙葉綠素含量的降低[3-4]。在綠色植物典型光譜特征中發(fā)現(xiàn)，在可見光范圍內(nèi)受色素影響較大，在近紅外區(qū)域則主要受葉片內(nèi)部結(jié)構(gòu)、生物量和含水量等影響，故利用烤煙光譜信息對葉綠素含量進(jìn)行估算是可行的[5-6]。葉綠素密度表示單位土地面積上的葉片葉綠素含量，同時(shí)包含植株個(gè)體色素含量信息與植被群體蓋度特征，而冠層光譜能反映作物群體光譜特征，因此，實(shí)時(shí)監(jiān)測干旱脅迫對烤煙冠層葉綠素密度（CCD）造成的動(dòng)態(tài)變化，即可隨時(shí)掌握作物群體光合能力。

吳長山等[7]研究發(fā)現(xiàn)，早稻、晚稻、玉米的群體光譜反射率及其導(dǎo)數(shù)和葉綠素密度的相關(guān)性很好，并建立了統(tǒng)一的線性回歸關(guān)系。Blackburn[8-9]發(fā)現(xiàn)，冠層和葉片尺度上色素濃度與反射光譜的一階和二階導(dǎo)數(shù)極顯著相關(guān)，他利用葉綠素特征吸收波段470、635和680 nm構(gòu)造了適宜估算葉綠素狀況的光譜指數(shù)，但Sims等[10]的研究則表明，550、700 nm較680 nm反射率對葉綠素更敏感。為估算作物葉綠素密度，學(xué)者們也提出了眾多光譜指數(shù)，如TVI、SIPI、PRI、SRPI等，但用來估算的適宜光譜指數(shù)會(huì)因不同條件下不同作物及不同生育時(shí)期而不同。

本文基于不同干旱脅迫下旺長期烤煙CCD和群體原始高光譜反射率、一階導(dǎo)數(shù)及已有光譜指數(shù)間的相關(guān)關(guān)系，構(gòu)建烤煙CCD估算模型，以實(shí)時(shí)監(jiān)測旺長期烤煙群體光合能力和水肥營養(yǎng)狀況。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)1：于2015年在河南農(nóng)業(yè)大學(xué)許昌校區(qū)現(xiàn)代煙草農(nóng)業(yè)園區(qū)（北緯34°01′，東經(jīng)113°49′）進(jìn)行，供試品種為K326和中煙100。采用桶栽，桶高70 cm，直徑40 cm，裝風(fēng)干土75 kg。供試土壤是淋溶褐土，前茬作物為紅薯，主要理化性質(zhì)：田間持水量23.19%，容重1.39 g/cm3，pH 7.77，有機(jī)質(zhì)含量9.53 g/kg，堿解氮69.74 mg/kg，速效磷2.74 mg/kg，速效鉀 106.61 mg/kg。施用化肥為分析純(NH4)2SO4，KNO3和 KH2PO4，m(N):m(P2O5):m(K2O)=1:1.5:3，施N量按200 mg/kg干土作為基肥一次性施入，將土壤與肥料混合均勻后裝桶。采用人工防雨棚設(shè)計(jì)，遇降雨即將棚拉上。于2015年5月15日移栽，還苗后開始控水，每天補(bǔ)充水分1次，使土壤相對含水量保持在60%～65%，進(jìn)入旺長期后開始進(jìn)行連續(xù)25 d的干旱脅迫（移栽后30～55 d），使用Takeme-10型土壤水分速測儀測定土壤含水量，按照下列公式計(jì)算每株需澆水質(zhì)量[11]：

每天澆水質(zhì)量=（設(shè)定土壤絕對質(zhì)量含水量－實(shí)際土壤絕對質(zhì)量含水量）×土重

設(shè)定土壤絕對質(zhì)量含水量=設(shè)定土壤相對含水量×田間持水量

實(shí)際土壤絕對質(zhì)量含水量=絕對體積含水量÷土壤容重

試驗(yàn)設(shè)4個(gè)干旱脅迫程度處理：正常需水量（相對含水量80%～85%）、輕度干旱脅迫（相對含水量70%～80%）、中度干旱脅迫（相對含水量60%～70%）及重度干旱脅迫（相對含水量50%～60%），各處理設(shè)6次重復(fù)，共48桶，桶間距75 cm，試驗(yàn)為隨機(jī)區(qū)組設(shè)計(jì)。

試驗(yàn)2：于2016年在河南農(nóng)業(yè)大學(xué)許昌校區(qū)現(xiàn)代煙草農(nóng)業(yè)園區(qū)（北緯34°01′，東經(jīng)113°49′）進(jìn)行，所設(shè)試驗(yàn)處理、測定指標(biāo)以及栽培管理措施均同試驗(yàn)1。此試驗(yàn)的數(shù)據(jù)用于預(yù)測模型的檢驗(yàn)。

1.2 烤煙冠層光譜測定

光譜測定使用美國ASD公司生產(chǎn)的FieldSpec3野外光譜測定儀，波長測量范圍350～2500 nm。在移栽后55 d，挑選各處理健康無病的煙株，在晴朗、無風(fēng)、無云的天氣進(jìn)行烤煙冠層光譜數(shù)據(jù)的采集，時(shí)間為10:00—14:00。在采集光譜數(shù)據(jù)時(shí)，使傳感器探頭垂直向下，正對煙株，且在測定時(shí)其距離烤煙冠層頂?shù)母叨葹?l m。每次測量前進(jìn)行標(biāo)準(zhǔn)白板校正，每次記錄10組數(shù)據(jù)，最后以其平均值作為該樣本的光譜反射值，每個(gè)處理測4株。

1.3 烤煙CCD的測定

采用分光光度法測定葉綠素含量[12]。隨機(jī)取已測定冠層光譜煙株的上、中、下部葉進(jìn)行測定，取其平均值作為該煙株CCD，計(jì)算公式如下：

葉綠素a=13.95×A665-6.88×A649

葉綠素b=24.96×A649-7.32×A665

式中Ax——提取液在波段x處的吸光度值。

總?cè)~綠素=葉綠素a+葉綠素b

葉綠素質(zhì)量分?jǐn)?shù)（mg/g）=（總?cè)~綠素濃度×提取液體積）/樣品鮮質(zhì)量

葉綠素密度（g/m2）=單位面積鮮葉質(zhì)量×葉綠素質(zhì)量分?jǐn)?shù)

1.4 光譜指數(shù)的選擇

光譜指數(shù)是由多個(gè)波段或波長的反射率因子組合而成，表1為參考前人研究結(jié)果所篩選的作物CCD光譜參數(shù)。

表1 本研究所采用的光譜參數(shù)列表Table 1 Summary of different hyperspectral parameters used in this study

1.5 數(shù)據(jù)分析

采用ViewSpec Pro整理光譜數(shù)據(jù)，SPSS 22.0進(jìn)行數(shù)據(jù)分析，Excel和Matlab 6.0進(jìn)行模型構(gòu)建，利用決定系數(shù)R2、均方根誤差RMSE進(jìn)行模型精度檢驗(yàn)。

2 結(jié) 果

2.1 不同處理下旺長期烤煙CCD和光譜反射率的變化

圖1中示出，隨土壤干旱程度的加劇，烤煙CCD隨之降低，不同品種間與不同程度干旱處理間差異顯著。在正常處理下達(dá)到最大值，不同基因型烤煙品種表現(xiàn)一致。K326的輕度、中度、重度干旱脅迫較正常需水量處理分別降低了 23.43%、32.72%、36.91%，對于中煙100，分別下降了11.74%、33.80%、40.01%，可見干旱程度越重，其值降低趨勢越明顯。表明土壤干旱脅迫可導(dǎo)致烤煙CCD降低。

隨著土壤干旱程度的加劇與烤煙CCD的降低，其冠層光譜反射率間的差異表現(xiàn)較為明顯，圖2反映了烤煙在旺長期不同程度干旱脅迫下冠層光譜特征的變化。由圖可知，重度干旱處理在可見光區(qū)的波峰高于正常需水量處理，這可能是因?yàn)楣庾V反射率變化的主要影響因素為色素，而干旱脅迫導(dǎo)致葉綠素含量降低，從而光吸收能力減弱，其反射率便隨CCD的降低而增加；在近紅外光區(qū)800～1300 nm處，兩個(gè)品種的光譜曲線差異都較為明顯，其中正常需水量處理在紅邊區(qū)域的峰值達(dá)到最高，可能是因?yàn)榇藚^(qū)域內(nèi)光譜特征的主要影響因素為冠層及葉片結(jié)構(gòu)，干旱脅迫后烤煙群體結(jié)構(gòu)被破壞，光譜反射率隨CCD的降低而降低，表明干旱脅迫后烤煙冠層光譜反射率隨 CCD呈現(xiàn)規(guī)律性變化，不同基因型烤煙品種表現(xiàn)一致。

圖1 不同處理下烤煙CCD的變化Fig. 1 Changes of canopy chlorophyll density of the fluecured tobacco under different treatments

圖2 不同處理?xiàng)l件下烤煙葉片高光譜反射率Fig. 2 Spectral reflectance of the flue-cured tobacco leaf under different treatments

2.2 烤煙CCD與原始光譜反射率及其一階導(dǎo)數(shù)的相關(guān)性

將CCD與烤煙冠層原始光譜及一階導(dǎo)數(shù)分別進(jìn)行相關(guān)分析（n=32），由圖 3可知，整體上烤煙CCD與一階導(dǎo)數(shù)的相關(guān)性要優(yōu)于原始光譜。CCD與734 nm處的原始光譜反射率相關(guān)性最好（r=0.745，P=0.000），與在紅邊區(qū)域 712 nm處的一階導(dǎo)數(shù)相關(guān)系數(shù)最高（r=0.838，P=0.000），兩者均表現(xiàn)為極顯著正相關(guān)。

2.3 CCD與光譜特征指數(shù)的定量關(guān)系

利用8種傳統(tǒng)特征光譜指數(shù)與CCD進(jìn)行相關(guān)性分析（n=32）可以得出（表2），三角植被指數(shù)（TVI）、結(jié)構(gòu)不敏感色素指數(shù)（SIPI）、光化學(xué)植被指數(shù)（PRI）、簡單比值色素指數(shù)（SRPI）、植被衰老反射率指數(shù)（PSRI）、二次修正土壤調(diào)節(jié)植被指數(shù)（MSAVI2）與烤煙CCD的相關(guān)性均達(dá)到極顯著水平，其中TVI與其相關(guān)性最好(P=0.000)，其相關(guān)系數(shù)（r=0.754）雖高于CCD與734 nm處的原始光譜反射率的相關(guān)系數(shù)（r=0.745），卻低于CCD與在紅邊區(qū)域的712 nm處的一階導(dǎo)數(shù)相關(guān)系數(shù)（r=0.838），故采用712 nm處的一階導(dǎo)數(shù)來構(gòu)建烤煙CCD估算模型。

圖3 CCD與原始光譜及一階導(dǎo)數(shù)相關(guān)性(n=32)Fig. 3 Correlation of canopy chlorophyll density with raw reflectance and derivative reflectance (n=32)

表2 高光譜特征參數(shù)與CCD之間的相關(guān)系數(shù)（n=32）Table 2 Correlation analysis between canopy chlorophyll density and hyperspectral indices (n=32)

2.4 烤煙CCD估算模型的建立

2.4.1 線性回歸模型的建立 采用 712 nm處的一階導(dǎo)數(shù)（DR712）建立一元線性回歸模型（n=32）。由圖4可知，烤煙CCD與DR712呈現(xiàn)正相關(guān)關(guān)系，兩者構(gòu)建的一元線性回歸方程為Y=403.476X-2.781，此模型的決定系數(shù)R2為0.703，均方根誤差RMSE為0.0866。式中Y代表CCD，X代表DR712。

圖4 烤煙CCD的線性回歸分析（n=32）Fig. 4 Regression analysis for estimating canopy chlorophyll density of flue-cured tobacco (n=32)

2.4.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立 BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，具有高度非線性映射能力和良好穩(wěn)健性模式識(shí)別特點(diǎn)。圖5為采用了三層BP神經(jīng)網(wǎng)絡(luò)（輸入層、隱藏層、輸出層）對烤煙CCD的預(yù)測結(jié)果。以SMLR模型中的獨(dú)立變量（DR712）作為輸入層，其傳遞函數(shù)為正切S型傳遞函數(shù)(tansig)；以烤煙CCD作為輸出層，其傳遞函數(shù)為線性傳遞函數(shù)(purelin)；訓(xùn)練函數(shù)為trainlm。構(gòu)建模型的隱含層節(jié)點(diǎn)數(shù)為21，采用“試錯(cuò)法”反復(fù)嘗試確定。如圖5所示，烤煙CCD模型的決定系數(shù)R2為0.9686，均方根誤差RMSE為0.0778，與一元線性回歸模型相比可知，BP神經(jīng)網(wǎng)絡(luò)對于預(yù)測烤煙CCD具有較好的精度。

2.4.3 預(yù)測模型的檢驗(yàn) 利用試驗(yàn)2的數(shù)據(jù)作為樣本對所構(gòu)建的兩種模型進(jìn)行檢驗(yàn)（n=16）（圖6），得到對CCD所構(gòu)建的線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型的驗(yàn)證結(jié)果R2分別為0.726、0.933，RMSE分別為0.0976、0.0023。由此可見，BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性更好。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果（n=32）Fig. 5 The predicted result of the BP network model (n=32)

圖6 預(yù)測模型的檢驗(yàn)（n=16）Fig. 6 Test of prediction models (n=16)

3 討 論

目前，已有眾多學(xué)者對作物 CCD進(jìn)行了相關(guān)研究，并篩選出一些特征植被指數(shù)與敏感波段，如楊峰等[21]研究得到，二次修正調(diào)節(jié)植被指數(shù)與水稻農(nóng)學(xué)參數(shù)相關(guān)性最好，800 nm處的光譜反射率與小麥農(nóng)學(xué)參數(shù)相關(guān)性最好。當(dāng)然，有關(guān)烤煙色素含量的估算模型也已有所研究，李向陽等[22]通過篩選與各種生理生化指標(biāo)關(guān)系最密切的光譜參數(shù)得到Y(jié)chla+b=1.419+9.992XSAVI-27.702X藍(lán)邊面積（R2=0.440）（SAVI為土壤調(diào)整植被指數(shù)）。邢雪霞等[23]得到的高光譜最佳估測模型為Ychla+b=0.355-0.011XG-NDVI+ 0.015XG-NDVI2（R2=0.830）（G-NDVI為綠度歸一化植被指數(shù)），但這些大都為根據(jù)光譜指數(shù)或高光譜位置變量、面積變量和植被變量等單一的構(gòu)建了線性或非線性回歸模型，而本文則是對不同程度干旱脅迫下烤煙CCD進(jìn)行了單獨(dú)的分析研究，并構(gòu)建了精度更高的BP神經(jīng)網(wǎng)絡(luò)模型。

4 結(jié) 論

本文分析比較了不同程度干旱處理烤煙 CCD及其光譜數(shù)據(jù)，結(jié)果表明712 nm處的一階導(dǎo)數(shù)與CCD相關(guān)性最好（r=0.838），以BP神經(jīng)網(wǎng)絡(luò)模型的精度和穩(wěn)定性最佳。今后應(yīng)進(jìn)一步探討烤煙在整個(gè)生育時(shí)期對CCD的光譜響應(yīng)規(guī)律，以期構(gòu)建精度更高、實(shí)用性更廣的烤煙葉綠素密度監(jiān)測模型。

參考文獻(xiàn)

[1] MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, et a1. Nondestructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106: 135-141.

[2] PEFIUELAS J, FILELLA I. Visible and near-infrared reflectance techniques for diagnosing plant physiological status [J]. Trends in Plant Science, 1998, 3(4): 151-156.

[3] 汪耀富，韓錦峰，林學(xué)梧. 烤煙生長前期對干旱脅迫的生理生化響應(yīng)研究[J]. 作物學(xué)報(bào)，1996，22（1）：117-121.

[4] 韓錦峰，汪耀富，岳翠凌，等. 干旱脅迫下烤煙和氮代謝研究[J]. 華北農(nóng)學(xué)報(bào)，1994，9（2）：39-45.

[5] CURRAN P J, DUNGAN J L, MACLER B A, et al. The effect of a red leaf pigment on the relationship between red edge and chlorophyll concentration[J]. Remote Sensing of Environment, 1991, 35(1): 69-76.

[6] FENG W, YAO X, TIAN Y C, et al. Monitoring leaf pigment status with hyperspectral remote sensing in wheat[J]. Australian Journal of Agricultural Research, 2008, 59(8): 748-760.

[7] 吳長山，項(xiàng)月琴，鄭蘭芬，等. 利用高光譜數(shù)據(jù)對作物群體葉綠素密度估算的研究[J]. 遙感學(xué)報(bào)，2000，4（3）：228-232.

[8] BLACKBURN G A. Quantifying chlorophylls and carotenoids at leaf and canopy scales: An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment, 1998, 66(3): 273-285.

[9] BLACKBURN G A. Spectral indices for estimating photosynthetic pigment concentrations: A test using senescent tree leaves[J]. International Journal of Remote Sensing, 1998, 19(4): 657-675.

[10] SIMS D A, GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages[J]. Remote Sensing of Environment, 2002, 81(2): 337-354.

[11] 賈方方. 不同水分狀況對烤煙高光譜特性及生理生化指標(biāo)的影響[D]. 鄭州：河南農(nóng)業(yè)大學(xué)，2010.

[12] 鄒琦. 植物生理生化實(shí)驗(yàn)指導(dǎo)[M]. 北京：中國農(nóng)業(yè)出版社，1995.

[13] HABOUDANE D, MILLER J R, PATTEY E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote sensing of environment, 2004, 90(3): 337-352.

[14] PEFIUELAS J, BARET F, FILELLA I. Semi-empirical indices to assess carotenoid/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 3l: 221-230.

[15] GAMON J A, PENUELAS J, FIELD C B. A narrowwaveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment, 1992, 41(1): 34-44.

[16] PE?UELAS J, GAMON J A, FREDEEN A L, et al. Reflectance indices associated with physiological changes in nitrogenand water-limited sunflower leaves[J]. Remote Sensing of Environment, 1994, 48(2): 135-146.

[17] MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, et a1. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106(1): l35-141.

[18] QI J, CHEHBOUNI A, HUETE A R, et a1. A modified soil adjusted vegetation index[J]．Remote Sensing of Environment, 1994, 48(2): 119-126.

[19] RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1966, 55(2): 95-107.

[20] GITELSON A A, KAUFMAN Y J, STARK R, et a1. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[21] 楊峰，范亞民，李建龍，等. 高光譜數(shù)據(jù)估測稻麥葉面積指數(shù)和葉綠素密度[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（2）：237-243.

[22] 李向陽. 煙草高光譜特性及其生物理化指標(biāo)和化學(xué)品質(zhì)、香氣成分估測模型研究[D]. 鄭州：河南農(nóng)業(yè)大學(xué)，2007.

[23] 邢雪霞，劉國順，賈方方，等. 烤煙葉片色素含量的高光譜預(yù)測模型研究[J]. 中國煙草學(xué)報(bào)，2014，20（1）：54-60.

Hyperspectral Estimation of Canopy Chlorophyll Density in Flue-cured Tobacco under Different Drought Stress at the Vigorous Growth Stage

LI Mengzhu1, LIU Guoshun1*, JIA Fangfang2
(1. National Tobacco Cultivation & Physiology & Biochemistry Research Center, Henan Agricultural University, Zhengzhou 450002, China; 2. Shangqiu Normal University, Shangqiu, Henan 476000, China)

This study aims to estimate the canopy chlorophyll density (CCD) of flue-cured tobacco with non destructive and accurate methods in real time to obtain the photosynthetic capacity and nutritional status. To this end, the relationship of canopy chlorophyll density and hyperspectral reflectance of flue-cured tobacco under different drought stresses was studied using an ASD spectrometer. Estimating models of the flue-cured tobacco canopy chlorophyll density were set up by means of the first derivative spectral reflectance. The results indicated that flue-cured tobacco canopy spectral reflectance showed orderly changes with chlorophyll density after drought stresses. The correlation between the first derivative spectral reflectance at 712 nm and chlorophyll density is the best (r=0.838). The BP neural network generated the best estimation. In the inversion of monadic linear model and BP neural network model for CCD using the first derivative spectral reflectance, the BP neural network model showed the best effect with theR2reached 0.9686 andRMSEbeing 0.0778. The results may provide the basis for the cultivation and management through long-term real-time monitoring of the photosynthetic capacity and water stress status of the flue-cured tobacco flourishing population.

flue-cured tobacco; the vigorous growth stage; canopy chlorophyll density; water stress; estimating model

S572.01

1007-5119（2017）01-0023-06

10.13496/j.issn.1007-5119.2017.01.004

國家煙草專賣局特色優(yōu)質(zhì)煙葉重大專項(xiàng)“濃香型特色優(yōu)質(zhì)煙葉開發(fā)”[110201101001(TS-01)]；河南中煙工業(yè)有限責(zé)任公司科技項(xiàng)目“基于土壤碳氮平衡的煙草專用肥工程化技術(shù)研發(fā)”（ZW2014005）

李夢竹（1993-），女，碩士研究生，研究方向?yàn)闊煵菰耘嗌砩?。E-mail：pipizhu0128@qq.com。*通信作者，E-mail：liugsh1851@163.com

2016-03-24

2016-09-30